Gesti ndePlagasconM ®todosgeoestad ¡Sticos

Tesina de Gestión de Plagas con Métodos Geoestadísticos
Cristina Ramírez León

Febrero 2006
Gestión de Plagas con Métodos Geoestadísticos
Alumno
Profesor Coordinador
Dr. Martín Alberto Díaz Viera
Palabras Clave: SIG, Geoestadística, Plagas, Agrícolas
Master en Sistemas de Información Geográfica. 7ª Edición

Fundación UPC
Universidad Politécnica de Cataluña
1
Febrero 2006
Agradecimientos
Esta tesina no podría haber llegado a su fin sin la extraordinaria colaboración

de mi tutor Dr. Martín Alberto Díaz Viera. Gracias a la tecnología que ha unido en este
caso, el continente americano con el europeo, ha tutorizado este trabajo desde
México, comenzando con la introducción al mundo de la geoestadística y en su fin, a
la ayuda para la obtención del mejor modelo que reflejara la información de capturas
de la que disponíamos.
Importante colaboración, vía Web al foro Master GIS, formado por todos los
alumnos de la séptima edición del Master de Sistemas de Información Geográfica de
la Fundación de la Universidad Politécnica de Cataluña. Inestimable colaboración
también al foro de Gabriel Ortiz y la RedIris.
2
Febrero 2006
Esta tesina va dedicada al

“tiempo que invertimos las personas en no disfrutar la vida”…
3
Febrero 2006
INDICE
1. RESUMEN DE LA SITUACIÓN ACTUAL 5
2. OBJETIVOS Y METAS DE LA PROPUESTA 7
3. BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL 9

3.1. La Muestra 9
3.2. Ciencia Geoestadística 10
3.3. Fases de un Estudio Geoestadístico 13
3.3. A. Análisis Exploratorio de los datos 13
3.3. B. Análisis Estructural o Variografía 15
3.3. C. Interpolación o Estimación Espacial 20
3.3. C.1 Triangulación 20
3.3. C.2. Inverso de la distancia 20
3.3. C.3. El krigeaje 21
3.3. C.4. Geoestadística no Lineal 22
3.3. D. Validación del Modelo Geoestadístico 22
3.4. Otros Factores influyentes 23
3.5 Los Sistemas de Información Geográfica 23
4. DESCRIPCIÓN: OBJETIVO Y PLAN DE TRABAJO 25

4.1 Objetivo general 25
4.2 Plan de Trabajo 26
4.3 Fases del Proyecto 26
4.3. A. Obtención de datos alfanuméricos y cartográficos 27
4.3. B Estudio Geoestadístico 28
4.3. B.1 Distribución de la muestra 28
4.3. B.2 Estudio del Entorno 28
4.3. B.3 Análisis preliminar de los datos 29
4.3. B.4 Análisis exploratorio de los datos 29
4.3. B.4.1. Prueba de hipótesis de Normalidad 30
4.3. B.4.2. Análisis del coeficiente de asimetría 31
4.3. B.4.3. Análisis del coeficiente de variación 31
4.3. B.4.4. Análisis de Outliers espaciales y distribucionales 31
4.3. B.4.5. Resultados del Análisis Exploratorio 32
4.3. B.5 Modelización del variograma 39
4.3. B.6 Estimación espacial usando Kriging 41
4.3. B.7 Análisis de los resultados de la estimación 46
5 OTROS FACTORES INFLUYENTES 47

5.1 Vías de Comunicación 48
5.2 Núcleos de Población, según número de habitantes 53
5.3 Otras Plagas 58
6 ANÁLISIS CONJUNTO DE VARIABLES 61
7 CONCLUSIONES DEL ESTUDIO 65
8 TECNOLOGÍA 67
9 BIBLIOGRAFÍA 68
4
Febrero 2006
1. RESUMEN DE LA SITUACIÓN ACTUAL
Con la idea de sacarle el máximo provecho a las tierras de cultivo, junto con el aumento
de extensiones dedicadas a la producción agrícola, se originó la ruptura del equilibro
ecológico y la extensión del fenómeno plaga.
Para el control de estas plagas fue necesario el uso de productos fitosanitarios lo que
consiguió la disminución de poblaciones de fauna auxiliar con el correspondiente
desequilibrio ecológico.
Con este panorama, era necesario adoptar medidas y mecanismos que devolvieran el
equilibrio a la naturaleza. Apareció entonces, la Lucha Dirigida, cuyas finalidades
principales eran: aplicar un umbral de tolerancia y seleccionar productos fitosanitarios
más adecuados para proteger esta fauna auxiliar.
Aprovechando esta filosofía de Lucha Dirigida, se llegó a un grado superior, Control

Integrado de Plagas (CIP), cuyo pilar más importante fue la limitación del uso de
productos sanitarios. Para que los productores y consumidores puedan reconocer esta
práctica en sus productos, se ha creado la Denominación Genérica de Producción
Integrada.
La Producción Integrada la podemos definir como un sistema de producir alimentos de

alta calidad, danto prioridad a los métodos que tienen en cuenta el ecosistema,
minimizando y justificando la utilización de productos agroquímicos con la finalidad de
aumentar la protección con el medio ambiente y la salud humana.
Con este fin, nace el Decreto 1201/2002, que regula la Producción Integrada a nivel
nacional, donde se puede encontrar normas generales para llevar a cabo la
producción integrada, informando sobre requisitos a nivel fertilización así como
normativas nacionales específicas de cítricos y hortalizas.
Logo de Producción Integrada a nivel Nacional
5
Febrero 2006
La presente tesina se encuentra organizada en los siguientes apartados.
En el apartado actual, “RESUMEN DE LA SITUACIÓN ACTUAL”, se explican brevemente los

antecedentes de este proyecto así como su objetivo principal.
En el capítulo 2, “OBJETIVOS Y METAS DE LA PROPUESTA”, primero se describe el entorno

de la aplicación concreta que sirve de cauce de este trabajo Tesina del Master de
Sistemas de Información Geográfica. A continuación se describe la problemática del
estudio geoestadístico de información referente a plagas.
En el apartado 3, “BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL GEOESTADÍSTICA”,

se expone una síntesis general sobre la teórica a emplear, se desarrollan las principales
hipótesis de la Geoestadística y sus principales fases.
En el apartado 4, “DESCRIPCIÓN: OBJETIVO Y PLAN DE TRABAJO” se expone la resolución

de la aplicación geoestadística. Se irá mostrando las fases en las que se ha construido la
aplicación, describiendo en detalle los objetivos de cada fase y su diseño, mediante
diagramas de clase y de secuencia.
En el apartado 5, “OTROS FACTORES INFLUYENTES” llevaremos a cabo el análisis de otras

variables que podrán influir en la presencia o no de número de capturas en la zona.
En el apartado 6, “ANÁLISIS”, trataremos de relacionar toda la información obtenida

hasta ahora.
En el apartado 7, “CONCLUSIONES”, se exponen las conclusiones alcanzadas tras la

realización de la aplicación y la evaluación.
En el apartado 8, “TECNOLOGÍA”, se exponen la tecnología que ha sido utilizada en este

proyecto.
En el apartado 9, “BIBLIOGRAFÍA”
6
Febrero 2006
2. OBJETIVOS Y METAS DE LA PROPUESTA
Hasta el momento y salvo determinados casos, el estudio de la distribución de

plagas se realiza de manera puntual, aplicando determinadas técnicas geoestadísticas
a información adquirida en el territorio, pero siempre olvidando esta última variable de
localización o representando la información obtenida en un mapa no relacionado con
otro tipo de variables geográficas que pudieran ser la causa de su mayor o menor
presencia. En ningún momento, salvo determinados proyectos de esta misma
universidad, se ha tratado de relacionar la distribución de la plaga con otros factores
fácilmente relacionales, por ejemplo, ríos, núcleos de población, carreteras u otras
plagas existentes en la zona.
En la siguiente figura, se muestra información referente al estudio de distribución de
plagas de una manera aislada, sin relacionar la información obtenida mediante análisis
geoestadísticos a otro tipo de información georeferenciada.
Mapa Geoestadístico aislado
Ante este panorama y con la aplicación de los Sistemas de Información Geográfica (en
adelante, SIG) conseguiríamos usar herramientas de gran capacidad de procesamiento
gráfico y alfanumérico. Estas herramientas vienen dotadas de procedimientos y
aplicaciones para captura, almacenamiento, análisis y visualización de la información
7
Febrero 2006
georeferenciada. La mayor utilidad de un SIG está íntimamente relacionada con la

capacidad que posee de construir modelos o representaciones del mundo real a partir
de bases de datos digitales, esto se logra aplicando una serie de procedimientos
específicos que generan aún más información para el análisis.
Con la aplicación de los SIG junto con la ciencia Geoestadística, conseguimos la

construcción de modelos de simulación, por lo que se convierte en una valiosa
herramienta para analizar fenómenos que tengan relación con tendencias y así poder
lograr establecer los diferentes factores influyentes.
Este trabajo tiene como base, la implantación de un Sistema de Información Geográfica,

aplicado a la Distribución Espacial de Plagas de interés agrícola, mediante tecnologías
SIG, relacionando esta información principal, con otro tipo de información con igual
localización; con el fin de localizar las zonas más probables de existencia de plagas y su
relación con otro tipo de factores.
Una vez obtenido el mapa de distribución de plagas, se estudiará la información de

cada una de las zonas, para su posterior tratamiento preventivo con productos
fitosanitarios en zonas localizadas, frente a la utilización masiva una vez extendida la
plaga.
8
Febrero 2006
3. BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL
Para la correcta realización de esta tesina, se ha profundizado en distintas materias

íntimamente relacionadas con el objetivo de estudio. Por una parte, se ha estudiado
las diferentes aplicaciones de la geoestadística a variables localizadas, factores
influyentes en la presencia o no de plagas en una determinada zona y por último los
Sistemas de Información geográfica aplicados a la geoestadística.
3.1. La Muestra
En cualquier investigación, necesitamos recoger diferentes muestras de

información desde distintos puntos de la zona, para que, partiendo de su estudio,
podamos realizar generalizaciones y tratar de encontrar conclusiones del “todo”. El fin
último es la estimación de las poblaciones en términos absolutos.
La idea es que a través de un programa de muestreo se pueda obtener información

útil para los fines que se persiguen; si se intentan censos poblacionales, es indudable
que los absolutos son los indicados, pero si la intención es simplemente de detección
(presencia o ausencia) o de comparación de situaciones en el espacio o en el tiempo,
lo importante es escoger aquel tipo de estimador que nos suministre la información de
la manera más segura, rápida y al mínimo coste.
La distribución espacial de las poblaciones es una de las características más

importantes que se hacen indispensables conocer si se desea muestrearlas
eficientemente, ya que afecta al análisis estadístico de la información obtenida y
determina los parámetros específicos que permiten la separación de las especies.
Analizar la relación empírica entre la varianza y la media de la muestra, ayuda a
comprender dicha distribución. Los tipos clásicos de distribución espacial de las
poblaciones son los que se muestran en el siguiente gráfico.
Tipos de Distribución Espacial
Al Azar Agregada Uniforme

