Introducción
Si bien el mundo tiene la capacidad de producción de alimentos suficientes para toda la población, el hambre y la malnutrición, ya sea por exceso o por déficit, constituyen los problemas más importantes que afronta la humanidad (Knight, 2011). En este contexto, la definición de seguridad alimentaria y nutricional (SAN) ha evolucionado durante las últimas décadas y surge como un derecho humano a la alimentación adecuada (Bianchi & Szpak, 2016). La SAN existe cuando todas las personas, en todo momento, tienen acceso físico, social y económico a alimentos suficientes, inocuos y nutritivos para satisfacer sus necesidades y preferencias alimenticias para una vida activa y saludable (Traoré et al., 2012). La expresión SAN representa, de manera integral, la problemática alimentaria y nutricional, debido a que involucra todos los aspectos y actores que forman parte de los sistemas alimentarios; es por ello que su análisis se hace con base en sus cuatro dimensiones que la determinan: disponibilidad, accesibilidad, estabilidad y utilización biológica de los alimentos.
Por el contrario, la inseguridad alimentaria (IAN) se manifiesta de dos maneras: por exceso (sobrepeso, obesidad y enfermedades asociadas) o deficiencia (desnutrición, déficit de micronutrientes). Más aún, en una ciudad, una familia o una persona pueden reflejar ambas formas de IAN (Ashe & Sonnino, 2013; Popkin & Gordon-Larsen, 2004).
En Argentina, como en muchos países de Latinoamérica, la disponibilidad de alimentos excede los requerimientos nutricionales de la población (Smith et al., 2017). Sin embargo, la situación epidemiológica nutricional actual refleja la carencia de SAN en la población; presenta, en los sectores sociales más vulnerables, una alta prevalencia de desnutrición y de sobrepeso (Britos, 2008; Linetzky et al., 2011). La desnutrición persistente tiene consecuencias a largo plazo y limita el desarrollo potencial de una sociedad, con costos en términos sanitarios y humanos (Elgart et al., 2010; Traoré et al., 2012).
En este escenario, en donde el entorno que habitan las personas juega un rol importante en la distribución y frecuencia de las enfermedades, las tecnologías geoespaciales podrían contribuir al análisis de la SAN de las comunidades.
Marco teorico
Tradicionalmente, la aplicación de tecnologías geoespaciales para el estudio de la SAN se ha orientado a abordar cuestiones tendientes a la dimensión de disponibilidad (y vinculada a la estabilidad) de la SAN, particularmente relacionadas con la producción de alimentos y, por ende, centradas en la agricultura. En el pasado, el sensor Advanced Very High Resolution Radiometer (AVHRR) del satélite de National Oceanic and Atmospheric Administration (NOAA) se ha utilizado en la planificación agrícola, la previsión y el monitoreo de la sequía y la estimación de rendimientos. Asimismo, Justice y colaboradores en 1985 (Justice et al., 1985), utilizaron el Normalized Difference Vegetation Index (NDVI) para evaluar los cambios fenológicos en la vegetación, ocurridos durante las estaciones tanto a nivel global como subcontinental (África, América del Sur y Asia Oriental). Más aún, en un contexto de cambio climático, históricamente las sequías han sido imputadas como la causa principal de las emergencias alimentarias. En esta línea (Helldén & Eklundh, 1988; Johnson et al., 1993), se utilizan datos de NDVI de NOAA y precipitación para evaluar el impacto de la sequía sobre la producción agrícola en África. Más recientemente, el trabajo de Kogan (Kogan et al., 2015), hace uso de las nuevas características del sensor Visible Infrared Imaging Radiometer Suite (VIIRS) mejorando la detección temprana de sequías, monitoreando la intensidad, duración, área, origen e impactos; intentando así estimar y predecir la escasez de alimentos. Cabe destacar que este conjunto de radiómetros de imágenes visibles e infrarrojas es particularmente útil, ya que cuenta con el potencial de generar imágenes de 22 bandas incluyendo día/noche y un canal visible diseñado para obtener imágenes de la tierra y atmósfera en todas las condiciones, ya sea con iluminación solar, lunar o externa insignificante (Lee et al., 2006).
