UNIVERSIDAD NACIONAL DEL ALTIPLANO

ESCUELA DE POSGRADO

MAESTRÍA EN CIENCIAS DE LA INGENIERÍA AGRÍCOLA

TESIS

ANÁLISIS DE LA EVOLUCIÓN ESPACIO – TEMPORAL DE LA

CONCENTRACIÓN DE CLOROFILA-A DEL AGUA DEL LAGO TITICACA
EN EL PERIODO 1990 – 2020, UTILIZANDO IMÁGENES LANDSAT

PRESENTADA POR:

HECTOR HUGO AÑAMURO LUQUE

PARA OPTAR EL GRADO ACADÉMICO DE:

MAESTRO EN CIENCIAS EN INGENIERÍA DE RECURSOS HÍDRICOS

PUNO, PERÚ

2024
 DEDICATORIA
Dedico este trabajo a mis padres: Epifanio Añamuro Añamuro y Domitila luque
Solano por su apoyo y aliento incondicional.

Hector Hugo Añamuro Luque.

i
 AGRADECIMIENTOS

A la Universidad Nacional del Altiplano por el conocimiento académico brindado.

Al Instituto del Mar del Perú (IMARPE) Laboratorio Continental Puno, Proyecto
Especial Binacional Lago Titicaca (PEBLT) por el acceso a la información utilizada en el
presente trabajo.

Hector Hugo Añamuro Luque.

ii
 ÍNDICE GENERAL

Pág.

DEDICATORIA i
AGRADECIMIENTOS ii
ÍNDICE GENERAL iii
ÍNDICE DE TABLAS v
ÍNDICE DE FIGURAS vi
ÍNDICE DE ANEXOS vii
RESUMEN 1
ABSTRACT ¡Error! Marcador no definido.
INTRODUCCIÓN 3
CAPÍTULO I
REVISIÓN DE LITERATURA
1.1 Marco teórico 5
1.1.1 Teledetección 5
1.1.2 Principios básicos de percepción remota 5
1.1.3 Google Earth Engine 9
1.2 Antecedentes 9
1.2.1 Internacionales 9
1.2.2 Nacionales 11
1.2.3 Locales 11
CAPÍTULO II
PLANTEAMIENTO DEL PROBLEMA
2.1 Identificación del problema 13
2.2 Enunciados del problema 14
2.2.1 Problema general 14
2.2.2 Problemas específicos 14
2.3 Justificación 14
2.4 Objetivos 15
2.4.1 Objetivo general 15
2.4.2 Objetivos específicos 15
2.5 Hipótesis 16
2.5.1 Hipótesis general 16

iii
 2.5.2 Hipótesis específicas 16
CAPÍTULO III
MATERIALES Y MÉTODOS
3.1 Lugar de estudio 17
3.2 Población 17
3.3 Muestra 18
3.4 Método de investigación 20
3.5 Descripción detallada de métodos por objetivos específicos 20
3.5.1 Generación de Modelo Predictivo 25
3.5.2 Validación de Modelo Predictivo 25
3.5.3 Variabilidad Temporal de la concentración de Clorofila -a 26
3.5.4 Variabilidad Espacial de la concentración de Clorofila -a 29
CAPÍTULO IV
RESULTADOS Y DISCUSIÓN
4.1 Resultados 31
4.1.1 Desarrollo y Evaluación de Algoritmos 31
4.1.2 Variabilidad Temporal de la Concentración de Clorofila -a 36
4.1.3 Variabilidad Espacial de la Concentración de Clorofila -a 45
CONCLUSIONES 57
RECOMENDACIONES 58
BIBLIOGRAFÍA 60
ANEXOS 66

iv
 ÍNDICE DE TABLAS

Pág.

1. Puntos de Monitoreo de Clorofila -a in situ realizado por IMARPE 18

2. Puntos de Monitoreo de Clorofila -a in situ realizado por PEBLT 19
3. Rangos de longitud de onda de la constelación Landsat 21
4. Índices de calidad de agua 25
5. Métricas estadísticas de desempeño para evaluar los modelos predictivos 26
6. Puntos de evaluación Temporal 27
7. Correlación de modelos predictivos basados en índices y valores in situ 32
8. Validación de modelos Predictivos 33
9. Resumen de test de tendencia Man Kendall para todos los puntos de evaluación 36
10. Valores medios de concentración de Clorofila -a según periodo de análisis 45

v
 ÍNDICE DE FIGURAS

Pág.

1. Espectro Electromagnético 6
2. Interacción de la Luz con el Medio Acuático 7
3. Mapa de Ubicación del Lago Titicaca 17
4. Ubicación de Puntos de Monitoreo In Situ de Instituciones 20
5. Diagrama de Flujo de la Metodología Utilizada 22
6. Ubicación de puntos de evaluación en el Lago Titicaca 28
7. Modelos predictivos mediante correlación entre índices espectrales de calidad de
agua y datos in situ 31
8. Validación de modelos predictivos mediante correlación entre índices espectrales
de calidad de agua y datos in situ 34
9. Tendencia de valores de Clorofila -a para el punto de evaluación “Bahía Interior”
37
10. Tendencia de valores de Clorofila -a para el punto de evaluación "Bahía Cohana"
38
11. Tendencia de valores de Clorofila -a para el punto de evaluación "Chucuito" 39
12. Tendencia de valores de Clorofila -a para el punto de evaluación "Lago Menor -
Puno" 40
13. Tendencia de valores de Clorofila -a para el punto de evaluación "Ancoraimes" 41
14. Tendencia de valores de Clorofila -a para el punto de evaluación "Afluente río
Huancané" 42
15. Tendencia de valores de Clorofila -a para el punto de evaluación "Lago Mayor -
Perú" 43
16. Valores de Clorofila -a para el punto de evaluación "Lago Mayor - Bolivia" 44
17. Distribución espacial de la concentración de Clorofila -a 47
18. Distribución espacial de estimaciones de Clorofila -a en el Lago Titicaca en el
Periodo 1990 – 2020 49
19. Diferencia de cambios de la concentración de Clorofila -a en función al periodo
1990 – 2000 55

vi
 ÍNDICE DE ANEXOS

Pág.

1. Script de módulo de cálculo de índices de Clorofila -a 66

2. Script de algoritmo de estimación de Clorofila -a 68

vii
 RESUMEN

La falta de información continua, dificulta un análisis preciso de la calidad del

agua, en este contexto, una alternativa a los métodos tradicionales de generación de
información, es el uso de herramientas de teledetección satelital, el cual mejora en la
cantidad y calidad de información. El objetivo de la investigación es analizar la
concentración espacio – temporal de Clorofila -a en el lago Titicaca. La investigación se
realizó utilizando la plataforma Google Earth Engine, generando algoritmos predictivos
basados en correlación lineal entre información tomada in situ y valores de índices
espectrales de calidad de agua. La evaluación de algoritmos evidenció que el algoritmo
predictivo generado a partir del índice Be16FLHblue tuvo las mejores capacidades de
predicción con un R2 = 0.822 y RMSE=2.06. Las tendencias de concentración de
Clorofila -a en los puntos de evaluación, dieron un coeficiente de Mann - Kendal (τ) que
varía de 0.0967 hasta 0.241; indicando una tendencia positiva significativa en la
concentración de Clorofila -a. La distribución espacial de la concentración de Clorofila -
a muestran zonas críticas como la Bahía interior de Puno en Perú y Bahía Cohana en
Bolivia; además de la notoria estacionalidad de la concentración de Clorofila -a, siendo
mayor en el periodo húmedo. Se concluye que existe una tendencia de incremento de
concentración de Clorofila -a, focalizados en zonas críticas además la concentración y
distribución de Clorofila -a obedecen a un comportamiento estacional.

Palabras clave: Calidad de agua, Clorofila -a, Lago Titicaca, Landsat,

Teledetección.

1
2
 INTRODUCCIÓN

Los lagos continentales tiene gran importancia como recurso de agua dulce que
mejoran la economía y lo medios de supervivencia (Zhou et al., 2019) y la presión
antrópica que se da sobre estos cuerpos de agua dulce han degradado su calidad a lo largo
de todo el mundo (Partnership, 2010); en ese sentido su monitoreo es un aspecto esencial
para su gestión (Sriwongsitanon et al., 2011), se conocen muchos parámetros que se
relacionan a la afección de la calidad del agua, entre ellos la Clorofila -a (Quispe et al.,
2010).

Existen diversas técnicas para realizar monitoreos in situ, muchas de ellas

establecidas mediante redes de monitoreo periódico, pero estos, carecen de la eficacia
necesaria para representar realmente las condiciones de calidad del agua debido a la
distribución que cuentan los puntos de monitoreo y especialmente la frecuencia con la
que se realizan la campañas de monitoreo ya que estas muchas vece puede no ser las más
adecuadas para representar los parámetros de calidad de agua (Oliveira De Sá, 2018)

En ese sentido la teledetección satelital surge como una herramienta de gran

capacidad en la estimación y monitoreo de los parámetros de calidad de agua como la
Clorofila -a aumentando la información sobre la variabilidad espacial y la frecuencia con
la que se genere esta información; existen varias constelaciones de satélites de
observación de la tierra, algunos con más tiempo de observación que otros y en este caso
la constelación LandSat que ha estado recopilando datos desde principios de los años 80
hasta la actualidad teniendo una continuidad bastante amplia en cuanto a tiempo siendo
este el más idóneo para realizar estudios temporales. Landsat ha sido utilizado
ampliamente en el monitoreo de la calidad de agua en otro estudios realizando
estimaciones de Clorofila -a y otros parámetros indicadores (Ho et al., 2017).

Existen muchas técnicas para la estimación de Clorofila -a mediante datos

satelitales, varias desde métodos bastante complejos como métodos más simples, en
particular, en el presente estudio se utiliza un método simple, que es la de generar un
modelo predictivo a partir de regresión lineal simple entre los valores de Clorofila -a
tomadas en campo y los valores de varios índices de Clorofila -a (Al10SABI,
Be16FLHblue, Be16FLHviolet, Be16NDTIblue y Kn07KIVU) generados para el estudio
de aguas continentales por diferentes investigadores. La validación de estos modelos se
realiza con la aplicación de métricas estadísticas que fueron el coeficiente de correlación

3
(𝑅 2 ) y Raíz del Error Medio Cuadrático (RMSE). El modelo predictivo con el mejor grado
de eficiencia se agrega a un algoritmo de procesamiento de imágenes desarrollado con la
API de Google Earth Engine, para que luego de preparar la imagen (eliminación de nubes,
extracción del cuerpo de agua, agrupamiento de colecciones y filtros temporales), se
aplique el modelo predictivo y este entregue como resultado valores de Clorofila -a.

Mediante este trabajo se da a conocer la evolución espacio – temporal de la

concentración de Clorofila -a del lago Titicaca en el periodo 1990 – 2023, destacando las
capacidades de la teledetección para complementar la generación de información
relacionada a la calidad del agua.

El capítulo I, consta en la revisión de la literatura que muestra el marco teórico y

antecedentes de investigación. El capítulo II, plantea el problema de investigación, la
justificación de la investigación, los objetivos del trabajo y finalmente se plantean las
hipótesis. El capítulo III, se enfoca en los materiales utilizados para la realización de la
investigación y la metodología utilizada. El capítulo IV, muestra los resultados obtenidos,
además de la discusión y a las conclusiones a las que se llegó con la investigación, el
capítulo finaliza con recomendaciones, la bibliografía utilizada en la investigación.

