SciELO - Scientific Electronic Library Online

 
vol.37 número1Climatología de la precipitación de tres días en la Cuenca del Plata índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Artigo

Indicadores

  • Não possue artigos citadosCitado por SciELO

Links relacionados

  • Em processo de indexaçãoCitado por Google
  • Não possue artigos similaresSimilares em SciELO
  • Em processo de indexaçãoSimilares em Google

Bookmark


Meteorologica

versão On-line ISSN 1850-468X

Meteorologica vol.37 no.1 Ciudad Autónoma de Buenos Aires jun. 2012

 

ARTÍCULOS ORIGINALES

Mapa de riesgo de temperaturas extremas frías para el sur de la provincia de Buenos Aires usando datos satelitales y de superficie

 

Roberto De Ruyver 1, María J. Denegri y Patricio Oricchio 1

1 Instituto de Clima y Agua - Instituto Nacional de Tecnología Agropecuaria (INTA) Las Cabañas y Los Reseros s/n - 1686 Hurlingham - Buenos Aires - Argentina
dirección electrónica: deruyver@alumni.itc.nl

Manuscrito recibido el 16 de abril de 2010, aceptado el 7 de abril de 2011

 


RESUMEN

Cerca del 40 % del área sembrada con trigo en Argentina se concentra en el sur de la provincia de Buenos Aires. Los eventos frecuentes de temperaturas extremas frías en la segunda quincena de octubre, coincidentes con un momento fenológico sensible del trigo, provocan daños de importancia en el cultivo. El presente trabajo tiene como objetivo proveer mapas de riesgo de temperaturas extremas frías para el período sensible del cultivo de trigo en esa región. Se utilizó información de los canales 3, 4 y 5 del satélite NOAA de 1,09 km2 de resolución espacial, obtenidas en el Instituto de Clima y Agua del INTA-Castelar entre 2005 y 2008, y datos diarios de temperaturas mínimas del período 1961-2008 de 13 estaciones de superficie del Servicio Meteorológico Nacional (SMN) y del Instituto Nacional de Tecnología Agropecuaria (INTA). Los resultados muestran que las áreas de mayor riesgo son aquellas que combinan menor altura sobre el nivel del mar y al mismo tiempo mayor distancia al mismo. Esta metodología puede ser extendida a otros cultivos y a otras regiones. Este tipo de análisis constituye una herramienta que puede ser útil en tareas de planificación tanto a nivel estatal como privado.

Palabras clave: Heladas; Mapas de riesgo; Satélite; Trigo.

Frost risk map for the south of Buenos Aires province using satellite and surface data

ABSTRACT

Cold temperature can cause severe damage in crops when a cold front irruption occurs. This is especially true in some specific periods on the growing crops mainly during spring. This work presents frost risk maps for wheat. The region selected was the south of Buenos Aires province in Argentina. Wheat covers almost 2,2 million ha in south Buenos Aires area which represents 40% of the total wheat cultivated in Argentina At the same time, south Buenos Aires area suffers the biggest damage on wheat because of frost during spring time. The study was carried out based on channels 3, 4 and 5 of NOAA satellite images (1,09 km2 spatial resolution). Images from 2005 to 2008 were available. Minimum daily temperatures from "Servicio Meteorológico Nacional" (SMN) and "Instituto Nacional de Tecnología Agropecuaria" (INTA) were also used. Risk area is increased in areas which combine lower altitudes and higher distance to the Ocean. Areas near the Ocean are associated to areas with lower frost risk. This methodology can be applied for different crops and different areas and It would be a useful tool for management policies.

Keywords: Frost; Frost mapping; Remote sensing; Wheat.


 

1. INTRODUCCIÓN

Las temperaturas extremas frías provocan alerta y preocupación en las actividades agrícolas especialmente cuando se manifiestan en épocas en las cuales los cultivos se encuentran en etapas sensibles de su desarrollo. En momentos determinados del ciclo de los cultivos, temperaturas aun por encima de cero grado en abrigo meteorológico pueden provocar daños en la planta y afectar su desarrollo y posterior rendimiento.