Referido también a la misma dimensión de disponibilidad y, particularmente relacionado con la agricultura urbana, Kemelin (Kemeling, 2001) utilizó una serie temporal de imágenes de alta resolución (obtenidas del satélite IKONOS) para el estudio de la dinámica de la agricultura urbana en Ouagadougou y Burkina Faso. En adición, Chen (Chen, 2007) utilizó imágenes de Landsat para describir el impacto del proceso de urbanización en China y sus consecuencias sobre las áreas destinadas al cultivo de alimentos. Más aún, con base en el surgimiento del satélite Sentinel 2, cuya misión facilitó información útil para las prácticas agrícolas y forestales y para gestionar la seguridad alimentaria, con mejoras en la resolución (10-20 m) y la revisita (5 días) (Sepulcre Canto et al., 2014); Valero y colaboradores (Valero et al., 2015) desarrollaron un sistema de clasificación supervisada con el objetivo de construir un mapeo dinámico de áreas cultivadas.
Por último y con un enfoque más operativo, la Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) ha utilizado datos de teledetección satelital de baja resolución para monitorear el desarrollo de la vegetación y las lluvias en grandes áreas casi en tiempo real a través del proyecto ARTEMIS (Hielkema & Snijders, 1994). En este sentido, el Global Information and Early Warning System on Food and Agriculture (GIEWS) de la FAO sobre alimentación y agricultura (http:// www.fao.org/giews/background/en/) es uno de los principales usuarios de los datos de ARTEMIS. Este monitorea el suministro y demanda de alimentos para todos los países del mundo, de forma continua, y proporciona alertas de escasez inminente de alimentos, sequías y hambre a nivel nacional o subregional. En particular, GIEWS utiliza fuertemente las imágenes satelitales de coberturas de nubes, NDVI y condiciones de cultivos (Minamiguchi, 2005).
De acuerdo con lo anteriormente dicho, el aporte de las tecnologías geoespaciales al estudio de la disponibilidad (y estabilidad) alimentaria es sólido e histórico. No obstante, las dimensiones de la SAN más vulnerables, y menos abordadas, son el acceso y la utilización biológica de los alimentos; más aún en países de medianos y bajos ingresos en donde la SAN se vincula a la estratificación socioeconómica y las necesidades básicas insatisfechas (NBI) (Salvia et al., 2012; FAO, 2016).
Vinculado a estas últimas dimensiones mencionadas, es pertinente destacar que la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) diseñó el Sistema de alerta temprana contra la hambruna, en 1986, para proporcionar información sobre la seguridad alimentaria de las comunidades en regiones semiáridas. Este usa datos de vegetación obtenidos de AVHRR/NOAA, MODIS y Satellite Pour l'Observation de la Terre (SPOT), además de la precipitación. Con estos datos se construyen modelos agrometeorológicos para evaluar el estado de los cultivos (Brown, 2008). Este sistema no solo aborda la disponibilidad de alimentos, sino que los datos ambientales provistos por teledetección se analizan junto con los datos socioeconómicos (medios de subsistencia, comercio y mercado) para determinar el impacto de estas variables sobre la SAN.
Asimismo, López Carr y colaboradores (López-Carr et al., 2015) estudiaron la relación entre la malnutrición infantil y el cambio climático. En esa contribución mostraron que la vulnerabilidad general al retraso en el crecimiento del niño es mayor en las áreas que experimentan un aumento en la precipitación junto con un cambio negativo en el índice de vegetación. En esta dirección, Johnson y colaboradores (Johnson et al, 2013) utilizaron MODIS para estudiar cómo el bosque nativo influye en la utilización biológica. Los bosques desempeñan un importante papel de aprovisionamiento, específicamente en términos de disponibilidad y calidad del agua. Sus resultados demuestran una asociación entre la cobertura forestal y disminución en la prevalencia de diarrea infantil.
