Professional Documents
Culture Documents
1. Introduccin
El estado trfico de las lagunas pampeanas es naturalmente eutrfico y estara
potenciado por el aporte de nutrientes provenientes del uso del suelo en las cuencas
rurales y de vuelcos cloacales e industriales sin tratamiento, en las cuencas urbanas.
Sumado al aporte extra de nutrientes, las lagunas estn afectadas por periodos
de inundaciones y sequas que afectan el volumen de agua y por la accin de
mezclado del sedimento provocado por el viento, lo cual deriva en variaciones
bruscas de concentracin de sales, disminucin en la penetracin de la luz por
turbidez y reduccin de oxgeno en la columna de agua. Dentro de esta generalidad,
las lagunas presentan estadios de aguas claras y turbias, en funcin del
contenido de biomasa fitoplanctnica, presencia de macrfitas y concentracin
de slidos inorgnicos en suspensin (Scheffer, 2004).
Se denominan lagunas claras o lagunas en estadio de aguas claras a las que
poseen mayor transparencia y, por ende, mayor profundidad en la penetracin de
la luz, lo cual permite el desarrollo de macrfitas sumergidas en gran parte o toda
su cubeta, en desmedro de la biomasa algal. Se observa en estas lagunas una
dominancia de peces relacionados con el bafon, comunidad de plantas sumergidas,
que facilita la accin de predadores visuales.
Las lagunas turbias o lagunas en estadios de aguas turbias, se caracterizan
por el aumento de biomasa de todas las comunidades pelgicas (Quirs, 2002)
debido a una mayor disponibilidad de nutrientes que son captados por el
fitoplancton en detrimento de las macrfitas.
Sumado a lo anterior, se observan diferentes estados trficos en funcin de la
relacin de concentraciones de material orgnico e inorgnico en suspensin. Por
ello se consideran lagunas verdes y lagunas marrones. En las denominadas lagunas
verdes, la turbidez del agua es ocasionada principalmente por la presencia de
biomasa fitoplanctnica, en tanto las llamadas lagunas marrones son aquellas
que se caracterizan por una mayor concentracin de partculas inorgnicas en
suspensin provenientes del sedimento por accin del viento o del suelo
circundante por razones naturales o debido al manejo de la cuenca.
En el presente captulo se plantean diferentes mtodos y tcnicas que permiten
clasificar las lagunas en funcin de su estado de turbidez, que a su vez define
distintas cadenas trofodinmicas, tal lo presentado en el captulo I. El anlisis
estadstico realizado en el captulo III permiti establecer una categorizacin de las
lagunas a partir de los datos obtenidos en las campaas; en este captulo se
implementan diferentes mtodos para poder clasificar los cuerpos de agua
continentales utilizando informacin slo proveniente de imgenes de satlites (Brivio
et al., 2001; Pozdnyakov et al., 2003; Nelson et al., 2003; Chipman et al., 2004).
El empleo de los modelos propuestos, Spectral Unmixing y Red Neuronal
Artificial, permite obtener dos clasificaciones de las lagunas que brindan
129
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Figura X.1. Firmas espectrales de las lagunas La Barrancosa, Quilla Lauquen, San Antonio, La Salada,
El Chifle, Del Estado, La Brava y El Paraso de cada fecha de muestreo.
130
Espiando lagunas con satlites. Los colores delatan su estructura
131
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Para analizar la hiptesis de concordancia entre las dos categorizaciones (Agresti, 1990) se calcula
el ndice Kappa, a partir de la tabla de contingencia (tabla X.2). Esta ltima, ordena cada una de
las lagunas, en cada fecha, en ambas clasificaciones, la obtenida de los datos de campo y la
proveniente de las imgenes, e indica el nmero de casos en los cuales hay coincidencia.
En este caso, el ndice mencionado es de 0,619, que indica una buena concordancia entre la
informacin proveniente de las imgenes y del muestreo.
1 1 1 0 0 2
2 4 15 1 0 20
3 0 0 5 2 7
4 0 0 0 4 4
Total 5 16 6 6 33
informacin que las variables de campo (clorofila-a, slidos totales, slidos fijos,
slidos disueltos y profundidad del disco Secchi), el ACP lo mostrar en sus
resultados.
En la tabla X.3 se pueden observar las correlaciones entre variables medidas
y las dos primeras componentes principales.
La mayor variacin puede definirse a partir de la banda 4, clorofila, slidos totales, slidos fijos en
sentido positivo y la banda 2 y profundidad del disco Secchi en sentido negativo.
Los resultados obtenidos tanto del anlisis de concordancia (tabla X.2), como
el de ACP (tabla X.3), permiten poner a prueba la hiptesis de que las bandas 2 y
4 podran explicar la variacin de las observaciones respecto a la concentracin
de clorofila-a, slidos y profundidad del disco Secchi.
Esto motiv realizar un anlisis de correlacin cannica (Mardia et al., 1979) y
de redundancia (Johnson y Wichern, 1992), puesto que permite estudiar la
asociacin entre dos grupos de variables y analizar causaefecto.
132
Espiando lagunas con satlites. Los colores delatan su estructura
Cantidad de variables 2 5
Varianza extrada 100 % 63,54 %
Redundancia Total 63,93 % 51,60 %
Un modelo de Red Neuronal Artificial imita el proceso fsico de aprendizaje del cerebro humano.