A partir de los datos de la campaña agrícola 2006/2007 (MAGYP 2011), se observa que Argentina tuvo un área sembrada con trigo que superó los 5,6 millones de hectáreas y una producción total de 14,5 millones de toneladas. La provincia de Buenos Aires contribuyó con gran parte de ese total alcanzando casi 3 millones de hectáreas sembradas (52% del total del país) las cuales produjeron algo más de 9 millones de toneladas (62% del total del país). En particular, la región del sur de la provincia de Buenos Aires, al sur de 36ºS, concentra un importante porcentaje del total provincial. Así, y en base a datos de la misma campaña, el área sembrada con trigo en esa región abarcó 2.2 millones de hectáreas (72% del total provincial) con una producción de 5,7 millones de toneladas (63% del total provincial).

El ingreso de masas de aire frío desde el sudoeste que irrumpen en la región pampeana durante la primavera, pueden conducir a situaciones sinópticas meteorológicas que provocan importantes enfriamientos nocturnos y, consecuentemente, la observación de temperaturas extremas frías. Muchos de esos casos resultan en heladas meteorológicas (Snyder y de Melo-Abreu 2005). Dentro de la región pampeana, la ubicación entre los 36 y 40ºS de los partidos del sur de Buenos Aires implica una probabilidad mayor de ocurrencia de temperaturas extremas frías ante irrupciones frontales y durante los procesos de enfriamiento radiativo posteriores. En particular, cuando estas irrupciones se observan durante la primavera, pueden en general tener consecuencias perjudiciales sobre los cultivos de la región y, especialmente sobre el trigo, ya que es en el comienzo y la mitad de la primavera el momento en el cual se desarrolla la etapa de la formación de espigas. En dicha etapa, temperaturas de -1ºC en el nivel de la planta marcan el umbral de temperaturas críticas a partir del cual el cultivo puede sufrir daños.

En estudios previos realizados en la Región Pampeana de Argentina se buscó la relación entre temperaturas mínimas en estaciones meteorológicas y temperaturas de superficie a partir de imágenes de satélite. Se encontró una alta correlación entre estas variables (Di Bella y otros 1997, De Ruyver y otros 2006). A partir de aquellos resultados, las metodologías como la propuesta por François y otros (1999) para la generación de mapas de riesgo de heladas, que contemplan la utilización de temperaturas mínimas en estaciones meteorológicas y temperaturas de superficie obtenidas mediante satélites, son una alternativa válida para su aplicación sobre la región Pampeana.

El objetivo del presente trabajo es elaborar mapas de riesgo para temperaturas extremas frías para el cultivo de trigo en el período más crítico de su desarrollo (segunda quincena de octubre) en la región del sur de la provincia de Buenos Aires.

2. REGIÓN DE ESTUDIO

La región de estudio se localizó en el sur de la provincia de Buenos Aires y el extremo este de la provincia de Río Negro, Argentina (Fig. 1a). El área total de la región cubre 136.165 km2 (Fig. 1b).


Fig. 1a: Área de estudio en el sur de la provincia de Buenos Aires, Argentina.


Fig. 1b: Estaciones meteorológicas y localidades del área de estudio (en gris).

El relieve es predominantemente llano con algunas serranías bajas que alcanzan su máximo en las Sierras de la Ventana (Cerro Tres Picos) con 1.239 m.s.n.m. En la geomorfología también se destacan las Sierras de Tandil (Cerro La Juanita, 524 m.s.n.m.) y algunas lagunas en el noroeste y oeste de la región (Fig. 2).


Fig. 2: Relieve del área de estudio representado a través de un Modelo de Elevación Digital (DEM) cuyo píxel tiene una resolución espacial horizontal de 90 m2.

3. MATERIALES Y MÉTODOS

3.1 Datos

Se dispuso de los registros de temperaturas mínimas diarias de 13 estaciones de superficie de la región para el período 1961-2008. Las estaciones pertenecen al Servicio Meteorológico Nacional (SMN) y al Instituto Nacional de Tecnología Agropecuaria (INTA) (Fig. 1b).

