Este documento describe un seguro ganadero basado en índices (IBLI) que cubre la mortalidad del ganado debido a sequías prolongadas. Explica cómo el índice se calcula utilizando percepción remota para predecir la mortalidad del ganado según la disponibilidad de pasto. También resume los impactos positivos de IBLI y las preguntas de investigación sobre las tendencias de las condiciones de los pastizales antes y después de la implementación de IBLI. Finalmente, describe el trabajo de un equipo internacional para mejorar la medición y evaluación de la

1. Seguro ganadero basado en índices:
Innovaciones en medición y evaluación de la
salud de sistemas pastoriles
Dr. Gerardo E. Soto gerardo.soto@uach.cl
Foto: Kailash Kumar

2. Las áreas de pastoreo
representan el 43% del
área de África
Foto: Fernando Quevedo

3. El riesgo del cambio climático: Sequías prolongadas

4. IBLI: Index Based Livestock Insurance
Seguro ganadero basado en índices
El riesgo: Mortalidad del ganado
El índice: Mortalidad predecida del ganado calculada a través de la disponibilidad
de pasto usando percepción remota (NDVI)
cursosteledeteccion.com

5. IBLI: Seguro ganadero basado en índices

6. IBLI: Seguro ganadero basado en índices

7. Impactos de IBLI
● 35% de reducción en la probabilidad de ventas de angustia
● 25% de reducción en la probabilidad de reducir comidas

8. Preguntas de
investigación
1) ¿Cuáles son las tendencias anteriores y posteriores a IBLI en las
condiciones de los pastizales dentro de nuestras áreas de
estudio?
2) ¿Son los cambios observados en la línea de base indicativos de
mejora o disminución de las condiciones de los pastizales?

9. Sobrepastoreo

10. Salud de sistemas pastoriles

11. Zona de estudio

12. SIIUs: Unidades espaciales de aseguración IBLI
SIIUs
Áreas de control
sin aseguración

13. Variación intra-anual
Temporadas:
● Largo húmedo
● Largo seco
● Corto húmedo
● Corto seco
0°

14. Variación intra-anual
Temporadas:
● Largo húmedo
● Largo seco
● Corto húmedo
● Corto seco

15. Variación inter-anual

16. La complejidad de la degradación de los
ecosistemas requiere el análisis en múltiples
escalas temporales y espaciales
(Dubovyk
2017)

17. Los dos extremos
del espectro
espacio-temporal
GOES-East:
Una imagen cada 10 min
WorldView-2:
Distancia muestreo en tierra 30 cm

18. Constelación Landsat: El tesoro de la Obs. Terr.
nasa
3 Sensores (30m)

19. Imágenes de alta resolución
- >5400 Escenas
- 4 Sensores
- Total de área cubierta: >7M km2
(~50% sobreposición)
- ~16 Tb
GeoEye - 1 WorldView - 1 WorldView - 2 WorldView - 3
Panchromatic
(~46 cm)
Panchromatic
(~46 cm)
Panchromatic
(~31 cm)
Multispectral
(~41 cm)
Multispectral
(~184 cm)
Multispectral
(~124 cm)
SWIR
(~370 cm)

20. Imágenes de alta resolución
- >5400 Escenas
- 4 Sensores
- Total de área cubierta: >7M km2
(~50% sobreposición)
- ~16 Tb
GeoEye - 1 WorldView - 1 WorldView - 2 WorldView - 3
Panchromatic
(~46 cm)
Panchromatic
(~46 cm)
Panchromatic
(~31 cm)
Multispectral
(~41 cm)
Multispectral
(~184 cm)
Multispectral
(~124 cm)
SWIR
(~370 cm)

21. Ahora cómo usarlas juntas?
Landsat Alta resolución

22. Índices propuestos de salud de los sistemas pastoriles
Walker et al., 2020, GCB
● Traducir las mediciones de campo bien establecidas de
la degradación de la tierra en los pastizales al espacio
de la teledetección o percepción remota
Adopted and condensed from Pellant et al., 2018
Peigi Yang

23. Índices propuestos de salud de los sistemas pastoriles
Walker et al., 2020, GCB
● Traducir las mediciones de campo bien establecidas de
la degradación de la tierra en los pastizales al espacio
de la teledetección o percepción remota
Adopted and condensed from Pellant et al., 2018
Peigi Yang