Media = Varianza Media < Varianza Media > Varianza
Una población de distribución Al Azar, de identifica cuando cualquier lugar del

espacio, tiene la misma probabilidad de ser ocupada, y esta ubicación no afecta a la
posición de resto de los individuos; en este caso, tanto la media como la varianza de la
muestra, son iguales. Agregada, es cuando la presencia de un individuo influye en la
9
Febrero 2006
posición de los individuos de su entorno más cercano, por lo que la media de la

muestra tiende a ser menor que la varianza. La distribución será Uniforme, cuando los
individuos se localizan de una forma ordenada; en este caso, la media será mayor que
la varianza de la muestra.
Conocer el tipo de distribución al que está asociado la muestra es fundamental para

identificar el tipo de muestreo que tenemos que llevar a cabo para obtener la muestra
más apropiada.
3.2 Ciencia Geoestadística
En cuanto a conceptos geoestadísticos, en el campo de las geociencias es

común encontrar variables distribuidas espacialmente. Para el estudio de estas
variables son usados diversos procedimientos geoestadísticos de estimación y
simulación.
Existen actualmente dos métodos para realizar estos cálculos. Métodos Clásicos
y Métodos Modernos. Por un lado, encontramos los Clásicos, incluyendo en estos, los
Bloques Geológicos y Perfiles de Parcelas, estos se caracterizan por el uso de valores
medios o medias ponderadas de los contenidos de la exploración de bloques
definidos convenientemente. Estos métodos son eficientes cuando la información
disponible presenta determinada regularidad, pero en la práctica, la gran diversidad
de formas en que se presentan los datos ha llevado a la utilización de técnicas
matemáticas y estadísticas para resolver un único problema, estimar valores
desconocidos a partir de conocidos, por lo tanto los métodos más eficientes que
proporcionan la mayor información posible de los datos disponibles son los Modernos.
Dentro de estos se encuentran el Inverso de la Distancia, Triangulación Splines y
buscando el mejor estimador que minimice la varianza del error de estimación, surge la
Geoestadística.
La Geoestadística, se reconoce como una rama de la estadística tradicional que

parte de la observación de que la variabilidad o continuidad espacial de las variables
distribuidas en el espacio tienen una estructura particular, desarrollándose
herramientas matemáticas para el estudio de estas variables dependientes entre sí,
llamadas variables regionalizadas.
A partir de un conjunto de muestras tomadas en zonas donde existe un tema a

estudiar, estos procedimientos permiten la descripción o caracterización de las
variables con dos fines diferentes, primero, proporcionar valores estimados en
localizaciones de interés y segundo, generar valores que en conjunto presenten
iguales características de dispersión que los datos originales.
Su punto de partida es asumir una intuición topo-probabilística. Los fenómenos

distribuidos en el espacio presentan un carácter mixto, por un lado, un
comportamiento caótico o aleatorio a escala local, y por otro lado, un
comportamiento estructural en el esquema general.
10
Febrero 2006
Se puede entonces decir, que a cada punto X del espacio se le asocia una variable
aleatoria (VA) Z(x), para dos puntos diferentes se tendrán dos Vas Z(x) y Z(y) diferentes
pero no independientes, y es su grado de correlación el encargado de reflejar la
continuidad del objeto de estudio, de manera que esta técnica es la determinación
de la función de correlación espacial de los datos.
Su estimador, el Krigeaje, tiene como objetivo encontrar la mejor estimación posible a

partir de la información disponible. El valor estimado obtenido Z*(x) de un valor real y
desconocido Z(x), consiste en una combinación lineal de pesos asociados a cada
localización donde fue muestreado un valor Z(xi) donde i=(1, 2, ….n) del fenómeno
estudiado, observando dos condiciones fundamentales.
• El estimador debe ser insesgado E[Z*-Z]=0
• La varianza var[Z*-Z] sea mínima, consiguiéndose minimizar la varianza de error

de estimación.
A diferencia de otros métodos, en el método de Interpolación por Krigeaje, su

uso implica un análisis previo de la información con el objetivo de definir o extraer de
esta información inicial un modelo que represente su continuidad espacial. Una vez
logrado, estamos en condiciones de obtener el mejor valor posible en cada
localización o bloque a estimar a partir de los datos medidos, acompañada de la
varianza de krigeaje como medida del error de la estimación realizada.
Una Variable Regionalizada es simplemente una función f(x) que toma valores
en todos los puntos (X, Y, Z) en el espacio. En nuestro caso, el dato Z será el número de
insectos recogidos en cada trampa por cada plaga. Sin embargo, es muy normal que
estas funciones varíen irregularmente en el espacio por lo que impiden su estudio
matemático directo y se hace necesario realizar un análisis de variabilidad de la
información disponible. En este aspecto, surgirá un estudio profundo de la función
variograma.
Una variable aleatoria (VA) es una variable que puede tomar ciertos valores de
acuerdo a cierta distribución de probabilidades. Un valor medido en cada punto xi es
considerado como una realización z(xi) de una VA Z(xi) cuya media es m(xi). En los
puntos x donde no existen valores medios es desconocida la propiedad que se
estudia, pero están bien definidos y pueden asimismo considerarse variables aleatorias
Z(x). Al conjunto de todas las mediciones z(x) en el área de estudio de las variables
regionalizada puede considerarse como una realización particular del conjunto Vas
(Z(x), x V área de estudio). A este conjunto de VAs se le llama Función aleatoria y se
escribe Z(x). De modo que al extender el concepto de función aleatoria al espacio de
una o más dimensiones, aparece la noción aleatoria y estructural de una variable
regionalizada: primero Z(x) como VA y segundo que las VAs Z(x) y Z(x+h) no son en
general independientes, si no que están relacionadas por la estructura espacial de la
variable regionalizada original Z(x).
En definitiva, en la ciencia Geoestadística se parte de una hipótesis de partida, “Los

datos que se encuentran próximos entre sí, tendrán valores más homogéneos que los
datos que se encuentran alejados entre sí”
La forma en que se presenta la información es muy diversa, la geoestadística se

construye asumiendo condiciones de estacionalidad. Por lo que es necesario aceptar
el cumplimiento de ciertas hipótesis sobre el carácter de la función aleatoria o
procesos estocásticos estudiados, llamados Hipótesis de partida de la Geoestadística.
11
Febrero 2006
I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la función de

distribución de probabilidades de las variables aleatorias regionalizadas Z(xi) son
iguales entre sí, independiente de la localización xi, lo que requiere que los momentos
de distinto orden para cada variable aleatoria regionalizada sean completamente
independientes de la localización xi. Esta condición como su nombre lo indica es
demasiado restrictiva al estudiar la mayoría de los fenómenos encontrados en la
práctica.
II- Estacionaridad de Segundo Orden. Esta condición es más frecuente en la práctica,

la misma exige que:
1) E{Z(xi)} = m, existe y no depende de la localización xi.
2) La función covarianza, Cov{Z(xi) - Z(xj)}, exista y sólo dependa de la longitud del
vector h = xi - xj o sea.
C(h) = Cov{Z(xi), Z(xj)} = E{Z(xi), Z(xi+h)} - m2
Esta hipótesis requiere la estacionaridad sólo para la media y para la función de

covarianza de la variable aleatoria regionalizada. La segunda condición implica,
estacionaridad de la varianza y del variograma.
1o Var[Z(xi)] = E{[Z(xi) - m]2} = C(0) ∀x

2o γ(h) = E{[Z(xi)]2} - E{Z(xi), Z(xi+h)} ∀x
Como E[Z(xi), Z(xi+h)] = C(h) + m2

y E[Z2(xi)] = C(0) + m2
γ(h) = C(0) + m2 - (C(h) + m2)
γ(h) = C(0) - C(h).
Como se observa en la última expresión γ(h) y C(h), son dos herramientas que permiten
expresar la correlación entre la variable aleatoria regionalizada Z(xi) y Z(xi+h),
separadas por el vector h.
III- Hipótesis Intrínseca. Una función aleatoria Z(x) se dice intrínseca cuando:
a) Su esperanza matemática existe y no depende de la localización xi.

E{Z(x)} = m ∀x
b) Para todo vector h el incremento [Z(x+h) - Z(x)] tiene varianza finita y no depende
de la localización xi:
Var{Z(x+h) - Z(x)} = E{[Z(x+h) - Z(x)]2} = 2γ(h) ∀x
Cuando se cumple esta condición se dice que la función aleatoria Z(x) es

homogénea. Esta condición se encuentra con bastante frecuencia en la naturaleza,
pues existen muchos procesos que no tiene varianza finita y sin embargo, poseen una
función variograma finita.
La estacionaridad de segundo orden, siempre implica la condición intrínseca

(homogeneidad), sin embargo la relación inversa no siempre se cumple.
IV- Procesos Cuasiestacionarios. En la práctica la función estructural, covarianza o

semivariograma, es sólo usada por límites |h| ≤ b. El límite b representa la extensión de la
región en la que el fenómeno estudiado conserva cierta homogeneidad del
comportamiento de Z(xi). En otros casos, b pudiera ser la magnitud de una zona
12
Febrero 2006
homogénea y dos variables Z(x) y Z(x+h) no pueden ser consideradas en la misma

homogenización de la mineralización si |h| > b. En tales casos, podemos, y
verdaderamente debemos, estar satisfecho con una función estructural C(x,x+h) o
γ(x,x+h), lo que no es más que estacionaridad local (para distancias h menores que el
límite b). Esta limitación de la hipótesis de estacionaridad de segundo orden (o la
hipótesis intrínseca si sólo el variograma es asumido) a sólo esas distancias |h|≤b
corresponde a la hipótesis de cuasiestacionaridad. Está hipótesis es verdaderamente
un compromiso de la escala de homogeneidad del fenómeno y la cantidad de datos
disponibles.
En la práctica son dos las hipótesis que más se presentan:
• La Estacionaridad de Segundo Orden

• Hipótesis Intrínseca
Estas condiciones de estacionaridad se asumen en el desarrollo teórico, en la

práctica deben ser verificadas en los datos antes de comenzar un estudio
geoestadístico, para lo que se puede realizar un análisis estadístico de la información,
de modo que se refleje de así el grado de confiabilidad en la aplicación de estos
métodos.
3.3 Fases de un Estudios Geoestadístico
Para la correcta obtención de un mapa de previsión de datos, se deben cumplir una

serie de fases claramente diferenciadas:
A. Análisis Exploratorio de los datos

B. Análisis Estructural o Variografía
C. Interpolación o Estimación Espacial. Krigeado
D. Validación del Modelo Geoestadístico.
3.3. A. Análisis Exploratorio de los datos
Con el objetivo de conocer la información disponible, se puede hacer un análisis

exploratorio, basado en la estadística descriptiva. A continuación se presenta un
resumen de los conceptos necesarios de estadística básica que se ha tenido que
repasar.
Estadística descriptiva
Permiten determinar si la distribución de los datos es normal, log normal, o si no se
ajustan a una distribución estadística, lo cual implica tener conocimiento de:
Numero de casos: Es el número de valores muestreados del fenómeno en estudio,

representados por n y los datos por xi, i = 1, . . . , n, que llamamos distribución.
Rango de la distribución: Es la diferencia entre el valor máximo y el mínimo.
Media: Es la media aritmética de la distribución, dado por la fórmula

1 n
Xm= ∑ Xi
n i =1
Moda: Es el valor más frecuente de la distribución.
13
Febrero 2006
Mediana: Es el valor para el cual la mitad de los datos son menores y la otra mitad
están por encima de este valor.
Si ordenamos los datos en orden ascendente podemos calcular la mediana como.
 X(n+1)/2 si n es impar.
M = 
 (Xn/2 + Xn/2+1)/2 si n es par.
La mediana es también llamada percentil 50, además los datos no solo se dividen en
dos grupos, sino que se pueden dividir en cuatro partes, cuartiles, donde Q1 = percentil
25, Q2 = Mediana y Q3 = percentil 75, si los datos se dividen en 10, tenemos los deciles.
De forma general estas medidas se pueden calcular por: [p(n+1)/100] ésima
observación de los datos ordenados ascendentemente, donde p es el percentil que se
desea calcular.
Varianza: Describe la variabilidad de la distribución. Es la medida de la desviación o

dispersión de la distribución y se calcula por:
1 n 2
σ
2
= ∑
n − 1 i =1
( Xi − X m)
La razón principal por la que se aboga por la división entre n-1 en la estimación de la
varianza, es porque proporciona un mejor estimado; si dividimos por n-1 nos referimos a
la varianza muestral S2 como un estimador insesgado de la varianza poblacional σ2.
Esto significa que si un experimento fuera repetido muchas veces se podría esperar
que el promedio de los valores así obtenidos para S2 igualara a σ2. Por otra parte si
dividimos entre n los valores obtenidos para S2 serían como promedio demasiado
pequeño.
Desviación estándar: Describe la tendencia o dispersión de la distribución. Es la
medida de desviación alrededor de la media. Se calcula por:
σ= σ2
Coeficiente de asimetría: Describe la simetría de la distribución relativa a la distribución