Se definió como día con helada aquel en el cual, al menos, una estación del área bajo estudio tuvo temperatura en abrigo meteorológico inferior a 0°C. Sobre la base de esta clasificación, se analizaron las imágenes del satélite NOAA-AVHRR capturadas con la antena que posee el Instituto de Clima y Agua del INTA-Castelar en el período 2005-2008. En particular se utilizó la información del satélite NOAA-15, canales 3B (3,55 µm - 3,93 µm), 4 (10,30 µm - 11,30 µm) y 5 (11,50 µm - 12,50 µm), con una resolución espacial de 1,09 km2 y horarios de pasaje entre las 5,30 y las 7,30 hora local. Para el total de días con heladas, la disponibilidad de imágenes acotó el tamaño de la muestra a 134 días en el período 2005-2008 (Tabla I). La resolución espacial del píxel NOAA determinó un total de 124.351 píxeles en el área de estudio.

Tabla I: Total de días con heladas empleados en este estudio para el período 2005-2008.

3.2 Metodología

3.2.1 Tratamiento de las imágenes de satélite

A cada imagen de satélite se le aplicaron las respectivas correcciones geométricas y atmosféricas por la presencia de los gases atmosféricos y por las influencias terrestres, debidas a humedad del suelo y cobertura vegetal, entre otros. Se usó para ello el método de "split window" (Caselles y otros 1988, Sobrino y otros 1993, Coll y Caselles 1997, Parra y otros 2006). En el presente estudio se usó el método desarrollado por Coll y Caselles 1997, cuya expresión es:

donde Tsup es la temperatura de superficie corregida, T4 y T5 son las temperaturas de brillo de los canales del sensor AVHRR en 11 y 12 µm respectivamente, A y son coeficientes que dependen de las condiciones atmosféricas y α y β son los coeficientes de la corrección por emisividad. Por último, ε y ε son la emisividad media y la diferencia espectral de la emisividad en los dos canales considerados respectivamente. Este es el procesamiento de rutina que se aplica a todas las imágenes que se capturan con la antena que posee el Instituto de Clima y Agua del INTA-Castelar.

En un procesamiento posterior, se aplicó a las imágenes un filtro en las zonas con presencia de nubes (Saunders y Kriebel 1988). El método emplea, a lo largo de 5 pasos, diferentes relaciones entre los canales 3, 4 y 5 que permiten detectar nubes a distintas alturas de acuerdo a las diferencias radiativas que existen entre las nubes y el suelo en las diferentes bandas del espectro electromagnético. La clasificación resultante (píxel con o sin nube), permitió eliminar los píxeles con nubosidad. Debido a que no existe un método que asegure el filtrado perfecto de nubes, se realizó con posterioridad un análisis de la situación sinóptica meteorológica de cada día en simultáneo con un análisis visual de todas las imágenes en cada uno de los 13 sitios con estación meteorológica de superficie. Se decidió eliminar aquellos píxeles que, habiendo superado exitosamente el filtro de nubes, generaban dudas sobre si el mismo se hallaba libre de nubosidad. Este análisis, si bien pudo generar pérdida de datos de Tsup, se realizó con el fin de aumentar el grado de certeza en cuanto a píxeles libres de nubosidad.

3.2.2 Técnica a aplicar

Para la determinación de los mapas de riesgo se aplicó la metodología propuesta por François y otros (1999). Mediante ella se obtuvo un conjunto de relaciones que permitieron crear mapas de riesgo a partir de los valores de temperatura de las 13 estaciones meteorológicas de superficie que se hallan en la región de estudio.

El primer paso consistió en determinar la relación lineal existente entre las temperaturas en abrigo meteorológico a 1,5 m de altura (Tmin) y las temperaturas de superficie (Tsup) obtenidas con las imágenes en los 13 sitios donde hay una estación meteorológica de superficie y, por ende, una medición simultánea de ambas. Para cada uno de los 13 sitios se obtuvieron rectas de regresión entre Tmin y Tsup y se determinaron los coeficientes de correlación. Para determinar Tsup de las imágenes satelitales se consideró el valor promedio en ventanas de 3 x 3 píxeles en torno a la estación.

