Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Informe Final
Proyecto: “Estudio para la generación de un modelo
predictivo de residuos en 3 playas de Chiloé,
mediante Teledetección Cuantitativa (PRED-RES
Chiloé)” PREDRES Chiloé”
31 de Agosto de 2017
2
Elaborado por:
Laboratorio para el Análisis de la Biosfera
Universidad de Chile
CONTENIDO 1. RESUMEN ............................................................................................................................................................... 5
2. RESUMEN EXTENDIDO ..................................................................................................................................... 6
3. INTRODUCCIÓN ................................................................................................................................................... 8
3.1. OBJETIVOS ................................................................................................................................................. 12
Objetivo General ............................................................................................................................ 12 3.1.1.
Objetivos específicos ................................................................................................................... 12 3.1.2.
4. ÁREA DE ESTUDIO ........................................................................................................................................... 13
5. MÉTODOS ............................................................................................................................................................ 14
5.1. Recopilación de información ............................................................................................................. 14
Bibliografía y en terreno ............................................................................................................ 14 5.1.1.
Tratamiento de muestras RAM ............................................................................................... 16 5.1.2.
Gestión actual de RAM ................................................................................................................ 22 5.1.3.
5.2. Programación satelital ......................................................................................................................... 24
Descripción y comparación de satélites .............................................................................. 24 5.2.1.
Bandas espectrales ....................................................................................................................... 25 5.2.2.
5.3. Procesamiento satelital de WV3....................................................................................................... 25
Calibración radiométrica ........................................................................................................... 26 5.3.1.
Análisis geoespacial y delimitación del borde costero .................................................. 26 5.3.2.
Clasificación digital no supervisada de RAM ..................................................................... 27 5.3.3.
Clasificación supervisada de RAM ......................................................................................... 27 5.3.4.
5.4. Validación .................................................................................................................................................. 29
Métricas de error de la modelación predictiva de RAM ............................................... 29 5.4.1.
Puntos espaciales referenciales .............................................................................................. 31 5.4.2.
Validación en playa limpia ........................................................................................................ 31 5.4.3.
Estimación de masa RAM en playas sumidero ................................................................. 31 5.4.4.
6. RESULTADOS ..................................................................................................................................................... 34
6.1. Recopilación de información ............................................................................................................. 34
Bibliográfica y en terreno .......................................................................................................... 34 6.1.1.
Tratamiento de muestras RAM ............................................................................................... 43 6.1.2.
Gestión actual de RAM ................................................................................................................ 54 6.1.3.
6.2. Programación satelital ......................................................................................................................... 62
Descripción y comparación de satélites .............................................................................. 62 6.2.1.
4
Bandas espectrales ....................................................................................................................... 63 6.2.2.
6.3. Procesamiento satelital de WV3....................................................................................................... 66
Calibración radiométrica ........................................................................................................... 66 6.3.1.
Análisis geoespacial ..................................................................................................................... 66 6.3.2.
Clasificación digital no supervisada ...................................................................................... 70 6.3.3.
Clasificación supervisada .......................................................................................................... 72 6.3.4.
6.4. Validación .................................................................................................................................................. 81
Puntos espaciales referenciales .............................................................................................. 81 6.4.1.
Validación en playa limpia ........................................................................................................ 83 6.4.2.
Estimación de masa RAM en playas sumidero ................................................................. 84 6.4.3.
7. DISCUSIÓN .......................................................................................................................................................... 85
8. CONCLUSIÓN ...................................................................................................................................................... 88
9. BIBLIOGRAFÍA ................................................................................................................................................... 89
10. ANEXOS ........................................................................................................................................................... 99
10.1. Firmas espectrales adicionales .................................................................................................... 99
10.2. Encuestas ........................................................................................................................................... 101
10.3. Análisis de problemática ............................................................................................................. 105
10.4. Resultados encuestas .................................................................................................................... 106
10.5. Registro previo y posterior a limpieza de playas .............................................................. 110
10.6. Material complementario ............................................................................................................ 111
5
1. RESUMEN
Los Residuos Antropogénicos Marinos (RAM) corresponden a cualquier elemento artificial
que flota en el mar y puede varar en tierra. Los RAM tiene un origen no precisado y las rutas
de desplazamiento están determinadas por mareas, vientos y corrientes marinas, generando
un escenario aleatorio de su varamiento en las playas, acumulándose en zonas naturales que
podrían afectar los más variados ecosistemas. El objetivo del proyecto titulado “Estudio para
la generación de un modelo predictivo de residuos en 3 playas de Chiloé, mediante
teledetección cuantitativa” (“PREDRES Chiloé”) corresponde a la generación de un modelo
predictivo de RAM en 3 playas de Chiloé a través de imágenes satelitales. Para esto, se
desarrollaron 5 campañas de terreno recorriendo más de 300 km de playas e identificando las
playas sumidero de Detif, Punta Cuem-Mallil y Punta Apabón. En estas tres playas se
recolectaron más de 200 muestras de RAM así como superficies naturales (e.g. arena, piedras,
algas). Las muestras RAM fueron caracterizadas para la determinación física correspondiente
a volumen, densidad y peso. Posteriormente, se caracterizó la firma o huella espectral de las
muestras RAM y superficie naturales a través de tres equipos hiperespectrales con los
espectroradiómetros PS-300 Apogee, TerraSpec 4 Hi-Res y el equipo adaptado para minería
Hylogger-3 del Advanced Minning Technology Center (AMTC) de la Universidad de Chile. Esto
generó una librería espectral con más de 2.000 espectros de muestras RAM. Esta librería fue
procesada con el fin de definir las bandas espectrales más sensibles para alimentar un modelo
de clasificación y predicción de residuos RAM utilizando imágenes satelitales. Se evaluaron 6
tipos de imágenes satelitales variando su resolución espacial y espectral entre pixeles de 250
x 250 m a 0,3 x 0,3 m, provenientes de los satélites MODIS, Landsat 8, Sentinel-2, RapidEye,
Pleiades y WorldView-3 (WV3). El modelo predictivo consistió en una secuencia de
clasificaciones no-supervisadas, supervisadas e integradas con librerías espectrales aplicado
sobre las playas sumidero Punta Cuem-Mallil y Detif, las cuales fueron seleccionadas como
playas de entrenamiento. La validación consistió en la cuantificación in-situ del peso de cada
pixel clasificado como “Basura” a través de una grilla de 300 puntos desplegada en las playas
identificadas previamente. Adicionalmente, se desarrolló un análisis de foto digital antes y
después de la recolección de basura.
Los resultados muestran que las imágenes WV3 presentan los mejores resultados debido a su
combinación de detalles espaciales y espectrales. La precisión de la clasificación con WV3 fue
determinada, en promedio, de un 80% para todas las las playas piloto. Los valores másicos
por playa correspondieron a 9,63 Ton, 29,25 Ton y 11,8 Ton para Punta Cuem, Detif y Punta
Apabón, respectivamente. Los resultados anteriores demuestran que la utilización de técnicas
basadas en teledetección cuantitativa permite identificar playas con potencial existencia de
RAM aunque solo es posible cuantificar el plumavit como un material RAM específico. Una
clasificación hiperespectral con mayor detalle espacial (e.g. 5 cm) podría mejorar los
resultados separando los distintos tipos de basura e identificando su origen domiciliario o
productivo.
6
2. RESUMEN EXTENDIDO
Los Residuos Antropogénicos Marinos (RAM) corresponden a todos aquellos objetos
generados de forma artificial y que se encuentran en los océanos. En su gran mayoría, estos se
encuentran depositados en el fondo marino aunque un porcentaje significativo se encuentra
flotando en la columna de agua y en la superficie. Los RAM que flotan en la superficie son los
que varan en playas o costas debido al arrastre producido por las mareas, vientos y corrientes
marinas. La cantidad de RAM que puede hallarse en una playa depende especialmente de la
exposición de ésta (e.g. Norte, Noreste) y la cercanías a fuentes contaminantes, encontrándose
costas sumidero por sus condiciones geográficas al recibir una gran cantidad de RAM.
Cada centro de cultivo debe mantener la limpieza de la playa ubicada frente a su área de
concesión según la normativa vigente, sin embargo no se establece el límite y extensión
geográfica, generándose situaciones opuestas entre playas que son frecuentemente limpiadas
y otras, que resultan ser sumidero de la mayor cantidad de RAM que se encuentran en el
océano. Actualmente, las campañas de limpieza se realizan mediante acciones conjuntas entre
públicos y privadas en el marco de programas de responsabilidad social. Sin embargo, no
existe un mecanismo que permita identificar las playas contaminadas y menos aún, la
cantidad de RAM y frecuencia de contaminación que posee.
La teledetección permite identificar de forma remota la cantidad de RAM que se encuentran
en diferentes playas a partir de la huella espectral de estos elementos. Esta huella permite
caracterizar el tipo de RAM como plumavit y poder identificar la superficie de arena cubierta
por basura. Esta estimación superficial puede ser extrapolada a un valor másico a partir de la
densidad superficial propia del tipo de RAM, generando un mapa que podría ser utilizado para
mejorar la gestión de residuos considerando aspectos logísticos y volumen previsto por la
herramienta.
El objetivo del proyecto titulado “Estudio para la generación de un modelo predictivo de
residuos en 3 playas de Chiloé, mediante Teledetección Cuantitativa (PRED-RES Chiloé)” es
generar un modelo predictivo de RAM mediante su clasificación digital en imágenes
satelitales. Para esto, se seleccionaron diferentes sensores satelitales con distintas
resoluciones espaciales y espectrales para determinar la mejor combinación para identificar
RAM en las playas sumidero. Estas playas fueron definidas según los informes de acumulación
de RAM elaborados por DIRECTEMAR (2014 y 2016), en conjunto con visitas a terrenos
(tanto por tierra como por mar) a diferentes playas con el apoyo de la Gobernación Marítima
y DIRECTEMAR. Las playas identificadas como sumideros corresponden a Punta Apabón, Detif
y Punta Cuem-Mallil. Estas playas fueron configuradas en una programación satelital con el fin
de adquirir imágenes satelitales entre 0,3 m de resolución espacial de pixel hasta 250 m.
En terreno se colectaron más de 150 muestras de RAM correspondientes a 10 tipos de
plumavit según su estado de degradación, plásticos varios, boyas plásticas, cabos, cuerdas y
todo aquel RAM que superara una cobertura de 0,5 m2 y tuviera una preponderancia espacial
repetitiva en las playas de estudio. Estas muestras fueron sometidas a un riguroso análisis de
7
laboratorio caracterizando sus propiedades físicas y la huella espectral utilizando un equipo
de última generación denominado HyLogger 3, único en Sudamérica.
El modelo predictivo de residuos en las playas consistió en la aplicación de métodos de
clasificación digital supervisada utilizando además la huella espectral de plumavit y una
combinación de RAM representativa a la clase de basura. Es importante destacar que los
residuos que pueden ser identificados en la superficie de la playa no son atribuibles a ningún
tipo de actividad económica o domiciliaria en particular, ya que solo se identifican aquellos
RAM que están sobre la playa sin tener ninguna relación con el lugar de dónde provengan. El
modelo predictivo utiliza una secuencia de clasificación digital el cual fue calibrado y validado
en la playa de Punta Cuem-Mallil y evaluado en las playas de Detif y Punta Apabón. Como
testigo de playa limpia, se utilizó la playa Matao en la cual se encuentran residuos muy
aislados y otros materiales destinados a ciertas actividades acuícolas.
El modelo predictivo fue validado mediante una campaña de estimación del peso real de
basura y plumavit en la playa Punta Cuem-Mallil, midiendo el peso de RAM dentro de una
grilla equivalente al área medida por cada pixel y registrando más de 300 puntos de
validación en terreno. En esta validación, se pudo constatar que gran parte de los RAM se
encuentran sepultados bajo la superficie. Este monto de basura no puede ser estimado por las
imágenes satelitales ya que solo miden en superficie, además, los RAM encontrados bajo los
árboles, cuevas o áreas no visibles por las imágenes satelitales no fueron consideradas para la
validación.
Los resultados más importantes de este proyecto permitieron establecer la factibilidad
técnica para identificar RAM mediante imágenes satelitales, precisamente el plumavit y
basura en general, sobre las playas de Chiloé analizadas en este trabajo. Las imágenes
satelitales de mayor precisión corresponden a las entregadas por el satélite WorldView – 3
con un detalle espacial de 0,3 a 1,2 m de resolución por pixel. Si bien es cierto, estas imágenes
pueden tener un costo de hasta 56USD/km2, presentan una precisión en la estimación de RAM
por sobre el 80%. Por otra parte, las estimaciones de peso equivalente de plumavit y basura
varían entre 10 a 30 toneladas según la playa. Estos resultados pueden ser utilizados para
optimizar la gestión de RAM ya que la mayor parte de estos pueden ser reciclados debido a su
origen plástico o del tipo plumavit.
Este proyecto demuestra que la problemática de los RAM en Chiloé sobrepasa la actual
capacidad por parte de organismos municipales debido de limpieza debido a la superficie,
accesibilidad y el volumen de residuos que se están generando en las playas sumidero. Más
todavía, este proyecto apunta precisamente a la interacción público-privada para la
generación de acuerdos en la identificación y recolección de basura en las playas de Chiloé así
como un posible cambio en la normativa sectorial que aborde de forma integrada el manejo de
Residuos Antropogénicos Marinos.
8
3. INTRODUCCIÓN
Desde el polo norte al polo sur, en las costas, estuarios y marismas, en las superficies de los
océanos y más aún en sus profundidades, los residuos antropogénicos marinos (RAM) se han
esparcido y acumulado (Thompson et al., 2009; Woodall et al., 2014). Los RAM se definen
como “cualquier material persistente o procesado, que se haya descartado, dispuesto o
abandonado, en el ambiente marino o costero”, y como tal, le concierne a una multitud de
disciplinas y comunidades (UNEP, 2009; Bergmann et al., 2015; Nelms et al., 2017).
Estimaciones de la composición de los RAM en diferentes regiones del mundo, demuestran
que los plásticos conforman entre el 50% y 90%, dependiendo de la cercanía a las fuentes
contaminantes (Derraik, 2002; Pham et al., 2014; Galgani et al., 2015). Esto se relaciona con la
producción global de plásticos, la cual se ha desarrollado explosivamente en las últimas
décadas, pasando de 5 a 311 millones de toneladas entre 1960 y 2014 (PlasticsEurope, 2012;
PlasticsEurope, 2015).
La zona costera se define como la franja de interacción entre los medios marino y terrestre,
interconectada con las actividades humanas (Cicin-Sain & Knecht, 1998). La amenaza sobre el
medio ambiente marino y costero a causa de la entrada de cuerpos flotantes de procedencia
antropogénica se ha vuelto un tema complejo y preocupante en las últimas décadas y,
consecuentemente, a tratarse como un problema científico al ser temática recurrente en
publicaciones y conferencias (Coe & Rogers, 1997; Ivar do Sul & Costa, 2007).
Las amenazas de los residuos antropogénicos pueden manifestarse en la dimensión ecológica
al suplir el rol ecosistémico de los cuerpos flotantes de origen natural, ya sea por su ingesta
accidental o al promover la dispersión para organismos como larvas y algas por su extensa
durabilidad comparada (Hinojosa et al. 2011; Rothausler et al., 2009; Ibrahim et al. 2015). En
la dimensión socioeconómica, los principales impactos se materializan en las actividades
pesqueras y turísticas, afectando económicamente el costo oportunidad que implica dedicar
tiempo a la limpieza de instrumentos pesqueros. Además, afecta directamente a la percepción
pública de la calidad del medio ambiente, poniendo en peligro las economías locales que
dependen casi exclusivamente del turismo. Para los gobiernos locales (Municipalidades)
afecta en la creación y mantenimiento de programas de limpieza de costas (Thompson et al.
2011).
Los impactos de los RAM incluyen daños a la salud humana (Rochman & Browne, 2013),
múltiples perjuicios a la fauna silvestre incluyendo la muerte (ICC, 2009; Hardesty et al., 2015;
Gall & Thompson, 2015; Unger et al., 2016; Holland et al., 2016), potencial transporte de
contaminantes orgánicos e inorgánicos (Barnes, 2002; Barnes & Milner, 2005; Nelms et al.,
2017) y pérdida de valor estético y de no-uso, al disponerse en playas y otros espacios
públicos y turísticos marinos (Chesire et al., 2009). En la actualidad, aún es incierto el impacto
que posee la contaminación marina a largo plazo en el deterioro de los ecosistemas y en la
pérdida de biodiversidad (Hyrenbach & Kennish, 2008; Mouat et al., 2009). Sin embargo, se
considera uno de los principales factores que podrían colapsar la salud de los océanos
(Chesire et al., 2009; ICC, 2009).
9
En Chile, se han realizado diversos estudios que identifican, cuantifican o describen los RAM
en playas y aguas costeras, denotando que los residuos marinos constituyen un problema a lo
largo de toda la costa nacional (Bravo et al., 2009; Hinojosa & Thiel, 2009; Hinojosa et al.,
2011; Hidalgo-Ruz & Thiel, 2013). Varios de los estudios destacan la abundancia de plásticos
encontrados, ya sea por su presencia en todos los puntos estudiados (Bravo et al., 2009) o por
comprender más del 80% de los RAM observados (Bourne & Clarke, 1984; Thiel et al., 2003;
Ivar do Sul & Costa, 2007; Hinojosa & Thiel, 2009). También destacan que las abundancias y
composiciones de los RAM encontrados en el sur de Chile, se relacionarían directamente con
las actividades acuicultoras del sector (Hinojosa & Thiel, 2009; Hidalgo-Ruz & Thiel, 2013). El
establecimiento y mantención de la acuicultura conlleva un uso de plásticos en forma de
cuerdas, flotadores y boyas en el océano (Astudillo et al., 2009). Parte de estos objetos se
separan de las estructuras de flotación para desplazarse largas distancias (Jara & Jaramillo
1979; Thiel et al. 2003; Astudillo et al., 2009). Su desplazamiento depende de los efectos de las
corrientes oceánicas y vientos, además del tiempo de flotación de cada objeto, usualmente
mermado por la penetración de agua, incrustaciones biológicas y el varamiento en playas
(Gregory & Andrady, 2003; Fujieda y Sasaki, 2005; Astudillo et al., 2009).
En la Región de Los Lagos, el rápido desarrollo de la acuicultura iniciado en 1980, ha tenido
diversos efectos secundarios no deseados, entre ellos la contaminación de las playas con RAM,
especialmente en Chiloé (Kiessling et al., 2017). Acorde a los reportes de DIRECTEMAR (2014
y 2016), en las playas del mar interno de Chiloé, existen 141,8 km lineales de sectores
costeros afectados por RAM, con presencia mayoritaria de boyas de poliestireno expandido
(plumavit), cuerdas plásticas y restos de redes o mallas provenientes de la acuicultura.
Actualmente en la región se mantiene el 39% de la producción de salmónidos (Salmo salar,
especie exótica al ecosistema marino de Chiloé) y el 99,9% de la producción de mitílidos
(Mytilus chilensis) a nivel nacional (Hinojosa & Thiel, 2009; SERNAPESCA, 2015),
convirtiéndola en la región con mayor intensidad y densidad de salmonicultura y miticultura
en Chile. Lo anterior coincide con los volúmenes de RAM encontrados en las playas de Chiloé,
inmersas en un territorio de intensa actividad acuícola (Hinojosa & Thiel, 2009; Ivar do Sul &
Costa, 2007; Hidalgo-Ruz & Thiel, 2013).
En la dimensión legislativa existen algunas normativas que hacen referencia a los desechos
marino, como la Política Nacional de Uso del Borde Costero, al tener dentro de sus objetivos
generales propender a la protección del medio ambiente marino (D.S. Nº475, 1994), la Política
Nacional de Acuicultura, al proponer la Sustentabilidad Ambiental como uno de los ejes de la
actividad (SUBPESCA, 2003), y el Reglamento Ambiental para la Acuicultura (RAMA), que
intenta evitar la disgregación de los elementos flotantes (D.S. Nº320, 2001).
Las instituciones nacionales que tienen labores administrativas relacionadas con el resguardo
del medio marítimo son la Dirección General del Territorio Marítimo y Marina Mercante
(DIRECTEMAR) (D.F.L. 292, 2002), dependiente de la Armada de Chile, el Ministerio de Medio
Ambiente y la Superintendencia del Medio Ambiente (SMA, Ley 20.417), la Subsecretaría de
Pesca y Acuicultura (SUBPESCA) y el Servicio Nacional de Pesca y Acuicultura (SERNAPESCA)
(D.L. 2442, 2012), ambos dependientes del Ministerio de Economía. La fiscalización en el
10
cumplimiento de la normativa vigente es parte de las atribuciones de la SMA, SERNAPESCA y
DIRECTEMAR (D.S. 290, 2015). Además, existen diversas instancias que son capaces de
administrar y manejar el borde costero y las actividades que ahí se realicen, como las
Comisiones Regionales de Uso de Borde Costero (D.S. 475). A nivel local, se cuenta con los
Planes de Desarrollo Comunal (PLADECO), utilizados para la evaluación del compromiso de
estas unidades administrativas frente a los desechos costeros y manejo de residuos. Además
del inmenso conocimiento de las comunidades locales y pescadores que han vivido por años
en el sector costero y que al considerarse, pueden entregar información extremadamente
valiosa en el diseño de planes para la gestión y manejo de los residuos generados por
actividades artesanales e industriales, incluyendo experiencias en riesgos y propuestas de
ordenamiento territorial considerando los usos tradicionales de las playas (Schafer & Girondi,
2008; Barnett et al. 2016; Kiessling et al. 2017).
Las organizaciones privadas y no gubernamentales que se encargan de aunar y representar a
personas y grupos que se dedican a actividades productivas en ambientes marinos y costeros,
son la Asociación de Mitilicultores de Chile A.G. (AmiChile) y la Asociación de la Industria del
Salmón de Chile A.G (SalmonChile). Con la finalidad de fomentar estrategias asociativas de
gestión productiva y ambiental para incrementar la eficiencia, la productividad, reducir los
riesgos y minimizar los impactos negativos de procesos productivos, es que el Gobierno de
Chile crea en el año 2000 el Consejo Nacional de Producción Limpia (CPL), dependiente de la
Corporación de Fomento de la Producción (CORFO) y presidido por el Ministro de Economía
(CORFO, 2008). El principal instrumento utilizado por el CPL son los Acuerdos de Producción
Limpia (APL), que buscan, entre otras cosas, apoyar la creación de mercados de servicios
tecnológicos de producción limpia y forjar convenios entre el sector privado e instituciones
públicas con relación al APL (INN, 2009).
La Isla grande de Chiloé, en la Región de Los Lagos, presenta notorias diferencias físicas entre
costa oriente y poniente, teniendo la primera de ellas condiciones de protección de los vientos
y tormentas provenientes del oeste, tendiendo así el predominio de asentamientos humanos
en esta región y, por tanto, el mayor índice de actividades productivas (Andrade et al., 2000).
