Anexo

Evaluación de la situación ambiental actual y de riesgos en la pampa de Culpina

Análisis Geoestadístico y procesamiento de datos de sensores remotos

Procesamiento de imágenes LandSat del espectro visible y del infrarojo

Datos del satélite Landsat han sido ampliamente usados para la investigación de sistemas
hidrológicos como cuencas (Meijerink A. 2007). Para la caracterización de la cuenca del rio
Culpina Mayu y de la zona de riego del se ha utilizado imágenes Landsat ortogeoreferenciadas y
sin cobertura de nubes de 30 m de resolución espacial correspondientes al 18 de abril del 2006.
Se ha elegido estas imágenes en razón de que están ortogeorectificadas y están disponibles para
descarga libre de costo en la página del Global Land Cover Facility www.landcover.com. No ha
sido aplicada corrección por efectos atmosféricos porque éstos son insignificantes debido a la
gran altitud de las zonas andinas en Bolivia (Otto M et al 2011).

El procesamiento de imágenes multiespectrales Landsat se basa en las diferentes firmas

espectrales (reflectividad) de los diferentes materiales de la superficie terrestre como ser los
minerales componentes de las rocas, en los rangos del espectro visible e infrarojo de las ondas
electromagnéticas. Los métodos de procesamiento de imágenes multiespectrales incluyen: a)
Métodos de composición “color composite” (CC) en color verdadero de bandas del espectro
visible y composiciones en falso color de bandas de los sectores del visible y del infrarojo. b)
Métodos de operaciones algebraicas entre bandas, siendo la más común la división entre bandas,
procedimiento que es conocido en la literatura como “rationing” y finalmente c) El Análisis de
los Componentes Principales que pertenece a los métodos geoestadísticos de análisis
multivariado y que es conocido en la literatura como “Principal Component Analysis” (PCA). En
la figura 1. se muestra un resumen de los métodos aplicados.

Figura 1. Resumen de métodos aplicados para el procesamiento de imágenes Landsat

Procesamiento de imágenes Landsat

Ortogeoreferenciación

Composición en colores Operaciones entre bandas Análisis de Componentes Principales

1
En el análisis de la cuenca y zonas de riego de la presa El Tranque, se procesa imágenes
multiespectrales Landsat de las regiones visible e infrarojo para tres objetivos principales: a)
Delimitación y caracterización geomorfológica y coberturas de la cuenca y zonas de riego b)
Discriminación litológica local del área de la cuenca y de la zona de riego y c) Estimacion de las
zonas con mayor riesgo de salinización y carbonatación de suelos por evaporación y
precipitación de sales.

Composición en canales Rojo Verde y Azul (RGB)

El procedimiento más simple para efectuar la caracterización superficial general de la cuenca y

zonas de riego de la presa El Tranque consiste en la combinación RGB de tres bandas de
Landsat. Dependiendo de las bandas seleccionadas las combinaciones se denominan en
verdadero ó falso color. En el primer caso se combinan las bandas 3, 2 y 1 en los canales Rojo,
Verde y Azul (RGB por sus iniciales en inglés); sin embargo, esta combinación en color
verdadero tiene limitaciones que no permiten discriminar los diferentes materiales.
Alternativamente se empleará la combinación RGB de las bandas 742, la cual realza diferencias
cromáticas que son similares a la apariencia real. Otras combinaciones posibles son 721 y 543
pero en general el resultado es similar al anterior. En esta etapa aún no se efectúa una
clasificación supervisada (ground truth validation) utilizándose las imágenes resultantes
únicamente para un reconocimiento general de la zona de estudio.

Discriminación litológica supervisada y Análisis de Componentes Principales

Las metodologías empleadas para discriminar litología comprenden la división selectiva entre
bandas (rationing) y procedimientos geoestadísticos sofisticados como el Análisis de
Componentes Principales. Para establecer superficialmente las fronteras entre las rocas
sedimentarias paleozoicas y los depósitos cuaternarios, se ha utilizado información del sensor
TM del satélite Landsat cuyas imágenes multiespectrales están disponibles en la página web de
Landcover. La imagen seleccionada esta ortogeoreferenciada y no se realizan correcciones
atmosféricas por las condiciones de la zona de estudio (Scheel et al 2011) y por que los
procedimientos basados en división entre bandas minimizan el efecto atmosférico. El programa
usado para el procesamiento es el módulo ArcMap de ArcGis 9.3 recurriéndose a procedimientos
y recursos estratégicos propios del análisis digital de imágenes, con el soporte de la información
de campo y los antecedentes bibliográficos disponibles.

Sobre la base de los antecedentes generales, se trabajó en la búsqueda de diferencias litológicas,

procedimiento que se basa en la firma espectral (reflectividad) característica de los minerales
componentes de las rocas en el espectro de las ondas electromagnéticas de las bandas Landsat
según se aprecia en la figura 3.3. (Wilford J. et al 2002).

