3
ÍNDICE Índice ........................................................................................................................................................ 3
ACTUALIZACIÓN INSTANTÁNEA DE VARIABLES DE CLIMA ....................................................................... 5
Introducción .................................................................................................................................... 5
Administración de estaciones agrometeorológicas ........................................................................ 6
Descarga de archivos de clima ........................................................................................................ 8
Agente para la descarga de archivos de clima ................................................................................ 9
Modelo de datos ............................................................................................................................. 9
Actualización de la base de datos ................................................................................................. 10
El archivo anual para cada estación agrometeorológica .............................................................. 10
Ventajas del nuevo sistema .......................................................................................................... 11
DIVULGACIÓN DE INFORMACIÓN SOBRE CLIMA ................................................................................... 11
Consulta de valores a detalle de una EAM .................................................................................... 12
Consulta de variables de clima en cualquier lugar del estado de Morelos ................................... 13
Indicación del punto geográfico para el cual desea conocer el clima ........................................... 15
Determinación de las coordenadas del punto seleccionado en el mapa ..................................... 18
Interpolación de los datos registrados por las EAM ..................................................................... 18
Determinación de las cinco estaciones más próximas al punto de interés .................................. 20
Se calculan los “pesos” que se asignarán a estas estaciones ........................................................ 21
Posibles usos de la información de clima ...................................................................................... 21
Bibliografía .................................................................................................................................... 22
MODELOS NUMÉRICOS DE PREDICCIÓN DE HELADAS DE ESTACIONES AUTOMATIZADAS DEL INIFAP 25
Resumen ........................................................................................................................................ 25
Introducción .................................................................................................................................. 25
Materiales y Métodos ................................................................................................................... 26
Resultados ..................................................................................................................................... 27
Discusión ....................................................................................................................................... 38
Conclusiones ................................................................................................................................. 39
Bibliografía .................................................................................................................................... 39
SISTEMA DE ALERTA FITOSANITARIA DEL ESTADO DE MORELOS (SIAFEMOR) ..................................... 41
Antecedentes ................................................................................................................................ 41
Calculo del numero de generaciones de insectos ..................................................................... 43
4
Mapas de riesgo ........................................................................................................................ 43
Enfermedades ........................................................................................................................... 44
Bibliografía .................................................................................................................................... 46
IMPORTANCIA DE LA PERCEPCIÓN REMOTA Y TECNOLOGÍA SATELITAL EN LOS SISTEMAS DE ALERTA
TEMPRANA EN MÉXICO .......................................................................................................................... 48
Introducción .................................................................................................................................. 48
La Percepción Remota ................................................................................................................... 48
Interacción de los Objetos con la Energía Electromagnética ........................................................ 50
Los Sistemas de Información Geográficos .................................................................................... 52
Los SIG y la PR como apoyo a los Sistemas de Alerta Temprana .................................................. 53
Bibliografía .................................................................................................................................... 54
5
ACTUALIZACIÓN INSTANTÁNEA DE VARIABLES DE CLIMA
Sergio Ramírez Rojas
Vicente Varela Loza
Juan Carlos Bartolo Reyes
Introducción
La red de estaciones agrometeorológicas del INIFAP en el estado de Morelos, está configurada
para medir 10 variables de clima cada 15 minutos, comenzando la toma del primer dato del
día a las 00:00 h y terminando el día con la toma de datos a las 23:45 h.
Las estaciones agrometeorológicas envían estas observaciones a un servidor ubicado en las
instalaciones del IMTA. La comunicación entre el servidor y las diferentes estaciones se
establece mediante frecuencias de radio, pasando por varias antenas intermedias que
retrasmiten los datos. En el servidor final se guardan como hojas de cálculo, pero en archivos
con formato CSV (del inglés comma-separated values). Ésta es una forma generalizada de
estructurar bases de datos mediante el uso de comas (,) en archivos de texto para indicar
cuando acaba una columna y empieza la siguiente (Mifsuf, 2012).
Los datos de clima son el insumo principal para diversas aplicaciones, tales como el cálculo de
riesgos para el desarrollo de enfermedades en los cultivos, el control de activación y apagado
de sistemas de riego para la optimización del agua, optimización en el rendimiento del cultivo
y descartar diversas deficiencias, la simulación del comportamiento y el crecimiento de plagas,
la predicción de volumen de lluvia, entre otras (Varela, 2014).
Contar con la información de clima de forma accesible y en el menor tiempo posible permite a
las diversas aplicaciones correr sus procesos de forma más rápida, eficiente y confiable.
En 2012 el Campo Experimental Zacatepec publicó el Manual del usuario del sistema de alerta
fitosanitaria de Morelos (Ramírez et al., 2012). El sistema proporciona información de riesgo
de enfermedades mediante mapas mensuales que muestran los niveles de riesgo según los
días con condiciones favorables al desarrollo de la enfermedad: de 1 a 10 días, bajo; de 11 a
20 días, medio y el riesgo es alto si hay más de 20 días. Para elaborar estos mapas un
operador descarga diariamente, vía Internet, una por una las hojas de cálculo actualizadas por
las EAM. Para el cálculo de riesgos (y otras aplicaciones) sólo se utilizan los datos de “horas
completas” (de las 0 horas hasta las 23 horas), para lo cual se crean hojas de cálculo por
estación y día con datos de las horas cerradas. Este proceso, así como el mencionado de la
descarga de las hojas de cálculo.
6
Los aspectos principales de la preparación de datos del clima actualizados para su uso por
cualquier aplicación, constan esencialmente de dos pasos:
- En cada ejecución, el sistema de administración revisa por cada estación cuál fue el último
registro de datos que ya procesó previamente (en una ejecución anterior) y a continuación
descarga el archivo CSV que contiene los registros generados y actualizados después de la
última ejecución del sistema.
- La información contenida en los archivos con formato CSV se almacena en una base de datos
que contiene los registros correspondientes a las horas puntuales. El sistema también crea
archivos donde almacena y da formato a todos los registros tomados por la estación
meteorológica, es decir, con todos los registros tomados con una frecuencia de 15 minutos.
De ese modo, los datos de clima pueden ser consultados para implementarlos en cualquier
aplicación.
El módulo de consulta de datos de clima proporciona 19 variables, de las cuales 10 son las
registradas por las EAM y nueve se calculan a partir de ellas. Tiene una interfaz que permite al
usuario indicar el lugar de interés usando un mapa de Morelos; se calculan las variables de
clima en ese lugar con una interpolación a partir de las estaciones de la red más próximas, y se
despliegan en el monitor del usuario.
Según Peña (2006), “La interpolación es el procedimiento para predecir el valor de los
atributos en sitios donde no se ha muestreado, a partir de medidas realizadas en
localizaciones puntuales de la misma área o región”. En esta investigación es preferible usar el
verbo estimar en lugar de predecir.
Administración de estaciones agrometeorológicas
En el estado de Morelos existe una red de 25 estaciones agrometeorológicas ubicadas
geográficamente como se muestra en la Figura 1. La Tabla 1 detalla la ubicación y las
coordenadas de cada una de ellas.
7
Figura 1.- Ubicación de las estaciones agrometeorológicas de la red.
8
Tabla 1.- Red de estaciones agrometeorológicas del estado de Morelos.
No. Estación Nombre_estación / ubicación Latitud Longitud
1 INIFAP/Zacatepec 18.6531 -99.2008
2 El Calvario/ Mazatepec 18.7246 -98.9236
3 Rancho el potrerillo (Huajintlán)/ Amacuzac 18.5914 -99.3476
4 CEIEPO/ Huitzilac 19.0439 -99.2363
5 Tlaquiltenango/Tlaquiltenango 18.5319 -99.0851
6 Ocuituco/Ocuituco 18.8716 -98.8194
7 El Hospital/ Cuautla 18.8319 -98.9881
8 Ayala/Ayala 18.7388 -99.0469
9 Axochiapan/Axochiapan 18.5051 -98.7387
10 Jonacatepec/Jonacatepec 18.6971 -98.8317
11 Puente de Ixtla/Puente de Ixtla 18.6476 -993449
12 Coatetelco/Coatetelco 18.7218 -99.2929
13 Tepalcingo/Tepalcingo 18.6336 -98.8997
14 No está en operación -- --
15 Emiliano Zapata/Emiliano Zapata 18.8411 -99.1691
16 Tepoztlán/Tepoztlán 18.9383 -99.0891
17 Tlayacapan/Tlayacapan 18.9522 -98.9885
18 Tlaltizapan/Tlaltizapan 18.6912 -99.1342
19 Tetela del Monte/ Cuernavaca 18.9706 -99.2721
20 Tetela del Volcán/Tetela del Volcán 18.8828 -98.7108
21 Tehuixtla/Jojutla 18.5417 -99.2617
22 Huazulco/ Temoac 18.7548 -98.8099
23 Tlalnepantla/Tlalnepantla 19.0115 -98.9968
24 Totolapan/Totolapan 18.9866 -98.7711
25 Miacatlán/Miacatlán 18.7932 -99.3517
26 Tenango/Jantetelco 18.6334 -98.7546
Las EAM envían las mediciones de clima, registradas cada 15 minutos, a un servidor ubicado
en las instalaciones del IMTA, y las mediciones recibidas se almacenan en archivos con
formato CSV. Los archivos en dicho servidor están en un directorio, cuya dirección electrónica
se le indica a los procesos que bajan los archivos de la red.
Descarga de archivos de clima
Ya se describieron los archivos (en formato CSV) que actualizan cada 15 minutos las EAM. Los
archivos residen en un servidor del IMTA que administra los datos de clima registrados por las
EAM. En el servidor del IMTA los archivos se almacenan en una carpeta con el nombre del año
en el que fueron tomadas las mediciones por las EAM, dividida en carpetas por cada mes del
año, y cada una de ellas contiene otra carpeta por cada día del mes. Esta carpeta contiene los
archivos CSV de cada estación. En la computadora local se crean directorios con el mismo
principio. Todos estos directorios residen dentro del directorio de trabajo del sistema,
9
indicado por el usuario cuando hace la instalación del sistema o en cualquier momento
posterior.
Agente para la descarga de archivos de clima
“Los agentes de búsqueda son programas diseñados para moverse a lo largo de la red,
creando rutas y filtrando los mensajes enviados a un usuario, y buscando información o
servicios en representación del usuario” (Calle, 1996).
El módulo de agente para la descarga de archivos de clima, se diseñó de modo que se ejecute
de manera automática mediante un dispositivo que activa las descargas. Cuando el agente
detecta que no está un archivo, lo omite para procesarlo en el siguiente intento. En cada
instancia, el agente copia los archivos ubicados en el servidor a la computadora local.
La ejecución se puede hacer cada hora (se especificaría la hora y 10 minutos, para contemplar
el proceso de transferencia de datos de la EAM al servidor del IMTA). Sin embargo, se puede
modificar este intervalo si se necesitaran datos con mayor o menor frecuencia.
El agente de búsqueda se conecta al servidor del IMTA y uno por uno verifica que se
encuentre el archivo en cuestión. En caso positivo lo baja a la computadora con el comando:
My.Computer.Network.DownloadFile(Url, Path). El comando recibe dos parámetros: el
primero es la dirección electrónica del servidor donde se encuentra el archivo en cuestión y el
segundo especifica la ruta local donde se almacenan los archivos descargados.
El nombre de los archivos está formado por el nombre de la estación y la fecha en la que
fueron registrados los datos que contiene. Por ejemplo el archivo MOR_001_20130815.csv
corresponde a la estación ubicada en las instalaciones del INIFAP Campo Experimental
Zacatepec, donde MOR representa a la estación que corresponde a la red de EAM del estado
de Morelos, 001 representa a la estación que tiene asignado el número 1 dentro de la red, y
20130815 indica que el archivo contiene datos medidos el 15 de agosto del 2013.
Modelo de datos
El modo de ofrecer los datos de clima a las aplicaciones que puedan aprovecharlos consiste en
concentrar todos los datos en una sola estructura. Para ese fin, se diseñó una base de datos
que se denominó “clima_estaciones”.
10
Se estudiaron los posibles usos de los datos en cuanto a su agrupación. Por ejemplo, pudiera
ser que una aplicación necesita datos de una EAM pero para varios días, o aún meses. Cuando
se usaban los archivos “horarios” creados, éstos eran por día, de modo que para usar datos de
varios días se tenían que procesar varios de estos archivos.
Otro tipo de uso puede involucrar usar datos de varias estaciones como es el caso en la
consulta a clima que se describe en el siguiente capítulo. Ahí se obtiene el clima en un punto
del estado de Morelos mediante una interpolación de los datos correspondientes de las EAM
más cercanas.
Actualización de la base de datos
Como se explicó anteriormente, los agentes actualizan las hojas de cálculo (en formato CSV)
en la computadora que se usa para actualizar la base de datos. Hay un programa que se
ejecuta también en forma automática, es decir sin intervención humana, que actualiza la base
de datos de clima con las nuevas observaciones.
Este proceso consiste en lo siguiente:
Accesa una tras otra las tablas de cada estación de la base. Carga los registros del día
(hoy) y el de ayer (por si hay información atrasada). Si no está el registro de “hoy”, lo
crea con valores default (nulos (null)) en todos los campos excepto el número de
estación, el día juliano (que se calcula para tal efecto) y naturalmente los campos que
componen la clave principal.
Obtiene la hora de última actualización
Abre el archivo de esa EAM y ese día (hoy). Por excepción, podrá también necesitar el
archivo de “ayer”.
Obtiene de la hoja de cálculo las mediciones de cada variable para cada hora cerrada.
Esto lo hace calculando las hileras que tienen esos datos, es decir, las hileras N + 4, N +
8, etc., donde N es el número de hileras que preceden a la primera observación y que
corresponden a encabezados.
Actualiza el campo correspondiente del registro del día del archivo del que consigue
las observaciones. Observe que para todas las variables excepto la humedad relativa,
los multiplica por 10.
Regraba la tabla de la EAM, y procede a la siguiente.