La actividad económica de pesca y acuicultura es la que cuenta con mayor presencia en la
provincia de Chiloé (23,1%) (CET, 2011), con un total de 2.232 concesiones para acuicultura
(SERNAPESCA, 2014), concentradas en la costa oriental debido a su clasificación como ‘Área
Apropiada para el ejercicio de la Acuicultura (AAA)’ (SERNAPESCA, 2017). Estas últimas
representan el 68% de las concesiones a nivel nacional, siendo las principales los salmónidos
con un 45,9%, seguidos por el cultivo de mitílidos (SERNAPESCA, 2016). El marco legal de la
actividad acuícola se encuentra regulado por la Ley Nº18.892 y el D.S. 290, donde se declara
que el beneficiado por la concesión debe hacerse cargo de la limpieza y equilibrio ecológico de
la zona concedida. Aun así, respecto a los residuos generados como boyas a la deriva, piezas
de plumavit y elementos flotantes en general, no existe normativa para el manejo de estos
residuos y existe un reciente mercado formalmente establecido a través de la exportación de
plumavit a países como China.
11
Por otra parte, la vastedad de las áreas potencialmente acumuladoras de RAM, incluyendo
islas inhabitadas y aisladas geográficamente, exigen el desarrollo de métodos de estimación
refinados y ampliamente aplicables (Convey et al., 2002; Morishige & McElwee, 2012). Los
métodos para estimar cantidades y distribuciones de RAM se pueden agrupar en las
siguientes categorías: reconocimiento en playas, reconocimiento desde embarcaciones,
muestreos con redes de arrastre, reconocimiento por buceo y reconocimiento por percepción
remota satelital o aérea (Brainard et al., 2000). La aplicación de éstos requieren una
considerable cantidad de recursos económicos y logísticos, y a excepción de la percepción
remota, están limitados en cobertura espacial y resolución temporal (Pichel et al., 2012;
Driedger et al., 2015; Morishige & McElwee, 2012; Brainard et al., 2000).
La percepción remota se define como la adquisición de datos físicos provenientes de un objeto
sin contacto (Lintz & Simonett, 1976), y en sentido amplio, como la detección y registro de la
radiación electromagnética de un área de estudio a distancia (Campbell & Wynne, 2011);
posee el potencial de sobrepasar las limitaciones espaciales y temporales de los otros
métodos, volviéndola ampliamente aplicable para el estudio de RAM en Chiloé. Sin embargo,
no se ha desarrollado extensamente en la detección de RAM en ambientes marinos (Pichel et
al., 2012; Driedger et al., 2015), y las resoluciones espaciales, temporales y espectrales, se
limitan entre ellas y significan un costo para los estudios (Mace, 2012). Los expertos en
percepción remota enfatizan la necesidad de refinar los algoritmos de detección, los cuales se
utilizan para distinguir los RAM del ambiente en el que están inmersos; además, remarcan que
el costo-eficiencia de los sensores remotos debe ser evaluado en conjunto a la detección, con
el fin de incrementar la probabilidad de implementación en otras áreas (McElwee &
Morishige, 2010; Morishige y McElwee, 2012).
Las clasificaciones supervisadas con imágenes satelitales se constituyen como uno de los
principales métodos de detección, la cual posee múltiples aplicaciones, entre ellas la
determinación de daños ambientales, monitoreo de usos de suelo, planificación urbana, y
estimación de distribución de especies (Zhong & Zhang, 2012; Michez et al., 2016). Cabe
destacar, que la clasificación supervisada requiere de información que permita la
identificación apropiada de los materiales y/o coberturas (e.g. huella espectral), con el fin de
asegurar el procedimiento de calibración y validación con los datos de entrenamiento (Egorov
et al., 2015).
En Chile, se ha demostrado interés en la protección del medio marino y en los RAM desde
1980 al suscribirse a acuerdos internacionales como la Convención para la Protección del
Medio Marino y el Área costera del Pacífico (CPPS, 1981), y la Convención para la
Conservación de Recursos Marinos Vivos Antárticos en 1993, lo que ha incentivado el
desarrollo de programas de investigación en residuos marinos (Iñiguez et al., 2015). Desde la
misma época se han realizado estudios científicos relacionados a los RAM en el territorio
nacional, los cuales han utilizado preferentemente metodologías de observación directa, ya
sea desde embarcaciones, registro por voluntariados o excursiones investigativas (Ivar do Sul
& Costa, 2007; Bravo et al., 2009; Thiel et al., 2003). Actualmente, es posible constatar que la
Universidad Católica del Norte y el Centro de Estudios Avanzado en Zonas Áridas (CEAZA),
12
son las instituciones que cuentan con mayor número de publicaciones científicas en relación a
la dispersión y manejo de estos residuos, además de contar con programas de educación y
concientización en residuos costeros (Científicos de la Basura, 2017; Leiva, 2009).
Por lo tanto, el objetivo de este proyecto consiste en generar un método de detección de RAM
basado en percepción remota en playas de Chiloé, a través de clasificaciones digitales
supervisadas.
OBJETIVOS 3.1.
Objetivo General 3.1.1.
Para este proyecto, el objetivo general consiste en generar un método de clasificación digital
supervisada para la estimación de residuos marinos en las playas de Chiloé. Adicionalmente
se realizará un diagnóstico sectorial de las experiencias y actores involucrados en el manejo
de residuos costeros. Para cumplir este objetivo, se generarán las siguientes actividades
específicas.
Objetivos específicos 3.1.2.
Generar una librería de firmas espectrales de RAM obtenidos in-situ.
Caracterizar y comparar firmas espectrales de los RAM con datos satelitales.
Desarrollar un modelo predictivo de RAM en las playas de Chiloé.
Analizar la factibilidad de aplicación del modelo a través de validación y costo
eficiencia.
13
4. ÁREA DE ESTUDIO
El área de estudio corresponde a tres playas localizadas en las comunas de Castro, Quinchao y
Puqueldón, pertenecientes a la costa oriental del archipiélago de Chiloé, Región de Los Lagos.
Esta se definió en consideración al acceso, acumulación, orientación y distancia a centros de
cultivo. Esto último es relevante debido a que según la legislación actual, las áreas
circundantes a las concesiones deben mantenerse limpias aunque no se detalla la distancia al
respecto. Además, esta zona ha sido detectada como sector que tiende a la acumulación de
residuos costeros según el área de Medio Ambiente Acuático de la DIRECTEMAR
(DIRECTEMAR 2014; DIRECTEMAR 2016). En la Figura 1 se muestran las playas identificadas
por DIRECTEMAR con elevada concentración de RAM.
Figura 1. Área de Estudio de la isla de Chiloé demarcando las zonas donde DIRECTEMAR
determinó playas afectadas por RAM durante el año 2014 y 2016.
14
5. MÉTODOS
Recopilación de información 5.1.
Con el objetivo de determinar las playas de trabajo en el marco de esta propuesta, se generó
una amplia recopilación bibliográfica a través de informes y publicaciones internacionales con
el fin de determinar las posibles zonas de mayor acumulación de RAM. Así mismo, se visitaron
diversas playas en Chiloé determinando la realidad en terreno y la viabilidad para este
trabajo. Estos datos de terreno corresponden a información clave para validar los datos
satelitales así como la visualización in-situ de las diferentes componentes ambientales de una
playa en términos de las zonas potencialmente acumuladoras de RAM. Tal es el caso de la
franja entre la última línea de marea y la vegetación existente ante un cambio de pendiente en
el terreno. Con la información de terreno se permite calibrar y validar el modelo de
predicción. Sin embargo, y con el objetivo de complementar la información publicada,
diversas entrevistas se realizaron a personas que habitaban cerca de las playas para obtener
primera fuente de información y apreciación respecto a la problemática ambiental sentada en
este proyecto.
Bibliografía y en terreno 5.1.1.
Se visitaron diferentes playas de Chiloé reconociendo los principales tipos de residuos y
actividades económicas cercanas a las playas con mayor acceso vehicular. Adicionalmente, se
visitaron playas mediante barcaza con el fin de determinar posibles playas piloto.
La primera campaña de reconocimiento fue realizada en Enero de 2017 y contempló el
recorrido por las siguientes playas detalladas a continuación. Cabe destacar que estas playas
fueron catalogadas de acuerdo a su distribución geográfica.
A. Playas recorridas
Playas cercanas a Castro:
- Playa Chañihue
- Playa Yutuy
- Playa Punta Pehuque
- Playa Rilán
15
Dalcahue - Isla de Quinchao:
- Playa Punta Chulequehue
- Playa Matao
- Playa Hueñocoihue
- Playa Punta Cuem
- Playa Alto Vargas
- Playa Estero Quinchao
- Playa Huyar Bajo
Isla Lemuy:
- Playa Puqueldón
- Playa Detif
- Playa Punta Apabón
Para la segunda campaña de reconocimiento realizada en Febrero de 2017, se consideró la
identificación de playas de calibración inaccesibles vía terrestre. Para lo cual, se contó con la
ayuda de la Armada de Chile, a través del uso de la embarcación Lancha de Servicios
Generales LSG-Chiloé. (Figura 2)
Figura 2. LSG-Chiloé y equipo de investigación (Castro, 16/02/2017)
En esta campaña se recorrieron vehicularmente las playas Punta Cuem-Mallil y Detif, mientras
que utilizando la embarcación LSG-Chiloé las siguientes:
Playas recorridas en embarcación LSG-Chiloé con la Armada de Chile:
- Playa Punta Apabón
- Playa noreste de Isla Quehuil
- Playa Norte de Isla Chelín
16
Tratamiento de muestras RAM 5.1.2.
A. Tratamiento Físico
De las playas visitadas se recopilaron diversas muestras características de los residuos
antropogénicos marinos varados en playas (e.g. Plumavit, trozos de boyas, cabos, plásticos)
descritos también en el estudio generado por DIRECTEMAR (2014 y 2016). Las muestras de
RAM recolectadas cumplían el criterio de repetitividad espacial, cobertura de superficie
superior a 0,5 m2, peso superior a 100 gramos y depositada en la superficie de la playa. Los
RAM que se encontraron bajo los árboles, en cuevas, terrenos privados colindantes a las
playas, patios de casas, techos, ramas de árboles o cualquier otro lugar, no fueron
considerados como muestras representativas. Así mismo, no fueron colectadas las muestras
de metales encontrados en terreno debido a su respuesta espectral propia de un proceso
oxidativo por sobre las propiedades primarias del metal. Los procesos oxidativos del hierro
pueden alterar las firmas espectrales según la exposición a un ambiente húmedo por lo tanto,
debido al desconocimiento de este tiempo, no se consideró (para este trabajo) la
caracterización de ningún tipo de metal.
En base a las muestras colectadas, se generó una caracterización descriptiva identificando los
puntos geográficos, las propiedades texturales, visuales, densidad, volumen y generando un
respaldo fotográfico in-situ que derivó en un archivo espacial Google Earth “.kmz/.kml”
disponible en archivo digital (Material complementario). Estas muestras luego fueron
analizadas en condiciones controladas en laboratorio para medir la huella hiperespectral con
instrumentos de alta resolución espectral (400-14.500 nm).
A.1. Medición de Densimetría La caracterización física de los materiales RAM se realizó en laboratorio para medir
propiedades nobles como masa y volumen para estimar la densidad de las muestras. Para el
caso de muestras muy grandes como trozos de plumavit o boyas, se trozó una muestra
representativa de menor tamaño. Se utilizó una balanza digital calibrada para obtener la masa
de cada muestra de forma individual. La obtención del volumen se realizó acorde al principio
de Arquímedes, el cual propone medir el diferencial de volumen (cm3) desplazado en una
probeta luego de sumergir la muestra analizada, permitiendo calcular la densidad al dividir el
peso por el volumen medido de la muestra.
A.2. Etapas del protocolo de medición 1. Reducción de tamaño de las muestras (menor a 3x3x3 cm).
2. Medir masa de la muestra en balanza digital calibrada.
3. Medir el volumen desplazado del fluido en la probeta.
4. Calcular densidad (kg/m3)
17
Figura 3. Caracterización física de RAM en laboratorio para estimar masa, volumen y
densidad
B. Adquisición de firmas espectrales
Para la adquisición de firmas espectrales se utilizaron los siguientes instrumentos de
espectroradiometría: (1) PS-300 de APOGEE instruments con tubo colimador y portable para
su caracterización en campo o laboratorio; (2) Terraspec 4 Hi Res de ASD Inc., una tecnología
portable diseñada principalmente para la exploración geológica; (3) Hylogger-3, instrumento
de última generación, único en Sudamérica, que integra un sistema automatizado para la
adquisición y análisis de firmas espectrales de hasta 4 mm de área de cobertura. Abarca las
regiones de longitud de ondas del visible [350-700 nm] e infrarrojo cercano [700-1100 nm]
(VNIR), infrarrojo de onda corta [1100-2500 nm] (SWIR) y finalmente, el infrarrojo termal
[6000-14500 nm] (TIR), además de entregar una imagen a color de alta resolución (Merrill,
2016). El Cuadro 1 presenta un resumen de los instrumentos y sus respectivas características.
18
Cuadro 1. Instrumentos, características y muestra observada por los espectroradiómetros
utilizados.
Instrumento Características Imágenes
PS-300 Range Lab Spectrometer APOGEE instruments
LAB - Universidad de Chile
Rango Espectral: VNIR: 400 – 1000 [nm]. Resolución Espectral:
1,5 [nm] Tubo colimador
TerraSpec 4 Hi-Res Mineral – Spectrometer
ASDInc. Spectrumsoluciones
Rango Espectral: VNIR: 350 - 1400 [nm] SWIR: 1400 - 2500 [nm] Resolución Espectral:
1,5 [nm] Sonda de Reflectancia
HyLogger 3-8 + TSG-Core Spectrometer
HyLogging Systems (CSIRO) AMTC – Universidad de Chile
Rango Espectral: VNIR: 350 - 1400 [nm] SWIR: 1400 - 2500 [nm] TIR: 6000 - 14500 [nm]
Resolución Espectral: 4 y 25 [nm]
Tecnología automatizada.
Es importante destacar que una librería espectral es un repositorio de huellas espectrales
únicas de cada elemento o material con la condición referencial para estudios de laboratorio,
en terreno y satelitales. Adicionalmente, incluye aspectos de forma y metadatos
experimentales como los instrumentos utilizados, el día y hora de adquisición, el tipo de
material y el protocolo o método de adquisición de firmas. A continuación se describe el
proceso de adquisición de firmas espectrales y las distintas etapas de procesamiento, filtraje e
identificación para generar la Librería Espectral de RAM. En el material complementario
entregado junto a este informe, se ubica la carpeta “/Datos/Firmas Espectrales/”, dónde se
ubica la información original (cruda), los datos procesados y determinados gráficos
referenciales para esta sección del proyecto.
B.1. Protocolo de Adquisición de Firmas Espectrales La adquisición de firmas espectrales exige un método operativo, preciso y repetible para
todas las muestras analizadas, asegurando de esta forma, la calidad de la información
recopilada y su interoperabilidad en estudios posteriores.
19
B.2. PS-300 El protocolo contempla cuatro etapas básicas, dónde las mediciones se realizan en
condiciones controladas de laboratorio en términos de ángulos iluminación, tiempo de
calibración y materiales de trabajo. El protocolo de adquisición de firmas con el instrumento
PS-300 se ubica en el archivo “Protocolo PS-300 y Sonda de Reflectancia Colimador.PDF”.
Etapas del protocolo:
1. Preparación del equipo PS-300: Configuración de sistema y tubo colimador.
2. Adquisición de referencia espectral (White/Black Reference).
3. Adquisición de muestras: Se adquirieron 10 a 15 registros consecutivos.
4. Re-calibración (punto 2) cada 30 minutos y recambio de baterías del tubo colimador.
(A)
(B)
(C)
Figura 4. Adquisición de firmas espectrales a tres muestras RAM. (A) Adquisición de firma
espectral de muestra de malla de recubrimiento, (B) Adquisición de firma espectral de
muestra de cabo y (C) Muestra de Plumavit.
B.3. Hylogger 3 El instrumento Hylogger 3 es un sistema de sensores integrados que posee un protocolo de
adquisición automáticamente programado, recorriendo cada muestra dispuesta y obteniendo
información de alta resolución espacial y espectral (Merrill, 2016). En material
complementario se entrega un video explicativo que demuestra el modo de funcionamiento
de Hylogger-3 para reflejar las capacidades técnicas del equipo. Adicionalmente, se entrega
toda la información bruta, procesada y generada sobre la caracterización de firmas
espectrales de RAM.
20
Figura 5. Adquisición de firmas espectrales de 15 muestras de arena con Hylogger 3.
C. Procesamiento librería espectral
El procesamiento de la información adquirida involucra una evaluación comparativa de los
datos, ya que pueden existir errores de muestreo y/o instrumentales no deseados. Los
espectros fueron filtrados según criterio de media y desviación estándar el cual permite una
mejor interpretación de los patrones espectrales de los RAM y la generación de un espectro
referencial para aplicación en teledetección. En este análisis se utilizó el criterio estadístico de
la desviación típica o estándar (SD o σ) para cada longitud de onda, descartando las
adquisiciones anómalas fuera del rango comprendido entre el promedio ( ) y ±1 SD obtenido
por las ecuaciones 1 y 2 respectivamente.
∑
(Ecuación 1)
√
∑
(Ecuación 2)
Donde,
: Corresponde al promedio para una determinada longitud de onda (λ). ρλi : Corresponde a la reflectancia medida para el espectro i de la muestra RAM. n : Corresponde al número de espectros adquiridos para la muestra. SDρ : Corresponde a la desviación estándar de los n espectros de la muestra RAM. Aquellos que cumplen la condición antes mencionada se promedian para ingresar como dato
referencial en la librería espectral. Esto permite determinar posibles outliers experimentales y
21
evaluar determinadas bandas espectrales de absorción que son críticas para la clasificación
digital de ese material-cobertura en las imágenes satelitales.
Adicionalmente, se realizó una comparación entre PS300, TerraSpec4 y Hylogger 3 calculando
la Diferencia de la Amplitud “D” (Ecuación 3) propuesta por Price (1992) y, utilizada para
medir la diferencia porcentual entre dos espectros obtenidos por diferentes sensores dentro
una región espectral determinada.
[
∫ [ ]
]
⁄
Ecuación 3
Donde,
S1 : Corresponde a espectro A para una determinada longitud de onda λ. S1 : Corresponde a espectro B para una determinada longitud de onda λ. λb-a : Banda o longitud de onda espectral [nm].
C.1. Convolución de firmas espectrales para modelación satelital En este proyecto se utilizaron diferentes sensores espectrales aunque se aplicó una
convolución espectral solo a las imágenes en alta resolución espectral. Esto permite comparar
los valores de laboratorio con los medidos por satélites. De esta forma es posible comparar la
reflectancia de superficie para un RAM identificado por satélite a partir de una firma espectral
generada en laboratorio. Generalmente, las imágenes satelitales multiespectrales poseen
entre 5-36 bandas espectrales. Para este proyecto, se utilizó el criterio de comparación
espectral RSRCalculator® utilizando la función de respuesta espectral relativa que poseen los
sensores remotos de alta resolución y las firmas espectrales adquiridas en laboratorio (Durán
et al., 2014). El procedimiento se denomina convolución espectral (Ecuación 4). Ésta utiliza
una función específica para calcular el valor adquirido por una banda (Ck) a partir de la firma
o signatura espectral entregada.
∫
∫
Ecuación 4
Donde, Ck : Valor obtenido para de la convolución espectral para una banda k rsr λ : Es la respuesta espectral relativa de la banda. ρ λ : Representa la firma espectral analizada. λ : Longitud de onda.
22
Gestión actual de RAM 5.1.3.
A. Revisión bibliográfica
Para la revisión se consideraron referencias a la gestión de residuos y RAM, recurriendo a
acuerdos internacionales, metodología de identificación, experiencias previas e indicadores
que se puedan asociar al cumplimiento de planes.
La metodología de revisión bibliográfica sistemática propuesta por Medina-Lopez et al.
(2010), se presenta y sintetizada en la Figura 6.
Figura 6. Representación de metodología para revisión bibliográfica
Las actividades por realizar para la identificación del campo de estudio incluyen la
determinación de la problemática, definición del objetivo general y los específicos, y
delimitación de un marco teórico. El rango temporal que será utilizado para acotar la
recolección de publicaciones debe coincidir con algún hito relevante a escala internacional,
por lo que se ha seleccionado la primera regularización internacional con respecto a la
liberación de desperdicios en el mar en 1972, Convention for the Prevention of Marine
Pollution by the Dumping of Waste and Other Matter (IMO, 1972). La búsqueda se realizará a
través de palabras claves definidas anteriormente. Para el análisis de resultados, se re-
evaluarán los pasos anteriores luego de la realización de los primeros resultados,
especificando la nómina definitiva de fuentes de información y palabras clave.
B. Caracterización del territorio
Identificación campo
de estudio
Definición periodo a
analizar
Selección fuentes de
información
Definición palabras
claves
Análisis información
recopilada
23
La caracterización contempla las referencias necesarias para realizar una adecuación de un
plan de gestión a la realidad particular del territorio, para lo que se usó de referencia la Guía
para elaboración de diagnósticos como base para APL (ASCC, 2017) y estudios sobre la
interacción de la dimensión social con planes de acción, sintetizándose en los siguientes
pasos:
B.1. Caracterización de dimensiones del territorio. La finalidad es obtener la capacidad del territorio al analizarlo en las dimensiones: físico-
geográficas, jurídico-legal y económico.
- De la primera dimensión abordada se espera obtener las condiciones, facilidades y
obstáculos para la implementación de la infraestructura y espacios físicos que se
requieran según las alternativas del plan de gestión.
- En la dimensión jurídica-legal se realizará una revisión de las responsabilidades sobre
los residuos y la ejecución de planes de limpieza enfocados en zonas costeras, revisión
del marco legal para la gestión de residuos y posibles indicadores aplicables.
- Finalmente, en la dimensión económica, se realizarán conversaciones con empresas
del sector acuicultor y de residuos sobre la gestión actual de los residuos,
considerando los costos asociados y acciones implementadas, incluyendo una
encuesta para las primeras (Anexo 2). Además, por medio de una encuesta se
presentará las problemáticas ligadas a la gestión de los residuos marinos,
proponiendo diversas soluciones que serán formuladas en base a la presente
caracterización y validadas de manera no presencial e in-situ cuando fuese posible.
Las problemáticas y propuestas serán elaboradas en base a la generación de un árbol
de problemas que considera la información levantada y la experiencia recopilada en
las conversaciones con distintos actores en reuniones realizadas en distintos periodos
del año con el sector privado y público (Anexo 3).
B.2. Caracterización de la dimensión social del territorio La dimensión se ve representada en los habitantes del sector costero y su relación con los
desechos costeros, información que se levantará en las visitas a terreno por medio de una
encuesta (Anexo 2) y conversaciones con integrantes de la comunidad costera. Considerando
una población que se ve afectada directamente por la acumulación de RAM en las playas del
área de estudio, es decir, residentes de la línea costera.