2
 Figura 2 Firmas espectrales de algunos materiales (Según Wilford J. et al 2002)

El Análisis de Componentes Principales es un método de reducción de variables basado en las

relaciones entre dichas variables que se expresan a través de la covarianza. El análisis de datos
multivariados desempeña un rol clave en el análisis de datos y consiste en un conjunto de
diferentes atributos o variables anotadas en cada observación. El espacio hiperdimensional es
difícil de visualizar, por lo tanto, es útil simplificar atributos multivariados a un máximo de dos o
tres, de tal manera que puedan ser mostrados en forma gráfica con un mínimo de pérdida de
información. El método del Análisis de Componentes Principales simplifica variaciones de un
conjunto multivariado correlacionado en otro de componentes no correlacionados, cada uno de
los cuales es el resultado de la combinación linear de las variables originales. (Davis J. 1973).

Solo unos pocos de los primeros componentes principales contienen la mayor parte de las
variaciones de los datos originales. En razón de que el primer componente principal contiene las
variaciones compartidas por todos los atributos, resulta ser una mejor estimación que los
promedios simples o ponderados de las variables originales. En la tabla 1 se presenta la matriz de
covarianza del Análisis de Componentes Principales de bandas 1, 2, 3, 4, 5 y 7.

3
 Tabla 1. Matriz de covarianza del Análisis de Componentes Principales de bandas 1, 2, 3,
4, 5 y 7 de Landsat.

1 2 3 4 5 7
1 S11 S12 S13 S14 S15 S17
2 S21 S22 S23 S24 S25 S27
A= 3 S31 S32 S33 S34 S35 S37
4 S41 S42 S43 S44 S45 S47
5 S51 S52 S53 S54 S55 S57
7 S71 S72 S73 S74 S75 S77

Donde la varianza Sxy para las bandas X y Y se calcula usando la conocida fórmula de
covarianza.
𝑛
1
𝑆𝑏𝑎𝑛𝑑𝑎𝑠 𝑋,𝑌 = 𝑆𝑋𝑌 = ∑[ (𝑋𝑖 − 𝑋̅). (𝑌𝑖 − 𝑌̅ )]
𝑛
𝑖=1

Los eigenvalores l y eigenvectores X asociados a la matriz de covarianza A se calculan con la

ecuación 3.2. Los eigenvalores y eigenvectores asociados a unos pocos de los primeros
componentes principales contienen la mayor parte de las variaciones de los datos originales
(Davis J. C. 1973); mayor información respecto al Análisis de Componentes Principales puede
encontrarse en la bibliografía de geoestadística y análisis multivariado.

𝐴𝑿 = 𝜆𝑰𝑿

Las arcillas están compuestas de minerales como la montmorrillonita Ca 0.165Al2.33Si3.67O10(OH)2,

kaolinita Al2Si2O5(OH)4, Illita K0.6Mg0.25Al2.3Si3.5O10(OH)2, clorita Mg5Al2Si3O10(OH)8, etc.
todos los cuales contienen iones oxidrilos que determinan una firma espectral característica. Esta
cualidad permite efectuar un análisis espectral para diferenciar estos materiales por su alta
absorción en la banda 7 y una alta reflectividad en la banda 5; por tal motivo, se aplica la razón
entre las bandas 5 y 7 para caracterizar minerales aluminosilicatos (Anzil P. et al 2010; Wilford
J. et al 2002; Al Rawashdeh S. et al 2006).

Debe notarse que se utiliza la banda 5 para efectuar el cociente entre bandas porque la mayoría
de las rocas y suelos tienen su máxima reflectividad en esta banda. Por otro lado, la adición de
las bandas 7 y 1 permite resaltar rocas ricas en sílica (Wilford J. et al 2002).

Las rocas sedimentarias paleozoicas lutitas, limolitas, cuarcitas ubicadas en la zona de la cuenca
presentan en general una alta reflectividad en la banda 5 por lo que se puede aplicar el cociente
entre las bandas 5 y 4.

4
Resultados

Se ha efectuado el Análisis de Componentes Principales de bandas LanSat y se ha combinado el

primer, tercer y segundo componente en los canales rojo, verde y azul (ver figura 3) con el
objetivo de resaltar los aspectos distintivos de la geomorfología, litología y cobertura de la
superficie terrestre en la zona de la cuenca y la pampa de Culpina. Es notable el abanico aluvial
de la zona norte de la laguna, mismo que ayuda a comprender la dinámica hidrogeológica e
hidrogeoquímica de este sector de la Pampa. La presencia de arcillas en la parte distal del
abanico es perfectamente compatible el sistema deposicional de este tipo de elementos
geomorfológicos (ver figura 4).

