proyecto de grado 1 protocolo de procesamiento de...

1 Protocolo de Procesamiento de Imágenes Satelitales

PROTOCOLO DE PROCESAMIENTO DE IMÁGENES

SATELITALES PARA EL ENTRENAMIENTO Y PRUEBA DE

UNA RED NEURONAL DE PREDICCIÓN DE DAÑO

ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES

DENTRO DEL MARCO DE CELEBRACIÓN DE LOS 100

AÑOS DE LA FUERZA AÉREA COLOMBIANA

PROYECTO DE

GRADO: MODALIDAD

INVESTIGACIÓN

– INNOVACIÓN

2

PROTOCOLO DE PROCESAMIENTO DE IMÁGENES SATELITALES PARA EL

ENTRENAMIENTO Y PRUEBA DE UNA RED NEURONAL DE PREDICCIÓN DE DAÑO

ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES DENTRO DEL MARCO DE

CELEBRACIÓN DE LOS 100 AÑOS DE LA FUERZA AÉREA COLOMBIANA

AUTOR:

HEINNER SANTIAGO SUAREZ PRADA

PROYECTO DE GRADO

MODALIDAD INVESTIGACIÓN - INNOVACIÓN

DIRECTOR

M. Sc. JAVIER FELIPE MONCADA SANCHEZ

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

INGENIERÍA CATASTRAL Y GEODESIA

BOGOTÁ

2019


Agradecimientos Equipo de Trabajo

Teniente Coronel Henao Bohórquez Jorge Andrés

Gerente de Proyecto

Dra. Lilia Edith Aparicio Pico

Directora de Proyecto – Universidad Distrital

Francisco José de Caldas

Te. Calixto Rodríguez Iván Camilo – Fuerza Aérea

Colombiana

Director de Proyecto – Fuerza Aérea Colombiana

CT. Elkin Andrés Sastoque Rodriguez

Coordinador de Gestión

St. Guerra Ibáñez Laura Fernanda

Coordinador de Logistica

Ing. Paulo Cesar Coronado Coordinador Técnico - Arquitecto de Solución

Ts. Moreno Gonzales Adrián Felipe

Coordinador Técnico

Ts. Mosquera Rojas Ricardo Coordinador Técnico

Est. Ing. Heinner Santiago Suarez Prada

Líder en Procesamiento Digital de Imágenes y Análisis Espacial

Javier Felipe Moncada

Sanchez Coordinador Ingeniería Catastral

y Geodesia Director de Tesis

Ing. Oscar Munar Líder de Desarrollo

T3. Ramírez Aguja Eric

Equipo Operativo

T3. Herrera Plazas Jose Alberto

Equipo Operativo

T3. Villanueva Timotel Mario Fernando

Equipo Operativo

T3. DiazTavorda Lucas David Equipo Operativo

4

AUTOR

Heinner Santiago Suarez Prada

DIRECTOR DE TESIS

M. Sc. Javier Felipe Moncada Sanchez

DIRECTOR DE PROYECTO

Dr.-Ing Lilia Edith Aparicio Pico

COORDINADORES TÉCNICOS

M. Sc. Paulo Cesar Coronado Ts. Moreno Gonzales Adrián Felipe Ts. Mosquera Rojas Ricardo

EDICIÓN, DISEÑO, DIAGRAMACIÓN Y ESTILO

Heinner Santiago Suarez Prada

2019

ES PROPIEDAD DEL ESTADO

Derechos reservados. Queda estrictamente prohibida su reproducción total o parcial, por cualquier medio o procedimiento, sin la autorización expresa de la Universidad Distrital Francisco José de Caldas y La Fuerza Aérea Colombiana


RESUMEN Dando alcance a los objetivos y compromisos asumidos por la Universidad Distrital Francisco José de Caldas en cabeza del Grupo de Investigación en Telemedicina GITEM++, dentro del marco del convenio de Cooperación Interinstitucional entre la Fuerza Aérea Colombiana (FAC) y la Universidad Distrital, se plantea el siguiente proyecto de investigación - innovación en conmemoración de los 100 años de la FAC y cuyo propósito se centra en la definición de un protocolo para el entrenamiento y prueba de un modelo de predicción de daño ecológico causado por extracción ilegal de minerales a cielo abierto basado en técnicas de inteligencia computacional haciendo uso de imágenes satelitales.

Lo anterior implica la necesidad de un análisis de datos, en su mayoría imágenes satelitales procedentes de diferentes fuentes y que apoyadas en diversos tipos de información geográfica, documentación técnica, avances tecnológicos, entre otros, conforman un conjunto de información con datos estructurados como no estructurados, lo que conduce a un proceso de preparación de la información para ser introducidas dentro de un modelo de predicción, ya que no cumplen con una única estructura de los datos.

La creciente preocupación por los efectos ambientales provenientes de prácticas humanas ha unificado los esfuerzos mundiales desde esferas políticas, económicas, sociales y científicas con el objetivo de lograr una sostenibilidad ambiental y armonía con el medio ambiente, al tiempo en que se permitan las dinámicas de producción, crecimiento económico y desarrollo de las naciones, planteando estrategias y proyectos que reduzcan y mitiguen la crisis ambiental pronosticada para los próximos años.

6

Bajo este movimiento global la importancia de la predicción toma un rol protagónico, al facilitar la construcción de posibles escenarios futuros que adviertan situaciones desfavorables para el ambiente, convirtiéndose en insumos importantes para la planificación de los recursos presentes y así enfrentar los futuros paradigmas ambientales de manera acertada, lo cual sumado a tecnologías y técnicas de inteligencia computacional proporcionan un potencial campo de acción que para efectos de la presente investigación se enfoca en la predicción del daño ecológico consecuencia de la explotación ilegal de minerales a cielo abierto, integrando así información geográfica, imágenes satelitales y geomática, con modelos numéricos, técnicas de análisis multitemporal, heurística computacional y soft computing facilitando la identificación y análisis de comportamientos futuros, con el fin de activar diversos mecanismo gubernamentales, locales y corporativos que permitan la puesta en marcha de adecuados programas de reacción frente a estos desafíos medioambientales.

Las principales estrategias desarrolladas para su implementación en modelos de inteligencia computacional se encuentran las redes neuronales convolucionales multicapa y machine learning, las cuales junto a técnicas de análisis multitemporal permite analizar y obtener los cambios de cobertura del correspondiente daño ecológico por extracción ilegal de materiales.


El proyecto de investigación se encuentra focalizado en el municipio colombiano de El Bagre, Antioquia, quien presenta en su costado nor-occidental grandes áreas en las cuales se practica la extracción ilegal de minerales y cuyo impacto en el medio está enfocado en el planteamiento de un protocolo que permita la alimentación para entrenamiento y prueba de un modelo de predicción deep learning que permita predecir cambios de cobertura por extracción ilegal de materiales a cielo abierto siendo el tratamiento de los datos disponibles de vital importancia, integrando información proveniente de imágenes satelitales a métodos computacionales de predicción que faciliten la transferencia del conocimiento del medio científico a las diferentes organizaciones que tienen interés en el proceso de analizar el daño ecológico producido por la extracción de minerales a cielo abierto, con fines de mejorar aspectos de respuestas ante los posibles desastres.

8

Este logro ha sido posible gracias a la colaboración y el apoyo de muchas personas especiales que aportaron siempre un granito de arena a mi crecimiento personal y a

quienes dedico las siguientes palabras.

A mi madre, Lucero; mi padre, Jorge y mi hermana, Anggy, gracias por ser mi centro de inspiración, superación y referente.

Por confiar siempre en mí, iluminar mí camino y despertar mi curiosidad por descubrir el mundo.

Infinitas Gracias.

A mis amigos y amigas, de quienes he recibo apoyo sincero, quienes me han acompañado en diferentes etapas a lo largo del tiempo y me han aconsejado con

su mismo ejemplo de vida.

A todos aquellos maravillosos seres que han compartido junto a mí sus enseñanzas, logros y derrotas en estos años, así como quienes han estado para

darme una voz de aliento en los momentos difíciles.

A Laura V., Angélica O., Daniela G y Catherine C., que recorrieron junto a mí este camino y ayudaron a construir mi presente y sobre todo a Andrea y Alejandro,

amigos de corazón y quienes a lo largo del tiempo, vivieron mi lado horas de estudio, momentos felices y otros algo difíciles pero siempre de aprendizaje mutuo.

A Lilia Edith Aparicio Pico, por acogerme desde tercer semestre en su grupo de

investigación, enseñarme, apoyarme, formarme y contar conmigo en este y muchos proyectos más.

A los autores, directores y revisores quienes sin su colaboración el presente trabajo

de grado no se habría podido llevar a cabo.

A la Fuerza Aérea Colombiana por abrirnos amablemente las puertas y tener total disposición de trabajar en equipo, en especial a la Teniente Laura, el Teniente Calixto y el Técnico Tercero Mario Villanueva, quienes apoyaron los diferentes

procesos para hacer de esta investigación una realidad.

A ti querido lector.

Y por supuesto, a la vida por permitirme llegar a una etapa más de muchas otras que me esperan.

Desde lo más profundo de mi corazón agradezco a todos aquellos que me

acompañaron durante este proceso.

. Espero que jamás se aparten de los senderos de mi vida, que me reciban siempre

con su cariño y me ofrezcan su compañía.

Santiago.


TABLA DE CONTENIDO

10

Tabla de contenido

PROYECTO DE GRADO: MODALIDAD INVESTIGACIÓN – INNOVACIÓN ....................................... 1

Resumen ................................................................................................................................ 5

TABLA DE CONTENIDO ........................................................................................................ 9

CAPÍTULO 1 .......................................................................................................................14

CONTEXTUALIZACIÓN .........................................................................................................14

Descripción del Problema ................................................................................................15

Estado del Arte ................................................................................................................15

1.2.1Extracción Ilegal de Minerales .......................................................................................15

Procesamiento Digital de Imágenes ......................................................................................17

1.2.2 Inteligencia Computacional ...........................................................................................18

CAPÍTULO 2 .......................................................................................................................20

MARCO TEÓRICO ...............................................................................................................20

2.1 Daño Ecológico y Degradación Ambiental .......................................................................21

2.1.2 Degradación Física Por Explotación Ilegal de Materiales a Cielo Abierto ..................21

2.1.3 Degradación Biológica Por Explotación Ilegal de Materiales a Cielo Abierto .............23

2.1.4 Degradación Química Por Explotación Ilegal de Materiales a Cielo Abierto ..............24

1.5 Regalías por Proyectos Mineros ..................................................................................25

.1.6 Indicador Global de Degradación 15.3.1 .....................................................................25

CAPÍTULO 3 .......................................................................................................................27

DISEÑO DE LA INVESTIGACIÓN ............................................................................................27

Objetivo ...........................................................................................................................28

3.1.1 General.........................................................................................................................28

3.1.2 Específicos ...................................................................................................................28

Zona de Estudio ...............................................................................................................28

Diseño de la Investigación ...............................................................................................29

Metodología .....................................................................................................................31

CAPÍTULO 4 .......................................................................................................................33

DESARROLLO DE INVESTIGACIÓN Y DESCRIPCIÓN DE RESULTADOS ......................................33

4.1 Caracterización Física y Demográfica del Área de Estudio - (Municipio El Bagre) ...........34

4.1.1 Caracterización Física ...............................................................................................34

4.1.2 Caracterización Demográfica ....................................................................................41

4.2 Daño Ecológico y Definición de Variables Explicativas ....................................................45


4.2.1 Definición de Variables..............................................................................................45

4.3 Procesamiento Experimental de Información Geográfica y Definición de Secuencia y Algoritmos de Procesamiento .............................................................................................55

4.3.1 Clasificación Supervisada .........................................................................................55

4.3.2 Síntesis de Resultados del Procesamiento Experimental ..........................................57

4.4 Análisis de Resultados ....................................................................................................62

4.4.1 Definición del algoritmo de mayor ajuste y número de muestras ..............................62

4.5 Productos ........................................................................................................................63

4.5.1 Protocolo de Procesamiento .....................................................................................63

Alcances e Impactos ........................................................................................................71

Evaluación de los objetivos ..............................................................................................71

Conclusiones ...................................................................................................................72

Recomendaciones ...........................................................................................................73

Bibliografía .......................................................................................................................73

Anexo 1. Tipos de Suelos del Municipio El Bagre, Antioquia. ................................................79

Anexo 2. Uso Recomendado del Suelo .................................................................................83

12

Índice de Tablas

Tabla 1. Datos Históricos de Temperatura. ...............................................................................36

Tabla 2. Clasificación de la Erosión ..........................................................................................39

Tabla 3. Clases a Utilizar - Corine Land Cover..........................................................................46

Tabla 4. Reglas de Decisión - Daño Ecológico por Cobertura en el Tiempo .............................47

Tabla 5. Clasificación de Pendiente ..........................................................................................50

Tabla 6. Reglas de Decisión – Pendiente en el Tiempo ............................................................51

Tabla 7. Reglas de Decisión – Suelos Inundables ....................................................................51

Tabla 8. Clasificación NDVI.......................................................................................................53

Tabla 9.. Re-escalado de Valores Clasificados NDVI ................................................................53

Tabla 10. Reglas de Decisión – NDVI ......................................................................................54

Tabla 11. Listado de Imágenes Seleccionadas .........................................................................55

Tabla 12. Matriz de Resultados - Proceso Experimental ...........................................................57

Tabla 13. Me. Síntesis de Resultados .......................................................................................59

Tabla 14. Prueba de Normalidad ..............................................................................................59

Tabla 15. Intervalos de Confianza Sensores MSS, TM y OLI - TIRS .........................................60

Tabla 16. Intervalos de Confianza Sensores ETM y ADS ........................................................61

Tabla 17. Características de Imagines Multiespectrales por Sensor .........................................62

Tabla 18. Características Imágenes Temáticas Obtenidas .......................................................62

Tabla 19. Metadatos Mínimos del Banco de Imagenes ............................................................65

Tabla 20. Clases Corine Land Cover a Utilizar ..........................................................................66

Tabla 21. Clasificaciones Obtenidas por Imagen ......................................................................67

Tabla 22. Matriz de Resultados de Coeficientes Kappa ............................................................68

Tabla 23. Matriz para Identificación de Mejor Algoritmo por Sensor ..........................................68

Tabla 24. Matriz de Identificación de Mejor Muestreo por Sensor y Clasificador .......................68

Tabla 25. Matriz de Síntesis de Resultados ..............................................................................69

Tabla 26. Clasificacion de Pendientes Metodologia IGAC .........................................................70

Tabla 27. Tipos De Suelos Del Municipio El Bagre, Antioquia ...................................................79

Tabla 28. Uso Recomendado Del Suelo ...................................................................................83


Índice de Ilustraciones

Ilustración 1. Delimitación Municipio El Bagre, Antioquia ..........................................................35

Ilustración 2. Climograma del Municipio El Bagre, Antioquia., ...................................................36

Ilustración 3. Tipos de Suelos del Municipio El Bagre. ..............................................................37

Ilustración 4. Red Hídrica del Municipio El Bagre. ....................................................................38

Ilustración 5. Uso Recomendado del Suelo del Municipio .........................................................39

Ilustración 6. Tipos de Suelos del Municipio El Bagre. ..............................................................40

Ilustración 7. Proyección Poblacional del Municipio El Bagre. ...................................................41

Ilustración 8.Distribución Porcentual de la Población por Sexo. ...............................................42

Ilustración 9. Estructura de la Población por Sexo y Grupos de Edad .......................................42

Ilustración 10. Causa de Cambio de Residencia .......................................................................43

Ilustración 11.Pertenencia Étnica Datos ...................................................................................43

Ilustración 12. Proporción del Nivel Educativo ..........................................................................44

Ilustración 13. Tasa de Alfabetismo de la Población .................................................................44

14

CAPÍTULO 1 CONTEXTUALIZACIÓN


Descripción del Problema

Dentro de las características del territorio una de las más importantes corresponde a su dimensión ambiental, no solo desde una perspectiva de conservación y definición del uso del suelo, sino también vista a partir de los impactos ambientales generados por actividades humanas, incluida su gravedad, riesgo y evolución.