Considerando que, dentro de las comunas en el área de estudio, la que cuenta con mayor
población en la línea de costa donde se realizaron mediciones de cantidad de residuos es la
comuna de Puqueldón, que alberga 4.021 habitantes (BCN, 2017), con un margen de error de
un 25% y nivel de confianza de 95%, se estima que es necesaria una muestra de alrededor de
15 personas.
24
Programación satelital 5.2.
Dentro de las ofertas asequibles de escenas satelitales existe una amplia gama de misiones
espaciales que, mediante sus sensores a bordo proveen información espectral de la superficie
terrestre. Entre estas misiones existen imágenes gratuitas como las misiones LANDSAT y
Sentinel-2 con resoluciones espaciales entre 30 a 10 m por pixel y otras misiones como la
constelación Pleiades, RapidEye y Worldview, los cuales entregan escenas entre 5 a 0,35 m
por pixel pero tienen un costo asociado. Entre los parámetros que las diferencian está la
resolución espacial, definida como el tamaño mínimo de un pixel dentro de la imagen satelital;
la resolución temporal, definida como el intervalo de tiempo entre la adquisición de una
escena y la siguiente sobre la misma zona; y la resolución espectral, la cual considera la
cantidad de bandas espectrales que el sensor es capaz de diferenciar del espectro
electromagnético. Por consiguiente, el costo de una escena se rige principalmente por la
resolución espacial, temporal y espectral del sensor (Chuvieco, 2008). Para este proyecto se
analizaron todas las imágenes posibles que podrían ser utilizadas en la identificación de RAM
y se detallan en las secciones 4.2.1 y 4.2.2.
Descripción y comparación de satélites 5.2.1.
MODIS: Moderate Resolution Imaging Spectroradiometer (MODIS) es un instrumento a bordo
de los satélites TERRA y AQUA que permite la observación de la superficie de la tierra cada día
o dos días, adquiriendo datos en 36 bandas espectrales. MODIS Surface-Reflectance Product
(MOD 09) es un producto que consiste en 7 bandas entre los 620 nm hasta los 2155 nm y que
estima la reflectancia espectral de la superficie con una resolución espacial de 250 m para las
primeras dos bandas y de 500 m para las bandas 3 a 7 (Vermote et al., 2015).
Landsat 8 OLI/TIRS: Este satélite posee dos sensores, el Operational Land Imager (OLI) y el
Thermal Infrared Sensor (TIRS) (Reuter et al., 2015). Entre ambos, conforman 11 bandas que
van desde los 0.45 µm a los 12.5 µm. La resolución espacial de los productos disponibles es de
30 metros, a excepción de la banda 8 (pancromático) a 15 m, todas con una resolución
radiométrica de 16 bits, y una resolución temporal de 16 días.
Sentinel-2: Esta misión, consta de dos satélites idénticos, lanzados el 23 de junio de 2015
(Sentinel-2A) y el 7 de marzo de 2017 (Sentinel-2B), que alcanzan una resolución temporal de
5 días a nadir, al trabajar en lados opuestos de la misma orbita. Las bandas que disponen
poseen una resolución radiométrica de 12 bits, entre los 0.44 a 2.19 µm, y una resolución
espacial variable entre los 10, 20 o 60 metros, dependiendo de las bandas (Drusch et al.,
2012).
25
RapidEye: Conformada por 5 satélites, la misión RapidEye ofrece 5 bandas entre los 0.44 µm
a 0.85 µm, con una resolución espacial de 5 metros y radiométrica de 16 bits. Su resolución
temporal es de 5.5 días a nadir, y diaria off-nadir (Barrientos et al., 2016).
Pléiades: Consta de dos satélites gemelos, lanzados el 16 de diciembre de 2011 (Pléiades 1A)
y 2 de diciembre de 2012 (Pléiades 1B), con una resolución espacial de 2 m para las bandas
multiespectrales (0.43 µm a 0.94 µm), y de 0.5 m para la pancromática. La resolución
radiométrica es de 12 bits y la temporal es de 1.7 días a nadir.
WorldView-3: Lanzado el 13 de agosto de 2014, este satélite provee 29 bandas entre los 0.40
µm a los 2,365 µm, con una resolución temporal de 4.5 días a 20° off-nadir o menos. La
resolución espacial y radiométrica de su banda pancromática es de 0.31 m y 11 bits, mientras
que las multiespectrales son de 1.24 m y 14 bits.
Bandas espectrales 5.2.2.
Cada sensor tiene asociado un número determinado de bandas espectrales, que generalmente
coinciden con las ventanas atmosféricas del espectro electromagnético de forma tal de
disminuir el impacto de aerosoles y gases atmosféricos que afectan la radiancia espectral
emitida por la superficie y captada por los sensores remotos. Una mayor cantidad de bandas
implica mejor capacidad para diferenciar la longitud de onda del espectro por parte del sensor
y por ende, una comparación más confiable con las firmas espectrales generadas por
espectroradiómetros portátiles y laboratorio.
A. Comparación de satélites
A partir de las descripciones instrumentales de cada satélite se evalúo la mejor configuración
para el desarrollo de los objetivos del proyecto. Para esto, se construyó una tabla comparativa
para calificar según el precio de mercado de la escena y las respectivas resoluciones
espaciales y espectrales (bandas) de cada instrumento. Con este enfoque, se busca maximizar
los recursos económicos disponibles para la evaluación y clasificación espacial de RAM en
Chiloé.
Procesamiento satelital de WV3 5.3.
26
Calibración radiométrica 5.3.1.
Una etapa crítica en la interpretación de la información provista por el sensor es la conversión
de los Niveles Digitales (ND) almacenados en cada banda de la escena en una variable física de
significado estándar y que sea comparable a lo largo del tiempo y entre distintos sensores. Por
otro lado, la influencia de la atmósfera genera que la energía recibida por el satélite no es la
misma que refleja la superficie debido al impacto en absorción y retrodispersión generada por
aerosoles, ozono y vapor de agua, entre otros (Chuvieco, 2008). Por lo tanto, junto con la
calibración radiométrica es necesario generar una corrección atmosférica previa al uso de la
escena.
En este caso, la escena WV-3 fue obtenida con la corrección atmosférica realizada
internamente mediante el algoritmo Atmospheric Compensation (AComp; Pacifici, 2016) el
cual ha mostrado buenos resultados en comparación a otros softwares de común uso como
FLAASH y QUAC. Por lo tanto, solo fue necesario reescalar la reflectividad de la escena a
valores de reflectancia según el protocolo de Digital Globe, que consiste en una razón entre los
niveles digitales de la escena y su valor máximo (ver Ecuación 5).
Ecuación 5
Donde,
: Reflectancia de la superficie
: Nivel digital de la banda k
Análisis geoespacial y delimitación del borde costero 5.3.2.
Previo a identificar los RAM localizados en las diferentes áreas de estudio, se realiza un
análisis para la delimitación del borde costero, de manera de focalizar la clasificación digital
de los RAM sólo sobre los RAM ubicados en la playa y evitar la influencia espectral de
coberturas tales casas, carreteras, la vegetación y el mar.
Mediante este análisis es posible aislar y separar la superficie de playa visualizada en la
imagen de otras superficies como vegetación, infraestructura rural, caminos y la última línea
de marea. Este procedimiento se realiza principalmente mediante análisis de distancias entre
la línea de costa y la vegetación. Para realizar esto, se extrajo el patrón espectral del mar, la
vegetación y la playa, los cuales son espectralmente distinguibles entre sí. De esta manera se
desarrolló una clasificación digital supervisada de cada playa sumidero basado en la huella
espectral característica a través de 200 puntos fotointerpretados.
27
Clasificación digital no supervisada de RAM 5.3.3.
Una vez delimitada la zona costera se realizaron pruebas de identificación de firmas
espectrales en la zona costera utilizando métodos de clasificación digital no supervisadas.
Entre uno de métodos más extendidos existe el algoritmo Iterative Self-Organizing Data
Analisys Technique (ISODATA) el cual define distintas clases espectrales en la imagen sin ser
necesario el conocimiento del área de estudio. Aquellos pixeles con un comportamiento
espectral homogéneo son agrupados entre un rango de clústeres variables a través de
múltiples iteraciones establecidos por el usuario junto con otros parámetros estadísticos de
los datos (Duda & Hart, 1973)
Clasificación supervisada de RAM 5.3.4.
La clasificación supervisada permite relacionar clases espectrales establecidas en terreno y
laboratorio respecto a las huellas espectrales de la imagen satelital. Una gran cantidad de
algoritmos se han desarrollado para generar clasificaciones, pero en todos es necesario
establecer la información referencial para la supervisión de la clasificación digital. Tanto las
firmas espectrales referenciales como los puntos de entrenamiento sirven para calibrar el
algoritmo de clasificación de RAM.
A. Fotointerpretación mediante GPS de terreno Con los puntos de muestreo adquirido en terreno (información entregada por GPS) se
identificaron las diferentes coberturas objetivo, tales como arena, basura y plumavit. Este
procedimiento permite generar puntos de muestreo adicionales mediante criterios de
fotointerpretación que involucra reconocer formas de los objetos y la respuesta espectral.
Este proceso es un paso fundamental para extender la base de datos espaciales de RAM, los
cuales son utilizados en la fase de calibración y validación de las clasificaciones digitales
costeras.
B. Métodos clásicos convencionales Entre los algoritmos clásicos de clasificación digital, están los que buscan minimizar la
distancia que existe entre los datos de la imagen (bandas espectrales) y el valor central de
cada clúster o grupo. Por ejemplo, los clasificadores Minimum Distance y Mahalanobis
28
Distance. Por otro lado, se utilizó un clasificador que evalúa la probabilidad de que cierto pixel
pertenezca a una clase, como el clasificador Maximum Likelihood (Richards, 1999).
Adicionalmente, el algoritmo Spectral Angle Mapper es un método determinístico utiliza los
datos espectrales de la imagen para buscar exactamente cada área de entrenamiento,
determinando el mínimo ángulo entre cada clase (Kruse et al., 1993).
C. Métodos clásicos no convencionales
Para elaborar una clasificación digital, primero se debe comprobar que los diferentes
materiales RAM son separables espectralmente para su identificación espacial. Para esto, se
exploraron tres métodos de clasificación multivariada: Análisis Discriminante Linear, Support
Vector Machine y Random Forest.
C.1. Análisis Discriminante linear (LDA). El LDA se ha utilizado en diferentes estudios para la discriminación espectral de la vegetación
y coberturas superficiales en varios ecosistemas (Clark et al., 2005; Féret & Asner, 2011; Fung
et al., 2003). Básicamente, el método construye un conjunto de funciones lineales que mejor
discriminan las clases definidas (e.g. agua, vegetación, arena), combinando las variables
predictivas tal que la varianza entre clases sea maximizada en relación a la varianza dentro de
la clase (Fung et al., 2003). Cada función discriminante adquiere un peso relativo (Wi) y
específico a cada variable (bandas espectrales), tal que el valor absoluto de Wi representa la
contribución relativa de la variable para la discriminación, esto convierte a LDA en un método
fácil de interpretar a través de los coeficientes específicos de la Ecuación 6.
𝑌 = 𝑊1 1 + 𝑊2 2 +…𝑊 𝑖 𝑖+...+𝑊 Ecuación 6
Donde,
Y : Valor de discriminación Xi : Variable predictiva i Wi : Peso asociado a la variable i. C.2. Support Vector Machine (SVM) Este método es un modelo de clasificación automatizado que ha sido altamente utilizado para
problemas de reconocimiento de patrones no-lineares y multidimensionales (Liu et al., 2016).
SVM desarrolla un hiperplano de separabilidad optimizado para los datos de entrenamiento,
caracterizando las clases mediante una función tipo Kernel para establecer y ajustar los
límites de parentesco entre las categorías analizadas (Kuhn & Johnson, 2013). Este algoritmo
es extremadamente flexible porque permite seleccionar diferentes Kernel y parámetros de
ajuste. En este estudio se probaron tres tipos Kernel: Lineal, Polinomial y Radial.
29
o SVM Lineal: Considera una función lineal para separar los datos de entrenamiento.
o SVM Polinomial. Considera una función kernel lineal y/o cuadrática polinomial para la
identificación del hiperplano.
o SVM Radial: Considera un kernel tipo radial que determina los centros de cada clase
para ajustar los límites de separabilidad del hiperplano.
C.3. Random Forest (RF) El método RF es un algoritmo de clasificación aprendizaje automatizado y basado en árboles
de decisión, fue propuesto por Breiman (2001) y utilizado para la clasificación de vegetación,
materiales y coberturas con métricas espectrales (Clark & Roberts, 2012; Immitzer et al.,
2012; Pal, 2005). Este algoritmo considera un proceso matemático denominado “bagging”
(Bootstrap and Aggregation), donde un ensamble de árboles se entrena por re-muestreo de
los datos ingresados y cada nodo del árbol se separa al escoger variables predictivas de forma
aleatoria. Finalmente, las predicciones se promedian y se calculan índices de precisión,
produciendo una estimación interna e imparcial de la clasificación (Clark & Roberts, 2012).
Validación 5.4.
El desarrollo de un modelo predictivo de clasificación es un proceso iterativo que busca
obtener una predicción precisa con los datos disponibles (Kuhn & Johnson, 2013). Para esto
es común que los modelos de clasificación se ajusten mediante técnicas de re-muestreo,
utilizando diferentes subconjuntos de datos para entrenar el modelo y otro, para su
validación, de manera de obtener una cuantificación real de la tasa de error en la precisión de
cada método (Castro-Esau et al., 2006). El proceso de validación del modelo de predicción de
residuos se realizó mediante la elaboración de una base de datos combinada entre firmas
espectrales de laboratorio, puntos de control obtenidos en terreno y puntos
fotointerpretados. La base de datos de validación se separó en subconjuntos con un
determinado número de clases de RAM. La selección de las clases y asignaciones se llevó a
cabo utilizando criterios expertos y estadísticos de los datos como K-means, este último es un
método que calcula “k” espectros promedios y luego asigna a cada huella espectral ingresada a
una determinada clase según el grado de parentesco estadístico con esta “K-clase”.
Métricas de error de la modelación predictiva de RAM 5.4.1.
El desempeño de los métodos de clasificación digital se midió a través de la matriz de error o
de confusión (Cuadro 2), ya que permite calcular una serie de estadísticas efectivas para
evaluar clasificación digital (Jones & Vaughan, 2010).
30
Cuadro 2. Matriz de confusión para evaluar la precisión de clasificación.
Matriz de Confusión REFERENCIA
Actual Negativo Actual Positivo Total
CL
ASI
FIC
AC
IÓN
Predicho Negativo Verdadero Negativo
(VN) Falso Negativo (FN)
Negativos Predichos (VN+FN=NP)
Predicho Positivo Falso Positivo
(FP)
Verdadero Positivo (VP)
Positivos Predichos (FP+VP=PP)
Total Negativos Actuales
(VN+FP=NA) Positivos Actuales
(FN+VP=PA) N
Las métricas se calculan a partir de la relación entre los pixeles de validación (referencia) que
fueron correctamente asignados por el método de clasificación. La precisión o Exactitud
Global (EG) se define como el número de clasificaciones correctas sobre el total (N) de
muestras evaluadas (Ecuación 7) y dónde VN y VP corresponden a los valores que
verdaderamente fueron clasificados como negativos y positivos respectivamente.
∑
Ecuación 7
El Índice Kappa (IK), el Error de Omisión y el Error de Comisión (EO y EC respectivamente)
permiten medir la precisión obtenida incluyendo las clasificaciones erróneas y/o omitidas. El
Índice Kappa o coeficiente de acuerdo (Ecuación 8) considera el factor marginal esperado (Pe)
(Ecuación 9) al remover el error obtenido por azar, evaluando esencialmente el desempeño
de la clasificación (Jones & Vaughan, 2010).
Ecuación 8
∑
Ecuación 9
Donde, Pe : Probabilidad esperada por acuerdo. NA : Negativos actuales. NP : Negativos predichos. PA : Positivos actuales. PP : Positivos predichos.
31
Los puntos GPS obtenidos con instrumentos GPS de las cuatro campañas de terreno se
ordenaron y filtraron para generar un solo archivo que representará los RAM identificados en
los meses de enero, febrero, junio y julio del 2017. Entre las cuatro fecha se elaboró un
archivo geoespacial descriptivo señalando hitos y puntos de concentración de RAM en las
playas sumidero.
Puntos espaciales referenciales 5.4.2.
Los puntos espaciales referenciales corresponden a las coordenadas espaciales recolectados
con instrumentos GPS durante de las cuatro campañas de terreno y aquellos identificados
mediante fotointerpretación. Estos se ordenaron y filtraron para generar un solo archivo que
representará los RAM identificados en terreno y la escena. Con este archivo se elaboró un
diagrama geoespacial descriptivo (“kmz”) que señala mediante fotografías, datos relevantes,
hitos y puntos de concentración de RAM en las playas sumidero. Este archivo a su vez,
corresponde al archivo fundamental para el proceso de validación del modelo predictivo de
residuos.
Validación en playa limpia 5.4.3.
Ya que para calibrar el modelo de identificación de RAM se establecerán playas “piloto” con
una gran acumulación de RAM comprobada en terreno, es necesario determinar una playa en
donde se dé una concentración muy baja de estos residuos. Por lo tanto, fue determinada una
playa “testigo” para aplicar el modelo de identificación. El fin de esta validación, es evaluar el
desempeño que el modelo posee en sectores limpios donde la identificación de basura o
plumavit debiese ser nula o muy baja
Estimación de masa RAM en playas sumidero 5.4.4.
A continuación se describirá la estrategia para estimar la masa de residuos marinos
antropogénicos (RAM) depositados en la playa sumidero Punta Cuem. Esta metodología busca
validar al modelo de predicción de desechos desarrollado en etapas previas del proyecto
“PRED-RES”.
32
A través de un método de muestreo estratificado y a diferentes distancias de la línea de playa
(Figura 7), se utilizó un esquema de grilla para cuantificar la basura presente en un área
determinada (1,2 x 1,2 m). Sobre cada muestreo in-situ se removieron todos los RAM al
interior de la grilla y se obtiene el peso total. Este método se repetirá a lo largo de la playa y en
cada punto de muestreo se registrará aspectos claves como la coordenada espacial (GPS), los
tipos de RAM hallados, cuantificación de RAM, descripción del tipo de RAM, fotografía antes y
otra después de la remoción de RAM. Con esta estrategia, se podrá establecer la confiabilidad
del algoritmo de predicción de RAM estimando eventualmente el peso total de RAM en la
playa. El protocolo de muestreo y materiales se describen a continuación.
Figura 7. Método de muestreo propuesto para cuantificar el peso total de basura en Punta
Cuem.
A. Protocolo de medición de peso de RAM en playa
1. A lo largo de la playa, realizar transectos lineales desde la línea de costa hasta el límite
de la playa-vegetación.
2. Ubicar la grilla de muestreo según cartografía o GPS.
3. Registrar fotografía del punto de muestreo previo a la limpieza y obtener coordenada
GPS.
4. Por tipo de elemento (Boya, Plumavit, Cabos, Zapatos, etc.) contar el número de
elementos dentro de la grilla, remover de la grilla y disponer en la bolsa.
5. Pesar los RAM por tipo.
6. Registrar fotografía después de la limpieza.
7. Completar tabla descriptiva.
33
A continuación en la Figura 8 se presenta un diagrama que resumen el método propuesto para
la clasificación digital de playas sumidero en Chiloé y el respectivo procedimiento de
validación.
Figura 8. Diagrama de métodos de Clasificación Digital de Playas Sumidero.
34
6. RESULTADOS
Recopilación de información 6.1.
Bibliográfica y en terreno 6.1.1.
En terreno se recorrió aproximadamente 250 km vía terrestre entre Enero y Febrero 2017
dónde se pudo constatar que muchas de las playas propuestas por DIRECTEMAR presentan
una difícil accesibilidad terrestre, dado principalmente a las condiciones geográficas de la Isla
de Chiloé, con laderas escarpadas y caminos de tierras con cárcavas de importante magnitud.
Se visitó en total 23 playas, dónde se adquirió registro fotográfico para una posterior
georeferenciación de los diferentes RAM y superficies naturales como arenas.
A. Playas recorridas
Playas cercanas a Castro:
- Playa Chañihue: Su principal actividad es la miticultura donde se observan grandes
cantidades de plumavit y boyas negras dispersas en la playa. Presencia de maxi sacos
y pedazos de cuerdas y cabos. Para estas playas, La Gobernación Marítima ha
realizado campañas para limpiar la costa, efectuada el año 2016 por la gobernación y
por grupos universitarios.
- Playa Yutuy: No se encontró basura de importante magnitud. Solo se observó la
presencia de una boya naranja, pequeña basura como cuerdas, cabos y maxi sacos.
- Playa Punta Pehuque: Se observan todos los desechos descritos por DIRECTEMAR
(material complementario) a excepción de artefactos navales.
- Playa Rilán: Playa limpia con presencia de sacos con alga “pelillo” recolectados como
actividad económica.
En la Figura 9, se muestra la ubicación y registro fotográfico de las playas cercanas a Castro
Dalcahue - Isla de Quinchao:
- Playa Punta Chulequehue: Presencia de jaulas metálicas y elementos de la actividad
acuícola (mitílidos). No hay residuos.
- Playa Matao: Presencia de boyas negras, plumavit blanco, residuos domiciliarios y
cuerdas/cabos de la actividad acuícola. Una vez a la semana se recoge la basura de la
playa, iniciativa de empresa Camanchaca.
- Playa Hueñocoihue: No hay basura y existe una alta actividad productiva asociada a la
pesca artesanal y turismo (Barcaza de Dalcahue a Isla Quinchao).
35
- Playa Punta Cuem: Alta cantidad de residuos esparcidos por la costa, del tipo:
plumavit, bolsas, residuos domiciliarios, cabos y cuerdas de todo tipo, boyas plásticas.
- Playa Alto Vargas: No hay grandes volúmenes de basura. Existen pocos restos de
bolsas maxi y basura domiciliaria, redes de pesca y cabos.
- Playa Estero Quinchao: Presencia de residuos como cuerdas, cabos, pedazos de maxi
sacos, basura domiciliaria y entre 15 a 20 boyas plásticas repartidas. Sector de difícil
acceso
- Playa Huyar Bajo: Sector con acopio de materiales y basura en baja cantidad.
En la Figura 10, se muestra la ubicación y registro fotográfico de las playas comprendidas en
la zona Dalcahue – Isla de Quinchao
Isla Lemuy:
- Playa Puqueldón: Playa muy cercana a actividad acuícola. Presenta puntos de acopio
de materiales y baja cantidad de desechos.
- Playa Detif: Línea extensa de residuos desde 4 m de ancho, gran cantidad de plumavit,
boyas plásticas negras, restos de cabos de colores, red de pesca roja y otros tipos.
- Playa Punta Apabón
En la Figura 11, se muestra la ubicación y registro fotográfico de las playas comprendidas en
la zona de Isla Lemuy.
