105478

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS

University of Salzburg ǀ Universidad de Salzburgo

Impacto del COVID-19 en el mar ecuatoriano cuantificado a través variables oceanográficas (sensores remotos) del satélite Aqua (MODIS).

Impact of COVID-19 on the Ecuadorian sea quantified through oceanographic variables (remote sensing) from the Aqua (MODIS) satellite. by/por

Divar Efrain Castro Rodas 1######

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Advisor ǀ Supervisor: (Unigis completará aquí)

Quito - Ecuador, XXXX 2021

Compromiso de Ciencia

Por medio del presente documento, incluyendo mi firma personal certifico y

aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quito xx de xxx del 2021

(Lugar, Fecha)

Firma

Dedicatoria A mis padres, Divar Sebastián y Rosa Amada por su esfuerzo, dedicación y ejemplo

para seguir adelante, no darse por vencido y siempre dar lo mejor de uno. A mis hermanos, que son el mejor regalo que me pudieron dar mis padres y a mi futura esposa Estefanía, el mejor regalo que me ha dado la vida. Gracias por su amor y apoyo incondicional, este nuevo peldaño es un logro de todos, mas no solo de uno.

Agradecimiento Al Centro Nacional de Acuicultura e Investigaciones Marinas (CENAIM) por brindarme la oportunidad y el apoyo para gestionar este programa de maestría.

A

Bonny Bayot,

Ph.D.

Docente investigadora

de CENAIM-ESPOL cuyos

conocimientos en sistemas de información geográficos y estadística espacial han forjado una base en mi carrera profesional y la elaboración del presente tema de tesis.

A mis familiares y amigos por su apoyo incondicional y constante interés en el transcurso

de

estos

casi

tres

años

del

programa

de

maestría.

Resumen La pandemia producida por el COVID-19, que hasta el momento ha afectado a más de 150 millones de personas, ha obligado a todos los países a tomar medidas restrictivas para evitar su expansión desde que empezó su brote a inicios del 2020.

Dentro de las medidas, el distanciamiento social, las restricciones de movilidad en todas sus formas (aérea, marítima y terrestre) y el confinamiento fueron los que sobresalieron, volviendo imposible salir de los hogares para salvaguardar nuestra salud. La implementación de las medidas restrictivas ha afectado a muchos sectores económicos, siendo el turismo el principal, registrando perdidas que sobrepasan los 540 millones de dólares en Ecuador.

Sin embargo, el hecho de que la población en general permanezca en sus hogares ha ocasionado que la naturaleza tome un respiro de la contaminación generada por los humanos. Es por esta razón que el presente estudio analiza el comportamiento espacial y temporal de variables oceanográficas satelitales obtenidas del sensor Aqua-MODIS en la zona económica exclusiva (ZEE) ecuatoriana.

En el proceso se evidenció que la temperatura superficial del mar (TSM), clorofila-a (CHL-a), carbono orgánico particulado (POC), carbono inorgánico particulado (PIC) y radiación fotosintéticamente activa (PAR) mostraron anomalías poco comunes en ciertas zonas (las anomalías se las determinó con el promedio histórico 2003-2020), las que fueron evaluadas para ver si presentaban más de una desviación estándar de error y determinar si existían diferencias significativas en los mapas de marzo, abril y mayo 2020 (temporada de gran aporte turístico a las playas), donde el confinamiento regía en todo el Ecuador.

Como resultado se demostró que los meses de confinamiento producidos por el COVID-19, han plasmado cambios en el mar ecuatoriano, tanto desde el punto de vista perceptivo de los habitantes, como científico, avalado con información satelital. Siendo la luz PAR y CHL-a las variables con mayor cantidad de diferencias significativas en los mapas, denotando la fuerte influencia que posee la actividad antropogénica y el turismo en la calidad del agua y del ecosistema marino.

Palabras clave: Análisis espacial, Anomalías, Cambio Climático, COVID-19.

5

Abstract The COVID-19 pandemic has affected more than 150 million people, has forced all countries to take restrictive measures to prevent its expansion since the outbreak started in early 2020. Within the measures, social distancing, mobility restrictions (air, sea, and road) and quarantine were the most important, making it impossible to leave homes to safeguard our health. The implementation of restrictive measures has affected many economic sectors, being tourism the main one, registering losses that exceed 540 million dollars in Ecuador.

However, the fact that the general population remains in their homes has caused nature to take a break from the pollution generated by humans. It is for this reason why this study analyzes the spatial and temporal behavior of satellite oceanographic variables obtained from the MODIS-Aqua sensor in the Ecuadorian exclusive economic zone (EEZ).

In the process, it was evidenced that sea surface temperature (SST), chlorophyll-a (CHL-a), particulate organic carbon (POC), particulate inorganic carbon (PIC) and photosynthetically active radiation (PAR) showed unusual anomalies in certain zones (the anomalies were determined with the historical average (2003-2020), which were evaluated to evidence if they presented more than one standard deviation (±1 SD) of error and determine if there were significant differences in the maps of March, April and May 2020 (season of great tourism in the beaches), where confinement ruled throughout Ecuador.

As a result, it was shown that the months of confinement produced by COVID-19 have reflected changes in the Ecuadorian sea, both from the perceptual point of view of the inhabitants, and scientifically, supported by satellite information. The PAR light and CHL-a being the variables with the greatest number of significant differences in the maps, denoting the strong influence that anthropogenic activity and tourism have on the quality of the water and the marine ecosystem.

Keywords: Anomalies, Climate Change, COVID-19, Spatial Analysis.

6

Tabla de contenido Lista de figuras .................................................................................................................................. 11 1. Introducción .................................................................................................................................. 17 1.1 Antecedentes ......................................................................................................................... 17 1.2 Objetivo general ................................................................................................................... 19 1.3 Objetivos específicos........................................................................................................... 19 1.4 Preguntas de Investigación............................................................................................... 19 1.5 Hipótesis .................................................................................................................................. 20 1.6 Justificación ............................................................................................................................ 20 1.7 Alcance ..................................................................................................................................... 21 2. Revisión de Literatura ................................................................................................................ 22 2.1 Marco teórico......................................................................................................................... 22 2.1.1 COVID-19 ........................................................................................................................ 22 2.1.2 Teledetección ................................................................................................................. 23 2.1.3 Radiometría .................................................................................................................... 24 2.1.4 OceanColor ..................................................................................................................... 25 2.1.5 Temperatura superficial del mar ............................................................................. 25 2.1.6 Clorofila-a ........................................................................................................................ 26 2.1.7 Carbono orgánico particulado................................................................................. 28 2.1.8 Carbono inorgánico particulado ............................................................................. 29 7

2.1.9 Radiación fotosintéticamente activa ..................................................................... 30 2.1.10 Información ráster...................................................................................................... 30 2.1.11 Estadística ráster ......................................................................................................... 31 2.1.12 Promedios históricos ................................................................................................ 31 2.1.13 Anomalías ..................................................................................................................... 32 2.1.14 Diferencias significativas.......................................................................................... 32 2.2 Marco histórico ..................................................................................................................... 32 2.2.1 Pandemias mundiales anteriores ............................................................................ 32 2.2.2 Situación actual COVID-19 ........................................................................................ 36 2.2.3 Estudios a nivel mundial sobre COVID-19 .......................................................... 37 2.2.4 Estudios a nivel mundial sobre impacto antropogénico y variabilidad climática ...................................................................................................................................... 39 2.3 Marco metodológico .......................................................................................................... 40 2.3.1 Estacionalidad de variables océano-atmosféricos............................................ 40 2.3.2 Media y desviación estándar .................................................................................... 41 2.3.4 Prueba de hipótesis ..................................................................................................... 41 2.3.5 Diferencias significativas en variables oceánicas .............................................. 42 3. Metodología .................................................................................................................................. 42 3.1 Delimitación del área de estudio .................................................................................... 42 3.2 Flujograma de metodología a ser utilizada ................................................................ 44 3.3 Descripción metodológica ................................................................................................ 44

8

3.3.1 Datos satelitales ............................................................................................................ 44 3.3.2 Tratamiento de información satelital .................................................................... 45 3.3.3 Procesamiento de la información ........................................................................... 47 3.3.4 Elaboración de mapas finales................................................................................... 49 3.4 Justificación de la metodología....................................................................................... 49 4. Resultados y Discusión .............................................................................................................. 50 4.1 Resultados ............................................................................................................................... 50 4.1.1 Temperatura superficial del mar ............................................................................. 50 4.1.2 Clorofila-a ........................................................................................................................ 51 4.1.3 Carbono inorgánico particulado ............................................................................. 52 4.1.4 Carbono orgánico particulado................................................................................. 53 4.1.5 Radiación fotosintéticamente activa ..................................................................... 54 4.1.6 Diferencias significativas ............................................................................................ 55 4.2 Discusión ................................................................................................................................. 63 4.2.1 Temperatura superficial del mar ............................................................................. 63 4.2.2 Clorofila-a ........................................................................................................................ 64 4.2.3 Carbono inorgánico particulado ............................................................................. 64 4.2.4 Carbono orgánico particulado................................................................................. 64 4.2.5 Luz PAR ............................................................................................................................ 65 4.2.6 Anomalías y diferencias significativas en la ZEE................................................ 65 5. Conclusiones y Recomendaciones ........................................................................................ 66

9

5.1 Conclusiones .......................................................................................................................... 66 5.2 Recomendaciones ................................................................................................................ 68 6. Referencias ..................................................................................................................................... 69 7. Anexos ............................................................................................................................................. 75

10

Lista de figuras

Figura 1. Delimitación del territorio marítimo del Ecuador según la CONVEMAR…18 Figura 2. Temperatura superficial de la mar, donde se puede evidenciar la aplicación de la radiometría en el océano… ........................................................................... 24 Figura 3. Temperatura superficial del mar del 07-11-2020. ............................................. 26 Figura 4. Espectro de absorción de la clorofila ..................................................................... 27 Figura 5. Tres mapas de concentración de clorofila-a sobre la región de las Galápagos, conseguidos del satélite SeaWiFS ...................................................................... 28

Figura 6. Imagen satelital del carbono orgánico particulado en Sudamérica,

septiembre 2020. Puede observarse el transporte de corrientes marinas e influencia de ríos en la zona costera. ............................................................................................................ 29

