24 minute read
satélite Aqua-MODIS en el área de estudio
from 105478
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.
Advertisement
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
3 2
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.
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 situsiempre 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
INOCAR. (2020). Temperatura Superficial del Mar. INOCAR. 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.
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 Web. EarthData. https://oceancolor.gsfc.nasa.gov/l3/
ONU. (2012). Convención de las Naciones Unidas sobre el derecho del mar.
Derecho DelMar , 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-of-
Photosynthesis
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=u-
CwzWN3Zg8C&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 Culturay 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 delEspacio 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). Preguntasy 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