normal. Se calcula por:
1 n
α3 = ∑
n i =1
( Xi − X m )3 S 3
En la distribución normal la asimetría tiene valor cero, un valor negativo indica una
cola a la izquierda y un valor positivo indica una cola a la derecha. Este valor, tal y
como veremos más adelante, nos informará si debemos o no realizar transformación
de los datos para poder obtener mejores resultados.
Curtosis: Describe el grado de esbeltez de la distribución, tomado por lo general en

relación a una distribución normal, y se puede calcular por:
1 n
α4 = ∑
n i =1
(Xi − X m)4 S 4
La distribución normal tiene curtosis igual a tres, y es llamada mesocúrtica. A las
distribuciones más agudas, con colas relativamente anchas, se les llama leptocúrticas,
tienen valores de curtosis mayores que tres, y las distribuciones más bien achatadas en
el centro se llaman platicúrticas, tienen valores menores que tres, en ocasiones se
acostumbra a definir la curtosis como α4 - 3.
Error estándar: Describe el grado de conocimiento de los datos y se puede calcular

por:
14
Febrero 2006
ε= σ2 /n
La distribución normal tiene un valor de error estándar menor que 1.25 y la distribución
log normal o una distribución con tendencia positiva, tiene valores de error estándar
mayores que 1.25.
Coeficiente de variación: Es la dispersión relativa al valor medio, es decir, es una

medida de la variación relativa de los datos y puede ser calculado por:
CV = S/Xm
Proporciona una comparación entre la variación de grandes valores y la variación de

pequeños valores.
Las técnicas de Geoestadística Lineal que predomina en el campo de las geociencias
producen los mejores resultados cuando el coeficiente de variación es menor que
uno, CV < 1.
Para CV > 1 se recomiendan técnicas de Geoestadística no Lineal.
Este valor, también nos informará de la existencia o no de outlieres.
Histogramas: Son usados para ver las características descriptivas de la distribución. Es

un gráfico de barras donde en las abscisas aparecen los límites de las clases y en las
ordenadas las frecuencias correspondientes a cada clase.
Todos estos elementos permiten decidir sobre las condiciones de

estacionaridad vistas anteriormente. Muchos autores sólo toman como elementos
fundamentales de estadística básica que:
1. La media y la mediana tome valores próximos

2. El coeficiente de variación sea inferior a 1
3. La distribución de los datos esté próxima a la curva normal
4. No existan valores extremos que afecten el desarrollo del análisis
estructural,
Pero no todos los autores están de acuerdo con estos métodos.
3.3. B. Análisis Estructural o Variografía
Una vez realizado este estudio estadístico de los datos, nos acercamos al Análisis
Estructural o Estudio del Semivariograma.
Pasos:
1. El cálculo del semivariograma experimental.
2. El ajuste a este de un modelo teórico conocido.
El cálculo del semivariograma experimental es la herramienta geoestadística más

importante en la determinación de las características de variabilidad y correlación
espacial del fenómeno estudiado, es decir, tener conocimiento de como la variable
cambia de una localización a otra, representando el útil más importante de que
dispone el geoestadístico para el análisis del fenómeno de la variable de distribución
espacial en estudio. Este análisis tiene como condicionantes: la distribución estadística,
la existencia de outliers, la presencia de zonas homogéneas o posibles zonaciones en
la distribución de las leyes.
15
Febrero 2006
En primer lugar se calculará el Semivariograma Experimental, proporcionando una

idea inicial de la variabilidad espacial de los datos, siendo el más idóneo para
representar u obtener una estructura clara y definida.
El Semivariograma Experimental obtenido no es utilizado en el proceso de estimación,

sino que debe ser ajustado a éste uno a varios modelos teóricos, obteniéndose un
modelo o función analítica que caracteriza la continuidad espacial de la variable
estudiada. En general el ajuste a modelos teóricos para la determinación de los
parámetros del semivariograma se realiza de forma visual.
Finalmente debe obtenerse uno o varios modelos de Semivariogramas con los

correspondientes valores de meseta y alcance. El modelo de semivariograma
seleccionado debe representar fielmente los aspectos que se suponen importantes del
semivariograma experimental que serán usados posteriormente en el proceso de
estimación o simulación.
Para el cálculo del semivariograma definimos la media aritmética de todos los

cuadrados de las diferencias entre pares de valores experimentales separados una
distancia h, o lo que es lo mismo, la varianza de los incrementos de la variable
regionalizada en las localizaciones separadas una distancia h.
Var{Z(x+h)-Z(x)} = 2γ(h)
La función γ(h) se denomina semivariograma, la cual puede ser obtenida por la

expresión.
1 Np ( h )
γ ( h) = ∑
2 Np(h) i =1
[Z ( xi ) − Z ( xi + h)]2
Donde: Np(h) es el número de pares a la distancia h.

h es el incremento.
Z(xi) son los valores experimentales.
xi localizaciones donde son medidos los valores z(xi).
Esta expresión de γ(h) representa el útil más importante en todo estudio geoestadístico.
El paso siguiente será evaluar la expresión del semivariograma para todos los pares de
localizaciones separadas a la distancia h.
El gráfico de γ(h) tiene las siguientes características:
1. Pasa por el origen (para h=0, γ(h)=0)
16
Febrero 2006
2. Es en general una función creciente de h. A medida que va aumentando h, los

pares de puntos se van separando y la diferencia de valores será mayor, que
vendrá aparejado de incrementos de γ(h).
3. En la mayor parte de los casos γ(h) crece hasta cierto límite llamado meseta, en
otros casos puede crecer indefinidamente.
4. El comportamiento en el origen puede tener diferentes formas
• Parabólico: Caracteriza a una variable muy regular, siendo continua y

diferenciable.
• Lineal: Caracteriza a una variable continua, pero no diferenciable, es
decir menos regular.
• Discontinuidad en el origen: “Efecto de pepita”, es el caso en que γ(h)
no tiende a cero cuando h tiene a cero. Representa a una variable muy
irregular.
• Discontinuo puro: Llamado también ruido blanco, representa el caso de
mayor discontinuidad, siendo el caso limite de ausencia de estructura,
donde los valores de dos puntos cualesquiera no tienen correlación
alguna.
Las distribuciones con valores extremos pueden conducir a la obtención de un

semivariograma fuertemente errático. En este caso la solución puede ser simple,
eliminar los datos extremos, porque pueden ser ocasionados por errores, en otros casos
pueden encontrarse en zonas geográficamente distintas y pueden ser tratados de
manera separada.
El problema fundamental en la obtención de un semivariograma correcto es, la

elección adecuada de los intervalos de distancias para los cuales será calculado el
semivariograma, de modo que en éstos la cantidad de pares encontrados sea
suficiente desde el punto de vista estadístico.
Modelado de semivariogramas
Una vez construido el semivariograma experimental es necesario ajustar a este

un modelo teórico, con el objetivo de determinar los parámetros descriptivos del
semivariograma que posteriormente serán usados en la estimación
Parámetros del semivariograma
Los parámetros del semivariograma caracterizan tres elementos importantes en la

variabilidad de un atributo que son: la discontinuidad en el origen (existencia de
17
Febrero 2006
efecto de pepita), el valor máximo de variabilidad (meseta), y el área de influencia de

la correlación (alcance),
El Efecto Pepita (Nugget): El semivariograma por definición es nulo en el origen, pero en

la práctica las funciones obtenidas pueden presentar discontinuidad en el origen, a
esta discontinuidad se le llama efecto de pepita, en ingles (Nugget effect). Puede ser
obtenido trazando una línea recta entre los primeros puntos del semivariograma
empírico y extender ésta hasta que se intercepte con el eje Y. Si esta intersección
ocurre por debajo de cero, el valor asumido por este efecto es cero, pues valores
negativos de γ(0) no tienen significado y no es común. El efecto pepita se representa
como Co.
La Meseta (Sill): Es el valor de γ(h) para el cual con el aumento de h su valor

permanece constante, se representa como (CT = C + Co) y se denomina meseta.
Puede obtenerse trazando una línea paralela a la abscisa y que se ajuste a los puntos
de mayor valor del semivariograma y su valor se lee en la intersección de esta línea
con la ordenada.
El Alcance (Rango): La distancia h para la cual las variables Z(x) y Z(x+h) son
independientes, se denomina alcance y se representa por (a), es decir, las distancias
para la cual los valores de la variable dejan de estar correlacionados, o lo que es lo
mismo, la distancia para la cual el semivariograma alcanza su meseta.
El alcance siempre tiene valor positivo y puede ser obtenido a partir de la intersección
de las líneas descritas en los puntos anteriores, ese punto leído en la abscisa es una
fracción del propio alcance, fracción que se detallara posteriormente en la
explicación de los modelos teóricos.
Modelos teóricos de semivariogramas
Los modelos teóricos de semivariogramas admisible o autorizados más utilizados en la

práctica se presentan atendiendo a las dos características más importantes en el
modelado de semivariogramas que son:
1.- Su comportamiento en el origen, el cual puede ser linear, parabólico y con Efecto
de Pepita
2.- La presencia o ausencia de meseta.
18
Febrero 2006
Estos modelos son:
Efecto de Pepita: Corresponde a un fenómeno puramente aleatorio (ruido blanco), sin

correlación entre las muestras, cualquiera sea la distancia que las separe, donde C
representa el valor de la meseta.
Modelo Esférico: Este modelo es probablemente el más utilizado, es una expresión

polinomial simple, se puede observar un crecimiento casi lineal y después a cierta
distancia finita del origen se alcanza una estabilización, la meseta
Modelo Exponencial: Este modelo a diferencia del esférico crece inicialmente más
rápido y después se estabiliza de forma asintótica.
Modelo Gaussiano: Este es un modelo extremadamente continuo, inicialmente

presenta un comportamiento parabólico en el origen, después al igual que en el
modelo Exponencial se alcanza la meseta de forma asintótica.
19
Febrero 2006
La selección del modelo y los parámetros apropiados a las características del

semivariograma empírico, para ser usados en la interpolación geoestadística es el
punto más importante en el proceso,
3.3. C. Interpolación o Estimación Espacial. El Krigeado
Estimación y Tipos de Estimación
Todo lo expresado hasta aquí tiene un único objetivo, conocer la información

disponible para realizar estimaciones, es decir, estimar valores desconocidos a partir,
no sólo de los conocidos, sino también de su estructura de continuidad. Existen
diferentes métodos para realizar una interpolación.
3.3. C.1 Triangulación
Este método consiste en ajustar un plano que pase por las tres muestras más
cercanas y adyacentes a la localización que se desea estimar.
La ecuación del plano es:
Z=ax+by+c
Cada muestra tiene coordenadas (x, y) y z representa el valor muestreado.
Con el objetivo de obtener la ecuación del plano que pase por las tres muestras se
construye el siguiente sistema de ecuaciones lineales:
a x1 + b y1 + c = z1
a x2 + b y2 + c = z2
a x3 + b y3 + c = z3
y así obtenemos los coeficientes a, b y c, entonces el valor de z en cualquier
localización dentro del triángulo correspondiente se puede obtener sustituyendo sus
coordenadas en la ecuación de Z.
3.3. C.2. Inverso de la distancia
Este método se basa en una combinación lineal dada por: Z*(x) = ∑ λi Z(xi)
En la que λi son los pesos proporcionales al inverso de la distancia euclidiana entre las
localizaciones muestreadas y la que se desea estimar, éstos pesos son calculados por:
λi = (1/doi)/ ∑1/doj
Donde: doi es la distancia entre la localización a estimar y la localización de la muestra
i.
Generalizando obtenemos:
Z*(x) = [∑i+1,n 1/doi Z(xi)] / ∑i=1,n1/doj
Se pueden obtener distintos estimadores si escribimos la ecuación anterior como:

Z*(x) = [∑i=1,n (1/doi)ω Z(xi)] / ∑i=1,n(1/doj)ω
Note que si ω = 1 se obtiene la ecuación anterior.