Figura 7. Imagen satelital de luz PAR en Sudamérica, septiembre 2020. Puede observarse la gran cantidad de radiación disponible para fotosíntesis ....................... 30 Figura 8. Conjunto de información ráster, el valor del píxel corresponde al dato. .. 31 Figura 9. Anomalías de temperatura durante los últimos 150 años.............................. 39 Figura 10. Temperatura Superficial del mar promedio anual para la ciudad de

Guayaquil ............................................................................................................................................ 40 Figura 11. Límites del área de estudio ...................................................................................... 43

Figura 12. Diagrama de flujo de los diferentes pasos usados en el presente estudio ................................................................................................................................................................ 44

Figura 13. Repositorio de imágenes satelitales del servidor OceanColor Web, satélite Aqua-MODIS en el área de estudio. .......................................................................... 45

11

Figura 14: Proceso de transformación de información de formato .nc a formato .tiff con la ayuda del programa RStudio con el fin de poder ser analizados en QGIS ... 46

Figura 15. Determinación de desviación estándar del POC a través de la

calculadora raster de QGIS ........................................................................................................... 47

Figura 16. Determinación del valor absoluto de la desviación estándar del POC a través de la calculadora raster de QGIS ................................................................................... 47

Figura 17. Determinación de la existencia de diferencias significativas (1 existe, 0 no existe) del POC a través de la calculadora raster de QGIS.......................................... 48

Figura 18. Determinación de la anomalía del POC a través de la calculadora raster

de QGIS. ............................................................................................................................................... 48

Figura 19. Mapas finales correspondientes a luz PAR en el mes de marzo 2020

donde A) evidencia las anomalías y B) las diferencias significativas. ............................ 49

Figura 20. Anomalías de la TSM en el área de estudio para los meses de marzo,

abril y mayo del 2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas. Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. .......................................................................... 51

Figura 21. Anomalías de la CHL-a en el área de estudio para los meses de marzo,

abril y mayo del 2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas. Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico.. ......................................................................... 52

Figura 22. Anomalías de la PIC en el área de estudio para los meses de marzo, abril

y mayo del 2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas. Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. .......................................................................... 53

12

Figura 23. Anomalías de la POC en el área de estudio para los meses de marzo, abril y mayo del 2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas. Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. .......................................................................... 54

Figura 24. Anomalías de la luz PAR en el área de estudio para los meses de marzo, abril y mayo del 2020. Colores naranja y rojo determinan anomalías positivas y los

tonos azules anomalías negativas. Las anomalías corresponden a la diferencia del

dato mensual contra el promedio histórico.. ......................................................................... 55

Figura 25. Diferencias significativas de la TSM y la CHL-a en el área de estudio para

los meses de marzo, abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias significativas (valores que se encuentran a ± 1

desviación estándar) y el color celeste a lugares donde no se evidencias diferencias significativas.. ..................................................................................................................................... 56

Figura 26. Diferencias significativas del PIC y el POC en el área de estudio para los meses de marzo, abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias significativas (valores que se encuentran a ± 1 desviación

estándar) y el color celeste a lugares donde no se evidencias diferencias significativas.. ..................................................................................................................................... 57

Figura 27. Diferencias significativas de la luz PAR en el área de estudio para los meses de marzo, abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias significativas (valores que se encuentran a ± 1 desviación

estándar) y el color celeste a lugares donde no se evidencias diferencias significativas.. ..................................................................................................................................... 58

Figura 28. Histogramas ráster del área de estudio de las variables TSM y CHL-a para los meses de marzo, abril y mayo .................................................................................... 60

13

Figura 29. Histogramas ráster del área de estudio de las variables PIC y POC para los meses de marzo, abril y mayo .............................................................................................. 61

Figura 30. Histograma ráster del área de estudio correspondiente a la luz PAR en los meses de marzo, abril y mayo .............................................................................................. 62

14

Lista de tablas Tabla 1. Coordenadas (WGS84) correspondientes al área de estudio ......................... 31

15

Acrónimos CHL-a:

Chlorophyll. Clorofila-a

CONVEMAR:

Convención de las Naciones Unidas sobre el Derecho del Mar

COVID-19:

Coronavirus disease 2019. Enfermedad por coronavirus 2019

CO2:

Dióxido de carbono

PAR:

Photosynthetically

Active

fotosintéticamente activa

Radiation.

Radiación

PIC:

Particulate Inorganic Carbon. Carbono inorgánico particulado

POC:

Particulate Organic Carbon. Carbono orgánico particulado

ONU:

Organización de las Naciones Unidas

SENPLADES:

Secretaría Técnica Planifica Ecuador

TSM:

Temperatura superficial del mar

16

1. Introducción 1.1 Antecedentes

Año a año se ha observado cómo el impacto antropogénico ha afectado a la

naturaleza paulatinamente (Van Aardenne et al., 1999). La magnitud de dichos

cambios puede ser medida a través de indicadores como: el aumento de la

temperatura del mar y del aire, aumento en la emisión de CO2 en la atmósfera, acidificación de los océanos, entre otros (Salvador et al., 2005).

Los gases en la atmosfera han aumentado drásticamente en todo el mundo desde

1950 (IPCC, 2013) haciendo que la temperatura del aire y del mar aumenten cada

año provocando daños colaterales con su paso, como el efecto invernadero y el

blanqueamiento del coral respectivamente.

Bajo esta misma premisa, los diferentes ecosistemas se han visto afectados,

principalmente por acciones antropogénicas como: la deforestación, erosión, contaminación, entre otros. Este trabajo tomará como caso puntual la evaluación

de parámetros oceanográficos del mar ecuatoriano en un área aproximada a la zona económica exclusiva del Ecuador territorial constatada en la CONVEMAR (ONU, 2012), correspondiente a 200 millas marinas (Figura 1).

17

Figura 1. Delimitación del territorio marítimo del Ecuador según la CONVEMAR. (SENPLADES, 2017).

Para realizar la estimación de este impacto se considerará el período de tiempo de

los meses de marzo, abril y mayo, respectivamente, período en el que suscitó la

pandemia provocada por el virus denominado COVID-19, que se derivó en una

cuarentena y un estado de emergencia regente en el Ecuador, situación que ha

obligado a suspender un sin número de actividades de ámbito cotidiano, industrial y laboral, siendo el turismo una de las ramas más afectadas (Félix Mendoza &

García Reinoso, 2020). El turismo a las playas de la costa ecuatoriana es considerado como uno de los principales motores económicos internos del país,

pero, a pesar de ser una fuente de beneficios monetarios y promotor de la activación de la economía local, también trae consigo un aumento en los niveles de contaminación terrestre y marina que alteran el ecosistema y que persisten

incluso luego de que la presencia de los turistas haya terminado (Buckley, 2011). Es

bajo este supuesto que se analizarán diferentes variables oceanográficas satelitales

para identificar patrones o cambios (diferencias/anomalías) a través de imágenes ráster correspondientes a promedios históricos (2002-2020).

18

1.2 Objetivo general

Identificar el impacto de la pandemia y cuarentena del COVID-19 en la costa ecuatoriana a través de indicadores obtenidos mediante oceanografía satelital.

1.3 Objetivos específicos •

Determinar las anomalías de las variables oceanográficas (TSM, CHL, PIC,

POC, PAR) entre marzo, abril y mayo histórico, con los datos de marzo, abril y mayo 2020 (cuarentena).

•

Determinar la existencia de diferencias significativas de las variables oceanográficas (TSM, CHL, PIC, POC, PAR) entre el promedio histórico de marzo, abril y mayo (2002-presente) con los datos de marzo, abril y mayo 2020 (cuarentena).

•

Realizar una estadística espacial de las variables oceanográficas dentro del área de estudio.

1.4 Preguntas de Investigación

¿Cuál fue el comportamiento normal del mar ecuatoriano para los meses de marzo, abril y mayo antes de la pandemia (2002-2019)?

¿La pandemia y cuarentena del COVID-19 ha alterado los parámetros oceanográficos para los meses de marzo, abril y mayo del 2020?

¿Existen diferencias significativas en los parámetros oceanográficos por analizar? ¿Existen anomalías en los parámetros oceanográficos del área de estudio para los meses de marzo, abril y mayo que estén relacionados con la pandemia y cuarentena del COVID-19?

19

1.5 Hipótesis

La pandemia y cuarentena provocadas por el COVID-19 han afectado a los parámetros oceanográficos de temperatura, clorofila, carbono orgánico, carbono inorgánico y luz PAR en el área de estudio correspondiente a las 200 millas marinas correspondientes a la zona económica exclusiva del mar ecuatoriano.

1.6 Justificación

La pandemia COVID-19 es un evento contemporáneo en el que el daño al planeta y el estilo de vida han sido afectados, entre las más destacadas tenemos el

aislamiento social, las prolongadas jornadas dentro del hogar, uso obligatorio de mascarillas y teletrabajo en la mayoría de los casos, lo que conlleva a impactos

mayormente positivos en el medio ambiente. Estudios recientes han demostrado que las emisiones de CO2 y otros gases de efecto invernadero de China se

redujeron en gran medida en los meses de febrero a marzo (Wang & Su, 2020), cuando la cuarentena en dicho país era de carácter obligatorio. Así mismo, Walsh

et al., (2013) menciona que el océano y la atmósfera son un sistema en conjunto donde variaciones en uno provocarán cambios en el otro. Eso quiere decir que los cambios producidos en el medio ambiente y atmósfera serán reflejados en el océano.

El aumento de la temperatura superficial del mar junto con la acidificación de los

océanos corresponde a temas contemporáneos sobre el cambio climático cuyas variables (temperatura, pH, carbono orgánico e inorgánico) están ligadas a

aspectos fisicoquímicos como las corrientes, precipitación, descargas de aguas residuales o nutrientes en el agua. Así mismo se relacionan con los cambios y afectaciones en las actividades antropogénicas (turismo, pesca, protección costera) (Hoegh-Guldberg et al., 2007). Otro aspecto que se debe mencionar es la

influencia de los sensores remotos al presente. Actualmente, se puede acceder a 20

información mundial de variables atmosféricas y oceanográficas de manera

gratuita, siendo estas imágenes satelitales un insumo de fácil acceso para

evidenciar cambios a través del tiempo. La costa ecuatoriana corresponde a una superficie de 70.647 km² de los cuales 640 km corresponden a playas, siendo el Rio

Guayas el principal afluente de aguas para la población. Además de albergar aproximadamente a la mitad de la población ecuatoriana (Dávila et al., 2013).