El archivo anual para cada estación agrometeorológica
Las EAM registran datos con una frecuencia de 15 minutos. A pesar de que la mayoría de las
aplicaciones sólo usarán los datos de horas puntuales, el sistema contempla la necesidad de
recurrir a las mediciones en horas “no puntuales”. Por lo tanto, en lugar de conservar los
11
archivos (diarios) obtenidos del servidor del IMTA, se guardan en un conjunto de archivos,
cada uno de los cuales tiene la información de una EAM de todo el año.
Estos archivos están en un directorio llamado CLIMA_TOTAL_2013, donde el número “2013”
indica el año en el que fueron medidos los datos contenidos en los archivos dentro de dicho
directorio, que a su vez se encuentra ubicado dentro del directorio correspondiente al año en
el que se registran los datos por las EAM. Estos directorios anuales también residen en el
directorio de trabajo elegido por el usuario.
El criterio de diseño fue minimizar el número y el tamaño de archivos, pero especialmente
que permita el uso de datos de varios meses, días u horas de la misma estación sin tener que
usar varios archivos. El archivo tiene un registro “base” que contiene la fecha de la última
actualización del archivo, y un registro para cada uno de los 366 días (si el año no es bisiesto,
sólo se usan 365 de ellos). El archivo se usa con el método de acceso aleatorio: se consultan
los datos correspondientes a un día mediante su fecha juliana (se le suma 1 por la presencia
del registro base).
Cada registro del archivo contiene los datos de las 10 variables que miden las EAM en ese día,
para cada una de las 96 mediciones posibles (una cada 15 minutos).
Ventajas del nuevo sistema
El proceso manual que se realiza actualmente para crear las mismas hojas de cálculo con
datos de horas puntuales es laborioso y tardado. El nuevo proceso lo hace de manera
instantánea: la duración depende de la velocidad con la que se pueden bajar los archivos de
Internet. Además de la reducción de recursos humanos, esto permite ofrecer la información
sin rezagos considerables.
La base de datos ofrece posibilidades adicionales a las que había sin el sistema. Por ejemplo
las consultas a clima hubieran sido posibles sin esta base de datos, pero con un costo muy
significativo de programación por el uso de muchas hojas de cálculo, amén de un proceso
considerablemente más prolongado. Es difícil calcular cuánto más largo hubiera sido, pero se
puede afirmar que seguramente una consulta típica hubiera tardado por lo menos 10 veces
más (aunque probablemente este factor estuviera más cercano a 50 en algunas consultas).
DIVULGACIÓN DE INFORMACIÓN SOBRE CLIMA
Las EAM informan cada 15 minutos los valores de las 10 variables que se muestran en la Tabla
2. Como se ha explicado en el apartado anterior, esta información se concentra a detalle, pero
también se actualiza una base de datos con las observaciones a nivel horario, es decir, en
horas puntuales.
Tabla 2.- Variables registradas por las EAM.
12
1.- Precipitación
2.- Dirección del viento
3.- Velocidad del viento
4.- Velocidad del viento máxima
5.- Humedad de la hoja
6.- Radiación solar
7.- Humedad relativa
8.- Temperatura
9.- Temperatura máxima
10.-Temperatura mínima
Se implementaron dos modos de usar la información sobre clima. Se pueden obtener los
datos recibidos de cualquiera de las EAM a detalle. Pero también se pueden obtener valores
de variables climáticas de interés para cualquier lugar de la zona contemplada, en esta
investigación, del estado de Morelos. Para ello, el sistema calcula dichos valores interpolando
los de las estaciones más cercanas. Cabe agregar que esta última consulta se desarrolló
porque no se encontró alguna similar en la literatura ni en la práctica.
Consulta de valores a detalle de una EAM
Esta consulta permite obtener datos de clima reportados por las EAM al detalle, es decir, cada
15 minutos. El usuario, selecciona la estación de interés e indica una fecha inicial y una fecha
final (deben ser del mismo año). Se pueden solicitar los valores cada 15’, pero también se
pueden limitar los valores desplegados a los registrados cada 30’, 45’ o los de horas cerradas.
El módulo permite al usuario seleccionar la estación de interés, mostrada por su nombre, y
una fecha inicial y una fecha final.
Como se mencionó anteriormente, los archivos diseñados para almacenar las mediciones
realizadas por las EAM con una frecuencia de 15 minutos, únicamente contienen registros
tomados en un año, es decir, los archivos contienen información anual. Cuando en este
módulo se indican como parámetro dos fechas con diferente número de año, el sistema
muestra un mensaje informando que las consultas a los archivos deben contener un rango de
fechas con el mismo año.
La información de clima registrada cada 15 minutos por las EAM se visualizan en una interfaz
compuesta por un cuadro que muestra la información general de la estación y una serie de
pestañas, donde cada una de las pestañas contiene las mediciones de las variables. A su vez
cada pestaña contiene una tabla donde las hileras corresponden a los días incluidos en el
rango de fechas solicitado, mientras que las columnas muestran los valores de ese día, en
intervalos de acuerdo a lo seleccionado (24 columnas para las frecuencias seleccionadas y 96
columnas para el detalle general, una por cada 15 minutos del día). La interfaz descrita en este
párrafo se puede observar en la Figura 2.
13
Figura 2.- Valores de variables registradas cada 15 minutos.
Consulta de variables de clima en cualquier lugar del estado de Morelos
La consulta de clima en cualquier parte del estado de Morelos permite obtener ciertos datos
meteorológicos en cualquier punto de una zona geográfica en base a los datos recabados por
las EAM. Para ello, dadas las coordenadas geográficas del punto de interés, el sistema calcula
los valores para ese lugar mediante una interpolación de los valores en las estaciones más
cercanas.
En el subcampo matemático del análisis numérico, se denomina interpolación a la obtención
de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos. “La
interpolación es una técnica muy útil para aproximar funciones y también para estimar
valores intermedios de las mismas en una serie de datos” (Izar, 1998).
El usuario de la consulta selecciona en un mapa el punto de interés. El sistema calcula las
variables climáticas que se muestran en la Tabla 3, interpolando las de las EAM más cercanas.
Tabla 3.- Variables calculadas por el sistema.
1.- Temperatura promedio
2.- Temperatura máxima
3.- Temperatura mínima
4.- Humedad relativa máxima
5.- Humedad relativa mínima
6.- Precipitación acumulada
7.- Radiación solar máxima
8.- Humedad de la hoja máxima
9.- Velocidad del viento máxima
Se indican como parte de la consulta cuáles de ellas se desea conocer, y el sistema muestra los
resultados. La interpolación está descrita en una sección especial más abajo.
14
Se ofrece una consulta adicional a detalle: se puede obtener una lista de valores de las 10
variables reportadas por las EAM a cada hora de los días indicados en el rango de fechas.
La consulta se implementó usando un programa que reside en la computadora del usuario. La
base de datos con las observaciones de las EAM, así como los archivos planos con los datos de
clima de las EAM a detalle, puede residir en otra computadora, en particular, en el servidor
mediante el cual se ofrece este servicio.
La consulta que permite conocer los valores de algunas de las variables reportadas por las
EAM así como las otras – mencionadas anteriormente – para cualquier punto del estado de
Morelos se invoca usando una forma como la ilustrada en la Figura 3, en la cual se pueden
apreciar las variables de clima ofrecidas.
Figura 1.- Interfaz para indicar las variables y el rango de días de interés.
El usuario selecciona una o más variables, indica un rango de fechas y oprime “CONSULTAR”.
Inmediatamente aparece una forma como la que muestra la Figura 4 que contiene un mapa
del estado de Morelos sobre el cual se muestran las EAM. Con un click del ratón de la
computadora se indica el lugar de interés: el sistema calculará las coordenadas del punto
seleccionado con una “regla de tres” basada en las coordenadas extremas del mapa.
Alternativamente, puede teclear las coordenadas en los espacios provistos para dicho efecto.
En este caso, el sistema le avisará si señaló un punto fuera del mapa de Morelos.
Para la selección de las variables calculadas de interés, se puede solicitar una única o pedir
varias de ellas. Las variables pueden ser seleccionadas o deseleccionadas una por una o todas
de una sola vez. Como se aprecia en la Figura anterior, esto se logra con las funciones
“TODAS” o “NINGUNA”. Si no selecciona ninguna de las variables, obtendrá una advertencia
del sistema.
15
El resultado de la consulta será una lista de los datos seleccionados en el punto de interés que
indique en el siguiente paso.
Indicación del punto geográfico para el cual desea conocer el clima
El segundo paso de la consulta es la indicación del lugar del cual se desean los datos
climáticos. El programa reacciona a una selección de un punto mostrando los resultados. Se
pueden seleccionar -uno tras otro- varios puntos, y se aplicarán los mismos criterios de
selección de fecha y cuáles variables desea conocer (las que están activas), a partir del paso
anterior.
Para ello el sistema muestra la forma ilustrada en la Figura 4, que muestra un mapa mediante
una imagen georreferenciada del estado de Morelos. En el mapa están indicadas las EAM
instaladas en la red.
Figura 2.- Interfaz para la selección del punto de interés en la consulta de datos climatológicos.
El usuario usa su ratón para seleccionar un punto cualquiera sobre la imagen. Esto resulta en
el proceso de interpolación de las variables climáticas usando las estaciones más cercanas.
También se pueden indicar las coordenadas del punto deseado (en grados decimales), en
lugar de hacerlo usando el mapa, y el resultado será el mismo. Como este trabajo se centraliza
en la entidad federativa de Morelos, se pueden validar las coordenadas introducidas de este
16
modo: si se encuentran fuera del área del mapa, el sistema muestra una ventana informando
que las coordenadas no corresponden a un punto del estado de Morelos.
Los resultados se despliegan del modo que ilustra la Figura 6. Los valores desplegados se
calculan con una interpolación de las estaciones más cercanas, como se explicó
anteriormente. Al señalar otro lugar de interés aparecerán sus valores de forma instantánea.
Figura 5.- Ventana donde se despliegan los resultados de la consulta de datos de las variables de clima.
En el mapa desplegado aparece el lugar seleccionado y las EAM que intervinieron en la
interpolación que resultó en los valores mostrados. Los colores y el tipo de las líneas que unen
al punto con estas EAMs se degradan a medida que se aleja la EAM del punto indicado. La
línea amarilla es la correspondiente a la EAM más lejana de las que intervinieron en los
cálculos. Observe que se muestran los datos de clima para las variables solicitadas (en este
ejemplo, el usuario seleccionó “todas”).
Si se solicita la información detallada de las 10 variables climáticas que reportan las EAM (y no
las calculadas por sistema que se muestran en el mapa) para el punto indicado, aparecen los
datos como los que ilustra la Figura 7. Las pestañas se usan para ver los datos de la variable
indicada en sus respectivas etiquetas. Si se desea aprovechar estos datos para otras
aplicaciones, se pueden exportar a hojas de cálculo usando el botón “EXPORTAR A EXCEL”;
esto crea, en un solo archivo, una hoja para cada una de las 10 variables.
17
Figura 6.- Resultado detallado de la consulta a clima del punto de interés.
El botón REGRESAR le presenta nuevamente el mapa para que seleccione otro punto de
interés. Seguirá activa la selección de las variables que indicó anteriormente. Sin embargo, se
ofrece vía un botón etiquetado como + VARIABLES, que permite modificar la selección que se
hizo anteriormente agregando o quitando variables, como se muestra en la Figura 8.
Figura 7.- Administración para la visualización de variables calculadas.
18
Determinación de las coordenadas del punto seleccionado en el mapa
Comentario: el “mapa” que aparece en la forma no es producto de un SIG ni se usa un
producto como GOOGLE en sus diversas ofertas. Se trata de una imagen que se coloca en la
interfaz.
Se “calcula” el rectángulo formado por las tangentes horizontales y verticales del mapa.
También se introducen las coordenadas geográficas de los extremos de este rectángulo. El
programa conoce las ubicaciones (“left” y “top”) de los puntos extremos inferior, superior,
izquierdo y derecho de esta imagen. También se le indican las coordenadas del rectángulo.
Cuando se selecciona un punto mediante un click del ratón, el sistema conoce la posición del
cursor (es decir, su “left” y “top”). Se hacen los cálculos que determinan las coordenadas
geográficas del punto en función de su distancia a los lados izquierdo y superior del rectángulo
(con una “regla de 3”).
Observación: el procedimiento que determina las coordenadas geográficas del punto
seleccionado no es exacto, puesto que no toma en cuenta la circunstancia de que la tierra no
es plana. Sin embargo, para áreas como la que nos ocupan, las diferencias serán mínimas, y de
todos modos, cuando da click en un punto del mapa no puede tener una precisión tal que esta
circunstancia afecte la utilidad de la información que se le proporcione.
Interpolación de los datos registrados por las EAM
Cuando se señala un lugar (vía sus coordenadas geográficas) el sistema debe calcular las
variables climatológicas a partir de las registradas en las EAM. De acuerdo a Peña (2006) “los
usuarios, científicos y desarrolladores han buscado métodos de interpolación para estos
cálculos.
La interpolación debe tener en cuenta:
a) La definición de puntos vecinos alrededor de los puntos a predecir.
b) La búsqueda de puntos de datos dentro de los puntos vecinos.
c) La elección de una función matemática para representar la variación sobre un número
limitado de puntos.
d) La evaluación de los puntos sobre una malla regular.
19
Sin embargo, en la aplicación específica para el sistema que se describe, sólo aplican las dos
primeras actividades: determinar las estaciones más cercanas y la ponderación para
determinar los valores en el punto indicado.
Se estudiaron algunos de los métodos de interpolación de uso generalizado, especialmente en
Sistemas de Información Geográfica. En particular, goza de popularidad el método llamado
Akima Interpolation, Ueberhuber (1997), que consiste en construir un polinomio como
función de interpolación.