36
Figura 9. Ubicación y registro fotográfico de playas cercanas a Castro
37
Figura 10. Ubicación y registro fotográfico de playas comprendidas en la zona Dalcahue – Isla de Quinchao
38
Figura 11. Ubicación y registro fotográfico de las playas comprendidas en la zona de Isla Lemuy.
39
B. Extracción de muestras
En el Cuadro 3 se resume los tipos materiales identificados y extraídos de las playas.
Cuadro 3. Materiales muestreados
Material N° Muestras Alga 3 Boya 18 Cabo 15
Concha 3 Cuerda 13 Malla 4
Plástico 8 Plumavit 25
Red 4 Saco 17
Arena 36 Total 110
En el Cuadro 4, se muestran los principales materiales antrópicos identificados en la visita de
las distintas playas, en tanto, en el Cuadro 5 se presentan los materiales naturales observados
Cuadro 4. Principales materiales antrópicos observados
1) Boyas plásticas de diferentes colores Dimensiones: 1.2 x 0.5 m.
2) Plumavit Dimensiones: 1 x 0.5 x 0.5 m.
3)
Boyas de plumavit recubiertas de plástico. Dimensiones: 1.5 x 1-1.5 m aproximado.
4) Bloque boya de plumavit recubierta. Dimensiones: 1 x 1 x 1 m.
5) Bloque boya de plumavit recubierta. Dimensiones: 1 x 0.5 x 0.5 m.
40
6) Sacos con pelillo. Dimensiones: 1 x 0.4 m.
7) Jaula metálica Dimensiones: 2 x 1 x 1 m Punta Chulequehue
8) Red de pesca negra Dimensiones: variable.
9) Cabos apilados en tronco Playa Puqueldón
Cuadro 5. Principales materiales naturales observados
1) Playa de Rilán Arena fina y arena fina con conchas depositadas.
2) Punta Chulequehue
3) Playa Matao, Isla Quinchao
4) Punta Cuem, Isla Quinchao
5) Playa Detif, Isla Lemuy Muestra de piedras y Muestra de conchas marinas
41
C. Playas Piloto de Calibración
Se establecieron 3 playas “pilotos” para la elaboración del modelo predictivo de residuos. La
elección de estas playas se justifica por la acumulación y disposición de residuos, presentando
las condiciones apropiadas para su detección mediante imágenes satelitales y la consecuente
elaboración del modelo predictivo.
Playa Punta Cuem-Mallil: En esta playa se encontró una elevada concentración de RAM
esparcidos por la costa, del tipo: y cuerdas de todo tipo, boyas plásticas.
(a) Extensión playa.
(b) Basura que supera los 5 x 5 m de superficie.
(c) Poliestireno expandido acumulado.
(d) Perspectiva general de la playa.
Figura 12. Registro fotográfico de Playa Punta Cuem (15/01/2017).
Playa Detif: En esta playa se encontró una extensa línea de AMD (4 m de ancho, Figura 13
letras c y d), gran cantidad de poliestireno expandido, boyas plásticas negras, restos de cabos,
red de pesca y otros tipos. En esta ocasión se georreferenció el sitio de algas encontradas en la
costa debido a su distribución y color similar al de los residuos, encontrándola dispuesta en
conjunto con los objetos de estudio (b y c)
42
(a) Residuos en general de la playa.
(b) Fotográfia de desechos y algas.
(c) Línea de AMD en la costa.
(d) Boyas apiladas de 10x10 m.
Figura 13. Registro fotográfico de Playa Detif (17/01/2017).
Playa Punta Apabón: La visita realizada mostró una clara acumulación de RAM en la costa
(Figura 14), plumavit, boyas plásticas y residuos domiciliarios en general. Esta playa es
accesible por vía terrestre pero es propiedad privada y de difícil acceso. Aspecto que debe ser
considerado para la fase de validación del modelo.
(a) Panorámica de la playa.
(b) Poliestireno expandido acumulado.
43
(c) Línea de residuos de 4 m de ancho.
(d) Vista oeste de la playa.
Figura 14. Registro fotográfico de Playa Punta Apabón (16/02/2017).
Tratamiento de muestras RAM 6.1.2.
A. Tratamiento Físico
A continuación se presentan los resultados obtenidos para los principales RAM analizados,
Plumavit, Cuerdas y Boyas. En el gráfico siguiente se muestra el total de muestras y la
densidad obtenida.
Figura 15. Densidad estimada para Cabos, Plumavit y Boyas para el número de muestras entre
1 a 26
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Den
sid
ad k
g/m
3
Cabos Plumavit Boyas
44
Luego, en el gráfico de cajas de la Figura 16 se presenta la densidad promedio y distribución
intercuartil de las muestras analizadas. La densidad del agua es de 1000 kg/m3, por lo que
todo material que tenga un valor inferior a este flotará y será arrastrado por corrientes
marinas y vientos.
Figura 16. Comparación de resultados obtenidos para los tres RAM más abundantes
encontrados en las playas piloto.
B. Adquisición de firmas espectrales
En la carpeta de firmas espectrales del material complementario entregado, se encuentra
disponible toda la información espectral generada y procesada. En el archivo Excel
“Firmas_2017.xlsx” podrá acceder a las firmas obtenidas con el instrumento PS300. Del
mismo modo, en la capeta “Hylogger” se encontrarán los datos originales de este sensor. En el
Cuadro 6 siguiente se resume el número de espectros adquiridos por sensor
Cuadro 6. N° de formas espectrales por sensor
Sensor N° de Firmas Espectrales
PS300 177
TerraSpec 4 18
HyLogger-3 2205
45
C. Procesamiento librería espectral
C.1. Proceso de Análisis de Firmas espectrales de Plumavit En esta sección se describe con mayor detalle el proceso de análisis para el material RAM tipo
plumavit, por ser uno de los elementos más abundantes y fundamentales de este estudio. El
procedimiento analítico para el resto de los materiales fue similar y sólo se presentará su
patrón espectral.
En la Figura 17 se presentan todas las firmas espectral adquiridas por Hylogger 3 para el tipo
de material RAM plumavit. La línea negra y sombreado representan el valor promedio ±1
desviación estándar (SD), respectivamente. Se observa una amplia variabilidad entre las
muestras analizadas en todo el intervalo VNIR (380-1.100 nm), no obstante, existe cierto
patrón en cuanto a la forma de la firma espectral, mostrando un crecimiento acelerado de la
reflectancia entre la banda 380 y 450 nm, además de un elevado valor de ( ) de
reflectancia espectral para la región del infrarrojo cercano (NIR) respecto al promedio del
espectro.
Figura 17. Firmas espectrales para Plumavit obtenidas por Hylogger 3.
Las firmas de la figura anterior corresponden respectivamente a cada una de las muestras de
la Figura 18. A simple vista, la plumavit presenta claras diferencias de color, tonos y de forma
(irregular), provocado principalmente por las condiciones de presión ambiental qué fue
sometida cada una ante el agua, viento, sol, polvo y micro organismos.
46
Figura 18. Imagen en alta resolución de las muestras de plumavit recolectada en terreno.
En este sentido, cada muestra se puede clasificar en uno de los cuatro tipos de plumavit de la
Figura 19: sucias (a), con microrganismos (b), esponja o amarillas (c) y limpias (d). El gráfico
representa la respuesta en azul de reflectancia % de la cara interna y en rojo la cara externa.
Se evidencia la variabilidad que existe tanto a nivel de muestra (intraespecífico, caras) como a
nivel de entre muestras (variabilidad interespecífica).
Figura 19. Comparación de firmas espectrales para cuatro tipos distintos de plumavit
recolectada en terreno. En rojo representa la respuesta externa y en azul la interna.
47
C.2. Filtraje de adquisiciones para Hylogger 3 y PS300. Para el instrumento de Hylogger 3 se obtiene una línea de escaneo de 4 mm, la Figura 20
representa la muestra N52 y la ruta de escaneo de cada porción o área escaneada por el
instrumento.
Figura 20. Muestra N52 y zona escaneada por Hylogger 3.
Consiguientemente en la Figura 21 se presentan los 42 espectros obtenidos para la muestra
RAM N52 de plumavit. A este nivel de detalle, un agente externo por sobre la muestra o una
leve degradación de la misma, pasa a generar una distorsión en el proceso de absorbancia-
reflectancia en una o varias longitudes de onda. Esto genera la variabilidad interna de la
muestra, sumado al efecto provocado por factores ambientales y otros aspectos de forma
como la angularidad y rugosidad del área muestreada (e.g. sombreamiento).
Figura 21. Variabilidad de las 42 adquisiciónes espectrales para la muestra RAM N52.
48
Debido a lo anterior, se aplicó el filtro estadístico descrito en la metodología, obteniendo la
respuesta estandarizada de la muestra N52 y del mismo modo, para cada RAM. En la Figura
22, se representa la firma espectral referencial para la RAM N52, descartando 6 espectros y
obteniendo una variabilidad inferior al 5 %.
Figura 22. Firma espectral RAM N52
Del mismo modo se obtuvo la respuesta referencial para cada tipo de RAM, en este caso entre
muestras o interespecificamente, filtrando las muestras promedio de cada RAM por tipo. En la
Figura 23 se presenta la respuesta referencial para las muestras de A)Boya, B)Plástico,
C)Sacos y D)Arena o Suelos. Figuras adicionales en Anexo 9.1
A) Boya
49
B) Sacos
C) Plásticos
D) Arena o suelos
Figura 23. Respuesta espectral referencial para tres tipos de RAM y arenas.
50
Con el análisis propuesto y descrito se procedió a parametrizar las muestras adquiridas con
PS300 y Hylogger 3, paso clave para determinar las diferencias y patrones espectrales de cada
tipo RAM mediante métodos multivariados y elaborar posteriormente, un algoritmo de
clasificación y predicción de RAM satelital.
C.3. Comparación de espectros entre sensores Adicionalmente, en la Figura 24 se presenta la respuesta espectral de la muestra RAM N52
filtrada para PS300, Hylogger 3 y TerraSpec 4. En este caso, se muestra los rangos de longitud
de onda VNIR [380-1100 nm] y SWIR [1100-2500 nm].
Figura 24. Comparación de la Firma Espectral referencial de muestra RM N52 frente a los tres
sensores espectro radiómetros.
Analizando los resultados de la figura anterior, destacan dos atributos importantes, el primero
tiene relación con la similitud en cuanto a la forma de los tres registros (crecimiento rápido de
la reflectancia en el visible y el segundo, mantener una reflectancia superior al 60-70% en el
NIR) y segundo, las bandas y regiones dónde la absorbancia nota un claro patrón espectral de
la muestra (700, 1650, 2150 nm). Adicionalmente, este resultado permite indicar que la
respuesta del sensor PS300 es similar a la obtenida por Hylogger 3 para esta muestra y que
relaciona con lo obtenido con el índice D (amplitud espectral), registrando un valor del 2% en
el VIS y del 0.7 % en el NIR (Figura 25).
51
Figura 25. Comparación de la amplitud espectral [%] sobre la muestra RAM N52 sobre los tres
espectroradiómetros utilizados.
C.4. Convolución de firmas espectrales para modelación satelital La Figura 26 siguiente muestra la respuesta espectral relativa para las ocho bandas
multiespectrales y banda pancromática del sensor WorldView 3. A partir de éstas se calculó el
valor teórico obtenido por el sensor para cada banda. En la siguiente sección se presentan los
resultados para la convolución de las firmas referenciales de plumavit.
Figura 26. Función de Respuesta Espectral del Satélite WorldView 3.
0
2
4
6
8
10
12
14
16
D-VIS D-NIR D-SWIR
Am
plit
ud
Esp
ectr
al [
%]
TerraSpec - PS300
TerraSpec - Hylogger
PS300 - Hylogger
52
Continuando con el proceso de filtraje por clase de RAM (evaluación entre muestras del
mismo tiempo), se estudió del mismo modo aquellas firmas referenciales de plumavit que no
cumplieran con el criterio estadístico. Para las 24 firmas referenciales de plumavit en la
Figura 27, se ve una amplia variabilidad y algunas muestran una reflectancia superior al
100%.
Figura 27. Firmas espectrales referenciales para las 24 muestras de plumavit.
Luego del filtraje estadístico, persisten 18 firmas espectrales referenciales que cumplieron el
criterio de selección, a las cuales se aplicó la convolución espectral para representar el valor
obtenido por WorldView 3. En la Figura 28 se ven curvas más toscas que la figura anterior,
dado por un menor número de bandas espectral porque representan las 8 bandas del satélite
en la región espectral analizada.
53
Figura 28. Firmas espectrales convolucionadas para el sensor WorldView 3.
Finalmente, la Figura 29 representa gráficos de cajas para visualizar el grado de variabilidad
que existe entre las 18 muestras de plumavit referenciales y eventualmente, analizar que
regiones son menos variables para el poliestireno expandido.
Figura 29. Gráfico de dispersión de la reflectancia obtenida para las muestras de plumavit
para cada banda espectral de WorldView 3.
54
Gestión actual de RAM 6.1.3.
A. Revisión bibliográfica
Respecto a las experiencias en planes de gestión de RAM, a nivel mundial existen diversas
metodologías que incluyen diferentes tipos de acuerdos, responsables y escalas de
implementación. Así, por ejemplo, la asociación de naciones asiáticas ASEAN generó un
acuerdo entre los estados participantes sobre indicadores bio-químicos de calidad de agua,
por los que los encargados de la ejecución son los Ministerios correspondientes. En Estados
Unidos, la NOA generó un comité que coordina las acciones de diversas agencias con el
objetivo de compartir información, asesorar e implementar las mejores prácticas de manejo, y
coordinación entre agencias que entre sus actividades se encuentran con residuos marinos,
además de coordinar las prioridades en la investigación, monitorear técnicas, programas
educacionales, y acciones regulatorias. El comité debe entregar cada dos años el estado de
avance en los tópicos definidos, instancia en la además se fijan los nuevos objetivos y
recomendaciones para el ciclo siguiente, que son agrupadas en ocho tópicos: Educación y
extensión, Legislación/regulación/políticas, Programas de incentivo, Aplicaciones, Limpiezas,
Investigación, Desarrollo de tecnología y Fomento a la coordinación. Dentro de Europa se han
desarrollado diversos tipos de iniciativas, las que se coordinan mediante paneles
internacionales, que se aplican en instancias intergubernamentales y locales, así por ejemplo
la Agencia Medio Ambiental Europea (EEA, por sus siglas en inglés) ha desarrollado una
aplicación móvil para la recolección de datos relacionados con residuos marinos de manera de
facilitar la labor de organismos públicos y privados para la investigación, control y toma de
decisiones. Los países nórdicos (Noruega, Dinamarca, Suiza, Finlandia, Países Bálticos,
Islandia) se organizan a través de la Marine Strategy Framework Directive (MSFD), financiado
por la Comisión de Intergubernamental de Ministros de países nórdicos, estableciendo tres
principales metas: reducción del impacto en el medio ambiente marino de residuos con origen
continental, reducción del impacto en el medio ambiente marino de residuos con origen en
actividades costeras o marinas, y reducir la acumulación de residuos en zonas costeras,
hábitats bentónicos y aguas pelágicas.
El principal marco de relevancia para RAM corresponde a la agenda 2030 y las metas de
desarrollo sustentable de la ONU, en específico con las meta Nº6 de asegurar la disponibilidad
y manejo sustentable de agua y sanidad para todos, Nº11 de lograr ciudades y asentamientos
humanos inclusivos, seguros, resilientes y sustentables, Nº12 de asegurar patrones de
producción y consumo sustentable, y Nº14 de conservar y lograr un uso sustentable de
océanos, mares y recursos marinos para un desarrollo sustentable. Cada una de estas metas
contiene objetivos específicos, de los cuales once, en las metas Nº11, 12 y 14, hacen referencia
a la importancia de reducir plásticos en ambientes marinos. Por su parte, la Convención de
Naciones Unidas sobre la ley del mar (UNCLOS) regula las actividades productivas que se
realizan en zonas marítimas, proponiendo la prevención, reducción y control de cualquier
elemento contaminante mediante la implementación de medidas adecuadas a cada parte
55
suscrita, la cual debe considerar sus capacidades y políticas vigentes. Luego, la Convención y
Protocolo de Londres, suscrito por Chile en 1972 y entrando en vigor internacional el año
2006, propone una lista negra y una lista gris con la categorización de residuos marinos,
aunque su finalidad principal es la prohibición de cualquier tipo de dumping desde
embarcaciones, poniendo especial énfasis en los materiales plásticos. La FAO posee algunos
instrumentos voluntarios que pueden ser aplicables al área de interés, como el Código de
conducta responsable para pesquerías, que incluye la facilitación de recepción de residuos en
puertos, acopio de desechos a bordo y la reducción de residuos para su disposición. Solo un
mecanismo intergubernamental se hace cargo de la relación que existe entre los medios
costeros, marinos, de agua dulce y terrestres con la generación de RAM, es el caso del
Programa Global de Acción para la Protección del Ambiente Marino por Actividades
Terrestres (GAP) desarrollado por la ONU, marco en el cual se realizan reuniones cada cinco
años donde las partes realizan una revisión del progreso realizado en el GAP a través de los
Planes de Acción Nacionales (UNEP, 2016).
La experiencia acumulada hasta la fecha ha evidenciado que la cooperación entre países que
comparten una región es beneficiosa para la consecución de las metas internacionales,
situación que se comprueba por la existencia de 18 convenciones y planes de acción
regionales. De estos seis son administrados directamente por la UNEP: Convención de
Barcelona para el Mediterráneo, Wider Caribean, Convención de Nairobi para el este de Asia y
oeste de África, NOWPAP para el Pacífico noroeste y WACAF para África oriental y central.
La MSFD establece dos tipos de criterios para el control de residuos, con indicadores para
RAM que deberían ser sintetizados cada seis años, basándose en sus características el entorno
y los impactos que generan en la vida marina (Cuadro 7). Las metodologías para la realización
de estos criterios son los tipos básicos, variando dependiendo de su finalidad y medio en el
que se realice, pudiendo ser en las playas, lecho marino, residuos flotantes e ingesta por
animales. (NCM, 2015).
- Playas se realizan colectas de residuos en la línea de costa (trayectos de 100m o 1 km),
indicador que además es recomendado para estudios por la OSPAR y la Comisión de
Helsinki.
- Lecho marino observaciones de buzos, submarinos o torres cámara.
- Para cuerpos flotantes observaciones desde barcazas o plataformas aéreas, colección
median adaptaciones de navíos e ingesta por aves marinas (principalmente gaviotas).
Los dos últimos son igualmente recomendado por OSPAR y la Comisión, considerando
las adaptaciones de los navíos para estudios en la columna de agua.
- Ingesta de animales se han realizado estudios en aves, mamíferos, peces, otros (como
tortugas), investigaciones de micro-residuos en sedimentos y columna de agua.
56
Cuadro 7. Criterios e indicadores para residuos de la MSFD (Adaptación desde NCM, 2015)
Criterios Características de residuos en ambientes marinos y costeros
Impactos en la vida marina
Indicadores
Cantidad, composición, distribución espacial y posible fuente de: Residuos en rompeolas y línea de costa Residuos en la columna de agua (incluyendo
elementos flotantes) Micro-residuos (principalmente micro-plásticos)
Cantidad y composición de residuos ingeridos por animales marinos.
Las recomendaciones de tres organismos internacionales, la UNEP & IOC (2009), OSPAR
(2016) y European Comission (2013), son relativamente parecidas, por lo que se pueden
simplificar en los siguientes conceptos:
- Campañas de limpieza. Se recomiendan realizar cuatro al año a nivel nacional,
aceptando tres.
- Transectos de muestra en las playas. Su longitud puede variar, aunque lo normal es
que sean de 100 m perpendiculares a la línea de costa, recolectándolos residuos
mayores a 2.5 cm. Para playas con la posibilidad de realizar transectos de 1 km se
recolectan residuos superiores a 50 cm. Para ambos casos la información se puede
sincronizar con la aplicación móvil desarrollada por la EEA.
- Selección de playas. Las playas son diferenciadas por el nivel de intervención humana
a la que se ven sometidas, así se encuentran las costas urbanas, costas rurales y costas
cercanas a desembocaduras de ríos.
- Categorización de residuos. La categorización se centra en la fuente de origen del
residuo, por lo que son muy variables entre las propuestas ya que depende de las
actividades que se desarrollen en cada sitio.
De acuerdo con el convenio OSPAR 2007-2010 (OSPAR, 2016), las partes suscritas al convenio
se comprometen a: proveer a los pescadores, sin costo para ellos, de receptáculos adaptados
para la acumulación de residuos y que se puedan acoplar a las redes de pesca utilizadas.
Facilitar la disponibilidad de sitios de disposición de tales receptáculos sin costo para ellos, así
como incentivar prácticas de re-uso, reciclaje, recuperación y disposición. Determinar un
número de cuencas en las que se realizan estas iniciativas, junto con declarar la cantidad de
los residuos recolectados, tipo y peso con fines de sustentar los reportes. Generar un plan de
comunicación de las iniciativas desarrolladas y de los impactos de los residuos a la industria
de la pesca. En caso de superación de los costos asignados a las cuencas, facilitar la
información de tratamiento y disposición en zonas cercanas.
57
B. Caracterización de las dimensiones del territorio
B.1. Sub-dimensión física geográfica
La actividad turística y pesquera, especialmente la acuicultura, se han destacado en el
territorio por el auge económico que ha condicionado grandes transformaciones de los
asentamientos humanos, generando una expansión de los límites de los centros poblados sin
la necesidad de una planificación territorial que les brinde una accesibilidad y conectividad
adecuada (Andrade et al. 2000).
Dentro del área de estudio se consideran las comunas de Castro, Quinchao y Puqueldón que, al
comprender al menos 14 islas en conjunto, tienen una estructura de transporte basada en
medios terrestres y marítimos (Cuadro 8), siendo la principal articuladora terrestre la Ruta
Nacional 5 Sur, con un recorrido máximo superior a 200 km para el área de estudio y la capital
regional, Puerto Montt (MOP, 2016). Además, se debe considerar que el principal acceso a la
Provincia de Chiloé continúa siendo por vía marítima, el Ferry Pargua Chacao se encarga
diariamente de cruzar tanto a particulares como camiones con diferente carga del continente
a la Isla y viceversa. Esta situación se traduce en un aumento en el valor de los servicios de
transporte a nivel industrial, siendo un ítem considerable para la recolección de residuos y
coordinación con empresas de reciclaje que se encuentran fuera de la Provincia de Chiloé.