1.7 Alcance

El análisis de las variables oceanográficas obtenidas a través de sensores remotos permite comprender e identificar visualmente diferencias de patrones que ocurren en la región estudiada. Entre estas diferencias tenemos: La influencia de corrientes

marinas, zonas de descargas de ríos, zonas de alta productividad primaria, influencia de lluvias, entre otras. El presente trabajo pretende generar información

relevante a las diferentes áreas de la oceanografía, meteorología y biología marina,

a través de análisis de variables oceanográficas (TSM, CHL, PIC, POC, PAR) obtenidas de sensores remotos, específicamente del servidor de OceanColor (https://oceancolor.gsfc.nasa.gov/), se puede evidenciar cambios visuales y

estadísticos (significativos o no) en un periodo de baja actividad antropogénica en la costa ecuatoriana para los meses de marzo, abril y mayo del 2020, con el fin de

evidenciar sus efectos dentro de los parámetros oceanográficos mencionados en

la zona ecuatorial y producir información correspondiente a uno de los eventos más relevantes del siglo hasta la fecha.

La actividad antropogénica está asociada a la contaminación del agua (Menchaca Dávila & Alvarado Michi, 2011). Por lo que realizar un estudio a escala regional en

un periodo de tiempo donde se limitó la movilización es una herramienta importante que permite establecer diferencias significativas de la interacción del hombre con el océano.

21

2. Revisión de Literatura 2.1 Marco teórico 2.1.1 COVID-19

El COVID-19 pertenece a una extensa familia de virus que pueden causar enfermedades en animales y humanos (WHO, 2019). Esta familia de coronavirus es conocida por provocar diferentes problemas respiratorios. Entre los más conocidos

tenemos el síndrome respiratorio de Oriente Medio (MERS), virus descubierto en

2012 que ha afectado principalmente a Arabia Saudita reportando 2468 casos hasta septiembre 2019 el cual no posee vacunas ni tratamiento hasta la fecha

(WHO, 2012). Así mismo, el síndrome respiratorio agudo severo (SRAS), tuvo un brote en China en 2003, afectando a 8098 personas, de las cuales 774 murieron

(Department of Health and Human Services, 2004), no posee tratamiento, pero

actualmente los casos por SRAS son escasos a nulos.

Lo que se conoce del COVID y las enfermedades que provocan, es relativamente

nuevo debido a que el brote comenzó a finales del 2019 en Wuhan, China. Al momento (3 de noviembre de 2020) se han contagiado 47’007.194 personas, de

las cuales han fallecido 1’208.358 y se han recuperado 31’426.637 (Dong et al., 2020), teniendo una tasa de mortalidad del 2.57%, siendo las personas mayores a

60 años la población en mayor riesgo (Yanping, 2020). Dentro de los países más afectados por la pandemia en noviembre del 2020 tenemos: •

9’296.159 de casos en Estados Unidos

•

8’267.623 en India

•

5’554.206 en Brasil

•

1’661.096 en Rusia

22

•

1’460.745 Francia

Cabe recalcar que, en los primeros meses del año de la pandemia, los países

críticos donde hubo gran cantidad de casos y muertes fueron China e Italia. El confinamiento y aislamiento fue de carácter obligatorio en la mayoría de los países

donde se presentaron casos, cerrando fronteras terrestres y aéreas. En algunos casos, restringiendo el tiempo asignado a realizar actividades fuera de casa.

Actualmente estas medidas se han flexibilizado en Ecuador, dejando los negocios

locales y el turismo reactivarse parcialmente. Esta reactivación se la puede evidenciar indirectamente a través de cámaras ubicadas en los puntos turísticos, las que nos brindan información sin tener que estar en el lugar (teledetección).

2.1.2 Teledetección

La teledetección es una rama de la ciencia que se encarga de obtener información de un objeto de manera remota (Campbell & Randolph, 2011). Es así como los satélites, boyas oceanográficas, rayos-x y tomografías caben dentro de este

concepto. La teledetección se divide en dos ramas, la teledetección activa y la

teledetección pasiva. La teledetección activa corresponde a los sensores que

obtienen la información a través de emisión de energía, mientras que, los pasivos

obtienen los datos a través de energía natural (emitida o reflejada). Un claro

ejemplo de teledetección activa es un sonar, que obtiene información de su

ubicación con cada pulso que da en tiempo real a medida que avanza y un

ejemplo de teledetección pasiva corresponde a los datos satelitales de temperatura superficial del mar que se obtiene como variable de respuesta a la radiación natural emitida por el calor en el agua.

La teledetección que usaremos en el desarrollo de la presente tesis es del tipo

pasiva, a través de diferentes “bandas” de satélites oceanográficos y el uso de

estadística ráster para identificar diferencias significativas en un periodo de tiempo.

23

2.1.3 Radiometría

La radiometría es la ciencia encargada del estudio de la radiación electromagnética (González Gómez, 2006), su unidad básica es el vatio (W) y se caracteriza por

propagar su energía a través de sistemas ópticos. A diferencia de la fotometría, la

radiometría se encarga de estudiar todo el espectro electromagnético, no solo el

espectro de luz visible, siendo este punto uno de los más importantes en el análisis

de información satelital. Ya que gran parte de la información que se analiza es

abstracta al ojo humano. En la figura 2 podemos observar como a través de radiometría atmosférica se observa diferencias de temperatura en la superficie del

mar, las que no son visibles, pero si perceptivas y es gracias a la radiometría, que se logra cuantificar y visualizar estas variables.

Figura 2. Temperatura superficial de la mar, donde se puede evidenciar la aplicación de la

radiometría en el océano. (Copernicus, 2020)

24

2.1.4 OceanColor

Corresponde a un servidor web de (NASA et al., 2014), especializado en

teledetección satelital enfocada al océano siendo los responsables de la

recopilación, procesamiento, calibración, validación, archivo y distribución de sus

productos. Teniendo en su catálogo un gran número de imágenes satelitales de

diferentes variables oceanográficas, entre las principales tenemos; la temperatura superficial del mar (TSM), la clorofila-a (CHL), el carbono orgánico particulado

(POC), el carbono inorgánico particulado (PIC) y la radiación fotosintéticamente activa (PAR).

Entre los beneficios de este servidor, contamos con la calidad y cantidad de

información disponible de manera gratuita a nivel mundial. Se posee información

en algunos casos desde 1996 hasta la actualidad, con información semanal, mensual, estacional o anual la cual puede ser tratada con cualquier programa SIG para obtener como resultado mapas para ejecutar decisiones.

2.1.5 Temperatura superficial del mar

Corresponde a los primeros 20 metros de profundidad del océano (Robinson, 2010). Esta zona se encuentra dentro de la zona fótica, donde se desarrolla

alrededor del 90% de la vida marina (Bainbridge & Tait, 1998). Debido a la fuerte relación que existe entre la atmosfera y el océano (Nelson, 2016), los cambios que

ocurran en la columna de aire afectarán directamente al océano. Es por esta razón que se presentan diferencias notables a medida que cambian las latitudes, como

vemos en la Figura 3, en las latitudes cercanas al ecuador se presentan valores de hasta 32 °C en la superficie, mientras que en las latitudes cercanas a los polos se

25

presentan los valores más bajos de temperatura, llegando incluso a ser menores a 0°C, lo cual es posible debido a las sales presentes en el agua de mar.

Figura 3. Temperatura superficial del mar del 07-11-2020. (Copernicus, 2020).

2.1.6 Clorofila-a

Pertenece a uno de los cinco diferentes tipos de clorofila existentes (a, b, c, d y bacterioclorofila). Las plantas y algas verdes se caracterizan por poseer clorofila a y

b, sin embargo, la clorofila a se distingue de las otras por transformar la energía del sol en alimento para la planta, es decir, la fotosíntesis (Bullerjahn & Post, 1993).

Es mediante la fotosíntesis que se transforma la energía solar en energía química mediante moléculas llamadas pigmentos, quienes son los encargados de absorber

las diferentes longitudes de onda de la luz, sin embargo, estos pigmentos no

absorben toda la longitud de onda, solo los colores cercanos al rojo y azul (Figura 4), es por esta razón que la clorofila se caracteriza por su color verde.

26

Figura 4. Espectro de absorción de la clorofila. (Openstax, 2020)

Correspondiente al tema espacial, se utiliza la clorofila a como indicador de zonas

de alta o baja productividad primaria, teniendo en cuenta que, lugares donde existan picos altos de clorofila indican zonas de gran biodiversidad de flora y fauna marina (Robinson, 2010). En la Figura 5 podemos observar cómo al oeste de las

Galápagos se presenta un aumento de clorofila a, llamado comúnmente

afloramiento, logrando encontrar especies únicas en esta zona como los pingüinos

de las Galápagos (Spheniscus mendiculus).

27

Figura 5. Tres mapas de concentración de clorofila-a sobre la región de las Galápagos, conseguidos del satélite SeaWiFS. (Robinson, 2010)

2.1.7 Carbono orgánico particulado

Corresponde a las diferentes partículas de carbono ligadas a un organismo o

componente orgánico, es decir, el carbono que proviene de la descomposición de la materia viva (Robert et al., 2016). Desde el punto de vista espacial, ayuda a

28

encontrar zonas donde exista gran aporte de materia orgánica, como la zona cercana a la costa o desembocadura de los ríos (Figura 6).

Figura 6. Imagen satelital del carbono orgánico particulado en Sudamérica, septiembre 2020. Puede observarse el transporte de corrientes marinas e influencia de ríos en la zona costera. (OceanColor, 2020).

2.1.8 Carbono inorgánico particulado

A diferencia del carbono orgánico, el carbono inorgánico proviene de la descomposición de rocas y minerales, es decir, todo lo que no esté ligado a la

materia viva (Robert et al., 2016). El carbono inorgánico particulado está fuertemente ligado a la acidificación de los océanos ya que el CO2 disuelto

reacciona con las moléculas de agua provocando que esta se acidifique (Doney et

al., 2009). Uno de los principales inconvenientes relacionados a la acidificación de

los océanos es la dificultad de los organismos marinos para formar sus conchas de carbonato de calcio (CaCO3).