4
 CAPÍTULO I

1REVISIÓN DE LITERATURA

1.1 Marco teórico

1.1.1 Teledetección

La detección remota es una ciencia que permite identificar las

características de objetos de interés o analizar dichas características sin la
necesidad de un contacto directo (Congedo, 2022).

Esta técnica consiste en obtener información de objetos distantes sin

establecer un contacto físico directo con ellos. Para lograrlo, se aprovecha la
existencia o generación de campos de fuerza entre el dispositivo sensor y el objeto
en cuestión. Estos campos de fuerza pueden ser ondas mecánicas en sólidos o
líquidos, como las ondas sísmicas o de sonido, pero el método más utilizado en la
teledetección es el de la energía electromagnética, descrita por las ecuaciones de
Maxwell. La emisión de ondas electromagnéticas permite la captura direccional
de imágenes de la radiación incidente en un sensor, lo que posibilita su generación
y análisis (Konecny, 2004).

1.1.2 Principios básicos de percepción remota

A. El espectro electromagnético

Debido a la amplia variedad de fuentes de radiación y las diferentes

longitudes de onda que se encuentran en el espectro electromagnético,
generalmente se suelen agruparlas en categorías o regiones específicos de
frecuencia. A pesar de que muchas bandas o regiones espectrales suelen
expresarse en términos de longitud de onda, las microondas suelen
expresarse en términos de frecuencias (Chuvieco, 2016).

5
Figura 1
Espectro Electromagnético

Nota. Figura extraída de Chuvieco (2016).

B. Interacción de luz con medios acuáticos

La luz interactúa con el medio acuático mediante 2 procesos:

absorción y dispersión. Cuando se absorbe el fotón este transfiere su
energía a una molécula de agua o ala de cualquier otra sustancia presente
en el agua y de esta manera el fotón desaparece. Cuando el fotón se
dispersa tiende a cambiar su dirección de propagación debido a la
interacción de este con los componentes del medio acuático, sin embargo,
continúa existiendo (Barbosa et al., 2019).

En la Figura 2 se aprecia el proceso de la interacción de la luz con

el medio acuático: (1) proceso de dispersión atmosférica, (2) un proceso
de reflexión especular de la luz difusa del cielo, (3) proceso de reflexión
especular de la luz solar directa, (4) radiación que emerge de la columna
de agua, (5) dispersión y absorción de luz por el fitoplancton, (6) proceso
de difusión de la luz por sedimento, (7) proceso de absorción de luz por
materia orgánica disuelta.

6
Figura 2
Interacción de la Luz con el Medio Acuático

Nota. Figura extraída de Barbosa et al. (2019).

C. Fitoplancton

Son aquellos organismos fotosintéticos que son productores de

materia orgánica en medios acuáticos; en aguas continentales se
encuentran generalmente en lagos, estanques o pantanos (Domínguez
Gómez et al., 2011).

D. Principales grupos de microalgas

Las cianófitas, también conocidas como cianobacterias, son

microorganismos procariotas que se caracterizan por carecer de membrana
nuclear. La mayoría de las cianobacterias son organismos fotosintéticos,
aunque algunas también pueden vivir de manera heterótrofa. Estas
microalgas comparten con ciertas bacterias la notable capacidad de utilizar
N2 atmosférico como fuente de nitrógeno, y pueden presentarse tanto en
forma unicelular como pluricelular. Su reproducción ocurre mediante la

7
división celular, ya sea a través de la fragmentación de colonias o
filamentos, así como mediante la formación de esporas (Lee, 2008).

D.1 Cianófitas:

Las cianófitas, también conocidas como cianobacterias, son

microorganismos procariotas que se caracterizan por carecer de membrana
nuclear. La mayoría de las cianobacterias son organismos fotosintéticos,
aunque algunas también pueden vivir de manera heterótrofa. Estas
microalgas comparten con ciertas bacterias la notable capacidad de utilizar
N2 atmosférico como fuente de nitrógeno, y pueden presentarse tanto en
forma unicelular como pluricelular. Su reproducción ocurre mediante la
división celular, ya sea a través de la fragmentación de colonias o
filamentos, así como mediante la formación de esporas (Lee, 2008).

D.2 Clorófitas:

Estas algas verdes se encuentran ampliamente distribuidas en todo

el mundo, abarcando un rango de tamaños que va desde microscópicas y
unicelulares hasta grandes algas formadas por filamentos de considerable
longitud. Todas ellas contienen Clorofila -a, lo que les permite realizar la
fotosíntesis y sintetizar sustancias alimenticias a partir de materiales
minerales. Además, poseen carotenoides como la luteína y almacenan su
alimento en forma de almidón (Lee, 2008). Es conocido que, dentro del
grupo de las clorófitas, el 90% se encuentra en hábitats de agua dulce,
mientras que solo el 10% se encuentra en hábitats marinos.

D.3 Diatomeas:

Tienen la peculiaridad de contar con paredes silíceas de las células,

son unicelulares que eventualmente forman colonias, gracias al acido
silícico poseen gran dureza (Domínguez Gómez et al., 2011).

D.4 Dinoflagelados:

Los dinoflagelados son organismos unicelulares que pertenecen al

fitoplancton marino y se encuentran distribuidos por todo el mundo. Estos
microorganismos varían en tamaño, ubicándose en la categoría del

8
 microplancton, y pueden ser clasificados en dos grupos principales según
tengan o no placas de naturaleza celulósica en su pared celular. Estos
grupos son conocidos como tecados y atecados, respectivamente (López
Santana y Méndez Zepeda (2014).

D.5 Clorofila -a

Es el pigmento fotosintético primordial en todos los organismos

capaces de realizar la fotosíntesis y liberar oxigeno; se encuentra
principalmente en algas con eventualmente en algunas bacterias
fotosintéticas. Desempeña un papel fundamental al impulsar el
enriquecimiento de nutrientes en los cuerpos de agua (Domínguez Gómez
et al., 2011).

1.1.3 Google Earth Engine

Earth Engine es una plataforma en línea basada en la nube que

tiene principalmente el potencial de análisis geoespacial a una escala
planetaria gracias a su gran capacidad computacional, poniendo a
disposición el uso de las supercomputadoras de Google (Gorelick et al.,
2017).

1.2 Antecedentes

1.2.1 Internacionales

Grendaitė et al. (2018) determinaron la concentración de Clorofila -a en

lagos eutróficos en Lithuania aplicando algoritmos desarrollados por otros
investigadores, llegando a obtener buenos resultados.

Por otro lado, Avdan et al. (2019) aplicaron algoritmos para determinar
parámetros de calidad de agua a imágenes de alta resolución, para ello utilizaron
imágenes RapidEye e información tomada en campo de tomadas en el lago
Borabey en Turquía,

Por otro lado en el continente europeo se desarrollaron diferentes

investigaciones aplicando sensores remotos una de ellas realizada por Soria et al.
(2017) y otra por Montoya et al. (2010) en las cuales analizan la aplicabilidad de

9
los sensores remotos LandSat para estimar y realizar el seguimiento de parámetros
de calidad de agua en cuerpos de agua de España, donde ambos comparten la
metodología de aplicar técnicas de regresión y correlación lineal entre
información in situ y reflectividad de las imágenes satelitales, por otro lado en
Alemania el estudio realizado por Dörnhöfer et al. (2018) emplean la metodología
MIP (Modular Inversión and Processing System) aplicado a diferentes sensores
(MODIS-Terra, MODIS-Aqua, Landsat 8, Landsat 7 and Sentinel-2ª); los
diferentes autores concluyen que estas técnicas proporcionan resultados
alentadores como para realizar seguimiento continuo de la calidad del agua.

Técnicas de correlación y regresión lineal entre la reflectividad de las

imágenes satelitales y la información in situ han sido bastante usadas en
investigaciones en Brasil, Lopes et al. (2018), Costa et al. (1998) y Oliveira De
Sá (2018) comparten la afirmación de que los sensores remotos permiten una
buena estimación de estos parámetros de calidad de agua y que complementan el
monitoreo tradicional.

Briceño et al. (2018) demuestra la potencialidad del método de regresión

entre la reflectividad de las imágenes satelitales y datos de campo para estimar
parámetros de calidad de agua en escala temporal y espacial.

Toming et al. (2017) explora el algoritmo C2RCC para estimar Clorofila -

a en las aguas del océano Báltico mediante imágenes satelitales Sentinel 3 OLCI
evaluando la capacidad del algoritmo para obtener valores óptimos de reflectancia
satelital, insumo que es necesario para obtener valores de Clorofila-a en el agua,
en el trabajo concluyen que el algoritmo funciona relativamente bien y enfatiza la
necesidad de entrenar el algoritmo con datos reales.

Moutzouris-Sidiris y Topouzelis (2021) utiliza las redes neuronales para

estimar Clorofila -a en el mar Mediterráneo mediante imágenes Sentinel 3 OLCI
obteniendo correlaciones medias entre los valores estimados y los valores de
monitoreo in situ.

Uiboupin et al. (2012) realiza un estudio de estimación de Clorofila -a en

el Golfo de Finlandia mediante la aplicación de correlaciones para calibrar las
imágenes del sensor MERIS, obteniendo información de Clorofila -a a nivels

10
espacial pudiendo estimar áreas y zonas focalizadas de mayores y menores
concentraciones.

Por otro lado Shi et al. (2022) realiza la estimación de Clorofila -a en

pequeños cuerpos de agua de Beijín, utilizando para ello imágenes Gaofen 6 y
Sentinel 2, a los cuales se le aplicaron varios algoritmos empíricos dando como
resultado estimaciones bastantes próximas a las observadas en campo,
concluyendo en que la fusión de ambos sensores mejoran las carencias
individuales de cada sensor, por un lado Gaofen muestra una excelente resolución
especial y Sentinel 2 una excelente resolución temporal siendo el conjunto de
estos una herramienta excelente para aplicarlos en cuerpos de aguas pequeños.

Lapucci et al. (2023) aplican imágenes Sentinel 3 OLCI y Machine

learning para evaluar la calidad de las aguas de las costas de Italia, utilizando
como indicador un indicador de estado trófico, se utilizó el algoritmo de regresión
de bosque aleatorio mostrando buen desempeño, resaltando la aplicabilidad de las
imágenes satelitales Sentinel 3 OLCI y técnicas de machine learning en el
seguimiento y gestión ambiental del agua.

1.2.2 Nacionales

En Perú un estudio realizado por Quispe et al. (2010) realizan un análisis

comparativo entre los valores de Clorofila -a estimados por el satélite SeaWiFS e
información de observaciones de Clorofila -a in situ realizadas por IMARPE en
diferentes estaciones del año, logrando determinar que la Clorofila-a fue
sobreestimada en condiciones de verano y otoño, y subestimada en invierno y
primavera por el SeaWiFS.

Quezada García (2020) realiza trabajos de estimación de parámetros de

calidad de agua entre ellos Clorofila -a en los ríos amazónicos de Neshuya y
Aguaytía, demostrando la aplicabilidad de las técnicas de sensoramiento remoro
para la estimación y mejora de la generación de información.

1.2.3 Locales

En el ámbito local tenemos varias investigaciones aplicando

Sensoramiento remoto a la estimación de la calidad del agua en el Lago Titicaca

11
una de ellas un estudio realizado por, Paulino et al. (2016) donde se utiliza una
metodología basada en modelos de razón de bandas aplicado a imágenes
MERSI, demostrando su aplicabilidad para este tipo de análisis, señalando
además que esta metodología se podría usar en imágenes LandSat por su
semejanza en longitud de onda con el sensor MERSI.