Cuadro 8. Red vial relevante dentro del área de estudio
Castro Quinchao Puqueldón
Distancia a capital regional1 [km]
173,25 180,812 209,35
Vía marítima de acceso
- Ferry Isla Quinchao Ferry Puqueldón
Vía terrestre de acceso
Ruta 5: Longitudinal Sur, Sector: Pichirropulli (Límite
Regional) - Quellón
W-59: Dalcahue - Achao
W-637: Puqueldón - Detif
Carpeta vía de acceso Asfalto / Hormigón Asfalto Asfalto
Para la localización de instalaciones de manejo de residuos, incluyendo la disposición final y
manejo de residuos, se puede garantizar un bajo impacto medio ambiental para el proceso
productivo de la planta, aunque aún existen ciertos impactos para la comunidad que son
relevantes para la evaluación de sitios. El alto flujo vehicular y la pérdida de valor de los
predios cercanos continúan siendo un impacto social de difícil solución, por lo que la
metodología de elección de sitios para el emplazamiento de estas actividades debe considerar
1 Distancias calculadas considerando rutas por Chile y en base a conectores insulares, Dirección de vialidad, MOP. 2 Calculado en base a la ciudad de Achao.
58
tanto las capacidades físicas del lugar como su entorno social. En el año 2001, la entonces
CONAMA, propone una metodología para la identificación de estos sitios a nivel regional,
intercomunal y comunal, la cual debe considerar cuatro aspectos claves para la ubicación de
estas plantas de manejo. Primero se menciona la compatibilidad con los planes de desarrollo
local o regional y ordenamiento territorial, luego la factibilidad ambiental (considerando por
ejemplo topología, condiciones meteorológicas, vientos, densidad poblacional), luego la
factibilidad económica que considera, entre otros, la distancia a los puntos de recolección, y
finalmente, la factibilidad de adquisición y uso del sitio o terreno. En el año 2009 se realiza
una selección de terrenos en base a los estudios financiados por el GORE de Los Lagos (GRS,
2009), tres de las propuestas se encuentran dentro de la Provincia de Chiloé, en Ancud,
Quellón y Castro. En Ancud las condiciones de suelo limitan las capacidades para un relleno
sanitario, pero permitieron el establecimiento de una estación de trasferencia para residuos
sólidos, caso similar al de Quellón, donde se opta por la misma finalidad del predio con la
dificultad contraria de no considerar a habitantes de sitios aledaños (Concejo Municipal de
Quellón, 2011). Para el sitio ubicado en la comuna de Castro los estudios de factibilidad fueron
positivos, por lo que actualmente se encuentra en estudio del Concejo Municipal de Castro
(2017) considerando un relleno sanitario, estación de transferencia y planta de reciclaje.
B.2. Sub-dimensión Jurídico-normativa La normativa vigente que se aplica de manera directa a las concesiones de acuicultura
corresponde al Reglamento Ambiental para la Acuicultura (RAMA), que en específico declara
en su artículo 4º, letra b), que todo centro de cultivo, a través de su concesionario, deberá
encargarse de la limpieza de las playas y terrenos de playas aledaños, y en su letra g), que los
elementos de flotación compuestos de poliestireno expandido (tales como plumavit o
aislapol), poliuretano o similares, sólo en su presentación compacta, no en perlas ni trozos, y
debidamente forrados con materiales resistentes que impidan su disgregación. Respecto al
último punto, la Gobernación marítima de Castro ha resuelto la emisión de circulares hacia las
diferentes Capitanías de Puerto desde el 2008 hasta comienzos de 2017, donde establece que
los elementos flotadores no podrán ser de poliestireno expandido, ocupándose únicamente
boyas infladas de plástico altamente resistente.
La fiscalización en el cumplimiento de la normativa vigente es parte de las atribuciones de la
Superintendencia del Medio Ambiente, SERNAPESCA y DIRECTEMAR (D.S. 290, 2015).
Además, existen diversas instancias que son capaces de administrar y manejar el borde
costero y las actividades que ahí se realicen, como las Comisiones Regionales de Uso de Borde
Costero (D.S. 475). A nivel local, se cuenta con los Planes de Desarrollo Comunal (PLADECO)
que pueden ser usados para la evaluación del compromiso de estas unidades administrativas
con los desechos costeros y manejo de residuos, además del inmenso conocimiento de las
comunidades de pescadores que han vivido por años en el sector costero, y que al
considerarse pueden llegar a ser información extremadamente valiosa en el diseño de planes
de gestión de manejo de los residuos de actividades artesanales e industriales, incluyendo
experiencias en riesgos y propuestas de ordenamiento territorial al considerar los usos
tradicionales de las playas (Schafer & Girondi, 2008; Barnett et al. 2016; Kiessling et al. 2017).
59
En el año 2016 se publica la ley Nº20.920, o Responsabilidad extendida al productor, donde se
definen ciertos conceptos como la gestión integral de residuos, productor y las
responsabilidades para la exportación de residuos. Si bien dentro de residuos generados a
partir de elementos flotadores no están considerados dentro de los productos prioritarios
definidos por la norma, los cuales cuentan con una sólida gestión asociada, es posible
considerar otros incisos de interés, como el uso de residuos para la generación de energía,
exportación de residuos y planes de gestión. Respecto a la generación de energía a partir de
residuos, se dicta que el MMA deberá, mediante decreto supremo, establecer instrumentos
para su valorización, incluyendo la generación energética y mecanismos de separación en
origen y recolección selectiva, así los residuos potencialmente valorizables deben ser
destinados a ese fin para evitar su disposición final. Para la exportación de residuos, se
establece que “todo importador y exportador de residuos deberá informar, al menos, el tipo
de residuo, cantidad, origen, tratamiento aplicado, incluyendo el destino de los residuos
generados, cuando corresponda, a través del Registro de Emisiones y Transferencias de
Contaminantes.”
Además, sobre los sistemas de gestión, se estable que los productores deberán
implementarlos con la finalidad de cumplir lo establecido en los instrumentos especificados
por el MMA, así se puede optar a una suscripción colectiva cuando corresponda, sin
generación de utilidades entre los firmantes
Sobre la responsabilidad de limpieza de sectores públicos, Según lo declarado en la Ley
18.695 (D.F.L 1, 2006), es función privativa de los Municipios el aseo y ornato de la comuna,
incluyendo el transporte y disposición. Por lo que la gestión local es esencial y relevante al
momento de idear un plan integral de residuos (Adapt Chile, 2016), es importante destacar
que es la Municipalidad quien deberá hacerse cargo cuando se trate manejo de residuos en
lugares de uso público, incluyendo las playas que no cuentan con centros de cultivos cercanos
que se hagan cargo de la limpieza.
B.3. Sub-dimensión económica Durante el terreno de junio 2017 se realizaron encuestas a los asistentes, diversos actores
públicos y privados las cuales fueron diferenciadas según estructura administrativa (Anexo 2)
De los resultados de los actores públicos, se puede desprender que las dos principales
actividades desarrolladas en el territorio son la salmonicultura y mitilicultura, generando
mayor impacto en el área social y económica, reconociendo a la recolección de RAM en zonas
costeras como la actividad que más se debería fortalecer para enfrentar el problema. Respecto
a los actores privados casi en su totalidad salmonicultores, todos los elementos flotadores
sugeridos son utilizados en algún punto del proceso productivo, siendo reemplazados
usualmente una vez al año, las limpiezas de playas se programan de manera mensual con un
costo de $1.000.000 por centro de cultivo. Las asociaciones con empresas de recolección y
tratamientos de residuos suelen ser empresas de reciclaje, mencionando Ecofibras y Resiter.
Luego, para todos los asistentes de cada reunión se realizó una breve encuesta abierta
basándose en el árbol del problema (Anexo 3), con la doble intención de validar el árbol
60
propuesto y levantar información complementaria para la elaboración de soluciones. Esta
misma encuesta cuenta con una versión online disponible en el link
<https://goo.gl/forms/03eWPXaDgoexsxba2>.
Los resultados de la encuesta abierta (Anexo 4) indican que las dificultades en relación con la
recolección de RAM se deben mayoritariamente a la falta de instrumentos económicos
aplicados y de inversión para la producción limpia, en cambio para el acopio y tratamiento, la
respuesta más frecuente fue la inexistencia de mercado regional, para el transporte se registró
que la gran distancia a centros de tratamiento es el principal obstáculo (las plantas se
encuentran en Puerto Montt), y finalmente, se reconoció que la instalación de centros de
tratamiento dentro de la Provincia de Chiloé, en conjunto con inversión para el desarrollo de
la industria, son considerados como un aporte a la solución de la problemática.
B.4. Caracterización de la dimensión social del territorio La totalidad de las encuestas realizadas se encuentran disponible en el Anexo 4, de estas, la
caracterización de la muestra de la población corresponde a 64,3% de mujeres y 35,7% de
hombre, los cuales se encuentran en el rango etario de 25 a 60 años mayoritariamente,
declarando que habitan el sector desde su nacimiento, con excepción de dos pobladores que
declararon que llegaron a la zona hace 5 y 33 años. Respecto a las actividades prioritarias que
se desarrollan en la zona, la población las reconocer con el siguiente orden: mitilicultura
(50%), salmonicultura (25%), turismo (16,7%) y pesca artesanal (8,3%).
En la sección de residuos y desechos, las respuestas de la población (Figura 30) indican que
reconocen dentro de las causas para la acumulación de residuos la presencia de la actividad
acuícola (incluyendo salmonicultura y mitilicultura), seguido con una significativa diferencia
por basura doméstica y gestión municipal deficiente, asociada generalmente por comentarios
relacionados a que es la municipalidad respectiva quien se debería hacer cargo de la
recolección de residuos. Respecto a las preguntas abiertas de la sección, se declara con mayor
frecuencia que actualmente lo que se hace con los residuos es apilarlos y quemarlos,
dependiendo la frecuencia de la acumulación. A su vez, la mayoría de los encuestados conoce
iniciativas de limpieza de residuos, aunque menos de la mitad participa de ellas, destacando la
realizada en el mes de septiembre que coincide con el Día mundial de limpieza de playas, y las
que se hacen a comienzos del verano para la preparación de la temporada turística.
61
Figura 30. Frecuencia respuestas sección residuos y desechos
Respecto a la sección de propuestas, gran mayoría declara que no sienten que les corresponda
a ellos el financiar una limpieza mensual de las playas (78,5%), pocas veces se mencionó que
de hacerlo lo podrían hacer de manera comunitaria a través de unidades vecinales. En la
pregunta sobre valorización de residuos, todos declararon que la venta de cierto tipo de
material recolectado, en ciertas características, es efectivamente comercializada actualmente,
siendo las boyas las que se reparan de ser necesario y son vendidas a las mismas empresas
fabricantes. Algunos declararon que en hace algunos años hacían lo mismo con el plumavit,
pero actualmente ya no hay quienes la reciban.
En resumen, la población reconoce la acumulación de residuos en las playas cercanas y tiene
un carácter problemático, las principales molestias están relacionadas con la afección sobre la
actividad turística y la responsabilidad de ausencia de alguna institución que se haga cargo de
la recolección. Proponen que la limpieza debe ser constante, similar a lo que ocurre en las
playas que tienen concesiones cercanas, donde se realizan limpiezas mensuales de los
residuos. La comercialización de los residuos valorados es habitual es la población, y se
mostraron dispuestos mayoritariamente a cubrir los gastos de transporte asociado.
0
2
4
6
8
10
12
14
Respuestas residuos y desechos
Cuál son las principales
causas de la acumulación de
residuos.
Cuáles son los principales
impactos de la acumulación
de residuos.
62
Programación satelital 6.2.
Descripción y comparación de satélites 6.2.1.
El costo asociado a la obtención de escenas satelitales está en estrecha relación con la
resolución espacial y espectral en la que se disponen los productos. Algunos proveedores
exigen un pedido mínimo de km2, detallado junto al costo (USD/km2) y resolución espacial
respectiva, en el Cuadro 9.
Cuadro 9. Comparación de resolución espacial y costo asociado a las escenas satelitales para el área de estudio de Chiloé
Satélite WorldView-3 Pleiades RapidEye Sentinel-2 Landsat MODIS Resolución
Espacial [mts]
0.3 0.5 5 10 15 250
Costo [USD/km2]
29 19.6 1.28 Gratuito Gratuito Gratuito
Mínimo [km2]
100 100 3,500 - - -
En la Figura 31 es posible observar las diferencias de resolución espacial que poseen estos
sensores junto con su costo asociado en la cual es posible de identificar bloques de plumavit a
partir de una resolución de 5 x 5 m equivalente a sensores como RapidEye, Fasat-Charlie,
SPOT-6, entre otros.
63
Figura 31. Resoluciones espaciales de las imágenes de distintos sensores donde los pixeles
con máximo brillo corresponden a agrupaciones de plumavit
Bandas espectrales 6.2.2.
En la Figura 32 se observa la distribución de las distintas bandas en las que trabaja cada
sensor en el espectro electromagnético. Es posible observar que con resoluciones mayores a 5
metros la capacidad de identificar RAM superficiales es baja y poco diferenciable de forma
aislada, esto implica que la opción de satélites gratuitos con resoluciones sobre los 5 x 5 m no
podría ser actualmente factible para determinar RAM. Por otro lado, entre la oferta disponible
de satélites comerciales, tanto Pleiades como Worldview 3 presentan una resolución sub-
métrica de 0,5 y 0,3 m en las bandas pancromáticas y con 5 y 9 bandas espectrales
respectivamente, que ofrecerían la mejor opción para clasificar RAM.
64
Figura 32. Bandas espectrales de los sensores satelitales considerados en este proyecto. Cada
número implica la banda espectral y los colores son representativos del espectro
electromagnético donde está posicionada.
Finalmente, para abordar la compleja dimensión espacial del área de estudio, se realizó una
evaluación preliminar cruzando diferentes extensiones sobre el área de las playas piloto
identificadas y conocer el costo asociado a cada una de ellas utilizando el satélite Woldview-3
(WV-3; ver Material complementario). Si bien este satélite muestra ser el más elevado en
costo, esto es debido a que presenta las mejores características del mercado en cuanto a los
aspectos críticos para este método como la resolución espacial y la espectral. De esta forma,
un análisis con el mayor detalle posible gracias a la banda pancromática a 0,3 m de resolución
y junto a la mayor información espectral obtenida de sus 8 bandas espectrales podría ser la
mejor configuración en asociación con Pleiades y RapidEye. La configuración de la Figura 33
es el resultado del estudio de configuración satelital y la que se utilizará en el marco de la
propuesta abarcando las tres playas pilotos.
65
Figura 33. Cartografía que señala el traslape de las Playas Piloto y el área de adquisición
comparada con WorldView 3 bajo diferentes ángulos de observación y ancho de barrido.
66
Procesamiento satelital de WV3 6.3.
Calibración radiométrica 6.3.1.
La calibración radiométrica se puede observar en la Figura 34 a través del histograma de cada
escena y sus respectivas bandas espectrales. Se puede observar que no existe una significativa
contribución de la atmósfera debido al desplazamiento del histograma hacia los valores
mínimos de nivel digital.
(A)
(B)
Figura 34. Histograma de las bandas antes (a) y después (b) de la calibración radiométrica.
Análisis geoespacial 6.3.2.
A. Playas de calibración A partir de la información bibliográfica y las campañas en terreno se estableció a la playa de
Punta Cuem-Mallil, playa Detif y playa Punta Apabón como seleccionadas para calibrar el
método de identificación de RAM. Por lo tanto, el área de estudio respectiva a cada una de
estas zonas fue localizadas y delimitada en la imagen satelital de WV-3.
67
Figura 35. Playas piloto utilizadas en fase de calibración y validación en este proyecto
68
B. Delimitación del borde costero Para aislar y separar el borde costero de cada playa, se realizó una extracción del patrón
espectral de las superficies con mayor cobertura dentro de la escena. Estas coberturas son
mar, vegetación y suelo (borde costero). Los puntos fotointerpretados de estas coberturas
para cada playa se pueden observar en la Figura 36
(a) (b)
(c)
Figura 36 Puntos foto interpretados de las coberturas de Mar, Vegetación y Suelo de las playas
de Punta Apabón (a), Cuem-Mallil (b) y Detif (c).
Con la firma espectral promedio de las tres coberturas (Figura 37), es posible observar las
diferencias de reflectancia entre el mar, la vegetación y el suelo del borde costero a lo largo de
las bandas multiespectrales (banda 1 - 8) y la banda pancromática (banda 9). El
comportamiento de cada firma y las diferencias con el resto representa un comportamiento
típico de su cobertura respectivas desde en el rango óptico (Chuvieco, 2008).
69
Figura 37. Firma espectral promedio de Worldview 3 de las categorías mar, suelo y vegetación
La clasificación se llevó a cabo utilizando el método supervisado Support Vector Machine con
una función lineal, debido a su capacidad de generalizar correctamente incluso con muestras
limitadas de entrenamiento (Mountrakis et al., 2011; Pal & Mather, 2005) y al ser un
clasificador avanzado y altamente adaptable, superando a muchos otros clasificadores de uso
común, como Maximum Likelihood y Redes Neuronales (Mountrakis et al., 2011; Khatami et
al., 2016).
En la Figura 38 se encuentra el resultado de la clasificación para las tres playas. Se observa
una delimitación precisa del borde costero para los tres casos. Sin embargo, en Detif, debido a
la cercanía del borde costero con el poblado, se incluyeron ciertos caminos que bordean la
playa como zona costera. Estas áreas fueron tratadas mediante un análisis de distancias y
delimitación entre la línea de la costa y la vegetación por lo que finalmente no fueron
consideradas.
(A) (B)
70
(C)
Figura 38. Clasificación Digital SVM de las playas de Punta Apabón (a), Cuem-Mallil (b) y Detif
(c) para las categorías Mar, Vegetación y Suelo de borde costero.
Clasificación digital no supervisada 6.3.3.
La Figura 39 muestra clasificaciones ISODATA realizadas en la playa de Mallil bajo distintos
parámetros de ajustes. En estas figuras se aprecian los diferentes comportamientos
espectrales en los cuales se mezcla la identificación de RAM como plumavit, basura, arena,
conchas, etc.
(A)
71
(B)
(C)
Figura 39. Playa Cuem-Mallil clasificada con el algoritmo ISODATA bajo 3 combinaciones
distintas. ISODATA 1 (A): 5-10 rangos de cobertura y 10 iteraciones. ISODATA 2 (B): 3-4
rangos de cobertura con 1 iteración. ISODATA 3 (C): 3-7 rangos de cobertura y 10 iteraciones.
Los resultados muestran que, a pesar de generar gran número de iteraciones y buscando
distintos números de coberturas, el modelo no logra establecer coberturas homogéneas que
agrupen de manera distinguida los materiales de la superficie, lo que puede ocurrir debido a
que las firmas espectrales se sobreponen por lo que se recomienda el uso de métodos
digitales supervisados (Richards, 1999). Por lo tanto, en este caso, métodos no supervisados
como ISODATA puede considerarse más bien como acercamiento exploratorio dedicado a
deducir las clases espectrales presentes en la imagen (Mather, 1998).
72
Clasificación supervisada 6.3.4.
A. Fotointerpretación mediante GPS de terreno En el Cuadro 10 se describe brevemente los resultados de los puntos espaciales, dónde
aproximadamente el 56% de ellos fueron registrados con GPS en las campañas de terreno. En
total se generaron 305 puntos, los cuales fueron utilizados para calibrar y validar los
diferentes métodos. Por factores logísticos y climáticos el número de puntos generados por
playas es mayor en el sector de playa punta Cuem-Mallil y playa Detif.
Cuadro 10. Resumen de puntos GPS obtenido en terreno y fotointerpretados
Categoría Punto Espacial
Arena Basura Plumavit Fotointerpretados GPS
Playa Apabón 30 10 25 48 17
Cuem-Mallil
100 17 16 29 104
Detif 25 39 15 30 49
Matao 20 5 8 32 1
Total 175 71 64 139 170
B. Métodos clásicos convencionales Los métodos clásicos convencionales nombrados anteriormente, fueron aplicados en la playa
Cuem-Mallil de calibración (ver Figura 40), utilizando puntos de entrenamientos
fotointerpretados representativos a coberturas de “Basura”, “Arena” y “Plumavit”. Estos
métodos no generaron una alta certeza debido a la confusión de basura con plumavit por
sobre la arena sobreestimando los valores de RAM encontrados en las playas.
73
(A)
(B)
74
(C)
(D)
Figura 40. Clasificadores convencionales en Playa Cuem-Mallil: (A) Minimum Distance, (B)
Mahalanobis Distance”, (C) Maximum Likelihood y (D) Spectral Angel Mapper.
Los métodos anteriores no presentaban la suficiencia identificadora de RAM en playas debido
a un sobre o sub estimación de superficies con basura y plumavit. Por lo tanto, los métodos no
convencionales con apoyo de firmas espectrales e identificación de características espectrales
in-situ permitirían una mejor caracterización. A continuación se presentan los resultados para
las distintas clasificaciones no supervisadas realizadas en este proyecto
75
Cuadro 11. Medidas de Exactitud de las clasificaciones convencionales.
Método EG Kappa EO Plumavit EC Plumavit EO Basura EC Basura Minimum Distance
71.64% 0.38 50% 25% 45.45% 68.42%
Mahalanobis Distance
62.69% 0.30 50% 25% 27.27% 71.43%
Maximum Likelihood
79.10% 0.49 0.0% 14.3% 63.64% 60%
Spectral Angle Mapper
35.82% 0.09 16.67% 80% 54.55% 79.17%
Los valores de Kappa bajo un 40% en la mayoría de los modelos indica que existe una gran
cantidad de clasificaciones erróneas y/u, omitidas, por lo tanto, un índice como la exactitud
global no es representativo para estas coberturas. Asimismo, se observan errores de comisión
y omisión mayores a un 60%, lo que se asocia a que las clasificaciones de plumavit y basura se
confunden entre sí.
Debido a lo anterior, es necesario considerar métodos no convencionales basados en arreglos
combinados entre firmas espectrales y regresiones multidimensionales que permitirían
reducir la dimensión del error así como la generación de mejores resultados en los índices de
acierto.
C. Métodos clásicos no convencionales Para la construcción del modelo predictivo se evalúa el desempeño de diferentes
agrupaciones de firmas espectrales asignadas en 1, 2 o 3 clases diferentes pero de la misma
categoría (e.g. plumavit, basura o arena). El primer grupo de variables (Var 0) corresponde a
las 10 clases originales de las muestras espectrales descritas anteriormente y en la Figura 41.
76
Figura 41. Firmas espectrales promedio de las clases ingresadas en los modelos de
clasificación.
Como se puede observar, entre las clases definidas existe una traslape de la huella espectral,
excepto las clases plumavit y concha. Luego, mediante un proceso analítico se evalúo la
participación de ciertas firmas espectrales en la predicción de RAM.
Para el segundo grupo de variables (Var 1) se excluyeron todas las clases con varianza cero,
principalmente porque los algoritmos no pueden clasificar si no existe una variabilidad
espectral del grupo (e.g. Concha, Red, Malla), provocando errores en clasificación predictiva.
Luego, para el tercer grupo (Var 2) se categorizó en tres grupos globales: “Suelo”, “Plumavit” y
"Basura”. Con esto, se reduce el número de clases para conocer su comportamiento espectral.
En la Figura 42 se presenta el promedio obtenido.
77
Figura 42. Promedio de las huellas espectrales para la clase Basura, Plumavit y Suelo.