29

2.1.9 Radiación fotosintéticamente activa

Conocida también como luz PAR, por sus siglas en inglés, corresponde a las

diferentes longitudes de onda (Figura 4), que son capaces de producir fotosíntesis, es decir, la luz PAR evidencia sectores donde se dan las circunstancias óptimas (sin

tomar en cuenta a los nutrientes del agua) para que las plantas/algas puedan vivir (Figura 7).

Figura 7. Imagen satelital de luz PAR en Sudamérica, septiembre 2020. Puede observarse la gran cantidad de radiación disponible para fotosíntesis. (OceanColor, 2020)

2.1.10 Información ráster

Corresponde a un tipo de dato geográfico caracterizado por ser una matriz de

pixeles, donde cada píxel corresponde a un dato o característica de la zona (Chang,

2006). Aterrizando este concepto a nuestro caso, un ráster de TSM corresponde a una matriz ubicada en la superficie del mar, donde cada cuadro o píxel tiene como

información un dato de temperatura. El ancho y largo del píxel va a variar de acuerdo con el satélite utilizado, teniendo una resolución de 0.08 x 0.08 grados que equivale aproximadamente a 14 x 14 km para Aqua-MODIS.

30

Figura 8. Conjunto de información ráster, el valor del píxel corresponde al dato. (Chang, 2006)

2.1.11 Estadística ráster

El ráster, al ser una matriz con valores numéricos por píxel, se comporta como tal,

un conjunto de datos, el cual puede sumarse, restarse, multiplicarse o dividirse

(entre otras funciones) junto con otros conjuntos de datos, siempre y cuando posean la misma dimensión (Chang, 2006). Para nuestro caso de estudio, la

estadística que aplicaremos a los ráster será para la elaboración de promedios

históricos, anomalías y determinación de diferencias significativas entre los valores de marzo, abril y mayo 2020 con los anteriores.

2.1.12 Promedios históricos

Consiste en determinar la media aritmética con los valores obtenidos a lo largo del

tiempo. Debido a que se trabaja a escala mensual, se consiguen promedios históricos para cada uno de los doce meses del año que reflejan el

comportamiento “normal” del océano para cada una de sus variables (TSM, CHL, PIC, POC, PAR).

31

2.1.13 Anomalías

Conocidos también como valores atípicos, corresponden a datos que no se ajustan

al patrón establecido (Grubbs, 1969). Es decir, valores que son diferentes a los esperados. Al tratar con variables oceanográficas (TSM, CHL, PIC, POC, PAR), las anomalías que se presentan corresponden a una respuesta a actividades

antropogénicas. (Menchaca Dávila & Alvarado Michi, 2011).

2.1.14 Diferencias significativas

La significancia estadística pertenece al valor numérico correspondiente a determinar si un resultado es diferente a otro. Visualmente podemos ver si existen diferencias entre los datos, pero es a través de diferentes pruebas estadísticas que

se logra dar un resultado fiable. Para nuestro caso se usarán las desviaciones estándar para comparar los valores de los meses de confinamiento por la pandemia (marzo, abril y mayo 2020) con los años anteriores 2002-2020 y verificar si existen diferencias significativas para las variables oceanográficas (TSM, CHL, PIC, POC, PAR).

2.2 Marco histórico 2.2.1 Pandemias mundiales anteriores

Grandes epidemias han tenido lugar en diversas partes del mundo en la historia de

la humanidad, enfermedades que se propagan con mucha rapidez, superando las capacidades del hombre para encontrar una cura dejando a su paso una gran

cantidad de afectados y de víctimas mortales, se considera a la viruela como la primera pandemia.

32

La Viruela La viruela apareció hace 10.000 años aproximadamente, en el siglo XVIII y afectó a

más del 30% de la población mundial, principalmente al continente europeo que,

en época de conquista, trasladó el virus consigo a América contagiando al 90% de la población a nativa americana. Se caracterizaba por dejar desfiguradas a los contagiados.

El vocablo “viruela” procede del término latino “varius” y significa “manchado”, haciendo alusión a los abultamientos elevados que aparecen la cara y en el cuerpo de una persona infectada por el virus (Gargantilla, 2020).

La primera vacuna en la historia fue creada para curar esa enfermedad. La viruela fue erradicada en 1980.

La peste negra o bubónica Apareció en el siglo XIV, iniciando en el año 1347 y se prolongó por al menos 5 años. Aparentemente, la enfermedad se habría originado en China o en el centro de Asia y su llegada a Europa se habría producido en barco (Kreibohm, 2020).

La peste negra está causada por una bacteria Yersinia pestis y se transmite gracias

a las pulgas de las ratas (Gargantilla, 2020).

Es una enfermedad que puede resultar mortal, clínicamente en su forma clásica hay gran inflamación dolorosa de los ganglios linfáticos corporales, en especial en

regiones inguinales, axilares y cuello, cuya inflamación -bubones- determinó el nombre (Castañeda & Ramos, 2020).

Durante el tiempo que duró la “Peste Negra” no había medicinas ni centros de

salud; era prácticamente imposible controlar todos los contagios, y por tanto, la 33

propagación de una enfermedad que había entrado por el sureste del continente y que rápidamente barrió todas las naciones del Mediterráneo propagándose hasta Inglaterra (Arregui, 2020).

Afectó al 60% de la población europea, en su mayoría de escasos recursos. Se considera, debido a su propagación exponencial, que ha dejado un saldo de 200 millones de víctimas mortales.

En la actualidad, esta enfermedad todavía existe en África, Asia, América y aunque existe un tratamiento antibiótico, aún deja fallecidos.

Gripe Española La gripe española surgió en Estados Unidos cuando la Primer Guerra Mundial terminaba. Se la denominó “Gripe Española” porque durante esta época los países

se mostraban herméticos en la difusión de información, mientras que España, al

ser un país neutral, la prensa difundía información sobre esta enfermedad libremente.

De la gripe española sucedieron tres oleadas y la última fue la más letal, en España

murieron un aproximado de 260 000 personas y en la India ascendió entre 1 a 2 millones (Castañeda & Ramos, 2020).

Según Gargantilla (2020), se calcula que el virus H1N1 acabó con la vida del 3-6%

de la población mundial entre los años 1918 y 1920, lo cual significa que fallecieron entre 50 y 100 millones de personas.

Gripe Asiática Apareció por primera vez en Yunnan, China, de una mutación de una cepa viral

procedente de las aves, H2N2, conocida como la “gripe aviar”, con una tasa de mortalidad del 90% entre esos animales. El análisis del material genético puso de 34

manifiesto las peculiaridades del virus: procedía de una cepa aviar, dos porcinas y una humana que había saltado de cerdos a humanos (Gargantilla, 2020).

La influenza es una enfermedad viral aguda de las vías respiratorias, cuyo período

de incubación es de 1 a 7 días y el período infeccioso, de 7 a 10 días. Así mismo, algunos pacientes evolucionan hacia formas más graves de la enfermedad, con un intenso ataque al estado general y signos de insuficiencia respiratoria, hasta que se

instala un cuadro de neumonía atípica que puede conducir a la muerte (LópezCervantes et al., 2010).

La propagación de este virus era muy rápida, el contagio fue exponencial, sus síntomas solían confundirse con el virus de gripe normal, por lo que, era difícil determinar si los pacientes estaban contagiados con este virus.

La influenza cambia la naturaleza de su ARN y muta rápidamente, por este motivo, cualquier vacuna creada para una cepa anterior se muestra inútil frente a uno nuevo.

Esta pandemia iniciada en Asia registró un millón de fallecidos durante los años 1957 a 1958 (Castañeda & Ramos, 2020) VIH SIDA El Virus de Inmunodeficiencia Humana (VIH), causante del Síndrome de Inmunodeficiencia Humana (SIDA), se diseminó a través del continente africano

tal vez después de 1950 gracias al uso compartido de jeringas durante las

campañas de vacunación (Restrepo Agudelo, 2014). Existen 2 tipos VIH-1 y VIH2, siendo el 1 el más virulento, es el resultado de la transmisión del virus de la

inmunodeficiencia de los simios (VIS) a humanos (Gargantilla, 2020). El virus se encuentra en los fluidos corporales de las personas infectadas y necesitan una vía de acceso abierta para llegar al torrente sanguíneo. Afecta los linfocitos del

35

sistema inmunológico del cuerpo, cuando entran en una célula, la cubierta protectora del virus se rompe y su material genético, se incorpora en la célula

humana que infecta con instrucciones para que se reproduzcan virus iguales (Sánchez-Yáñez & Leal Lozano, 2020), estas células se dedican a reproducir este

virus y dejan de proteger el cuerpo contra cualquier otra enfermedad, virus,

bacterias por lo que hasta una simple gripe es muy peligrosa para la persona infectada.

A pesar de que el continente africano se veía afectado por esta enfermedad, fue en

1990 cuando alcanzó su pico luego de que se detectara en lugares como Los Ángeles y New York. En ese momento la epidemia se triplicó y se expandió de forma abrupta por las principales ciudades (Gargantilla, 2020).

A pesar de los esfuerzos de los países todavía no existe una cura para esta enfermedad, pero existe la prueba ELISA para su detección y se han desarrollado

diversos retrovirales que mejoran la calidad de vida de los infectados y evitan una

muerte temprana. En 2018 fallecieron por VIH 770 000 personas y se infectaron 1,7 millones a nivel global. Hasta finales de 2018 el VIH había producido un

aproximado de 37,9 millones de pérdidas vidas humanas (Castañeda & Ramos, 2020).

2.2.2 Situación actual COVID-19

Lo que se conoce actualmente sobre el COVID-19 es poco y cada día surgen

nuevos resultados de diferentes áreas de estudio por la brevedad del tema, debido

a esto, precedentes relacionados específicamente a este virus es casi nulo. Uno de los campos donde se presenta gran cantidad de resultados es la salud, sin

embargo, el monitoreo del cambio climático a través de imágenes satelitales ha sido un área de particular interés en los últimos veinte años. Uno de los principales

estudios en el área satelital corresponde al realizado por Wang & Su, (2020) donde 36

a través de series de tiempo e imágenes satelitales se puede evidenciar como la cuarentena en China tuvo efectos positivos ante variables atmosféricas del cambio climático en el primer trimestre del 2020. Lo que demuestra claramente que se tiene un grave problema de contaminación debido a la actividad antropogénica.