Además Pereira-Sandoval et al. (2016) realiza un estudio en el Lago

Titicaca ajustando algoritmos OC2 y OC3 desarrollados para el sensor MODIS
para ser aplicados al sensor LandSat 8, para ello realizaron simulaciones de
reflectividades del cuerpo de agua del lago validando el algoritmo resultante con
productos de Clorofila -a de MODIS.

Jiménez-Muñoz et al. (2015) muestra la aplicabilidad de las imágenes

MODIS y LandSat 8 para estimar Clorofila -a y temperatura superficial del agua
a escala multitemporal en todo el año 2013, en la investigación se evalúa la
variación multitemporal de estos parámetros estimados mediante imágenes
satelitales, estos, además, reproducen el patrón de que tienen las mediciones en
campo. Por lo que llegan a la conclusión de que el uso de sensores remotos
representa un gran potencial para el seguimiento de alguna variable limnológicas.

Por último, Laqui Vilca (2018) muestra los avances realizados por la
Autoridad Nacional del Agua en conjunto con la Agencia Espacial Europea (ESA)
en cuanto al uso de tecnología satelital para el monitoreo del Lago Titicaca,
mostrando productos ya generados a partir de imágenes de sensores Sentinel 2 y
3.

12
 CAPÍTULO II

2PLANTEAMIENTO DEL PROBLEMA

2.1 Identificación del problema

Los lagos continentales tiene gran importancia como recurso de agua dulce que
mejoran la economía y lo medios de supervivencia (Zhou et al., 2019) y la presión
antrópica que se da sobre estos cuerpos de agua dulce han degradado su calidad a lo largo
de todo el mundo (Partnership, 2010).

El monitoreo de la calidad del agua es un aspecto crucial en la gestión y manejo

de los recursos hídricos, ya que permite determinar el estado en el que se encuentra el
agua y tomar medidas correctivas en caso de que no cumpla con los estándares de calidad
deseados. Es una herramienta vital para garantizar la preservación y uso sostenible de este
recurso fundamental. (Sriwongsitanon et al., 2011).

Existen varios parámetros que afectan a la calidad del agua, entre ellos tenemos a
los sedimentos suspendidos en la superficie, Clorofila -a y nutrientes (Quispe et al.,
2010). Se tienen diversas técnicas para realizar monitoreos in situ, muchas de ellas
establecidas mediante redes de monitoreo periódico, pero estos, carecen de la eficacia
necesaria para representar realmente las condiciones de calidad del agua debido a la
distribución que cuentan los puntos de monitoreo y especialmente la frecuencia con la
que se realizan la campañas de monitoreo ya que estas muchas veces puede no ser las
más adecuadas para representar los parámetros de calidad de agua (Oliveira De Sá, 2018).

A diferencia de los métodos tradicionales de monitoreo, el mismo que, demanda

altos costos y una gran logística; la teledetección o percepción remota puede ser utilizada
como una herramienta que complementa al monitoreo de la calidad de agua, presentando
esta técnica, mejoras en la frecuencia de obtención de información, representación
espacial del parámetro analizado y teniendo un bajo costo (Zhao et al., 2011).

En ese sentido la teledetección satelital urge como una herramienta de gran

capacidad en la estimación y monitoreo de los parámetros de calidad de agua como la
Clorofila -a aumentando la información sobre la variabilidad espacial y la frecuencia con
la que se genere esta información; existen varias constelaciones de satélites de
observación de la tierra, algunos con más tiempo de observación que otros y en este caso

13
la constelación LandSat que ha estado recopilando datos desde principios de los años 80
hasta la actualidad teniendo una continuidad bastante amplia en cuanto a tiempo siendo
este el más idóneo para realizar estudios temporales.

La carencia de información continua tanto espacial y temporal hace difícil el

correcto análisis de la calidad del agua, debido a que no se puede conocer el estado de la
calidad del agua en lugares donde no se tiene las estaciones o ubicaciones de monitoreo.

Mejorar la cantidad de información que se puede obtener sobre la calidad del agua
demanda un coste económico bastante elevado; instituciones ligadas al gobierno
encargadas del monitoreo del recurso hídrico realizan el monitoreo de parámetros de
calidad de agua del Lago Titicaca 1 a 2 veces al año, pero, esta información no es de
utilidad para evaluar la distribución espacial de la calidad del agua, mucho menos, usar
esta información como un sistema de alerta. A razón de ello es importante desarrollar
metodologías alternas al monitoreo de campo tradicional, complementando a estas en el
monitoreo continuo tanto a escala temporal y espacial.

2.2 Enunciados del problema

En este sentido, expresa la relación entre el problema de investigación, la pregunta

de investigación y la intención para investigar.

2.2.1 Problema general

• ¿Cuál es la evolución espacio - temporal de la concentración de Clorofila -

a del agua del Lago Titicaca en el periodo 1990 - 2020?

2.2.2 Problemas específicos

• ¿Cuál es la variabilidad Temporal de la concentración de Clorofila -a del

agua del Lago Titicaca en el periodo 1990 – 2020?

• ¿Cuál es la variabilidad espacial de la concentración de Clorofila -a del agua

del Lago Titicaca en el periodo 1990 – 2020?

2.3 Justificación

La calidad del agua es el resultado de la interacción de diversos procesos que

ocurren en toda una cuenca hidrográfica, donde las actividades humanas en diferentes

14
escalas espaciales contribuyen al deterioro de los cuerpos de agua. Es decir, es una
combinación de factores naturales y acciones humanas lo que influye en el estado general
de los recursos hídricos (Briceño et al., 2018).

El Lago Titicaca, es un cuerpo de agua, que, como muchos otros cuerpos de agua
vienen sufriendo un proceso de eutroficación natural y antropogénica, lo que amerita un
monitoreo constante de la calidad de sus aguas; los sistemas de monitoreo tradicional
tienen vacíos en cuando a la obtención de información a escala temporal y espacial.

Con la finalidad de complementar el monitoreo tradicional que se efectúa en Lago

Titicaca, es que se realiza este trabajo de investigación, a fin de obtener información en
cuanto a la concentración de Clorofila -a de manera espacial y temporal sin la necesidad
de aumentar la cantidad de estaciones de monitoreo.

Generar un algoritmo capaz de estimar las concentraciones de Clorofila -a es de

vital importancia, con la finalidad de poder usar imágenes satelitales para este fin, en este
sentido, la presente investigación busca elaborar un algoritmo generado en base al
resultado de los monitoreos tradicionales y aplicarlos en un análisis multitemporal.

Los resultados de la presente investigación contribuirán al conocimiento de la

variabilidad espacio – temporal de la concentración de Clorofila -a del Lago Titicaca, a
fin de poder ver la evolución del mismo, así de esta manera, ver las zonas vulnerables
ante un incremento de la concentración de Clorofila -a, de igual manera identificar las
zonas donde estos incrementos se manifiestan y también conocer la distribución espacial
y el alcance de este incremento.

2.4 Objetivos

2.4.1 Objetivo general

• ¿Cuál es la variabilidad espacial de la concentración de Clorofila -a del agua

del Lago Titicaca en el periodo 1990 – 2020?

2.4.2 Objetivos específicos

• Analizar la variabilidad Temporal de la concentración de Clorofila -a del

agua del Lago Titicaca en el periodo 1990 – 2020.

15
 • Determinar la variabilidad espacial de la concentración de Clorofila -a del
agua del Lago Titicaca en el periodo 1990 - 2020.

2.5 Hipótesis

2.5.1 Hipótesis general

• La concentración de Clorofila-a en el Lago Titicaca durante el período de

1990 a 2020 ha experimentado cambios significativos en términos de su
evolución espacio-temporal.

2.5.2 Hipótesis específicas

• Existe una tendencia positiva a nivel temporal en la concentración de

Clorofila-a en el Lago Titicaca en el período de 1990 a 2020.

• La concentración de Clorofila-a en el Lago Titicaca presenta una

variabilidad espacial en el período de 1990 a 2020, y se espera que las zonas
geográficas cercanas a fuentes de contaminación muestren niveles más altos
de Clorofila-a en comparación con áreas menos impactadas.

16
 CAPÍTULO III

3MATERIALES Y MÉTODOS

3.1 Lugar de estudio

El área de estudio se centra en el Lago Titicaca, un lago tropical de gran altitud

situado en los Andes Centrales, con una elevación aproximada de 3809 metros sobre el
nivel del mar. Este lago se encuentra en la región fronteriza entre Perú y Bolivia, en las
coordenadas 15º47'S, 69º22'W. Posee una profundidad media de 135 metros y alcanza
una profundidad máxima de 284 metros. (Pereira-Sandoval et al., 2016).

Figura 3
Mapa de Ubicación del Lago Titicaca

3.2 Población

La población para el estudio está constituida por todo el cuerpo de agua del Lago
Titicaca tanto del lado peruano como del lado boliviano.

17
3.3 Muestra

Se tomó como muestra la información limnológica recopilada por las instituciones

involucradas como el Instituto del Mar del Perú (IMARPE) y el Proyecto Especial
Binacional Lago Titicaca (Tabla 1 y Tabla 2), así mismo se utilizó valores de índices
espectrales de calidad de agua orientados específicamente a determinar Clorofila -a que
se calcularon en base a ecuaciones entre bandas del sensor Landsat (Tabla 4).

Tabla 1
Puntos de Monitoreo de Clorofila -a in situ realizado por IMARPE
Código X Y Código X Y Código X Y
I-01 468121 8273425 I-27 435310 8260055 I-53 507089 8217086
I-02 451904 8258743 I-28 426716 8252763 I-54 514501 8208181
I-03 427480 8236580 I-29 418267 8245447 I-55 517518 8205879
I-04 466897 8242776 I-30 441641 8236314 I-56 521701 8209764
I-05 397159 8247089 I-31 450595 8243441 I-57 523045 8202004
I-06 400733 8247872 I-32 459571 8250156 I-58 528533 8207427
I-07 404447 8248561 I-33 467379 8257754 I-59 540338 8206913
I-08 407998 8249219 I-34 475190 8265327 I-60 523413 8194114
I-09 410292 8253697 I-35 481687 8265113 I-61 506917 8207058
I-10 416122 8258681 I-36 495195 8251806 I-62 516552 8196281
I-11 411868 8262421 I-37 485800 8243197 I-63 493581 8201656
I-12 408474 8266973 I-38 475683 8235479 I-64 501583 8197567
I-13 402885 8274570 I-39 465786 8227540 I-65 517792 8186687
I-14 404212 8287130 I-40 455377 8218755 I-66 510354 8190656
I-15 409608 8292419 I-41 445840 8210678 I-67 510359 8184334
I-16 416057 8298071 I-42 459590 8208193 I-68 499219 8189432
I-17 422668 8304114 I-43 469179 8203284 I-69 500217 8181118
I-18 426848 8308695 I-44 479075 8211623 I-70 513096 8173681
I-19 443375 8300155 I-45 488206 8219382 I-71 502454 8174221
I-20 435535 8293009 I-46 492061 8222828 I-72 508879 8169117
I-21 428296 8286622 I-47 500441 8230460 I-73 493645 8176532
I-22 420538 8279565 I-48 510526 8237763 I-74 496202 8169304
I-23 413490 8273143 I-49 512443 8227771 I-75 450595 8243441
I-24 461425 8282345 I-50 521231 8232564
I-25 452310 8274566 I-51 485393 8207012
I-26 444153 8267644 I-52 489023 8212775

18
Tabla 2
Puntos de Monitoreo de Clorofila -a in situ realizado por PEBLT
CÓDIGO X Y
CHB-1 398777 8247803
CHB-2 407110 8253044
CHB-3 408337 8267855
CHB-4 415909 8256835
CHB-5 415692 8271178
CHB-6 428317 8286064
CHB-7 410738 8291542
CHB-8 418872 8304762
CHB-9 441035 8298322
CHB-10 450750 8284133
CHB-11 481102 8265476
CHB-12 491586 8252173
CHB-13 516127 8231667
CHB-14 517597 8205805
CHB-15 532429 8205432
CHB-16 540558 8201112
CHB-17 526855 8188270
CHB-18 517754 8197239
CHB-19 501015 8184760
CHB-20 509953 8171090
CHB-21 496628 8171272
CHB-22 477495 8237330
CHB-23 487081 8213360
CHB-24 469250 8203294
CHB-25 454010 8215578
CHB-26 453889 8232219
CHB-27 448230 8251620
CHB-28 438150 8270462
CHB-29 487265 8206402

Los valores de los índices espectrales se obtuvieron a partir de las ubicaciones de

las estaciones de monitoreo de Clorofila -a del IMARPE y PEBLT (Figura 4) de esta
manera los valores de monitoreo de Clorofila -a in situ y estimados tiene una misma
ubicación.