El segundo paso permitió determinar el área de validez de la relación, en torno a las 13 estaciones de superficie, obtenida en el paso anterior. Para ello, se obtuvo la relación lineal de temperatura entre el Píxel 1 y los 13 píxeles correspondientes a los sitios donde se localiza cada estación meteorológica de superficie (Tabla II). Los valores presentados en la tabla describen un ejemplo representativo del procedimiento. La relación lineal se calculó cuando el píxel tuvo al menos 5 observaciones. Esto ocurrió en todos los casos y permitió calcular el coeficiente de correlación (r). La mejor de las 13 correlaciones, con un r > 0,84 (valor utilizado por François y otros, 1999), determinó a qué píxel de estación de superficie (P_Ex, con 1 ≤ x ≤ 13) se asoció el píxel analizado (Píxel 1). En los casos en que las 13 correlaciones tuvieron un valor r ≤ 0,84, el píxel no fue asignado al píxel de ninguna estación. El procedimiento se repitió para los casi 125.000 píxeles de la región. Se obtuvieron 13 mapas, 1 por cada estación, de los cuales se muestran aquí 2 como ejemplo (Fig. 3 y Fig. 4). Una clasificación de estos 13 mapas condujo a un nuevo mapa (Fig. 5) que asoció la máxima correlación de cada píxel de la región con alguno de los 13 píxeles donde se localizan las estaciones de superficie y determinó las áreas de influencia de cada estación. De este modo se clasificó la región en un número de áreas igual al número de estaciones.

Tabla II: Temperaturas observadas en el píxel 1 y en el píxel correspondiente a cada una de las estaciones meteorológicas de superficie (P_E1 a P_E13). Píxeles con nubosidad están indicados como S/D (sin dato). El coeficiente de correlación r para el píxel 1 resultará del mejor de los 13 calculados.


Fig. 3: Mapa del coeficiente de correlación entre Tsup de cada píxel y Tsup del píxel donde se localiza la estación Balcarce (INTA). Todos los valores observados tuvieron un r > 0,3 razón por la que no se consideran los valores en el intervalo (0,3>r>-1,0)


Fig. 4: Mapa del coeficiente de correlación entre Tsup de cada píxel y Tsup del píxel donde se localiza la estación Coronel Suárez. Todos los valores observados tuvieron un r > 0,3 razón por la que no se consideran los valores en el intervalo (0,3>r>-1,0)


Fig. 5: Mapa de clasificación que determina el área de influencia de cada estación meteorológica (localizadas en los puntos con estrellas) a partir del análisis de Tsup. Las áreas que no pudieron ser asignadas a ninguna estación se las identifica con el número 0 (color negro).

Este proceso fue hecho únicamente con las temperaturas de las imágenes de satélite. Los mapas determinaron una relación entre Tsup de cada píxel de la región y Tsup en el píxel de una estación y, por lo tanto, una relación con la Tmin en abrigo meteorológico por lo ya realizado en el primer paso.

Un tercer y último paso consistió en extender la relación hallada entre Tsup de cada píxel (paso 2) a una relación entre Tmin de cada píxel para el área de influencia de cada estación (r > 0,84).

Esto fue posible mediante la suposición de que la relación lineal entre Tmin y Tsup determinada en el paso 1 (Tabla III) es válida para cualquier píxel dentro del área de influencia de cada estación determinada en el paso 2 e implica utilizar, dentro del área de influencia, los mismos coeficientes de la relación lineal anterior para determinar Tmin de cada píxel a nivel de abrigo a partir de su correspondiente Tsup de la imagen satelital. De este modo, la expresión final de Tmin para cada píxel dependerá, dentro de cada área de influencia de una estación meteorológica, de la Tmin observada en dicha estación y de los coeficientes obtenidos de las relaciones lineales en los tres pasos del desarrollo de la metodología propuesta por François y otros (1999).

Tabla III: Relación lineal entre Tmin diaria y Tsup para cada estación meteorológica estudiada en el período 2005-2008.