Más aún, y en adición al estudio de las últimas dimensiones mencionadas, un claro ejemplo de geomática en aplicaciones específicas sobre pobreza y vulnerabilidad socioeconómica es la utilización de redes neuronales convolucionales y sensado remoto en el que las intensidades de luz nocturna se utilizan como un proxy, a partir de imágenes diurnas, aprendiendo simultáneamente características útiles para la predicción de la pobreza (Xie et al., 2016). Esta breve revisión sobre el uso de sensores remotos aplicados a la seguridad alimentaria deja en evidencia que gran parte de las experiencias previas apuntan a utilizar la información satelital para abordar la producción agrícola, como principal determinante de la disponibilidad de alimentos. Recientemente y en menor medida, algunas experiencias muestran el potencial de estas herramientas para estudiar otros factores que influyen en el acceso a los alimentos y la utilización biológica (Johnson et al., 2013; López-Carr et al., 2015). En este marco, el objetivo principal de este estudio es explorar el papel de la teledetección y las herramientas geoespaciales para estudiar los factores que influyen en la SAN (y particularmente en sus dimensiones de accesibilidad y utilización biológica) en un marco multidimensional. Con estos fines y a modo de ejemplo, se abordará lo propuesto evaluando aspectos de la SAN en la ciudad de Córdoba, un área urbana con más de 1,5 millones de habitantes en la parte central de Argentina.
Metodología
Se tomó como área de estudio la Ciudad de Córdoba, capital de la provincia de Córdoba, Argentina. Considerando que las prevalencias de malnutrición son la manifestación de la IAN, se obtuvieron datos epidemiológicos del año 2013 (de prevalencia de obesidad y sobrepeso y desnutrición) provenientes de 23 centros de atención primaria de la ciudad. La distribución espacial de estos mismos se presenta en las Figuras 1y2. Para cada centro de salud se calculó un área de interés con un radio de 1000 m, a fin de explorar las condiciones ambientales en su entorno.
Para identificar las características de barrios socialmente vulnerables, se realizó una clasificación no supervisada utilizando las características espaciales y espectrales de una imagen multiespectral SPOT 5. Esta imagen (con fecha de adquisición en enero de 2013 y proporcionada por la Comisión Nacional de Actividades Espaciales - CONAE-) posee una resolución de 10 metros con cuatro bandas espectrales en verde (0,50 0,59 μm), rojo (0,61 0,68 μm), infrarrojo cercano (0,78 0,89 μm) e infrarrojo medio (1,58 - 1,75 μm).
Estrato social
En primera instancia, se abordó el estudio del estrato social, utilizado para describir aspectos sociales y el acceso económico a los alimentos (dimensión accesibilidad y utilización biológica de la SAN). Para ello, se analizaron en detalle las características del patrón espacial de dos barrios con características socioeconómicas y edilicias muy diferentes que se encuentran uno al lado del otro (Ver Figura 3): Villa Urquiza (estrato social medio bajo) y Urca-Ampliación Urca (clase social alta).
De acuerdo con los atributos de la imagen SPOT 5 mencionada, se calcularon las características de textura en base al uso de niveles de grises de la matriz de coocurrencia (GLCM) (rango, media, varianza, entropía y sesgo) aplicadas a la banda verde (se obtienen resultados similares si la textura se calcula a partir de las otras bandas) (Hall-Beyer, 2017). Para conservar la alta resolución espacial de la imagen, se aplicó una ventana de procesamiento pequeña (5 x 5 píxeles). Este subconjunto de características, basado en una estadística de coocurrencia entre píxeles, representa una herramienta ''fácil de usar'' para extraer información sobre la estructura urbana que, como se podrá observar, está fuertemente relacionada con los estratos socioeconómicos. Posteriormente, las capas de textura se apilaron a las cuatro bandas imagen original, y sobre esta imagen de ahora 9 bandas se realizó una clasificación no supervisada (30 clases) con el algoritmo K-means (Peña Zamalloa, 2021). De hecho, no es posible desarrollar una estrategia supervisada cuando se busca clasificar una imagen donde ahora un píxel no representa una simple cobertura sino una estructura espacial. Finalmente se examinó el porcentaje de cada clase presente en cada vecindario y de esta manera su potencial de discriminación.
Modelado de la desnutrición y obesidad
En segunda instancia, se exploró la existencia de relaciones estadísticamente significativas entre la prevalencia de desnutrición, obesidad y sobrepeso y las variables geoespaciales obtenidas de la imagen.