19
Figura 4
Ubicación de Puntos de Monitoreo In Situ de Instituciones

3.4 Método de investigación

La investigación se enmarca principalmente en una investigación descriptiva.

3.5 Descripción detallada de métodos por objetivos específicos

La metodología se basa principalmente en el uso de índices espectrales de calidad

de agua calculadas a partir de imágenes satelitales conjuntamente con el uso de datos de
Clorofila -a medidas in situ.

20
 La metodología se desarrolla mediante la plataforma Google Earth Engine,
utilizando la colección 2 de imágenes Landsat (Tabla 3) MSS, TM, TM+ y OLI/TIRS
(USGS/NASA Landsat Program, 2020), haciendo un total de 4528 escenas conformada
por cada una de las misiones de Landsat unificadas en una sola colección nueva que
cuenta todas las misiones de dicho sensor.

Tabla 3
Rangos de longitud de onda de la constelación Landsat

SENSOR Longitud de Onda (nm) DESCRIPCIÓN

Landsat 8 OLI/TIRS
b1 435 - 451 ultra blue
b2 452 - 512 blue
b3 533 - 590 green
b4 636 - 673 red
b5 851 - 879 nir
Landsat 7 ETM+
b1 450 - 520 blue
b2 520 - 600 green
b3 630 - 690 red
b4 770 - 900 nir
Landsat 5 TM
b1 450 - 520 blue
b2 520 - 600 green
b3 630 - 690 red
b4 770 - 900 nir
Landsat 4 TM
b1 450 - 520 blue
b2 520 - 600 green
b3 630 - 690 red
b4 770 - 900 nir

21
Figura 5
Diagrama de Flujo de la Metodología Utilizada

Serie de Tiempo
(Colección Landsat)
1990 - 2020

Máscara
CF MASK QA_PIXEL
Nubes, Sobras de
& &
nube y cuerpos
NDWI > 0 QA_RADSAT
de agua

Cálculo de Índices
Al10SABI. Valores In Situ
Be16FLHblue. de Chl-a
Be16FLHviolet. (Periodo
Be16NDTIblue. Inicial)
Kn07KIVU.

Generación de
Algoritmo
Modelo Predictivo

Valores In Situ
de Chl-a
(Segundo
Validación Periodo)

Análisis de Serie Temporal

22
 La metodología se desarrolló enteramente en la plataforma Google Earth Engine
e inicia en una primera etapa, preparando la colección de imágenes Landsat del conjunto
de datos de Google Earth Engine; es preciso señalar que cada misión de Landsat se agrupa
en una colección diferente, y con fines de análisis temporal se unificaron en una sola
constelación renombrando y separando solo las bandas necesarias de acuerdo Tabla 3.

Posteriormente se realizaron los enmascaramientos tanto de nubes como de

cuerpos de agua mediante la banda de calidad de la colección 2 de Landsat, obteniendo
de esta manera, una imagen con reflectividad del cuerpo acuático del Lago Titicaca libre
de nubes.

Como segunda etapa consistió la generación de modelos predictivos en base a

regresión lineal simple entre los valores de los índices espectrales de calidad de agua
detallados posteriormente en la Tabla 4 y los valores de Clorofila -a obtenidos mediante
monitoreo in situ en el año 2017 (Tabla 1 y Tabla 2); estos modelos regresivos se validaron
con un conjunto de datos tomados por las instituciones un año después.

Finalmente se aplicó el modelo predictivo a la colección de datos preparada en la

primera etapa obteniendo de esta manera una colección con los valores de Clorofila -a
estimados a partir del modelo predictivo en todo el periodo de tiempo 1990 – 2020.

Información de Campo:

Los principales datos para el desarrollo de la presente investigación

consisten en información limnológica recopilada en campo por instituciones
encargadas del monitoreo de la calidad del agua en el ámbito del Lago Titicaca,
en concreto, se utilizó información facilitada por el Instituto del Mar del Perú
(IMARPE) a través del Laboratorio Continental Puno, además de información del
Proyecto Especial Binacional Lago Titicaca (PEBLT); contando con un total de
104 puntos de monitoreo, siendo 75 puntos de monitoreo del IMARPE y 29 del
PEBLT.

Software:

Qgis Desktop:

Software de licencia libre orientada a los sistemas de información

geográfica y teledetección, que se utilizó para:

23
• Preparación de la información espacial.
• Procesamiento de imágenes satelitales.
• Aplicación de algoritmos analizados
• Elaboración de mapas.

R y RStudio:

Lenguaje y entorno de desarrollo integrado (IDE) respectivamente

orientados a al análisis estadístico principalmente, pero también posee posibilidad
de manipular información espacial que se utilizara para, que se utilizó para:

• Analizar el desempeño de los algoritmos analizados.

Google Earth Engine:

Plataforma de procesamiento y análisis de imágenes satelitales en la nube,

que se utilizó para:

• Implementación del algoritmo de estimación de Clorofila -a utilizando la

colección 2 de Landsat.

Índices de Calidad de agua:

son un conjunto de operaciones matemáticas de bandas que tienen el

objetivo de realzar información de la superficie de la tierra, en este caso, estimar
la calidad del agua. A continuación, se detallan los índices que se evaluaron para
la estimación de Clorofila -a.

24
Tabla 4
Índices de calidad de agua
Índice Ecuación Referencia
Al10SABI (w857 - w644) / (w458 + w529) (Alawadi, 2010)
Be16FLHblue (w529) - (w644 + (w458 - w644)) (Beck et al., 2016)
Be16FLHviolet (w529) - (w644 + (w429 - w644)) (Beck et al., 2016)
Be16NDTIblue (w658 - w458) / (w658 + w458) (Beck et al., 2019)
Kn07KIVU (w458 - w644) / (w529) (Kneubühler et al., 2007)

3.5.1 Generación de Modelo Predictivo

La generación del modelo predictivo, se realizó utilizando regresión lineal

simple entre los valores de los índices de calidad de agua (Tabla 4) y los valores
de Clorofila -a proveniente de los monitoreos realizados en campo por las
instituciones IMARPE y PEBLT.

Para tal fin se utilizó la siguiente ecuación de modelo de regresión lineal

simple:

ŷ = b0 + b1 x ………(i)

donde:

b0 y b1 corresponden a constantes desconocidas llamadas coeficientes de

regresión; X corresponde a la única variable independiente y explicativa, ŷ
corresponde a una variable dependiente o de respuesta.

La generación de los modelos se realizó con información de una campaña

de monitoreo especifico, siento este en julio del 2017; se buscó emparejar lo más
posible las fechas tanto del monitoreo in situ con la toma de la imagen.

3.5.2 Validación de Modelo Predictivo

Cada uno de los modelos predictivos generados evaluaron con las

siguientes métricas estadísticas:

25
Tabla 5
Métricas estadísticas de desempeño para evaluar los modelos predictivos
Métricas Ecuación Unidad Valor
Óptimo
Coeficiente de 𝐶𝐶 =
∑[(𝑥𝑖 − 𝑥)(𝑦𝑖 − 𝑦̅)] - +/- 1
√∑(𝑥𝑖 − 𝑥)2 ∗ ∑(𝑦𝑖 − 𝑦̅)2
Correlación (r)

Raíz del Error

Medio 𝑛 Mm 0
1
Cuadrático 𝑅𝑀𝑆𝐸 = √ ∑(𝑆𝑖 − 𝑂𝑖 )2
𝑛
𝑖=0
(RMSE)

La validación de los modelos se realizó con información de una campaña

de monitoreo en específico, siento este en julio del 2018; se buscó emparejar lo
más posible las fechas tanto del monitoreo in situ con la toma de la imagen.

3.5.3 Variabilidad Temporal de la concentración de Clorofila -a

Luego de tener calculada los valores de Clorofila -a en base al modelo

predictivo seleccionado, se procedió a generar series en diferentes zonas críticas
del lago tomando como criterio la distribución espacial de la Clorofila -a; los
lugares identificados suman un total de 8 puntos (Tabla 6).

26
Tabla 6
Puntos de evaluación Temporal
CÓDIGO NOMBRE X Y
TTCC-01 Bahía Interior 393200 8248390
TTCC-02 Bahía Cohana 524698 8188908
TTCC-03 Chucuito 407767 8242277
TTCC-04 Lago Menor 406769 8253392
TTCC-05 Ancoraimes 521895 8233623
TTCC-06 Afluente río Huancané 419168 8304640
TTCC-07 Lago mayor Titicaca - Perú 443627 8256418
TTCC-08 Lago mayor Titicaca - Bolivia 492542 8235425

Cada uno de los puntos tienen las siguientes características:

Bahía interior de Puno: Punto de evaluación ubicado en la parte central

de la bahía interior de puno, que tiene interacción con los efluentes de las lagunas
de oxidación de puno (planta de tratamiento de aguas residuales) y efluentes
clandestinos de aguas residuales ubicados alrededor de la zona urbana de la cuidad
de Puno.

Bahía Cohana – Bolivia: Punto de evaluación ubicado en la bahía Cohana

de la zona boliviana a del Lago Titicaca, zona con la presencia de humedales y
afluente del Río Katari.

Chucuito: Punto de evaluación ubicado frente a la ciudad de Chucuito.

Lago menor – Puno: Punto de evaluación ubicada en la parte central del

lago menor de Puno, zona con presencia de humedales y afluente del río Coata,
además de ser la zona de intercambio entre la bahía interior de Puno y el lago
Mayor.

Ancoraimes: Punto de evaluación ubicado en la zona boliviana del lago,

concretamente, en el afluente del río Keka.

Afluente Río Huancané: Punto de evaluación ubicado en el afluente del

río Huancané.

27
 Punto aleatorio en el lago mayor Titicaca – Perú: Punto de evaluación
ubicado en la parte central del lago Mayor de la zona peruana, punto de evaluación
de carácter comparativo.

Punto aleatorio en el lago mayor Titicaca – Bolivia: Punto de

evaluación ubicado en la parte central del lago Mayor de la zona boliviana, punto
de evaluación de carácter comparativo.