Estas dos técnicas de estimación utilizan directamente los valores muestreados en el
proceso de estimación y refieren pesos de acuerdo a las distancias entre los datos, sin
tener en cuenta la continuidad espacial de la información disponible.
20
Febrero 2006
3.3. C.3. El krigeaje
El krigeaje es una técnica de estimación que proporciona el mejor estimador

lineal imparcial, y que además proporciona una error de estimación conocido como
varianza de krigeaje que depende del modelo de variograma obtenido y de las
localizaciones de los datos originales. Esto brinda la posibilidad de hacer análisis sobre
la calidad de las estimaciones
Planteamiento del problema del krigeaje
El problema del Krigeaje consiste en encontrar la mejor estimación lineal posible,

teniendo en cuenta la información disponible, mediciones que han sido obtenidas
tanto dentro de la zona de estudio como del exterior. El Krigeaje consiste en efectuar
una ponderación, es decir, atribuir un peso a cada valor observado, los pesos son
calculados de manera que minimice la varianza de estimación resultante, teniendo en
cuenta las características geométricas del problema. Al minimizar la varianza de
estimación se garantiza el uso óptimo de la información disponible
Ecuaciones del krigeaje

Se dispone de los valores muestreados Z(xi), i=1,…,n, y deseamos estimar un valor de la
característica observada en el panel Z(v) por una combinación lineal de Z(xi).
Z*(v) = ∑ λi Z(xi)
Donde Z*(v) es el valor estimado y λi son los peso de krigeaje, de modo que los λi sean
obtenidos de tal forma que proporcione un estimador: insesgado E[Z*(v) - Z(v)] = 0 y
de varianza mínima Var[Z*(v) - Z(v)]
La geoestadística exige como primera etapa y fundamental el conocimiento del

comportamiento estructural de la información, es decir, se debe contar además, con
el modelo de semivariograma teórico que refleje fielmente las características de
variabilidad y correlación espacial de la información disponible, discutido
anteriormente.
Teniendo en cuenta las hipótesis de la geoestadística se pueden obtener las

ecuaciones del krigeaje para los siguientes casos: función aleatoria estacionaria de
esperanza nula o conocida, método conocido como Krigeaje Simple, para una
función aleatoria estacionaria de esperanza desconocida, y una función aleatoria
intrínseca, método conocido para los dos últimos casos como Krigeaje Ordinario.
Krigeaje Simple
Estimador: Z*(v) = ∑ λi Z(xi) + m(1- ∑λi).
Sistema: ∑ λi C(xi, xj) = C(xj, v) j = 1,…,n
Varianza de krigeaje: σ2 = C(v,v) - ∑ λi C(xi, v)
Krigeaje Ordinario
En términos de la covarianza
Estimador: Z*(v) = ∑ λi Z(xi)
Sistema: ∑ λi C(xi, xj) - µ = C(xj, v) i,j = 1,…,n ∑ λi = 1
Varianza de krigeaje: σ2 = C(v,v) - ∑ λi C(xi, v) + µ
Krigeaje Universal
Uno de los problemas encontrados al modelar semivariogramas es la existencia de
tendencia en los datos, es decir, que los valores medidos aumentan o diminuyen en
21
Febrero 2006
alguna dirección en el área de estudio. Este es el caso de un fenómeno no

estacionario, lo que hace imposible la aplicación del krigeaje presentado hasta ahora.
3.3. C.4. Geoestadística no Lineal
En ocasiones nos encontramos situaciones con características que las técnicas lineales
no permiten modelar, datos con alta asimetría por ejemplo. En estos casos se pueden
realizar transformación a los datos, y obtener configuraciones de estos que si pueden
ser explicados por el krigeaje, para lo que se han adoptado variantes como el Krigeaje
Log normal, Krigeaje de Indicadores, El Krigeaje Disyuntivo, El Krigeaje de
Probabilidades etc.
3.3. D. Validación del Modelo Geoestadístico
Validación del modelo teórico
Como el ajuste de los modelos teóricos al semivariograma experimental, se

realiza de forma visual o interactiva, variando los valores Co (efecto de pepita), C + Co
(meseta) y a o Rango (alcance), hasta coincidir con los parámetros que mejor se
ajustan, es conveniente validar el modelo seleccionado y los parámetros meseta y
alcance escogidos.
El método de validación cruzada ha sido ampliamente utilizado para evaluar el grado

de bondad de un modelo de semivariograma y reconocido como un método óptimo
de estimación de sus parámetros. La operación de validar un semivariograma teórico
ajustado a uno experimental siempre toma mucho tiempo, éste se considera como el
último de los pasos importantes del análisis de variabilidad, debido a que una vez
obtenido este resultado será utilizado en la estimación por krigeaje en cualquiera de
sus variantes.
Validación cruzada
Sea Z(x) una función aleatoria estacionaria con semivariograma γ(h), su función
de covarianza C(h) viene dada por C(h) = σ2 - γ(h) donde σ2 es la varianza de Z(x).
Sea Zx1, Zx2,...,Zxn los valores de Z(x) en n puntos medidos. La validación cruzada
consiste en suprimir el i-ésimo valor medido Z(xi) y estimarlo a partir del resto de los
datos. El valor estimado Z*(xi) se calcula por krigeaje, procedimiento explicado más
adelante.
Si se repite este proceso para los N puntos, se pueden calcular n errores de validación:
E(xi) = Z*(xi)- Z(xi) i = 1, 2, . . . , N.
Así se van probando diferentes valores de los parámetros del semivariograma hasta
que los errores de validación cumplen los siguientes criterios estadísticos:
1. El error medio, debe ser aproximadamente igual a cero.

2. El error medio cuadrado debe ser pequeño.
3. La medida, debe ser igual a uno.
4. La medida, debe ser cero.
5. La medida, T5 = Corr{Z(xi), Z*(xi)}, debe ser uno.
22
Febrero 2006
3.4. Otros Factores influyentes
En cuanto a factores influyentes en la presencia o no de plagas en una

determinada zona trataremos de estudiar la relación existente entre la presencia de
plagas agrícolas con otro tipo de elementos que conviven a la vez en el mismo
territorio. Por ejemplo, conocer si la presencia o no de elevada contaminación
lumínica presente en los núcleos de población, influye en la cantidad de plaga que
existe en estas zonas. Otra variable de estudio podría ser los ríos, las carreteras, otras
plagas… Esta tesina tiene como objetivo, descubrir las relaciones que existen entre
distintas variables con la distribución de plagas objeto de estudio.
3.5. Los Sistemas de Información Geográfica
En cuanto a aplicación GIS de Geoestadística, contamos con la extensión de

ESRI, ArcGis Geostatistical Analyst, herramienta geoestadística para la interpolación de
superficies. Posee un conjunto de herramientas que realizan el estudio de los datos,
tanto en una fase previa, realizando una exploración estadística de datos basados en
estadística descriptiva, como a la hora de realizar la interpolación. Ofreciendo distintos
tipos de interpolación según la estructura de los datos de partida.
Según ESRI, la extensión ArcGis Geostatistical Analyst, cumple con las siguientes
funcionalidades:
• Herramientas de exploración y análisis geoestadístico de datos espaciales.

• Aplicación de funciones estadísticas a los distintos métodos de interpolación
utilizados para generar las superficies (Kriging, coKriging, IDW, …).
• Distintos tipos de superficie resultado de la interpolación: superficies de
predicción, de error, de probabilidad y de quantiles. Asistentes para la
aplicación de los distintos métodos estadísticos, tanto determinísticos como
geoestadísticos.
• Validación cruzada y comparación de los modelos para conocer su nivel de
exactitud.
• Distintas opciones de simbología para las superficies resultantes.
23
Febrero 2006
En definitiva, tal y como nombramos en la introducción de este trabajo tesina, con la

aplicación de los SIG junto con la ciencia Geoestadística, conseguimos la construcción
de modelos de simulación, por lo que se convierte en una valiosa herramienta para
analizar fenómenos que tengan relación con tendencias y así poder lograr establecer
los diferentes factores influyentes.
24
Febrero 2006
4. DESCRIPCIÓN: OBJETIVO Y PLAN DE TRABAJO
4.1 Objetivo General
Con el fin de promover una lucha eficaz contra las plagas, adversidades meteorológicas
y promover la creación de redes de seguimiento, previsión y realización de actuaciones
masivas, se ha estudiado la presencia de cuatro tipos de plagas en una zona concreta
de España, concretamente en la provincia de Lérida.
En cuanto a Cultivos y Plagas a estudiar, esta tesina se centrará en tres tipos de cultivo
(cítricos, manzana y pera) y cuatro tipos de plagas (mosca de la fruta, grafolita y
Roedores de la piel de la manzana y pera)
Con respecto a la superficie a estudiar, el trabajo inicial se centrará en la zona de cítricos

abarcando 8.000 Ha no continuas en un área de 50.000 Ha. En cuanto a la zona
frutícola, el alcance se concreta en comarcas, representando el 25% del total del área
frutícola de la zona.
Partiremos de una base de datos con el número de capturas recogidas de cada una
de las plagas objeto de estudio durante una semana. Esta tabla también está
compuesta por las coordenadas X e Y de cada una de las trampas localizadas en la
zona objeto de estudio.
Otra tarea consistirá en la recolección de cartografía con datos que podamos

relacionar con la presencia de plagas o no. Ej. Carreteras, núcleos de población,
ortofotos…
Una vez estos datos estén introducidos en el Gis, trataremos de seleccionar el método
de Krigenado que mejor se adapte a las características de los datos departida.
Relacionaremos esta capa de interpolación de distribución de plagas con distintas

variables para conocer su grado de relación
“El objetivo de esta tesina es el análisis de la distribución espacial de las plagas que
afectan a los cultivos, relacionando estos datos con otro tipo de variables con el fin
último de conseguir realizar un estudio de su distribución y sus posibles causas”.
25
Febrero 2006
4.2 Plan de Trabajo
Debido a que el desarrollo de esta tesina va paralelo a mi trabajo actual de

estudio de distribución de plagas, este proyecto se empezó a comienzos de
diciembre. Además del conocimiento adquirido durante mi jornada laboral, se ha
estimado que se le dedicarán unas 10 horas semanales hasta mediados de marzo
2006, por lo que calculamos que en 160 horas de trabajo, esta tesina quede finalizada.
4.3 Fases del Proyecto
4.3. A Obtención de datos alfanuméricos y cartográficos

4.3. B Estudio Geoestadístico
Distribución de la muestra
Estudio del Entorno
Estudio exploratorio de los datos
Modificación de datos de partida
4.3. C Fase 3
Estudio geoestadístico
Estudios de otros datos geográficos
4.3. D Fase 4
Unión de datos geográficos
Conclusiones
26
Febrero 2006
4.3. A Obtención de datos alfanuméricos y cartográficos
Por la parte alfanumérica, se han recogido el número de capturas por cada

plaga y cultivo en las parcelas seleccionadas como representativas. La selección de
parcelas se ha hecho de una manera común en toda la zona, siguiendo criterios
establecidos por el Centro de Investigaciones Agrícolas (CIA), que son quienes realizan
los estudios y tratamientos geoestadísticos actuales.
Actualmente en la zona hay un total de 569 puntos de observación distribuidos a lo
largo de 34 municipios. En cada punto de observación hay trampas con feromonas
con distintas sustancias que permite atraer los distintos tipos de plagas objeto de
estudio. No en todas las trampas, se estudian todas las plagas.
Estos datos, se registran manualmente y para cada punto de observación asignado.
Las plagas a las que se le hace un seguimiento semanal son las cuatro de
mayor interés en la zona: Carpocapsa (Cydia Pomonella), Mosca de la Fruta (Ceratitis
captitata), Roedores de la piel de la Manzana y Pera (Adoxophyes Orana) y
(Pandemis hepaana).
Cada plaga tiene asociada un tipo de trampa a excepción de la Mosca de la fruta
que tiene asociada dos tipos.
Así, nos encontramos que todas las plagas usan trampas tipo DELTA y en el caso de la
moca de la fruta, en un tercio de los puntos de observación en los que hay trampa
DELTA, también hay TRIPACK.
Cada trampa, está formada por un receptáculo con una banda engomada con
distintos tipos de feromonas, donde quedan atrapados los insectos. Cada feromona es
específica para cada tipo de insecto.
Todas las trampas están georeferenciadas y colocadas según criterios concretos.
A título ilustrativo en la siguiente tabla, muestra información general sobre las trampas,
donde extraemos la conclusión de que en todas las trampas hay un seguimiento de la
plaga Carpocapsa y Pandemis.
Características de las Trampas