Lo anterior implica un entendimiento integral del territorio que lleva a afrontar nuevos retos en materia ambiental de la mano de los avances tecnológicos propios del auge actual del nuevo siglo; Estos adelantos tales como Inteligencia Artificial, Realidad Aumentada, Realidad Virtual, Deep Learning, Simulación, entre otros, permitirán dotar a la nación de nuevas herramientas geo-predictivas con la potencialidad de posicionar las entidades públicas y a la Fuerza Aérea en específico como líderes en la lucha contra el deterioro ambiental y la degradación del territorio cada vez más latente.

Para lo anterior es indispensable alimentar los sistemas predictivos con información geográfica capaz de reflejar cambios multitemporales de la superficie terrestre, convirtiéndose en base fundamental y decisoria para el entrenamiento y prueba de las tecnologías mencionadas anteriormente. Dado la heterogeneidad de esta información se plantea un protocolo de procesamiento que permita obtener datos de entrada para el entrenamiento del modelo de predicción de daño ecológico.

Estado del Arte 1.2.1EXTRACCIÓN ILEGAL DE MINERALES

La extracción ilegal de materiales como la minería en Colombia y el mundo ha presentado su mayor auge en los últimos años teniendo efectos devastadores sobre el medio ambiente, por tal motivo es importante estudiar sus efectos e impactos sobre el territorio, para lo anterior se han desarrollados diversos esfuerzos apoyados en múltiples tecnologías, muestra de lo anterior se plante en el documento Evaluación de la susceptibilidad a la erosión por el cambio de cobertura debido a la minería, en el Municipio de Anorí, Antioquia, Colombia, investigación que implementó un modelo de susceptibilidad del suelo a presentar erosión en dicho municipio por medio de Sistemas de Información Geográfica, evaluando

16

cambios de cobertura sobre el territorio por desarrollos mineros. (Ceballos Espinos & Toro R, 2012).

Los cambios del suelo usualmente son identificados y monitoreados a través de análisis multitemporales, siendo una herramienta útil para realizar estudios de impacto por minería, durante el XVI Simposio Brasilero de Sensoramiento Remoto se presentó un Análisis multitemporal para la detección de cambios ocasionados por actividades de minería ilegal en la cuenca media del río Caroní, Venezuela usando de imágenes Landsat Tm de los años 1991, 2001 y 2010, su investigaciòn se enfocó en la implementación de tres componentes de las imágenes satelitales en mención, el brillo (asociado con los cambios en la reflectancia del suelo), el verdor (correlacionado con el vigor de la vegetación) y la humedad (relacionada con la vegetación y el agua del suelo), los cuales facilitaron la homogeneización de la reflectancia, permitiendo una mejor separaciones de los objetos durante la combinación de componentes. (Lezama & da Silva Narvaes, 2013).

Uno de los artículos más notables en este campo es el Modelo de Restauración de Áreas Degradadas por Minería Ilegal en el Bagre Colombia, donde de evidencia que la minería aurífera aluvial, explota la mayor parte del área de humedales asociados al río Nechí en el municipio del Bagre, Antioquia – Colombia, lugar donde se han identificado graves problemas en la conectividad de las corrientes fluviales por minería, debido a lo anterior Vanegas (2014) plantea un modelo conceptual de restauración ecológica (RE) a escala regional con aplicación en humedales tropicales utilizando elementos de los modelos Bradshaw, NRC y Adaptable, potencial de restauración y 38 variables que componen su calificación. (Vanegas Villa, 2014).

La problemática ambiental que surge en Colombia a partir de la minería en el país abarca diferentes dimensiones del territorio generando “una serie de impactos y consecuencias ambientales degenerativas, donde no solo se evidencia en la degeneración de sus recursos naturales de manera indiscriminada sino también en la salud de sus pobladores y otros seres vivos pertenecientes a hábitats cercanos a áreas destinadas a explotación minera” (Pérez O & Betancur V, 2016).

Lo anterior induce a pensar en factores de análisis no solamente desde una perspectiva física, sino también aquellos factores sociales y culturales que hacen de la minería una actividad antrópica de alto impacto y que muchas veces se encuentra arraigada a tal punto de considerarse una actividad insignia de los municipios, tal y como se expone en un artículo de llamado Impacto ambiental y social de la minería a cielo abierto con maquinaria pesada en el municipio de Condoto, departamento del Chocó, a partir del año 2000, donde es posible dimensionar lo importante que ha sido la minería artesanal para la población de Condoto desde una perspectiva económica a pesar de ser dañino para su ambiente. (España Hoyos & Serna Còrdoba, 2016)


PROCESAMIENTO DIGITAL DE IMÁGENES

El proceso digital de imágenes es una herramienta útil a la hora de realizar estudios de las diferentes coberturas de la superficie terrestre, generalmente se implementan para estudios multitemporales, sin embargo cabe aclarar que aunque se suela implementar para dichos estudios, su campo de acción es bastante amplio.

En el documento Análisis multitemporal mediante imágenes de sensores remotos de la explotación a cielo abierto en la mina El Cerrejón municipio de Barrancas y Albania departamento de la Guajira, se describe el análisis multitemporal del estado de explotación de la mina el Cerrejón, donde se buscaba analizar el volumen del material extraído y el material acumulado. (Orozco Oñate & Valbuena Cely, 2016). Lo anterior utilizando imágenes Landsat para el cálculo de cambios planimétricos sobre la superficie, y Modelos Digitales de Superficie para hacer los cálculos de diferencias de volumen excavado a lo largo del tiempo.

En cuanto a la clasificación de imágenes como parte del procesamiento digital de imágenes, Arango Gutiérrez (2005) en su documento llamado Clasificación no supervisada de coberturas Vegetales sobre imágenes digitales de sensores Remotos: “landsat – etm+”, emplearon sensores remotos LANDSAT y ETM+, así como técnicas de inteligencia artificial no supervisadas (Self-Organizing Maps – SOM), como una alternativa viable para obtener información de una manera más veloz que corresponda a zonas con diferentes coberturas vegetales presentes en la geografía nacional, para lo anterior aplicaron sobre las imagenes análisis de componentes principales permitiendo reducir el número de datos conservando un gran porcentaje de la información. Sobre estos datos depurados se aplicaron las técnicas no supervisadas modificando algunos parámetros que pudieran mostrar una mejor convergencia de los métodos, los resultados obtenidos se compararon con la clasificación supervisada a través de matrices de confusión y se concluye que no hay una buena convergencia de los métodos de clasificación no supervisada con este proceso para el caso de las coberturas vegetales.

Por otro lado otro estudio nacional acerca de problemáticas ambientales llamado Análisis Multitemporal Y Multiespectral Para La Elaboración Del Mapa De Conflicto De Uso Del Suelo Por Actividades Mineras En La Vereda Canavita Del Municipio De Tocancipá (Cundinamarca), realiza una comparación entre el uso actual que los habitantes le dan al suelo y el que éste debería tener, evidenciando conflictos de uso del suelo en grandes extensiones de tierra debido a actividades antrópicas de minería a cielo abierto, generando problemáticas sociales, ambientales y políticas en la vereda Canavita del municipio de Tocancipá (Pomar Restrepo & Solano Barrera, 2016).

Por otra parte en el articulo Análisis Multitemporal De Las Coberturas Vegetales En El Área De Influencia De Las Minas De Oro Ubicadas En La Parte Alta Del Sector De Maltería En Manizales, Colombia hacen uso de fotografías aéreas de los años

18

1998 y 2010 y una imagen tomada de Google Earth del año 2015 para analizar variaciones en las coberturas vegetales a lo largo del tiempo, así como la influencia de los sistemas productivos sobre las áreas boscosas, las áreas que han tenido procesos de recuperación y otras en proceso de desaparición. ( Flórez-Yepes, Rncion Santamaría, Cardona, & Alzate Alvarez, 2016).

1.2.2 INTELIGENCIA COMPUTACIONAL Como tal las redes neuronales, pertenecientes a la inteligencia artificial se vienen trabajando desde el siglo pasado, sin embargo los artículos acerca de procesamiento de imágenes datan de la última década del mismo, como lo es el artículo Multispectral image-processing with a three-layer backpropagation network, publicado en la Conferencia Conjunta Internacional de Redes Neuronales en 1989 en el cual los autores buscan informar sobre el uso de una red neuronal con el fin de realizar una clasificación pixel por pixel de una imagen multiespectral de la superficie de la tierra, según lo expresado en el documento se implementaron técnicas estándar con el fin de especificar y entrenar la red, finalmente el resultado es una losa de salida que presenta los resultados de la clasificación de los píxeles como una pantalla de vídeo de tres colores estándar. (McClellan, DeWitt, Hemmer, Matheson, & Moe, 1989)

Posteriormente encontramos en el artículo llamado Multisource Remote Sensing Data Analysis With Self-organizing Neural Networks publicado en el 10º Simposio Internacional Anual de Geociencias y Teledetección en 1990 se describe el entrenamiento de una Red Neuronal (N-N) haciendo uso de algoritmos de propagaciós hacia atrás para clasificar un mapeador de imagen temático multitemporal, el objetivo fundamental de dicha investigación era evaluar la efectividad del enfoque de red neuronal respecto a un máximo de probabilidad estadística (M-L), los enfoques fueron relacionados con la medida estadística de la separabilidad en los datos de entrenamiento de entrada. (Tenorio, Safavian, & Kassebaum, 1990)

En 1991 en el documento Classification of LANDSAT Image Data and Its Evaluation Using a Neural Network Approach, se utilizan imágenes Landsat para procesos de clasificación donde se aplica el enfoque NN a las imágenes LANDSAT TM, donde posteriormente se investiga la utilidad de dicho enfoque para la clasificación ( KAMATA, EASON, & KAWAGUCHI, 1991). Por otro lado en el siguiente año se publica Multispectral classification of Landsat-images using neural networks, donde los autores informan la aplicación de redes de propagación inversa de tres capas, como se venía trabajando en artículos anteriores, a diferencia de que esta es para de la clasificación de los datos de Landsat Tm en una base pixel por pixel. (Bischof, Schneider , & Pinz, 1992)

En 1993 se publica A neural net classifier for multi-temporal LANDSAT images using spacial and spectral information, en el cual se propone utilizar un modelo NN para combinar la información espectral y espacial de imágenes LANDSAT TM en


un estudio multitemporal que busca investigar la robustez de dos métodos de normalización utilizando información espectral y espacial, donde se confirma que el enfoque NN con el preproceso es más efectivo para la clasificación que el enfoque NN original. (Kamata & Kawaguchi, 1993). De ésta forma en dicha década se siguieron manejando artículos en torno a esta línea.

En el presente siglo resalta una tendencia a la implementación redes neuronales con el fin de determinar coberturas tal y como se muestra en el documento Reusing back-propagation artificial neural networks for land cover classification in tropical savannahs, el cual se enfoca en un método para superar alguna desventajas relacionadas con el uso de éstas redes como clasificadores supervisados, en el método que se propone en dicho documento se busca acelerar el aprendizaje de la red, así como mejorar las precisiones de clasificación y finalmente reducir la variabilidad en el rendimiento de clasificación debido a la inicialización de peso aleatorio. (Verbeke, Vancoillie, & De Wulf, 2004).

En el siguiente año durante el Simposio Brasilero de Sensoramiento Remoto surge el documento Un método para combinar datos espectrales e información auxiliar en una red artificial neuronal, el cual describe un enfoque de redes neuronales para incorporar información auxiliar, en donde se usaron perceptores para generar mapas difusos y perceptores multicapa para clasificar imágenes Landsat para producir mapas difusos basados en información espectral. (Mas, 2005), posteriormente se siguieron generando artículos sobre redes neuronales que permiten clasificar coberturas basándose en datos de procesamiento digital y sensoramiento remoto.

El artículo Streamflow Forecasting Using Different Neural Network Models with Satellite Data for a Snow Dominated Region in Turkey publicado recientemente nos muestra un avance mayor en términos de redes neuronales, ya que se empieza a hablar de pronósticos utilizando redes neuronales con datos satelitales empleando modelos ANN diferentes, comparándolos entre sí utilizando los nuevos productos satelitales MODIS para áreas cubiertas de nieve como una entrada alternativa a los modelos basados en datos climáticos, En el estudio se investigan detalladamente la determinación de arquitecturas de modelos, algoritmos de optimización y métodos para evitar el sobreajuste (Uysa, Orman, & Fensoy, 2016).

20

CAPÍTULO 2 MARCO TEÓRICO


2.1 DAÑO ECOLÓGICO Y DEGRADACIÓN

AMBIENTAL De acuerdo al Centro Regional de Información sobre desastres – CRID (2000), el daño ecológico se entiende como el detrimento, perjuicio o alteración del equilibrio de las interrelaciones e interacciones de animales y plantas con su medio, por el efecto de diversos agentes tales como la contaminación.

Tal efecto es visto según el CRID al citar el International Decade for Natural Disaster Reduction (IDNDR) (1992)

“como la degradación de uno o más elementos o aspectos del medio ambiente, debido a desperdicios industriales, químicos o biológicos nocivos, provenientes de desechos de productos hechos por el hombre y por el mal manejo de los recursos naturales y ambientales” (Material II - IDNDR, 1992).

La degradación según el IDEAM y U.D.C.A (2015) es clasificada a partir de tres frentes, degradacion fisica, quimica y biologica, vistos por el autor en mención de la siguiente manera:

En la degradación física se destaca la erosión y la compactación; la primera consiste en la pérdida físico-mecánica del suelo a causa del agua o del viento con daño en sus funciones y servicios ecosistémicos.

En la degradación química se resalta la salinización de los suelos, la acidificación y la contaminación, debida en general al uso excesivo de riego y fertilizantes y como consecuencias de las actividades mineras e industriales.

En la degradación biológica, el proceso de degradación más importante es la pérdida de materia orgánica, que influye en la disminución de la actividad biológica y en procesos de descomposición y mineralización

De acuerdo a lo anterior la degradación ambiental enfocada a la minería cumple con las clasificaciones y características expuestas anteriormente, bajo esta perspectiva el Geólogo Julio Fierro Morales en el Libro Minería en Colombia publicado por la Contraloría General de la República (2019) nos hace una aproximación sintética sobre los impactos ambientales de la minería no legal y se apoya en el documento de MAV-DT-IDEAM (2011), que pueden ser agrupados como degradacion fisica, quimica o biologica.

2.1.2 Degradación Física Por Explotación Ilegal de Materiales a Cielo Abierto

Fierro Morales (2019) nos habla sobre un componente edáfico, enfocado principalmente a la pérdida de suelos, este tipo de degradación se entiende como la disminución o alteración negativa de una o varias de las ofertas de bienes, servicios y/o funciones ecosistémicas y ambientales, ocasionada por procesos naturales o antrópicos que, en casos críticos, pueden originar la pérdida o la destrucción total del componente ambiental (IDEAM, 2004).

22

Desde esta perspectiva la pérdida de suelos es explicada desde dos ángulos importantes, pérdida de suelos debido a erosión y debido a remoción en masa.