Figura 6
Ubicación de puntos de evaluación en el Lago Titicaca

28
 A. Análisis de tendencia

Se aplicó el test de Mann-Kendall en cada uno de los puntos de

evaluación, utilizando la serie temporal de valores de Clorofila -a en el
periodo 1990 – 2020.

Man – Kendall es una prueba para detectar tendencias (Mann,

1945; Kendall, 1948)el cual utiliza la correlación entre los rangos y la
secuencia existente en una serie temporal. Para una serie temporal “x1, ...,
xn” el estadístico aplicable es el siguiente:

𝑛
𝑆 = ∑𝑛−1
𝑘=1 ∑𝑗=𝑘+1 𝑠𝑔𝑛(𝑥𝑗 − 𝑥𝑘 )………(ii)

Si el valor de S > 0, las posteriores observaciones en la serie de

tiempo tenderán a ser más grandes que las que aparecen antes en la serie
de tiempo, mientras que ocurre lo contrario si S < 0.

Mientras que la varianza de S está dada por:

𝟏
𝑽𝑨𝑹(𝑺) = 𝟏𝟖 [𝒏(𝒏 − 𝟏)(𝟐𝒏 + 𝟓) −

∑𝒈𝒑=𝟏 𝒕𝒑(𝒕𝒑−𝟏 )(𝟐𝒕𝒑+𝟓 ) ]………(iii)

La estadística de prueba normalizada Z está dada por:

𝑺−𝟏
𝟏 , 𝒊𝒇 > 𝟎
[𝑽𝑨𝑹(𝑺)] ⁄𝟐
𝒛= 𝟎, 𝒊𝒇 = 𝟎 ………(iv)
𝑺+𝟏
𝟏⁄ , 𝒊𝒇 < 𝟎
{ [𝑽𝑨𝑹(𝑺)] 𝟐

3.5.4 Variabilidad Espacial de la concentración de Clorofila -a

Para la estimación de la variación espacial, se preparó el set de datos

resultantes de valores de Clorofila -a agrupando los 10 primeros años (1990 –
2000) en un raster de valores medios del rango de tiempo, esto con la finalidad de

29
usarlo como un raster de referencia para determinar los cambios en el rango total
del periodo de estudio (1990 - 2020).

Con la serie de tiempo restante (2000 – 2020) se generaron valores

promedios cada 5 años haciendo un total de 4 raster con los valores medios del
rango de tiempo establecido, esto para realizar la comparación con respecto al
valor de referencia (valores medios 1990 - 2000).

Para ambos casos se utilizó la siguiente ecuación para generar los valores
medios:

𝒏
̅ = ∑𝒊=𝟏 𝒙𝒊………(v)
𝑿 𝒏

30
 CAPÍTULO IV

4RESULTADOS Y DISCUSIÓN

4.1 Resultados

4.1.1 Desarrollo y Evaluación de Algoritmos

A. Generación de modelo predictivo

Se evaluaron 5 modelos basados en regresión lineal entre los

valores de índices de calidad de agua (Figura 3) y valores de monitoreo de
clorofila -a in situ; realizando las regresiones lineales, el algoritmo en base
el índice Al10SABI cuenta con el mayor grado de correlación (Figura 7)
resultando con un valor de 𝑅2 igual a 0,845.

Figura 7
Modelos predictivos mediante correlación entre índices espectrales de
calidad de agua y datos in situ

31
 En cuanto a los demás modelos predictivos evaluados, obtuvieron
valores de correlación muy cercanos al modelo predictivo Al10SABI
(Tabla 7), siento estos, de 𝑅2 =0,799 para el modelo Be16FLHblue, 𝑅2 =0,777
para el modelo Be16NDTIblue y 𝑅2 =0,825 para el modelo Kn07KIVU.
Por otro lado, no se realizaron las evaluaciones al modelo Be16FLHviolet,
puesto que, la ecuación del índice (Tabla 4) requiere reflectancia en la
longitud de onda de 429, el cual no se presenta en todas las colecciones
Landsat, estando presente este solo en el sensor OLI/TIRS.

Tabla 7
Correlación de modelos predictivos basados en índices y valores in situ

Índice Modelo Predictivo R2

Al10SABI -32,5*Al10SABI + -0,409 0,845

Be16FLHblue 372*Be16FLHblue + 2,03 0,799

Be16FLHviolet -- --

Be16NDTIblue 8,87*Be16NDTIblue + 10 0,777

Kn07KIVU -12,1*Kn07KIVU + 9,44 0,825

La Tabla 7 presenta los índices y su grado de correlación respecto

a los valores de monitoreo de Clorofila -a in situ, además de la ecuación
predictora en un periodo inicial (julio - 2017).

B. Validación de modelo predictivo

Se calcularon el RMSE y 𝑅2 de cada uno de los conjuntos de

valores de Clorofila -a calculados a partir de las ecuaciones de modelo
predictor, en la Tabla 8 se muestran las métricas estadísticas de desempeño
evaluados.

32
Tabla 8
Validación de modelos Predictivos

ÍNDICE R2 RMSE

Al10SABI 0,807 2,36

Be16FLHblue 0,822 2,06
Be16FLHviolet -- --
Be16NDTIblue 0,695 2,72
Kn07KIVU 0,747 2,62

La Tabla 8 presenta los índices y su eficiencia para estimar valores

de Clorofila -a, validado en un periodo 2 (julio - 2018), un año después del
periodo inicial de entrenamiento. Como resultado del análisis de
desempeño de los modelos predictivos se obtuvieron coeficientes de
correlación, siendo el modelo predictivo generado a partir del índice
Be16FLHblue el que obtuvo el coeficiente de correlación más alto, siendo
este de 𝑅2 =0,822, “Correlación muy buena”, tal como se muestra en la
Figura 8, además de un error cuadrático medio de RMSE = 2,06 (Tabla 8)
, siendo este el modelo utilizado para realizar la estimación temporal de
Clorofila -a en todo el periodo de análisis.

33
Figura 8
Validación de modelos predictivos mediante correlación entre índices
espectrales de calidad de agua y datos in situ

Por otro lado, el modelo predictivo generado a partir del índice

Al10SABI obtuvo un coeficiente de correlación igual a 𝑅2 =0,807,
“Correlación buena a muy buena” y un error cuadrático medio de RMSE
= 2,36 (Tabla 8) siendo este el segundo mejor modelo predictivo, tal como
se muestra en la Figura 8.

Los modelos predictivos Be16NDTIblue y Kn07KIVU obtuvieron

valores de coeficiente de correlación de 𝑅2 =0,695 y 𝑅2 =0,747
respectivamente además de un error cuadrático medio de RMSE = 2,72 y
RMSE = 2,62 respectivamente (Tabla 8), descartando estos 2 modelos para
la estimación de Clorofila -a debido a ser los modelos con menor grado de
correlación y tener un error cuadrático medio superior a pesar que estos

34
índices hayan sido creados específicamente para el estudio de aguas
continentales.

Se evaluaron los modelos predictivos basados en índices

espectrales de calidad de agua, obteniendo 2 modelos con alta correlación
entre valores del índice y valores de monitoreo de Clorofila -a in situ,
siendo el modelo predictivo Al10SABI el que presentó la mejor
correlación al momento de realizar los entrenamientos de los modelos con
un grupo inicial de valores de Clorofila -a in situ (Julio del 2017), pero al
momento de realizar la validación con un segundo grupo de datos 1 año
después (julio del 2018) el modelo bajó su desempeño predictivo; por otro
lado el modelo predictivo Be16FLHblue la segunda mejor correlación al
momento de realizar los entrenamientos del modelo con el primer grupo
de valores de Clorofila -a in situ, al momento de realizar la validación
con el segundo grupo de datos, este obtuvo una correlación más alta que
el índice Al10SABI conservando su desempeño con respecto al tiempo;
razón por la cual se utilizó el modelo predictivo Be16FLHblue generado
a partir del índice del mismo nombre para la estimación de la
concentración del Clorofila -a; estos resultados guardan relación a lo de
los autores de los índices Alawadi (2010) y Beck et al. (2016) para los
índices Al10SABI y Be16FLHblue respectivamente, obteniendo buenos
resultados en la estimación de Clorofila -a en base a de modelos
estimadores empíricos.

Por otro lado Grendaitė et al. (2018) ; Montoya et al. (2010);

Dörnhöfer et al. (2018) y Oliveira De Sá (2018) también obtuvieron
buenos resultados en la correlación entre reflectancia, índices y datos in
situ, si bien es cierto, es necesario un gran conjunto de datos para entrenar
y validar los modelos predictivos de Clorofila -a en base a imágenes
satelitales, la aplicabilidad de estos son bastantes útiles para el monitoreo
de la calidad del agua y la mejora de la cantidad de información, siendo
la información tomada in situ un parámetro condicionante de la calidad de
los resultados de estimación de Clorofila -a en base a reflectancia e índices
espectrales de las imágenes satelitales.

35
4.1.2 Variabilidad Temporal de la Concentración de Clorofila -a

Los resultados del test de Mann-Kendall aplicados a los diferentes puntos

de evaluación (Figura 6) de valores de Clorofila -a en el periodo 1990 – 2020 nos
muestran que en la totalidad de los puntos de evaluación existe una tendencia
positiva ya que los valores de coeficiente de Mann-Kendall varían de 0,0967 hasta
0,241 (Tabla 9).

Por otro lado, valor de probabilidad observada (Tabla 9) en todos los

puntos de evaluación son bastante pequeños (menores a 2,22e-16), dándonos a
entender que existe una muy baja probabilidad de que los resultados del
coeficiente de Mann – Kendall se deban a una aleatoriedad en la serie de datos.

Tabla 9
Resumen de test de tendencia Man Kendall para todos los puntos de evaluación
valor de
Punto de Evaluación Coeficiente de Mann – probabilidad
Kendall (τ) observada (p)

Bahía Interior - Puno 0,112 0,000012636

Bahía Cohana 0,11 0,00000035763
Chucuito 0,16 2,22E-16
Lago Menor Puno 0,0967 0,00012147
Ancoraimes 0,187 2,22E-16
Afluente Río Huancané 0,241 2,22E-16
Lago Mayor - Perú 0,144 2,22E-16
Lago Mayor - Bolivia 0,163 2,22E-16

A continuación, se detalla los resultados de la aplicación del test de Mann

– Kendall en cada uno de los puntos de evaluación detallados en la Figura 6:

36
Bahía interior de Puno

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,112 y valor de probabilidad
observada (p) = 1,2636e-05 (Figura 9) lo que nos indica que existe una tendencia
positiva, es decir, que los valores de Clorofila -a han ido aumentando en el tiempo
además de una aleatoriedad de la tendencia casi nula.

Por otro lado, se puede observar en la Figura 9 que existe una mayor
variabilidad a partir del año 2014 hasta el final del periodo de evaluación (2020),
existiendo picos de 01 mg/m3 a 15 mg/m3, se aprecia también que las máximas
concentraciones se dan entre los meses de diciembre – Marzo (periodo húmedo)
siendo esto recurrente anualmente considerándose una estacionalidad en la serie
temporal, además de una visible reducción de la concentración del 2001 al 2014
manteniéndose por debajo de la línea de tendencia.

Figura 9
Tendencia de valores de Clorofila -a para el punto de evaluación “Bahía
Interior”

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,11 y el valor de probabilidad
observada (p) = 3,5763e-07 (Figura 10) lo que nos indica que existe una tendencia

37
positiva, es decir, que los valores de Clorofila -a han ido aumentando en el tiempo
además de una aleatoriedad de la tendencia casi nula.