Se usa una combinación lineal de los valores de N estaciones más cercanas al punto de interés
para obtener las estimaciones que se usarían para ese punto. Los coeficientes de esta
combinación lineal estarán dados por las inversas del cuadrado de las distancias del punto de
interés al de cada una de las estaciones que intervienen. Para que constituyan una
combinación lineal, se normalizan los coeficientes de modo que la suma de los mismos sea
uno.
En lugar de basar el estimado usando solamente las dos estaciones más cercanas, se decidió
usar hasta cinco estaciones puesto que se asemejaba más a la situación considerada en la
consulta. El valor 5 fue una decisión tomada para este tipo de situación, y no tiene algún
precedente o recomendación en la literatura del Análisis Numérico. En cuanto al método de
interpolación utilizado.
De ese modo, la interpolación se hace en tres pasos:
1.- Se determinan las estaciones más cercanas (máximo cinco).
2.- Se calculan los “pesos” que se asignarán a estas estaciones.
3.- Para cada variable de interés se calculan los valores como combinación de los
valores de cada una de las EAM próximas, donde los coeficientes son los sendos pesos
determinados en el paso anterior. Se describen a continuación estos pasos.
20
Determinación de las cinco estaciones más próximas al punto de interés
La determinación de las estaciones más próximas al lugar de interés se hizo con la función
trigonométrica llamada Haversine que permite calcular la distancia entre dos puntos en un
sistema esférico, en este caso, al lugar de interés y de cada una de las EAM.
𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆 (𝒅
𝑹) = 𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆(𝜟𝝋) + 𝒄𝒐𝒔(𝝋𝟏)𝒄𝒐𝒔(𝝋𝟐)𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆(𝜟𝝀)
y
𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆(𝜽) = 𝒔𝒊𝒏𝟐 (𝜽
𝟐) =
𝟏 − 𝒄𝒐𝒔(𝜽)
𝟐
Dónde:
d es la distancia entre los dos puntos
Δφ es la diferencia de latitud
φ1 es la latitud del punto 1
φ2 es la latitud del punto 2
Δλ es la diferencia de longitud
𝜽 está dado en radianes.
Sean R el radio de la tierra medido en kilómetros = 6367.45 km y h es Haversine (𝒅
𝑹). Entonces
la distancia se puede calcular mediante la aplicación de Haversine inversa.
𝒅 = 𝑹 𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆−𝟏(𝒉) = 𝟐 𝑹 𝒂𝒓𝒄𝒔𝒊𝒏( √𝒉 )
𝒅 = 𝟐𝒓 𝒂𝒓𝒄𝒔𝒊𝒏 ( √𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆(∅𝟐 − ∅𝟏) + 𝒄𝒐𝒔(∅𝟏) 𝒄𝒐𝒔(∅𝟐) 𝒉𝒂𝒗𝒆𝒓𝒔𝒊𝒏𝒆(𝝀𝟐 − 𝝀𝟏))
Se calcula la distancia entre el punto seleccionado y cada una de las EAM. Se ordenan de
forma ascendente las EAM con respecto a las distancias calculadas y se seleccionan las 5
estaciones más próximas al punto.
21
Esta fórmula es sólo una aproximación cuando se aplica a la tierra, porque la tierra no es una
esfera perfecta: el radio de la tierra R varía de 6,356.78 kilómetros en los polos hasta 6,378.14
kilómetros en el ecuador. Hay pequeñas correcciones, típicamente del orden de 0.1 %
(suponiendo la media geométrica R = 6.367,45 kilómetros que se utiliza en todas partes), a
causa de esta ligera forma elíptica del planeta.
Se calculan los “pesos” que se asignarán a estas estaciones
Se interpolan los valores con una combinación lineal de los valores de las cinco EAM más
cercanas, numeradas de acuerdo al orden ascendente de las distancias calculadas, de uno a
cinco (representadas por las i en las fórmulas). En símbolos
𝑽𝒂𝒍𝒐𝒓𝑽𝒂𝒓(𝒆𝒏 𝒆𝒍 𝒑𝒖𝒏𝒕𝒐) = ∑ 𝒄(𝒊) ∗ 𝑽𝒂𝒍𝒐𝒓𝑽𝒂𝒓(𝒆(𝒊))
𝟓
𝒊=𝟏
𝒌(𝒊) =𝟏
𝒅𝟐(𝒊) 𝐜(𝐢) =
𝐤
𝑫 𝑫 = ∑ 𝒌(𝒊)𝟓
𝒊=𝟏
Es decir c(i) es el coeficiente calculado con el método de interpolación del inverso del
cuadrado de las distancias (normalizados para que la suma de los coeficientes sea uno) y e(i)
es el número de la EAM. Observe que la interpolación es la misma para cualquier variable, es
decir, se usa la misma combinación lineal de los valores de las EAM más cercanas.
Posibles usos de la información de clima
En los hongos fitopatógenos se han estudiado ampliamente los efectos de la humedad relativa
y la temperatura en el progreso de las enfermedades (Neufeld y Ojiambo, 2012, Maziero et
al., 2009, Guzmán-Plazola et al., 2003, King et al., 1997).
Un ejemplo concreto es el uso de los datos de clima para la determinación de riesgos de
enfermedades fitosanitarias, entre otras aplicaciones (Varela, 2014).
La práctica más usada para el manejo de la enfermedad es la aspersión calendarizada de
fungicidas, para lo cual es posible usar modelos de riesgo basados en variables climáticas para
optimizar la fecha de aplicación y reducir a un mínimo el número de aspersiones necesarias
para el control de la enfermedad (Guzmán-Plazola, 1997).
22
Cada enfermedad requiere de una condición favorable de humedad relativa y temperatura,
durante un número de horas consecutivas. Por ejemplo Cercospora zeae-maydis requiere 100
% de humedad relativa, durante 36 horas consecutivas y temperatura de 25-30 °C (Paul y
Munkvold, 2005).
Ya se ha mencionado que el presente trabajo contempla una red de EAM ubicada de forma
estratégica en todo el estado de Morelos, pero el sistema está diseñado para ser
implementado en cualquier lugar del mundo. Se lo puede aplicar a nivel parcelario, municipal,
estatal (como en el presente trabajo) y nacional; sólo hay que cambiar ciertos datos, que no
requieren cambios al sistema mismo. Entre estos cambios cabe mencionar:
Se elabora el catálogo de las estaciones de la red.
Se elabora un mapa del área de interés.
Se indican las coordenadas “extremas” del área que se mostrará en los mapas.
BIBLIOGRAFÍA
23
Bauer Mengelberg, J. R. 2010. An Informing Service Based on Models Defined by Its Clients.
Informing Science: the International Journal of an Emerging Transdiscipline, 13:87-119.
Bauer Mengelberg, J.R. and Velázquez C, G. D. 2010. Information in Motion. Informing Science
Press, Santa Rosa, California, USA, volumen 7, pp. 377-392.
Calle, G. J. A. 1996. Reingeniería y seguridad en el ciberespacio. Díaz de Santos. Madrid,
España. pp. 253-265.
Díaz, L. S. A. 2009. Obtención de valores del entorno empresarial de clientes de un servicio de
información. Tesis (Maestro en ciencias). Montecillo, Texcoco, Edo. de México, Colegio
de Postgraduados. 75 p.
Guzmán-Plazola, R. A., Davis, R. M. and Marois, J. J. 2003. Effects of relative humidity and high
temperature on spore germination and development of tomato powdery mildew
(Leveillula taurica). Crop Protection 22: 1157-1168.
Izar, L. J. M. 1998. Elementos de métodos numéricos para Ingeniería. UASLP. San Luis Potosí,
México. pp. 84-87.
King, W. T., Madden, L. V., Ellis, M. A., and Wilson, L. L. 1997. Effects of temperature on
sporulation and latent period of Colletotrichum spp. infecting strawberry fruit. Plant
Dis. 81:77-84.
Maziero, J. M. N., Maffia, L. A., and Mizubuti, E. S. G. 2009. Effects of temperature on events
in the infection cycle of two clonal lineages of Phytophthora infestans causing late
blight on tomato and potato in Brazil. Plant Dis. 93:459-466.
Mifsuf, T. E. 2012. Apache. Ministerio de educación, España. 303 p.
Neufeld, K. N., and Ojiambo, P. S. 2012. Interactive effects of temperature and leaf wetness
duration on sporangia germination and infection of cucurbit hosts by
Pseudoperonospora cubensis. Plant Dis. 96:345-353.
Paul, P. A., & Munkvold, G. P. (2005). Regression and artificial neural network modeling for
the prediction of gray leaf spot of maize. Phytopathology, 95(4), 388-396.
Peña, L. J. 2006. Sistemas de información geográfica aplicados a la gestión del territorio. 2a
edición. Club Universitario. Alicante, España. pp. 1-46.
Ramírez, R. S., Osuna, C. F. J., Bahena, S. G., Bartolo, R. J. C., García, P. F. y Canul, K. J. 2012.
Manual del usuario del sistema de alerta fitosanitaria de Morelos. INIFAP, CIRPAS,
24
Campo Experimental Zacatepec. Zacatepec, Morelos, México. Publicación especial No.
52. 26 p.
Ueberhuber, C. W. 1997. Numerical Computation: Methods, Software, and Analysis. Springer.
Heidelberg, Alemania. 474 p.
Varela L. V. 2014. Evaluación de riesgos de plagas y enfermedades en cultivos usando datos
climáticos en tiempo real. Tesis (Maestro en ciencias). Montecillo, Texcoco, Edo. de
México, Colegio de Postgraduados. 133 p.
25
MODELOS NUMÉRICOS DE PREDICCIÓN DE HELADAS DE ESTACIONES
AUTOMATIZADAS DEL INIFAP Antonio González Hernández
RESUMEN
Se generaron modelos predictivos de heladas a través de ecuaciones de regresión lineal, para determinar cuál de ellos puede ser usado con un buen nivel de confiabilidad en la zona de estudio, a partir de datos meteorológicos de temperatura, humedad relativa, radiación y velocidad del viento obtenidas de bases de datos de las estaciones climatológicas del Laboratorio Nacional de Modelaje y Sensores Remotos del INIFAP. De las estaciones meteorológicas Buenavista, Dublan, El Porvenir, El Padrino, Arroyo, El Hospital, Zapotlán, Tepetates, San José Ovando, El Seco, INIFAP San Luis y Yoliatl. La validación de los modelos se realizó con datos del periodo 2005-2013, correspondientes a diferentes estaciones, horarios y días. Logrando una buena confiabilidad en las entidades federativas, concluyendo que se puede usar este modelo de validación para pronosticar temperaturas extremas de forma oportuna y realizar un correcto diagnóstico para definir las medidas preventivas en dichas localidades.
Palabras clave: Pronóstico, heladas, temperaturas mínimas, calibración, validación.
INTRODUCCIÓN
La palabra “helada” hace referencia a la formación de cristales de hielo sobre cualquier superficie, también, se le llama así a la congelación del rocío y de igual manera el cambio de fase de vapor de agua a hielo (Blanc et al., 1963; Bettencourt, 1980; Mota, 1981; Cunha, 1982); Se define como un fenómeno atmosférico que consiste en el descenso abrupto de la temperatura del aire próximo a la superficie terrestre que se registra en regiones continentales y sucede cuando la temperatura del aire en la superficie alcanza los valores del punto crítico de condensación (Sánchez, 1998). Aunque para la agricultura el termino helada tiene como significado la ocurrencia de una temperatura del aire de 0 °C o inferior que provoca que el agua dentro de la planta se congele o no, según los factores de tolerancia de la planta, pero en el caso de que esta no sea tolerante a estas temperaturas hay ruptura de las membranas de la célula por el crecimiento de cristales de hielo dentro del protoplasma. Esto produce una condición fisiológica irreversible que conduce a la muerte o al mal funcionamiento de las células de las plantas (Snyder, et al., 2010 a), aunque este problema ambiental suele presentarse en gran parte del territorio nacional se acentúa en las provincias fisiográficas de la Mesa Centro-Norte del Altiplano y en la Sierra Madre Occidental (Val, 2013). A pesar de que es bien sabido que año tras año en los meses más fríos del año (noviembre a marzo), la producción agrícola de México está expuesta a daños provocados por las heladas tardías causando pérdidas económicas importantes para este sector, la información sobre este tema sigue siendo escasa, por tal motivo la predicción de la temperatura mínima resulta de vital importancia para poder activar métodos de defensa que permitan reducir las afectaciones generadas a los cultivos, sobre todo si consideramos que la actividad productiva proporciona una oportunidad a los agricultores para prepararse contra ellas (Snyder, et al. 2010 b; Verdes, et al., 2000).