Pérdida de Suelos por Erosión

La erosión se define como la pérdida físico-mecánica del suelo, con afectación en sus funciones y servicios ecosistémicos (Lal, 2001) y se califica como degradación cuando se presentan actividades antrópicas indebidas que lo aceleran, intensifican y magnifican. (IDEAM y U.D.C.A, 2015).

De acuerdo a IDEAM y U.D.C.A (2015) la erosión es clasificada en dos tipos, una de naturaleza hídrica y otra debido a dinámicas eólicas sobre los suelos, bajo esta perspectiva los autores mencionados las definen así:

La erosión hídrica es causada por la acción del agua (lluvia, ríos y mares), en las zonas de ladera, cuando el suelo está desnudo (sin cobertura vegetal). En estos casos las gotas de lluvia o el riego, ayudadas por la fuerza gravitacional, arrastran las partículas formando zanjas o cárcavas, e incluso causando movimientos en masa en los cuales se desplaza un gran volumen de suelo. Por otra parte, la erosión eólica es causada por el viento que levanta y transporta las partículas del suelo, produciendo acumulaciones (dunas o médanos) y torbellinos de polvo.

De acuerdo a (M. Victoria López, José Luis Arrúe y Ricardo Gracia, s.f) La susceptibilidad del suelo a la erosión eólica o erosionabilidad viene determinada por:

La textura: suelos de textura gruesa (arenosos) son más erosionables por crear estructuras edáficas inestables (débiles uniones entre partículas y agregados) y por secarse más rápidamente tras lluvia o riego, el contenido en materia orgánica: factor responsable de la agregación y régimen de humedad: influye en la tasa de desecación del suelo y, por tanto, en la duración de la susceptibilidad a la erosión.

Si bien la erosión eólica es importante a largo plazo, para que se considere degradación debe ser acelerada o intensificadas por actividades antrópicas, que para objeto de esta investigación se traducen en actividades de extracción ilegal de minerales a cielo abierto, en ese sentido los impactos de este tipo de degradación, se ven reflejados principalmente en los suelos desnudos quienes son los directos afectados por el viento, incluyendo su dirección e intensidad.


Pérdida de Suelos por Remoción en Masa

Dando continuidad a la definición de erosión hídrica aportada por el IDEAM y U.D.C.A (2015), esta se puede abordar desde los impactos físicos por pérdida de suelos debido a procesos de remoción en masa, definidos por Ramírez (2018) y El Instituto Distrital de Gestión de Riesgos y Cambio Climático (2019), como “el proceso por el cual un volumen de material constituido por roca, suelo o escombros que se desplazan por acción de la gravedad por una ladera, son conocidos popularmente como deslizamientos o derrumbes”. En contraste a lo anterior el Manual de derrumbes del Servicio Geológico de Los Estados Unidos (Highland & Bobrowsky, 2008) afirma que:

La saturación de las pendientes por el agua es la principal causa de los deslizamientos de tierra. La saturación puede producirse en forma de lluvias intensas, (…) Los deslizamientos de tierra y las inundaciones están estrechamente vinculadas porque ambos están relacionados con la precipitación, la escorrentía y la saturación del suelo por el agua.

En ese orden de ideas es posible considerar como factores detonantes de la erosión del suelo tanto las precipitaciones, como las zonas de alta pendiente, que en suelos bajo actividades antrópicas de extracción ilegal de minerales a cielo abierto aceleran, intensifican y magnifican sus efectos, generando procesos de degradación ambiental y por consiguiente en daño ecológico.

Desecación

Fierro Morales (2019) dentro de los impactos ambientales de la minería aborda un componente geosférico referido a los impactos sobre la interfaz del suelo, más específicamente a alteración de aguas superficiales por desecación y relleno de humedales.

2.1.3 Degradación Biológica Por Explotación Ilegal de Materiales a Cielo Abierto

La degradación desde una perspectiva biológica es abordada por Fierro Morales (2019) como la transformación de ecosistemas naturales debido al retiro de coberturas, así como la disminución de conectividad ecológica traducida en la eliminación de coberturas vegetales funcionales, tales como remanentes naturales y corredores biológicos.

24

2.1.4 Degradación Química Por Explotación Ilegal de Materiales a Cielo Abierto

La degradación química de acuerdo al IDEAM y U.D.C.A (2015) se puede reflejar en la pérdida de nutrientes y la contaminación del suelo, en ese sentido como bien lo afirma Del Pozo Loayza, C., & Paucarmayta Tacuri, V. (2014)

se ha encontrado evidencia que indica que la minería y la agricultura serían actividades económicas excluyentes entre sí dentro de un mismo espacio territorial (...) sugieren que los hogares rurales más expuestos a la minería (hogares en distritos mineros) tienen en promedio menores niveles de producción agrícola

razón por la cual Fierro Morales (2019) establece una relación entre la minería y los impactos sobre las actividades agropecuarias por pérdida de productividad del suelo, dado los niveles de degradación de estos.

Lo anterior se explica desde una perspectiva economicista tomando en cuenta que “ambas actividades productivas necesitan de los mismos recursos: tierra y agua.” (Del Pozo Loayza, C., & Paucarmayta Tacuri, V, 2014) que en últimas de acuerdo a El Tiempo (1995), desencadena problemas sociales “en cualquier zona de explotación minera, tales como un aumento de la demanda de los servicios, migraciones masivas de población, cambio de actividades económicas y sociales y por ende el abandono del campo”.

En este orden de ideas es posible relacionar la desaparición de cultivos como un factor a tener en cuenta dentro de los impactos sobre el entorno por degradación ambiental química debido a presencia de minería.

La degradación química en términos de contaminación no genera impactos al entorno alejados del ser humano , puesto que también en palabras de Julio Ferro Morales (2019)

Las implicaciones sobre la salud pública que tiene la minería no legal de oro por el uso indiscriminado de mercurio, puede constituir una amenaza para la salud de los ecosistemas y los pobladores de sus áreas de influencia.

Lo anterior implica una relación directa entre aquellas zonas de presencia minera y afectaciones de salud de sus pobladores aledaños, estor reflejado en el número de personas que presentan perjuicios a su salud debido a la presencia de mercurio por minería de oro, expuestos por Olivero y Johnson (2002) y sintetizados por Julio Ferro Morales (2019) como


Daños en el cerebro, los riñones y los testículos; déficit en el desarrollo neurológico y de comportamiento (…) daños sutiles en la memoria visual, atención y velocidad en las respuestas visuales, auditivas y psicomotoras (…) inflamación severa en la piel (…) irritación del tracto gastrointestinal y daño hepático severo (…) parálisis progresiva y generalizada de las extremidades.

1.5 Regalías por Proyectos Mineros

Un recurso no renovable es aquel que no se puede restaurar por procesos naturales a una velocidad superior a la del consumo por los seres humanos. En ese sentido la Constitución Política de Colombia establece en su Artículo 332 al Estado Colombiano como “propietario del subsuelo y de los recursos naturales no renovables….”. ( Const., 1991, art. 332) y ordena que “la explotación de un recurso natural no renovable causará a favor del Estado una contraprestación económica a título de regalía” ( Const., 1991, art. 360), con lo cual se establece una relación directamente proporcional entre los niveles de explotacion legal de oro y la percepción de regalías de los municipios por la explotación de sus recursos.

De acuerdo a la Contraloría General de La Nación (s.f), la minería ilegal “exonera del pago de cargas tributarias establecidas por el Estado; así como de las regalías que la producción debe generar, para beneficio directo, en términos de protección ambiental y cobertura en salud y educación, de la población asentada en ese territorio.” sin embargo los montos de dinero que ingresan por este concepto es mínimo, de lo anterior se puede inferir que en colombia los municipios no están recibiendo la cantidad de ingresos por regalías acorde a sus dinámicas de extracción, por lo tanto, aquellos municipios con grandes áreas de explotación minera y baja percepción de dineros públicos por concepto de regalías, deberán presentar altos índices de minería ilegal y/o evasión de pago de regalías.

.1.6 Indicador Global de Degradación 15.3.1

En el marco del Programa de las Naciones Unidas Para el Desarrollo (PNUD) y por consiguiente en la agenda 2030 para el desarrollo sostenible se establecieron los Objetivos de Desarrollo Sostenible, los cuales “son un llamado universal a la adopción de medidas para poner fin a la pobreza, proteger el planeta y garantizar que todas las personas gocen de paz y prosperidad” (PNUD, 2016).

El ODS 15 llamado “ Vida de Ecosistemas Terrestres” plantea “tomar medidas urgentes para reducir la pérdida de hábitats naturales y biodiversidad que forman parte de nuestro patrimonio común y apoyar la seguridad alimentaria y del agua a nivel mundial, la mitigación y adaptación al cambio climático, y la paz y la seguridad” (PNUD, 2016).

26

Con el fin de dar revisión y seguimiento al progreso de este objetivo, la Comisión de Estadística de las Naciones Unidas estableció un indicador global denominado 15.3.1 (Proportion of land that is degraded over total land area) el cual permite la medición de la proporción de tierra degradada sobre un área total basado en cambios de cobertura terrestre, productividad de la tierra y stocks de carbono sobre el territorio.


CAPÍTULO 3 DISEÑO DE LA

INVESTIGACIÓN

28

Objetivo 3.1.1 GENERAL

Definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales en el municipio El Bagre, Antioquia

3.1.2 ESPECÍFICOS

Identificar variables de influencia en daño ecológico por extracción ilegal de minerales a cielo abierto del Municipio El Bagre, Antioquia

Generar un banco de imágenes temáticas que permitan evidenciar información sobre el territorio, relacionada al daño ecológico.

Zona de Estudio

El Municipio El Bagre se encuentra ubicado en la Subregión del Bajo Cauca Antioqueño en las estribaciones de la Cordillera Central en el departamento de Antioquia con una extensión superficial de 1563 km2, a una altura promedio de 50 msnm.

Actualmente se enmarca entre los 8º00’08” de latitud Norte y 74º49’ 40” de longitud Oeste, y 7º23’10” de latitud Norte y 74º29’ 00”, de longitud Oeste, equivalentes a la codificación 840604 521111 18N en el sistema de coordenadas Universal Transversal de Mercator basado en el modelo elipsoidal WGS84.

Su cabecera municipal está ubicada en (7º, 35’, 25” N y 74º, 48’, 48” W) a orillas del río Nechí , en la confluencia con el río Tigüí y al este del río Cauca. (Alcaldía El Bagre, Antioquia, 2018)

Limita al norte con el municipio de Nechí; por el sur con los municipios de Zaragoza y Segovia, por el occidente con los municipios de Caucasia y Zaragoza y al este con los municipios de San Lucas y Santa Bárbara pertenecientes al Departamento de Bolívar


Diseño de la Investigación

A continuación se plantea el conjunto de principios aplicados en la recolección, análisis y procesamiento de diversas fuentes de información para la predicción de daño ecológico por extracción ilegal de materiales a cielo abierto.

El diseño metodológico utilizado en el desarrollo de la presente investigación se sustenta bajo una luz híbrida entre dos paradigmas, el positivista cuantitativo y el interpretativo cualitativo, el primero aporta desde la orientación nomotética de la investigación el empleo de métodos cuantitativos, estadísticos y por lo tanto predictivos en el procesamiento de información, el segundo paradigma permite el reconocimiento de la realidad desde una fuerte carga fenomenológica y naturalista que suele estar orientada a la comprensión de las acciones humanas.

El paradigma positivista busca explicar y predecir un objeto de estudio, sobre el cual se establece una serie de generalizaciones a través de una relación de causalidad, para esto se sigue un razonamiento deductivo que hacen de la teoría una norma para la práctica.

Bajo esta perspectiva se introduce al objeto de estudio como un objeto de conocimiento científico precisado, definido y acotado, que planteando niveles descriptivos alcanza niveles explicativos (Bozzano, 2018, p. 428) en este sentido Bachelard establece la construcción de este objeto bajo la combinación de cuatro momentos, (1) el recorte de la realidad, (2) la caracterización del objeto de estudio a partir de concepciones determinadas, (3) la articulación de conceptos y (4) el reconocimiento de las dimensiones de análisis. (Bachelard, G.; 1986, 1ª edición: 1935).

Si bien el paradigma positivista es vital para otorgar elementos de independencia y objetividad al conocimiento, implica la resolución de problemas a partir de la “fragmentación del estudio de la realidad en diversas disciplinas” (Rosales Ortega, R. Gutierrez Ramírez, S.; et al.; 2006), lo que introduce razonamientos estáticos a problemas reales dinámicos.

En contraste el paradigma interpretativo ofrece una visión flexible de la realidad, apuntando a un desarrollo ideográfico mayoritariamente inductivo de las interacciones humanas y su relación con el entorno, haciendo uso de técnicas tales como la entrevista, observación sistemática y estudios de caso. Bajo esta perspectiva se conciben las acciones sobre el territorio como fuente fundamental del conocimiento y por lo tanto principal eje de análisis.

30

Ambos paradigmas poseen métodos y concepciones en el entendimiento de la realidad que se entretejen de formas complementarias y conflictivas de acuerdo al objeto de investigación.

Es importante mencionar que si bien el objetivo de esta investigación pretende definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales, es importante llevar a cabo un ejercicio descriptivo y explicativo en torno a las relaciones, causas y efectos sobre el territorio que giran entorno al daño ecológico por extracción ilegal de materiales a cielo abierto, otorgando atributos espaciales y territoriales a la investigación.

Según Bourdieu et al (1973) “Un objeto de investigación, por más parcial y parcelario que sea, no puede ser definido y construido sino en función de una problemática teórica que permita someter a un sistemático examen todos los aspectos de la realidad puestos en relación por los problemas que le son planteados” en contraste Bozzano (2018, pg 110) plantea que “definir al territorio como un objeto de estudio no son sinónimos de un método estructurado y sistemático, sino de entender al método como una combinación de pasos y arte, de rigurosidad y creatividad” es decir “una sucesión de pasos que sobrevive y conjuga con la del arte, entendida en el sentido de habilidad” (Marradi, A; 2007: 47-48).

Dicho esto, la construcción del objeto de estudio para esta investigación es considerada dialéctica puesto que de acuerdo a Bozzano (2018, pg 428) “se trata de un proceso donde simultáneamente enfoques más empiristas y otros más racionalistas -emparentados con conceptos y nociones operativas de un enfoque teórico determinado-, permiten transformar el objeto real -en términos de una realidad descrita- en un objeto científico y explicado conceptualmente elaborado con referencia al complejo real concreto y de pensamiento”.

Lo anterior implica elementos positivistas e interpretativos que a lo largo de esta investigación busca aportar en el entendimiento de la extracción ilegal de materiales a cielo abierto como una acción antrópica polidimensional compuesta de elementos físicos, sociales, políticos y económicos sobre el territorio y que como tal se tratan de exponer desde visiones fundamentadas en la teoría y en la práctica, a través de datos continuos y discretos, así como en conocimiento producto de estudios de caso prácticos basados en la experiencia de diversos actores que asi como esta investigación trataron de abordar este tema de alto impacto.


Metodología

El proyecto pretende por medio del procesamiento digital de imágenes definir un protocolo que permita obtener estructuras de datos que alimenten una red neuronal para la predicción de extracción ilegal de materiales a cielo abierto, a continuación podremos observar el paso a paso propuesto para poder alcanzar dicho objetivo.

1. REVISIÓN BIBLIOGRÁFICA

· Proyectos de investigación de degradación ambiental a causa de extracción ilegal de materiales.