Específicamente, además de la clasificación descrita en la sección anterior, se incluyeron variables ambientales como NDVI, el índice de suelos normalizado (NSI) y la distancia a los cuerpos de agua y a los cultivos.
Tomando la prevalencia de desnutrición y la obesidad (variables respuesta) y las variables de paisaje propuestas anteriormente (porcentaje de cada clase alrededor del centro de salud y el valor medio de NDVI, NSI, distancia al agua y distancia a los cultivos) como predictores, se realizó una regresión lineal múltiple. La adopción de esta metodología está basada en experiencias previas de trabajos que relacionen variables derivadas de satélite con aspectos vinculados a la salud/epidemiología (Andreo et al., 2009; Jerrett et al., 2010; Ra et al., 2012; Rotela et al, 2011).
Con el propósito de realizar un modelado sólido, se verificó la distribución (normalidad) de cada variable, así como las relaciones bivariadas entre ellas; cumpliendo de esta manera con el supuesto de la parsimonia en la ejecución del modelo final. Para el modelo multivariado resultante, se seleccionaron las clases más presentes en la ciudad, las que mostraron mejor correlación univariada y aquellas con mayor capacidad de discriminación entre los estratos sociales. Finalmente, según el modelo estadístico obtenido, se construyó un modelo espacial continuo de desnutrición y obesidad para el área de estudio en cuestión.
Para abordar el problema de la estabilidad del modelo, se consideró entrenar y encontrar el modelo N-1 repetidamente utilizando todos los N puntos de entrenamiento menos uno, y se examinó la variabilidad de los coeficientes del modelo. Así, si los modelos poseen los mismos coeficientes, se afirma que el modelo es estable. Asimismo, se valoraron los supuestos de normalidad de los residuos, independencia, homocedasticidad y colinealidad dentro del modelo propuesto a fines de dar validez al modelo.
Análisis y resultados
Discriminación de barrios según estrato social
Los resultados de la clasificación no supervisada de la imagen (incluidas las características de textura y las bandas originales) se presentan en la Figura 4. Esta muestra como las clases obtenidas pueden resaltar las diferencias entre los dos barrios. En la Tabla 1, se incluye el porcentaje de cada clase (solo para aquellas que mostraron diferencia significativa -p<0,05entre los dos barrios). En Villa Urquiza (estratos sociales inferiores) hay un mayor porcentaje de clases 16, 21, 25 y 30. Mientras que las clases 27, 28, 29 y 30 son más frecuentes en Urca y Ampliación Urca (estratos sociales altos).
De la observación de la Figura 4 y la Tabla 1, queda en evidencia que la clasificación de la imagen satelital realizada (incluyendo texturas) puede convertirse en una herramienta de discriminación útil; en este sentido ambas muestran la diferencia en el patrón espectral-espacial de los barrios en cuestión. En términos del paisaje urbano, la clase 25 está relacionada con áreas de suelo desnudo; por su parte la clase 28 está asociada principalmente a vegetación como árboles y arbustos en áreas residenciales a lo largo del río, mientras que la clase 30 está relacionada con calles pavimentadas. Las clases 27 y 29 identifican principalmente bordes y, por lo tanto, están relacionadas con la distribución espacial y la gestión del área residencial, mientras que las clases 16 y 21 están asociadas con interfaces desordenadas entre casas y calles.
Análisis multivariado
Siguiendo la metodología descrita brevemente en la sección anterior, se desarrollaron dos modelos de regresión múltiple, considerando como variables independientes la desnutrición aguda en un caso y la obesidad y el sobrepeso en el otro. En ellos se utilizaron como variables explicativas la media alrededor de un buffer centrado en cada centro de salud de la distancia al agua, cultivos, NDVI, NSI, además del porcentaje de cada clase.
Para el caso de la desnutrición, las variables significativas (p<0,05) encontradas fueron: distancia de cultivo, las clases: 1, 2, 12, 13 y NSI. El modelo obtenido está representado por:
Clase | Urca Ampliación Urca | Villa Urquiza |
---|---|---|
16 | 1.2 % | 11.3 % |
21 | 3.7 % | 14.3 % |
25 | 14.9 % | 25.8 % |
27 | 28.3 % | 17.7 % |
28 | 14.8 % | 3.3 % |
29 | 6.7 % | 2.2 % |
30 | 21.1 % | 4.6 % |
Fuente: Elaboración propia.