Consiguientemente, algunas firmas espectrales fueron descartadas por presentar reflectancia
inferior al 5-10%. Esto sucede para la mayoría de los materiales RAM tipo plástico negro
opaco y transparente. Se descartaron porque existe una descompensación de la reflectancia
medida por el satélite, afectada mayormente por el vapor de agua, el tamaño de la muestra en
terreno y la escala o resolución espacial de la imagen.
78
Figura 43. Firmas espectrales de los principales plásticos encontrados en las playas.
Del mismo modo, las firmas espectrales de sacos blancos que recubren las boyas de plumavit se asignaron a la clase “plumavit”, dado que mantiene un patrón espectral similar a la plumavit. En la Figura 44 siguiente se puede observar este parentesco entre las diferentes muestras.
79
Figura 44. Fotografías y firmas espectrales para muestras de plumavit y sacos de
recubrimiento. Grilla celeste de PVC muestra el pixel del satélite sobre plumavit agrupado.
Posterior al proceso de filtraje y reclasificación para los subconjuntos Var3, Var 4 y Var 5 se
incorporó las firmas espectrales de GPS y fotointerpretación en la modelación para armar el
grupo Var 6. Para esto, se tomó el 50 % de la base de datos y se utilizó para la modelación de
los residuos RAM. En la Cuadro 12 se presenta un resumen que define el número de clases y
los criterios de selección para construir cada grupo.
Cuadro 12. Descripción de los subconjuntos de variables, tipos y número de clases.
Código de Variable
Tipo de variables N° de clases
Criterio de selección
Var 0 Firmas Espectrales Promedio de cada muestra 10 Muestras originales
Var 1 Var 0 con menos clases 7 Se descartó muestras
originales con varianza 0. e.g. Alga, Concha y Red.
Var 2 Var 1 con clases predeterminadas: Plumavit,
Arena y Basura 3
Se agrupó clases de RAM en la clase Basura
Var 3 Var 2 y se clasificó las firmas de sacos y cabos
blancos como plumavit. Plásticos negros removidos por reflectancia (<5%).
3 Muestras RAM. Saco: n31;
n33, f03. Cabo: n04. Plásticos: b01, b03, b04, b05.
Var 4 Var 3 con clases determinadas por “K-means” 3 Las firmas de basura con alta reflectancia se convierten en
clase plumavit
Var 5 Var 3 con clases determinadas por “K-means” 6 Las firmas de basura con alta reflectancia se convierten en
clase plumavit
Var 6 Var 3 junto a firmas espectrales extraídas por
puntos GPS de validación 7
Se utilizó un el 50% de puntos GPS para modelar y
50 % para validar.
80
A continuación, se presentan cartografías representativas para los resultados obtenidos con los métodos descritos y los diferentes sub set de variables.
(A)
(B)
81
(C)
Figura 45. Cartografías de clasificación utilizando el método SVM Radial con la variable 6 (Var 6) para la playa de Mallil (A), Punta Apabón (B) y Detif (C)
La figura anterior muestra el impacto de los métodos no convencionales sobre la estimación
de RAM mejorando la clasificación al incorporar firmas espectrales combinadas de basura,
plumavit en métodos multiregresivos.
Validación 6.4.
El proceso de validación se realizó utilizando las firmas espectrales obtenidas por GPS y foto
interpretadas. Calculando para esto la correspondiente matriz de confusión entre los valores
predichos y los valores reales de la firma. Con esta métrica se obtuvieron los índices de
precisión antes descritos y presentados en esta sección.
Adicionalmente el criterio de validación se aplicó sobre los puntos de muestreo
correspondientes a cada playa. Solamente para el grupo de variables Var 6 se incorporó el
50% de las firmas espectrales extraídas con los puntos GPS.
Puntos espaciales referenciales 6.4.1.
Los puntos referenciales (GPS y fotointerpretados) se utilizan para validar los resultados de los grupos de variables 0- 5 y para el caso del grupo Var 6, se utilizaron para mejorar el modelo predictivo. En la Figura 46 se observan los resultados obtenidos para los siete grupos y lo cinco modelos predictivos utilizados en este estudio. Se aprecia que la mejor combinación de variables fue el grupo 6 (Var 6), alcanzado una precisión o exactitud global sobre el 80% y un índice kappa superior al 50 %.
82
Figura 46. Gráfico de barra del Exactitud global y Kappa para la playa Punta Cuem-Mallil.
En el Cuadro 13 se presentan los mejores resultados obtenidos para las tres playas sumidero
analizadas en este proyecto. Analizando los resultados obtenidos, el grupo de variables Var 6
genera las predicciones más altas gracias a la incorporación de puntos GPS. Esto provoca que
tanto la huella espectral de los materiales identificada en laboratorio como la satelital
produzcan un método altamente confiable para la identificación de RAM.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Cuem Var 4 RF
Cuem Var 4 SVMLinear
Cuem Var 1 SVMRadial
Cuem Var 5 RF
Cuem Var 2 SVMRadial
Cuem Var 3 LDA
Cuem Var 2 LDA
Cuem Var 2 RF
Cuem Var 5 LDA
Cuem Var 3 SVMLinear
Cuem Var 3 SVMPoly
Cuem Var 4 SVMPoly
Cuem Var 3 SVMRadial
Cuem Var 0 SVMPoly
Cuem Var 2 SVMLinear
Cuem Var 5 SVMRadial
Cuem Var 0 RF
Cuem Var 1 SVMPoly
Cuem Var 4 LDA
Cuem Var 1 RF
Cuem Var 1 SVMLinear
Cuem Var 0 SVMLinear
Cuem Var 5 SVMPoly
Cuem Var 0 SVMRadial
Cuem Var 3 RF
Cuem Var 5 SVMLinear
Cuem Var 2 SVMPoly
Cuem Var 6 LDA
Cuem Var 6 SVMLinear
Cuem Var 6 SVMPoly
Cuem Var 6 SVMRadial
Cuem Var 6 RF
Kappa Exactitud
83
Cuadro 13. Selección de los mejores resultados para la validación de los modelos predictivos
RAM mediante índices de precisión.
Playa, Variables y Modelo
Exactitud Kappa Omisión
Arena Omisión Plumavit
Omisión Basura
Comisión Arena
Comisión Plumavit
Comisión Basura
Apabón Var 6 SVMLinear 0.794 0.652 0.056 0.417 0.25 0.150 0 0.571 Apabón Var 6 SVMPoly 0.794 0.652 0.056 0.417 0.25 0.150 0 0.571 Apabón Var 6 RF 0.824 0.713 0.111 0.250 0.25 0.059 0 0.625 Apabón Var 6 SVMRadial 0.912 0.844 0 0.083 0.50 0.100 0 0.333 Cuem Var 6 LDA 0.806 0.357 0 0.333 1 0.194 0 1 Cuem Var 6 SVMLinear 0.821 0.507 0.060 0.167 0.727 0.145 0 0.571 Cuem Var 6 SVMPoly 0.836 0.526 0.040 0.167 0.727 0.158 0 0.400 Cuem Var 6 SVMRadial 0.881 0.647 0 0 0.727 0.138 0 0 Cuem Var 6 RF 0.881 0.665 0.020 0 0.636 0.125 0 0.200 Detif Var 6 RF 0.743 0.588 0.182 0 0.368 0.400 0.167 0.143 Detif Var 6 SVMRadial 0.771 0.619 0.273 0 0.263 0.385 0 0.176 Detif Var 6 SVMPoly 0.801 0.658 0.364 0 0.158 0.222 0.167 0.200 Detif Var 6 SVMLinear 0.829 0.701 0.364 0 0.105 0.222 0 0.190
Validación en playa limpia 6.4.2.
A continuación, se presenta la validación del método sobre la playa Matao, en la Isla Quinchao,
Chiloé. Esta playa representa un sector de playa que se encuentra en constante mantención
por parte de empresas acuícolas, generando un lugar propicio para la validación del modelo.
No obstante, el número y distribución de datos de validación en esta playa es baja, con sólo 33
puntos de muestreo para su validación. En el Cuadro 14 se presentan los resultados para los
indicadores de desempeño.
Cuadro 14. Medidas de desempeño para la predicción de residuos en playa Matao, Quinchao.
Playa, Variables y Modelo
Exactitud Kappa Omisión
Arena Omisión Plumavit
Omisión Basura
Comisión Arena
Comisión Plumavit
Comisión Basura
Matao Var 6 SVMLinear 0.800 0.558 0.000 0.800 0.000 0.188 0.000 0.333
Matao Var 5 SVMRadial 0.758 0.463 0.130 0.375 1.000 0.130 0.375 1.000
Matao Var 6 SVMRadial 0.800 0.577 0.077 0.600 0.000 0.200 0.000 0.333
La cartografía expuesta de Matao (ver Figura 47) representa la aplicación del método SVM con
un Kernel tipo radial, este método generó el mejor desempeño, con los valores de exactitud
global y Kappa. A diferencia del resto de las playas en donde se aplicó el modelo, en playa
Matao se observan pequeñas acumulaciones de plumavit y basura, sin embargo, ciertos
84
puntos de basura representan boyas y plumavit utilizados por los habitantes del sector. Es
necesario destacar que en esta playa se llevan a cabo labores de limpieza de forma constante y
por lo tanto, la mayor parte de los RAM encontrados podrían haber sido removidos de forma
posterior a la identificación de la escena.
Figura 47. Clasificación Digital SVM Radial en la playa “testigo” de Matao.
Estimación de masa RAM en playas sumidero 6.4.3.
Finalmente, con la clasificación de basura definida es posible calcular el área de RAM en las
playas mediante el número de pixeles asignados como plumavit y basura. Ya que, el muestreo
en terreno utilizó una grilla homologa al tamaño de un pixel de la imagen satelital de WV-3
(1,2 m x 1,2 m) los datos de masa generados con este método de recolección in situ son
representativos para estimar la masa total de cada residuo. Por lo tanto, se determinó que la
densidad media del plumavit en 38,16 kg/pixel mientras que la densidad media de la basura
es de 1,7 kg/pixel. Considerando que el grupo de variables que mostró mayores exactitudes es
la “Var 6” se procedió a calcular la cantidad de toneladas de plumavit y basura encontradas en
las playas de calibración y en la playa testigo de Matao.
Como se observa en la Cuadro 15, la mayor concentración de basura está en la playa de Detif
con una masa cercana a las 30 tons de RAM, en donde la basura y el plumavit aportan en
cantidades similares a esta cifra. La playa de Apabón presenta una masa de RAM cercana a las
9 tons, dónde la masa de plumavit es aproximadamente el doble de la masa de basura.
Respecto a las playas de calibración, la playa de Mallil-Punta Cuem presenta la menor
cantidad de RAM con una masa cercana a los 6,7 tons, aportando con casi 5,5 tons solamente
el RAM plumavit. Finalmente, la playa de Matao corrobora el modelo al ser la playa con la
menor cantidad de RAM con solo 2,2 tons la cual representaría aquellas boyas plásticas y
plumavit utilizados por los habitantes del sector.
85
Cuadro 15. Cálculo de la masa de Plumavit (Plvt) y Basura (Bsr) en las playas de calibración y
testigo.
Clasificación Pix Ar Pix Plvt Pix Bsr Masa Plvt [ton] Masa Bsr [ton] Total [ton]
Detif SVMRadial 22985 458 7756 17.5 13.6 31.1
Detif RF 23895 333 6971 12.7 12.2 24.9
Detif SVMLinear 22942 379 7878 14.5 13.8 28.3
Detif SVMPolyplot 20525 496 10178 18.9 17.9 36.8
Apabón RF 12388 144 2213 5.5 3.9 9.4
Apabón SVMlinear 12519 142 2084 5.4 3.7 9.1
Apabón Poly 12625 140 1980 5.3 3.5 8.8
Apabón SVMRadial 13213 187 1345 7.1 2.4 9.5
Cuem RF 23866 150 965 5.7 1.7 7.4
Cuem SVMlinear 23960 113 908 4.3 1.6 5.9
Cuem SVMPoly 24481 104 396 4.0 0.7 4.7
Cuem SVMRadial 24190 207 584 7.9 1.0 8.9
Matao RF 12213 19 1084 0.7 1.9 2.6
Matao SVMlinear 12220 15 1081 0.6 1.9 2.5
Matao SVMPoly 12548 15 753 0.6 1.3 1.9
Matao SVMRadial 12921 37 358 1.4 0.6 2.0
7. DISCUSIÓN
Los resultados demuestran que métodos de teledetección cuantitativa pueden ser aplicados
para la determinación de RAM sobre las playas de Chiloé aunque es necesario considerar
ciertas limitaciones relacionadas con el tipo de imagen satelital, la diferenciación de RAM en
base a un modelo predictivo y el real impacto en la cuantificación del volumen de los residuos.
Las imágenes satelitales más apropiadas para este estudio deben tener una resolución
espacial de 1,5 m o mayor detalle. Si bien es cierto, eso implica directamente la utilización de
imágenes pagadas, la generación de imágenes de este tipo de resoluciones espaciales es
posible de realizar mediante imágenes adquiridas por sensores multiespectrales a borde de
vehículos aéreos no tripulados o en su defecto, a través de la comparación con sensores
equivalentes a 1,5 m a través de un proceso de fusión de imágenes. En este caso, el Fasat-C o
RapidEye pueden generar imágenes fusionadas a 1,5 m a partir de detalles espaciales de 5 m
de resolución espacial de pixel. Si bien es cierto, las imágenes con detalle espacial de 5 x 5 m
pueden ser utilizadas, estas solo identificarán las acumulaciones más preponderantes de
plumavit.
Por otra parte, las imágenes multiespectrales que no posean bandas en el infrarrojo cercano y
de onda corta, disminuyen la precisión en la identificación de plumavit y su respectiva
diferenciación con superficies de alto grado calcáreo como conchas. Esto se debe a que en las
86
bandas del visible, según lo muestra la librería espectral generada en este proyecto, existe una
similitud espectral entre las superficies de alta reflectancia por lo que la separación espectral
en esta región del espectro electromagnético amerita un análisis posterior o complementario.
Para el caso del análisis complementario, este puede corresponder a bandas en el infrarrojo
cercano o de onda corta así como tecnología LiDAR para detectar la altura de la superficie. De
esta forma, se podrá identificar reales volúmenes de superficie y diferenciarlos con coberturas
que no presentan más de 20 cm de altura. Sin embargo, los costos deben ser ponderados
según la aplicación de identificación ya que las imágenes multiespectrales con 8 bandas y de
alta resolución espacial (1 a 0,3 m) tienen un valor máximo de 56 USD/km2. Un vuelo LiDAR
puede tener un precio que comienza en 5 Mclp sin considerar las limitaciones de horas de
vuelo, aeropuerto, horas de piloto, permisos entregados por la Dirección General de
Aeronáutica Civil (DGAC), entre otras.
El modelo predictivo desarrollado demuestra ser una herramienta útil para la identificación
de RAM en playas. El modelo propuesto contempla cuatro etapas básicas contempladas en un
análisis geoespacial preliminar, aplicación de un área no supervisada para la determinación
de zonas homogéneas, clasificación digital supervisada basada en el método de Support Vector
Machine y un complemento de K-means utilizando la librería espectral del promedio de
basuras y plumavit. Esto resulta complejo para su repetitividad en diversas playas de Chiloé
ya que amerita de un análisis exploratorio experto. Sin embargo, la librería espectral es de
libre utilización y el método se detalla en este proyecto así como una futura publicación en
Acuña et al. (2017). Si bien es cierto, sus resultados superan el 85% de precisión sobre la
clasificación de basura y plumavit, pero es importante destacar que gran parte de este éxito
utilizó un criterio experto influenciando en el modo operacional de esta técnica.
El modelo no entrega una diferenciación de basuras aunque si es posible determinar, en base
a la separabilidad espectral, una clasificación de plumavit. La validación fue parcialmente
aplicada en la playa de Punta Cuem-Mallil donde toda la basura de cada pixel fue pesada
determinando los kilogramos por superficie (Kg/m2) que existían en la imagen generada. Sin
embargo, no se pudo validar la cartografía resultante con ninguna operación de limpieza por
dos razones fundamentales. En la jornada de limpieza de la playa punta Cuem-Mallil (28 de
julio 2017) solo fueron removidos los elementos de mayor volumen como plásticos, boyas y
plumavit. La mayor parte de la basura no fue removida. El monto recogido también
consideraba los bloques de plumavit y boyas plásticas que estaban bajo árboles y dentro de
cuevas que no fueron clasificados por el modelo, generando posibles sesgos en el valor final
estimado y recolectado. Por otra parte, la playa de Detif, estimada en casi 30 tons de basura
fue limpiada de forma parcial (menos del 80% de la superficie de la playa) donde sus
resultados no fueron comunicados y menos aún categorizados y publicados. Por lo tanto, la
precisión del modelo en relación a su aplicación en diversas playas está todavía pendiente de
validación. Es destacable que se aplicó el modelo en la playa de Matao la cual se encuentra con
nula acumulación debido a las acciones de limpieza conjunta entre el centro de cultivo
ubicado frente a esta playa y la comunidad. En esta playa se puede apreciar que el modelo
identificó algunas boyas como basura y ciertas formaciones de plumavit, destacando su gran
versatilidad en zonas donde puede detectar inclusive formaciones de basura aisladas.
87
El modelo predictivo se basa en una clasificación superficial de RAM. Los RAM que se
encuentran enterrados no han sido posibles de estimar con el modelo predictivo, vale denotar
que en campañas de terreno se encontró objetos hasta 80 cm de profundidad. Con el fin de
considerar parte de este tipo de basuras en la predicción, el 5% del porcentaje superficial
asignado a este volumen es un valor netamente derivado de los datos de la campaña de
terreno, el cual puede ser significativamente mayor y es necesario analizarlo con sumo detalle.
Este análisis no es parte de los objetivos de este proyecto. El tipo de superficie también afecta
significativamente a la identificación de residuos. En el caso de Punta Cuem-Mallil, la
superficie fue de Arena donde la mayor parte de la basura presentaba un tipo de agregación
superficial, en cambio en la playa de Detif, la superficie de piedras confundía la reflectancia de
plumavit y concha debido a que esta última también generaba una alta proporción de energía.
Si bien es cierto, el modelo predictivo se puede adaptar a esta superficie, información
complementaria es necesaria para poder cuantificar los RAM sub-superficiales. Precisamente
en la playa de Detif, los RAM tienen una dinámica no precisada debido al tamaño de partículas
involucradas en la playa, generando un alto flujo de residuos entrelazándose entre material
natural (maderas, raíces y palos) y materiales antrópicos (cabos, plumavit, PET). Es necesario
destacar que en esta playa, las partículas de plumavit mínimas estimadas en 3 mm de tamaño
siempre quedaron en capas superficiales y sub-superficiales generando una difícil limpieza.
Esto debe considerarse con sumo detalle ya que la limpieza de precisión es un concepto a
analizar en futuras actividades de limpieza. Un ejemplo de esto es la limpieza mediante el uso
de elementos de pinza o coladeros por peso específico para separar objetos de bajo y alto peso
específico.
Finalmente, es necesario destacar que la propia dinámica de los RAM en las playas preocupa a
las personas que habitan alrededor de ellas. En función de las encuestas realizadas, se ha
determinado que cuando existe un exceso no determinado de RAM en las playas, los
pobladores proceden a rastrillar y quemar los RAM, o utilizar parte de plumavit encontrado
para ciertas labores. También fue posible encontrar artesanías locales hechas de recolección
de cabos y otro tipo de elementos. Esto podría impactar en la superficie de RAM identificada
ya que dependen del momento de adquisición de la imagen satelital y no necesariamente se
pueda relacionar con labores de limpieza posterior.
88
8. CONCLUSIÓN
El proyecto “Estudio para la generación de un modelo predictivo de residuos en 3 playas de
Chiloé, mediante Teledetección Cuantitativa (PRED-RES Chiloé)” demostró la posibilidad de
identificar residuos antropogénicos marinos en Chiloé basado en métodos de teledetección
cuantitativa. El modelo presenta una precisión sobre el 80% el cual fue calibrado y validado
las playas de Detif, Punta Cuem – Mallil, Punta Apabón y Matao. Imágenes satelitales con un
detalle espacial de 5 x 5 m a 0,35 m son las más adecuadas para la identificación de RAM
aunque los mejores resultados fueron obtenidos por la combinación de 1,2 m y 8 bandas
multiespectrales. El modelo predictivo no es operacional debido al nivel de repetición
necesario en este proyecto, aunque este puede ser sintetizado y aplicado en secuencias de
monitoreo satelital de playas para la cuantificación de la tasa de RAM que varan en las
diversas playas de Chiloé. Así mismo, el modelo predictivo tiene la potencialidad de ser
escalable a otras regiones que cuenten con similares problemas de RAM en playas.
Los montos determinados por el modelo predictivo equivalen a toneladas de basura
antropogénica marina lo cual fue comparado y validado parcialmente por las limpiezas
incompletas realizadas en Punta Cuem-Mallil y Detif. Este resultado responde a las preguntas
iniciales formuladas por el mandante sobre la importancia de los RAM en las playas y los
modelos de gestión integrada de residuos antropogénicos marinos. De hecho, Chiloé no
cuenta con un relleno sanitario y actualmente la basura se acumula en el vertedero de las
respectivas municipalidades. Debido al volumen de basura encontrado en las playas, la
generación de acuerdos público-privados permite la limpieza de las playas contaminadas
aunque este sistema amerita de una estructura productiva. La herramienta generada en este
proyecto permitiría fortalecer los acuerdos voluntarios o mandatorios de limpieza de playas
donde se encuentran RAM. Sin embargo, es necesario generar un futuro acuerdo de
producción limpia al considerar la limpieza de playas equivalente a un barrio en vez del área
colindante a la concesión. De esta forma, se puede sincronizar un desarrollo sustentable
fortaleciendo el sector productivo al incorporar tecnología satelital en el monitoreo de la
basura de las playas de Chiloé.
89
9. BIBLIOGRAFÍA
Acuña, T., C. Mattar y H.J. Hernández. 2016. Caracterización espectral de Quillaja
saponaria (Mol.). Revista de Teledetección, 47: 65-73.
Adapt Chile. 2016. Antecedentes del manejo y gestión de residuos en chile. Red Chilena
de Municipios ante el cambio climático, Santiago, Chile, 9p.
ASCC (Agencia de Sustentabilidad y Cambio Climático). [En línea]. Guía para la
elaboración de un diagnóstico como base para proponer un acuerdo de producción limpia.
Departamento de Acuerdos de Producción Limpia. 26p. Recuperado en:
<http://fpl.cpl.cl/ayuda/guias/documentos/guia_1.pdf>. Consultado el: 2 de febrero de 2017.
Andrade, B., Arenas, F. y Quense, J. 2000. Caracterización ambiental aplicada y
ordenamiento del territorio: la costa oriental de la Isla Grande de Chiloé. Revista de Geografía
Norte Grande, vol. XXVII, pp. 123-132.