Nombre Común Nombre Científico Tipo de Trampa Número de
Trampas
Carpocapsa Cydia Pomonella DELTA 569
Mosca de la Fruta Ceratitis captitata DELTA/TRIPACK 220/73*
Roedores de la piel Adoxophyes Orana DELTA 202
de la Manzana
Roedores de la piel Pandemis hepaana DELTA 569
de la Pera
Por la parte gráfica, contamos con las coordenadas UTM de cada una de las
estaciones, por lo que a partir de estos datos, obtenemos la capa capturas. Es esta
capa de puntos, junto con el número de capturas de cada plaga, el origen de todos
los estudios geoestadísticos.
Por otra parte, hemos obtenido a partir del Instituto Cartográfico de Cataluña y el
CNIG, distintas capas cartografías, tanto de ríos, ferrocarriles, carreteras y núcleos de
población de la zona objeto de estudio. En esta fuente también hemos obtenido
ortofotos de la zona, tanto para el estudio de la zona antes de realizar el estudio así
como para la posterior realización de mapas finales.
27
Febrero 2006
4.3. B Estudio Geoestadístico
4.3. B.1 Distribución de la muestra

4.3. B.2 Estudio del Entorno
4.3. B.3 Análisis preliminar de los datos
4.3. B.4 Análisis exploratorio de los datos
4.3. B.5 Modelización del variograma
4.3. B.6 Estimación espacial usando Kriging
4.3. B.7 Análisis de los resultados de la estimación
4.3. B.1 Distribución de la muestra
En el caso objeto de estudio, la muestra viene predefinida por las localizaciones

de las trampas, por lo que, en este caso, la eficiencia de la muestra no la podemos
confirmar. Lo que si se sabe es que la localización de las actuales zonas de recogida
de datos fue elegida por un experto en este tipo de estudios, pero no disponemos de
información referente a este tema.
En cualquier caso y estudiando la localización de las trampas actuales distribuidas a lo
largo del territorio objeto de estudio, observamos, mediante la observación visual, una
distribución agregada, existiendo localizaciones donde la concentración de trampas
es mayor que en otras.
El diseño de la muestra óptimo es aquel que ofrece la mayor cantidad de información

de número de capturas con la menor cantidad de estaciones de medición.
4.3. B.2 Estudio del Entorno
A la hora de realizar estudios sobre zonas concretas, deberemos estudiar el

entorno para poder decidir si estudiaremos la zona como única o la posible existencia
de varios microclimas debido a diferencias en el relieve o características naturales que
28
Febrero 2006
así lo conformen. La existencia de una montaña, por ejemplo, puede dar lugar a la
existencia de distintas variables que afecten a la distribución de plagas.
Aunque la ortofoto de la zona no nos muestra ningún tipo de relieve, realizando zoom
observamos que la zona objeto de estudio se encuentra en una zona prácticamente
llana. No obstante, se ha visitado la zona y se ha observado que las capturas se han
tomado en una gran llanura donde no existen elementos que puedan, inicialmente,
modificar los datos de una zona a otra.
4.3. B.3 Análisis preliminar de los datos
Una vez obtenido la totalidad de datos para cada una de las plagas, se depurará la
información de manera que los datos seleccionados no incluyan valores erróneos. Es
deseable que la distribución espacial de los puntos de medición elegidos sea lo más
homogénea posible.
Normalmente, esta primera fase se realiza a través de la observación del mapa
temático donde se muestra el número de capturas recogidas en cada estación.
4.3. B.4 Análisis exploratorio de los datos
Concretamente, en el estudio de las diferentes plagas existen 553 estaciones

donde se recogen datos sobre la plaga Pandemis, 181 estaciones para el estudio de
Ceratitis, 550 para Carpocapsa y 163 para las Adoxophyes.
29
Febrero 2006
En esta fase, trataremos de caracterizar la muestra de tal forma que se

obtenga la mayor cantidad de información posible a partir de los datos que se
disponen. Esta etapa es fundamental para que el análisis geoestadístico sea válido,
puesto que el mismo está basado en la estimación y modelación de una función que
refleja la correlación espacial de la propiedad que se estudia: El Semivariograma.
Para poder realizar una estimación y que nos asegure un resultado óptimo, la muestra
debe cumplir los siguientes requisitos:
- Que la distribución de Probabilidad sea Normal (simétrica)

- Que no exista tendencia, es decir, que sea estacionaria al menos la
media.
- Que la muestra no se vea afectada por valores atípicos (outliers) tanto
distribucionales como espaciales.
- Que tenga una distribución espacial homogénea en el área de estudio.
Tomando en cuenta lo anteriormente planteado, de lo que se trata es de

explorar las características de la muestra con el fin de modificar en la medida de lo
posible, aquellos datos que no satisfagan los requisitos exigidos. Además, nos aportará
información para decidir que procedimiento posterior será más adecuado para
aplicar la estimación espacial.
En primer lugar, calcularemos los estadísticos básicos de la muestra de cada una de

las plagas. En esta fase, recogeremos la siguiente información:
• Número de estaciones
• Distancia máxima entre estaciones
• Valor medio de capturas
• Varianza
• Desviación estándar
• Coeficiente de variación
• Valor mínimo de capturas
• Primer cuartil (0.25)
• Mediana
• Tercer cuartil (0.75)
• Valor máximo de capturas
Existen varias técnicas o índices que nos indicarán las modificaciones que hemos
de realizar a los datos con el objetivo de lograr una buena distribución de los datos
que cumplan las hipótesis de partida de la geoestadística.
4.3. B.4.1. Prueba de hipótesis de Normalidad
A partir de la obtención del histograma de la muestra y de la prueba de

simetría, se acepta o rechaza la hipótesis de normalidad. En caso de asimetría grave,
se trataría de aplicar la transformación adecuada de los datos (logarítmica, raíz,
inversa, etc.) que permita considerar a la muestra transformada como normal. El
histograma de la muestra, lo obtenemos de manera automática con el módulo de
Análisis Geoestadístico de ESRI.
30
Febrero 2006
4.3. B.4.2. Análisis del coeficiente de asimetría
Dependiendo del valor del coeficiente de asimetría, deberemos o no, transformar los
datos.
Intervalo valor Pasos a realizar

Coeficiente de Asimetría
0 <Coef. Asimetría <=0,5 No será necesario
transformar los datos
0,5 <Coef. Asimetría <=1 Deberemos calcular
la raíz de los datos
Coef. Asimetría >1 Aplicaremos Ln o Log
a los datos
4.3. B.4.3. Análisis del coeficiente de variación
Dependiendo del valor del coeficiente de variación, deberemos o no, eliminar outliers
y aplicar otro tipo de métodos geoestadísticos.
Intervalo valor Pasos a realizar

Coeficiente de Variación
CV<1 No tendremos problemas en la
estimación de los valores
1<CV<2 Dificultad en obtener una
buena estimación debido a la
existencia de outlieres
CV>2 Mucha dificultad en la
estimación por la elevada
presencia de outlieres.
Otra Lectura sobre el Coeficiente de Variación
CV<1 Aplicaremos Geoestadística
Lineal
CV>1 Aplicaremos Geoestadística No
Lineal
En primer lugar, eliminaremos outliers a todas las plagas excepto a la Carpocapsa, en

este último caso, al tener un valor de coeficiente de variación de 1.58 y no llegar a el
valor 2, la experiencia nos dice que podríamos tener problemas con los outlieres pero n
lo garantiza. Trataremos de mantener estos outlieres y observaremos los resultados.
4.3. B.4.4. Análisis de Outliers espaciales y distribucionales
Los outliers son los valores atípicos de la muestra, por lo que es muy importante su
detección y posible eliminación, ya que podrían influir de manera significativa en los
resultados de las etapas posteriores.
Debemos considera dos categorías de outliers:
• Los Outliers Distribucionales, son los que tienen valores que se alejan
significativamente del valor medio de la muestra.
31
Febrero 2006
• Los Outliers Espaciales, puntos que tienen un valor muy distinto a sus vecinos
más cercanos.
El criterio para clasificar a un dato como posible outliers es que sea menor al Primer
Cuartil -1,5 (Rango intercuartíl) o mayor que el Tercer Cuartil +1,5 (Rango intercuartíl).
4.3. B.4.5. Resultados del Análisis Exploratorio
Tipo de Histograma Estadísticos

Plaga
Adoxophyes
Frequency
155 Coeficiente de Variación = 5.65
124
93
62
31
0 1 2 3 4 5 6 7 8 9 10
Data
Coeficiente de Variación = 1.58

Carpocapsa
-2
Frequency 10
4,25
3,4
2,55
1,7
0,85
0 2,1 4,2 6,3 8,4 10,5 12,6 14,7 16,8 18,9 21

Data
Frequency 10
-1
14,4
Ceratitis
11,52
8,64
5,76
2,88
0 0,9 1,8 2,7 3,6 4,5 5,4 6,3 7,2 8,1 9

Data

-2
Frequency 10
5,15
Pandemis
4,12
3,09
2,06
1,03
0 1,8 3,6 5,4 7,2 9 10,8 12,6 14,4 16,2 18

Data
Una vez obtenidas las diferentes salidas, comentaremos sus resultados.
32
Febrero 2006
• Plaga Adoxophyes. Observando su histograma, vemos que sigue una

distribución asimétrica hacia la derecha, donde la mayoría de los datos se
encuentran entre 0 y 1. A la derecha del histograma, observamos valores
elevados que podrían desvirtuar la muestra (outliers). El coeficiente de
variación en este caso, 5.65 nos indica que tendremos muchos problemas con
los outliers y deberemos aplicar técnicas de geoestadística no lineal. Otro dato
que nos muestra los pasos a seguir será el Coeficiente de Simetría (Skewness),
cuyo valor en este caso es 7.2727; Este valor, al ser superior a 1, nos indica que
debemos transformar los datos a Logaritmo para poder obtener una mejor
estimación. Observamos también, y a consecuencia de los resultados
arrojados, elevados valores de curtosis.
• Plaga Carpocapsa. Observando su histograma, vemos que también sigue una

distribución asimétrica hacia la derecha, donde la mayoría de los datos se
encuentran en el intervalo (0 – 2). Existen otros grupos de datos bien
diferenciados organizados en intervalos: (2.1 - 4.2), (4.2 - 6.3) y (6.3 - 8.4).
Observamos también la presencia de Outliers. El coeficiente de variación en
este caso, 1.58 nos indica que tendremos problemas con los outlieres y
deberemos aplicar técnicas de geoestadística no lineal. Otro dato que nos
muestra los pasos a seguir será el Coeficiente de Simetría (Skewness), cuyo valor
en este caso es 3.5432; Este valor, al ser mayor que 1 me muestra que
obtendremos mejores resultados aplicando logaritmo a los datos. Observamos
también, y a consecuencia de los resultados arrojados, elevados valores de
curtosis.
• Plaga Ceratitis. Observando su histograma, vemos que tampoco sigue una

distribución normal, donde la mayoría de los datos se encuentran en un
intervalo (0 – 0.9). Existen otros grupos de datos bien diferenciados organizados
en intervalos: (0.9 – 1.8), (1.8 – 2.7) y (2.7 – 3.6). Observamos también la
presencia de un elevado número de Outliers. El coeficiente de variación en
este caso, 2.68 nos indica que tendremos muchos problemas con los outliers y
deberemos aplicar técnicas de geoestadística no lineal. El Coeficiente de
Simetría (Skewness), cuyo valor en este caso es 3.6568; Este valor, al ser mayor
que 1 me muestra que obtendremos mejores resultados aplicando logaritmo a
los datos. Observamos también, y a consecuencia de los resultados arrojados,
elevados valores de curtosis.
• Plaga Pandemis. Su distribución de datos tampoco sigue una distribución