26
El método que se utilizó para este estudio fue el de predicción numérica del tiempo o Numerical Weather Prediction (NWP), este método de predicción de temperaturas mínimas consiste en usar programas de cómputo conocidos como modelos numéricos de pronóstico, que procesan datos y proporcionan predicciones de las variables meteorológicas, tales como temperatura, presión atmosférica, velocidad del viento y humedad relativa, utilizando datos históricos de diferentes estaciones meteorológicas. Al igual que este método de predicción de heladas, existen otros más para el mismo fin, pero la problemática es que la mayoría de los agricultores aún no se han visto beneficiados con este tipo de tecnología, debido a que los modelos de predicción son locales y aún no han sido calculados para todo el país, es por ello que este estudio tiene como objetivo obtener y validar modelos de predicción de heladas para los estados de la republica más afectados. MATERIALES Y MÉTODOS
Se obtuvieron bases de datos generados por las estaciones climatológicas del Laboratorio Nacional de Modelaje y Sensores Remotos del INIFAP, de los estados de Puebla, Hidalgo, Estado de México, San Luis Potosí, Coahuila y Chihuahua, esta información se incorporó en una única base de datos por estado. A esta base única se le realizó una depuración de datos incompletoso “NULLS” que correspondían a los días, horarios y además de variables climatológicas (temperatura, radiación, humedad relativa y velocidad del viento) inexistentes. Posterior a este paso se eliminaron los datos de los meses sin helada (abril a septiembre).El siguiente paso fue seleccionar las estaciones con el mayor número de registros con heladas (temperatura menor o igual a 0 °C), para tal fin se realizó un conteo del número de datos para cada estación meteorológica automatizada. Así descartando a las que poseían menor número de datos. A partir de este paso se crearon bases de datos por provincia, cada una de esta bases de datos fue abierta con Oppen Office para cambiar el formato a dbf, formato necesario para poder abrirlas en FoxPro 9.0, y así correr un programa que arrojaría una base por separado, de los horarios 7:00–17:00, 7:00–19:00, 7:00–20:00, 7:00–21:00, 8:00–19:00 y 8:00–20:00 con los que se pretendía escoger el mejor modelo para predecir heladas con uno a cinco días anteriores a una helada (mejor coeficiente de determinación r2). Para la obtención de los modelos de regresión lineal, estas bases de datos se pasaron a un Excel desglosando la fecha en tres columnas (día, mes y año), las celdas vacías fueron remplazadas por punto. Al finalizar todas las estaciones en archivos Excel estas bases generadas se procesaron en el paquete estadístico SAS Enterprise Guide 5.1. Mediante una regresión lineal múltiple para cada estación en los cinco diferentes días. Ya obtenidos los resultados de las regresiones se hizo un documento en el que solo se copiaron los datos estadísticos de las estaciones con una r2 mayor o igual a 0.6 según el día para su posterior validación, la cual se obtuvo sustituyendo en el modelo las variables a la hora que resulto mejor la estimación de dicho modelo con datos de años donde no se obtuvieron los modelos. Temp (hr) =b0+b1_Temp (Temp_hr) +b2_VViento (V_Viento_hr) +b3_Rad (Rad_hr) +b4_HumRel (HumRel_hr) Dónde: Temp (hr) = Temperatura donde hay helada (7:00 am u 8:00 am) b0, b1, b2, b3 y b4: Son los estimadores del parámetro.
27
Temp_hr, V Viento_hr, Rad_hr y HumRel_hr: Temperatura, Velocidad del Viento, Radiación y Humedad Relativa a la hora que el mejor modelo, estimó la helada con 1 a 5 días de anticipación. Para la validación de los modelos que se reportaron en 2013 para predecir heladas solo se sustituyeron los valores de las horas de la tarde 17:00, 19:00, 20:00 y 21:00, según haya sido el caso. Con los datos de las variables del año 2013 y 2014 según correspondía al mes donde se obtuvo un modelo para los meses octubre, noviembre y diciembre se validaron con el año 2013 y enero, febrero y marzo con 2014. Solo en los casos donde no existieron datos para esos meses se validó con años anteriores 2011 o 2012. Este mismo procedimiento se hizo para los modelos obtenidos en 2014 en otras estaciones. RESULTADOS
CHIHUAHUA
Estación meteorológica Buenavista 35286
La estación está situada en el municipio de Janos en el estado de Chihuahua, para esta estación meteorológica los resultados que se obtuvieron son representados por un modelo de regresión lineal para un día anterior a la ocurrencia del fenómeno meteorológico (helada), perteneciente al mes de noviembre para el cual se obtuvo un coeficiente de correlación de 0.6825, en cuanto a la Pr, el valor de significancia fue de 0.0005, demostrando que el modelo fue relativamente significativo y un CME de 29.51582 con 19 observaciones usadas (Cuadro 1)
Cuadro 1. Modelo lineal para la estación “Buenavista”.
CHIHUAHUA, EST. 35286 RANGO COMPLETO
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
1 11 T7:00 = -6.05954 +0.62362
(T21:00) + (-0.05787) (V21:00) + -0 (Rad21:00) + 0.03383 (HR21:00)
19 19 0.6825 29.51582 0.0005
Estación meteorológica Dublan 35054
28
La estación está situada en el municipio de Nuevo Casas Grandes en el estado de Chihuahua, para esta estación meteorológica los resultados que se obtuvieron son representados por dos modelos de regresión lineal para dos días anteriores a la ocurrencia del fenómeno meteorológico (helada), pertenecientes a los meses de noviembre y marzo. Para el modelo representativo del mes de noviembre se obtuvo coeficiente de correlación de 0.7957, en cuanto a la Pr, el valor de significancia fue de ˂0.0001, indicando así, fue relativamente significativo, un CME de 26.3547 y 26 observaciones leídas y usadas. Para segundo modelo representativo del mes de marzo se obtuvo una r2 de 0.786, en cuanto a la Pr, el valor de significancia fue de 0.0329, indicando así, que fue relativamente significativo, un CME de 5.50309 y con 11 observaciones leídas y usadas.(Cuadro 2).
Cuadro 2. Modelo lineal para la estación “Dublan”
CHIHUAHUA, EST. 35054 RANGO COMPLETO
DÍA MES MODELO OBS. LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
2 11 T7:00 = -6.05954 +0.62362 (T17:00) + (-0.05787)
(V17:00) + -0 (Rad17:00) + 0.06123 (HR17:00) 26 26 0.7957 26.3547 <.0001
2 3 T7:00 = -10.65538 +0.18759 (T17:00) + (-0.07884) (V17:00) +0.05061(Rad17:00) + 0.02294 (HR17:00)
11 11 0.786 5.50309 0.0329
COAHUILA
Estación meteorológica El Porvenir 26800
La estación está situada en el municipio de Francisco I. Madero en el estado de Coahuila, para esta estación meteorológica los resultados que se obtuvieron son representados por dos modelos de regresión lineal para un día anterior a la ocurrencia del fenómeno meteorológico (helada), pertenecientes a los meses de febrero y enero. Para el modelo representativo del mes de febrero se obtuvo un coeficiente de correlación de 0.9204, en cuanto a la Pr, el valor de significancia fue de 0.0003, indicando así, que fue relativamente significativo, un CME de 31.67472 y con 11 observaciones leídas y usadas. Para el segundo modelo representativo del mes de febrero se obtuvo una r2 de 0.6825, en cuanto a la Pr, el valor de significancia fue de 0.0005, demostrando así, que fue relativamente significativo, un CME de 29.51582 y con 19 observaciones leídas y usadas. (Cuadro 3).
Cuadro 3. Modelo lineal para la estación “El Porvenir”.
COAHUILA, EST. 26800 RANGO COMPLETO
29
Estación meteorológica Rancho El Padrino 26449
La estación está situada en el municipio de Saltillo en el estado de Coahuila, para esta estación meteorológica los resultados que se obtuvieron son representados por cuatro modelos de regresión lineal, pertenecientes a los meses de noviembre, febrero, marzo y diciembre. Para el primer modelo representativo del mes de noviembre, la regresión lineal fue para un día anterior a la helada y se obtuvo un coeficiente de correlación de 0.8344 en cuanto a la Pr, el valor de significancia fue de 0.0072, indicando así, que fue relativamente significativo, un CME de 4.02603 y con 12 observaciones leídas y usadas. Para el segundo modelo perteneciente al mes de febrero, la regresión lineal fue para un día anterior a la helada y se obtuvo un r2 de 0.7823 en cuanto a la Pr, el valor de significancia fue de 0.0093, indicando así, que fue relativamente significativo, un CME de 23.22414 y con 13 observaciones leídas y usadas. Para el tercer modelo representativo del mes de marzo, la regresión lineal fue para tres días anteriores a la helada y se obtuvo un coeficiente de correlación de 0.6892 en cuanto a la Pr, el valor de significancia fue de 0.0351, indicando así, que fue relativamente significativo, un CME de 6.8241 y con 13 observaciones leídas y usadas. Para el cuarto y último modelo representativo del mes de diciembre, la regresión lineal fue para tres días anteriores a la helada y se obtuvo un r2 de 0.6158 en cuanto a la Pr, el valor de significancia fue de 0.2324, indicando así que fue relativamente significativo, un CME de 1.76991 y con 10 observaciones leídas y usadas (Cuadro 4).
Cuadro 4. Modelo lineal para la estación “Rancho el padrino”.
ESTADO DE MÉXICO
Estación meteorológica Arroyo 48020
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
1 2 T7:00 = -12.37438 +0.8975 (T21:00) + (-
0.11594) (V21:00) + -0 (Rad21:00) + 0.1345 (HR21:00)
11 11 0.9204 31.67472 0.0003
1 1 T8:00 = -6.30985 +0.38828 (T19:00) + (-
0.3604) (V19:00) + -0 (Rad19:00) + 0.03381(HR19:00)
19 19 0.6825 29.51582 0.0005
COAHUILA, EST. 26449 RANGO COMPLETO
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
1 11 T7:00 = -12.48865 +0.43413 (T17:00) + (0.10145) (V17:00) + -
0.00396 (Rad17:00) + 0.0805(HR17:00) 12 12 0.8344 4.02603 0.0072
1 2 T8:00 = -7.55991 +0.64518 (T19:00) + (-0.1423) (V19:00) + (-
0.00163) (Rad19:00) + 0.0487(HR19:00) 13 13 0.7823 23.22414 0.0093
3 3 T7:00 = -12.70453 + 0.65542 (T19:00) + (-0.43825) (V19:00) + (-
0.00401) (Rad19:00) + 0.01073(HR19:00) 13 13 0.6892 6.8241 0.0351
3 12 T8:00 = 0.6712 +(-0.06382) (T19:00) + 0.14715 (V19:00) + -2.20575
(Rad19:00) + (-0.02839)(HR19:00) 10 10 0.6158 1.76991 0.2324
30
La estación está situada en el municipio de Almoloya de Juárez en el Estado de México, para esta estación meteorológica los resultados que se obtuvieron son representados por dos modelos de regresión lineal para cinco días anteriores a la ocurrencia del fenómeno meteorológico (helada), pertenecientes a los meses de febrero y noviembre. Para el modelo representativo del mes de febrero se obtuvo un coeficiente de correlación de 0.7635, en cuanto a la Pr, el valor de significancia fue de 0.0435, demostrando así, que fue relativamente significativo, un CME de 3.13404 y con 11 observaciones leídas y usadas. Para el segundo modelo representativo del mes de noviembre se obtuvo una r2 de 0.6727, en cuanto a la Pr, el valor de significancia fue de 0.0665, es decir, que fue relativamente significativo, un CME de 0.9842 y con 10 observaciones leídas y usadas. (Cuadro 5).
Cuadro 5 Modelo lineal para la estación “Arroyo”.
Estación meteorológica El Hospital 48449
La estación está situada en el municipio de Villa Victoria en el Estado de México, para esta estación meteorológica los resultados que se obtuvieron son representados por dos modelos de regresión lineal, pertenecientes a los meses de diciembre y enero. Para el primer modelo representativo del mes de diciembre, la regresión lineal fue para tres días anteriores a la helada, con un coeficiente de correlación de 0.6472 en cuanto a la Pr, el valor de significancia fue de 0.0851, indicando así, que fue relativamente significativo, un CME de 0.42662 y con 12 observaciones leídas y usadas. Para el segundo modelo perteneciente al mes de enero, la regresión lineal fue para un día anterior a la helada y se obtuvo un r2 de 0.6104 en cuanto a la Pr, el valor de significancia fue de 0.1158, demostrando así, que fue relativamente significativo, un CME de 0.43582 y con 12 observaciones leídas y usadas (Cuadro 6).
Cuadro 6. Modelo lineal para la estación “El hospital”.
EDO. DE MÉXICO, EST. 48449
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
3 12 T7:00 = -5.71355 +0.16068 (T17:00) + (-0.07749)
(V17:00) + 0.01389 (Rad17:00) + 0.03083(HR17:00) 12 12 0.6472 0.42662 0.0851
1 1 T7:00 = -5.71355 +0.16068 (T17:00) + (-0.07749)
(V17:00) + 0.01389 (Rad17:00) + 0.03083(HR17:00) 12 12 0.6104 0.43582 0.1158
HIDALGO
Estación meteorológica Zapotlán 12334
EDO. DE MÉXICO, EST. 48020 RANGO COMPLETO
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
5 2 T7:00 = 6.84624+ (-0.25947)(T18:00) + 0.03511 (V18:00) + ( -0.07546) (Rad18:00) +( -0.00884)
(HR18:00) 11 11 0.7635 3.13404 0.0435
5 11 T7:00 = -1.59906 + 0.22487 (T19:00) + 0.16186 (V19:00) + 0 (Rad19:00) + (-0.03199) (HR19:00)
10 10 0.6727 0.9842 0.0665
31
La estación está situada en el municipio de Zapotlán de Juárez en el estado de Hidalgo, para esta estación meteorológica los resultados que se obtuvieron son representados por cuatro modelos de regresión lineal, para un día anterior a la ocurrencia del fenómeno meteorológico (helada) pertenecientes a los meses de marzo, octubre, noviembre y diciembre. Para el primer modelo representativo del mes de marzo, se obtuvo un coeficiente de correlación de 0.8679 en cuanto al Pr, el valor de significancia fue de ˂0.0001, indicando así, que fue relativamente significativo, un CME de 10.8261 y con 20 observaciones leídas y usadas. Para el segundo modelo perteneciente al mes de octubre, se obtuvo un r2 de 0.9561 en cuanto a la Pr, el valor de significancia fue de 0.0014, indicando así que fue relativamente significativo, un CME de 2.16378 y con 10 observaciones leídas y usadas Para el tercer modelo perteneciente al mes de noviembre, se obtuvo un r2 de 0.6413 en cuanto a la Pr, el valor de significancia fue de ˂0.0001, demostrando así, que fue relativamente significativo, un CME de 30.8634 y con 49 observaciones leídas y 46 usadas. Para el último modelo perteneciente al mes de diciembre se registró un coeficiente de correlación de 0.7189 en cuanto al Pr, el valor de significancia fue de ˂0.0001, demostrando así, que fue relativamente significativo, un CME de 123.713 y con 113 observaciones leídas y usadas (Cuadro 7).