· Proyectos de investigación sobre la implementación de procedimientos de procesamiento digital de imágenes que permitan alimentar una red neuronal.

2. DIAGNÓSTICO DE RECURSOS TECNOLÓGICOS

· Especificaciones técnicas de los equipos

3. TRABAJO PREVIO- RECOPILACIÓN INFORMACIÓN ZONA DE TRABAJO Y DEFINICIÓN DE VARIABLES

· Caracterización física. · Caracterización demográfica · Definición de variables de impacto en daño ecológico del municipio

4. TRABAJO PREVIO – CONSULTA, SELECCIÓN Y DESCARGA DE DATOS.

· Definir intervalo de tiempo a analizar · Búsqueda de imágenes con porcentajes de nubosidad aceptables · Descargar imágenes elegidas · Establecer catálogo de imágenes obtenidas para procesamiento posterior · Recopilación de información sistema sensor a trabajar

5. IMPORTACIÓN DE DATOS.

· Realizar ensamble de imagen multiespectral · Realizar corte de la imagen de ser necesario · Calibración de imagen dependiendo de sensor y misión · Transformación de imágenes de tener diferentes resoluciones radiométricas para

homogeneizar trabajo posterior

6. ANÁLISIS EXPLORATORIO-VISUAL DE LOS DATOS.

· Descripción de información visual · Mejoramiento de contraste para mejor análisis de la imagen e ser necesario

32

· Ecualización de imagen de ser necesario

7. ANÁLISIS VISUAL UNI-BANDA DE LOS DATOS.

· Análisis exploratorio de cada banda para determinar los niveles de información resaltados por cada una y el uso de cada una de ella apoyado en la literatura y en la información recopilada del sensor

· Representación visual de las bandas seleccionadas en pseudocolor, escala de grises y color natural

· Descripción de coberturas de las bandas seleccionadas

8. ANÁLISIS ESTADÍSTICO DE LOS DATOS.

9. ANÁLISIS MULTIESPECTRAL.

· Obtención de firmas espectrales de las coberturas en la imagen · Utilización de índices y transformaciones (taseled cap, ihs, componentes

principales) de ser necesario · Clasificación de imágenes

11. DETERMINACIÓN Y PLANTEAMIENTO DEL PROTOCOLO DE ALIMENTACIÓN

· Establecimiento y organización del protocolo

12. PRESENTACIÓN DE RESULTADOS DE PROCESAMIENTO

· Presentar los resultados de las coberturas de los diferentes índices y transformaciones utilizadas

· Generación de mapas de las coberturas ·

13. OTROS PASOS A LOS QUE HAYA LUGAR

· Demás situaciones que se presenten en el transcurso de la investigación y que se consideren realizar

Nota: Es posible que en lo recorrido de la investigación se considere prescindible alguno de los pasos aquí descritos.


CAPÍTULO 4 DESARROLLO DE INVESTIGACIÓN Y

DESCRIPCIÓN DE RESULTADOS

34

4.1 CARACTERIZACIÓN FÍSICA Y

DEMOGRÁFICA DEL ÁREA DE ESTUDIO - (MUNICIPIO EL BAGRE)

4.1.1 Caracterización Física

Localización

El Municipio El Bagre se encuentra ubicado en la Subregión del Bajo Cauca Antioqueño en las estribaciones de la Cordillera Central en el departamento de Antioquia con una extensión superficial de 1563 km2, a una altura promedio de 50 msnm.

Actualmente se enmarca entre los 8º00’08” de latitud Norte y 74º49’ 40” de longitud Oeste, y 7º23’10” de latitud Norte y 74º29’ 00”, de longitud Oeste, equivalentes a la codificación 840604 521111 18N en el sistema de coordenadas Universal Transversal de Mercator basado en el modelo elipsoidal WGS84.

Su cabecera municipal está ubicada en (7º, 35’, 25” N y 74º, 48’, 48” W) a orillas del río Nechí , en la confluencia con el río Tigüí y al este del río Cauca. (Alcaldía El Bagre, Antioquia, 2018)

Limita al norte con el municipio de Nechí; por el sur con los municipios de Zaragoza y Segovia, por el occidente con los municipios de Caucasia y Zaragoza y al este con los municipios de San Lucas y Santa Bárbara pertenecientes al Departamento de Bolívar


Ilustración 1. Delimitación Municipio El Bagre, Antioquia Fuente: Elaboración Propia con Datos IGAC (2004)

Clima

El municipio El Bagre cuenta con un clima tropical. El clima aquí se clasifica como Af por el sistema Köppen-Geiger. (Climate-Data.org, 2018), La temperatura media anual en El Bagre se encuentra a 28.9 °C con una precipitación media aproximada es de 4280 mm.

36

Ilustración 2. Climograma del Municipio El Bagre, Antioquia. Fuente: Climate-Data.org, (2018),

De acuerdo al climograma del municipio (Ilustración 2), la menor cantidad de precipitación se presenta en el mes de Enero correspondiente a 94 mm a 29.1ºC, en contraste el mes de Octubre se posiciona como la mayor temporada de lluvias con un registro de 531 mm a una temperatura de 28.4º C, tal y como se relaciona con el siguiente Tabla 1. de temperatura.

Tabla 1. Datos Históricos de Temperatura.

Mes Temperatura Media (ºC)

Temperatura Mínima (ºC)

Temperatura Máxima (ºC)

Precipitación (mm)

Enero 29,1 23,7 34,5 94 Febrero 29,3 23,8 34,9 112 Marzo 29,7 24,4 35 149 Abril 29,3 24,3 34,4 312

Mayo 29 24,1 33,9 477 Junio 28,8 24 33,7 452 Julio 28,8 23,7 34 458

Agosto 28,8 23,8 33,8 525 Septiembre 28,5 23,6 33,4 490

Octubre 28,4 23,6 33,3 531 Noviembre 28,5 23,8 33,2 453 Diciembre 28,5 23,6 33,5 227


Suelos

El municipio de El bagre cuenta con 28 tipos de suelo discriminados en el anexo 1, de entre los cuales la mayor parte se encuentra cubierta por suelos de profundos a moderadamente profundos limitados por fragmentos de roca, bien drenados, texturas medias a finas, erosión ligera a moderada, fertilidad muy baja a alta clasificados como (LRe) representando una extensión de 29962,59 hectáreas y correspondiente al 19.17% del territorio.

Ilustración 3. Tipos de Suelos del Municipio El Bagre. Elaboración propia con datos IGAC (2003)

Fuentes Hídricas

El municipio del bagre se encuentra alimentado principalmente por las aguas del río Nechi con una extensión de 124,693 km y un área de drenaje doble de 34,38031 km2, así mismo la red hidrográfica de menor envergadura (Drenajes Sencillos) y que dependen de la precipitación pluvial y/o el afloramiento de aguas subterráneas

38

(IGAC, 2017), la cual se despliega en 593,4579504 kilómetros lineales a lo largo y ancho del territorio.

Ilustración 4. Red Hídrica del Municipio El Bagre. Fuente: Elaboración Propia con Datos IGAC (2017)

Uso Recomendado del Suelo

Entre los usos recomendados resaltan los cultivos semiperennes o perennes, semi densos o densos, sistemas agroforestales y forestales debido principalmente a suelos en su mayoría con pendientes y baja fertilidad (clasificación 6p-5) que limitan el uso del suelo. La caracterización de este tipo de suelos se encuentra discriminada en el Anexo 2.


Ilustración 5. Uso Recomendado del Suelo del Municipio El Bagre. Fuente: Elaboración Propia

con Datos IGAC (2004)

Erosión

De acuerdo al IDEAM (2015) la mayor parte del municipio se encuentra sin evidencia de erosión principalmente en zonas de baldíos al oriente del territorio, sin embargo se focaliza la erosión muy severa en zonas cercanas al rio Nechí y la cabecera municipal.

Tabla 2. Clasificación de la Erosión Fuente: Elaboración Propia con Datos IGAC (2004)

GRADO ZONIFICACI Área Km2

Muy Severa

Erosión Muy Severa

34,5009397

Severa Erosión Severa 106,875964

Moderada Erosión Moderada

443,324946

Ligera Erosión Ligera 667,954109

Sin Evidencia

Sin Evidencia de Erosión

5887,65753

Ilustración 1.Uso Recomendado del

Suelo del Municipio El Bagre.

40

No Suelo Sin Suelo con Cuerpos de Agua

31,5994937

Ilustración 6. Tipos de Suelos del Municipio El Bagre. Fuente: Elaboración Propia con Datos IGAC (2004)


4.1.2 Caracterización Demográfica

Proyección Poblacional

De acuerdo al Boletín General del Municipio El Bagre realizado por el DANE, se resaltan los siguientes aspectos demográficos:

El municipio El Bagre cuenta actualmente con 24437 habitantes (DANE, 2005) y cuya tendencia decreciente es evidente, a pesar del aumento poblacional progresivo que se refleja en las estadísticas desde el año 2006

Ilustración 7. Proyección Poblacional del Municipio El Bagre. Fuente: Elaboración Propia con

Datos DANE (2005)

Caracterización por Sexo

En cuanto a la distribución por sexo de la población Bagreña, los hombres pertenecen al 50.8 % y las mujeres al 49.2% restante, dando como resultado una población relativamente equilibrada.

0

10.000

20.000

30.000

40.000

50.000

60.000

20

05

20

07

20

09

20

11

20

13

20

15

20

17

20

19

20

05

20

07

20

09

20

11

20

13

20

15

20

17

20

19

20

05

20

07

20

09

20

11

20

13

20

15

20

17

20

19

Nu

me

ro d

e P

ers

on

as

Año

42

Ilustración 8.Distribución Porcentual de la Población por Sexo. Datos DANE (2005)

La estructura de la población del Bagre por sexo en grupos de edad refleja una concentración poblacional en edades en los primeros 20 años de vida (alta natalidad), para luego reducirse considerablemente debido al efecto de la migración en jóvenes y la mortalidad masculina.

Ilustración 9. Estructura de la Población por Sexo y Grupos de Edad Datos DANE (2005)

50,8

49,2

48

48,5

49

49,5

50

50,5

51

Hombres Mujeres

Po

rce

nta

je


Migración

El efecto de migración latente en el municipio el burro se debe mayoritariamente a razones familiares y dificultad para encontrar empleo.

Ilustración 10. Causa de Cambio de Residencia Datos DANE (2005)

Pertenencia Étnica

Dentro de la pertenencia étnica del municipio se encuentra que el El 20,7% de la población residente en El Bagre se auto reconoce como Raizal, palenquero, negro, mulato, afrocolombiano o afrodescendiente y un 2% como indígena.

Ilustración 11.Pertenencia Étnica Datos DANE (2005)

0

5

10

15

20

25

Indigena Raizal, palenquero,negro, mulato,

afrocolombiano oafrodescendiente

Po

rce

nta

je

44

Nivel Educativo

La mayoría de habitantes del municipio El Bagre, cuentan con un nivel educativo de Básica Primaria correspondiente al 43.6% , seguido de un 26.8% de población que asistió a la Secundaria y el 19.4 de los habitantes que no tienen un nivel educativo.

Ilustración 12. Proporción del Nivel Educativo Datos DANE (2005)

Los niveles asociados de analfabetismo corresponden a un 16,4% en la cabecera municipal y un 28% para el resto del territorio.

Ilustración 13. Tasa de Alfabetismo de la Población Datos DANE (2005)


4.2 DAÑO ECOLÓGICO Y DEFINICIÓN DE

VARIABLES EXPLICATIVAS

4.2.1 Definición de Variables

De acuerdo a la fundamentación teórica presentada anteriormente, se establecen las siguientes variables que explican en gran medida factores físicos y socioeconómicos directamente ligados a la extracción ilegal de materiales a cielo abierto.

Cobertura Terrestre

El Programa de Naciones Unidas para el Medio Ambiente (UNEP) define el cambio en la cobertura de la tierra como “un subindicador importante por sí mismo, ya que proporciona una primera indicación de una reducción o aumento en la extensión y el grado de fragmentación de los hábitats / ecosistemas naturales, así como las posibles conversiones adversas de la tierra.” (UNEP, 2016).

Con el fin de estandarizar la identificación y clasificación de coberturas, en el año 2010 el gobierno nacional adaptó la metodología europea Corine Land Cover al marco nacional colombiano, documento denominado Leyenda Nacional de Coberturas de la Tierra, sobre el cual reposa “una propuesta metodológica para realizar la caracterización de las coberturas naturales y antropizadas presentes en el territorio colombiano.” (IDEAM, 2010).

En base a la metodología nacional para coberturas de la tierra se implementa en la clasificación de coberturas las siguientes clases, las cuales permitirán identificar cambios de cobertura sobre el territorio, orientados a la extracción ilegal de minerales a cielo abierto:

46

Tabla 3. Clases a Utilizar - Corine Land Cover

Código Corine Land Cover Nombre de Cobertura 1.1 Zonas urbanizadas

1.2 Zonas industriales o comerciales y redes de comunicación

1.3 Zonas de extracción minera y escombreras

1.4 Zonas verdes artificializadas, no agrícolas

2.1 Cultivos transitorios

2.2 Cultivos permanentes

2.3 Pastos

2.4 Áreas agrícolas heterogéneas

3.1 Bosques

3.2 Áreas con vegetación herbácea y/o arbustiva

3.3 Áreas abiertas, sin o con poca vegetación

3.3,3 Tierras desnudas y degradadas

4.1 Áreas húmedas continentales 4.2 Áreas húmedas costeras

5.1 Aguas continentales

5.1,4 Cuerpos de agua artificiales

5.2 Aguas Marítimas

Cabe resaltar que se profundizó en la separabilidad de las clases 3.3.3 y 5.1.4 dado el enfoque para la identificación de zonas que presenten extracción ilegal de minerales a cielo abierto, adicionalmente la clase 5.1.4 aguas artificiales toma una representación concreta como conglomerados de agua superficiales empozados sobre áreas mineras y que hacen parte del proceso extractivo en los socavones mineros.

Para realizar el análisis de cambio de cobertura se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación:


Tabla 4. Reglas de Decisión - Daño Ecológico por Cobertura en el Tiempo

Tiempo n+1

Valor Pixel

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Tie

mp

o n

Valor Pixel

Zonas urbanizadas

Zonas industrial

es o comercia

les y redes de comunic

ación

Zonas de

extracción

minera y escombr

eras

Zonas verdes

artificializadas, no agrícolas

Cultivos

transitorios

Cultivos permane

ntes

Pastos

Áreas agrícolas heterogé

neas

Bosques

Áreas con

vegetación

herbácea y/o arbusti

va

Áreas abiertas, sin o

con poca

vegetación

Tierras desnud

as y degradadas

Áreas húmeda

s continen

tales

Áreas húmedas

costeras

Aguas continen

tales

Cuerpos de agua artificiales

Aguas Maritimas

1 Zonas

urbanizadas

0 0 - -3 -4 -5 -6 -7 + + + + + + + - +

2

Zonas industrial

es o comercial

es y redes de comunica

ción

0 0 - -2 + + + + + + + + + + + - +

3

Zonas de extracción minera

y escombre

ras

+ + 0 -1 + + + + + + + + + + + + +

4

Zonas verdes

artificializadas, no agrícolas

- - - 0 + + + + + + + + + + + - +

5 Cultivos

transitorios

- - - - 0 0 0 0 + - - - - - - - -

6 Cultivos permane

ntes - - - - 0 0 0 0 + - - - - - - - -

7 Pastos - - - - 0 0 0 0 + - - - - - - - -

48

8

Áreas agrícolas heterogé

neas

- - - - 0 0 0 0 + - - - - - - - -

9 Bosques - - - - - - - - 0 - - - - - 0 - 0

10

Áreas con

vegetación

herbácea y/o

arbustiva

- - - - + + + + + 0 - - - - + - +

11

Áreas abiertas, sin o con

poca vegetació

n

- - - - + + + + + + 0 - - - + - +

12

Tierras desnudas

y degradad

as

- - - - + + + + + + + 0 + + + - +

13

Áreas húmedas continent

ales

- - - - - - - - - - - - 0 0 - - -

14 Áreas

húmedas costeras

- - - - - - - - - - - - 0 0 - - -

15 Aguas

continentales

- - - - - - - - 0 - - - - - 0 - 0

16 Cuerpos de agua

artificiales 15 + - + + + + + + + + + + + + 0 +

17

Aguas Maritimas

- - - - - - - - 0 - - - - - 0 - 0

Donde el color rojo significa degradación, el amarillo estabilidad y el verde mejora (disminución de degradación), como se muestra a continuación:


Degradación - Estable 0 Mejora +

La anterior matriz de decisión evidencia cómo impositivos aquellos cambios físicos (pérdida de biomasa, desecación, entre otros) y socioeconómicos (disminución de cultivos) descritos en la fundamentación teórica traducidos a cambios de cobertura sobre el territorio a lo largo del tiempo.