normal, donde la mayoría de los datos se encuentran en un intervalo (0 – 1.8).
Existen otros grupos de datos bien diferenciados organizados en intervalos: (1.8
– 3.6), (3.6 – 5.4) y (5.4 – 7.2). El coeficiente de variación en este caso, 4.027 nos
indica que tendremos muchos problemas con los outliers y deberemos aplicar
técnicas de geoestadística no lineal. Observamos también la presencia de
Outliers pero en menor presencia que los casos anteriores. El Coeficiente de
asimetría (Skewness), cuyo valor en este caso es 7.0902; Este valor, al ser mayor
que 1 me muestra que obtendremos mejores resultados aplicando logaritmo a
los datos. Observamos también, y a consecuencia de los resultados arrojados,
elevados valores de curtosis.
A la vista de los resultados arrojados, el estudio exploratorio de los datos nos indica
que debemos aplicar logaritmo en todos los casos, eliminar outlieres excepto en la
plaga Carpocapsa. Si con estas modificaciones no conseguimos unas distribuciones
normales de los datos, debemos olvidarnos de las técnicas de Geoestadística Lineal y
aplicaremos Geoestadística No Lineal.
33
Febrero 2006
Plaga Observaciones Histograma
• Realizamos el estudio
con los valores inferiores
a 1.5 número de
capturas para eliminar
Outlieres.
Adoxophyes
• Se han eliminado 5
outlieres
• Coeficiente de
Variación: 7.20.
Seguimos teniendo
problemas con los datos
extremos.
• Coef. Asimet.>1. Se han
de transformar los datos
a 3.5 número de
Carpocapsa
Outlieres.
outlieres
• Coeficiente de
Variación: 1.15
• Coef. Asimet.=0.87. Se
han de transformar los
datos mediante Raiz
Cuadrada
a 1.5 número de
capturas
Ceratitis
outlieres
• Coeficiente de
Variación: 2.48.
Seguimos teniendo
extremos.
• Coef. Asimet>1.Se han
34
Febrero 2006
a 1.5 número de
Outlieres.
Pandemis
outlieres
• Coeficiente de
Variación: 3.76.
Seguimos teniendo
extremos.
• Coef. Asimet>1.Se han
Una vez eliminados los outliers, calculado el histograma y estudiar su coeficiente de

asimetría y variación, observamos que los cambios poco han afectado a nuestra
distribución.
Resumimos resultados.
35
Febrero 2006
Plaga PASOS A SEGUIR
Hemos tratado de eliminar los posibles datos que podrían afectar a los
datos para conseguir una distribución normal. Con la eliminación de
outlieres no se ha conseguido.
Trataremos de modificar los datos, aplicando logaritmo a ver si
conseguimos unos resultados acordes a los que necesita la ciencia
Adoxophyes geoestadística lineal para su aplicación. En este caso, debido a la
existencia de elevados datos 0, no podremos calcular logaritmos.
Tendremos dos opciones:
1. Sumar una unidad a los datos y aplicar logaritmo
2. Olvidarnos de modificar datos e ir directamente a los métodos
de Geoestadística No Lineal.
En este caso, cabe la posibilidad de que los outlieres no afecten, pero

Carpocapsa siguen recomendando que transformemos los datos, en este caso,
transformación de los datos mediante raíz cuadrada.
geoestadística lineal para su aplicación. En este caso, debido a la
Ceratitis
Pandemis geoestadística lineal para su aplicación. En este caso, debido a la
36
Febrero 2006
Tal y como observamos en los resultado, pasaremos ahora a transformar los datos.
Calcularemos logaritmos, excepto en el caso de la plaga Carpocapsa donde
tomaremos raíz cuadrada. Sumaremos una unidad a los datos para poder eliminar los
valores 0, una vez realizado esto, aplicaremos logaritmo en las plagas donde se había
decidido (todas excepto Carpocapsa, donde aplicaremos raíz cuadrada).
Plaga Observaciones Histograma
• Coeficiente de
Variación: 7.21.
Seguimos teniendo
problemas con los
Adoxophyes
datos extremos.
• Coef. Asimet.>1. Se
han de transformar
los datos
• Coeficiente de
Variación: 1.05.
Carpocapsa
• Coef. Asimet.<1. No
se tendrán
problemas con la
estimación.
• Coeficiente de
Variación: 2.48.
Seguimos teniendo
problemas con los
datos extremos.
Ceratitis
han de transformar
los datos
• Coeficiente de
Variación: 3.76.
Seguimos teniendo
problemas con los
datos extremos.
Pandemis
han de transformar
los datos
37
Febrero 2006
Los pasos que se han llevado a cabo para poder llegar a esta situación y lo que se
tiene previsto realizar será como sigue:
Plaga Observaciones
• Se han eliminado 5 outlieres

• Hemos sumado una unidad a los datos y aplicado logaritmo
Adoxophyes
• Eliminaremos todas las modificaciones que hemos hecho hasta
ahora y realizaremos un Kriging Indicador. (Con outlieres y sin
Logaritmo)

Carpocapsa • Hemos aplicado la raíz de los datos
• Mantendremos las modificaciones de los datos y realizaremos un
Kriging Indicador.

Ceratitis • Eliminaremos todas las modificaciones que hemos hecho hasta
Logaritmo)
Pandemis • Eliminaremos todas las modificaciones que hemos hecho hasta
Logaritmo)
38
Febrero 2006
4.3. B.5 Modelización del variograma
Tras la aplicación de logaritmo a los datos, observamos que ni con la eliminación de

outlieres ni con la transformación de los datos, logramos una distribución normal de los
datos. Los estadísticos que utilizamos para el análisis tampoco han variado, por lo que
partiremos de nuevo de los datos de captura base. La plaga Carpocapsa, que
aunque se encuentra muy próxima a los límites de los datos deseados, tampoco llega
a pasar el margen para la aplicación de Métodos de Geostadística Lineal, lo que si,
mantendremos las modificaciones realizadas a estos datos ya que hemos visto que sus
indicadores han mejorado considerablemente.
• Variograma Experimental de Adoxophyes: Observamos que en general, existen

datos con valores semejantes entre sí pero que se encuentran a distintas
distancias unos de otros (parte baja del gráfico). A medida que va
aumentando las diferencias entre valores, comienzan a ser menos cantidad de
pares de puntos.
-1
γ 10
4,25
3,4
2,55
1,7
0,85
0 4,97 9,94 14,91 19,88 24,85 29,82 34,79 39,76

-3
Distance, h 10
11,29
11,29
11,29
• Variograma Experimental de Carpocapsa: En este caso, se ha realizado una

modificación de los datos, ya explicado en pasos anteriores. Al observar el
semivariograma experimental vemos diferenciados tres grupos de datos. Pares
de puntos que se encuentran con valores muy próximos entre si y a diferentes
distancias. En cada uno de los grupos, se observa el mismo patrón de
comportamiento pero a medida que va aumentando la diferencia entre sus
valores, el número de pares va disminuyendo..
γ 10
16,95
13,56
10,17
6,78
3,39
0 0,48 0,96 1,44 1,92 2,4 2,88 3,36 3,84

-4
Distance, h 10
1,433
1,433
39
Febrero 2006
• Variograma Experimental de Ceratitis: Al observar el semivariograma

experimental vemos diferenciados bastantes grupos de datos. Pares de puntos
que se encuentran con valores muy próximos entre si y a diferentes distancias.
En cada uno de los grupos, se observa el mismo patrón de comportamiento
pero a medida que va aumentando la diferencia entre sus valores, el número
de pares va disminuyendo.
-1
γ 10
3,4
2,72
2,04
1,36
0,68
0 4,97 9,94 14,91 19,88 24,85 29,82 34,79 39,76

-3
Distance, h 10
• Variograma Experimental de Pandemis: Al observar el semivariograma

experimental vemos diferenciados bastantes grupos de datos. Pares de puntos
que se encuentran con valores muy próximos entre si y a diferentes distancias.
Gran concentración de datos con valores homogéneos y a diferentes
distancias. En cada uno de los grupos, se observa el mismo patrón de
comportamiento pero a medida que va aumentando la diferencia entre sus
valores, el número de pares va disminuyendo.
60
48
36
24
12
0 0,49 0,98 1,47 1,96 2,45 2,94 3,43 3,92

-4
Distance, h 10
8,766
8,766
40
Febrero 2006
4.3. B.6 Estimación espacial usando Kriging
El siguiente paso será la aplicación de técnicas Geoestadísticas No Lineales donde

aplicaremos el Kriging Indicador a los datos base, excepto a la plaga Carpocapsa,
que tras la modificación hemos obtenido unos datos mejores que los datos de partida.
Este tipo de estimación, no nos dará la previsión de los datos donde no existen datos
reales sino que nos mostrará la probabilidad de que en una zona concreta supere una
cantidad establecida. En este caso, y tras conversaciones con los agricultores,
sabemos que los límites de número de capturas que empiezan a ser peligrosos es el
siguiente:
Plaga Límites Peligrosos

Adoxophyes 2
Carpocapsa 1
Ceratitis 3
Pandemis 2
41
Febrero 2006
MAPA GEOESTADÍSTICO DE LA PLAGA ADOXOPHYES
42
Febrero 2006
MAPA GEOESTADÍSTICO DE LA PLAGA CARPOCAPSA
43
Febrero 2006
MAPA GEOESTADÍSTICO DE LA PLAGA CERATITIS
44
Febrero 2006
MAPA GEOESTADÍSTICO DE LA PLAGA PANDEMIS
45
Febrero 2006
4.3. B.7 Análisis de los resultados de la estimación
Cuando realizamos un mapa geoestadístico, tenemos varias formas de comprobar la

validez de su resultado. En la validación cruzada, un procedimiento, es analizar o
comprobar que los índices que arroja el estudio, se encuentran dentro de los
parámetros deseados. Estos parámetros son:
• La media de errores y media de desviación típica deben ser valores pequeños.

• La media de errores estandarizados debe ser próximo a 1.
Error Adoxophyes
• En este caso, la media de errores es igual a 0,1683 y la media de desviaciones

típicas de los errores es de 0,1607. Ambos valores son muy pequeños por lo que
cumplimos con la primera de las hipótesis.
• En el caso de la media de los errores estandarizados, el valor que arroja el
estudio para esta plaga es de 1,055, también valor muy próximo a 1.
En el caso de la plaga Adoxophyes, podemos dar por válido el estudio, ya que los
valores se encuentran muy próximos a lo que se esperaba.
Error Carpocapsa

En este caso, podemos dar por válido el estudio, ya que los valores se encuentran
muy próximos a lo que se esperaba.
Error Ceratitis