La aplicación de esta metodología permitió obtener mapas de temperatura mínima quincenal o mensual en base a los registros de estaciones de superficie entre 1961 y 2004. Estos mapas permitieron calcular el riesgo de heladas a nivel de abrigo meteorológico a escala de píxel.

4. RESULTADOS

4.1 Relación entre Tmin y Tsup en estaciones

La comparación entre Tmin y Tsup obtenida a partir de estaciones meteorológicas de superficie e imágenes NOAA, permitió obtener relaciones entre temperaturas para los 13 sitios donde se localizan las estaciones de superficie. La aplicación del filtro de nubosidad determinó que la cantidad de valores de Tsup fuera diferente para cada píxel. En particular, para los píxeles donde se localizan las estaciones meteorológicas de superficie, la cantidad de valores de Tsup disponibles varió entre 53 (39%) en Mar del Plata y 93 (69%) en PigÜ;é y Bordenave sobre el total de 134 posibles (uno por cada imagen). Estos porcentajes de píxeles empleados del total son similares a los porcentajes registrados por François y otros (1999) quienes obtuvieron valores entre 44 y 72 %.

El análisis de los coeficientes de determinación entre Tmin y Tsup muestra que en 10 de las 13 estaciones el valor de R2 fue mayor a 0,83 (Tabla III).

4.2 Mapa de clasificación

El segundo paso de la metodología aplicada permitió generar 13 mapas. A modo de ejemplo se muestra el obtenido para Balcarce (Fig. 3). El mapa, expresado en valores de coeficiente de correlación (r) por píxel, indica la relación entre Tsup de cada píxel de la región y Tsup del píxel en el cual se encuentra la estación meteorológica de Balcarce. En esta figura se observa que los valores de correlación más altos se localizan en torno a la estación y disminuyen, en general, con el aumento de la distancia a ella. Los valores más bajos se hallan en la región de las lagunas del oeste y noroeste del área de estudio (Fig. 2 y Fig. 3). Este patrón de Tsup descripto para Balcarce se repitió de manera similar para cada una de las demás estaciones, donde los valores más altos tienden a observarse en áreas aledañas a la estación. Como ejemplo se muestra lo que ocurre para la estación Coronel Suárez (Fig. 4). Este comportamiento es el esperado para una variable como Tsup que, en general, no muestra cambios espaciales abruptos en regiones como la estudiada. Sin embargo, la mayor diferencia se observa en la extensión que tienen las áreas con las más altas correlaciones. Estas áreas tienen mayor extensión en aquellas estaciones que tienen menor influencia marina. Lo expresado queda reflejado al comparar las áreas de influencia de Balcarce (Fig. 3) y Coronel Suárez (Fig. 4) y se repite como característica al considerar el resto de las estaciones en el área de estudio. Es conocido el efecto moderador que tiene el mar en los extremos observados en temperaturas. Por este mismo motivo también las zonas más próximas al mar, y las que reciben mayor influencia de él, son las que presentan un mayor gradiente espacial de cambio en las temperaturas que el que ocurre en una región sin la influencia marina y con mayor homogeneidad en cuanto al tipo de terreno circundante como el caso de Coronel Suárez.

Con los 13 mapas generados (uno por cada estación) se realizó una clasificación que dio origen a un nuevo mapa (Fig. 5). Este mapa se constituyó con el mejor coeficiente de correlación observado en cada píxel, seleccionando aquellos con r > 0,84. El nuevo mapa generado está integrado por un número de zonas igual al número de estaciones meteorológicas que componen este estudio. En aquellos píxeles en los cuales se observó un r = 0,84 para todas las estaciones, el píxel no fue asignado a ninguna estación y no fue utilizado en ningún procesamiento posterior.