50

Suelos, Pendiente y Precipitación

De acuerdo a la fundamentación teórica sobre degradación física por pérdida de suelos mencionadas anteriormente, se consideran factores detonantes de la erosión del suelo: las precipitaciones, las zonas de alta pendiente y suelos que presenten altos niveles freáticos, por lo que son variables que describen potenciales zonas erosivas y de daño ecológico.

Pendiente

De acuerdo a la Resolución 2965 de 1995 del IGAC a continuación se clasifica la pendiente del suelo de acuerdo a su porcentaje de inclinación.

Tabla 5. Clasificación de Pendiente

Pendiente Rango (%)

Plano 0-3

Levemente Inclinado 3-7

Fuertemente Inclinado 7-12

Quebrado 12-25

Fuertemente Quebrado 25-50

Escarpado 50-75

Muy Escarpado >75

Fuente: Resolución IGAC 2965 de 1995

Para realizar el análisis de cambio de cobertura por pendiente se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación


Tabla 6. Reglas de Decisión – Pendiente en el Tiempo

Rango (%) Pendiente

Plano

Levem

ente

Inclina

do

Fuertem

ente

Inclinado

Quebrado

Fuertem

ente

Quebrad

o

Escarpad

o

Muy

Escarpad

o

0-3 Plano 0 - - - - - -

3-7

Levemente

Inclinado + 0 - - - - -

7-12

Fuertemente

Inclinado + + 0 - - - -

12-25 Quebrado + + + 0 - - -

25-50

Fuertemente

Quebrado + + + + 0 - -

50-75 Escarpado + + + + + 0 -

>75

Muy

Escarpado + + + + + + 0


Suelos y Precipitación

Con el fin de establecer una relación entre suelos y la precipitación, se optó por identificar suelos encharcables en zonas de alta pendiente. La anterior información es reflejada por la Capacidad de Uso de Suelo, cuyas clases identificadas por el IGAC permiten agrupar suelos que presentan el mismo grado relativo de limitaciones generales y de riesgos, que para este caso se traducen en limitaciones de drenaje y encharcamiento.

Esta categorización nos permite identificar dos tipos de suelo, inundable y no inundable.

Tabla 7. Reglas de Decisión – Suelos Inundables

Suelos

Si tiene sufijo h inundable

Si no tiene pos no no inundable

52

Productividad del Suelo y NDVI

Tal y como se menciona en la fundamentación teórica respecto a la degradación química del suela, está afecta la productividad del suelo no solo por las dinámicas económicamente excluyentes entre la agricultura y la extracción de minerales, sino también por las afectaciones a la productividad primaria neta del territorio (PPN), entendida como la cantidad de carbono asimilado por la fotosíntesis y después de la respiración autotrófica durante un período de tiempo determinado (Clark et al. 2001).

Con fin de medir la tasa de variación de la productividad primaria neta se implementara el índice diferencial de vegetación normalizado (NDVI), tal y como lo recomienda el UNEP (2016), debido a que “aprovecha el contraste de características entre dos bandas de un dataset ráster multiespectral: la absorción de pigmento de clorofila en la banda roja y la alta reflectividad del material de las plantas en la banda infrarroja cercana (NIR)” (ArcGIS, 2019).

NDVI = ((IR - R)/(IR + R)) (1)

Ecuación 1. Cálculo Índice de Vegetación NDVI. Fuente: (ArcGIS, 2019).

IR = valores de píxel de la banda infrarroja

R = valores de píxel de la banda roja

“Este índice científico coloca los valores entre -1,0 y 1,0 para representar la densidad de la vegetación y el vigor. Los valores negativos corresponden principalmente a las nubes, el agua y la nieve, y los valores cercanos a cero corresponden principalmente a las rocas y al terreno desnudo. Los valores muy bajos de NDVI (por debajo de 0,1) corresponden a áreas yermas de rocas, arena o nieve. Los valores moderados representan terrenos con arbustos y prados, mientras que los valores altos indican bosques de zonas templadas y tropicales” (ArcGIS, 2019).

Para el cálculo del índice diferencial de vegetación normalizado (NDVI) se calculó con la siguiente expresión:

NDVI = ((IR - R)/(IR + R))*100+100 (2)

Ecuación 2. Cálculo Índice de Vegetación NDVI Software ArcGIS. Fuente: (ArcGIS, 2019).


Si bien teóricamente la Ecuación 1 arroja valores entre -1 y 1 , el Software implementado reescala estos valores a una escala entre 0 y 200. A continuación se define los rangos de acuerdo a (Olivio Candelario, 2019).

Tabla 8. Clasificación NDVI

Rango Clasificación

< 0 Presencia de Agua y/o Áreas con Sombra

0 - 0,2 Suelo Desnudo

0,2 - 0,4

Vegetación Escasa + Suelo

0,4 - 0,6

Vegetación Dispersa

< 0,6 Vegetación Densa

Los anteriores rangos fueron re-escalados con el fin de facilitar la interpretación en los mismos valores procesados, de la siguiente manera:

Tabla 9.. Re-escalado de Valores Clasificados NDVI

Rango Clasificación

0 -110 Presencia de Agua y/o Áreas con Sombra

110 - 120 Suelo Desnudo

120 - 140 Vegetación Escasa + Suelo

140 - 160 Vegetación Dispersa

160 - 120 Vegetación Densa

Para realizar el análisis de cambio de cobertura por NDVI se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación

54

Tabla 10. Reglas de Decisión – NDVI

Rang

o Clasificación

Presencia

de Agua

y/o Áreas

con

Sombra

Suelo Desnudo Vegetación

Escasa + Suelo

Vegetac

ión

Dispers

a

Vegeta

ción

Densa

0 -

110

Presencia de Agua y/o Áreas

con Sombra 0 0 0 0 0

110 -

120 Suelo Desnudo 0 0 + + +

120 -

140 Vegetación Escasa + Suelo 0 - 0 + +

140 -

160 Vegetación Dispersa 0 - - 0 +

160 -

200 Vegetación Densa 0 - - - 0


Variables Socioeconómicas

Si bien hay condiciones socioeconómicas que en la matriz de decisión se aborda como la desaparición de cultivos o que se reflejan a través del NDVI como la pérdida de productividad del territorio, existen más factores que tal y como se abordó en la fundamentación teórica sobre degradación química afectan a la salud de quienes habitan cerca y/o practican actividades de extracción de minerales a cielo abierto; Así como factores institucionales de control y vigilancia de estas actividades extractivas que en parte se ven reflejadas en los ingresos por concepto de regalías mineras.

Por lo tanto introducir aspectos como los anteriormente mencionados, permiten introducir información social y económica con el ánimo de construir modelos cada vez más integrales y acordes al contexto antrópico del territorio.

Para lo anterior se establece el número de casos clínicos presentados por envenenamiento de mercurio y magnesio como un indicador de degradación química reflejada en la población y los ingresos por regalías por concepto de minería en el tiempo, como una variable que refleje la legalidad de las prácticas de extracción de minerales a cielo abierto en el territorio.


4.3 PROCESAMIENTO EXPERIMENTAL DE

INFORMACIÓN GEOGRÁFICA Y DEFINICIÓN

DE SECUENCIA Y ALGORITMOS DE

PROCESAMIENTO

4.3.1 Clasificación Supervisada

Para el procesamiento experimental se seleccionaron 19 imágenes satelitales provenientes de misiones Landsat sobre las cuales se aplicaron diferentes secuencias de procesamiento para la identificación del algoritmo que mejor se ajusta a los datos disponibles.

Para lo anterior la muestra fue recolectada de forma aleatoria por agrupación entre el banco de imágenes, dando como resultado una imagen por año y que a continuación se enlistan:

Tabla 11. Listado de Imágenes Seleccionadas

Nombre de la Imagen Año

lm05_l1tp_009055_19850601_20180406_01_.tif 1985

lm04_l1tp_009055_19880516_20180326_01_t2 1988

lm05_l1tp_009055_19860807_20180401_01_t2 1986

lm04_l1gs_009055_19871208_20180330_01_t2 1987

lt05_l1tp_009055_19860807_20170217_01_t1_multi.tif 1986

lt04_l1tp_009055_19880516_20170208_01_t1.tif 1988

lt04_l1tp_009055_19890604_20170203_01_t1_.tif 1989

lt04_l1tp_009055_19900623_20170129_01_t1_mt.tif 1990

lt05_l1tp_009055_19910720_20170126_01_t1_mt.tif 1991

lt05_l1tp_009055_19960717_20170103_01_t1_tm.tif 1996

lt05_l1tp_009055_19980621_20161223_01_t1_mt.tif 1998

lt05_l1tp_009055_19990405_20161218_01_t1_mt.tif 1999

lt05_l1tp_009055_20010205_20161212_01_t1.tif 2001

lt05_l1tp_009055_20071004_20161110_01_t1.tif 2007

lt05_l1tp_009055_20080616_20161031_01_t1.tif 2008

LC08_L1TP_009055_20150111_20180130_01_T1 2015

LC08_L1TP_009055_20171218_20171224_01_T1 (20171224.tif) 2017

lc08_l1tp_009055_20171218_20171224_01_t1 2017

lc08_l1tp_009055_20180916_20180928_01_t1 2018

le07_l1tp_009055_20000602_20170211_01_t1 2000

le07_l1tp_009055_20001008_20170209_01_t1 2000

le07_l1tp_009055_20000704_20170211_01_t1 2000

56

mision115_linea7_1415_170823_153801_rgbnn00l2 2017

mision174_linea1_1415_141115_160933_rgbn00l2 2014

M38_L7_03_19_10_rgbf16a 2010

Sobre las imágenes se realizó una clasificación de coberturas de acuerdo al nivel 2 de la Leyenda Nacional de Coberturas de la Tierra - Metodología Corine Land Cover adaptada para Colombia - Escala 1:100.000, lo anterior tomando 5, 10 y 15 muestras de cobertura por imagen foto interpretada, así como la implementación de tres algoritmos de clasificación supervisada (Maximum Likelihood, Mahalanobis Distance y Minimum Distance), lo cuales fueron almacenados de acuerdo al siguiente esquema:

El proceso de calidad de los productos de procesamiento se realizó a través de dos indicadores, el primero a través del factor de separabilidad de firmas y el segundo utilizando el coeficiente kappa resultante de las matrices de confusión calculadas por el Software de procesamiento con asistencia del analista de imágenes.


4.3.2 Síntesis de Resultados del Procesamiento Experimental

Producto del procesamiento experimental se obtuvo una matriz sintetizadora de resultados, que permite almacenar y analizar los resultados obtenidos tras el procesamiento de las imágenes, lo anterior reflejado en el coeficiente kappa de cada elemento perteneciente a la muestra.

Tabla 12. Matriz de Resultados - Proceso Experimental

Nombre de Imagen Seleccionada Año

de la

Imag

en

Sensor Coeficiente Kappa

5 Muestras 10 Muestras 15 Muestras

Maximu

m

Likeliho

od

Mahalano

bis

Distance

Minim

um

Distanc

e

Maximu

m

Likeliho

od

Mahalano

bis

Distance

Minim

um

Distanc

e

Maximu

m

Likeliho

od

Mahalano

bis

Distance

Minim

um

Distanc

e

lm05_l1tp_009055_19850601_20180406_01_.tif

1985 MSS 84,77 70,74 85,65 84,58 82,27 89,21 77,00 91,50 86,74

lm04_l1tp_009055_19880516_20180326_01_t2

1988 MSS 83,87 86,50 93,10 88,44 89,34 92,96 91,58 86,46 92,86

lm05_l1tp_009055_19860807_20180401_01_t2

1986 MSS 79,80 74,36 81,28 80,77 71,43 82,35 73,71 76,44 87,11

lm04_l1gs_009055_19871208_20180330_01_t2

1987 MSS 73,94 70,35 87,05 73,94 70,35 87,05 75,00 72,97 84,26

lt05_l1tp_009055_19860807_20170217_01_t1_multi.tif

1986 TM 71,35 75,90 75,81 90,86 76,88 87,31 99,48 98,43 84,29

lt04_l1tp_009055_19880516_20170208_01_t1.tif

1988 TM 93,30 84,38 71,28 89,90 81,12 86,39 91,67 78,87 91,24

lt04_l1tp_009055_19890604_20170203_01_t1_.tif

1989 TM 71,88 73,98 72,77 75,66 76,14 81,03 72,16 71,51 61,22

lt04_l1tp_009055_19900623_20170129_01_t1_mt.tif

1990 TM 91,18 91,30 79,17 77,32 78,97 73,16 84,38 80,73 71,29

lt05_l1tp_009055_19910720_20170126_01_t1_mt.tif

1991 TM 68,59 71,95 63,86 71,34 78,57 84,00 80,67 71,43 67,97

lt05_l1tp_009055_19960717_20170103_01_t1_tm.tif

1996 TM 84,77 85,14 74,84 85,54 90,13 78,62 83,55 78,71 80,98

lt05_l1tp_009055_19980621_20161223_01_t1_mt.tif

1998 TM 80,86 78,13 81,05 82,89 75,80 85,63 75,12 84,62 91,08

lt05_l1tp_009055_19990405_20161218_01_t1_mt.tif

1999 TM 72,85 43,21 61,25 74,50 73,58 60,87 87,58 69,80 86,87

lt05_l1tp_009055_20010205_20161212_01_ 2001 TM 75,32 68,55 57,52 78,00 84,91 66,89 61,99 52,90 72,78

58

t1.tif

lt05_l1tp_009055_20071004_20161110_01_t1.tif

2007 TM 83,54 75,16 67,79 80,77 85,71 71,43 71,81 65,77 66,91

lt05_l1tp_009055_20080616_20161031_01_t1.tif

2008 TM 81,99 84,66 71,15 84,62 76,32 72,08 91,21 81,48 76,19

LC08_L1TP_009055_20150111_20180130_01_T1

2015 OLI_TIRS

90,48 84,62 77,66 84,24 81,18 87,18 85,99 83,87 74,19

LC08_L1TP_009055_20171218_20171224_01_T1 (20171224.tif)

2017 OLI_TIRS

79,39 51,88 95,92 71,03 50,64 95,36 67,28 51,01 81,60

lc08_l1tp_009055_20171218_20171224_01_t1

2017 OLI_TIRS

88,83 89,33 86,84 84,97 92,02 81,11 86,73 75,37 83,02

lc08_l1tp_009055_20180916_20180928_01_t1

2018 OLI_TIRS

56,68 44,79 75,63 58,21 48,50& 74,33 75,63 55,33 77,50

le07_l1tp_009055_20000602_20170211_01_t1

2000 ETM 70,40 66,67 51,00 80,00 90,50 70,50 89,56 84,80 72,00

le07_l1tp_009055_20001008_20170209_01_t1

2000 ETM 89,56 93,20 92,34 86,00 82,33 87,20 92,46 84,58 90,50

le07_l1tp_009055_20000704_20170211_01_t1

2000 ETM 97,50 95,98 84,50 92,80 80,40 86,00 95,50 84,58 90,50

mision115_linea7_1415_170823_153801_rgbnn00l2

2017 ADS 88,82 56,13 79,35 79,17 78,13 80,12 87,58 62,64 92,12

mision174_linea1_1415_141115_160933_rgbn00l2

2014 ADS 50,83 56,67 96,69 90,42 50,85 92,05 89,83 48,74 92,41

M38_L7_03_19_10_rgbf16a 2010 ADS 84,78 47,85 87,43 92,93 81,15 85,64 84,08 65,10 82,50

Sobre esta Matriz se realizó un tratamiento estadístico tanto de medida central como inferencial, que permite identificar los algoritmos y el número de pruebas más adecuado para el procesamiento de las imágenes según el sensor empleado para la recolección de la información.