Así mismo, la ONU dentro del Programa de las Naciones Unidas para el Desarrollo (PNUD), menciona que el impacto del COVID afecta positivamente al océano al

menos a corto plazo debido a que “esta reducción de los gases de efecto

invernadero beneficiará al océano al disminuir el ritmo de la acidificación, el calentamiento y la desoxigenación, pero, como en el caso anterior, si no se

mantiene, el impacto general será modesto” (PNUD, 2020). Por lo tanto, adicional a los resultados de los sensores remotos, lo que se pretende en la presente tesis, es concientizar a la población para tomar un nuevo camino y ver esta pandemia

como una oportunidad para poder cambiar nuestro estilo de vida a algo más

amigable con la naturaleza.

2.2.3 Estudios a nivel mundial sobre COVID-19 El COVID-19 es un nuevo coronavirus producto de un salto zoonótico, se cree que

se derivó del murciélago, mutando en el humano. Comenzó en diciembre de 2019 en Wuhan, provincia de Hubei en China y fue declarada pandemia global el 11 de marzo de 2020 (Castro L., 2020).

El COVID-19 es una infección viral producida por el SARS-CoV-2, que afecta principalmente las vías respiratorias bajas, en los casos severos podría producir una respuesta inflamatoria

sistémica masiva y fenómenos trombóticos en

diferentes órganos (Alves Cunha et al., 2020).

37

Los síntomas que con mayor periodicidad se describen son: dolor faríngeo, fiebre, tos seca, anosmia y trastornos del gusto. Otros como diarreas, mialgias y cefalea,

se reportan con menor frecuencia. El periodo de incubación de la enfermedad es

de 2 a 14 días, durante los cuales existe trasmisión independiente de la presencia o

no de síntomas. En los casos asintomáticos se estima un porcentaje de trasmisión entre 48 y 62 % (Valdés Álvarez & Chao Pereira, 2020).

Según Sainz (2020) las personas al hablar, toser, cantar, estornudar, gargajear, moquear, besar y un largo etcétera pueden con sus secreciones infectadas transmitir el virus a través de las gotas respiratorias que pesan entre 5 y 10 µm. El

diagnóstico confirmatorio es a través de la identificación de la presencia del ARN viral por técnica de reacción en cadena de la polimerasa (PCR) en tiempo real, en hisopado nasofaríngeo, secreciones traqueobronquiales y heces fecales (Valdés

Álvarez & Chao Pereira, 2020). De modo general, se dice que la tasa de mortalidad está en el 1.5 y 5%, aunque podría alcanzar el 20% en individuos mayores de 60 años, o en personas menores con enfermedades concomitantes (Caicedo & Patarroyo, 2020).

Las medidas de control tomadas por los distintos países son muy diversas, entre las estrategias incluyen distintos niveles de cuarentena, aislamiento y seguimiento

de

contactos,

suspensión

de

eventos

públicos

masivos,

promoción de medidas de salud pública como el lavado de manos, la higiene al

toser y el distanciamiento social, y la preparación de los centros de salud tanto

para la llegada de pacientes severos que requieran aislamiento, oxígeno y soporte ventilatorio como con respecto a las medidas de prevención de infecciones (Pulcha-Ugarte et al., 2020). La impresión actual es que la epidemia sigue extendiéndose a nivel mundial con distintas fases evolutivas en países, con

38

un número creciente de afectados y fallecidos a pesar de una menor letalidad del virus (Serrano-Cumplido et al., 2020).

2.2.4 Estudios a nivel mundial sobre impacto antropogénico y variabilidad climática

El Panel Intergubernamental sobre el Cambio Climático (IPCC por sus siglas en

inglés) es la agencia encargada del monitoreo del calentamiento global. Se han

evidenciado cambios mayores en cuanto a aumento de temperatura del aire y emisiones de CO2 desde 1950 hasta la fecha (IPCC, 2013).

Figura 9. Anomalías de temperatura durante los últimos 150 años. (IPCC, 2013)

39

2.3 Marco metodológico 2.3.1 Estacionalidad de variables océano-atmosféricos

Debido al movimiento de traslación de la Tierra se presenta una periodicidad en

cuanto a los procesos que ocurren en ella. Las estaciones del año son el reflejo de

este movimiento, y es en cada una de ellas que se evidencian diferentes comportamientos en las variables oceanográficas a estudiar. Al ubicarnos en el centro de la zona ecuatorial las estaciones marcadas son la seca (de junio a

noviembre) caracterizada por ser una época fría con vientos fuertes y la húmeda

(de diciembre a mayo) donde las lluvias y el calor son abundantes. Al estudiar las series de tiempo de variables oceanográficas o atmosféricas se nota claramente la

periodicidad anual existente (figura XX).

Figura 10. Temperatura Superficial del mar promedio anual para la ciudad de Guayaquil. (INOCAR,

2020).

40

Este comportamiento se ve no solo en la temperatura sino en todas las variables

océano-atmosféricas, lo que permite predecir el comportamiento de estas en condiciones normales.

2.3.2 Media y desviación estándar

La media de una población () es el valor obtenido de sumar los N valores y dividirlos para esa N cantidad de datos (Ecuación 1). Reflejando el valor promedio de la población (Zar, 2014).

Ecuación 1. Media de una población de tamaño N

La desviación estándar (SD) corresponde a la dispersión de los datos con respecto

a la media (Ecuación 2). Valores bajos de SD se traducen en poca dispersión y valores altos de SD en gran dispersión de la información. Esta dispersión de

información se trabaja en niveles de confianza, siendo el 95% la usada

regularmente. Los valores que se encuentren por encima o debajo de esta desviación estándar corresponden a valores atípicos (Zar, 2014).

Ecuación 2. Fórmula de desviación estándar para una muestra

2.3.4 Prueba de hipótesis

La hipótesis corresponde a un parámetro que puede ser, o verdadero o falso. Para

determinar la afirmación se procede a realizar una prueba de hipótesis, planteando 41

una hipótesis nula y una hipótesis alternativa, en el que, a través de evidencia

muestral y teoría probabilística, se acepta o rechaza dicha afirmación.

Específicamente se evalúa si los valores de marzo, abril y mayo del 2020 de las

variables oceanográficas (TSM, CHL, PIC, POC, PAR) versus los promedios históricos son significativamente diferentes o no. Para ello se debe verificar que dichos valores se encuentren cerca o fuera del valor de la desviación estándar.

2.3.5 Diferencias significativas en variables oceánicas

La correlación que existe entre las variables meteorológicas y oceanográficas es un punto vital en la elaboración de la presente propuesta de tesis, siendo el sistema

océano-atmósfera (Nelson, 2016) un estudio en el que nos vamos a centrar. Esta

interacción nos menciona la codependencia que existe entre ambos sistemas, y es esta codependencia la que nos permite estudiar las variables oceanográficas como evidencias del cambio climático.

Del repositorio UNIGIS se obtuvo una tesis que maneja datos oceanográficos procedentes de satélites, enfocados netamente al estudio de temperatura superficial del mar colombiano que servirá de guía para el presente estudio

(Pinzón, 2019). En esta tesis se presenta el análisis espacial y temporal de la TSM durante el periodo de tiempo 2003-2015 en la costa pacifico de Colombia, con información in situ y de sensores remotos que fue validada.

3. Metodología 3.1 Delimitación del área de estudio

El área de estudio (Figura 11) corresponde a un espacio aproximada a las 200

millas marinas de la zona económica exclusiva (ZEE) de la CONVEMAR. Las coordenadas se encuentran detalladas en la Tabla 1.

42

Los datos de la presente tesis serán de libre acceso y disponibles para los diferentes entes gubernamentales y no gubernamentales que estudien el cambio

climático en sus diferentes áreas (oceanografía, meteorología, química, biología).

Este estudio se lo hará a través de análisis de indicadores de oceanografía satelital

para los meses de marzo, abril y mayo del 2020 donde rigió la cuarentena y confinamiento estricto en Ecuador.

El área de estudio corresponde a la zona de convergencia de dos corrientes

importantes….

Figura 11. Límites del área de estudio. Fuente: Propia

43

Tabla 1. Coordenadas (WGS84) correspondientes al área de estudio

Puntos P1 P2 P3 P4

X -80.31327 -84.71725 -84.71725 -78.80701

Y -3.3925 -3.3925 1.42765 1.42765

3.2 Flujograma de metodología a ser utilizada

Figura 12. Diagrama de flujo de los diferentes pasos usados en el presente estudio

3.3 Descripción metodológica 3.3.1 Datos satelitales

La información utilizada corresponde a imágenes satelitales de parámetros físicos,

químicos y biológicos del servidor OceanColor Web (NASA et al., 2014) (Figura 13)

específicamente del satélite Aqua-MODIS, dentro del área de estudio mostrada en

el apartado 3.2.1 Los datos contienen el promedio mensual de las variables TSM, 44

CHL, PIC, POC y PAR para los meses de marzo, abril y mayo con una resolución de 0.08 x 0.08 grados equivalente a 14 x 14 km.

Figura 13. Repositorio de imágenes satelitales del servidor OceanColor Web, satélite Aqua-MODIS en el área de estudio. Fuente: NASA Goddard Space Flight Center, Ocean Ecology Laboratory,

Ocean Biology Processing Group. Moderate-resolution Imaging Spectroradiometer (MODIS) Aqua; NASA OB. DAAC, Greenbelt, MD, USA.

3.3.2 Tratamiento de información satelital

Los datos fueron descargados del portal, seleccionando únicamente la información

correspondiente al área de estudio. Antes de ser utilizados, fueron transformados en el programa RStudio, para poder ser leídos y procesados en formato ráster en QGIS en el que se realizó su respectivo análisis estadístico (Figura 14).