El tamaño de las áreas del mapa de clasificación (Fig. 5), y el porcentaje total que cada una ocupa (Tabla IV), muestra que con esta clasificación la estación que tiene más influencia en la región es Barrow (INTA). En el otro extremo, la estación con menor área de influencia fue Mar del Plata, influencia que se extiende en dirección noroeste y alejándose de la costa. También se destaca, en el caso de Mar del Plata, que el tamaño del área de influencia es coherente con la posición costera de la estación y que se halla en un extremo de la región de estudio. Las zonas que no pudieron ser asignadas a ninguna estación ocupan el segundo lugar en tamaño (14,4% del área) y cubren principalmente todas las zonas costeras con el Océano Atlántico, las lagunas del oeste y noroeste de la región (La Sal, Epecuén, del Venado, del Monte, etc,) y los sistemas orográficos de Sierras de la Ventana y Sierras de Tandil (Fig. 2). En el último de los citados, aunque su altura no llega a ser muy importante, se extiende a lo largo de muchos kilómetros en dirección noroeste-sudeste.

Tabla IV: Área de influencia de cada estación a partir del mapa de clasificación obtenido en el paso 2 (Fig. 5).

Su presencia provoca, a lo largo de los partidos de Olavarría, Azul, Benito Juárez, Tandil y Balcarce, gran cantidad de pequeñas áreas aisladas donde el comportamiento de la Tsup no puede asociarse a ninguna Tsup de estaciones vecinas (r = 0,84). Esto genera en el mapa de clasificación una región con mayor heterogeneidad que en cualquier otra zona. Se concluye que el área total de zonas sin asignación exhibe un tamaño acorde a lo esperado por la naturaleza del comportamiento de las temperaturas mínimas en cuerpos de agua y áreas con relieve irregular.

En el mismo mapa (Fig. 5), se puede observar que en el oeste dominan las estaciones que tienen grandes áreas de influencia (Coronel Suárez, Bordenave y Bahía Blanca). Sin embargo, junto a ellas se localiza PigÜ;é con un comportamiento opuesto. Aquí es importante mencionar que cada píxel fue asociado a la estación con la cual tuvo el coeficiente de correlación más alto. De este modo, píxeles cercanos a la estación PigÜ;é, y que tuvieron una buena correlación con el píxel donde se localiza la estación (r > 0,84), alcanzaron una correlación aún mejor con las estaciones Coronel Suárez y Bordenave. Como resultado de esto, el área de influencia de la estación Pigué en el mapa de clasificación fue pequeña (Fig. 5) en comparación con las áreas de influencia de las estaciones más cercanas, Coronel Suárez y Bordenave (Tabla IV). Una de las razones que pudo contribuir a este resultado se asocia al relieve. Analizando un Modelo de Elevación Digital y las curvas de nivel en esa zona (datos no mostrados), las Sierras de la Ventana irrumpen de manera algo abrupta la homogeneidad de las alturas de la región (Fig. 2). Desde su punto más alto, el sistema orográfico disminuye su altura en dirección noroeste, primero a lo largo de la Sierra de Cura Malal para cambiar luego su orientación hacia el oeste, atravesando la Sierra de PigÜ;é, y terminar desapareciendo algunos kilómetros más adelante. En las proximidades de la zona donde el sistema cambia su dirección al oeste, se localiza la estación de PigÜ;é (304 m.s.n.m) que se recuesta sobre la débil pendiente con orientación al norte de la sierra homónima. La altura de la estación supera por más de 60 m a las más próximas, Coronel Suárez (234 m.s.n.m.) y Bordenave (212 m.s.n.m) que distan de PigÜ;é 45 y 62 km., respectivamente. Tanto Coronel Suárez como Bordenave se hallan en zonas donde la influencia del sistema orográfico de Ventania (pendiente del terreno y orientación de la misma) es mucho menor a la observada en PigÜ;é. Es de esperar que la mayor irregularidad y mayor altura del terreno en PigÜ;é conduzcan a que el área de influencia sea la menor entre las observadas en esa zona. Además, es posible suponer que una de las causas que pudo contribuir a esto sea también la distancia relativamente pequeña entre las tres estaciones. Presumiblemente, de haber existido mayor distancia entre ellas, el área de influencia de PigÜ;é podría haber resultado mayor.