Error Pandemis

46
Febrero 2006
5. OTROS FACTORES INFLUYENTES
Una vez realizados los estudios geoestadísticos con el objetivo de la obtención de

capas de información con datos sobre la distribución de plagas, podemos comenzar
nuestro análisis GIS para determinar, en el caso de que existan, posibles causas para la
presencia o no de los distintos tipos de plagas.
En un principio, y tras varias lecturas de material especializado, podemos predecir que

la presencia de núcleos urbanos en la zona y su contaminación lumínica, puede ser un
factor que de lugar a la mayor presencia de estas capturas. Otra pieza clave que
puede modificar la existencia o el aumento de plagas en la zona son las vías de
comunicación entre los pueblos.
47
Febrero 2006
5.1. Vías de comunicación
Consideramos que las vías de comunicación tiene un poder de atracción de insectos

debido a las farolas lumínicas que se encuentran alrededor de las carreteras y por los
focos de los vehículos que circulan por ella. Según lecturas, vemos que la capacidad
de contaminación lumínica podría ser de 1Km. Alrededor de ellas.
Observemos entonces el comportamiento de estas y si influye o no en la presencia de

plagas.
48
Febrero 2006
En el caso de la Plaga Adoxophyes, si recordamos su estudio geoestadístico, veíamos

que existía una única zona donde la probabilidad de presencia de Adoxophyes era
mayor que en otras zonas. Esta zona con mayor probabilidad de presencia de plaga,
se encuentra muy próxima al cruce entre dos carreteras.
Si estudiamos la cantidad de superficie que ocupa de nuestro mapa geoestadístico,

observamos que gran cantidad de zona que se encuentra próxima a las vías de
acceso, se corresponde con zonas donde la probabilidad de que exista plaga es
bastante bajo (valores entre 1 y 5). Existen zonas con probabilidades altas y que
intersecan con carreteras, pero esta superficie es menor.
Tenemos que tener presente que la cantidad de superficie en nuestro mapa
geoestadístico con probabilidades altas, es también muy reducida.
350.000.000
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
49
Febrero 2006
En el caso de la Plaga Carpocapsa, observamos que de nuevo, en las zonas próximas

a las vías de comunicación se encuentran las zonas con mayores probabilidades de
que exista plaga, pero también observamos que en las zonas con probabilidades más
altas, no se encuentra ninguna vía de comunicación.
Si de nuevo estudiamos la cantidad de superficie según probabilidad, de la existencia

de plagas, observamos en el gráfico que, en este caso, el área donde existe
probabilidad de plaga y área de influencia de carretera es mayor.
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
50
Febrero 2006
En el caso de la Plaga Ceratitis, vemos que las zonas donde se encuentra una mayor
probabilidad de que exista plaga, no se corresponde con el área de influencia de la
contaminación lumínica de las carreteras que circulan por la zona. Tan solo un solo
foco, situado en el suroeste, coincide con el paso de varias carreteras.
Al igual que en las anteriores plagas, la mayoría de la superficie que cubre el área de
influencia de las carreteras, coincide con zonas donde la probabilidad de que exista
plaga es mínima. También recordar que la mayor parte de la zona de nuestro estudio
geoestadístico esta formado por zonas donde la probabilidad es muy pequeña.
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
51
Febrero 2006
En el caso de la Plaga Pandemis, vemos que las zonas donde se encuentra una mayor
probabilidad de que exista plaga, no se corresponde con el área de influencia de la
contaminación lumínica de las carreteras que circulan por la zona. Tan solo un solo
foco, situado en el suroeste, coincide con el paso de varias carreteras.
Si observamos el gráfico de superficie que ocupa cada una de la zonas del estudio
geoestadístico observamos de nuevo que la mayor parte de la superficie del área de
influencia de las carreteras se encuentran en zonas donde la probabilidad de que
exista plagas es muy pequeña, pero observamos también que existe mucha superficie
donde coincide que existen probabilidades altas y áreas de influencia de carreteras.
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
52
Febrero 2006
5.2. Núcleos de Población, según número de habitantes.
Al igual que la contaminación lumínica que existe alrededor de los ejes de

comunicación, los núcleos de población, debido a su necesidad de abastecimiento
lumínico, también podrán ser un foco de atracción de plagas. Por esta razón, daremos
más o menos importancia a los núcleos de población según su población.
Municipios Población
Mollerussa 10.004
Les Borges Blanques 5.425
Bellpuig 4.243
Juneda 3.023
Linyola 2.529
Bellvis 2.207
53
Febrero 2006
Estudiemos entonces la influencia de la población y la probabilidad de que exista

plaga o no.
En el caso de la Plaga Adoxophyes, vemos que la zona donde más probabilidad hay
que exista plaga, coincide con la intersección del área de influencia de varios
municipios. Los municipios que más afectan son Les Borges Blanques y Juneda.
Si estudiamos la cantidad de superficie que ocupan dependiendo de cada tipo de

plaga, observamos de nuevo, que existe una gran cantidad de superficie donde no
se observa plaga, pero aunque en proporción es bastante diferente, existe una
cantidad considerable de superficie infectada en el área de influencia de los
municipios.
350.000.000
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
54
Febrero 2006
En el caso de la Plaga Carpocapsa, ocurre lo mismo que en el caso anterior. En el

cruce de áreas de influencia de municipios, en este caso, Les Borges Blanques, Juneda
y algo de Mollerusa, presentan unas probabilidades más altas que en el resto.

municipios. Si comparamos los resultados de esta plaga, con la plaga anterior
observamos que existe más superficie de zonas que tienen más probabilidad que el
anterior.
180.000.000
160.000.000
140.000.000
120.000.000
100.000.000
80.000.000
60.000.000
40.000.000
20.000.000
0
1 2 3 4 5 6 7 8 9 10
55
Febrero 2006
En el caso de la Plaga Ceratitis, ocurre lo mismo que en el caso anterior. En el cruce de

áreas de influencia de municipios, en este caso, Linyola, Mollerusa y zonas próximas a
el municipio de Lérida, presentan unas probabilidades más altas que en el resto.

municipios. Esta plaga, aunque mediante observación lo vemos claramente y
bastante bien diferenciado, en el gráfico vemos que existe una gran dependencia
pero no tanta como en otras plagas.
350.000.000
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
56
Febrero 2006
En el caso de la Plaga Pandemis, ocurre lo mismo que en el caso anterior. En el cruce

de áreas de influencia de municipios, en este caso, Linyola, Bellvis, Bellpuig y Mollerusa,
presentan unas probabilidades más altas que en el resto.
Si observamos la cantidad de área afectada por la proximidad a los núcleos de

población, vemos que al igual que en los otras plagas, existe gran cantidad de
superficie con probabilidad de tener presencia de plaga Pandemis.
300.000.000
250.000.000
200.000.000
150.000.000
100.000.000
50.000.000
0
1 2 3 4 5 6 7 8 9 10
57
Febrero 2006
5.3. Otras Plagas
En este apartado, observaremos si existe algún tipo de relación entre la presencia de

probabilidad de una u otra plaga para que exista más probabilidad de presencia de
capturas.
Para este análisis, hemos seleccionado, de cada tipo de plaga, las zonas con
probabilidades más altas de presencia de capturas, con el objetivo de obtener alguna
zona donde haya probabilidades altas de que existan varias plagas a la vez.
Las capas de partida serán:
Si estudiamos las zonas donde la presencia de plagas coincide, podemos obtener

zonas donde la peligrosidad de infección de plagas es mayor.
En el caso de la Plaga Adoxophyes, solo se encuentra en una de las zonas de estudio,

en el extremo sur. A pesar de que tan solo se localiza en una de las zonas, coincide en
gran parte con la plaga Carpocapsa y Pandemis. No tiene ningún tipo de relación con
la plaga Ceratitis.
58
Febrero 2006
En el caso de la Plaga Carpocapsa, observamos que coincide la presencia de plaga

carpo con la plaga Adoxophyes y Pandemis. En menor medida, aumenta su
probabilidad de aparecer en la zona, en presencia de la plaga Ceratitis.
En caso de la Plaga Ceratitis, que hasta ahora, no parece coincidir con el resto de
plagas, coincide bastante su presencia cuando se encuentra la plaga pandemis, no
estudiada su relación hasta ahora. Bastante poca coincidencia con la plaga
carpocapsa y ningún tipo de presencia con la plaga Adoxophyes.
59
Febrero 2006
Por último, si estudiamos la presencia de la Plaga Pandemis, observamos que se

encuentra presente en todas las ocasiones que existe otro tipo de plagas. Esto puede
ser debido a su extensa distribución, ya que abarca gran parte del territorio a estudiar.
60
Febrero 2006
6. ANÁLISIS CONJUNTO DE VARIABLES
Una vez estudiados cada una de las variables por separado, observemos el mapa de
la zona con toda la información al completo con el fin de obtener alguna otra
conclusión no observada hasta ahora.
PLAGA ADOXOPHYES
• Las probabilidades altas de que exista presencia de plaga se

encuentran en una única zona, al sur de la zona de estudio.
• Esta zona coincide con vías de comunicación próximas y cruces entre
ambas.
• Presencia de núcleos de población, pero no factor importante ya que
existen núcleos de población mayores en la zona y la plaga no se ve
afectada.
• La presencia de otras plagas, también puede ser un factor influyente
para dar lugar a su presencia, ya que la plaga Pandemis y Carpocapsa,
se encuentran en la zona.
• La plaga Adoxophyes y la plaga Ceratitis no coinciden en la misma
localización.
61
Febrero 2006
PLAGA CARPOCAPSA
• Las probabilidades altas de que exista presencia de plaga se encuentran en

zonas repartidas por toda la superficie de estudio. En este caso la plaga no se
encuentra localizada en una zona como en el caso de la plaga Adoxophyes.
• En algunas de estas zonas, no coincide con vías de comunicación próximas ni
con grandes núcleos de población. Lo que si observamos es que en la zona sur
de la zona de estudio, se encuentra gran parte de la plaga.
• No existe presencia de núcleos de población en las zonas de mayor
probabilidad de presencia de plaga.
• La presencia de otras plagas, también puede ser un factor influyente para dar
lugar a su presencia, en todos los lugares donde aparece la plaga
carpocapsa, también aparece en menor medida los otros tipos de plaga
objeto de estudio.
62
Febrero 2006
PLAGA CERATITIS

zonas repartidas por toda la superficie de estudio. En este caso la plaga no se
encuentra localizada en una zona como en el caso de la plaga Adoxophyes.
• En algunas de estas zonas, no coincide con vías de comunicación próximas
pero si coincide con grandes núcleos de población.
• Observamos es que en la zona norte de la zona de estudio, se encuentra gran
parte de la plaga.
lugar a su presencia, en todos los lugares donde aparece la plaga
carpocapsa, también aparece en menor medida los otros tipos de plaga
objeto de estudio.
• Elevada presencia de la plaga Pandemis en zonas donde se encuentra la
plaga Ceratitis.
• En toda la zona donde se encuentra la plaga ceratitis, no se encuentra la
plaga Adoxophyes.
63
Febrero 2006
PLAGA PANDEMIS

zonas repartidas por toda la superficie de estudio. En este caso la plaga
tampoco se encuentra localizada en una zona como en el caso de la plaga
Adoxophyes.
• En algunas de estas zonas, coincide totalmente con vías de comunicación
próximas y con núcleos principales de población.
• Observamos es que en la zona norte de la zona de estudio, se encuentra gran
parte de la plaga.
lugar a su presencia, en todos los lugares donde aparece la plaga pandemis,
también aparece en menor medida los otros tipos de plaga objeto de estudio,
excepto con la plaga ceratitis, que comparten una superficie bastante
elevada.
• Elevada presencia de la plaga ceratitis en zonas donde se encuentra la plaga
Pandemis.
• Pequeña superficie que comparten con el resto de plagas.
64
Febrero 2006
7. CONCLUSIONES DEL ESTUDIO
Según se ha comentado a lo largo de todo el trabajo, los mapas geoestadísticos

contienen las mejores estimaciones en los puntos no muestrales, pero nunca pretenden
ser la realidad observada. Es más, los resultados del Kriging Indicador son mapas de
probabilidades y no mapas de propiedades, por lo que su resultado final serán zonas
de alta probabilidad de presencia de plaga. En este apartado, hablaremos de “zonas
potencialmente afectadas” refiriéndonos a estas zonas concretas.
Conclusiones Generales
• Los mapas de distribución de la probabilidad de presencia de plagas,

constituyen una herramienta imprescindible para la planificación de la lucha
dirigida, indicando la necesidad de un tratamiento más intenso en las áreas
afectadas.
• El desarrollo de una agricultura más eficiente, con mayores beneficios para el

agricultor, el medio ambiente y el consumidor final, implica en última instancia
la necesidad de conocer y aplicar correctamente las técnicas geoestadísticas.
En este trabajo se muestra como la geoestadística constituye una herramienta
eficaz en el estudio de las distribuciones espaciales de las plagas, lo cual es
necesario cuando se deben tomar decisiones que afectan al medio ambiente.
• Aparte de las ventajas del krigeado con respecto a otros métodos de

interpolación más sencillos, mediante los procedimientos geoestadísticos se
conoce la bondad de la estimación en toda el área de estudio, información
no disponible con otros métodos de interpolación.
Conclusiones Específicas de esta Tesina
Aunque no podemos asegurar con certeza este tipo de hipótesis, podemos

concluir, que según los datos obtenidos de capturas de las diferentes plagas,
relacionadas y analizadas con otro tipo de variables estudiadas y resultado de zonas
afectadas, nuestras conclusiones son:
• La zona potencialmente afectada de la plaga Adoxophyes es la única que