Se efectuó operaciones entre bandas en búsqueda de información específica según la

metodología descrita por Wilford y Creasey (2002); siguiendo los siguientes procedimientos:
Primero calculando el Segundo Componente Principal de la división de bandas 4/3 y 5/7 para
distinguir sectores con alto contenido de arcillas (aluminosilicatos), Los resultados son los
siguientes: En la figura 4 se observa zonas más oscuras que representan una presencia
preponderante de suelos arcillosos que caracterizan el comportamiento hidrogeológico de los
suelos de estos sectores. Es notable la presencia de arcillas como material fino en la parte distal
del abanico aluvial ubicado al norte de la laguna; este aspecto determina la presencia de arcillas
en el sector al norte de la laguna y en los sectores de cultivo.Asimismo se observan arcillas en la
parte alta de la cuenca, lo cual explica por supuesto la presencia de solidos suspendidos que
caracterizan a las aguas turbias que llegan a la presa.

La adición de las bandas 7 y 1 permitió resaltar sedimentos ricos en sílice en la parte proximal y
distal de los abanicos que convergen al sector de la laguna (ver figura 5) lo cual es compatible
con el sistema deposicional de este tipo de elementos geomorfológicos.

El flujo de energía y humedad en las capas más someras de los sedimentos de estos sectores
determina un proceso continuo de evaporación, el cual esta asociado al incremento de la
concentración los iones Cl-, SO42-, Na+, NO3-, HCO- y CO3-2; mientras que las concentraciones
de Ca2+, K+ y Mg2+ de la humedad remanente son muy bajas debido a la precipitación de
carbonatos y aluminosilicatos. El incremento de los iones indicados sigue hasta alcanzar el índice
de saturación para las fases en equilibrio correspondientes.

Esto tiene importantes consecuencias para la pampa de Culpina, pues significa que el trasvase de
aguas a esta cuenca endorreica acelerara el proceso de salinización en las capas someras por lo
que se debe tomar con mucha precaución la idea del trasvase de aguas desde cuencas vecinas. En
la figura 6 se puede observar las áreas con mayor riesgo de salinización que es el riesgo más
importante para la actividad agropecuaria en la pampa de Culpina (ver figura 7)

5
 Figura 3. Identificación de los componentes relevantes y aspectos distintivos de la
geomorfología, litología y cobertura de la superficie terrestre en la zona de la cuenca y la
pampa de Culpina

Abanico aluvial de la
Pampa de Culpina

6
Figura 4. Segundo Componente Principal de la división de bandas 4/3 y 5/7 para distinguir
sectores con alto contenido de arcillas (aluminosilicatos)

Transporte de sedimentos
arcillosos a la presa El
Tranque y a la zona de riego

7
Figura 5 Adición de bandas LandSat 7+1 para la identificación de sedimentos con
contenido de sílice.

Sedimentos con
contenido de sílice

Abanico aluvial de la
Pampa de Culpina

8
Figura 6 Quinto Componente principal que muestra zonas con proceso acelerado de
salinización

9
Figura 7. Índice de Salinidad Modificado SQRT [(ETM3)² +(ETM4)²] en la pampa de
Culpina

10
Eigenvectores del Análisis de Componentes Principales

Los valores siguientes muestran los resultados del análisis factorial de Componentes Principales:

Eigenvalores

3342.57 182.48 32.20 8.82 7.10 3.21

Eigenvectores

1 2 3 4 5 6

1 0.20315 0.35201 -0.09299 0.63893 0.36271 0.53515

2 0.29386 0.47172 -0.14655 0.28581 -0.03316 -0.76607

3 0.44311 0.50778 -0.05655 -0.45212 -0.46812 0.34505

4 0.38794 0.02408 0.78251 -0.20233 0.43497 -0.08037

5 0.56040 -0.56194 0.09572 0.39076 -0.45614 0.01616

6 0.45988 -0.28173 -0.58753 -0.33472 0.50094 -0.03124

Como se puede observar en los eigenvalores, el primer componente contiene las del 90% de la
información de las bandas. No obstante, por ejemplo el quinto componente presenta un valor alto
de correlación positiva para la bandas 7 y 1 de lo cual se puede usar este resultado para rastrear
suelos con sílice. Asimismo, la gran diferencia entre las bandas 3 y 4 determina que pueda usarse
para la diferenciación de áreas con elevada salinidad con los índices de salinidad siguientes:

SI(Salinity_Index) = SQRT (ETM3 * ETM4) (3)

NDSI = (ETM3 – ETM4) / (ETM3 + ETM4) (4)
IS_Modified = [SQRT (ETM3)² +(ETM4)²] (5)
VSSI = 2 * ETM2 – 5 * (ETM3 + ETM4) (6)
Brightness_Index = SQRT [(ETM3)² + (ETM4)² ] (7)
Salinity Ratio = (ETM3 – ETM4) / (ETM2 + ETM4) (8)

Conclusiones

Un posible trasvase de aguas a la cuenca endorreica de la pampa de Culpina acelerara el proceso

de salinización en las capas someras por lo que se debe tomar con mucha precaución la
posibilidad del trasvase de aguas desde cuencas vecinas. Los flujos de energía y humedad
involucrados en la evaporación en las capas someras del suelo de la pampa determinan un
proceso de precipitación de sales que se van acumulando gradualmente.

11