4.3 Mapas de riesgo

En el último paso de la aplicación de la metodología propuesta por François y otros (1999) se obtuvieron los mapas de riesgo. En el presente trabajo se decidió calcular mapas riesgo para la segunda mitad del mes de octubre. Esta elección se hizo en función de la importancia que en dicho período del mes tienen las temperaturas extremas frías para el desarrollo del trigo en la región, el cual se halla para entonces en la fase de formación de espigas e inicio de la floración (Hugo Conti, comunicación personal). En dicha etapa, temperaturas de -1ºC marcan el umbral a partir del cual la planta puede sufrir daños (Snyder y de Melo-Abreu 2005).

Se calcularon dos tipos de mapas de riesgo para la segunda mitad de octubre. En el primero se tomó el valor mínimo absoluto observado en ese período del mes para cada estación meteorológica de la región entre 1961 y 2004. A partir de las relaciones lineales obtenidas en los dos pasos anteriores, se pudieron obtener valores mínimos extremos de temperatura a nivel de abrigo meteorológico a escala de píxel (1,09 km2) en el área de influencia de cada estación (Fig. 6).


Fig. 6: Mapa de temperatura mínima extrema absoluta a escala de píxel (1,09 km2) para la segunda mitad de octubre en base a datos del período 1961-2004. Las áreas en color negro (sin asignación) son aquellas en las cuales se obtuvo un r < 0,84 e indican las zonas que no se asocian a ninguna estación meteorológica de superficie.

El mapa resultante (Fig. 6) muestra que las zonas con mayor riesgo de tener los valores mínimos absolutos de temperatura en la segunda mitad de octubre son, en general, zonas alejadas del Océano Atlántico, hacia el centro y norte de la región (Tabla V). Sin embargo, se observa que casi no hay zonas que se encuentren libres del riesgo de ocurrencia de temperaturas mínimas absolutas inferiores a 0°C.

Tabla V: Partidos de la provincia de Buenos Aires y Río Negro en la región de estudio. Los números corresponden a los que se encuentran en los mapas de las figuras 5 y 6.

Un segundo mapa fue obtenido a partir de las temperaturas mínimas extremas de cada año (1961-2004) en cada una de las 13 estaciones para la segunda mitad del mes de octubre. Cada una de esas temperaturas fue utilizada para obtener los valores de temperaturas mínimas extremas de cada año a nivel de abrigo meteorológico, a escala de píxel, en el área de influencia de cada estación (Fig. 5). El promedio obtenido en cada píxel dio origen a un mapa de temperaturas mínimas extremas promedio para la segunda mitad de octubre (Fig. 7). En este mapa la región más fría se encontró ubicada principalmente hacia el centro-norte de la región, aunque con algunas diferencias con respecto al mapa de la Fig. 6.


Fig. 7: Mapa de temperatura mínima extrema promedio a escala de píxel (1,09 km2) para la segunda mitad de octubre en base a datos del período 1961-2004.

Las temperaturas mínimas extremas medias inferiores a -1ºC abarcan el 9,0% del área total y el 10,4% si se excluyen las zonas que no tuvieron asociación con ninguna estación de superficie (Tabla VI).

Tabla VI: Número de píxeles y temperaturas mínimas extremas promedio para la segunda mitad de octubre en base al período 1961-2004. La categoría "Sin asignación" corresponde a los píxeles para los cuales, hallándose dentro de la región, no se encontró asociación con ninguna estación de superficie.

Si se considera que la planta de trigo se encuentra a una altura inferior a la altura del abrigo meteorológico y que durante las noches en las que ocurren las heladas puede observarse una diferencia de temperatura entre la planta y la medición en abrigo no inferior a 1ºC (más frío a nivel de la planta), se puede considerar que el umbral de 0ºC en abrigo sería el umbral a partir del cual la planta podría sufrir daños. Así, el área con temperaturas mínimas extremas promedio inferiores a 0ºC cubre el 44,3% de la región (Tabla VI). La generación de mapas de riesgo en períodos más cortos a un mes fue una observación ya planteada por François y otros (1999).