se encuentra localizada en una sola zona. El resto de plagas se encuentra
repartida por toda la superficie objeto de estudio.
• Las plagas con mayores zonas potencialmente afectadas en la superficie de
estudio son las plagas Ceratitis y Pandemis, por tanto, deberán ser estas las
primeras en eliminar debido a su peligrosidad de infección de la zona.
• La presencia en zonas potencialmente afectadas de plagas Carpocapsa y
Pandemis aumenta, cuando existen carreteras próximas a zonas de cultivo o
dicho de otro modo, las plagas Carpocapsa y Pandemis son mucho más
sensibles a la contaminación lumínica de las carreteras que el resto de las
plagas objeto de estudio.
• En cuánto a la cercanía de áreas de influencia de los municipios, la Plaga
Carpocapsa en mayor medida, la plaga Adoxophyes, Ceratitis y Pandemis,
se ven enormemente influidas por la presencia próxima de núcleos de
población.
• En muchas ocasiones, la plaga Pandemis se encuentra presente cuando
existe la presencia de otras plagas en el territorio. Podemos concluir que la
65
Febrero 2006
Plaga Pandemis siempre se encuentra presente cuando existe otro tipo de

plaga.
• Estudiando la plaga Adoxophyes, vemos que coinciden la única zona
potencialmente afectada de la plaga, con núcleos de población y cruce de
vías de comunicación. Por lo que podemos decir que esta plaga se ve
afectada por la presencia de zonas urbanas y vías de comunicación en gran
medida.
• En el caso de la plaga Carpocapsa, vemos que la presencia de zonas
potencialmente afectadas no tiene tanta relación con la presencia de
núcleos de población, carreteras próximas o presencia de otro tipo de
plagas. Existe una zona afectada, situada al sureste, donde no existe la
afectación de ninguna de las variables de estudio.
• La plaga Ceratitis cuenta con una extensión de zona potencialmente
afectada bastante elevada. Estas zonas coinciden con núcleos de población
y paso de vías de comunicación. La plaga Adoxophyes no se encuentra en
las zonas afectadas por la plaga Ceratitis.
• Las zonas potencialmente afectadas por la plaga Pandemis también se
encuentra repartida por toda la zona de estudio. Igualmente, coincide con
zonas donde existen vías de comunicación y en menor medida, núcleos de
población. Existen zonas igualmente afectadas por al plaga Pandemis y la
Ceratitis.
66
Febrero 2006
8. TECNOLOGÍA
Hardware
Hemos trabajado con un PC de escritorio con las siguientes características:
Intel ®
Pentium ® 4 CPU 3.00 GHz
2.99 GHz, 504 MB de RAM
Software
Microsoft Windows XP
Profesional
Versión 2002
Service Pack 2
Microsoft Excel
Software Gis:
ArcInfo 9.0 con con la extensión de ESRI, ArcGis Geostatistical Analyst
67
Febrero 2006
9. BIBLIOGRAFÍA
• Asesoramiento vía Web de Dr. Martín Alberto Díaz Viera. Investigador C-34
Programa de Investigación en Yacimientos Areno-Arcillosos. Instituto Mexicano
del Petróleo (IMP)
• Agricultura Técnica. ISSN 0365-2807 versión impresa. Variabilidad Espacial del
Rendimiento de uva y calidad de mosto en cuarteles de Vid cv. Cabernet
Sauvignon y Chardonnay en Respuesta a la variabilidad de algunas
propiedades del suelo.
http://www.scielo.cl/scielo.php?pid=S036528072005000200011&script=sci_arttext
&tlng=es
• An Experimental Comparison of Ordinary and Universal Kriging and Inverse
Distance Weighting. Mathematical Geology. Vol 31. Nº4. 1999
• Análisis comparativo de técnicas de interpolación en la estimación de la
variación espacial de factores en una cuenca hidrográfica. Universidad de
Colima.
• Análisis de Dispersión.
http://www.pucpr.edu/facultad/atorres/DESCRIPTIVO_Dispersion.htm
• Aplicación de la geoestadística en las ciencias ambientales. Ecosistema.
Revista científica y técnica de ecología y medio ambiente. Año XIII.
Nº1/2004.Enero-Abril
• Aplicación de la geoestadística en las ciencias ambientales. Francisco Jesús
Moral García. Dpto. de Expresión Gráfica, Escuela de Ingenierías Industriales,
Universidad de Extremadura.
• ArcGis. Geostatistical Analyst: Statistical Tools for data exploration, modeling
and advanced surface generation.
• Comparing Ordinary and Universal Kriging Results of ArcInfo, ArcMap, ArcView,
Idrisi 32, Surfer and Rtm. Victorino A. Bato. Departament of Geography.
Michigan State University.
• Creating Continnuous surfaces from Point Dataj. Charpter 5.
• Curso de Geoestadística desarrollado por la Unieversidad Agrícola de Lérida.
Manel Ribes.
• Dispersión espacial del pulgón ruso Diuraphis noxia en trigo, en el Partido de
Villarino, Provincia de Buenos Aires, Argentina. Departamento de agronomía,
zoología agrícola. Universidad Nacional del sur. 8000. Bahía Blanca. Argentina.
• Estimación por Kriging usando variogramas dinámicos. Instituto Superior Minero
Metalúrgico.
• Estudio Geoestadístico de la Distribución Espacial de la Helicoverpa armigera
Hb. en el cultivo del tomate en las vegas bajas del Guadiana. Arranz A.M. 2002.
Trabajo fin de carrera. Escuela de ingenierías agrarias. Universidad de
Extremadura. Badajoz.
• Evaluación de recursos naturales con geoestadística y Kriging. IV Jornadas
cuidemos nuestro mundo (CNM) para contribuir a la implementación de un
modelo ambiental para San Luís. 155p.
• Fundamentos de manejo de Plagas. Santiago Clavijo A. ISBN: 980-00-0612-2.
Código UCV: 2109301.
• Geoestadística: una apreciación global. Tannure, Claudia L. Mazza, Silvia M.
Facultad de Cs. Agrarias-Universidad Nacional del Nordeste. Argentina.
• Introducción a la geoestadística. Kart Vanderlinden. Grupo de Ríos y Embalses.
Universidad de Granada.
• La Cuantificación de las poblaciones de plaga. http://www.plagas-
agricolas.info.ve/doc/html/manejo_plagas/capitulo_4.html
68
Febrero 2006
• La Geoestadística, su surgimiento y Evolución. Universidad de Pinar del Río,

Departamento de computación. Cuba.
• Modelos numéricos de terreno aplicados a la forestería. Université Laval,
Québec, Canadá. Pontificia Universidad Católica de Chile. Facultad de
Agronomía e Ingeniería Forestal. Departamento de Ciencias Forestales.
• Representación de la variabilidad Espacial en el ingreso de culturas agrícolas.
www.cartografia.cl.
• Representación gráfica de la distribución espacial de una plaga en una
plantación mediante usos de técnicas geoestadísticas. Francisco Jesús Moral
García. Dpto. de Expresión Gráfica. Escuela de Ingenierías industriales.
Universidad de Extremadura.
• Técnicas de correlación y autocorrelación en variables cuantitativas y
cartográficas. Lista de recursos de Gabriel Ortiz. www.gabrielortiz.com
• The use of geoestadistics and GIS as tools for analyzing pheromone trap data at
a landscape level: an update. D. Barry Lyons, Chris J. Sanders and Gene C.
Jones. Canadian Forest Service.
69

Gesti ndePlagasconM ®todosgeoestad ¡Sticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gesti ndePlagasconM ®todosgeoestad ¡Sticos

Cargado por

Copyright:

Formatos disponibles

Tesina de Gestión de Plagas con Métodos Geoestadísticos

Cristina Ramírez León

Gestión de Plagas con Métodos Geoestadísticos

Palabras Clave: SIG, Geoestadística, Plagas, Agrícolas

Master en Sistemas de Información Geográfica. 7ª Edición

Esta tesina no podría haber llegado a su fin sin la extraordinaria colaboración

Esta tesina va dedicada al

1. RESUMEN DE LA SITUACIÓN ACTUAL 5

2. OBJETIVOS Y METAS DE LA PROPUESTA 7

3. BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL 9

4. DESCRIPCIÓN: OBJETIVO Y PLAN DE TRABAJO 25

5 OTROS FACTORES INFLUYENTES 47

6 ANÁLISIS CONJUNTO DE VARIABLES 61

7 CONCLUSIONES DEL ESTUDIO 65

1. RESUMEN DE LA SITUACIÓN ACTUAL

Aprovechando esta filosofía de Lucha Dirigida, se llegó a un grado superior, Control

La Producción Integrada la podemos definir como un sistema de producir alimentos de

Logo de Producción Integrada a nivel Nacional

La presente tesina se encuentra organizada en los siguientes apartados.

En el apartado actual, “RESUMEN DE LA SITUACIÓN ACTUAL”, se explican brevemente los

En el capítulo 2, “OBJETIVOS Y METAS DE LA PROPUESTA”, primero se describe el entorno

En el apartado 3, “BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL GEOESTADÍSTICA”,

En el apartado 4, “DESCRIPCIÓN: OBJETIVO Y PLAN DE TRABAJO” se expone la resolución

En el apartado 5, “OTROS FACTORES INFLUYENTES” llevaremos a cabo el análisis de otras

En el apartado 6, “ANÁLISIS”, trataremos de relacionar toda la información obtenida

En el apartado 7, “CONCLUSIONES”, se exponen las conclusiones alcanzadas tras la

En el apartado 8, “TECNOLOGÍA”, se exponen la tecnología que ha sido utilizada en este

2. OBJETIVOS Y METAS DE LA PROPUESTA

Hasta el momento y salvo determinados casos, el estudio de la distribución de

Mapa Geoestadístico aislado

georeferenciada. La mayor utilidad de un SIG está íntimamente relacionada con la

Con la aplicación de los SIG junto con la ciencia Geoestadística, conseguimos la

Este trabajo tiene como base, la implantación de un Sistema de Información Geográfica,

Una vez obtenido el mapa de distribución de plagas, se estudiará la información de

3. BASE TEÓRICA, METODOLÓGICA Y PROCEDIMENTAL

Para la correcta realización de esta tesina, se ha profundizado en distintas materias

En cualquier investigación, necesitamos recoger diferentes muestras de

La idea es que a través de un programa de muestreo se pueda obtener información

La distribución espacial de las poblaciones es una de las características más

Tipos de Distribución Espacial

Al Azar Agregada Uniforme

Una población de distribución Al Azar, de identifica cuando cualquier lugar del

posición de los individuos de su entorno más cercano, por lo que la media de la

Conocer el tipo de distribución al que está asociado la muestra es fundamental para

3.2 Ciencia Geoestadística

En cuanto a conceptos geoestadísticos, en el campo de las geociencias es

La Geoestadística, se reconoce como una rama de la estadística tradicional que

A partir de un conjunto de muestras tomadas en zonas donde existe un tema a

Su punto de partida es asumir una intuición topo-probabilística. Los fenómenos

Su estimador, el Krigeaje, tiene como objetivo encontrar la mejor estimación posible a

• El estimador debe ser insesgado E[Z*-Z]=0

• La varianza var[Z*-Z] sea mínima, consiguiéndose minimizar la varianza de error

A diferencia de otros métodos, en el método de Interpolación por Krigeaje, su

En definitiva, en la ciencia Geoestadística se parte de una hipótesis de partida, “Los

La forma en que se presenta la información es muy diversa, la geoestadística se

I- Estacionaridad Estricta. Se dice que Z(x) es estrictamente estacionaria si la función de

II- Estacionaridad de Segundo Orden. Esta condición es más frecuente en la práctica,

C(h) = Cov{Z(xi), Z(xj)} = E{Z(xi), Z(xi+h)} - m2

Esta hipótesis requiere la estacionaridad sólo para la media y para la función de

1o Var[Z(xi)] = E{[Z(xi) - m]2} = C(0) ∀x

Como E[Z(xi), Z(xi+h)] = C(h) + m2

a) Su esperanza matemática existe y no depende de la localización xi.

Cuando se cumple esta condición se dice que la función aleatoria Z(x) es