Este modelo est compuesto por neuronas artificiales, que emulan a las neuronas biolgicas y las
conexiones sinpticas entre ellas, regulndolas en el proceso de resolucin de un problema. No
presenta inconvenientes si existe un gran nmero de variables en juego y su no linealidad le
permite analizar sistemas complejos. Una vez que el sistema est entrenado, la red permite
procesar informacin imprecisa, generalizar respuestas conocidas a situaciones nuevas y predecir
resultados.
Copiando el modo de aprendizaje de una persona, para que la red conozca las conexiones correctas,
debe entrenarse con un gran nmero de ejemplos. Para ello se le entregan grupos de datos de
entrada acompaados de los datos de salida esperados. Las vinculaciones con las neuronas
ubicadas en la denomina capa oculta de neuronas van tomando diferentes pesos y van
educndose en funcin de la salida que se les pide, modelando relaciones complejas entre
variables. El sistema es de ida y vuelta, para permitir realmente que se eduque la red. La
visualizacin de dicha etapa se logra mediante el anlisis del error. Si este se hace asinttico y
cada vez ms pequeo, la red estar lista para introducirle nuevos datos de entrada y obtener
predicciones respecto de las salidas.
133
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
En este trabajo se utiliz una RNA con alimentacin hacia delante denominada
Perceptrn Multicapa y la misma fue entrenada con el algoritmo llamado Back
Propagation, el cual se basa en un procedimiento de aprendizaje supervisado.
Siguiendo la clasificacin obtenida de las lagunas a partir de las imgenes
satelitales, se educ a la RNA considerando como datos de entrada las bandas 2
y 4 de las imgenes LandSat 5 y 7, y como dato de salida los valores de clasificacin
obtenidos con los datos a campo. Se prob la red con diferentes cantidades de
etapas de aprendizaje, denominadas pocas, diferentes tasas de aprendizaje y
diferentes nmeros de neuronas en la capa oculta. La mejor arquitectura de Red
se logr con tres neuronas en la capa oculta (figura X.2) y los mejores resultados
con 1.000.000 pocas y tasa de aprendizaje 0,00001.
A partir de la aplicacin del modelo se obtuvo la aproximacin que se observa
en la figura X.3, donde se grafican los valores reales y los obtenidos mediante la
Red utilizando un 80% de los datos para el aprendizaje y un 20% para predecir.
La lnea vertical indica la separacin de datos entre entrenamiento y prediccin.
Los resultados obtenidos fueron analizados contrastando los valores calculados
por la Red y aquellos propuestos por los datos obtenidos a campo. El anlisis del
error cuadrtico medio de aprendizaje y de prediccin se observa asinttico a los
valores 0,203 y 0,098 respectivamente (figura X.4), correspondientes a valores de
porcentaje de error respecto de los valores enteros de clasificacin propuestos.
134
Espiando lagunas con satlites. Los colores delatan su estructura
Figura X.4. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta.
Tabla X.5. Concentraciones de clorofila-a (mg/m3) y Slidos Totales (mg/L) medidos y calculados para
las lagunas y fechas indicadas.
135
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
Figura X.5. Concentraciones de Slidos Totales Figura X.7. Concentraciones de clorof ila-a
(1/1000 mg/L) medidos (negro punteado) y medidos (punteado negro) y obtenidos del modelo
obtenidos del modelo de RNA (gris lleno) para la de RNA (gris lleno) para la etapa de entrenamiento
etapa de entrenamiento y prediccin. y prediccin.
Figura X.6. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de slidos totales.
Figura X.8. Errores de aprendizaje (izquierda) y prediccin (derecha) para la RNA propuesta para
determinar concentracin de clorofila-a.
136
Espiando lagunas con satlites. Los colores delatan su estructura
Figura X.9. Slidos totales medidos y calculados a travs de la RNA elaborada (izquierda) y rectas de
ajuste con las bandas de confianza y prediccin (derecha).
X.9 muestra una tendencia positiva y una fuerte asociacin entre las variables
mencionadas. Para darle valores a esta tendencia se realiz un anlisis de regresin
lineal simple tomando como variable respuesta ST medidos.
A partir de un anlisis de regresin se obtiene un coeficiente de determinacin
R = 0,9 y una recta de ajuste ST medido = 1,04 ST calculado (p < 0,0001).
El anlisis de residuales indic independencia, normalidad y homogeneidad
de la varianza, lo cual permite aseverar que el modelo de regresin es vlido y que
el 90% de la variacin de ST medido es explicable a travs de ST calculados. En el
anlisis de regresin propuesto para los valores medidos y calculados de clorofila-
a, no se cumplieron los supuestos necesarios para aceptar el ajuste.
3. Conclusiones
El empleo de informacin proveniente de sensores remotos es de gran utilidad
cuando es necesario trabajar con reas extensas. Por esta razn es de inters la
aplicacin de tcnicas adecuadas para el anlisis del territorio bajo estudio y el
desarrollo de una herramienta para la toma de decisiones a nivel regional.
137
Espejos en la Llanura. Nuestras lagunas de la Regin Pampeana, C APTULO X, ROSANA FERRATI ET AL., 2008
138