Este modelo produjo un valor de R2 ajustado de 0,70 y un valor de p de 0,00198. Esta asociación es moderada y estadísticamente significativa. Siguiendo el procedimiento de interpretación estándar, es posible decir que aproximadamente tres cuartas partes de la variabilidad de la desnutrición podrían explicarse por las variables geoespaciales de sensores remotos mencionadas. En este modelo aparecen las clases 1 y 2 relacionadas con suelo desnudo en áreas agrícolas y las clases 12 y 13 asociadas a las fronteras entre diferentes texturas en áreas agrícolas. De acuerdo con este modelo, la prevalencia de desnutrición aumenta en áreas cercanas a los cultivos, en áreas con mayor presencia de NSI.
Por otro lado, en el caso de obesidad y sobrepeso, las variables significativas fueron: distancia de cuerpos de agua, las clases:
15, 16, 25, 30 y NSI y la siguiente ecuación representa el modelo:
En este modelo aparece la clase 15 asociada a las fronteras entre vegetación y otras cubiertas de suelo como agua, construcciones urbanas o suelo desnudo. El modelo sugiere que las prevalencias de sobrepeso y obesidad aumentan en las zonas urbanas con alto NSI. La variable NSI tiene más influencia que la abundancia de clases y la distancia a cuerpos de agua. Este modelo produce un R2 ajustado de 0,64 y un valor de p de 0,00054. Esta asociación es moderada y estadísticamente significativa. En este caso, se encuentra un modelo con la capacidad de explicar el 64 % de la variabilidad de los datos de obesidad y sobrepeso utilizando las variables geoespaciales distancia de cuerpos de agua, NSI, y las clases 15, 16, 25 y 30.
Los modelos estadísticos obtenidos se aplicaron al área total, para así obtener mapas continuos de desnutrición y obesidad y sobrepeso para toda la ciudad. Estos productos se presentan en las Figuras 5 y 6.
Conclusiones
Tal como se describió anteriormente, las contribuciones de las tecnologías geoespaciales en estudios de la seguridad alimentaria poseen un énfasis en variables ambientales que influyen principalmente en la disponibilidad de alimentos, y muy poco se relacionan con la utilización biológica y el acceso a los alimentos. Así, el objetivo de este estudio fue, además de presentar aquella revisión, explorar la capacidad de herramientas geoespaciales para estudiar algunos otros factores que influyen en la seguridad alimentaria nutricional en las zonas urbanas de América Latina, tomando como caso la ciudad de Córdoba, Argentina.
Está claro el carácter regional de esta cuestión, en el sentido de que los determinantes de la SAN en África no son necesariamente los mismos que en países de América del Sur. Entonces, el posible rol o contribución de sensores remotos podría ser muy diferente en una región u otra del planeta. De esta manera, el presente trabajo es pionero en el enfoque interdisciplinario para aprovechar las herramientas de teledetección y las tecnologías geoespaciales, en nuestra región, aplicadas a la SAN. Hay una gran experiencia regional en aplicaciones espaciales en áreas ambientales (calidad de agua, forestación, incendios, etc.) (Arganaraz et al., 2018; da Costa Almeida et al., 2009; Ribeiro et al., 2008; Sousa et al., 2013), y en particular a la salud humana (epidemiología panorámica), en enfermedades transmitidas por vectores como chagas, leishmaniasis y dengue (Andreo et al., 2014; Arboleda & Peterson, 2009; Espinosa et al., 2016; Parra-Henao, 2010; Polop et al., 2008; Porcasi et al., 2006; Salomón et al., 2006), pero esta contribución es un esfuerzo para iniciar el camino en el campo de la seguridad alimentaria.