45

1

2

3

4

Figura 14: Proceso de transformación de información de formato .NC a formato .TIFF con la ayuda

del programa RStudio con el fin de poder ser analizados en QGIS. Fuente: Propia

46

3.3.3 Procesamiento de la información

Se contó con un total de 54 imágenes satelitales por parámetro oceanográfico siendo 270 imágenes analizadas en total, con lo que se procedió a determinar el

promedio histórico junto a su desviación estándar a través de la calculadora ráster y así verificar en cada píxel las anomalías y valores aberrantes presentes en el área de estudio. El proceso se lo puede evidenciar en las figuras 15-18

Figura 15. Determinación de desviación estándar del POC a través de la calculadora raster de QGIS.

Fuente: Propia

Figura 16. Determinación del valor absoluto de la desviación estándar del POC a través de la calculadora raster de QGIS. Fuente: Propia

47

Figura 17. Determinación de la existencia de diferencias significativas (1 existe, 0 no existe) del POC

a través de la calculadora raster de QGIS. Fuente: Propia

Figura 18. Determinación de la anomalía del POC a través de la calculadora raster de QGIS. Fuente:

Propia

48

3.3.4 Elaboración de mapas finales

Con los ráster de anomalías se procedió a determinar la existencia de zonas donde exista concentración de anomalías atípicas, donde, de color rojo se evidencian

lugares con anomalías positivas y los tonos azules, las negativas. Adicionalmente se realizaron mapas de diferencias significativas donde se pintaron de azul las zonas donde no existen diferencias significativas (valor de anomalía menor a la desviación estándar) y de rojo donde sí existen diferencias significativas (valor de

anomalía mayor a la desviación estándar) (Figura 19).

A

B

Figura 19. Mapas finales correspondientes a luz PAR en el mes de marzo 2020 donde A) evidencia

las anomalías y B) las diferencias significativas. Fuente: Propia

Conjuntamente se realizó un estudio de histogramas ráster (estadística espacial) de

las anomalías para verificar el comportamiento general del área de estudio para cada uno de los meses analizados.

3.4 Justificación de la metodología

La metodología presentada se evaluó bajo pruebas de hipótesis. Siendo Ho “el

valor de 2020 es igual al del promedio histórico” y Ha “el valor de 2020 no es igual al del promedio histórico” el cual fue demostrado descargando los promedios 49

mensuales de los meses de marzo, abril y mayo de las diferentes variables

oceanográficas desde el 2003 hasta el 2020, transformados en ráster a través del programa RStudio y procesadas en QGIS mediante la calculadora ráster para

determinar los respectivos promedios históricos junto a sus desviaciones estándar.

Una vez obtenida la información se procedió a determinar las anomalías y la

existencia de diferencias significativas dentro del área de estudio, alegando los cambios al confinamiento obligatorio producto de la pandemia COVID-19. Toda la información utilizada es de carácter espacial obtenida del servidor OceanColor Web.

4. Resultados y Discusión 4.1 Resultados 4.1.1 Temperatura superficial del mar

La TSM para el mes de marzo presentó anomalías que van desde los -3 a 2 °C

siendo considerablemente positivas en el sur oeste del área de estudio, para el

mes de abril los valores oscilan entre los mismos valores, sin embargo, se puede

observar que los valores neutros son los que abundan. En cuanto al mes de mayo

se puede observar que existe un cambio en las anomalías, aumentando la presencia de valores negativos y neutros, para este mes los valores oscilaron entre -1 y 2.6 °C (Figura 20).

50

Figura 20. Anomalías de la TSM en el área de estudio para los meses de marzo, abril y mayo del

2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas.

Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. Fuente: Editor de composiciones de QGIS.

4.1.2 Clorofila-a

Para el mes de marzo, las anomalías de CHL-a presentaron valores que van desde -

4.4 hasta 5.7 mg/m3 donde se observaron valores neutros en gran parte de su extensión. En el mes de abril los valores oscilaron entre -5.8 a 3.2 mg/m3 con un ligero aumento de las anomalías en el área de estudio. En el mes de mayo la CHL-a

presentó valores entre -3.5 a 4.4 mg/m3 siendo las anomalías negativas las que

ocuparon un mayor espacio en el área de estudio, con presencia de manchas positivas en la parte centro sur (Figura 21).

51

Figura 21. Anomalías de la CHL-a en el área de estudio para los meses de marzo, abril y mayo del

2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas.

Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. Fuente: Editor de composiciones de QGIS.

4.1.3 Carbono inorgánico particulado

El comportamiento del PIC en el mes de marzo presentó anomalías entre los

valores de -1.4 a 1.3 x10-3 mol/m3 siendo positivas principalmente en la zona norte.

En el mes de abril los valores oscilaron entre -1.4 y 2.2 x10-3 mol/m3 aumentando la presencia de valores negativos. En cuanto al mes de mayo, los valores de

anomalías fueron similares a los de abril con presencia de valores negativos en gran parte de su extensión (Figura 22).

52

Figura 22. Anomalías de la PIC en el área de estudio para los meses de marzo, abril y mayo del

2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas.

Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. Fuente:

Editor de composiciones de QGIS.

4.1.4 Carbono orgánico particulado El POC para el mes de marzo presentó valores que oscilaban entre los ± 140 mol/m3 siendo las anomalías neutras y positivas las que ocupan mayor parte del área de estudio. Para el mes de abril y mayo los valores oscilantes son similares a los de marzo, al igual que la presencia de anomalías neutras y positivas (Figura 23).

53

Figura 23. Anomalías de la POC en el área de estudio para los meses de marzo, abril y mayo del

2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas.

Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. Fuente: Editor de composiciones de QGIS.

4.1.5 Radiación fotosintéticamente activa

Finalmente la luz PAR, para los meses de marzo, abril y mayo presentaron valores oscilantes entre ± 5 einstein/m2xdía donde la presencia de anomalias positivas a lo

largo de toda la costa es evidente durante los tres meses (Figura 24).

54

Figura 24. Anomalías de la luz PAR en el área de estudio para los meses de marzo, abril y mayo del

2020. Colores naranja y rojo determinan anomalías positivas y los tonos azules anomalías negativas.

Las anomalías corresponden a la diferencia del dato mensual contra el promedio histórico. Fuente: Editor de composiciones de QGIS.

4.1.6 Diferencias significativas

Para determinar las diferencias significativas, se procedió a elaborar un mapa para

cada una de las variables (TSM, CHL-a, PIC, POC, PAR), donde 1 (rojo) corresponde a que existió una diferencia significativa para ese mes en ese punto del área de

estudio y 0 (celeste) que no existe diferencias significativas. En la figura 25 se pueden observar las diferencias significativas de la TSM y CHL-a, en la figura 26 las de PIC y POC y en la figura 27 las de luz PAR.

55

Figura 25. Diferencias significativas de la TSM y la CHL-a en el área de estudio para los meses de

marzo, abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias

significativas (valores que se encuentran a ± 1 desviación estándar) y el color celeste a lugares donde no se evidencias diferencias significativas. Fuente: Editor de composiciones de QGIS.

56

Figura 26. Diferencias significativas del PIC y el POC en el área de estudio para los meses de marzo,

abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias significativas

(valores que se encuentran a ± 1 desviación estándar) y el color celeste a lugares donde no se evidencias diferencias significativas. Fuente: Editor de composiciones de QGIS.

57

Figura 27. Diferencias significativas de la luz PAR en el área de estudio para los meses de marzo,

abril y mayo del 2020. El color rojo corresponde a lugares donde existen diferencias significativas

(valores que se encuentran a ± 1 desviación estándar) y el color celeste a lugares donde no se

evidencias diferencias significativas. Fuente: Editor de composiciones de QGIS.

Analizando los resultados se evidencian diferencias significativas en las variables oceanográficas estudiadas las que están presentes en diferentes localidades del

área de estudio. Se tiene un especial interés por aquellas que se dan en la parte costera al estar influenciadas directamente con actividades antropogénicas. La TSM presenta pocas diferencias significativas en el área de estudio en los tres

meses y así mismo no presenta algún cambio significativo en la zona costera. En cambio, la CHL-a si presenta diferencias significativas en la costa siendo visibles en

58

los meses de marzo/abril en la zona norte y en la zona sur para el mes de mayo. El PIC muestra diferencias significativas costeras en la zona norte que van

disminuyendo gradualmente con el tiempo, hecho que se repite en el POC, donde aparte se evidencia el aumento de diferencias significativas en la zona oceánica. La

variable que presenta una mayor cantidad de diferencias significativas tanto en la

zona costera como en la oceánica es la luz PAR la que, contrariamente a las otras variables, dichas diferencias significativas van aumentando con el paso del tiempo.

Para el análisis espacial de las variables oceanográficas, se procedió a realizar histogramas ráster del área de estudio mostrados en las figuras 28, 29 y 30 donde se observa que la TSM para los meses de marzo y abril presenta una tendencia a

valores de anomalía negativa, mientras que, en el mes de mayo existe una dispersión de valores entre ± 0.5 °C, aunque de manera general, la TSM tiene un

comportamiento normal que se evidenció en los mapas de diferencias significativas. Para la CHL-a se presentan anomalías ligeramente positivas en los meses de marzo y abril estando acumulados los datos entre los valores de ± 1

mg/m3 que tienden a dispersarse en el mes de mayo. El PIC presenta una tendencia a anomalías neutras durante los tres meses estudiados, sin embargo, al ver los mapas de diferencias significativas se puede notar que en la parte costera existe influencia por parte antropogénica. En cuanto al POC, se evidencia una leve

tendencia a valores positivos durante todo el tiempo. La luz PAR en los meses de

marzo y abril presenta una tendencia a valores positivos, mientras que para el mes de mayo se dispersan entre los valores de ± 5 einstein/m2xdía.

59

Figura 28. Histogramas ráster del área de estudio de las variables TSM y CHL-a para los meses de marzo, abril y mayo. Fuente: Propia

60

Figura 29. Histogramas ráster del área de estudio de las variables PIC y POC para los meses de marzo, abril y mayo. Fuente: Propia

61

Figura 30. Histograma ráster del área de estudio correspondiente a la luz PAR en los meses de marzo, abril y mayo. Fuente: Propia

62

4.2 Discusión

El impacto de la pandemia y cuarentena producto del COVID-19 es analizado a

través de los datos de oceanografía satelital en el área correspondiente a la ZEE de

Ecuador, los que reflejan la existencia de anomalías y diferencias significativas en

diferentes escalas para las variables oceanográficas seleccionadas (TSM, CHL-a, PIC,

POC, PAR). Se debe mencionar que, en el proceso de descarga y procesamiento de la información satelital, la nubosidad influye de manera negativa en la

presentación de los resultados ya que limita nuestra área de estudio. Este

inconveniente se presenta de manera constante para las variables de CHL-a, PIC y POC.