Cuadro 7. Modelo lineal para la estación “Zapotlán”
HIDALGO, EST. 12334 TEMP. RANGO COMPLETO
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
1 3 Saturation Growth-Rate Model: T7:00=-
13.2392+0.60678(T19:00)+0.01387(V19:00)+0.05086(Rad19:00)+0.07635(HR19:00)
20 20 0.8679 10.8261 <.0001
1 10 Saturation Growth-Rate Model: T8:00=-
3.1105+0.24853(T20:00)+(-0.14959)(V20:00)+(-0.19802)(Rad20:00)+0.01781(HR20:00)
10 10 0.9561 2.16378 0.0014
1 11
Saturation Growth-Rate Model: T7:00=-7.74142+0.60366(T21:00)+(-
0.15329)(V21:00)+0.13205(Rad21:00)+0.03254(HR21:00)
49 46 0.6413 30.8634 <.0001
1 12
Saturation Growth-Rate Model: T7:00=-10.80117+0.71044(T21:00)+(-
0.08236)(V21:00)+0.11204(Rad21:00)+0.05416(HR21:00)
113 113 0.7189 123.713 <.0001
Estación meteorológica Tepetates 16161
La estación está situada en el municipio de Tepeapulco en el estado de hidalgo, para esta estación meteorológica los resultados que se obtuvieron son representados por cuatro modelos de regresión lineal, para un día anterior a la ocurrencia del fenómeno meteorológico (helada) pertenecientes a los meses de marzo, octubre, noviembre y diciembre. Para el primer modelo representativo del mes de marzo, se obtuvo un coeficiente de correlación de 0.6073 en cuanto al Pr, el valor de significancia fue de ˂0.0001, indicando así, que fue relativamente significativo, un CME de 21.7713 y con 32 observaciones leídas y usadas. Para el segundo modelo perteneciente al mes de octubre, se obtuvo un r2 de 0.7264 en cuanto a la Pr, el valor de significancia fue de 0.0651, indicando así, que fue relativamente significativo, un CME de 1.65433 y con 11 observaciones leídas y usadas. Para el tercer modelo perteneciente al mes
32
de noviembre, se obtuvo un r2 de 0.6222, en cuanto a la Pr, el valor de significancia fue de ˂0.0001, indicando así, que fue relativamente significativo, un CME de 43.943 y con 59 observaciones leídas y usadas. Para el último modelo perteneciente al mes de diciembre se registró coeficiente de correlación de 0.6107 en cuanto al Pr, el valor de significancia fue de ˂0.0001, demostrando así, que fue relativamente significativo, un CME de 202.001 y con 131 observaciones leídas y usadas (Cuadro 8).
Cuadro 8. Modelo lineal para la estación “Tepetates”
HIDALGO, EST. 16161 TEMP.
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
1 3 T7:00=-16.85603+0.76174(T17:00)+0.03836(V17:00)+(-
0.01867(Rad17:00)+0.16929(HR17:00) 32 32 0.6073 21.7713 <.0001
1 10 T8:00=-4.50631+0.25992(T19:00)+(-
0.03642)(V19:00)+0.10641(Rad19:00)+(-0.04215)(HR19:00) 11 11 0.7264 1.65433 0.0651
1 11 T7:00=-
12.32058+0.58319(T19:00)+0.01369(V19:00)+4.07411(Rad19:00)+0.06878(HR19:00)
59 59 0.6222 43.943 <.0001
1 12 T7:00=-13.96532+0.6967(T20:00)+(-
0.00143)(V20:00)+0(Rad20:00)+0.08483(HR20:00) 131 131 0.6107 202.001 <.0001
PUEBLA
Estación meteorológica San José Ovando 26032
La estación está situada en el municipio de Nopalucan en el estado de Puebla, para esta estación meteorológica los resultados que se obtuvieron son representados por cinco modelos de regresión lineal, pertenecientes a los meses de febrero, marzo, octubre, noviembre y diciembre. Para el primer modelo representativo del mes de febrero, la regresión lineal fue cuatro días anteriores a la helada y se obtuvo un coeficiente de correlación de 0.7109 en cuanto a la Pr, el valor de significancia fue de 0.1248, indicando así, que fue relativamente significativo, un CME de 3.4083 y con 10 observaciones leídas y usadas. Para el segundo modelo perteneciente al mes de marzo, la regresión lineal fue para un día anterior a la helada y se obtuvo un r2 de 0.635 en cuanto a la Pr, el valor de significancia fue de ˂0.0001, indicando así, que fue relativamente significativo, un CME de 38.5621 y con 46 observaciones leídas y usadas. Para el tercer modelo representativo del mes de octubre, la regresión lineal fue un día anterior a la helada y se obtuvo un coeficiente de correlación de 0.6503 en cuanto a la Pr, el valor de significancia fue de 0.0056, demostrando que fue relativamente significativo y un CME de 11.00929 con 19 observaciones leídas y con 18 observaciones usadas. Para el cuarto modelo representativo del mes de noviembre, la regresión lineal fue para un días anterior a la helada y se obtuvo un r2de 0.7056 en cuanto a la Pr, el valor de significancia fue de ˂0.0001, indicando así que fue relativamente significativo, un CME de 41.12463 y con 46
33
observaciones leídas y usadas Para el quinto y último modelo representativo del mes de diciembre, la regresión lineal fue para un días anterior a la helada y se obtuvo un r2de 0.6282 en cuanto a la Pr, el valor de significancia fue de 0.0053, demostrando que fue relativamente significativo y un CME de 9.99947 con 19 observaciones usadas (Cuadro 9).
Cuadro 9. Modelo lineal para la estación “San José Ovando”
PUEBLA, EST. 26032 TEMP. RANGO COMPLETO
DÍA MES MODELO OBS. LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
4 2
Saturation Growth-Rate Model: T8:00=5.59719+(-0.04134)(T19:00)+(-
0.04134)(V19:00)+(-2.65702)(Rad19:00)+(-0.11043)(HR19:00)
10 10 0.7109 3.40831 0.1248
1 3
Saturation Growth-Rate Model: T7:00=-10.5121+0.71568(T21:00)+(-
0.4336)(V21:00)+(-1.71539)(Rad21:00)+0.03836(HR21:00)
46 46 0.635 38.5621 <.0001
1 10
Saturation Growth-Rate Model: T7:00=-10.66232+0.4848(T17:00)+(-
0.09581)(V17:00)+(-0.00874)(Rad17:00)+0.09998(HR17:00)
19 18 0.6503 11.00929 0.0056
1 11
Saturation Growth-Rate Model: T7:00=-15.9999+0.75017(T19:00)+(-
0.01014)(V19:00)+(-0.36443)(Rad19:00)+0.10249(HR19:00)
46 46 0.7056 41.12463 <.0001
1 12 Saturation Growth-Rate Model: T8:00=-
9.8312+0.83157(T19:00)+0.06334(V19:00)+(-1.20151)(Rad19:00)+(-0.015)(HR19:00)
19 19 0.6282 9.99947 0.0053
Estación meteorológica El Seco 25512
La estación está situada en el municipio de Mazapiltepec de Juárez en el estado de Puebla, para esta estación meteorológica los resultados que se obtuvieron son representados por cuatro modelos de regresión lineal, pertenecientes a los meses de octubre y noviembre. Para el primer modelo representativo del mes de octubre, la regresión lineal fue para cuatro días anteriores a la helada y se obtuvo un coeficiente de correlación de 0.7891 en cuanto a la Pr, el valor de significancia fue de 0.0162, demostrando que fue relativamente significativo y un CME de 5.27706 con 12 observaciones usadas. Para el segundo modelo perteneciente al mes de octubre, la regresión lineal fue para un día anterior a la helada y se obtuvo un r2 de 0.7886 en cuanto a la Pr, el valor de significancia fue de 0.0163, demostrando que fue relativamente significativo y un CME de5.62014 con 12 observaciones usadas. Para el tercer modelo representativo del mes de octubre, la regresión lineal fue para un día anterior a la helada y se obtuvo un coeficiente de correlación de 0.7778 en cuanto a la Pr, el valor de significancia fue de 0.0366, demostrando que fue relativamente significativo y un CME de 4.93413 con 11 observaciones usadas. Para el cuarto y último modelo representativo del mes de noviembre, la regresión lineal fue para tres días anteriores a la helada y se obtuvo un r2de 0.6157, en cuanto a la Pr, el valor de significancia fue de ˂0.0001, demostrando que fue relativamente significativo y un CME de 48.28477 con 56 observaciones usadas (Cuadro 10).
34
Cuadro10. Modelo lineal para la estación “El Seco”.
PUEBLA, EST. 25512 TEMP.
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
4 10 T8:00=-
16.11859+0.77341(T19:00)+0.14553)(V19:00)+1.14522(Rad19:00)+0.06017)(HR19:00)
12 12 0.7891 5.27706 0.0162
1 10 T7:00=-12.12132+0.6179(T21:00)+(-
0.10655)(V21:00)+2.43563(Rad21:00)+0.06132(HR21:00)
12 12 0.7886 5.62014 0.0163
2 10 T8:00=-10.37819+0.32281(T19:00)+(-
0.29269)(V19:00)+0.07818(Rad19:00)+0.10067(HR19:00)
11 11 0.7778 4.93413 0.0366
1 11 T7:00=-19.90883+0.71427(T17:00)+0.043(V17:00)+(-
0.00736)(Rad17:00)+0.15316(HR17:00) 56 56 0.6157 48.28477 <.0001
SAN LUIS POTOSÍ
Estación meteorológica INIFAP San Luis 36755
La estación está situada en el municipio de San Luis Potosí en el Estado de San Luis Potosí, para esta estación meteorológica los resultados que se obtuvieron son representados por dos modelos de regresión lineal, pertenecientes a los meses de Noviembre y octubre. Para el primer modelo representativo del mes de noviembre, la regresión lineal fue para un día anterior a la helada, con un coeficiente de correlación de 0.7214 en cuanto a la Pr, el valor de significancia fue de ˂0.0001, demostrando que fue relativamente significativo y un CME de 14.76117 con 25 observaciones usadas. Para el segundo modelo perteneciente al mes de octubre, la regresión lineal fue para dos días anteriores a la helada y se obtuvo un r2 de 0.9196 en cuanto a la Pr, el valor de significancia fue de 0.006, demostrando que fue relativamente significativo y un CME de 1.2067 con 11 observaciones leídas y 10 observaciones usadas (Cuadro 11).
Cuadro 11. Modelo lineal para la estación “INIFAP San Luis”
SAN LUIS POTOSÍ, EST. 36755 TEMP. RANGO COMPLETO
DÍA MES MODELO OBS.
LEÍDAS OBS. USADAS
R2 DEL MODELO
CME Pr>F
1 11 Saturation Growth-Rate Model: T7:00=-
13.80723+0.46791(T17:00)+0.09942(V17:00)+(-0.00428)(Rad17:00)+0.09404(HR17:00)
25 25 0.7214 14.76117 <.0001
2 10 Saturation Growth-Rate Model: T7:00=-
2.47874+0.1449(T17:00)+(-0.23556)(V17:00)+(-0.0007617)(Rad17:00)+0.03572(HR17:00)
11 10 0.9196 1.2067 0.006
35
Estación meteorológica Yoliatl 36319
La estación está situada en el municipio de Villa de Ramos en el estado de San Luis Potosí, para esta estación meteorológica los resultados que se obtuvieron son representados por un modelo de regresión lineal para dos días anteriores a la ocurrencia del fenómeno meteorológico (helada), perteneciente al mes de febrero para el cual se obtuvo un coeficiente de correlación de 0.6428, en cuanto a la Pr, el valor de significancia fue de ˂0.0001, demostrando que el modelo fue relativamente significativo y un CME de 33.63815 con 28 observaciones usadas (Cuadro 11).
Cuadro11. Modelo lineal para la estación “Yoliatl”.
SAN LUIS POTOSÍ, EST. 36319 TEMP
DÍA MES MODELO OBS.
LEÍDAS OBS.
USADAS R2 DEL
MODELO CME Pr>F
2 2 T7:00=-9.05935+0.43627(T21:00)+(-
0.2662)(V21:00)+0(Rad21:00)+0.06267(HR21:00)
28 28 0.6228 33.63815 <.0001
36
Cuadro 13. Validación de modelos de heladas correspondientes a los reportados en el 2013.