Astudillo, J., M. Bravo, C. Dumont and M. Thiel. 2009. Detached aquaculture buoys in the
SE Pacific: potential dispersal vehicles for associated organisms. Aquatic Biology, 5: 219-231.
Barnes, D. 2002. Invasions by marine life on plastic debris. Nature, 416: 808-809.
Barnes, D. and P. Milner. 2005. Drifting plastic and its consequences for sessile organism
dispersal in the Atlantic Ocean. Marine Biology, 146: 815-825.
Barnett, A., Wiber, M., Rooney, M. y Curtis, D. 2016. The role of public participation GIS
(PPGIS) and fishermen's perceptions of risk in marine debris mitigation in the Bay of Fundy,
Canada. Revista Ocean & Coastal Management, vol. CXXXIII, pp. 85-94
Barrientos, C., C. Mattar, T. Nakos and W. Perez. 2016. Radiometric Cross-Calibration of
the Chilean Satellite FASat-C Using RapidEye and EO-1 Hyperion Data and a Simultaneous
Nadir Overpass Approach. Remote Sens., 8(7): 612.
BCN (Biblioteca del congreso Nacional). Reportes estadísticos comunales 2015.
Recuperado en: <http://reportescomunales.bcn.cl/2015/index.php/Puqueld%C3%B3n>.
Consultado el: 24 de agosto, 2017.
Bergmann, M., L. Gutow and M. Klages. 2015. Marine Anthropogenic Litter. Alemania:
Springer Open. 447p.
Bourne, W. and G. Clarke. 1984. The occurrence of birds and garbage at the Humboldt
Front off Valparaiso, Chile. Marine Pollution Bulletin, 15: 343-344.
Brainard, R., D. Foley and M. Donohue. 2000. Origins, Types, Distribution, and
Magnitude of Derelict Fishing Gear. (pp.24-38). In: Proceedings of the International Marine
90
Debris Conference on Derelict Fishing Gear and the Ocean Environment. Hawaii: National
Marines Sanctuaries. 490p.
Bravo, M., M. Gallardo, G. Luna-Jorquera, P. Núñez, N. Vásquez and M. Thiel. 2009.
Anthropogenic debris on beaches in the SE Pacific (Chile): Results from a national survey
supported by volunteers. Marine Pollution Bulletin, 58: 1718-1726.
Breiman, L. 2001. Random forests. Machine Learning, 45, 5–32.
Campbell, J. and R. Wynne. 2011. Introduction to Remote Sensing. 5a. ed. Estados
Unidos: The Guildford Press. 669p.
Castro-Esau, K. L.; Sanchez-Azofeifa, G. A.; Rivard, B.; Wright, S. J.; & Quesada, M. 2006.
Variability in Leaf Optical Properties of Mesoamerican Trees And the Potential For Species
Classification, 93(4), 517–530.
CPPS (Comisión Permanente del Pacífico Sur). 1981. Convenio para la protección del
medio marino y la zona costera del pacífico sudeste. Lima, Perú: 12 de noviembre de 1981,
9pp.
CET (Centro de Educación y Tecnología). 2011. Actualización línea base Chiloé:
Proyecto GCP/GLO/212/GFF: “Conservación y Gestión Adaptativa de los Sistemas
Importantes del Patrimonio Agrícola Mundial (SIPAM). Sipam, Chiloé, 63 pp.
Chesire, A., E. Adler, J. Barbière, Y. Cohen, S. Evans, S. Jarayabhand et al. 2009. UNEP/IOC
Guidelines on Survey and Monitoring of Marine Litter. United Nations Environment
Programmes, Regional Seas Reports and Studies, No. 186; IOC Technical Series No. 83. 131p.
Chuvieco, E. Teledetección Ambiental. La Observación de la Tierra Desde el Espacio;
Editorial Ariel, S.A.: Madrid, España, 2008; p. 430.
Cicin-Sain, B. and R. Knecht. 1998. Integrated coastal and Ocean Management. Island
Press, Washinton, D.C., 519p.
Científicos de las Basura. [En línea]. Santiago, Chile. Recuperado en:
<http://www.cientificosdelabasura.cl>. Consultado el: 7 de mayo de 2017.
Clark, M. L.; Roberts, D.; & Clark, D. B. 2005. Hyperspectral discrimination of tropical
rain forest tree species at leaf to crown scales. Remote Sensing of Environment, 96(3-4), 375–
398.
Clark, M. L. & Roberts, D. a. 2012. Species-level differences in hyperspectral metrics
among tropical rainforest trees as determined by a tree-based classifier. Remote Sensing, 4,
1820–1855.
Coe, J. M. and D. Rogers. 1997. Marine Debris: Sources, Impacts, and Solutions. Springer,
New York, 432p.
91
Concejo Municipal de Castro (6 de junio de 2017, Castro, Chile). [En línea]. (Acta sesión
ordinaria Nº26). Recuperado en:
<http://transparencia.municastro.cl/index.php?action=plantillas_generar_archivo&ig=188&
m=6&a=2017&ia=28725> Consultado el: 12 de agosto de 2017.
Concejo Municipal de Quellón (11 de julio de 2011, Quellón, Chile. [En línea]. (Acta
sesión ordinaria Nº21). Recuperado en:
<http://transparencia.muniquellon.cl/archivos/actas_acuerdos_40.pdf> Consultado el: 12 de
agosto de 2017.
Convey, P., D. Barnes and A. Morton. 2002. Debris accumulation on oceanic island
shores of the Scotia Arc, Antarctica. Polar Biology, 25: 612-617.
CORFO (Corporación Nacional de Fomento de la Producción). 2008. Resolución afecta
Nº 303, Fija el texto refundido del reglamento del comité ‘Consejo Nacional de Producción
Limpia’. Santiago, 6p.
Decreto con Fuerza de Ley N° 1 del Ministerio del Interior. 2006. Fija El Texto
Refundido, Coordinado Y Sistematizado De La Ley Nº 18.695, Orgánica Constitucional De
Municipalidades. Última versión 06 de Diciembre 2016.
Decreto con Fuerza de Ley Nº292 del Ministerio de Hacienda. 2002. Aprueba ley
orgánica de la dirección general de territorio marítimo y de marina mercante. Última versión
31 de mayo, 2002.
Decreto Ley Nº2.442 del Ministerio de Economía, fomento y reconstrucción. 1978.
Establece funciones y atribuciones del ministerio de economia, fomento y reconstruccion, en
materia de pesca: organiza la subsecretaría de pesca; crea el consejo nacional de pesca y el
servicio nacional de pesca. Última versión 30 de agosto 2012.
Decreto Supremo Nº290 del Ministerio de Economía. 1993. Reglamento de concesiones
y autorizaciones de acuicultura. Última versión 24 de julio de 2015.
Decreto Supremo Nº 320 del Ministerio de Economía, Fomento y Turismo. 2001.
Reglamento Ambiental para la Acuicultura. Última versión 9 de mayo 2016.
Decreto Supremo Nº475 del Ministerio de Defensa Nacional. 1994. Establece política
nacional de uso del borde costero del litoral de la República, y crea comisión nacional que
indica. Última versión 11 de enero 1995.
Derraik, J. 2002, sept. The pollution of the marine environment by plastic debris: a
review. Marine Pollution Bulletin, 44(9): 842-852.
Dirección general del Territorio Marítimo y Marina Mercante (DIRECTEMAR). 2014.
Desechos marinos en playas de jurisdicción de la gobernación marítima de castro. Informe
técnico Nº2, Dirección marítima de Castro, Chiloé, 42p.
92
Dirección general del Territorio Marítimo y Marina Mercante (DIRECTEMAR). 2016.
Desechos marinos en playas de jurisdicción de la gobernación marítima de castro: condición
octubre 2016. Informe técnico Nº3, Dirección marítima de Castro, Chiloé, 5p.
Driedger, A., H. Dürr, K. Mitchell and P. Van Capellen. 2015. Plastic debris in the
Laurentian Great Lakes: A review. Journal of Great Lakes Research, 41: 9-19.
Drusch, M., U. Del Bello, S. Carlier, O. Colin, V. Fernandez, F. Gascon et al. 2012. Sentinel-
2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of
Environment, 120: 25-36.
Duda, R. O. and Hart, P. E. 1973. Pattern Classiffication and Scene Analysis (New York:
Wiley).
Durán-Alarcón, C., A. Santamaría-Artigas, N. Valenzuela y C. Mattar. 2014. El RSR
calculator, una herramienta útil para el proceso de calibración/validación. Aplicación al
sensor Landsat 8 (LDCM). Revista de Teledetección, 42: 111-117.
Egorov, A., M. Hansen, D. Roy, A. Kommareddy and P. Potapov. 2015. Image
interpretation-guided supervised classification using nested segmentation. Remote Sensing of
Environment, 165: 135-147.
European Comission. 2013. Guidance on Monitoring of Marine Litter in European Seas.
Joint Research Centre, Institute for Environment and Sustainability. Ispra, Italia, 128p.
Féret, J.-B. & Asner, G. P. 2011. Spectroscopic classification of tropical forest species
using radiative transfer modeling. Remote Sensing of Environment, 115(9), 2415–2422.
Fujieda, S. and K. Sasaki. 2005. Stranded debris of foamed plastics on the coast of Eta
Island and Kurahashi Island in Hiroshima Bay. Nippon Suisan Gakkai, 71: 755-761.
Fung, T.; Yan Ma, H. F. and W. L. Siu. 2003. Band Selection Using Hyperspectral Data of
Subtropical Tree Species. Geocarto International, 18(4), 3–11.
Galgani, F.; Hanke, G. and T. Maes. 2015. Global Distribution, Composition and
Abundance of Marine Litter. (cap. 2, pp.29-56). In: Bergmann, M., L. Gutow and M. Klages
(Eds.). Marine Anthropogenic Litter. Alemania: Springer Open. 447p.
Gall, S. and R. Thompson. 2015. The impact of debris on marine life. Marine Pollution
Bulletin, 92(1-2): 170-179.
Gregory, M. and A. Andrady. 2003. Plastics in the marine environment. (cap. 10, pp.379-
401). In: Andrady, A. (Ed.). Plastics and the environment. Hoboken, New Jersey: John Wiley.
792p.
GRS (Grupo de Residuos Sólidos). 2009. Diagnóstico para gestión integral de residuos
sólidos en Chiloé y Palena. Resumen Informe Etapa 4 (Código BIP 30060594-0). Gobierno de
la Región de Los Lagos, CONAMA, PUC Valparaíso. 12p.
93
Hardesty, B.; Good, T. and C. Wilcox. 2015. Novel methods, new results and science-
based solutions to tackle marine debris impacts on wildlife. Ocean & Coastal Management,
115: 4-9.
Hildalgo-Ruz, V. and M. Thiel. 2013. Distribution and abundance of small plastic debris
on beaches in the SE Pacific (Chile): A study supported by a citizen science project. Marine
Environmental Research, 87-88: 12-18.
Hinojosa, I. and M. Thiel. 2009. Floating marine debris in fjords, gulfs and channels of
southern Chile. Marine Pollution Bulletin, 58: 341-350.
Hinojosa, A.; Rivadeneira, M. and M. Thiel. 2011. Temporal and spatial distribution of
floating objects in coastal waters of central-southern Chile ans Patagonian fjords. Continental
Shelf Research vol. XXXI, pp. 172 – 186.
Holland, E.; Mallory, M. and D. Shutler. 2016. Plastics and other anthropogenic debris in
freshwater birds from Canada. Science of the Total Environment, 571: 251-258.
Hyrenbach, D. and J. Kennish. 2008. Question 6: How Does Marine Debris Affect Wildlife
and the Environment? In: Williams, M. and E. Ammann (Eds.). Marine Debris in Alaska:
Coordinating Our Efforts. Estados Unidos: Alaska Sea Grant College Program, University of
Alaska Fairbanks. 137p.
Ibrahim, H.; Beltagy, E.; El-Din, N.; El Zokm, G.; El-Sikaily, A. and G. Abu-Elela. 2015.
Seaweeds agarophytes and associated epiphytic bacteria along Alexandria coastline, Egypt,
with emphasis on yhe evaluation and extration of agar and agarose. Revista de Biología
Marina y Oceanografía, vol. L (3), pp. 545-561.
ICC (International Coastal Cleanup). 2009. A Rising Tide of Ocean Debris: and What We
Can Do About It. Ocean Conservancy. 64p.
Immitzer, M.; Atzberger, C.; & Koukal, T. 2012. Tree species classification with Random
forest using very high spatial resolution 8-band worldView-2 satellite data. Remote Sensing,
4(9), 2661–2693.
IMO (International Maritime Organization). 1972. Convention on the Prevention of
Marine Pollution by Dumping of Wastes and Other Matter. Londres, 63pp.
INN (Instituto Nacional de Normalización), Chile. NCh2797. Of2009. 2008. Acuerdos de
Producción Limpia (APL) – Especificaciones. Santiago, Chile: INN para Consejo de Producción
Limpia, 2009. 25p.
Iñiguez, M. E., Conesa, J. A. & Fullana, A. 2015. Marine debris occurrence and treatment:
A review. Renewable and Sustainable Energy Reviews, vol. LXIV, pp. 394 - 402.
94
Ivar do Sul, J. and M. Costa. 2007. Marine debris review for Latin America and the Wider
Caribbean Region: From the 1970s until now, and where do we go from here? Marine
Pollution Bulletin, 54: 1087-1104.
Jara, C. y E. Jaramillo. 1979. Hallazgo de Planes marinus Rathbun, 1914, sobre boya a la
deriva en bahía de Maquillahue Chile (Crustácea. Decapoda, Grapsidae). Medio ambiente, 4:
108-113.
Jones, H. and Vaughan, R. 2010. Sampling, error, and scaling: In Remote Sensing of
Vegetation. Principles, techniques, and applications (First, p. 384). Oxford University Press.
New York, NY, USA.
Khatami, R.; Mountrakis, G. and Stehman, S. V. 2016. A meta-analysis of remote sensing
research on supervised pixel-based land-cover image classification processes: General
guidelines for practitioners and future research. Remote Sensing of Environment, 177:89-100.
Kiessling, T., S. Salas, K. Mutafoglu and M. Thiel. 2017. Who cares about dirty beaches?
Evaluating environmental awareness and action on coastal litter in Chile. Ocean & Coastal
Management, 137:82-95.
Kruse, F.A., Lefkoff, A.B., Boardman, J.B., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J., &
Goetz, A.F.H. 1993. “The Spectral Image Processing System (SIPS) - Interactive Visualization
and Analysis of Imaging spectrometer Data. Remote Sensing of the Environment, 44, 145-163.
Kuhn, M. and Johnson, K. 2013. Applied Predictive Modeling. Springer (2nd ed.). New
York, NY, USA.
Leiva, N. 2009. Descubren alta densidad de desechos cotidianos en las costas de Chile.
DiarioUchile. [En línea] 9 de noviembre de 2009. Recuperado en: <
http://radio.uchile.cl/2009/11/09/descubren-alta-densidad-de-desechos-cotidianos-en-las-
costas-de-chile/ > Consultado el: 7 de marzo de 2017.
Ley Nº18.892. 1989. Ley general de pesca y acuicultura. Santiago: Ministerio de
Economía, fomento y producción, 1989.
Ley Nº20.417 del Ministerio Secretaría General de la Republica. 2012. Crea el
ministerio, el servicio de evaluación ambiental y la superintendencia del medio ambiente.
Última versión 28 de junio 2012.
Ley Nº20.920. 2016. Establece marco para la gestión de residuos, la responsabilidad
extendida del productor y fomento al reciclaje. Santiago: MMA, 2016.
Lintz, J. and D. Simonett. 1976. Remote sensing of environment. Estados Unidos:
Addison-Wesley Pub. 694p.
95
Liu, C., Wang, W., Wang, M., Lv, F. & Konan, M. 2016. An efficient instance selection
algorithm to reconstruct training set for support vector machine. Knowledge-Bases Syste, 116,
58-73.
Mace, T. 2012. At-sea detection of marine debris: Overview of technologies, processes,
issues, and options. Marine Pollution Bulletin, 65: 23-27.
Mather, P. M. 1998. Computer Processing of Remotely Sensed Images, Chichester, John
Wiley & Sons.
McElwee, K. and C. Morishige (Eds.). 2010. Proceedings of the Workshop on At-sea
Detection and Removal of Derelict Fishing Gear. (9 y 10 de diciembre de 2008, Honolulu).
Hawái, Estados Unidos: National Oceanic and Atmospheric Administration. 92p.
Medina-López, C., Marín-García, J. & Alfalla-Luque, R. 2010. Una propuesta metodológica
para la realización de búsquedas sistemáticas de bibliografía. Working Papers on Operation
Management, vol. I (2), pp. 13-31.
Merrill, J. 2016. Estudio del efecto de la composición mineralógica en la reología de
pulpas basado en técnicas de caracterización avanzada. Tesis para optar al Grado de Magíster
en Ciencias de la Ingeniería, Mención Metalurgia Extractiva. Santiago, Chile: Facultad de
Ciencias Físicas y Matemáticas, Universidad de Chile. 216h.
Michez, A. H. Piégay, L. Jonathan, H. Claessens and P. Lejeune. 2016. Mapping of riparian
invasive species with supervised classification of Unmanned Aerial System (UAS) imagery.
International Journal of Applied Earth Observation and Geoinformation, 44: 88-94.
MOP (Ministerio de Obras Públicas). 2016. Red vial Nacional, dimensionamiento y
características. Departamento de gestión vial, Subdirección de desarrollo, Dirección de
vialidad. Ministerio de Obras Públicas, Santiago, Chile. 419p.
Morishige, C. and K. McElwee. 2012. At-sea detection of derelict fishing gear in the North
Pacific: An overview. Marine Pollution Bulletin, 65: 1-6.
Mountrakis, G.; Im, J. and Ogole, C. 2011. Support vector machines in remote sensing: A
review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3); 247-259.
Mouat, J., R. Lopez and H. Bateson. 2009, sept. Economic Impacts of Marine Litter. KIMO
International: Escocia. 117p.
NCM (Nordic Council of Ministers). 2015. Marine Litter in Nordic Waters. Norden,
Copenhagen, Dinamarca, 79p.
Nelms, S., C. Coombes, L. Foster, T. Galloway, B. Godley, P. Lindeque and M. Witt. 2017.
Marine anthropogenic litter on British beaches: A 10-year nationwide assessment using
citizen science data. Science of the Total Environment, 579: 1399-1409.
96
OSPAR (Convention for the Protection of the Marine Environment of the North-East
Atlantic). 2016. OSPAR Recommendation 2016/1 on the reduction of marine litter through
the implementation of fishing for litter initiatives. En: Regional Action Plan for Prevention and
Management of Marine Litter in the North-East Atlantic. Inglaterra, 23p.
Pacifici, F. 2016. Validation of the DigitalGlobe surface reflectance product. In
Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International (pp. 1973-
1975). IEEE.
Pal, M. 2005. Random forest classifier for remote sensing classification. International
Journal of Remote Sensing, 26(1), 217–222.
Pal, M. and Mather, P. M. 2005. Support vector machines for classification in remote
sensing. International Journal of Remote Sensing, 26(5): 1007-1011.
Pham, C., E. Ramirez-Llodra, C. Alt, T. Amaro, M. Bergmann, M. Canals et al. 2014, apr.
Marine Litter Distribution and Density in European Seas, from the Shelves to Deep Basins.
PLoS ONE, 9(4).
Pichel, W., T. Veenstra, J. Churnside, E. Arabini, K. Friedman, D. Foley et al. 2012.
GhostNet marine debris survey in the Gulf of Alaska – Satellite guidance and aircraft
observations. Marine Pollution Bulletin, 65: 28-41.
PlasticsEurope. 2012. Plastics – the Facts 2012: An analysis of European plastics
production, demand and waste data for 2011. PlasticsEurope, Bruselas, Bélgica. 48p.
PlasticsEurope. 2015. Plastics – the Facts 2015: An analysis of European plastics
production, demand and waste data. PlasticsEurope, Bruselas, Bélgica. 30p.
Price, J. C. 1994. How Unique Are Spectral Signatures ?, 186, 181–186.
Reuter, D., C. Richardson, F. Pellerano, J. Irons, R. Allen, M. Anderson et al. 2015. The
Thermal Infrared Sensor (TIRS) on Landsat 8: Design Overview and Pre-Launch
Characterization. Remote Sensing, 7: 1135-1153.
Richards, J.A. 1999, Remote Sensing Digital Image Analysis Springer-Verlag, Berlin, p.
240.
Rochman, C. and M. Browne. 2013. Classify plastic waste as hazardous. Nature, 494:
169-170.
Rothausler, E., Gómez, I., Hinojosa, I., Karsten, U., Tala, F. and M. Thiel. 2009. Effect of
temperature and grazing on growth and reproduction of floating Macrocystis spp.
(Phaeophyceae) along a latitudinal gradient. J. Phycol, vol, XLV, pp. 547-559.
SERNAPESCA (Servicio Nacional de Pesca y Acuicultura). 2014. Índices descriptivos del
estado del registro nacional de acuicultura. Valparaíso: MEFT, 9p.
97
SERNAPESCA (Servicio Nacional de Pesca y Acuicultura). 2015. Anuario 2015 –
Cosechas CC Región. [en línea]. Valparaíso, Chile: Servicio Nacional de Pesca. Recuperado en: <
http://www.sernapesca.cl/index.php?option=com_remository&Itemid=246&func=fileinfo&id
=22583>. Consultado el: 23 de febrero de 2017.
SERNAPESCA (Servicio Nacional de Pesca y Acuicultura). 2016. Informe en Actividades
de Pesca y acuicultura, año 2015. Valparaíso: MEFT, 69p.
SERNAPESCA (Servicio Nacional de Pesca y Acuicultura). [En línea]. Aplicación de
Visualización de Maras de la Subsecretaría de Pesca y Acuicultura. Valparaíso: MEFT.
Recuperado en: <http://mapas.subpesca.cl/visualizador/> Consultado el: 26 de enero de
2017.
Schafer, A. & Girondi, E. 2008. Artisanal fishing areas and traditional ecological
knowledge: The case study of the artisanal fisheries of the Patos Lagoon estuary (Brazil).
Revista Marine Policy, vol. XXXII (3), pp. 283-292.
SUBPESCA (Subsecretaría de Pesca). 2003. Propuesta de Política Nacional de
Acuicultura. Valparaíso, 76p.
Thiel, M., I. Hinojosa, N. Vásquez and E. Macaya. 2003. Floating marine debris in coastal
waters of the SE-Pacific (Chile). Marine Pollution Bulletin, 46: 224-231.
Thompson, R., C. Moore, F. Vom Saal and S. Swan. 2009, jun. Plastics, the environment
and human health: current consensus and future trends. Philosophical Transactions of the
Royal Society B, 364: 2153-2166.
Thompson, R., La Belle, B., Bouwman, H. y Neretin, L. 2011. Marine Debris: Defining a
Global Environmental Challenge. A Scientific and Technical Advisory Panel document of the
Global Environmental Facility (GEF). GEF, Washington, DC., 28p
UNEP (United Nations Enviroment Programme). 2009. Marine Litter: A Global
Challenge. UNEP, Nairobi. 234p.