Por otro lado, se puede observar en la Figura 10 que existe una mayor
variabilidad a partir del año 2014 hasta el final del periodo de evaluación (2020),
existiendo picos de 01 mg/m3 a 20 mg/m3, se aprecia también que las máximas
concentraciones se dan en diferentes periodos del año tanto en el periodo húmedo
como seco, además de presentar mayor número de picos que podrían representar
valores atípicos o afloramiento de algas.

Figura 10
Tendencia de valores de Clorofila -a para el punto de evaluación "Bahía
Cohana"

Chucuito

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,16 y el valor de probabilidad
observada (p) = 2,22E-16 (Figura 11) lo que nos indica que existe una tendencia
positiva extremadamente significativa, es decir que, los valores de Clorofila -a
han ido aumentando en el tiempo además de una aleatoriedad de la tendencia casi
nula.

Por otro lado, se puede observar en la Figura 11 una variación considerable

desde el año 2000 hasta el 2003, luego en el año 2005 pero de menor dimensión,
y finalmente desde el año 2012 hasta 2020 se aprecia una variabilidad continua,

38
existiendo picos de 01 mg/m3 a 15 mg/m3; pero siempre dentro de la línea de
tendencia.

Figura 11
Tendencia de valores de Clorofila -a para el punto de evaluación "Chucuito"

Lago Menor Puno

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,0967 y el valor de probabilidad
observada (p) = 0,00012147 (Figura 12) lo que nos indica que existe una tendencia
positiva significativa, es decir que, los valores de Clorofila -a han ido aumentando
en el tiempo además de una aleatoriedad de la tendencia casi nula.

Por otro lado, se puede observar en la Figura 12 una variación desde el año
2000 hasta el hasta 2020 acrecentándose aún más desde el año 2014, no obstante,
la variación se mantiene constante existiendo variaciones grandes y pequeñas sin
seguir un patrón concreto a lo largo de la serie de tiempo.

39
Figura 12
Tendencia de valores de Clorofila -a para el punto de evaluación "Lago Menor -
Puno"

Ancoraimes

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,187 y el valor de probabilidad
observada (p) < 2,22e-16 (Figura 13) lo que nos indica que existe una tendencia
positiva extremadamente significativa, es decir que, los valores de Clorofila -a
han ido aumentando en el tiempo además de una aleatoriedad de la tendencia casi
nula.

Por otro lado, se puede observar en la Figura 13 que existe una mayor
variabilidad a partir del año 2014 hasta el final del periodo de evaluación (2020),
existiendo picos de 01 mg/m3 a 25 mg/m3, se aprecia también que las máximas
concentraciones se dan en el periodo húmedo.

40
Figura 13
Tendencia de valores de Clorofila -a para el punto de evaluación "Ancoraimes"

Afluente Río Huancané

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,241 y el valor de probabilidad
observada (p) < 2,22e-16 (Figura 14) lo que nos indica que existe una tendencia
positiva extremadamente significativa, es decir que, los valores de Clorofila -a
han ido aumentando en el tiempo además de una aleatoriedad de la tendencia casi
nula.

Por otro lado, se puede observar en la Figura 14 que existe una

variabilidad estacional en todo el periodo de evaluación, existiendo picos de 01
mg/m3 a 55 mg/m3 siendo mayores las concentraciones de Clorofila durante el
periodo húmedo.

41
Figura 14
Tendencia de valores de Clorofila -a para el punto de evaluación "Afluente río
Huancané"

Lago Mayor – Perú

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,144 y el valor de probabilidad
observada (p) < 2,22e-16 (Figura 15) lo que nos indica que existe una tendencia
positiva extremadamente significativa, es decir que, los valores de Clorofila -a
han ido aumentando en el tiempo además de una aleatoriedad de la tendencia casi
nula.

Por otro lado, se puede observar en la Figura 15 existe una mayor

variabilidad a partir del año 2014 hasta el final del periodo de evaluación (2020),
existiendo picos de 01 mg/m3 a 20 mg/m3, se aprecia también que las máximas
concentraciones se dan en el periodo húmedo siguiendo un patrón aleatorio.

42
Figura 15
Tendencia de valores de Clorofila -a para el punto de evaluación "Lago Mayor -
Perú"

Lago Mayor – Bolivia

Los valores de concentración de Clorofila -a en el periodo 1990 -2020

presentan un coeficiente de Mann - Kendal (τ) = 0,163 y el valor de probabilidad
observada (p) < 2,22e-16 (Figura 16) lo que nos indica que existe una tendencia
positiva extremadamente significativa, es decir que, los valores de Clorofila -a
han ido aumentando en el tiempo además de una aleatoriedad de la tendencia casi
nula.

Por otro lado, se puede observar en la Figura 16 que existe una mayor
variabilidad a partir del año 2000 hasta el final del periodo de evaluación (2020),
existiendo picos de 01 mg/m3 a 15 mg/m3, se aprecia también que las máximas
concentraciones se dan en el periodo húmedo.

43
Figura 16
Valores de Clorofila -a para el punto de evaluación "Lago Mayor - Bolivia"

Se evaluaron varios puntos mediante el test de Mann-Kendall en un rango

de tiempo de 30 años (1990 - 2020) donde los test nos muestran que en los puntos
de evaluación existe una tendencia positiva, los valores del coeficiente de Mann -
Kendal (τ) varían de 0,0967 hasta 0,241 (Tabla 9), lo que implica que las
tendencias son positivas y con una magnitud moderada a considerable. Por otro
lado, los valores del valor de probabilidad observada (p) (Tabla 9) en todos los
puntos de evaluación son bastante pequeños (menores a 2,22e-16) lo que implica
que todas las tendencias positivas observadas en los valores de Clorofila -a de los
diferentes puntos de evaluación son estadísticamente significativas y bastante
improbable de que se deba a una aleatoriedad pudiendo decir que en Lago Titicaca
existe una tendencia de incremento de la concentración de Clorofila -a en el agua
pudiéndose apreciar más en las zonas que coinciden con los afluentes de los ríos
que desembocan en el Lago Titicaca véase Tabla 6 y Figura 6.

Además los resultados muestran una variabilidad en los periodos húmedos

al igual que Jiménez-Muñoz et al. (2015) donde se aprecia que las mayores
concentraciones se dan en los meses húmedos, pudiendo afirmar que ese
comportamiento es estimable mediante otras metodologías de estimación como
las aplicadas en el presente trabajo.

44
 Otras investigaciones también observan la existencia de patrones en el
comportamiento de la concentración de Clorofila -a obedeciendo a un
comportamiento estacional en donde el periodo de lluvia es donde se presentan
las mayores concentraciones pudiéndose deber al transporte de nutrientes de los
afluentes del cuerpo de agua tal como lo indica Dörnhöfer et al. (2018).

4.1.3 Variabilidad Espacial de la Concentración de Clorofila -a

Los resultados de la variación espacial de Clorofila -a en el Lago Titicaca

muestran un cambio significativo a nivel espacial en el periodo 1990 – 2020,

En la Figura 17 se aprecia una distribucion espacial a lo largo del periodo

de analisis, en general las concentraciones varian de 10.8 mg/m3 hasta 18,5 mg/m3
en sus concentraciones medias maximas y de 0,8 mg/m3 hasta 1.37 mg/m3 en sus
concentraciones medias minimas tal como se ve en la Tabla 10.

Tabla 10
Valores medios de concentración de Clorofila -a según periodo de análisis

Valores Medios de Clorofila -a

Periodo Mínimo (mg/m3) Máximo (mg/m3)

1900 - 2000 0,8 10,8

2001 - 2005 0,8 9,54
2006 - 2010 1,22 10,68
2011 - 2015 1,29 13,47
2016 - 2020 1,37 18,5

En la Tabla 10 se muestran los rango de valores en funcion al hitograma

del raster resultante del promedio del rango de tiempo, extrayendose solo lo
valores minimos y maximos en funcion del 98% de los valores de pixeles del
raster.

En la Figura 17 a podemos ver la distribucion espacial en el perido de

análisis, donde se aprecia que las zonas con mayores concentracines son las que
coinciden con lo afluentes de los rios que desembocan en el Lago Titicaca (Coata,

45
Illpa, Huancané, Huayco, Catari, Circunlacustre e Ilave), es donde se presentan
estos cambios pudiendo se apreciar las plumas de presencia de Clorofila -á en el
agua; además de las zonas con presencia de vegetación (Reserva Nacional del
Titicaca, Pusi, Ancoraimes, Cohana y Chucuito).

La zona más crítica en cuando a la distribución de la concentración de

Clorofila -a es la Bahía Cohana, pudiendo se apreciar en la Figura 17 que en todo
el periodo de análisis cuenta con una coloración roja, naranja, amarilla y verde,
que, según la representación de color de la concentración, indican concentración
elevadas en función ala de la zona con menor concentración que serían las aguas
abiertas del Lago Titicaca, lo que guarda concordancia con los resultados de
Jiménez-Muñoz et al. (2015), por otro lado, aclara que algunos de estos resultados
pueden mostrar valores altos en zonas de poca profundidad pueden deberse a la
resuspension de los sedimentos, ocasionado por corrientes u oleaje; haciéndonos
suponer que se trate de una sobrestimación.

La segunda zona con mayor concentración es la Bahía Interior de Puno

que al igual que la Bahía Cohana persiste a lo largo de todo el periodo de análisis
presentando una coloración entre amarilla y verde.

46
Figura 17
Distribución espacial de la concentración de Clorofila -a

La Figura 17 muestra la distribución espacial de la concentración de

Clorofila -a en el periodo de análisis, separado en quinquenios; la Figura 17 (a)
muestra la distribución espacial de Clorofila -a – en el periodo 1990 – 2000; la
Figura 17 (b) muestra la distribución espacial de Clorofila -a – en el periodo 2000
– 2005; la Figura 17 (c) muestra la distribución espacial de Clorofila -a – en el
periodo 2005 – 2010; la Figura 17 (d) muestra la distribución espacial de Clorofila

47
-a – en el periodo 2010 – 2015 y la Figura 17 (e) muestra la distribución espacial
de Clorofila -a – en el periodo 2015 – 2020; evidenciándose zonas con mayores
concentraciones las zonas que reciben aporte efluentes de ríos y vertimientos de
aguas sin tratamiento.

Los resultados también evidencian que los cambios en la concentración de

Clorofila -a son cíclicos obedeciendo patrones de incremento y disminución en su
concentración (Figura 18), dicho ello, se aprecia que en el periodo húmedo es
cuando se ve las mayores concentraciones de Clorofila -a en el Lago Titicaca, y
una menor concentración de Clorofila -a en el periodo de seco.

En los periodos de transición (Figura 18) se aprecia como esta

concentración viene disminuyendo o aumentando según el periodo al que se
aproxima la transición.

En el periodo húmedo del 2015 (Figura 18) es donde se aprecia uno de

los incrementos notables de la concentración de Clorofila -a, específicamente en
la bahía Cohana, seguido del periodo de transición de seco a húmedo del año 2017.

El afluente del río Huancané presenta cambios notables en los periodos

húmedos teniendo la tendencia a incrementar la concentración de Clorofila -a y
disminuir para el periodo seco.