Estimador
del
parámetro
Validación
Estimador
del
parámetro
Validación
Estimador
del
parámetro
Validación
Estimador
del
parámetro
Validación
Coeficiente
determinación
r2
1 2 3 4 5
7_21 22/11/2013 35286 Buenavista -6.05954 0.62362 0.625 -0.05787 25.025 0 0 0.03383 77.25 -0.2 -4.50460675 0.68 4.30 ✓
7_17 09/03/2013 35054 Dublan -6.13077 0.2966 10.45 -0.20281 14.275 -0.00468 115 0.06123 25.5 -0.175 -4.90324775 0.78 4.80 ✓
8_19 15/01/2014 -6.30985 0.38828 11.075 -0.3604 0 0 0 0.03381 35.75 -1.65 -0.8009415 0.86 0.80 ✓
7_20 15/01/2014 -5.72558 0.3965 8.6 -0.13867 0 0 0 0.02327 42 -1.65 -1.33834 0.8 0.30 ✓
7_17 26/11/2013 -12.48865 0.43413 6.9 0.10145 0.15 0.00396 137.9 0.0805 55.75 -2.35 -4.4439765 0.83 2.10 ✓
7_19 16/03/2014 -12.70453 0.65542 20.35 -0.43825 8.725 -0.00401 2.4 0.01073 31.75 -1.7 -2.85941075 0.68 1.10 ✓
7_18 11/02/2014 6.84624 -0.25947 14.15 0.03511 20.375 -0.07546 13.575 -0.00884 38.5 0.75 2.52539625 0.76 1.75 X
7_19 11/02/2014 3.22662 -0.16128 12.675 -0.03178 6.2 -2.49236 0.25 -0.03351 56.75 0.75 -1.5394225 0.68 0.75 ✓
7_17 03/01/2014 48449 El hospital -3.60875 0.25069 13.475 -0.08497 77.25 -0.0019 41 0.01655 5.2 -1.025 -6.78647475 0.61 5.70 ✓
7_19 04/03/2013 -13.2392 0.60678 13.275 0.01387 4 0.05086 4.025 0.07635 9.5 -3.225 -4.198679 0.86 0.90 ✓
7_20 28/11/2013 -8.96031 0.61635 9.375 -0.09465 4.675 0.00308 3.35 0.03816 58.75 -1.025 -1.3722995 0.61 0.30 ✓
8_19 16/12/2013 16161 Tepetates -11.8264 0.72037 9.075 0.00731 0.625 0 0 0.06116 68 -2.6 -1.1255935 0.73 1.50 ✓
7_17 28/11/2013 -19.90883 0.71427 14.95 0.043 13.35 -0.00736 97.675 0.15316 50.25 -0.05 -1.6790415 0.61 1.55 ✓
7_21 05/03/2013 -10.78386 0.68896 9.55 -0.06992 10.5 -2.4819 0 0.04523 70.25 -2.4 -1.7610445 0.72 0.70 ✓
7_19 05/11/2013 -13.07963 0.63193 12.25 0.04622 6.15 -1.19433 0 0.07156 57.25 -0.075 -0.9574245 0.61 0.80 ✓
7_19 13/10/2013 -14.22819 0.71696 16.1 -0.25034 12.2 -0.27676 17.1 0.1104 59.5 0.85 -3.903078 0.75 3.10 ✓
7_20 29/11/2013 -12.8472 0.74831 4.775 -0.1372 0.65 -0.36891 0 0.07115 87 -0.15 -3.17314975 0.71 2.95 ✓
San Luis Potosí 7_17 24/10/2013 -2.47874 0.1449 20.025 -0.23556 13.5 -0.00076165 445.925 0.03572 33.75 0.675 -1.89126628 0.91 1.20 ✓
7_20 24/10/2013 -6.36925 0.11725 13.6 0.06327 3.65 0 0 0.04594 61.5 0.675 -1.7184045 0.71 1.10 ✓
7_21 25/02/2013 36319 Yoliatl -9.05935 0.43627 5.6 -0.2662 2.15 0 0 0.06267 50 -4.7 -4.055068 0.62 0.70 ✓
INIFAP San
Luis36755
El Seco25512
San José
Ovando26032
Puebla
48020 ArroyoEdo. México
Zapotlán12334Hidalgo
Chihuahua
26800
26449
El porvenir
Rancho el
padrino
Coahuila
Núm. de
estación
Nombre
estación
Dias de anticipación del modelo a la helada y coincidencia
Intercept
Temperatura Velocidad del viento Radiación Humedad relativa
Temp °C
Estimada
Temp °C
observada
Diferencias
entre
Temperaturas
Estado HoraDía anterior
a la helada
37
Chihuahua
Para este estado se validaron dos estaciones, “Dublan” en el horario de las 7:00 vs 17:00 hrs. con un coeficiente de correlación de 78 % de confiabilidad a una temperatura de -6.13 a-12.12 con un día previo a la ocurrencia de helada. Por otro lado, se validó Buenavista 7:00 vs 21:00 hrs., con una r2 68 %, estos modelos se evaluaron con uno y dos días previos al evento y la respuesta fue favorable, ya que al validarlos con los datos del 2013 y 2014 según sea el caso, estos pronosticaron helada.
Coahuila
En este estado se evaluaron 3 modelos pertenecientes a dos estaciones, “El porvenir” en el horario de las 7:00 vs 20:00 y 8:00 vs 19:00 hrs. a una temperatura de los -5.725 a los -6.30 y “Rancho el padrino” a un horario de 7:00 vs 19:00 a una temperatura de -12.48 °C con tres días previos a la helada, todos los modelos resultaron positivos al ser validados con los datos de las diferentes variables de los años 2013 y 2014.
Estado de México
Se validaron 3 modelos, de los cuales uno salió negativo, debido a que no se encontró helada un día previo al evento, este fue el que se encontró en la estación “Arroyo” en el horario 7:00 vs 18:00 hrs. a una temperatura de 6.84 °C, mientras que en dos modelos restantes la validación fue positiva, esta valides se realizó en las estaciones el “Arroyo” a un horario de 7:00 vs 19:00 hrs. con 5 días previos al evento, y la estación “El hospital” que fue validada aun horario de las 7:00 vs 17:00 hrs. con un día previo a la helada en el mes de enero.
Hidalgo
Se puede observar que la estación “Tepetates”, obtuvo el valor más bajo de temperatura estimada -1.12 a las 8:00 hrs. validado contra las 19:00 hrs. esto, seguido de la estación “Zapotlán” con una temperatura de -1.37 validado a las 7:00 hrs comparado contra las 20:00 hrs. Ambos casos sucedieron un día antes de la helada.
Puebla
Para el estado de Puebla la estación con el mejor modelo validado fue para la estación el “Seco” con una temperatura de -0.95 °C a las 7:00 hrs. validado con las 19:00 hrs., seguido de la misma estación pero a las 7:00 hrs. comparado con las 21:00 hrs. y a las 7:00 hrs. contra las 17:00 hrs. con -1.76 °C y -1.83 °C respectivamente. Sucediendo este evento un día antes de la helada.
San Luis Potosí
Para este estado se validó la estación INIFAP San Luis a las 7:00 hrs. validado a las 21:00 y 20:00 hrs., con una temperatura de -1.7 °C.
38
DISCUSIÓN
La variabilidad del clima en el país y el cambio climático que se ha dado en los últimos años, imponen incertidumbres importantes en el futuro de la producción agrícola, por lo cual el estudio de este fenómeno tiene fundamental importancia para adoptar estrategias tendientes a mitigar la probabilidad de efectos perjudiciales sobre la producción. Los daños provocados por las heladas en las regiones agrícolas pueden variar desde la pérdida de calidad del producto, hasta la pérdida total de la cosecha (Martínez, 2005). Es por ello que su predicción es muy importante en la planificación agrícola, porque permite la eventual implementación de medidas de prevención teniendo en cuenta el riesgo económico involucrado (Verdes et al., 2000), tratando de anticiparse a hechos que indiscutiblemente ocurrirán y que en muchos casos se pueden advertir. En particular, para sistemas de producción donde la rentabilidad permite realizar acciones para mitigar el efecto dañino de las heladas (Ovando et al., 2005).
A pesar que en la actualidad las heladas se pueden pronosticar por medio de mapas, Servicio Meteorológico, por Higrómetro, Evaporímetro, Termómetro de Contacto y Temperatura de punto de Rocío, la generación de modelos de simulación resulta mucho más práctica, sencilla y rápida en el cálculo de pronóstico de las heladas ya mediante un modelo matemático o fórmula matemática, que es justamente lo que este trabajo proporciona (Fernández, 2014), es muy útil para el pronóstico del tiempo con antecedencia de 48 horas. Estos modelos son más confiables que los modelos globales, y no necesariamente requieren de un supercomputador (Ovando et al., 2005).
Todavía hay grandes variaciones en la calidad de la predicción, incluso a uno o dos días ya que en ocasiones existen grandes variaciones en la calidad de la predicción: el mismo modelo puede ser muy bueno un día y muy malo al día siguiente (López, 2002), a pesar de esto, un modelo numérico regional ha mostrado dar mejores resultados con antecedencia de 48 horas que aquellos obtenidos a nivel global (Ovando et al., 2005; Nyenzi, 2003) aunque en este estudio se realizaron análisis estadísticos de información histórica para cinco días de anticipación los modelos resultaron confiables, por otra parte se resalta el hecho de que la mayor parte de los resultados se obtuvieron en uno y dos días antes de helada.
Otra forma de mejorar este método es seleccionando los días en los cuales el cielo presentó poca nubosidad y viento suave o en calma durante la noche, ya que las condiciones se considerarían favorables (Bustos, s/f), esto es importante ya que la calidad del aire en una región determinada es de suma importancia porque suele considerar las condiciones atmosféricas más frecuentes de una localidad (Fernández et al., 2011). En futuros trabajos esta predicción que podría combinar o comparar con modelos numéricos acoplados “atmósfera-océano” ya que la predicción estacional ya no se trata de predecir el estado real de la atmósfera en un instante de tiempo dado, sino la anomalía en la circulación atmosférica (Gutiérrez et al., 2004).
39
CONCLUSIONES
Existen mayores posibilidades de generar modelos de pronóstico de heladas si se hacen mensuales que usando todos los meses.
La predicción de heladas siempre dependerá de la región y la veracidad de los datos de variables climáticas.
BIBLIOGRAFÍA
Blanc, M.L., Geslin, H., Holzberg, I.A. & Mason, B. 1963. Protection against frost damage.
WMO, Technical Note, No. 51. Geneva, Switzerland. 62p. Bettencourt, M.L. 1980. Contribuição para o estudo das geadasem Portugal Continental.
In: O Clima de Portugal, Fasc. XX. Lisboa: I.N.M.G. Bustos C. (s/f). Aplicación de redes neuronales al pronóstico de temperatura mínima en la
provincia de Mendoza. Dirección de Agricultura y Contingencias Climáticas – Gobierno Mendoza. http://www.congremet.prmarg.org/upload/bustoscarlos1.pdf.
Cunha, F.R. 1982. 0 problema da geada negra no Algarve [in Portuguese]. INIA Divulgação
No. 12. 125p. Fernández, R., Lakkis G., Allende D., Santos R., Cremades P. y Puliafito E. 2011. Modelación
de un evento meteorológico de mesoescala utilizando el modelo WRF. En Contaminación Atmosférica e Hídrica en Argentina; E. Puliafito (Ed.). Universidad Tecnológica Nacional; pp 289-298. ISBN 978-950-42-0136-6.
Fernández A. T., 2014. Fórmula para pronosticar Heladas. Huerto Fenológico del Colegio
de Geografía. Riesgos Hidrometeorológicos: sequía, inundaciones, heladas e incendios forestales. Facultad de Filosofía y letras. Universidad Nacional Autónoma de México. http://www.huertofenologicounam.com/articulos.htm
Gutiérrez J. M., Cano R., Cofiño A. y Sordo C. M. 2004. Redes Probabilísticas y Neuronales
en las Ciencias Atmosféricas. Series Monográficas del Instituto Nacional de Meteorología. ISBN: 84-8320-281-6. p. 142.
López A., L. A. 2002. La predicción del tiempo a partir de modelos numéricos. Meteorol.
Colomb. 6:13-20. ISSN 0124-6984. Bogotá, D.C. – Colombia. Martínez B., O. U. y Ruiz C. M. 2005. Riesgo de heladas para la agricultura en la región
sureste del estado de Coahuila. Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias Centro de Investigación Regional del Noreste. Campo Experimental Saltillo. Publicación Especial Núm. 5. ISSN 1405-1915.
40
Mota, F.S. 1981. Meteorología Agrícola. 5th ed. São Paulo, Brazil: Liv. Nobel. Nyenzi B. y Malone L. 2003. Desafíos de la predicción climática y su aplicación en el sector
agrícola. Organización Meteorológica Mundial Ginebra, Suiza. Servicios de Información y Predicción del Clima (SIPC) y Aplicaciones Agrometeorológicas para los Países Andinos. Actas de la Reunión Técnica llevada a cabo en Guayaquil, Ecuador, del 8 al 12 de diciembre de 2003.
Ovando G., Bocco M. y Sayago S. 2005. Redes Neuronales para Modelar Predicción de
Heladas. Agricultura Técnica (Chile) 65(1)9:65-73. Sánchez, M.O. 1998. El fenómeno de heladas inesperadas en México. Tesis de licenciatura.
Universidad Nacional Autónoma de México. México, D.F. Snyder, L.R. y Melo – Abreu, J.P. 2010 a. Protección Contra las Heladas: Fundamentos,
Prácticas y Economía. Volumen I. Serie Sobre el Medio Ambiente y la Gestión de los Recursos Naturales. FAO.
Snyder, L.R. y Melo – Abreu, J.P. 2010 b. Protección Contra las Heladas: Fundamentos,
Prácticas y Economía. Volumen I. Serie Sobre el Medio Ambiente y la Gestión de los Recursos Naturales. FAO.
Val, N.A.2013.Cuantificación de las superficies afectadas por heladas ocurridas en el mes
de febrero de 2011, en el distrito de riego 041, Río yaqui, utilizando imágenes de satélite y sistemas de información geográfica. Tesis de maestría. Colegio de Posgraduados. Texcoco, México.
Verdes, P.F., Granitto, H.D., Navone, H.D. y Ceccatto, H.A. 2000. Frost Prediction whit
Machine Learning Techniques. Instituto de Física Rosario (CONICET – UNR).
41
SISTEMA DE ALERTA FITOSANITARIA DEL ESTADO DE MORELOS (SIAFEMOR)
Sergio Ramírez Rojas
Vicente Varela Loza
Juan Carlos Bartolo Reyes
ANTECEDENTES
El SIAFEMOR es una herramienta que apoya a la toma de decisiones en la prevención de
riesgos de plagas y enfermedades en los cultivos, mediante la integración de las
herramientas informáticas, los sistemas de información geográfica (SIG), bases de datos
de clima, tipo de suelo, frontera agrícola actual, entre otras, en conjunto con la
información de las condiciones climáticas que favorecen el desarrollo de enfermedades en
poblaciones de plantas, así como el crecimiento poblacional de plagas insectiles en los
cultivos, se pueden implementar modelos que simulen la dinámica de estos fenómenos
con aplicación a la agricultura en tiempo real. Estas herramientas de modelaje se pueden
utilizar con un enfoque preventivo, lo cual permite tomar decisiones sobre el manejo de
eventos fitosanitarios adversos y con ello mejorar la rentabilidad en la producción
agrícola.