Los gráficos de anomalías y diferencias significativas son el resultado del

tratamiento de los datos descargados de OceanColor Web a través de RStudio

para poder analizarlos en la calculadora ráster de QGIS dando un total de 30 mapas diferentes (15 para anomalías y 15 para diferencias significativas) en los que

se evidencian cambios en el área de estudio para el tiempo evaluado logrando

alcanzar los objetivos planteados. La información detallada se encuentra en los apartados que van del 4.2.1 al 4.2.6. La estadística espacial realizada consistió en

un histograma ráster de las anomalías para las cinco variables en los meses de

marzo, abril y mayo del 2020, dando un total de 15 imágenes con patrones

generales del área de estudio.

4.2.1 Temperatura superficial del mar

La TSM en el mes de marzo presenta anomalías positivas en gran parte del área de

estudio que se van mermando hasta el mes de mayo, donde cambian de signo y las anomalías negativas se vuelven presentes. Lo que nos da un claro ejemplo que 63

durante este periodo de tiempo la temperatura superficial del mar se fue regulando hasta tomar valores neutros o negativos.

4.2.2 Clorofila-a

Cuenta con la presencia de anomalías neutras y anomalías ligeramente positivas

durante los tres meses, lo que muestra un periodo relativamente normal con la novedad de una evidente anomalía negativa en la parte sur del Golfo de Guayaquil

que se encuentra asociada a un descenso en la descarga de nutrientes para dicha zona. En la zona sur de la costa del Ecuador desembocan ríos donde la actividad minera es alta en sus afluentes, actividad que, debido a la cuarentena, frenó casi en

su totalidad y que se puede evidenciar a través de los mapas de anomalías de clorofila.

4.2.3 Carbono inorgánico particulado

Esta variable da un descenso paulatino de anomalías superficiales de marzo a mayo, siendo abril el mes con mayor cantidad de anomalías negativas en la zona

costera que puede estar asociado directamente con la cuarentena rigente en ese lapso. Dentro de la parte oceánica no se evidencian anomalías marcadas puesto

que el carbono inorgánico particulado es una variable indirecta de actividad antropogénica.

4.2.4 Carbono orgánico particulado

Se evidencia un comportamiento inversamente proporcional al PIC, aumentando el

valor de sus anomalías superficiales de marzo a mayo en el área de estudio. El POC posee mayor cantidad de anomalías positivas marcadas en la parte oceánica.

64

4.2.5 Luz PAR

La luz PAR es la variable con mayor cantidad de anomalías marcadas (positivas y negativas) en los tres meses, la cual está asociada a la cantidad de luz disponible para la fotosíntesis de las plantas (algas en nuestro caso), valores altos indican que

la cuarentena ha proporcionado un ambiente óptimo para aumentar la capacidad de fotosíntesis de las algas en toda el área de estudio.

4.2.6 Anomalías y diferencias significativas en la ZEE

Analizar las anomalías de las variables oceanográficas seleccionadas nos da una

idea del comportamiento que tuvo el océano para el periodo de tiempo

seleccionado. Sin embargo, la presencia de anomalías es normal todo tiempo, siendo indiferente la cuarentena para este caso. Lo que se debe analizar y es una herramienta útil para determinar conclusiones, es la presencia de diferencias

significativas, ya que, en el caso de existir, demuestra que el cambio presente en la zona es diferente al esperado. Que es lo que se ha demostrado en este estudio.

65

5. Conclusiones y Recomendaciones 5.1 Conclusiones

Se determinó la existencia de anomalías en los meses de marzo, abril y mayo 2020 en las diferentes variables oceanográficas, donde la TSM pasó de valores positivos

en el mes de marzo a negativos en el mes de mayo, la CHL-a presentó un claro

descenso de elementos ligados a la minería en la costa sur del Ecuador y la luz PAR evidencia gran cantidad de valores positivos, denotando la existencia de mayor cantidad de energía disponible para la fotosíntesis de las algas.

La presencia de anomalías en cualquier tipo de variables es normal, sin embargo, anomalías muy lejanas al valor esperado (±1 DE) se convierten en diferencias

significativas, mostradas en el apartado 4.1.6. Las variables con mayor cantidad de diferencias significativas a lo largo del área de estudio son la luz PAR y la CHL-a denotando la influencia que posee la actividad antropogénica en respuesta de ambas variables. La variable con menor cantidad de diferencias significativas fue la TSM, contando únicamente con manchas aisladas de valores diferentes.

En cuanto a la estadística espacial, se procedió a realizar un histograma ráster para

cada una de las variables oceanográficas en cada mes estudiado. Donde se evidencia la presencia de mayor dispersión en el mes de mayo en todas, siendo más evidente para la luz PAR. Por lo tanto, una mayor variabilidad de anomalías (positivas o negativas) se ve ligada al cambio repentino del estilo de vida del ser humano.

Se logró demostrar que, para los meses de marzo, abril y mayo del 2020 se

obtuvieron valores diferentes a los presentados en años anteriores, sin embargo, la metodología utilizada no fue la óptima para lograrlo, ya que el proceso de

descargar las imágenes satelitales una por una para trabajarlas directamente desde 66

un programa como QGIS es algo que demanda gran cantidad de tiempo, a eso le debemos sumar el hecho que no solo se utilizó solo una variable, ni solo un par de

años. Actualmente existe una herramienta que está cambiando la forma de análisis

de información espacial, se llama Google Earth Engine (GEE), la cual a través de comandos de JavaScript trabaja directamente con el repositorio de imágenes de gran cantidad de satélites del mundo y evita el proceso de descarga y análisis de información “interna”, haciéndolo directamente desde el servidor, optimizando tiempo y recursos. Esta herramienta al ser nueva y con un lenguaje de

programación poco común para personas ajenas a la programación, demanda tiempo en ser aprendida. Sin embargo, pese a no haber usado la herramienta más

óptima para el análisis de información, se logró demostrar todo lo estipulado en

los objetivos dejando a un lado la ZEE perteneciente a Galápagos, que pese a pertenecer a Ecuador, no formó parte del área de estudio por la gran extensión de

mar que se debía cubrir con los mapas, así como el espacio físico que representa procesar dicha información, vale la pena mencionar que se deberían hacer

estudios en dichas islas de manera puntual, no solo por la pandemia, sino porque a través de los satélites se puede obtener información de cualquier parte del mundo.

Adicionalmente, fue posible confirmar la hipótesis presentada, puesto que, durante

los meses de marzo, abril y mayo del 2020, periodo de tiempo donde el confinamiento era obligatorio, se presentaron diferencias significativas en ciertas

zonas del área de estudio, siendo más notables en la CHL-a y la luz PAR.

Hasta antes de la pandemia, durante los meses de marzo, abril y mayo, las playas

del Ecuador recibían gran cantidad de turistas, siendo una población flotante considerable, provocaba colapsos en las descargas de aguas residuales generadas

y contaminaba la zona. Este comportamiento era “normal” hasta las restricciones

presentadas por la pandemia, donde el aporte turístico en las playas fue nulo, 67

provocando alteraciones en las anomalías de las variables oceanográficas satelitales analizadas, cuyas diferencias significativas estuvieron presentes en los mapas de las cinco variables en diferentes magnitudes

5.2 Recomendaciones

El análisis de información espacial en Ecuador es una rama de los SIG que tiene

gran potencial, puesto que, gran cantidad de información está disponible de manera gratuita en buena resolución a nivel mundial. La oceanografía espacial es

solo una de las tantas variables que se pueden analizar, existe información

referente a atmosfera, cambio climático, uso de suelos y gestión de riesgos solo por citar unos ejemplos.

La información in situ siempre será más confiable que la información satelital, sin

embargo, dado el caso que nuestra área de estudio corresponde a toda la ZEE de Ecuador, no se puede tener un sensor de variables oceanográficas cada 0.08

grados (14 km), es por esta razón que la información satelital es importante para

plantear una línea base de futuros estudios direccionados a responder incógnitas presentes en los mapas. Tomando en cuenta los resultados de la presente tesis se

puede observar que la luz PAR presenta gran cantidad de diferencias significativas

a lo largo de toda la ZEE, por lo tanto, se puede indagar lo obtenido a través de

sensores de luz PAR in situ colocados en ciertos puntos dentro del área de estudio y verificar que reacciones biológicas, químicas o físicas tienen con el entorno.

El análisis estadístico realizado puede mejorar al delimitar un área de estudio

menor. Ya que el presente estudio fue netamente exploratorio se deja los mapas y

la posta a futuras investigaciones referentes a variables oceanográficas satelitales.

68

6. Referencias

Alves Cunha, A. L., Quispe Cornejo, A. A., Valdivia Cayoja, A., Chino Mendoza, J. M., & Vera Carrasco, O. (2020). Breve historia y fisiopatología del covid-19.

Cuadernos Hospital de Clínica, 61(1), 130–143.

Arregui, M. O. (2020). La historia de las pandemias y sus cuarentenas a lo largo de la historia. Revista de Artes y Humanidades, 72, 128.

Bainbridge, V., & Tait, R. V. (1998). Elements of Marine Ecology. In Elements of Marine Ecology (Fourth, Vol. 42, Issue 2). Butterworth Heinemann. https://doi.org/10.2307/3308 Buckley, R. (2011). Tourism and environment. Annual Review of Environment and Resources, 36, 397–416. https://doi.org/10.1146/annurev-environ-041210132637 Bullerjahn, G. S., & Post, A. F. (1993). The prochlorophytes: Are they more than just chlorophyll a/b-containing cyanobacteria? Critical Reviews in Microbiology, 19(1), 43–59. https://doi.org/10.3109/10408419309113522 Caicedo, M. J., & Patarroyo, M. E. (2020). La búsqueda desesperada de una vacuna contra el SARS-CoV2. Tiempo de Paz, 20–29. www.revistatiempodepaz.org Campbell, J. B., & Randolph, H. (2011). Introduction to Remote Sensing. In Remote Sensing (The Guilfo, Vol. 4, Issue 1). https://doi.org/10.3390/rs5010282 Castañeda, C., & Ramos, G. (2020). Principales pandemias en la historia de la humanidad.