48
Figura 18
Distribución espacial de estimaciones de Clorofila -a en el Lago Titicaca en el
Periodo 1990 – 2020

49
Continuación de Figura 18

50
Continuación de Figura 18

51
Continuación de Figura 18

52
Continuación de Figura 18

53
Continuación de Figura 18

Realizando una evaluación comparativa teniendo como periodo de

comparación el que va del 1990 al 2000 y un periodo que va del 2000 – 2005, se
obtuvo las zonas que ha sufrido mayor cambio son las zonas que coinciden con
los afluentes de los ríos que desembocan en el Lago Titicaca, véase Figura 19a,
donde dichas zonas tienen una coloración amarilla y roja indicándonos
nuevamente, pero a escala espacial que estas zonas son las que tienen un cambio
constante en su concentración a lo largo del periodo de evaluación (2000 - 2005).

En relación con una primera evaluación en se tiene un segundo periodo

2005 – 2010 tal como se ve en la Figura 19b se ve que el cambio se da se da en el
lago mayor (aguas abiertas) del Titicaca mostrándose una coloración amarilla en
toda su superficie excepto en las zonas que coinciden con los efluentes de los ríos
indicándonos que se mantienen una concentración determinada no existiendo un
cambio en ese periodo de análisis (2005-2010).

En un tercer periodo de evaluación 2010 – 2015, Figura 19c, pudiéndose

observar cambios más intensos en algunas zonas que coinciden con los afluentes
de los ríos Huancané, Huayco además de la Bahía Cohana que presenta una
variación considerable a diferencia de los otros dos periodos evaluados
anteriormente, podemos ver también que el cambio en el lago Mayor próximas a
la isla del Sol persistiendo el cambio a nivel general del cuerpo de agua del Lago
Titicaca.

Finalmente, en un cuarto periodo 2015 – 2020, Figura 19d, se aprecia que

la diferencia en la concentración incrementa en todas las zonas anteriormente

54
descritas, siendo la zona más critica la bahía de Cohana, teniendo un cambio
significativo con una coloración roja y naranja en casi toda el área de la bahía
también se ve un incremento significativo en el lago mayor, focalizada entre el
afluente del rio Keka, la Isla del Sol y las zonas frente a las ciudades de Pomata,
Juli y Yunguyo con una color naranja.

Figura 19
Diferencia de cambios de la concentración de Clorofila -a en función al periodo
1990 – 2000

En todo el periodo de análisis se ve que los cambios se focalizan en las

zonas con coincidencia a afluentes de ríos al igual que los resultados hallados por
Lopes et al. (2018); Costa et al. (1998) y Oliveira De Sá (2018) esto puede
deberse al arrastre de sedimentos y materia orgánica que se da desde la naciente
del rio hasta el lago (Comisión Multisectorial para la Prevención y Recuperación
Ambiental del Lago Titicaca y su Afluentes, 2014), apreciándose la mayor
concentración en el periodo húmedo, generando una pluma de 16 km (Toda la
Reserva Nacional del Titicaca) en la desembocadura del rio Coata, 5km de media

55
en la desembocadura del río Huancané, 8 km de media en la desembocadura del
río Huayco, 11km en la desembocadura del río Keka (Ancoraimes) y 1km de
media en la desembocadura del río Ilave siendo este último el menor en cuanto a
pluma de concentración. Finalmente existen zonas con presencia de vegetación
que cuentan con altísimos valores de Clorofila -a, estas zonas son la Reserva
Nacional del Titicaca y la zona ubicada al este de la localidad de Pusi.

Por otro lado, la zona con una condición crítica en cuanto a la distribución
espacial es la Bahía Cohana, teniendo una distribución alta con respecto al resto
del lago en la totalidad de las escenas Landsat analizadas; la bahía interior de Puno
es otra de las zonas que cuenta con una distribución de concentración de Clorofila
-a alta con respecto al resto del lago manteniendo dicha distribución en la totalidad
de las imágenes Landsat analizadas, a pesar de los incrementos y descensos de la
concentración según época o periodo del año (húmedo y seco) similares a los
reportes realizador por Laqui Vilca (2018) donde se utilizan otros sensores para
estimar la concentración de Clorofila -a.

56
 CONCLUSIONES

PRIMERO: Se pudo generar un algoritmo estimador de Clorofila -a en base a modelos

de regresión lineal entre los valores de los monitoreos in situ e índices de
calidad de agua siendo el modelo Be16NDTIblue que obtuvo el mejor
desempeño con un 𝑅2 = 0,822 y un RMSE = 2,06; el algoritmo se aplicó a
4528 escenas Landsat de la colección preparada en base a todas las
colecciones de Landsat (MSS, TM, TM+ y OLI/TIRS).

SEGUNDO: Se realizo el análisis de la variabilidad temporal de la concentración de

Clorofila -a, obteniendo coeficientes Mann-Kendall en un rango de tiempo
de 30 años (1990 - 2020), los valores del coeficiente de Mann - Kendal (τ)
varían de 0,0967 hasta 0,241, por otro lado, los valores del valor de
probabilidad observada (p) fueron bastante pequeños (menores a 2,22e-
16), pudiendo afirmar que existe una tendencia de incremento de la
concentración de Clorofila -a en el agua del Lago Titicaca, además de que
los resultados son estadísticamente significativos y muy poco probables
de que se deban a un factor aleatorio.

TERCERO: Se detectaron como zonas con el mayor grado de distribución espacial de

concentración elevada y persistencia en el tiempo con respecto al resto del
lago, la Bahía Cohana como la zona más crítica y la Bahía interior como
la segunda zona más crítica, por otro lado, existen zonas con una
distribución de la concentración de Clorofila -a, la cual es periódica e
incrementa y disminuye según el periodo, siendo el periodo húmedo en el
cual se presenta la mayor distribución de u concentración; concretamente,
estas zonas corresponden a las desembocaduras de los ríos (Coata, Illpa,
Huancané, Huayco, Catari, Circunlacustre e Ilave)que descargan sus aguas
en el Lago Titicaca.

57
 RECOMENDACIONES

PRIMERO: Se observaron resultados positivos en la correlación de datos de calidad

de agua e índices de calidad de agua, sin embargo, para mejorar aún más
el rendimiento de los algoritmos de estimación, se recomienda realizar
monitoreos de campo que tome en cuenta la distribución espacial de la
concentración de Clorofila -a; esto optimizará el número y las ubicaciones
adecuadas para el monitoreo in situ, lo que a su vez mejorara la
representatividad y precisión de los resultados obtenidos mediante
teledetección satelital. Se recomienda también considerar la corrección
atmosférica en las imágenes satelitales; si bien es cierto la información del
conjunto de datos de Google Earth Engine ya cuenda con una corrección
atmosférica, existen diferentes métodos alternativos al que se utiliza en
Google Earth Engine, incluso algunos enfocados netamente al estudio de
aguas como ICOR; para ello se recomienda realizar la comparación de
reflectividad en el agua con la ayuda de un espectroradiometro de campo
y compararla con los diferentes métodos de corrección atmosférica.

SEGUNDO: Se recomienda utilizar sensores satelitales con un tiempo de revisita menor

a los utilizados (Landsat) con el fin de detectar patrones de
comportamiento de concentración como las que presenta el afloramiento
de algas o blooms, ya que con los sensores utilizados, este fenómeno es
poco apreciable, por otro lado la obtención de información a nivel de serie
temporal es drásticamente afectada con la presencia de nubes, obteniendo
una serie de datos incompleta en muchos meses, en especial en los
periodos de lluvias; en dado caso se recomienda usar sensores como
Sentinel 3 que tiene una orientación especifica al estudio de cuerpos de
agua y tiene un tiempo de revisita menor a 2 días obteniéndose una escena
completa del lago Titicaca cada 2 días.

TERCERO: Se recomienda utilizar sensores satelitales con una resolución espacial más
pequeña, con el fin de sectorizar el análisis en zonas críticas, pudiendo
realizar una evaluación más exhaustiva, pudiendo tomas las zonas críticas
descritas en el presente trabajo por otro lado fenómenos de interés como

58
los blooms, no son apreciables espacialmente desde los inicios del
fenómeno con las imágenes utilizadas.

59
 BIBLIOGRAFÍA

Alawadi, F. (2010). Detection of surface algal blooms using the newly developed
algorithm surface algal bloom index (SABI). Remote Sensing of the Ocean, Sea
Ice, and Large Water Regions 2010, 7825, 782506.
https://doi.org/10.1117/12.862096

Avdan, Z. Y., Kaplan, G., Goncu, S., & Avdan, U. (2019). Monitoring the water quality
of small water bodies using high-resolution remote sensing data. ISPRS
International Journal of Geo-Information, 8(12).
https://doi.org/10.3390/ijgi8120553

Barbosa, C., Martins, V., & Novo, E. (2019). Introdução ao Sensoriamento Remoto de
Sistemas Aquáticos (1a Edição). LabISA\INPE.

Beck, R., Xu, M., Zhan, S., Johansen, R., Liu, H., Tong, S., Yang, B., Shu, S., Wu, Q.,
Wang, S., Berling, K., Murray, A., Emery, E., Reif, M., Harwood, J., Young, J.,
Nietch, C., Macke, D., Martin, M., … Huang, Y. (2019). Comparison of satellite
reflectance algorithms for estimating turbidity and cyanobacterial concentrations
in productive freshwaters using hyperspectral aircraft imagery and dense
coincident surface observations. Journal of Great Lakes Research, 45(3), 413-
433. https://doi.org/10.1016/j.jglr.2018.09.001

Beck, R., Zhan, S., Liu, H., Tong, S., Yang, B., Xu, M., Ye, Z., Huang, Y., Shu, S., Wu,
Q., Wang, S., Berling, K., Murray, A., Emery, E., Reif, M., Harwood, J., Young,
J., Nietch, C., Macke, D., … Su, H. (2016). Comparison of satellite reflectance
algorithms for estimating chlorophyll-a in a temperate reservoir using coincident
hyperspectral aircraft imagery and dense coincident surface observations. Remote
Sensing of Environment, 178, 15-30. https://doi.org/10.1016/J.RSE.2016.03.002

Briceño, I., Pérez, W., San, M. D., & Ramos, S. (2018). Determination of water quality
vichuquén lake, using satellite images landsat 8, sensor OLI, year 2016, Chile.
Revista de Teledeteccion, 2018(52), 67-78.
https://doi.org/10.4995/raet.2018.10126

Chuvieco, E. (2016). Fundamentals of satellite remote sensing: An environmental

approach (Second Edition). CRC Press - Taylor & Francis Group.

60
Congedo, L. (2022). Semi-Automatic Classification Plugin Documentation.

Costa, M. P. F., Galvão, S. M. G., & Novo, E. M. L. M. (1998). Quantificação espacial

de clorofila-a na água do mar utilizando dados do sensor TM/Landsat-5: Região
costeira de Ubatuba, SP. (pp. 11-18).

Domínguez Gómez, J. A., Marcos Martín, C., Chao Rodríguez, Y., & Rodríguez Pérez,
D. (2011). Estudio de Aguas Continentales Mediante Teledetección (Primera
Edición). UNED.