UNEP (United Nations Enviroment Programme); IOC (Intergovernmental
Oceanographic Commission). 2009. UNEP/IOC Guidelines on Survey and Monitoring of
Marine Litter. Regional Seas Reports and Studies Nº 186, IOC Technical Series Nº 83. Nairobi,
131p.
UNEP (United Nations Enviroment Programme). 2016. Marine Plastic Debris &
Microplastics. Global lessons and research to inspire action and guide policy change. Nairobi,
274p.
Unger, B.; Rebolledo, E.; Deaville, R.; Gröne, A.; IJsseldijk, L.; Leopold, M. et al. 2016.
Large amounts of marine debris found in sperm whales stranded along the North Sea coast in
early 2016. Marine Pollution Bulletin, 112(1-2): 134-141.
98
Vermote, E. F., Roger, J. C., and Ray, J. P. 2015. MODIS surface reflectance User’s Guide,
Collection 6, Version 1.4. MODIS Land Surface Reflectance Science Computing Facility.
Woodall, L., A. Sanchez-Vidal, M. Canals, G. Paterson, R. Coppock, V. Sleight et al. 2014,
dec. The deep sea is a major sink for microplastic debris. Royal Society Open Science, 1.
Zhong, Y. and L. Zhang. 2012. An Adaptive Artificial Immune Network for Supervised
Classification of Multi-/Hyperspectral Remote Sensing Imagery. IEEE Transactions on
Geoscience and Remote Sensing, 50(3): 894-909.
99
10. ANEXOS
Firmas espectrales adicionales 10.1.
A. Alga
B. Cabos
100
C. Concha
D. Cuerda
E. Malla
101
F. Red
Figura 48. Firmas espectrales (a) Alga, (b) Cabo, (c) Concha, (d) Cuerda, (e) Malla, (f) Red
Encuestas 10.2.
Cuadro 16. Encuesta para actores del sector público
Ficha “Elaboración de una propuesta para la gestión integral de
residuos antropogénicos costeros en la isla de Chiloé”
Entiéndase por Residuos Antropogénicos Marinos (RAM) boyas de
plumavit, boyas plásticas, cabos, jaulas, elementos de anclaje, y
demás elementos relacionados con la actividad acuícola.
Antecedentes generales
Nombre de la institución, departamento o área: _______________________
Cargo: ________________________________________________________
Sector público administrativo
¿Cómo se relaciona la institución con la actividad acuícola?
______________________________________________
¿Cómo se relaciona la institución con el tratamiento de RAM?
_______________________________________
Enumere según la importancia que cree tienen las siguientes
actividades productivas para su sector (si su sector es mayor a la
¿Cómo ha enfrentado la institución la situación de los residuos de las
actividades productivas de acuicultura?
Participación en mesas de discusión
Campañas de educación/difusión
Campañas de limpieza
Generación de alianzas ¿Cuál/es? ______________________
Elaboración de normativas ¿Cuál/es? ______________________
Otro (especificar)____________________________
Enumere según importancia las actividades que se deberían fortalecer
para controlar la acumulación de RAM en las costas del Archipiélago de
Chiloé
Entes fiscalizadores
Rondas fiscalizadoras
Recolección de RAM en zonas costeras
Control en adquisición de elementos flotantes
102
escala comunal, referirse al Archipiélago de Chiloé)
Salmonicultura
Mitilicultura (cultivo de choritos)
Pesca artesanal
Turismo
Otro (especificar)____________________________
¿En qué área/s de sustentabilidad cree que la actividad acuícola
(salminicultura y mitilicultura) debe fortalecerse?
¿Con que iniciativas?
Económica ___________________________________________
Social ___________________________________________
Ambiental ___________________________________________
Fortalecimiento de normativa a actividades productivas
Aprovechamiento de los RAM para evitar su disposición
Otro (especificar)____________________________
Costo asociado a la recolección de RAM en zonas costeras anual
$0 - $1.000.000
$1.001.000 - $3.000.000
$3.001.000 - $5.000.000
Sobre $5.000.000
Otro (especificar)____________________________
Observaciones
Cuadro 17. Encuesta para actores del sector privado de la acuicultura
Ficha “Elaboración de una propuesta para la gestión integral de
residuos antropogénicos costeros en la isla de Chiloé”
Entiéndase por Residuos Antropogénicos Marinos (RAM) boyas de
plumavit, boyas plásticas, cabos, jaulas, elementos de anclaje, y
demás elementos relacionados con la actividad acuícola.
Antecedentes generales
Nombre de la empresa o institución, rubro:
______________________________
Instalaciones en la Región, ubicación: __________________________________
Cargo: ___________________________________________________________
Sector privado
Años que la empresa se encuentra presente en el territorio:
¿Cuál es el principal proveedor de estos elementos?
_____________________________________
Cada cuánto se realizan jornadas de limpiezas de playas alrededor del
área productiva al año
Mensual
Trimestral
Semestral
Anual
Superficie aproximada de recorrido durante la limpieza de playas, en
metros
¿Cuál es el costo aproximado asociado a las jornadas de limpieza al
año?
¿Existen asociaciones con otras empresas o instituciones para:
Recolección SI___ ¿Cuál? ____________________ NO___
103
¿Pertenece la Empresa a una asociación gremial?
SI___ ¿Cuál? _____________________ NO___
¿Qué elementos flotantes y/o de anclaje utiliza? (puede marcar más
de uno)
Boyas
Cabos
Jaulas
Otros (especificar)___________________________
¿Cada cuánto tiempo reemplaza elementos flotadores y/o de anclaje?
Mensual
Trimestral
Semestral
Anual
Número aproximado de elementos que se reemplaza por vez
Costo asociado al total de reemplazos de elementos flotantes
anualmente
$0 - $250.000
$251.000 - $500.000
$501.000 - $1.000.000
Sobre $1.000.000
Otro (especificar)____________________________
Acopio SI___ ¿Cuál? ____________________ NO___
Transporte SI___ ¿Cuál? ____________________ NO___
Disposición SI___ ¿Cuál? ____________________ NO___
¿Cuentan con la capacidad técnica para realizar algún tratamiento a los
RAM?
SI___ NO___
¿Cuál/es? ¿A qué RAM?
Selección __________________________
Reducción __________________________
Lavado __________________________
Observaciones
Cuadro 18. Encuesta para habitantes del sector costero
Ficha “Elaboración de una propuesta para la gestión integral de
residuos antropogénicos costeros en la Isla de Chiloé”
Antecedentes generales Anotar rango de edad y sexo: Masculino___ Femenino___ Otro___
<18 18 a 25 25 a 40 40 a 60 >60
¿Hace cuánto que vive o trabaja en esta zona? ___________________________________________________
¿Cómo enfrenta los residuos actualmente? (Reutilización, apilar,
quemar, etc.) ____________________________________________________
¿Conoce alguna iniciativa que recolecte los residuos de las playas?
(privados, organismos públicos o sociales)
_______________________________________________________
De ser respuesta positiva ¿Ha participado de alguna de esas
iniciativas? _______________________________________________________
104
¿Cuál diría usted que es la principal actividad que se da en la misma zona?
Salmonicultura Mitilicultura (choritos) Pesca artesanal Turismo Otra (Especificar)______________
Residuos y desechos Ordene los siguientes enunciados según el grado de impacto estético sobre las playas de la comuna:
Basura de la acuicultura (salmones y choritos) Basura del turismo Basura doméstica Gestión Municipal deficiente Falta de inversión en infraestructura
Respecto a los residuos que se pueden encontrar en un recorrido
por las playas ¿Cuáles considera que son los dos principales
impactos? (Puede marcar más de una)
Estético y cultural, valor paisajístico Dificulta otras actividades productivas (como pesca o turismo) Impactos sobre la salud Baja calidad de vida Sobre la pesca
Propuestas ¿Estaría dispuesto a pagar por el retiro de los desechos en las playas
cercanas a su entorno familiar o laboral?
_______________________________________________________
Si algunos residuos varados (como plumavit o boyas) tuvieran un
precio asociado ¿Estaría dispuesto a recolectarlos y transportarlos a
un centro de acopio? _______________________________________________________
Observaciones
105
Análisis de problemática 10.3.
Figura 49. Propuesta árbol del problema
Cuadro 19. Encuesta abierta sobre la gestión de Residuos Antropogénicos Marinos
106
Pregunta 1. ¿Cuáles de las siguientes opciones cree usted que es la
principal dificultad para la recolección de RAM?
1.1. Falta de subsidios estatales
1.2. Falta de inversión para la producción limpia
1.3. Falta de inversión en accesibilidad y conectividad
1.4. Normativa débil sobre deberes con los RAM
1.5. Falta de incentivos o sanciones económicas para recolección
1.6. Otra
Pregunta 2. ¿Cuál de las siguientes opciones puede ser una dificultad
para el acopio y tratamiento de RAM en la Región?
2.1. Inexistencia de mercado regional
2.2. Costo elevado de tratamiento
2.3. Dificultad para ubicación física-geográfica para planta de
tratamiento
2.4. Incapacidad técnica para reinserción de residuos
2.5. Falta de apoyo estatal para el desarrollo de la industria
2.6. Baja demanda de los productos esperados
2.7. Otra
Pregunta 3. ¿Cuál de las siguientes opciones es un obstáculo para el
transporte de RAM?
3.1. Elevado costo de transporte actual
3.2. Extensa distancia a centros de tratamiento
3.3. Características físicas de los residuos (baja densidad)
3.4. Falta de coordinación gremial
3.5. Falta de convenios con otros sectores de la economía
3.6. Falta de conectividad provincial
3.7. Otra
Pregunta 4. Considerando la situación actual en la provincia ¿Cuál de
las siguientes opciones podría significar un aporte para la reducción de
RAM?
4.1. Centros de disposición en la provincia de Chiloé
4.2. Implementación de instrumentos de mercado
4.3. Inversión en desarrollo industrial para tratamiento
4.4. Protección sobre cualidades ecológicas
4.5. Fortalecimiento de mecanismos de fiscalización
4.6. Mejoramiento de accesibilidad y conectividad entre islas
4.7. Otra
Resultados encuestas 10.4.
Figura 50. Resultados encuesta abierta
107
Cuadro 20. Resultado de las encuestas para la población
Antecedentes
Residuos y desechos Propuestas
Sexo
Rango de edad
Hace cuánto vive en la zona
Cuál diría usted que es la principal actividad en la zona
Cuál son las principales causas de la acumulación de residuos
Cuáles son los principales impactos de la acumulación de residuos
Cómo se enfrentan los residuos actualmente
Conoce alguna iniciativa que recolecte los residuos de las playas
Ha participado en ellas
Estaría dispuesto a pagar por el retiro de los desechos en las playas cercanas
Si los residuos tuviesen un valor asociado, estaría dispuesto a recolectarlos y transportarlos
F
40 a 60
Toda la vida
Salmonicultura
Basura de acuicultura
Estético y cultural, valor paisajístico Se junta y se quema
Si, con la iglesia se han hecho muchas actividades
Si, organizando No corresponde
Si, los vecinos juntaron las boyas al saber que se limpiarían para luego venderlas
Mitilicultura
Gestión municipal deficiente
Dificulta otras actividades productivas
Turísmo Falta de inversión en infraestructura
M
25 a 40 5 años
Salmonicultura
Basura de acuicultura
Estético y cultural, valor paisajístico Desconoce
Se realizan mingas una vez al año, en septiembre No No corresponde
Si, es habitual ver la recolección de boyas
Mitilicultura Dificulta otras actividades productivas
Impactos sobre la salud
Baja calidad de vida
Sobre la pesca artesanal
F
25 a 40
Toda la vida
Mitilicultura artesanal
Basura de acuicultura
Estético y cultural, valor paisajístico
Llega gente cuando se llama, las recolecciónes funcionan
Si, fue la misma comunidad quien empezo, ahora que se ha estado hablando más del tema es que los marinos se pusieron a organizarlas
Si, organizando
Si toos los vecinos aportaran no se notaría tanto
Si, están averiguando en una planta de reciclaje en Dalcahue
Basura doméstica Dificulta otras actividades productivas
Impactos sobre la salud
Baja calidad de vida
Sobre la pesca artesanal
M
40 a 60
Hace 35 años, pero toda la vida en la isla
Salmonicultura
Basura de acuicultura
Estético y cultural, valor paisajístico
Se junta, antes la Municipalidad se hacía cargo, ahora solo recogen la basura doméstica Si, todos los años se hacen No
No, podría ayudar con trabajo, pero no con dinero
Algunas cosas se venden actualmente, lo otro hay que quemarlo nomás
Mitilicultura Basura Impactos sobre la salud
108
doméstica
Turísmo
M
40 a 60
Toda la vida Mitilicultura
Basura de acuicultura
Estético y cultural, valor paisajístico
Se juntan y a veces se venden Si, los vecinos se juntan en verano
Si, más de una vez he participado
No, las choreras deberían hacerlo porque es su basura
Se venden las boyas actualmente
Impactos sobre la salud
F
25 a 40 20 años Miticultura
Basura de acuicultura
Estético y cultural, valor paisajístico
Las choreras lo limpian algunas veces, en verano es la misma gente
Nosotros nos organizamos en verano, para que este limpio para recibir al turísta
Si, durante los veranos
No, las choreras deberían
Solo a recolectarlos y apilarlos
Turísmo
Gestión municipal deficiente Impactos sobre la salud
F >60
Toda la vida
Salmonicultura
Basura de acuicultura
Dificulta otras actividades productivas
Solo apilar y quemar, se hacían varias limpiezas durante el año
Solamente el día de la limpieza de playas Si
No, deberían pagar las empresas
Algunos si lo recolectan actualmente
Mitilicultura Gestión municipal deficiente
F
40 a 60 14 años
Salmonicultura
Basura de acuicultura
Impactos sobre la salud
No se usan, solamente cuando se pueden ocupar en alguna otra cosa A veces vienen a hacer limpieza No No
Si, las boyas cuando salen en buen estado se venden.
Mitilicultura
M
25 a 40 Nació acá Miticultura
Falta de inversión en infraestructura
Estético y cultural, valor paisajístico Se quema No No No
Si, aunque los caminos están bastante malos para najar en camión
Pesca artesanal
F
25 a 40 Nació acá
Salmonicultura
Basura del turísmo
Dificulta otras actividades productivas
Se junta y quema en verano, se reutiliza lo que se pueda No No No
Si, especialmente si pasara alguien recolectándolo
Mitilicultura Basura doméstica
Basura de acuicultura
M
25 a 40 33 años
Otra; de todo un poco
Basura de acuicultura
Estético y cultural, valor paisajístico Se quema La Municipalidad una vez al año
Se junta cuando pasan a recolectar
No hay plata para eso
Cuesta mucho el ir a dejarlos
Basura del turísmo Dificulta otras actividades productivas
109
Basura doméstica
F
25 a 40 Nació acá Miticultura
Basura de acuicultura
Estético y cultural, valor paisajístico
Los palos y vabos se ocupan para hacer fuego No No
La Municipalidad debería hacerse cargo, no yo
Las boyas se venden cuando están en buen estado
F
25 a 40
Toda la vida Miticultura
Basura de acuicultura
Estético y cultural, valor paisajístico Sobre la pesca
Reutilizar cabos con canastos para verduras
No, la Municipalidad una vez al año
Si, se acumula pero no lo vienen a buscar Si
Turísmo
F
25 a 40
Toda la vida
Pesca artesanal
Basura de acuicultura
Dificulta otras actividades productivas Se junta y se quema Una vez al años vienen a limpiar
Si, cuando se junta No
Si, pero no hay acceso fácil a la playa
110
Registro previo y posterior a limpieza de playas 10.5.
Enero Agosto
Figura 51. Registro fotográfico antes y después de la limpieza playas
111
Material complementario 10.6.
Cuadro 21. Ubicación y contenido de material complementario
PROYECTO PREDRES
Librería Espectral
Contiene la información espectral extraída de las muestras de RAM con los espectroradiómetros PS-300, Hylogger y Terraspec.
Nombre Tipo Descripción Ubicación
Datos Brutos Carpeta Contiene las firmas espectrales obtenidas en bruto, para Hylogger 3, Terraspec y PS-300 en su subcarpeta respectiva.
\Datos\Librería espectral\Datos Brutos
Hylogger 3 Subcarpeta Contiene un excel con los espectros brutos de Hylogger 3 para las muestras especificadas en las fotografías incluidas en la misma carpeta. Los archivos .cvs corresponden a las firmas con solo la parte del espectro útil para la clasificación.
\Datos\Librería espectral\Datos Brutos\Hylogger 3
PS300 Subcarpeta Contiene 3 subcarpetas con las firmas espectrales en bruto obtenidas con PS-300. Cada muestra posee al menos 10 repeticiones. Las muestras son especificadas con su fotografía respectiva en los Datos Procesados.
\Datos\Librería espectral\Datos Brutos\PS300
Terraspec Subcarpeta Contiene las firmas espectrales obtenidas en bruto obtenidas con Terraspec. \Datos\Librería espectral\Datos Brutos\Terraspec
Datos Procesados Carpeta Contiene las firmas espectrales procesadas, para Hylogger, Terraspec y PS-300 en su subcarpeta respectiva.
\Datos\Librería espectral\Datos Procesados
Hylogger 3 Subcarpeta Contiene gráficos promedio y sus respectivas desviaciones estándar por tipo de RAM. En subcarpetas se encuentran mayores especificaciones del comportamiento espectral por tipo de RAM, además de los gráficos de las muestras utilizadas para la determinación del promedio.
\Datos\Librería espectral\Datos Procesados\Hylogger 3
PS300 Subcarpeta Contiene los gráficos y fotografías de las muestras procesadas con PS-300, de forma individual por muestra.
\Datos\Librería espectral\Datos Procesados\PS300
Terraspec Subcarpeta Contiene las firmas espectrales corregidas obtenidas con Terraspec. \Datos\Librería espectral\Datos Procesados\Terraspec
Caracterización física de muestras
Contiene la información física (peso, volumen y densidad) de las muestras de RAM.
Nombre Tipo Descripción Ubicación
Densidades_muestras .xlsx Excel con tabulación del peso, volumen y densidad de cada muestra caracterizada en laboratorio. En el mismo excel se incluye tabulación de muestras caracterizadas in-situ sin modificación alguna de su tamaño.
\Datos\Caracterización física\Densidades_muestras.xlsx
112
Información espacial
Contiene la información espacial (puntos GPS) obtenida en terreno.
Nombre Tipo Descripción Ubicación
Playas_Directemar .kml Playas identificadas por DIRECTEMAR en campañas Enero 2013, Junio 2014 y Septiembre 2016, como sitios de acumulación de residuos. Se especifican RAM visualizados, extensión de playas y actividades cercanas.
\Datos\Información espacial\Playas_Directemar.kml
Playas_sumidero .shp Playas correspondientes al área de estudio del proyecto, estas corresponderían a Punta Cuem (Mallil), Punta Apabón y Detif.
\Datos\Información espacial\Playas_sumidero.shp
Terreno 1 Carpeta Contiene la información espacial obtenida en Enero de 2017. Los puntos GPS determinan coberturas características presentes en las playas para el reconocimiento por satélite. Se incluye archivo .kml con la ruta realizada.
\Datos\Información espacial\Terreno 1
Terreno 2 Carpeta Contiene la información espacial obtenida en Febrero de 2017. Los puntos GPS determinan coberturas características presentes en las playas para el reconocimiento por satélite. Se incluyen archivos .kml con la ruta realizada, y la totalidad de playas visitadas en los terrenos 1 y 2.
\Datos\Información espacial\Terreno 2
Terreno 3 Carpeta Contiene la información espacial obtenida en Junio de 2017. Los puntos GPS determinan principalmente muestras de plumavit y boyas in-situ. Se incluyen archivos .kml con los puntos y la ruta realizada, y un archivo .xlsx con fotografías de parte de los puntos marcados.
\Datos\Información espacial\Terreno 3
Terreno 4 Carpeta Contiene la información espacial obtenida en Julio de 2017. El terreno 4 consistió principalmente en un muestreo por grilla de la basura encontrada en Punta Cuem y Detif, protocolo descrito en el archivo .docx. El archivo .shp contiene los puntos y la clase determinada para cada grilla, en los archivos .kml se incluyen los puntos y fotografías de las grillas, además de la ruta realizada. Por último, se dispone de una cartografía utilizada como referencia para el muestreo, y un excel con la tabla descriptiva de los RAM encontrados en los puntos muestreados.
\Datos\Información espacial\Terreno 4
Terreno 5 Carpeta Contiene información espacial obtenida en Agosto de 2017. Los puntos corresponden a zonas utilizadas para rectificación de las imágenes satelitales y otros puntos GPS obtenidos con anterioridad.
\Datos\Información espacial\Terreno 5
Procesamiento Satelital
Contiene las clasificaciones realizadas en las playas de Chiloé, incluyendo las imágenes satelitales utilizadas.
Nombre Tipo Descripción Ubicación
1 - Escena completa Carpeta Contiene la escena completa adquirida de WorldView 3 en reflectancia de superficie, como archivo .tif y como cartografía de fácil visualización.
\Datos\Procesamiento satelital\1 - Escena completa
2 - Calibración radiométrica
Carpeta Contiene los gráficos de los valores presentes en la escena en niveles digitales, y en reflectancia, posterior a la calibración radiométrica.
\Datos\Procesamiento satelital\2 - Calibración radiométrica
3 - Áreas de estudio Carpeta Contiene 3 escenas de WorldView 3, correspondientes a las playas Detif, Punta Cuem y Punta Apabón en formato .tif.
\Datos\Procesamiento satelital\3 - Áreas de estudio
113
4 - Clasificación Zona Costera
Carpeta Contiene las figuras resultantes de la delimitación de las playas para el área de estudio, incluyendo distribución de los vectores utilizados como entrenamiento.
\Datos\Procesamiento satelital\4 - Clasificación Zona Costera
5 - Clasificación Isodata Carpeta Contiene las clasificaciones isodata aplicadas a las 3 playas, en sus subcarpetas respectivas. \Datos\Procesamiento satelital\5 - Clasificación Isodata
6 - Clasificaciones convencionales
Carpeta Contiene las clasificaciones convencionales aplicadas a las 3 playas, separadas por método de clasificación en subcarpeta respectiva.
\Datos\Procesamiento satelital\6 - Clasificaciones convencionales
7 - Validación Carpeta Contiene los puntos utilizados para la validación de las clasificaciones. \Datos\Procesamiento satelital\7 - Validación
8 - Clasificaciones no convencionales
Carpeta Contiene las clasificaciones no convencionales aplicadas a las 3 playas, incluyendo excel con las masas determinadas para los resultados de mayor precisión.
\Datos\Procesamiento satelital\8 - Clasificaciones no convencionales
Fotointerpretación Carpeta Contiene la información espacial fotointerpretada en las playas Detif, Punta Cuem y Punta Apabón.
\Datos\Procesamiento satelital\Fotointerpretación