5. CONCLUSIONES

En este trabajo se calcularon mapas de riesgo para temperaturas extremas frías para el sur de la provincia de Buenos Aires utilizando la metodología propuesta por François y otros (1999). Se construyeron funciones espaciales derivadas de la relación observada entre las temperaturas mínimas de estaciones meteorológicas y las temperaturas de superficie. Estas últimas fueron obtenidas a partir de imágenes de satélite en horarios previos y cercanos a la salida del sol. Los mapas de riesgo, en este caso en particular, fueron calculados para el trigo para la segunda mitad del mes de octubre. Esta elección obedeció a la importancia que tiene el cultivo en la región y por ser dicho período el más sensible en relación a su estado fenológico. El primer mapa determinó la temperatura mínima extrema absoluta y el segundo mapa determinó la temperatura mínima extrema promedio, ambos a escala de píxel (1,09 km2) en base a datos del período 1961-2004. En los dos mapas la mayor parte de los píxeles (85,6 % del total) pudieron ser relacionados a la temperatura mínima de una estación meteorológica del área con un buen grado de asociación medido a través del coeficiente de correlación (r > 0,84). A partir de este análisis se pudo concluir que el área con temperaturas mínimas extremas promedio que pueden ser perjudiciales para el cultivo de trigo (T < 0ºC en abrigo meteorológico) es importante ya que cubre el 44,3% de la región.

Estos mapas pueden ser utilizados tanto por el sector público como privado para una correcta planificación y manejo de fechas de implantación y el uso de variedades de trigo menos susceptibles en áreas con mayor riesgo. El empleo de esta metodología resulta de gran utilidad para ser aplicada, tanto al trigo como a otros cultivos o frutales, sea que se elija esta misma región o cualquier otra que se considere de interés.

REFERENCIAS

1. Caselles, V., Sobrino, J. y Melia, J., 1988. Fundamentos físicos de la medida de la tempertura de la superficie del suelo por teledetección. Revista Española de Física, 2, 3: 42-46.         [ Links ]

2. Coll, C. y Caselles, V., 1997. A split-window algorithm for land surface temperature from advanced very high resolution radiometer data: Validation and algorithm comparision. Journal of Geophysical Research, 102, 16697-16713.         [ Links ]

3. De Ruyver, R., Oricchio, P. y Di Bella, C., 2006. Estudio de las heladas invernales de 2005 en Argentina a partir de imágenes NOAA. Congreso Argentino de Agrometeorología. La Plata, Bs. As., Argentina.         [ Links ]

4. Di Bella, C., Oricchio P., Conti, H. y Rebella, C., 1997. Utilización de imágenes satelitales para la zonificación de heladas en la provincia de Entre Ríos, Argentina. Revista Brasilera de Agrometeorología, 5, 2: 269-274.         [ Links ]

5. François, C, Bosseno, R., Vacher, J.J. y Seguin, B., 1999. Frost risk mapping derived from satellilte and surface data over the Bolivian Altiplano. Agricultural and Forest Meteorology, 95, 113-137.         [ Links ]

6. MAGYP. 2011. Series y Estadísticas. Agricultura. Producción Agrícola. Estimaciones Agrícolas 2007. (14 de marzo de 2011; http:www.siia.gov.ar)        [ Links ]

7. Parra, J., Sobrino, J. y Morales, L., 2006. Aplicación de un algoritmo de split-window para la estimación de la temperatura de la superficie terrestre desde datos AVHRR-NOAA. Agric. Tec. 66, 4: 385-392.         [ Links ]

8. Saunders, R. y Kriebel, K., 1988. An improved method for detecting clear sky and cloudy radiances from AVHRR data. Int. J. Remote Sensing,. 9, 1: 123-150.         [ Links ]

9. Snyder, R. y de Melo-Abreu, J.P., 2005. Frost protection: fundamentals, practice, and economics. Environment and Natural Resources Series 10. Food and Agriculture Organization of the United Nations (FAO). Rome. 1, 223.         [ Links ]

10. Sobrino, J., Caselles, V. y Coll, C., 1993. Theoretical split window algorithms for determining the actual surface temperature. II Nuovo Cim. 16, 219-236.         [ Links ]