El tratamiento estadístico utilizado fue el siguiente:


Medidas de tendencia central

Este tratamiento estadístico se utilizó con el propósito de categorizar los algoritmos de procesamiento y el número de muestras que mayor calidad en la clasificación de imágenes presentara, arrojando los siguientes resultados:

Tabla 13. Me. Síntesis de Resultados

Sensor Algoritmo # de Muestras

MSS Minimum Distance 10

TM Maximum

Likelihood

15

OLI_TIRS Minimum Distance 10

ETM Maximum

Likelihood

15

ADS Minimum Distance 15

Pruebas de normalidad (Curtosis y Asimetría)

Luego se implementó una prueba de normalidad sobre los dos pares de muestras que mayor calidad presentarán por evidenciando una forma cuasi normal en aquellos conjuntos de datos con mayor calidad en la clasificación y por en contraste un ajuste peor en los conjuntos de datos con coeficientes kappa menores.

Tabla 14. Prueba de Normalidad

Prueba de Normalidad de los Datos

Cutosis 5 muestras (a) 10 muestras

(b)

15 muestras (c)

MSS 0,4195868695 2,359448833

TM -1,672691175 -0,590468332

OLI_TIRS -0,9816040212 -0,2922639109

Simetría 5 muestras (a) 10 muestras

(b)

15 muestras (c)

MSS -0,2950085232 1,843640081

TM 0,1748679341 -0,2282895708

OLI_TIRS 0,7135658194 0,1982519709

60

Intervalos de confianza para la diferencia de medias con varianza poblacional desconocida.

Para los intervalos de confianza se aplicó una distribución probabilística T-Students debido a que es una muestra pequeña de datos cuasi normala un nivel de significancia del 0.5% y por consiguiente un nivel de confianza del 95%.

Tabla 15. Intervalos de Confianza Sensores MSS, TM y OLI - TIRS

Prueba de Diferencias de Medias para # de Muestras - Sensor MSS

Xb 87,89 Xc 87,74

Sb 4,428862721 Sc 3,638757801

n 4

gl 5,782353341

nivel de

confianza

95%

t-stundents -2,447

intervalo inferior 7,16

intervalo

superior

-6,86

Prueba de Diferencias de Medias para # de Muestras - Sensor TM

Xb 81,04 Xc 81,78

Sb 6,327556041 Sc 10,82929755

n 11

gl 16,11533221

nivel de

confianza

95%

t-stundents -2,120


intervalo

superior

-8,76

Prueba de Diferencias de Medias para # de Muestras - Sensor OLI_TIRS

Xa 84,01 Xb 84,50

Sa 9,316721079 Sb 8,945071269

n 4

gl 5,990084507

nivel de

confianza

95%

t-stundents -2,447


intervalo

superior

-16,28


Tabla 16. Intervalos de Confianza Sensores ETM y ADS

Prueba de Diferencias de Medias para # de Muestras - Sensor ETM

Xb 86,27 Xc 92,51

Sb 6,404165311 Sc 2,970274959

n 3

gl 2,822399473

nivel de confianza

95%

t-stundents -2,447

intervalo inferior

3,73

intervalo superior

-16,21

Prueba de Diferencias de Medias para # de Muestras - Sensor ADS

Xa 87,82 Xc 89,01

Sa 8,676689077 Sc 5,639689708

n 3

gl 3,433962623

nivel de confianza

95%

t-stundents -2,447

intervalo inferior

13,43

intervalo superior

-15,81

Si bien las pruebas establecen que no hay diferencia de medias representativa en utilizar uno u otro número de muestras, se opta por seleccionar el muestreo que mayor calidad de la información arrojó, puesto que presenta una distribución cuasi normal a diferencia de los demás conjuntos de datos. Manteniendo la secuencia de procesamiento como inicialmente arrojaron las medidas de tendencia central.

62

4.4 ANÁLISIS DE RESULTADOS

4.4.1 DEFINICIÓN DEL ALGORITMO DE MAYOR AJUSTE Y NÚMERO DE

MUESTRAS

Resultado del procesamiento experimental anterior se obtuvo los siguientes productos:

9 Imágenes Multiespectrales

Tabla 17. Características de Imagines Multiespectrales por Sensor

Sensor Cantidad de Imágenes Tematicas

Resolución Espacial

Resolución Radiométrica

Resolución Espectral

MSS 4 60 x 60 8 bit 4

TM 11 30 x 30 8 bit 7

ETM 4 30 x 30 8 bit 8

OLI 3 15 x 15 16 bit 11

ADS 3 30 cm x 30 cm

16 bit 4

225 Imágenes Clasificadas (Temáticas)

Tabla 18. Características Imágenes Temáticas Obtenidas

Sensor Cantidad de Imágenes Tematicas

Resolución Espacial

Resolución Radiométrica

MSS 36 30 x 30 8 bit

TM 99 30 x 30 8 bit

ETM 36 30 x 30 8 bit

OLI 27 30 x 30 8 bit

ADS 27 30 x 30 8 bit

450 Reportes de Calidad


El Clasificador Mahalanobis Distance no es el mejor algoritmo para clasificación de imágenes Landsat en zonas húmedas tropicales tales como la zona de estudio puesto que presentó los coeficiente kappa más bajos en comparación a los demás algoritmos clasificadores.

Los clúster espectrales de entre 10 y 15 muestras por cobertura presentan coeficientes kappa similares, por lo que para una buena clasificación y separabilidad de firmas, el número de firmas espectrales capturadas por cobertura si bien no deberán ser obligatoriamente el valor descrito, si deberán encontrarse entre este rango, con el fin de obtener un muestreo suficiente y con alta separabilidad espectral.

Las imágenes clasificadas por el algoritmo Minimum Distance y cuyo muestreo por cobertura se encuentra entre 10 y 15 firmas espectrales, son las que mejor coeficiente kappa evidenciaron, por lo que estas imágenes alimentarán la red neuronal si su imágen de origen pertenece al sensor landsat MSS y OLI TIRS.

Las imágenes clasificadas por el algoritmo Maximum Likelihood y cuyo muestreo por cobertura se encuentra entre 10 y 15 firmas espectrales, son las que mejor coeficiente kappa evidenciaron, por lo que estas imágenes alimentarán la red neuronal si su imágen de origen pertenece al sensor landsat TM y ETM.

4.5 PRODUCTOS

4.5.1 Protocolo de Procesamiento

PROTOCOLO DE PROCESAMIENTO DE IMÁGENES SATELITALES PARA EL ENTRENAMIENTO Y PRUEBA DE UNA RED NEURONAL DE PREDICCIÓN DE

DAÑO ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES EN EL MUNICIPIO EL BAGRE ANTIOQUIA DENTRO DEL MARCO DE CELEBRACIÓN

DE LOS 100 AÑOS DE LA FUERZA AÉREA COLOMBIANA

En el marco de Cooperación Interinstitucional entre la Fuerza Aérea Colombiana (FAC) y la Universidad Distrital, se plantea el siguiente proyecto de investigación - innovación en conmemoración de los 100 años de la FAC y cuyo propósito se centra en la definición de un protocolo para el entrenamiento y prueba de un modelo de predicción de daño ecológico causado por extracción ilegal de minerales a cielo abierto basado en técnicas de inteligencia computacional haciendo uso de imágenes satelitales.

64

En consecuencia, el documento que se presenta enumera los procesos a tener en cuenta con el fin de obtener información geográfica idónea para la alimentación y entrenamiento de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales.

Con el fin de obtener productos idóneos para su ingreso a la red neuronal es importante cumplir los presupuestos abajo descritos, los cuales no necesariamente requieren un seguimiento secuencial, dado que definen actividades que pueden cumplirse simultáneamente, pero que si deberán hacerse en su totalidad.

Identificación del Área de Estudio

Antes de iniciar cualquier labor de procesamiento es indispensable identificar aquellas zonas con presencia de extracción ilegal de minerales a cielo abierto. Para lo anterior es posible apoyarse en fuentes de información de origen diverso, como lo pueden ser revisiones bibliográficas, documentos gubernamentales, observación directa en campo, información geográfica, entre otros.

Verificación de Información

Luego de haber seleccionado la zona de estudio es importante verificar que cuente al menos con la siguiente información:

- Cartografía Base (Curvas de Nivel, Hidrografía, etc) - Imágenes Satelitales - Caracterización de Suelos (Capacidad de Uso de Suelo) - Modelos Digitales de Elevación - Datos de Pluviosidad Anual - Número de enfermos por exposición a actividades mineras

Nota: La información anterior deberá recolectarse al menos de dos años diferentes, estos deben ser coincidentes, es decir que la información deberá encontrarse en los mismos intervalos de tiempo.

Luego de establecer la zona de estudio y verificar la existencia de la información anteriormente señalada, se ordenara la información obtenida por año.

Selección de Imágenes Satelitales

La obtención de imágenes satelitales puede ser de diversas fuentes, sin embargo será esencial seleccionar solo aquellas imágenes que cuenten con baja nubosidad


y sin caidas de lineas graves, lo anterior con el fin de obtener imágenes fácilmente interpretables, las imágenes descargadas deben ser de la misma zona de estudios y pertenecientes a años diferentes, preferiblemente consecutivos.

3.1 Consolidación del Banco de Imágenes

Luego de obtener las imágenes con los parámetros de selección en mención se deberá realizar un listado de metadatos de las imágenes satelitales obtenida, este listado deberá tener como mínimo los siguientes elementos:

Tabla 19. Metadatos Mínimos del Banco de Imagenes

ID de Descarga de la Imagen Sistema de Referencia

Satélite Porcentaje de Cobertura del Área de Estudio

Sensor Porcentaje de Nubosidad Fecha de Captura Peso de la Información

Path Resolución Espectral

Row Resolución Radiométrica

Formato Resolución Espacial

Elipsoide Fuente de la Información

Procesamiento de Imágenes Satelitales

4.1 Procesamiento Preliminar

Las imágenes deben recortarse para ajustarse al área de estudio, todas las imagenes deberan de ser del mismo tamaño y lugar, adicionalmente todas las imágenes deberán tener la misma resolución espacial, esto se debe aplicar a todo el banco de imágenes de la zona de interés.

4.2 Muestreo de Imágenes y Coberturas

Se deberá seleccionar una muestra aleatoria estratificada del banco de imágenes con al menos 4 imágenes por tipo de sensor perteneciente.

Para cada imagen se deberá realizar la captura de las firmas espectrales por cobertura de la escena, implementando la leyenda nacional Corine Land Cover ajustada para Colombia hasta nivel 2.

66

Tabla 20. Clases Corine Land Cover a Utilizar

Código Corine Land

Cover

Código Nombre de Cobertura

1.1 1 Zonas urbanizadas

1.2 2 Zonas industriales o comerciales y redes de comunicación

1.3 3 Zonas de extracción minera y escombreras

1.4 4 Zonas verdes artificializadas, no agrícolas

2.1 5 Cultivos transitorios

2.2 6 Cultivos permanentes

2.3 7 Pastos

2.4 8 Áreas agrícolas heterogéneas

3.1 9 Bosques

3.2 10 Áreas con vegetación herbácea y/o arbustiva

3.3 11 Áreas abiertas, sin o con poca vegetación

3.3,3 12 Tierras desnudas y degradadas

4.1 13 Áreas húmedas continentales

4.2 14 Áreas húmedas costeras

5.1 15 Aguas continentales

5.1,4 16 Cuerpos de agua artificiales

5.2 17 Aguas Marítimas

18 Nubes

Para cada tipo de cobertura señalada en la tabla anterior se deberán capturar respectivamente 5, 10 y 15 muestras espectrales por cobertura, codificando cada una con el ID asociado en la columna “código”, las clases 3.3.3 y 5.1.4 a pesar de no pertenecer a la clasificación de cobertura de nivel 2, deberán ser capturadas debido a que representan características sobre el territorio directamente involucradas con daño ecológico.

4.3 Evaluación de Separabilidad de Firmas

Se deberá evaluar que las firmas capturadas tengan una separabilidad óptima entre ellas, lo anterior se deberá realizar mediante una matriz de divergencia transformada, la cual arroja valores de correlación entre coberturas en un rango de 0 a 2000. Aquellas firmas cuya correlación se encuentre menor a 1900 deberán ser tomadas de nuevo.


4.4 Selección de Algoritmo Clasificador

Con el fin de identificar el clasificador que mejor se ajusta a la zona de interés se deberá realizar la clasificación supervisada de cada una de las imágenes seleccionadas en el paso 4.2.

Esta clasificación deberá hacerse usando las firmas espectrales de 5, 10 y 15 muestras por cobertura empleando los siguientes clasificadores Maximum Likelihood, Mahalanobis Distance y Minimum Distance. Es decir que de una imagen deberán obtenerse 9 clasificaciones enlistadas a continuación:

Tabla 21. Clasificaciones Obtenidas por Imagen

Clasificación # Muestras por Cobertura

Algoritmo

Clasificación 1

5 Maximum Likelihood

Clasificación 2


Clasificación 3


Clasificación 4

5 Mahalanobis Distance

Clasificación 5


Clasificacion 6


Clasificación 7

5 Minimum Distance

Clasificación 8

10 Minimum Distance

Clasificación 9

15 Minimum Distance

Los clasificadores en mención no son los únicos que pueden ser sujetos a evaluación, por lo que otros pueden ser utilizados.

4.5 Coeficiente Kappa

Cada clasificación deberá ser evaluada, para lo anterior se deberá aplicar un indicador de concordancia denominado coeficiente kappa, el cual arrojará valores para cada clasificación en un rango de 0 % a 100%, mientras más cercano a 100 se encuentre el coeficiente, mayor es el grado de concordancia inter-observador, por el contrario, mientras el valor se encuentre más cercano a 0, mayor es el grado de discordancia inter-observador.

68

Los coeficientes Kappa obtenidos de cada clasificación deberán enlistarse en una matriz con la siguiente estructura.