Revista Cubana de Pediatría, 92, 1–24. http://www.revpediatria.sld.cu/index.php/ped/article/view/1183/549 Castro L., R. (2020). Coronavirus, una historia en desarrollo. Revista Médica de Chile, 69

148(2), 143–144. https://doi.org/10.4067/s0034-98872020000200143

Chang, K.-T. (2006). Introduction to Geographic Information Systems (3rd Editio).

McGraw Hill.

Copernicus. (2020). Global Ocean 1/12° Physics Analysis And Forecast Updated DailyNo Title.

Copernicus Marine Service. https://resources.marine.copernicus.eu/?option=com_csw&view=details&prod uct_id=GLOBAL_ANALYSIS_FORECAST_PHY_001_024 Dávila, Á., Cuesta, R., Villagómez, M., & Fierrro, D. (2013). Atlas Geografía Esencial del Ecuador (Primera ed). Instituto Geográfico Militar.

Department of Health and Human Services. (2004). Información básica sobre el SARS. Centers for Disease Control and Prevention, 1–3. https://www.cdc.gov/sars/about/fs-SARS-sp.pdf Doney, S. C., Fabry, V. J., Feely, R. A., & Kleypas, J. A. (2009). Ocean acidification: The other CO2 problem. Annual Review of Marine Science, 1, 169–192. https://doi.org/10.1146/annurev.marine.010908.163834 Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. The Lancet Infectious Diseases, 20(5), 533–534. https://doi.org/10.1016/S1473-3099(20)30120-1 Félix Mendoza, Á. G., & García Reinoso, N. (2020). Estudio de pérdidas y estrategias de reactivación para el sector turístico por crisis sanitaria COVID-19 en el destino Manta-Ecuador. Revista Internacional de Turismo, Empresa y Territorio (RITUREM) 4(1), 79-103 (2020). https://doi.org/10.21071/riturem.v4i1.12743 Gargantilla, P. (2020). Breve historia de las pandemias. Tiempos de Paz, 6–14.

70

www.revistatiempodepaz.org González Gómez, E. (2006). Guía básica de conceptos de radiometría y fotometría.

In Campos electromagnéticos - Óptica. Universidad de Sevilla. http://laplace.us.es/campos/optica/opt-guia2.pdf

Grubbs, F. E. (1969). Procedures for Detecting Outlying Observations in Samples.

Technometrics, 11(1), 1–21.

Hoegh-Guldberg, O., Mumby, P. J., Hooten, A. J., Steneck, R. S., Greenfield, P., Gomez, E., Harvell, C. D., Sale, P. F., Edwards, A. J., Caldeira, K., Knowlton, N., Eakin, C. M., Iglesias-Prieto, R., Muthiga, N., Bradbury, R. H., Dubi, A., & Hatziolos, M. E. (2007). Change and Ocean Acidification. Science, 318(December 2007), 1737–1743. https://doi.org/10.1126/science.1152509

Temperatura Superficial del Mar. INOCAR. INOCAR. (2020). https://www.inocar.mil.ec/web/index.php/productos/temperatura-superficialdel-mar IPCC. (2013). Summary for Policymakers. In T. F. Stocker, D. Qin, G.-K. Plattner, M. Tignor, S. K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex, & P. M. Midgley (Eds.), Climate Change 2013: The Physical Science Basis (Contributi, Vol. 1).

Cambridge University Press.

Kreibohm, P. (2020). Tres pandemias en la Historia. Relaciones Internacionales, 29(58), 100. https://doi.org/10.24215/23142766e100 López-Cervantes, M., Garcia Moreno, J., Pacheco Domínguez, R., & Escamiña Santiago, R. (2010). La influenza A/H1N1 2009. Una crónica de la primera pandemia del siglo XXI. Revista Digital Universitaria UNAM, 11(4), 1–19. http://www.revista.unam.mx/vol.11/num04/art37/int37.htm 71

Menchaca Dávila, M., & Alvarado Michi, E. (2011). Efectos antropogénicos provocados por los usuarios del agua en la microcuenca del Río Pixquiac.

Revista Mexicana de Ciencias Agrícolas, 1, 85–96.

NASA, Goddard Space Flight Center, Laboratory, O. E., & Group, O. B. P. (2014).

Sea-viewing Wide Field-of-view Sensor (SeaWiFS) Ocean Color Data. NASA OB.DAAC. https://doi.org/10.5067/ORBVIEW-2/SEAWIFS_OC.2014.0.

Nelson, S. (2016). The Ocean-Atmosphere System. Tulane University. http://www.tulane.edu/~sanelson/Natural_Disasters/oceanatmos.htm OceanColor.

(2020).

OceanColor https://oceancolor.gsfc.nasa.gov/l3/

Web.

EarthData.

ONU. (2012). Convención de las Naciones Unidas sobre el derecho del mar.

Derecho Del Mar, 2014(84), 1–16. https://doi.org/10.18356/e3d32375-es Openstax. (2020). The Light-Dependent Reactions of Photosynthesis. Biology. https://cnx.org/contents/-CmzvUct@11/The-Light-Dependent-Reactions-ofPhotosynthesis Pinzón, D. N. (2019). Variabilidad espacio-temporal Colombia 2003-2016.

Universidad de Salzburg.

PNUD. (2020).

El océano y la COVID-19. https://www.undp.org/content/undp/es/home/blog/2020/the-ocean-andcovid-19.html Pulcha-Ugarte, R., Pizarro-Lau, M., Gastelo-Acosta, R., & Maguiña-Vargas, C. (2020). ¿Qué lecciones nos dejará el covid-19?: Historia de los nuevos coronavirus.

Revista de La Sociedad Peruana de Medicina Interna, 33(2), 68–76.

72

Restrepo Agudelo, C. (2014). Las epidemias en la historia de la humanidad.

Universitas Cientíticas, 80–85.

Robert, B., Rintoul, D., Snyder, B., Smith-Caldas, M., Herren, C., & Horne, E. (2016).

Principles of Biology Vol.1.

OpenStax. http://legacy.cnx.org/content/col11569/1.24 Robinson, I. S. (2010). Discovering the Ocean from Space: The unique applications of satellite oceanography. In Discovering the Ocean from Space: The unique applications of satellite oceanography. http://books.google.com/books?id=uCwzWN3Zg8C&pgis=1 Sainz, M. (2020). Las medidas preventivas desde la OMS y su implementación en España. Tiempo de Paz, 30–38. www.revistatiempodepaz.org Salvador, A. G., Alcaide, A. S., & Salvador, L. G. (2005). Evaluación de impacto ambiental. Pearson Education.

Sánchez-Yáñez, J. M., & Leal Lozano, L. (2020). El Sida: La pandemia más devastadora de la historia. Revista de Divulgación Científica de La Secretaria

de Difusión Cultura y Extensión Universitaria Universidad Michoacana de San Nicolas de Hidalgo, Morelia, Mich, México. https://www.researchgate.net/publication/340262450_El_Sida_la_pandemia_m as_devastadora_de_la_historia

SENPLADES. (2017). Plan de Ordenamiento del Espacio Marino Costero (Issue 187).

Serrano-Cumplido, A., Ortega, P. A. E., García, A. R., Quintana, V. O., Fragoso, A. S., Garcia, A. B., & Bayón, Á. M. (2020). COVID-19. La historia se repite y seguimos tropezando con la misma piedra. Medicina de Familia. SEMERGEN. Valdés Álvarez, K., & Chao Pereira, C. (2020). La COVID-19: un reto para la salud mundial. Revista Cubana de Medicina, 59(1), 1–13.

73

Van Aardenne, J. A., Carmichael, G. R., Levy, H., Streets, D., & Hordijk, L. (1999).

Anthropogenic NO(x) emissions in Asia in the period 1990-2020. Atmospheric Environment, 33(4), 633–646. https://doi.org/10.1016/S1352-2310(98)00110-1 Walsh, J. E., Park, H., Chapman, W. L., & Ohata, T. (2013). Relationships between variations of the land-ocean-atmosphere system of northeastern Asia and northwestern North America. In Polar Science (Vol. 7, Issue 2, pp. 188–203). https://doi.org/10.1016/j.polar.2013.05.002 Wang, Q., & Su, M. (2020). A preliminary assessment of the impact of COVID-19 on environment – A case study of China. Science of the Total Environment, 728. https://doi.org/10.1016/j.scitotenv.2020.138915 World Health Organization. (2012). Coronavirus causante del síndrome respiratorio de Oriente Medio (MERS-CoV) — Reino de Arabia Saudita. https://www.who.int/csr/don/18-october-2019-mers-saudi-arabia/es/

World Health Organization. (2019). Preguntas y respuestas sobre la enfermedad por coronavirus (COVID-19). https://www.who.int/es/emergencies/diseases/novel-coronavirus2019/advice-for-public/q-a-coronaviruses#:~:text=sintomas Yanping, Z. (2020). The Epidemiological Characteristics of an Outbreak of 2019 Novel Coronavirus Diseases (COVID-19) — China, 2020. China CDC Weekly, 2(8), 113–122. https://doi.org/10.46234/ccdcw2020.032 Zar,

J. H. (2014).

Biostatistical Analysis.

In ������������������������ (Fifth Edit, Vol. 7, Issue 2). Pearson Education Limited.

74

7. Anexos

Script utilizado para transformar la información descargada de .NC a .TIFF a través de RStudio:

library(raster) library(rgdal) ## For multiple files, could use a for loop ## Input directory dir.nc<- 'C:/…/MEGA/Maestria/Tesis/Shapes/Rasters/POC/NC' files.nc <- list.files(dir.nc, full.names = T, recursive = T) ## Output directory dir.output<- 'C:/…/MEGA/Maestria/Tesis/Shapes/Rasters/POC/TIFF/' ## For simplicity, I use "i" as the file name, you could change any name you want, "substr" is a good function to do this. for (i in 1:length(files.nc)) { r.nc <- raster(files.nc[i]) writeRaster(r.nc, paste(dir.output, i, '.tiff', sep = ''), format = 'GTiff', overwrite = T) } ## END

75