Los primeros mapas de riesgo utilizados en la vigilancia fitosanitaria fueron elaborados por
la Universidad de Carolina del Norte, en colaboración con el Servicio de Inspección
Sanitaria de Plantas y Animales (APHIS), y la compañía informática y Tecnología ZedZ, en
Estados Unidos a partir del programa NAPPFAST (Magarey et al., 2007). Otros países
también han hecho uso de estas herramientas tal es el ejemplo de “Locustwatch”, este
sistema es administrado por la FAO y el cual monitorea a la langosta del desierto en la
región norte de África y el sur de Europa
(http://www.fao.org/ag/locusts/en/info/info/index.html). Otro ejemplo es el Sistema
Nacional Argentino de Vigilancia y Monitoreo de Plagas que tiene el objetivo de vigilar el
estado fitosanitario de los cultivos de importancia económica en ese país.
42
Por su parte el Departamento de Agricultura de los Estados Unidos (USDA), opera la
Plataforma de información sobre plagas con fines educativos y de extensionismo (PIPE)
(http://sbr.ipmpipe.org/cgi-bin/sbr/public.cgi), la cual proporciona información
exploratoria sobre la roya asiática de la soya y áfidos basada en muestreos y
recomendaciones para su manejo. En México, el Sistema Nacional de Vigilancia
Epidemiológica (SINAVEF), en su sitio web http://portal.sinavef.gob.mx proporciona
información sobre la presencia de plagas de importancia cuarentenaria.
En el marco estatal, Guanajuato pionero en los sistemas de alerta con el enfoque de los
modelos dinámicos, Sonora y Zacatecas, cuentan con un sistema de alerta fitosanitaria
que ayuda a difundir información para minimizar el daño de plagas y enfermedades. La
particularidad de estos sistemas consiste en que permite integrar el geoposicionamiento
de cultivos, los comportamientos históricos y actuales del clima.
En 2012 se desarrolló el Sistemas de Alerta Fitosanitaria del estado de Morelos
(SIAFEMOR), este sistema surge en respuesta de la necesidad a una falta de un medio
eficiente para la difusión de información actualizada sobre plagas insectiles y
enfermedades agrícolas, ya que los que existen no llegan a los productores con rapidez
(Ramírez et al., 2012). Debido a estos antecedentes, el Campo Experimental Zacatepec del
INIFAP, en colaboración con el Gobierno del estado de Morelos, la Fundación Produce
Morelos A.C. y el Comité estatal del sanidad vegetal conjuntaron esfuerzos para crear el
SIAFEMOR, el cual tienen como finalidad primordial facilitar a los productores agrícolas y
al público en general el análisis de riesgos fitosanitarios en las zonas agrícolas del estado,
usando cualquier computadora o dispositivo móvil con acceso a internet.
El SIAFEMOR pone a disposición la información relativa a la probabilidad de presencia de
plagas y enfermedades que inciden en los cultivos de importancia económica, mediante
un visor de mapas, se visualizan espacialmente las condiciones favorables de clima en
tiempo real, así como la frontera agrícola actualizada de los principales cultivos en la
43
entidad, en conjunto indican los escenarios de riesgo, el sitio se ubica en la siguiente
dirección electrónica: www.siafemor.inifap.gob.mx
CALCULO DEL NUMERO DE GENERACIONES DE INSECTOS
La temperatura es la variable que más influye en el ciclo biológico de los insectos, en
términos fisiológicos un insecto acumula calor para desarrollarse, del cual se deriva el
concepto de unidades calor (UCA) o grados día (Chiang, 1985, Barrientos et al. 1998; Soto
et al., 1999). Este concepto constituye una herramienta de pronóstico para asistir el
manejo integrado de plagas, por lo tanto los mapas de riesgo de insectos plaga se realizan
calculando el número de generaciones por año y por estación de agroclimática. Para el
cálculo de las unidades calor diarias (UCD) se utilizan los datos de temperatura base (Tb),
temperatura máxima y mínima. Una forma de cálculo es la empleada por Wilson y Barnett
(1983) expresada en la siguiente ecuación:
UCD = ((Tmax + Tmin)/2) – Tb
Dónde:
UCD = unidades calor diarias
Tmax = temperatura máxima
Tmin = temperatura mínima
Tb = temperatura base de desarrollo
MAPAS DE RIESGO
Los mapas de riesgo fitosanitario, son herramientas que permiten organizar la información
sobre escenarios adversos en la agricultura a nivel de localidad, entidad, país o continente.
Estos representan las probabilidades de ocurrencia de enfermedades o incidencia de
insectos plaga, los procesos fisiológicos de éstos organismos y el de los cultivos, están
influenciados por las condiciones de clima, particularmente por la temperatura, humedad
relativa y precipitación, las cuales son registradas por una típica estación agroclimática
(Grageda et al., 2002).
44
A partir de los datos actuales de clima por cada estación agroclimatológicas en Morelos,
se calcula el número potencial de generaciones. Los resultados se interpolan mediante el
método espacial de ponderación por distancia (IDW), así se definen las áreas con riesgo
potencial, en la Figura 1 se muestra el mapa en tiempo real del número de generaciones
del pulgón amarillo del sorgo (Melanaphis sacchari Zehntner), en éste se observa un
potencial bajo, en color verde (1-5 generaciones), medio, en color anaranjado (5-9
generaciones) y alto, en color rojo (mayor a 13 generaciones), el color gris del mapa
representa la superficie no agrícola.
Figura 1. Mapa en tiempo real del número de generaciones del pulgon amarillo en Morelos.
ENFERMEDADES
Las condiciones generales para el desarrollo de una enfermedad en las plantas son las
siguientes:
1. La presencia de una cepa virulenta de algún patógeno (hongo, bacteria o virus)
en la planta huésped.
2. Existencia de plantas susceptibles a esta cepa virulenta.
3. Condiciones ambientales favorables para el desarrollo de los patógenos.
Dentro de estas condiciones, se incluyen la humedad relativa y temperatura
durante un periodo de tiempo favorable, para que las estructuras
reproductivas penetren y se desarrollen en la planta (Berger et al., 1997;
Agrios, 2008).
45
El efecto de la humedad relativa y temperatura en hongos fitopatógenos, se ha estudiado
ampliamente (King et al., 1997, Guzmán-Plazola et al., 2003; Neufield y Ojiambo, 2012).
Cada enfermedad requiere de una condición óptima de humedad relativa y temperatura,
durante un número de horas consecutivas. Con la información de las estaciones
agroclimáticas, mediante una búsqueda los algoritmos programados realizan la consulta a
la base de datos de las 25 estaciones, la determinación del cálculo de horas con las
condiciones favorables es determinada para cada enfermedad, por ejemplo la roya
asiática de la soya (Phakopsora pachyrhizi Sydow & P. Sydow), las uredosporas tienen una
temperatura óptima de germinación entre 15-25 °C durante 10 horas (Marchetti et al.,
1976), el mapa de condiciones favorables para la roya asiática se actualiza diariamente
con el resultado de horas favorables con dicha condición para cada estación agroclimática,
en la Figura 2, se muestra el mapa en tiempo real con los niveles de riesgo para que se
presente la enfermedad, en éste se observa un riesgo bajo en color verde, medio en color
amarillo y alto en color rojo, el color gris del mapa representa la superficie no agrícola.
Figura 2. Mapa en tiempo real del nivel de riesgo de condiciones favorables de temperatura para
la roya asiática de la soya en Morelos.
46
BIBLIOGRAFÍA
Agrios, GN. 2008. Fitopatología. Ed. Limusa. México. 838 p.
Barrientos, R. D., Bergamin Filho, A. y Amorin, L. 1998. Temperatura base y constante
térmica de desarrollo de la polilla del tomate, Tuta absoluta (Lepidoptera
gelichiidae). Ciencia en Investigación Agraria. 25:133-137.
Berger, R.D., Bergamin F.A. y Amorin, L. 1997. Lesion expansion as an epidemic
component. Phytopathol. 87. 1005-1013.
Chiang, H. 1985. Insects and their environment. P. 128-161. In: R.E. Pfadt (ed.)
Fundamentals of Applied Entomology. MacMillan Publishing Company, NY, USA.
Grageda, G. j., Osorio, A.G., Sábori, P. R., y Ramírez, A.J.L. 2002. Uso de estaciones
metereológicas automatizadas en la agricultura. Instituto Nacional de
Investigaciones Forestales, Agrícolas y Pecuarias. Campo Experimental Costa de
Hermosillo, Hermosillo, Sonora, México. 28 p. Folleto Técnico No. 24.
Guzmán-Plazola, R.A., Davis, R.M., y Marois, J.J. 2003. Effects of relative humidity and high
temperatura on spore germination and development of tomato powdery mildew
(Leveillula taurica). Crop Protect. 22:1157-1168.
King, W.T., Maddem, L.V., Ellis, M.A., y Wilson, L.L. 1997. Effects of temperature on
sporulation and latent period of Colletotrichum spp. Infecting strawberry fruit.
Plant Dis. 81:77-84.
Magarey, R.D., Fowler, G.A, Borchert, D.M., Sutton, T.B., Colunga-García, M., y Simpson,
J.A. 2007. NAPPFAST: An Internet System for the Weather-Based Mapping of Plant
Pathogens. Plant Dis. 91:336-345.
47
Marchetti, M. A., Melching, J. S., y Bromfield, K. R. 1976. The effects of temperature and
dew period on germination and infection by uredospores of Phakopsora pachyrhizi.
Phytopathol. 66:461-463.
Neufield, K.N, y Ojiambo. P.S. 2012. Interactive effects of temperature and leaf wetness
duration on sporangia germination and infection of cucurbit hosts by
(Pseudoperonospora cubensis). Plant Dis. 96:345-353.
Ramírez, R.S., Osuna, C.F.J., Bahena, S.G., Bartolo, R.J.C., García, P.F., Canul, K.J. 2012.
Manual del usuario del Sistema de alerta fitosanitaria de Morelos. Publicación
Especial No. 52. CIRPAS Campo Experimental Zacatepec. 27p.
Robinson, J.C. 1996. Bananas and platains. CAB International, UK. 238 p.
Soto, A., Apablaza, J., Norero, A, y Estay, P. 1999. Requerimientos térmicos de
Trialeurodes vaporariorum (Hemiptera Aleyrodidae) en tomate (Lycopersicon
esculentum). Ciencia en Investigación Agraria 26:37-42.
Wilson, L., y Barnett, W. 1983. Degree-days: an aid in crop and pest management.
California Agriculture. 37:4-7.
48
IMPORTANCIA DE LA PERCEPCIÓN REMOTA Y TECNOLOGÍA SATELITAL EN LOS SISTEMAS DE ALERTA TEMPRANA EN MÉXICO
Jesús Soria Ruiz
INTRODUCCIÓN
En los años recientes, los avances tecnológicos han generado herramientas de gran valor
en el inventario de los recursos naturales, entre ellos, los utilizados en la percepción
remota (PR) y en los sistemas de información geográfica (SIG). Con dichas herramientas ha
sido posible, entre otras cosas, la identificación de unidades homogéneas, como el clima,
el suelo, la vegetación, entre otros.
Una de las tecnología de mayor crecimiento en la actualidad, es la percepción remota, que
ha abierto nuevos caminos en el uso de imágenes de satélite, que al ser procesadas, se
obtienen datos reales de los fenómenos que ocurren en la superficie terrestre, tales como
la distribución de cultivos agrícolas, el daño causado por plagas y enfermedades, o algún
fenómeno extremo como sequias, heladas o inundaciones. Cada vez que un agricultor
observa su cultivo, desde otro ángulo y en forma continua las plataformas satelitales
monitorean el crecimiento y desarrollo mediante tomas de imágenes, para registrar el
color y el vigor de las plantas; si se encuentra bajo algún tipo de estrés por sequía,
deficiencia nutricional o infestación por plagas o enfermedades. El productor utiliza
además de la apariencia del cultivo y otros conocimientos como la época del año y el
registro de lluvias, para determinar el estado del cultivo. La detección temprana y el
manejo anticipado de problemas pueden ayudar a prevenir pérdidas potenciales de
cultivos. Así, la PR provee al productor los medios para identificar problemas potenciales
antes que estos se vuelvan irreversibles en términos de rendimiento volumen de
producción y calidad de la cosecha.
La Percepción Remota
La percepción remota ha ganado mucho interés como una herramienta para los
agricultores. Imágenes de satélites le permiten al productor conocer rápidamente el
avance de sus cultivos y decidir las áreas que necesitan un manejo posterior. La
percepción remota se define como el grupo de técnicas para recolectar información sobre
un objeto o área, sin estar en contacto físico con el objeto, área o fenómeno. La
percepción remota, es la ciencia y el arte que permite adquirir imágenes de la superficie
terrestre desde sensores instalados en plataformas espaciales. La distancia que separa al
sensor del objeto o área estudiada, pueden variar desde metros hasta miles de
kilómetros. Los métodos más comunes para obtener la información, incluyen el uso de
49
sensores instalados sobre aviones o plataformas satelitales. Las técnicas de la percepción
remota son usadas ampliamente para recolectar información de la superficie terrestre.
Los datos percibidos remotamente tienen múltiples usos que van desde la vigilancia
militar, hasta la planificación del uso del suelo y el estudio del monitoreo de cultivos. La
percepción remota ofrece grandes ventajas, por la capacidad de cubrir grandes áreas de la
superficie terrestre de manera rápida y repetidamente. Puede ser usado durante todo el
periodo de crecimiento de cultivos mediante un monitoreo continuo.