Tabla 22. Matriz de Resultados de Coeficientes Kappa

Nombre de

Imagen

Seleccionada

Año de la Imag

en

Sensor

Coeficiente Kappa


Maximum Likelihoo

d

Mahalanobis Distance

Minimum Distance

Maximum Likelihoo

d


Minimum Distance

Maximum Likelihoo

d


Minimum Distance

La anterior matriz compilara los diferentes coeficientes kappa obtenidos, sobre los cuales se deberá hacer calcular una tabla que contenga el promedio aritmético por algoritmo y sensor como la que se presenta a continuación:

Tabla 23. Matriz para Identificación de Mejor Algoritmo por Sensor

Promedio por Sensor

Sensor Maximum Likelihood


Minimum Distance

Sensor 1

Sensor 2

Sensor 3

...

De lo anterior se determinará el algoritmo con mayor coeficiente kappa promedio.

Luego se deberá realizar un promedio por sensor de los coeficientes kappa obtenidos por el algoritmo seleccionado en el paso anterior y se seleccionará el número de muestras que mayor promedio registre.

Tabla 24. Matriz de Identificación de Mejor Muestreo por Sensor y Clasificador


Clasificador Seleccionad

o


o


o Sensor


Sensor 1

Sensor 2

Sensor 3

...

Es posible que para un sensor se ajuste un algoritmo y un número de muestras diferente a otro sensor, es por esto que los cálculos se deberan ser realizados por cada tipo de sensor.

Los resultados de las tablas anteriores se deberán sintetizar en la siguiente matriz:

Tabla 25. Matriz de Síntesis de Resultados

Resultados Mejor Algoritmo # de Muestras

Sensor 1 - -

Sensor 2 - -

Sensor 3 - -

Sensor 4 - -

Sensor 5 - -

4.6 Procesamiento Final

Luego de establecer el algoritmo y número de muestreo de firmas espectrales por cobertura correspondiente a cada sensor, se puede dar paso a la clasificación supervisada del banco de imágenes de la zona de interés, cuyos productos finales deberán encontrarse en formato .tif.

El algoritmo y número de muestras resultado de este procedimiento podrá utilizarse en diferentes zonas solo si estas poseen características geográficas y climáticas similares, debido a que los algoritmos presentarán diferentes ajustes dependiendo la zona, el algoritmo con mayor ajuste posiblemente no será el mismo para zonas desérticas que zonas tropicales o árticas, entre otros. Por lo que se recomienda hacer este proceso para cada zona si estas no son similares.

70

NDVI

El cálculo del NDVI deberá hacerse utilizando el banco de imágenes del paso 4.1 siguiendo la siguiente fórmula:

NDVI = ((IR - R)/(IR + R)) (1)

Ecuación 1. Cálculo Índice de Vegetación NDVI. Fuente: (ArcGIS, 2019).

IR = valores de píxel de la banda infrarroja

R = valores de píxel de la banda roja

Lo anterior arroja valores entre -1 y 1 o 0 y 200 respectivamente. La imagen producto debera coincidir en tamaño, area, localizacion y resolucion espacial con su respectiva imagen satelital clasificada asociada, asi como en formato tif.

Mapas de Pendiente

Para la generación de mapas de pendiente será necesario obtener Modelos Digitales de Terreno de fechas coincidentes o muy aproximadas de la zona de estudio, estos deberán recortarse al mismo tamaño del área de interés y contar con la misma resolución espacial de este.

Los mapas de pendiente se deberán calcular según su porcentaje de inclinación y ser clasificados de acuerdo a la Resolución 2965 de 1995 del IGAC como se muestra a continuación:

Tabla 26. Clasificacion de Pendientes Metodologia IGAC

Pendiente Rango (%)

Plano 0-3

Levemente Inclinado 3-7

Fuertemente Inclinado 7-12

Quebrado 12-25

Fuertemente Quebrado 25-50

Escarpado 50-75

Muy Escarpado >75

Fuente: Resolución IGAC 2965 de 1995


Es de esperar que la información pueda encontrarse en formato shapefile, sin embargo es indispensable que esta sea convertido a información Raster .tif con una resolución espacial igual al de las imágenes clasificadas y los NDVI asociados.

7. Capacidad de Uso de Suelo

La información de uso del suelo deberá ser recortada a la misma forma, área y localización del área de estudio y su resolución espacial deberá ser la misma al banco de imágenes, los NDVI y demas productos aqui mencionados.

Se deberá hacer su respectiva conversión a tipo raster en formato .tif y cuyo valor de píxel deberá contener la clase de capacidad de uso de suelo según la Metodología Para La Clasificación De Las Tierras Por Su Capacidad De Uso del Instituto Geográfico Agustín Codazzi.

Alcances e Impactos

El protocolo aquí propuesto, así como la investigación que la respalda, sintetiza un conjunto de variables y reglas de decisión que permiten identificar procesos de daño ecológico a lo largo del tiempo, brindando así los elementos conceptuales que sistematizados pueden generar herramientas potentes de predicción.

El protocolo plantea una oportunidad de evaluación y análisis del daño ecológico que posee actualmente el país, brindando insumos para realizar predicciones territoriales de cambio de coberturas por actividades antrópicas que sumado a avances tecnológicos permitirá a las instituciones públicas, entes de control y demás organizaciones, tomar decisiones de protección, reducción, mitigación o explotación de los recursos de estas zonas sobre una visión territorial futura escalable, ambientalmente responsable y ajustada a las diferentes coberturas y necesidades del país.

Evaluación de los objetivos

La presente investigación permitió definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales tomando como

72

zona de estudio el municipio El Bagre del departamento de Antioquia producto del cual se generó un banco de imágenes temáticas que permiten evidenciar información sobre el territorio, relacionada al daño ecológico.

Para lo anterior se identificó aquellas variables de influencia en daño ecológico por extracción ilegal de minerales a cielo abierto y se estipularon algunas reglas de decisión sobre comportamientos de coberturas terrestres para la determinación de daño ecológico.

De acuerdo a lo anterior es posible evidenciar el cumplimiento de los objetivos de investigación propuestos de manera satisfactoria.

Conclusiones

Se determina que para zonas húmedas tropicales tales como la zona de estudio el Clasificador Mahalanobis Distance no es el mejor algoritmo para clasificación de imágenes Landsat puesto que presentó los coeficiente kappa más bajos en comparación a los demás algoritmos clasificadores, sin embargo El algoritmo Minimum Distance presentaron los mejores coeficiente kappa para clasificación supervisada y cuya imágen de origen pertenece al sensor landsat MSS y OLI TIRS con muestreos de cobertura de entre 10 y 15 firmas espectrales, de forma similar sucede con el algoritmo Maximum Likelihood con imágenes pertenecientes al sensor landsat TM y ETM.

Los clúster espectrales de entre 10 y 15 muestras por cobertura presentan coeficientes kappa similares, por lo que para una buena clasificación y separabilidad de firmas, el número de firmas espectrales capturadas por cobertura si bien no deberán ser obligatoriamente el valor descrito, si deberán encontrarse entre este rango, con el fin de obtener un muestreo suficiente y con alta separabilidad espectral.

El protocolo aquí propuesto permite identificar los clasificadores que mejor se ajustan a diferentes zonas con características climáticas diferentes, lo anterior con el fin de identificar el algoritmo que brinde una mejor clasificación de coberturas dependiendo de la zona a analizar, pudiéndose aplicar a cualquier lugar del país y tipo de sensor, no solo aquellos pertenecientes a la misión LandSat.

Dado que la información base de ingreso a la red neuronal es tipo Raster, los parámetros de homogeneización más importantes que esta debe cumplir para su implementación en redes neuronales es el número de pixeles y su resolución espacial, puesto que la integración de diferentes fuentes de información Raster que


presenten diferencias en su área de cobertura (número de pixeles) generan vacíos de información y afectar la exactitud de la predicción.

Para abordar problemáticas de origen social como lo es la explotación ilegal de materiales a cielo abierto desde una óptica territorial e ingenieril es indispensable integrar información y conocimientos sociales y económicos, no solamente cuantitativos producto de extracciones de la información geográfica disponible. por lo que importante implementar paradigmas de investigación mixtos para un entendimiento territorial más integral.

Recomendaciones

Se recomienda la exploración del uso de modelos vectoriales de vientos como una variable que permita describir el sentido de la erosión eólica siendo esta también un factor potencializador del daño ecológico.

Es necesario realizar más investigaciones sobre la correlación entre variables socio económicas de diferente índole con la explotación ilegal de minerales a cielo abierto, con el fin de fortalecer cada vez más la interrelación de información cualitativa y cuantitativa para ser integradas en posteriores estudios.

Bibliografía Flórez-Yepes, G. Y., Rncion Santamaría, A., Cardona, P. S., & Alzate Alvarez, A. M. (2016).

Análisis multitemporal de las coberturas vegetales en el área de. DYNA, 1.

KAMATA, S.-i., EASON, R. O., & KAWAGUCHI, E. (1991). Classification of LANDSAT

Image Data and Its Evaluation Using a Neural Network Approach. Artículos sobre

Measurement Automatic Control Society.

Arango Gutierrez, M. (2005). Clasificación no supervisada de coberturas Vegetales sobre

imágenes digitales de sensores Remotos: ―landsat – etm+‖. Revista Facultad Nacional de

Agronomía Medellín, 2.

Bischof, H., Schneider , W., & Pinz, A. (Mayo de 1992). Multispectral classification of Landsat-

images using neural networks. IEEE Transactions on Geoscience and Remote Sensing,

30. doi:10.1109/36.142926

74

Ceballos Espinos, D. d., & Toro R, L. J. (2012). Evaluación de la susceptibilidad a la erosión por

el cambio de cobertura debido a la minería, en el Municipio de Anorí, Antioquia,

Colombia. Revista Gestión y Ambiente, 51. Recuperado el 25 de Octubre de 2018, de

http://www.redalyc.org/html/1694/169424893003/

España Hoyos, C. A., & Serna Còrdoba, M. (2016). Impacto ambiental y social de la minería a

cielo abierto con maquinaria pesada en. Quibdo, Chocò, Colombia: Universidad de

Medellín Facultad de Ciencias Sociales y Humanas.

Kamata, S., & Kawaguchi, E. (1993). A neural net classifier for multi-temporal LANDSAT

images using spacial and spectral information. Proceedings of 1993 International

Conference on Neural Networks (IJCNN-93-Nagoya, Japan). Nagoya: IEEE.

doi:10.1109/IJCNN.1993.714162

Lezama, J. C., & da Silva Narvaes, I. (2013). Análisis multitemporal para la detección de

cambios ocasionados por actividades de. Anais XVI Simpósio Brasileiro de

Sensoriamento Remoto, (pág. 1). Foz do Iguaçu,.

Mas, J.-F. (2005). Un método para combinar datos espectrales. XII Simpósio Brasileiro de

Sensoriamento Remoto. Goiania. Recuperado el 18 de Octubre de 2018, de

http://marte.sid.inpe.br/col/ltid.inpe.br/sbsr/2004/11.16.18.07/doc/3543.pdf

McClellan, DeWitt, Hemmer, Matheson, & Moe. (1989). Multispectral image-processing with a

three-layer backpropagation network. International 1989 Joint Conference on Neural

Networks. Washington, DC: IEEE. doi:10.1109/IJCNN.1989.118573

Orozco Oñate, D. L., & Valbuena Cely, A. d. (2016). Análisis multitemporal mediante imágenes

de sensores remotos de la explotación a cielo abierto en la mina El Cerrejón municipio de

Barrancas y Albania departamento de la Guajira. Obtenido de

http://repositorio.uptc.edu.co/handle/001/1684

Pérez O, M. M., & Betancur V, A. (2016). Impactos ocasionados por el desarrollo de la actividad

minera al entorno natural y situación actual de Colombia. Sociedad y Ambiente, 4.

POMAR RESTREPO , M. A., & Solano Barrera, C. (2016). Análisis Multitemporal Y

Multiespectral Para La Elaboración Del Mapa De Conflicto De Uso Del Suelo Por

Actividades Mineras En La Vereda Canavita Del Municipio De Tocancipá

(Cundinamarca). Bogotá, Cundinamarca , Colombia: UNIVERSIDAD DE LA SALLE

Facultad de Ingeniería.


Tenorio, M. F., Safavian, S. R., & Kassebaum, J. (1990). Multisource Remote Sensing Data

Analysis With Self-organizing Neural Networks. 10th Annual International Symposium

on Geoscience and Remote Sensing. Maryland: IEEE. doi:10.1109/IGARSS.1990.688733

Uysa, G., Orman, A. A., & Fensoy, A. (2016). Streamflow Forecasting Using Different Neural

Network Models with Satellite Data for a Snow Dominated Region in Turkey. Procedia

Engineering. doi:https://doi.org/10.1016/j.proeng.2016.07.526

Vanegas Villa, H. A. (2014). MODELO DE RESTAURACIÓN DE. MODELO DE

RESTAURACIÓN DE. Medellin, Antiquia, Colombia: Universidad Nacional de

Colombia, Facultad de Minas, Escuela de Geociencias y Medio Ambiente .

Verbeke, L. P., Vancoillie, F. M., & De Wulf, R. R. (2004). Reusing back-propagation artificial

neural networks for land cover classification in tropical savannahs. International Journal

of Remote Sensing, 25, 2747-3771. Obtenido de

https://www.tandfonline.com/doi/full/10.1080/01431160310001652385?scroll=top&need

Access=true

Climate-Data.org. (2018). Clima El Bagre: Temperatura, Climograma y Tabla climática para El

Bagre. Retrieved from https://es.climate-data.org/america-del-sur/colombia/antioquia/el-

bagre-50343/

Alcaldía El Bagre. (2013, Agosto). PLAN TERRITORIAL DE GESTIÓN DEL RIESGO.

Recuperado 2 noviembre, 2018, de http://www.elbagre-

antioquia.gov.co/Transparencia/PlaneacionGestionyControl/Plan%20Territorial%20de%

20Gesti%C3%B3n%20de%20Riesgo%202013.pdf

IGAC. (2017). Drenaje Sencillo, Escala 1:100.000, Cartografía Base - IGAC. Retrieved from

http://datos.igac.gov.co/datasets/b80a5060d68e4de0b2e13daab3e64a69_0

IGAC. (2004). Datos Abiertos Agrología | GEOPORTAL. Retrieved from

https://geoportal.igac.gov.co/es/contenido/datos-abiertos-agrologia

IGAC. (2009). Estudio general de suelos y zon

st ed. pp. - . ogotá: nstituto eográfi o gust n oda i.

IDEAM. (2015). Catálogo de Metadatos del Sistema de Información Ambiental del IDEAM -

Instituto de Hidrología, Meteorología y Estudios Ambientales. Retrieved from

http://geoservicios.ideam.gov.co:8080/geonetwork/srv/spa/catalog.search;jsessionid=6A

C25C754DCBBFCB4A620AB21430A946#/metadata/53085bc1-b11a-4bba-8bfd-

d7208ef048ed

76

IGAC. (2003). Datos Abiertos Agrología | GEOPORTAL. Retrieved from

https://geoportal.igac.gov.co/es/contenido/datos-abiertos-agrologia

DANE. (2005). Censo General 2005 Perfil El Bagre – Antioquia. Retrieved from

https://www.dane.gov.co/files/censo2005/perfiles/antioquia/el_bagre.pdf

DANE. (2014). PROYECCIONES POBLACIÓN - Población por municipio y departamento.

Retrieved from https://www.datos.gov.co/Mapas-Nacionales/PROYECCIONES-

POBLACI-N-Poblaci-n-por-municipio-y-d/grgp-6bef

Lal, R. (noviembre/diciembre de 2001). Soil degradation by erosion. Land Degradation &

Development, 12(6): 519-539.