Los resultados preliminares obtenidos muestran que el método propuesto puede discriminar áreas socialmente diferentes (por lo tanto, menos o más vulnerables), relacionadas con el SAN. El análisis de texturas, en combinación con métodos de clasificación automática, permiten obtener un mapeo de coberturas en áreas urbanas (Puissant et al., 2005), de una manera simple y accesible. Además, a partir de los resultados presentados, se puede observar que la prevalencia de la desnutrición y el sobrepeso-obesidad están asociados a las variables de paisaje incluidas en este estudio. Los modelos pueden explicar aproximadamente el 60-70 % de la variabilidad espacial de las variables nutricionales examinadas, y se han verificado asociaciones entre estos datos de prevalencia con los estratos sociales (representados por clases) y las variables ambientales. Además, el mapa continuo de desnutrición generado (Figura 5) puede representar, en una forma aceptable, el patrón espacial observado por los datos de campo discretos (Figura 1). En el caso del mapa sobrepeso-obesidad (Figura 6), tiene más problemas para representar el patrón más complejo de los datos reales presentados en la Figura 2 (de hecho, este modelo tiene también un R2 menor).
Adicionalmente, se estimó la estabilidad y validez del modelo (solo para el caso de desnutrición) utilizando múltiples conjuntos de datos para la regresión. Se evidenció que los coeficientes cambian en menos de 0,5 % alrededor de la media, y la capacidad predictiva, cuantificada mediante el error medio cuadrático medio, fue de aproximadamente el 15 %. De acuerdo con estos resultados, podemos decir que el modelo es muy estable y el rendimiento es razonable, pero puede no ser suficiente para algunas aplicaciones. Para mejorar el modelo, ya que aquí se utilizó una regresión lineal, se podrían explorar otros enfoques como por ejemplo, un análisis de regresión logística o análisis discriminante, pensando en los datos como categóricos.
En los últimos tiempos han crecido las investigaciones que relacionan las características ambientales de los vecindarios y la salud, especialmente referidas a los patrones urbanos y el comportamiento alimentario y la actividad física (Charreire et al., 2014). Así, se han estudiado características como la urbanización, la transitabilidad, las actividades sociales y la seguridad de los peatones, y se ha demostrado su asociación con las características específicas del vecindario y la incidencia en enfermedades cardiovasculares (Pereira et al., 2012; Villeneuve et al., 2011). De acuerdo con esto, el modelo obtenido en este trabajo sugiere que la urbanización sería un determinante importante de la prevalencia de sobrepeso y obesidad. Por el contrario, la prevalencia de la desnutrición obtenidos aquí aparece como mayor en los barrios periféricos de estrato social bajo.
Aunque los estudios mencionados anteriormente resaltan las contribuciones de tecnologías innovadoras en epidemiología nutricional, el conocimiento de su efectividad es aún limitado (Defagó et al., 2009; Illner et al., 2012). Destaca que, de acuerdo con la bibliografía disponible, la investigación presentada en este trabajo es el primer estudio en América Latina que utiliza tecnologías de teledetección para abordar la SAN con un enfoque multidimensional. Los resultados de este trabajo mostraron un gran potencial de estas tecnologías en el campo de la SAN. Sin embargo, es necesario refinar aún más la implementación actual y validar el método para identificar áreas socialmente vulnerables. Además, se podrían incluir otras herramientas más relacionadas con el campo del análisis espacial para encontrar relaciones y patrones espaciales que generen información complementaria sobre los determinantes ambientales de la prevalencia de estas cuestiones en la población.
Agradecimientos
Queremos agradecer y homenajear a la primera autora de este trabajo, la Mgter. Eliana Marina Álvarez Di Fino, por su contribución al manuscrito y al área en cuestión. La recordaremos siempre con mucho cariño y respeto.
Queremos agradecer también al director del Instituto de Altos Estudios Espaciales ''Mario Gulich'' (Comisión Nacional de Actividades Espaciales-Universidad Nacional de Córdoba), el Dr. Marcelo Scavuzzo, por el apoyo institucional y acompañamiento brindado al equipo.
Declaración de contribuciones de los autores
Todos los autores declaran que la versión final de este manuscrito fue leída y aprobada.
El porcentaje total de contribución para la conceptualización, preparación y corrección de este manuscrito fue de la siguiente manera: E.A.D. 20 %., M.D.D. 20 %., M.N.C. 20 %., C.M.S. 20 %., C.M.S. 20 %.