Dörnhöfer, K., Klinger, P., Heege, T., & Oppelt, N. (2018). Multi-sensor satellite and in
situ monitoring of phytoplankton development in a eutrophic-mesotrophic lake.
Science of the Total Environment, 612, 1200-1214.
https://doi.org/10.1016/j.scitotenv.2017.08.219

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017).
Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote
Sensing of Environment, 202, 18-27. https://doi.org/10.1016/J.RSE.2017.06.031

Grendaitė, D., Stonevičius, E., Karosienė, J., Savadova, K., & Kasperovičienė, J. (2018).
Chlorophyll-a concentration retrieval in eutrophic lakes in Lithuania from
Sentinel-2 data. Geologija. Geografija, 4(1). https://doi.org/10.6001/geol-
geogr.v4i1.3720

Ho, J. C., Stumpf, R. P., Bridgeman, T. B., & Michalak, A. M. (2017). Using Landsat to
extend the historical record of lacustrine phytoplankton blooms: A Lake Erie case
study. Remote Sensing of Environment, 191, 273-285.
https://doi.org/10.1016/j.rse.2016.12.013

Jiménez-Muñoz, C., Llinares Llorens, M., Ruiz Verdú, A., Tenjo Gil, C., Delegido
Gómez, J., Sobrino Rodríguez, J. A., & Moreno Méndez, J. (2015). Propiedades
ópticas y térmicas del lago Titicaca a partir de imágenes Landsat-8 y MODIS.
25-29. http://www.dsr.inpe.br/sbsr2015/files/p0755.pdf

Kendall, M. G. (1948). Rank correlation methods.

Kneubühler, M. ;, Frank, T. ;, Kellenberger, T. ;, Pasche, N. ;, Schmid, M., Kneubühler,

M., Frank, T., Kellenberger, T. W., & Pasche, N. (2007). Mapping chlorophyll-a

61
 in Lake Kivu with remote sensing methods. zora.uzh.ch.
https://doi.org/10.5167/uzh-77972

Konecny, G. (2004). Geoinformation: Remote Sensing, Photogrammetry and Geographic

Information Systems. En The Geographical Journal (Vol. 170, Número 2).
https://doi.org/10.4324/9780203469644

Lapucci, C., Antonini, A., Böhm, E., Organelli, E., Massi, L., Ortolani, A., Brandini, C.,
& Maselli, F. (2023). Use of Sentinel-3 OLCI Images and Machine Learning to
Assess the Ecological Quality of Italian Coastal Waters. Sensors (Basel,
Switzerland), 23(22). https://doi.org/10.3390/s23229258

Laqui Vilca, W. F. (2018). Avances en el monitoreo satelital y automático de la calidad

del agua del lago Titicaca, Proyecto EO4SD, Agencia Espacial Europea (ESA) –
Autoridad Nacional del Agua (ANA). Autoridad Administrativa del Agua Titicaca.

Lee, R. E. (2008). Phycology (4.a ed.). Cambridge University Press.

https://doi.org/10.1017/CBO9780511812897

Lopes, H., Do, M., Sobral, C., Gunkel, G., Candeias, A. L., & Melo, G. (2018). Análise
espaço-temporal da clorofila-a no reservatório de Itaparica por meio de imagens
Landsat-TM (pp. 13-18).

López Santana, J. M., & Méndez Zepeda, A. F. (2014). Evaluación de la Concentración

de los Grupos de Fitoplancton: Diatomeas, Cianofitas, Clorofitas y
Dinoflagelados y su relación con los parámetros fisicoquímicos, en las aguas del
Río Estero Real, período junio-noviembre 2013. Universidad Nacional Autónoma
de Nicaragua.

Mann, H. B. (1945). Nonparametric tests against trend. JSTOR, 245--259.

Montoya, G., Granado, L., Vales, J. J., Pino, I., Prieto, R., Méndez, E., Carpintero, I. R.,
Domínguez, A., Giménez De Azcarate, F., Cáceres, F., & Moreira, J. M. (2010).
Seguimiento de la Calidad Ambiental del Medio Hídrico en el tramo bajo y
desembocadura del río Guadalquivir (2010).

Moutzouris-Sidiris, I., & Topouzelis, K. (2021). Assessment of Chlorophyll-a

concentration from Sentinel-3 satellite images at the Mediterranean Sea using

62
 CMEMS open source in situ data. Open Geosciences, 13(1), 85-97.
https://doi.org/doi:10.1515/geo-2020-0204

Oliveira De Sá, L. (2018). Aplicação de Métodos Empíricos de Sensoriamento Remoto

Utilizando Imagens Landsat no Lago Paranoá –Df Para Estimativa de Clorofila
–a e Turbidez. http://dx.doi.org/10.26512/2018.TCC.22151

Partnership, B. I. (2010). Biodiversity indicators and the 2010 target: Experiences and
lessons learnt from the 2010 Biodiversity Indicators Partnership. Montreal,
Canada: Secretariat of the Convention on Biological Diversity.

Paulino, C., Alburqueque, E., Xu, H., & Velaochaga, G. (2016). Estimación de
Concentración de Clorofila-a en el Lago Titicaca Usando Imágenes Satelitales
MERSI. Informe Imarpe, 43. https://hdl.handle.net/20.500.12958/3111

Pereira-Sandoval, M. A., Ruiz-Verdú, A., Carlos Jiménez, J., Tenjo, C., Delegido, J.,
Gibaja, G., Peña, R., & Moreno, J. (2016). Ajuste de los algoritmos OC2 y OC3
de MODIS para la obtención de la concentración de clorofila-a en lagos
oligotróficos con Landsat-8: Validación en el lago Titicaca Adjusting OC2 and
OC3 MODIS algorithms for retrieving the chlorophyll-a con-centration in
oligotrophic lakes using Landsat-8: Validation on Lake Titicaca.
http://revistas.udistrital.edu.co/ojs/index.php/azimut

Quezada García, M. G. (2020). Uso de imágenes satelitales para determinar los

parámetros de calidad de agua en los ríos Amazónicos Neshuya y Aguaytía—Perú
[Universidad Nacional Agraria la Molina].
https://repositorio.lamolina.edu.pe/handle/20.500.12996/4550

Quispe, D., Calienes, R., Tam, J., Graco, M., Ledesma, J., Flores, G., Correa, D., &
Quispe, C. (2010). Análisis comparativo entre Clorofila-a Satelital e In Situ en el
Ecosistema de Afloramiento Peruano, entre 1998 – 2007. Ecología Aplicada, 9(2).
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1726-
22162010000200010

Shi, J., Shen, Q., Yao, Y., Li, J., Chen, F., Wang, R., Xu, W., Gao, Z., Wang, L., & Zhou,
Y. (2022). Estimation of Chlorophyll-a Concentrations in Small Water Bodies:

63
 Comparison of Fused Gaofen-6 and Sentinel-2 Sensors. Remote Sensing, 14(1).
https://doi.org/10.3390/rs14010229

Soria, X., Vicente, E., Durán, C., Soria, J. M., & Peña, R. (2017). Uso de imágenes
Landsat-8 para la estimación de la profundidad del disco de Secchi en aguas
continentales Landsat-8 images for Secchi disc depth estimation in inland waters
(pp. 293-296). http://idearm.imida.es/aet2017

Sriwongsitanon, N., Surakit, K., & Thianpopirug, S. (2011). Influence of atmospheric

correction and number of sampling points on the accuracy of water clarity
assessment using remote sensing application. Journal of Hydrology, 401(3-4),
203-220. https://doi.org/10.1016/j.jhydrol.2011.02.023

Toming, K., Kutser, T., Uiboupin, R., Arikas, A., Vahter, K., & Paavel, B. (2017).
Mapping Water Quality Parameters with Sentinel-3 Ocean and Land Colour
Instrument imagery in the Baltic Sea. Remote Sensing, 9(10).
https://doi.org/10.3390/rs9101070

Uiboupin, R., Laanemets, J., Sipelgas, L., Raag, L., Lips, I., & Buhhalko, N. (2012).
Monitoring the effect of upwelling on the chlorophyll a distribution in the Gulf of
Finland (Baltic Sea) using remote sensing and in situ data**The study was
supported by the Estonian Science Foundation (grants No. 7467, No. 6752, No.
7633, No. 7581 & No. 8968). The remote sensing data were provided by ESA via
Cat-1 project No. 6855. Oceanologia, 54(3), 395-419.
https://doi.org/10.5697/oc.54-3.395

USGS/NASA Landsat Program. (2020). Landsat (Collection 2) [Imagery; Image

Collection]. Google Earth Engine Dataset.

Zhao, D., Cai, Y., Jiang, H., Xu, D., Zhang, W., & An, S. (2011). Estimation of water
clarity in Taihu Lake and surrounding rivers using Landsat imagery. Advances in
Water Resources, 34(2), 165-173.
https://doi.org/10.1016/j.advwatres.2010.08.010

Zhou, L.-J., Li, J., Zhang, Y., Kong, L., Jin, M., Yang, X., & Wu, Q. L. (2019). Trends in
the occurrence and risk assessment of antibiotics in shallow lakes in the lower-
middle reaches of the Yangtze River basin, China. Ecotoxicology and

64
Environmental Safety, 183, 109511.
https://doi.org/10.1016/j.ecoenv.2019.109511

65
 ANEXOS

Anexo 1. Script de módulo de cálculo de índices de Clorofila -a

// ---------- INDICES (ALGORITMOS) PARA ESTIMACION DE CLOROFILA-a == LANDSAT -----------

------
/** Al10SABI == (Alawadi, 2010)
(w857-w644)/w458+w529) */
exports.Al10SABI = function (image){
var Al10SABI = image.expression('(nir-red)/(blue+green)',{
'nir':image.select('SR_B5'),
'red':image.select('SR_B4'),
'blue':image.select('SR_B2'),
'green':image.select('SR_B3')}).rename('Al10SABI');
return image.addBands(Al10SABI);
};
/** Be16FLHblue == (Beck et al., 2016)
(w529)-(w644 + (w458 - w644))
*/
exports.Be16FLHblue = function (image) {
var Be16FLHblue = image.expression('(green)-(red + (blue - red))',{
'red':image.select('SR_B4'),
'blue':image.select('SR_B2'),
'green':image.select('SR_B3')}).rename('Be16FLHblue');
return image.addBands(Be16FLHblue);
};
/** Be16FLHviolet == (Beck et al., 2016)
(w529)-(w644 + (w429 - w644))
*/
exports.Be16FLHviolet = function (image) {
var Be16FLHviolet = image.expression('(green)-(red + (Ublue - red))',{
'red':image.select('SR_B4'),
'Ublue':image.select('SR_B1'),
'green':image.select('SR_B3')}).rename('Be16FLHviolet');
return image.addBands(Be16FLHviolet);
};
/** Kn07KIVU == (Kneubuhler et al., 2007)
(w458 - w644) / (w529)
*/
exports.Kn07KIVU = function (image) {
var Kn07KIVU = image.expression('(blue - red) / (green)',{
'red':image.select('SR_B4'),
'blue':image.select('SR_B2'),
'green':image.select('SR_B3')}).rename('Kn07KIVU');
return image.addBands(Kn07KIVU);

66
};
/** Be16NDTIblue == (Beck et al., 2017)
(w658 - w458) / (w658 + w458)
*/
exports.Be16NDTIblue = function (image) {
var Be16NDTIblue = image.expression('(red - blue) / (red + blue)',{
'red':image.select('SR_B4'),
'blue':image.select('SR_B2')}).rename('Be16NDTIblue');
return image.addBands(Be16NDTIblue);
};
/** Be16NDTIviolet == (Beck et al., 2017)
(w658 - w444) / (w658 + w444)
*/
exports.Be16NDTIviolet = function (image) {
var Be16NDTIviolet = image.expression('(red - Ublue) / (red + Ublue)',{
'red':image.select('SR_B4'),
'Ublue':image.select('SR_B1')}).rename('Be16NDTIviolet');
return image.addBands(Be16NDTIviolet);

67
Anexo 2. Script de algoritmo de estimación de Clorofila -a

https://code.earthengine.google.com/6a8d93e592fc0ed5e51f0c24334
5fc6c

68
69
70