La percepción remota implica la medición de la energía que es reflejada o emitida por
objetos, sin estar en contacto con ellos. Esta energía electromagnética, viaja por el espacio
mediante ondas electromagnéticas, y se diferencian por su longitud de onda. En este
sentido, el espectro electromagnético abarca todas las longitudes de onda de la energía
electromagnética. El espectro continuo se subdivide en algunos tipos familiares de energía
electromagnética como los rayos X, rayos ultravioletas (UV), visibles, infrarrojo (IR),
microondas, y ondas de radio. Estos distintos tipos de energía electromagnética, son
categorizados por su posición o longitudes de onda en el espectro electromagnético. Los
rayos X tienen longitudes de onda muy pequeñas, y las ondas de radio tienen longitudes
de onda grandes, hasta 100 m. La luz del sol es la fuente natural y más común de energía
usada en la percepción remota. Para las aplicaciones agronómicas, la porción de energía
del espectro electromagnético de mayor interés, es la del rango del ultravioleta (UV) hasta
el infrarrojo (IR). La mayor parte de la luz solar, se registra en estas bandas y tiene
longitudes de onda entre 0.2 y 0.4 micrómetros.
Figura 1. Algunas bandas del espectro electromagnético útiles para la percepción remota.
La banda del visible se extiende de 0.4 a 0.7 micrómetros, región que puede distinguir el
ojo humano. La luz azul se encuentra cerca de la región de 0.4 μm y la luz roja cerca de los
50
0.7 μm. La región del infrarrojo cercano (NIR) se localiza arriba de los 0.7 micrones. No
existe una distinción clara entre el NIR y el IR. Fuera de la región del visible, tanto del lado
del ultravioleta como del infrarrojo, los sensores artificiales pueden detectar los
fenómenos de interés.
Interacción de los Objetos con la Energía Electromagnética
La percepción remota requiere una fuente de radiación y un sensor para determinar
características de interés sobre objetos que son afectados por la radiación. El término
objeto, se refiere a aquellos entes naturales o artificiales que reflejan o emiten energía
electromagnética (parcela de cultivo, suelos, calles, arboles, ríos, bosque, etc.). Todos los
objetos emiten energía electromagnética, y en consecuencia, radiación. Sin embargo, esta
radiación se emite en longitudes de onda que están usualmente fuera de la banda del
visible. Por consiguiente no podemos ver la mayoría de la energía con el ojo humano. La
mayor parte de lo que vemos es energía reflejada. Cuando la energía electromagnética es
recibida por un objeto, dicha energía sigue tres caminos:
Reflejada por el objeto
Transmitida a través del objeto
Absorbida por el objeto
Cuando la luz llega a cualquier objeto, esta es reflejada, transmitida o absorbida. Algunas
longitudes de onda pueden ser reflejadas, otras son transmitidas y algunas más son
absorbidas. La energía absorbida puede ser convertida en calor y emitida del objeto a una
longitud de onda diferente. Un objeto es afectado por la luz en función de la longitud de
onda y del ángulo de incidencia.
Figura 2. Comportamiento de la energía del espectro visible e infrarrojo cercano dentro de la hoja
51
La energía reflejada y emitida de los objetos es lo que mide el sensor en la percepción
remota. Una planta verde se ve de ese color porque la clorofila en sus hojas absorbe la
mayor parte de la energía en las longitudes de onda del azul y el rojo, y refleja
principalmente las longitudes de onda verde. La energía reflejada en las longitudes de
onda verde es percibida por el ojo humano como el color verde. Parte de la energía
lumínica es también transmitida a través de las hojas.
Cada objeto o grupo de objetos, refleja un único espectro de longitudes de onda. La
energía reflejada en diferentes bandas o regiones del espectro, es la base para distinguir
un objeto de otro. En el diagnóstico de cultivos agrícolas, se debería determinar un
espectro característico para distintos cultivos y en cada etapa fenológica o de crecimiento
y desarrollo. Así, las plantas enfermas producen distintas respuestas espectrales o
patrones característicos de radiación reflejada, versus plantas sanas.
(a) (b)
(a) Reflectancia común de la energía solar en plantas saludables. Note la diferencia relativa
entre la energía infrarroja cercana y visible.
(b) Reflectancia hipotética de la luz solar en plantas de maíz con estrés por sequía.
La atmósfera absorbe y refleja ciertas longitudes de onda de la luz que pasan desde el sol
hacia la tierra. La luz azul es reflejada en todas direcciones. Por ello, la bóveda celeste se
observa normalmente azul. La capa de ozono en la atmósfera absorbe la mayoría de los
rayos ultravioleta de la luz solar. Además del ozono, el agua y el dióxido de carbono en la
atmósfera absorben ciertas longitudes de onda de la luz solar. El vapor de agua es
transparente a la radiación, no obstante, las gotas de agua presentes en las nubes reflejan
y dispersan la radiación solar. La cobertura de nubes puede producir un sombreado, que
causa una reducción en el nivel de luz que incide sobre un objeto.Por otra parte, la
temperatura también puede afectar el espectro de energía reflejada o emitida por los
objetos. Todos los objetos físicos que tienen una temperatura superior a cero absoluto
52
emiten radiación electromagnética. Objetos con mayor temperatura emiten la mayor
parte de su radiación con menores longitudes de onda. La mayor parte de la energía
emitida por objetos debida al calor, se encuentra en la banda del infrarrojo (IR). Por ello,
esta banda de energía se conoce como banda termal. Las cámaras infrarrojas y los
sensores infrarrojos, pueden medir el calor emitido por los objetos, y de esta forma
estimar su temperatura.
Los Sistemas de Información Geográficos
Los Sistemas de Información Geográfica (SIG) son el resultado de la aplicación de las
llamadas Tecnologías de la Información (TI) a la gestión de la Información Geográfica (IG).
Así, los SIG son el conjunto integrado de medios y métodos informáticos, para obtener,
verificar, almacenar, gestionar, actualizar, manipular, recuperar, transformar, analizar,
mostrar y transferir datos espacialmente referidos de una determinada superficie de la
tierra. Las imágenes satelitales están conformadas por grandes volúmenes de
información, que al ser procesadas mediante técnicas y procedimientos específicos, se
obtiene cartografía temática que explica un fenómeno. Estos sistemas pueden representar
geográficamente cualquier información almacenada en bases de datos que tengan un
componente geográfico, el cual permite ver patrones, relaciones y tendencias que no
pueden apreciarse en un formato de tabla o de lista; además, proporcionan una
perspectiva totalmente nueva de la información para tomar mejores decisiones. Los SIG
están integrados por cinco componentes fundamentales: hardware, software, datos,
personal y los métodos:
a) El hardware se refiere a la computadora en la cual operará el SIG. Actualmente,
estos sistemas pueden ser ejecutados en una amplia variedad de hardware, desde
servidores de computadoras centralizados, hasta computadoras de escritorio
utilizadas en configuraciones individuales o conectadas en red. Una organización
requiere de un hardware específico para cumplir las necesidades de la aplicación.
Algunos aspectos a considerar son: la velocidad, el costo, el soporte técnico, la
administración, la escalabilidad y la seguridad.
b) El software de un SIG proporciona las funciones y herramientas necesarias para
almacenar, analizar y desplegar información geográfica. Los componentes claves
del software son: a) un sistema de manejo de base de datos (SMBD), b) las
herramientas para la entrada y manipulación de información geográfica; c) las
herramientas de soporte para consultas, análisis y visualización geográfica, y d)
una interface gráfica de usuario (GUI) para un fácil acceso a las herramientas.
c) Los datos, son el componente más importante de un SIG. La recolección de datos
es un proceso largo que frecuentemente demora el desarrollo de productos que
pueden utilizarse para justificar la inversión. Los datos geográficos y los datos
tabulares relacionados, pueden obtenerse por medio de una fuente propia o a
53
través de un proveedor comercial de datos. La mayoría de los SIG emplean un
sistema manejador de bases de datos (SMBD) para crear y mantener una base de
datos que ayude a organizar y manejar dichos datos.
d) Personal. La tecnología de los SIG es de valor limitado si no se cuenta con el
personal que maneje el sistema y desarrolle planes que se apliquen a los
problemas del mundo real.
e) Respecto de los métodos, el éxito en la operación y uso de los SIG debe estar
acorde con un buen diseño en la planeación y procedimientos científicos para
extraer información de otras fuentes, tales como las tecnologías satelitales de la
PR, de donde se obtienen resultados exitosos, como apoyo a la agricultura y el
sector rural. En resumen, la PR yIG son complementarios, y la interacción entre
ellos son fundamentales, los cuales permiten el análisis de datos geográficos de
manera eficiente y rápida.
Los SIG y la PR como apoyo a los Sistemas de Alerta Temprana
Los retos actuales de la agricultura de ser sostenible y competitiva, implican el desarrollo
de métodos apropiados para la evaluación y monitoreo de los terrenos, buscando una
ubicación adecuada para los cultivos, de manera que se logre mayor eficiencia en la
producción y en el uso de los recursos e insumos. La FAO considera que el manejo
sostenible de las tierras debe cumplir cuatro criterios: la producción se debe mantener,
los riesgos no deben aumentar, la calidad de las tierras se debe mantener y el sistema
debe ser económicamente redituable.Las tecnologías de la información tienen la
posibilidad para cartografiar las variaciones espaciales y temporales de los riesgos
asociados a plagas y enfermedades de los cultivos, propiciado por los cambios
ambientales que se están produciendo actualmente. El cambio climático global, las
pérdidas de ecosistemas y las transformaciones en el paisaje están cambiando el
comportamiento de plagas y enfermedades que atacan a los cultivos, los cuales están
influyendo en la diseminación. Estas variaciones han generado la aparición de nuevas
patologías exóticas provenientes de otras regiones del mundo y se han extendido a las
áreas de habitabilidad de los vectores o transmisores de las enfermedades, permitiendo
que se muevan con facilidad hacia nuevas fronteras, ya no sólo en latitud sino también en
altitud.La Percepción Remota es una herramienta muy importante para el análisis espacial
en los estudios epidemiológicos y su aplicación en problemas fitosanitarios en la aparición
y distribución de las plagas. Las características espaciales, temporales y espectrales de los
sensores a bordo de los satélites, proveen una amplia gama de posibilidades de uso en
aplicaciones fitosanitarias. Permiten caracterizar las condiciones ambientales en las que se
desarrollan los patógenos, mantener una visión espacial global de la problemática y
proporcionan la base para que, en combinación con métodos matemáticos y estadísticos,
se puedan construir modelos predictivos de riesgo para zonas con el potencial de ser
54
afectadas por organismos causantes o transmisores de enfermedades (Hay, 2000).Los SIG
y la PR constituyen una tecnología que ha evolucionado notablemente en la última
década, haciendo que los programas de computación sean cada vez más fáciles de utilizar.
Esto debido al desarrollo de interfaces que a su vez resultan más sencillas de operar para
el usuario. Esta tendencia seguramente seguirá profundizándose en el futuro y por lo
tanto éstos serán más accesibles para una gama de áreas del conocimiento como la
agronomía con sus respectivas ramas. La información aportada por las imágenes de
satélite, es fundamental en la vigilancia epidemiológica, ya que permiten mantener un
monitoreo sistemático, activo continuo del daño provocado por plagas en los cultivos. La
vigilancia abarca el monitoreo y el análisis de la información para la planeación,
evaluación y toma de decisiones, orientadas a la implementación de estrategias para
prevenir la introducción o la dispersión de plagas. Mucha de esta información es obtenida
por imágenes de satélite. (Rivas et al., 2009). Por otro lado, el desarrollo de los SIG ha
facilitado a agrónomos, entomólogos y ecólogos el análisis de patrones espaciales
complejos que presentan una variación temporal en el sector rural. Estas herramientas
han venido apoyando de manera directa a la agricultura aplicado a problemas reales, por
un lado de sistemas de alerta temprana de plagas y enfermedades (Quijano y Rocha,
2011; Ramírez et al., 2012), por otro lado, al seguimiento y evaluación de daños
ocasionados por factores abióticos, como sequias, heladas, inundaciones, etc. (Soria et al.,
2009), generados todos ellos por el calentamiento global de la tierra.
BIBLIOGRAFÍA
Aronoff, S. (1995). Geographic Information System: a Management Perspective (4ª ed.).
Ottawa, Canadá: WDL Publications.
Campbel, JB and R.H. Wynne.2011. Introduction to Remote Sensing. Fifth edition. The
Guilford Press. New York.
CENAPRED, 2010. Sistema de alerta temprana con enfoque de género.
http://www.cenapred.unam.mx/simposioDIRDN/documentos/documentosGrals/R_
Quaas_SAT.pdf. Disponible al 20 de octubre de 2015.
Dueker, K.J. (1979). Land Resource Information System: a review of fifteen years’
experience. Iowa City: Geo-Processing.
Hay. S. 2000. An overview of Remote Sensing and Geodesy for Epidemiology and Public
Health application. En: Hay S., Randolph S., Rogers, D. (edits) Remote Sensing and
Geographical Information Systems in Epidemiology. Advances in Parasitology 47.
Academic Press, Londres. pp. 2-36.
55
Masser I., Blakemore M. (1 9 9 1). Handling Geographical Information. Chicago: Longman
Scientific & Technical.
Quijano, C. J.A. y Rocha, R.R. 2011. Sistema de Alerta Fitosanitaria del Estado de
Guanajuato (SIAFEG). Folleto Técnico No. 10. Campo Experimental Bajío. CIRCE-
INIFAP. México.
Ramírez, R.S., Ozuna, C. F.J., Bahena, S.G., Bartolo, R.J.C., García, P.F., Canul,K.J. 2012.
Manual del usuario del Sistema de Alerta Fitosanitario de Morelos. Publicación
especial No. 52. Campo Experimental Zacatepec. CIRPAS-INIFAP. México.
Rivas E., Díaz, Y., Borruel, G., Perovan, J. 2009. Principios y componentes de un sistema de
vigilancia fitosanitaria. Temas de Ciencia y Tecnología, Vol. 13 núm. 38.
Soria, R.J., Contreras, G.M., Piña, R. J. y Torres, P.H. 2009. Metodología para la evaluación
de daños en la agricultura causada por huracanes. Publicación especial No. 1. Centro
de Investigación Regional del Sureste. INIFAP. Mérida, Yucatán y Mexico.
Star, J. y Estes, J. (1990). Geographic Information System: An Introduction. New Jersey:
Prentice-Hall.