IDEAM, U.D.C.A 2015. Síntesis del estudio nacional de la degradación de suelos por erosión en

Colombia - 2015. IDEAM - MADS. Bogotá D.C., Colombia., 62 págs. Publicación

aprobada por el IDEAM, Diciembre de 2015, Bogotá D.C., Colombia.

Centro Regional de Información en Desastres – CRID. (2000). VOCABULARIO

CONTROLADO SOBRE DESASTRES. San José, Costa Rica: CRID.

IDEAM. (2004). Informe anual sobre el estado del medio ambiente y los recursos naturales

renovables en Colombia

Fierro Morales, J., Garay Salamanca, L., Morelli Rico, S., & Rudas Lleras, G. (2019).

Minería en

olom ia nd ed. pp. - . ogotá: ontralor a eneral de la Rep li a.

M. Victoria López, José Luis Arrúe, Ricardo Gracia. (s.f). CONTROL DE LA EROSIÓN

EÓLICA EN SUELOS AGRÍCOLAS . Zaragoza, España: Estación Experimental de

Aula Del Consejo Superior de Investigaciones Científicas.

Del Pozo Loayza, C., & Paucarmayta Tacuri, V. (2014). Cómo impacta la minería en la

producción agropecuaria del Perú. Retrieved from

http://www.cies.org.pe/sites/default/files/files/articulos/economiaysociedad/01-

del_pozo_ok.pdf

El Tiempo. (1995). MINERÍA AFECTA AL MEDIO AMBIENTE. El Tiempo, p. 1. Retrieved

from https://www.eltiempo.com/archivo/documento/MAM-497060

Constitución política de Colombia [Const.] (1991) Artículo 360 - 361 [Titulo II]. 2da Ed. Legis.

Retrieved

http://www.secretariasenado.gov.co/senado/basedoc/constitucion_politica_1991_pr012.ht

ml#360

Procuraduría General de la Nación. MINERÍA ILEGAL EN COLOMBIA - Informe Preventivo.

Retrieved from


https://www.procuraduria.gov.co/portal/media/file/MINERIA%20ILEGAL%20EN%20C

OLOMBIA%20%20DOCUMENTO.pdf

Resolución 02965 DE 1995 [Resolución.] (1995). 1ra Ed. Legis. Retrieved

http://www2.igac.gov.co/igac_web/normograma_files/RESOLUCION29651995.pdf

Horacio Bozzano ( 3ª edición: 2018). Territorios Posibles. Procesos, lugares y actores. Buenos

Aires: Editorial Lumiere, 635 páginas. ISBN 978-987-603-096-0

Bachelard, Gastón, La formación del Espíritu Científico. Siglo XXI Editores México, 1984 (1ª

edición en francés: 1938).

Rosales Ortega, Rocio; Gutierrez Ramirez, Servando y Torres Franco, Luis La Interdisciplina en

las Ciencias Sociales Anthropos, 2006, Barcelona.

Marradi, Alberto, Archenti, Nélida y Piovani, Juan Ignacio, Metodología de las Ciencias

Sociales. Emecé, Buenos Aires, 2007.

Bourdieu, Pierre, Chamboredon, Jean-Claude y Passeron El Oficio del Sociólogo. Siglo XXI

Editores, México, 1996 (1ª edición en francés: 1973).

Programa de las Naciones Unidas Para el Desarrollo. (2016). Objetivos de Desarrollo Sostenible

| PNUD. Retrieved 20 July 2019, from

https://www.undp.org/content/undp/es/home/sustainable-development-goals.html

UNEP, Programa de Naciones Unidas para el Medio Ambiente. (2016). Framework and Guiding

Principles for a Land Degradation Indicator (1st ed., p. 11). Washington, DC: UNEP.

IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Retrieved 20 July 2019, from

http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-

fc16b8037522&groupId=762

Trends Earth (2019). Versión 0.63. Compute Sub-indicators: Trends Earth, p.7. Retrieved 20

July 2019, from https://arset.gsfc.nasa.gov/sites/default/files/land/webinars/19-

sdg/Trends.Earth_Computing_Indicators_Spanish_Session1.pdf

Clark, D.A., S.Brown, D- W- Kicklighter, J. D. Chambers, J. R. Thomlinson y J. NI. 2001a.

Measuring Net Primary Production in Forest: Concept and Field Methods. Ecological

Applications 11 (2): 356 - 384

rcGIS. (2019). Función NDVI—ArcGIS Pro | ArcGIS Desktop. Retrieved 21 July 2019, from

https://pro.arcgis.com/es/pro-app/help/data/imagery/ndvi-function.htm

78

Olivio Candelario, Á. (2019). Universidad Politécnica de Madrid. Retrieved 18 July 2019, from

http://oa.upm.es/48286/1/TFM_Angelica_Antonia_Olivo_Candelario.pdf


ANEXO 1. TIPOS DE SUELOS DEL MUNICIPIO EL BAGRE, ANTIOQUIA.

Tabla 27. Tipos De Suelos Del Municipio El Bagre, Antioquia

TIPO PAISAJE CLIMA TIPO RELIEVE LITOLOGÍA CARACTERÍSTICAS COMPONENTE ÁREA (ha)

CA Cuerpo de

agua

Cuerpo de

agua

Cuerpo de

agua

Cuerpo de agua Cuerpo de agua Cuerpo de agua 16564,67302

CAa Planicie

aluvial

Cálido

húmedo

Terrazas Aluviones medios a gruesos Profundos y superficiales, bien y pobremente

drenados, encharcamiento de poca duración,

texturas variables finas a gruesas, erosión

moderada, fertilidad baja a muy baja

Asociación Caucasia: Oxic

Dystrudepts; Typic Hapludults;

Acrudoxic Kanhapludults; Vertic

Endoaquepts; Typic Dystrudepts

3072,383335

CAb Planicie

aluvial

Cálido

húmedo









1075,598822

CAb1 Planicie

aluvial

Cálido

húmedo









345,2341896

CAb2 Planicie

aluvial

Cálido

húmedo









1183,960193

CSa Planicie

aluvial

Cálido

húmedo

Plano de

inundación

Aluviones medios y gruesos Superficiales, bien y pobremente drenados,

texturas medias y gruesas, reacción fuertemente

ácida y neutra, fertilidad moderada a alta

Complejo Cucharal: Typic

Endoaquepts; Aquic Udifluvents;

Typic Udipsamments; Aquic

Udorthents

5147,828222

ECe Montaña Cálido

húmedo a

Filas y vigas Rocas metamórficas (neisseses

e inclusiones de esquistos)

Superficiales y profundos, bien drenados, texturas

finas a moderadamente gruesas, erosión ligera a

Asociación El Cinco: Lithic

Dystrudepts; Typic Dystrudepts; Oxic

12189,1145

80

muy

húmedo

moderada, fertilidad muy baja a moderada Dystrudepts; Inceptic Hapludox

ECe1 Montaña Cálido

húmedo a

muy

húmedo





moderada, fertilidad muy baja a moderada



Dystrudepts; Inceptic Hapludox

397,2343223

ECf Montaña Cálido

húmedo a

muy

húmedo





moderada, fertilidad muy baja a moderada



Dystrudepts; Inceptic Hapludox

22407,10403

FGa Planicie

aluvial

Cálido

húmedo

Plano de

inundación

Aluviones heterométricos Profundos y superficiales, bien e imperfectamente

drenados, texturas moderadamente finas a

moderadamente gruesas, reacción moderadamente

ácida a neutra, fertilidad moderada a alta

Asociación El Real: Fluvaquentic

Eutrudepts; Typic Udifluvents; Typic

Fluvaquents; Aquic Udipsamments;

Humic Eutrudepts

3161,513738

GMb1 Lomerío Cálido

húmedo

Lomas y

colinas

Rocas sedimentarias

(arcillolitas, areniscas y

conglomerados)

Profundos, bien drenados, texturas

moderadamente finas y finas, reacción muy fuerte

a fuertemente ácida, alta saturación de aluminio,

fertilidad baja a muy baja

Asociación Margarita: Typic

Paleudults; Oxic Dystrudepts; Typic

Dystrudepts

1777,26841

GMc Lomerío Cálido

húmedo

Lomas y

colinas

Rocas sedimentarias


conglomerados)







Dystrudepts

2198,869665

GMc1 Lomerío Cálido

húmedo

Lomas y

colinas

Rocas sedimentarias


conglomerados)







Dystrudepts

5152,354348

GMd Lomerío Cálido

húmedo

Lomas y

colinas

Rocas sedimentarias


conglomerados)







Dystrudepts

3716,391744

GMd1 Lomerío Cálido

húmedo

Lomas y

colinas

Rocas sedimentarias


conglomerados)







Dystrudepts

15291,84252


IVa Lomerío Cálido

húmedo

Vallecitos

coluvio-

aluviales

Aluviones mixtos recientes Superficiales y moderadamente profundos, el

drenaje natural varía de pobre a imperfecto y

moderado, inundaciones irregulares, texturas

variadas finas a moderadamente gruesas, fertilidad

baja a moderada

Complejo Ite: Fluvaquentic

Endoaquepts; Aquic Dystrudepts;

Typic Dystrudepts; Typic Udorthents;

Typic Udifluvents; Fluvaquentic

Dystrudepts

15996,37202

LRd Montaña Cálido

húmedo a

muy

húmedo

Espinazos Rocas metasedimentarias y

sedimentarias (neises,

arcillolitas, areniscas,

conglomerados)

Profundos a moderadamente profundos limitados

por fragmentos de roca, bien drenados, texturas

medias a finas, erosión ligera a moderada, fertilidad

muy baja a alta

Asociación La Lora: Oxic Dystrudepts;

Typic Dystrudepts; Typic Hapludolls

2597,744856

LRe Montaña Cálido

húmedo a

muy

húmedo




conglomerados)




muy baja a alta



29962,59505

LRf Montaña Cálido

húmedo a

muy

húmedo




conglomerados)




muy baja a alta



11898,28614

LRf1 Montaña Cálido

húmedo a

muy

húmedo




conglomerados)




muy baja a alta



12020,68312

SDai Planicie

aluvial

Cálido

húmedo

Plano de

inundación

Aluviones finos y muy finos Superficiales y muy superficiales, pobremente

drenados, texturas finas y muy finas, fuerte y muy

fuertemente ácidos, fertilidad moderada a alta

Asociación San Diego: Vertic

Endoaquepts; Typic Endoaquepts;

Chromic Endoaquerts; Histic

Humaquepts; Typic Haplohemists

3101,555406

TRa Montaña Cálido seco

a húmedo

Vallecitos Sedimentos coluvio-aluviales

mixtos

Superficiales y moderadamente profundos, bien a

moderadamente bien drenados con inundaciones

periódicas; texturas variadas, fertilidad baja a alta

Complejo Tarazá: Typic Udortthents;

Typic Ustorthents; Entic Hapludolls;

Fluventic Hapludolls; Typic

Ustipsamments; Misceláneos de playa

904,454982

ZCd Montaña Cálido

húmedo a

muy

húmedo

Filas y vigas Rocas metamórficas (neisses y

paraneisses migmatítico)

Profundos y moderadamente profundos, bien

drenados, texturas finas y moderadamente finas a

veces con fragmentos de roca, reacción extremada


fertilidad baja

Asociación Zaragoza: Oxic

Dystrudepts; Typic Hapludox; Inceptic

Hapludox; Typic Kandiudox; Typic

Dystrudepts; Typic Udorthents

2058,471134

82

ZCd1 Montaña Cálido

húmedo a

muy

húmedo







fertilidad baja





144,7978343

ZCe Montaña Cálido

húmedo a

muy

húmedo







fertilidad baja





16448,01181

ZCf Montaña Cálido

húmedo a

muy

húmedo







fertilidad baja





2142,602293

ZCf1 Montaña Cálido

húmedo a

muy

húmedo







fertilidad baja





183,5390934

ZU Zona

urbana

Zona

urbana

Zona urbana Zona urbana Zona urbana Zona urbana 304,7374723


ANEXO 2. USO RECOMENDADO DEL SUELO

Tabla 28. Uso Recomendado Del Suelo

CodCap

aci Uso Recomendado Área ha Características del Suelo

2308

Agrícola, Cultivos transitorios, Semiperennes,

Perennes, Ganadería intensiva con pastos de alto rendimiento

313,6616321581

1

Textura Francosa fina, Limosa fina,

Contrastadas, no presenta inundacion o encharcamiento

3hs-2

Cultivos de arroz, plátano, maíz, caña de azucar y

palma de aceite. Ganadería

semi-intensiva

503,9194113016

48

Supeficiales a moderadamente profundos,

drenaje pobre a imperfecto,

texturas fi nas y moderadamente fi nas, fertilidad moderada, susceptibles

a inundabilidad y encharcamiento

4es-2 Ganadería, Pastos de buenos rendimientos,

Agroforesteria. 800,8383882101

74

Pendientes pronunciadas, áreas erodadas y susceptibles al

deterioro, bien drenado,

pérdida acelerada de suelo

4s-2

Agrosilvo pastoril con plantaciones de yuca, maíz,

plátano, teca, acacio y ganadería

semi-intensiva

13.140,3712554

6120

Muy superficiales a profundos,

texturas variadas, bien a imperfectamente

drenados, fertilidad alta a baja, fragmentos de roca localizados

en superficies

5114

agricultura y ganadería estacional escasamente tecnificada, agroforestería, conservación y

preservación de los recursos naturales y

ecoturismo.

97,07659159810 Drenaje probre, presenta minimos

encharcamientos

84

4hs-2

Agropastoril (arroz y pastos

hidrófi los) en zonas bajas,

en sectores mejor drenados (maíz, sorgo, soya y pasto

angletón)

12.889,7639328

4610

Superficial a profundos, drenaje

moderado a pobre, texturas variadas,

fertilidad moderada a muy baja, capas localizadas de gravilla nivel

freático fluctuante

4ps-2 Ganadería, Pastos de buenos rendimientos,

Agroforesteria. 19.008,2341064

0980

Pendientes pronunciadas, áreas erodadas y

susceptibles al

deterioro, bien drenado, baja fertilidad, presencia de sales y sodio,

altas

saturaciones de aluminio intercambiable

4ps-5 Ganadería, Pastos de buenos rendimientos,

Agroforesteria. 4.801,01380469

099

Pendientes pronunciadas, áreas erodadas y

susceptibles al

deterioro, bien drenado, baja fertilidad, presencia de sales y sodio,

altas


5101

Agricultura y ganadería estacional escasamente

tecnificada, agroforestería, conservación y

preservación de los recursos naturales y ecoturismo.

15.968,2264492

7490

Drenaje probre, presenta minimos

encharcamientos

5h-2

Agricultura y ganadería estacional escasamente

tecnificada, agroforestería, conservación y

preservación de los recursos naturales y ecoturismo.

3.285,51280115

299 suelos sobresaturados con agua

6hs-5 Cultivos semi perennes o perennes, semi densos y

densos; sistemas agroforestales y forestales.

6.719,95984239

939

Suelo sobresaturados con agua, baja fertilidad, presencia de sales y sodio, altas


6p-5 Cultivos semi perennes o perennes, semi densos y

densos; sistemas agroforestales y forestales

67.379,2234683

2650

Presenta pendietes, Textura Arenosa;

francosa fina; limosa fina,

7p-5

Silvopastoril: ganaderia

extensiva con pastos mejorados y bosque protector y

productor. Conservación

48.908,87039316300

Superficiales a profundos, bien

drenados, texturas medias y fi nas, reacción fuertemente àcida alta

saturación de aluminio

proyecto de grado 1 protocolo de procesamiento de...

Documents