24. Walker et al., 2020, GCB
Clases vegetacionales
- Árboles
- Arbustos
- Pasto
- Suelo desnudo
- Cultivos
- Agua
- Superficie
construida
Tipos vegetacionales
(Liao, Clark, & DeGloria 2018)
Tarea 1: Clasificación Landsat de clases vegetacionales

25. Clasificación de los tipos vegetacionales usando
imágenes de alta resolución

26. Árboles
Arbustos
Pasto
Suelo desnudo
Clasificación de los tipos vegetacionales usando
imágenes de alta resolución

27. 27
Walker et al., 2020, GCB
Sparse Shrubland (SS):
Arbustos < 50% AND
(Suelo desnudo < 90% OR
Pasto < 10% OR
Árboles < 10%)
Arbusto
Suelo desnudo
Radio de 30m
Suelo desnudo = 85%
Arbustos = 15%
Pasto = 8%
…....
Pasto
Árbol
Generar puntos para entrenamiento del clasificador
Radio 30m
Tarea 1: Clasificación Landsat de clases vegetacionales

28. Walker et al., 2020, GCB
Clasificación Landsat de clases vegetacionales
Cambio en la composición vegetacional de la
temporada corta entre 2013 y 2018
SV - Sparse
vegetation
SS - Sparse
scrubland
DS - Dense
scrubland
CCW - Closed
canopy woodland
Tarea 1: Conocer dónde y qué es pastoreable

29. Clasificación Landsat
El valor de las imágenes de alta resolución:
- Puntos verdad-terreno: 1419
- Puntos generados por algoritmo: 69600 Algoritmo
Verdad-terreno

30. Short-Rain season
November 2013
Short-Rain season
November 2018
Reference base map
Sparse vegetation
Sparse scrubland
Dense scrubland
Closed canopy woodland
CCW loss
DS to SS
Cambio en la composición
vegetacional de la temporada corta
entre 2013 y 2018

31. Estimación de los endmembers (extremos):
Señal espectral 1
Endmember A
Endmember B
Mezcla: ½ A + ½ B (+ 0 C)
Señal
espectral
2
MCP
MCP: Polígono mínimo convexo, que representa el espacio espectral
Tarea 2: Cobertura fraccional

32. Tarea 2: Cobertura fraccional
Identificación de pixeles “puros”
Punto verdad-terreno
Pixel Landsat “puro”
Pixel mixto Landsat
Imagen Landsat:
High Resolution Image:
High Resolution Image: Réplicas:
Sin datos de terreno

33. Identificación de áreas puras
Norte de Kenya Kenya central Sur de Kenya
Pixel Landsat (aprox.)
Tarea 2: Cobertura fraccional

34. Cobertura fraccional Landsat:
2013
Short-Rain season
November 2013
Short-Dry season
February 2014
Reference base map
non-photosynthetic
photosynthetic
bare-ground

35. Short-Rain season
November 2018
Short-Dry season
February 2019
Reference base map
Cobertura fraccional Landsat:
2018
non-photosynthetic
photosynthetic
bare-ground

36. Trayectorias de Fractional cover

37. Bare-ground fraction trends

38. Bare-ground and precipitation

39. Contextos… e.j: Mandera

40. Series de datos basados en Landsat 2000-2020
2016-2017

41. Cambio anual en la vegetación

42. Mean precipitation for 2000-2020
Composites: December 15 - March 1
Mean accuracy (2010-2020):
81.3% (n = 100000 trPts)
82.2% (n = 60000 trPts)

43. Seguimos tratando de entender las trayectorias…

44. Modificaciones a IBLI

45. Equipo
ILRI: International Livestock Research Institute
Cornell University USDA
UACh
Dr. Chris
Barrett
Arizona SU
Dr. Ying
Sun
Dr.(c) Steve
Wilcox
Dr. Chuan
Liao
Dr. Pat
Clark
Dr. Nathan
Jensen
Dr. Francesco
Fava
Dr. Njoki
Kahiu
Dr. Gerardo
Soto

46. Seguro ganadero basado en índices:
Innovaciones en medición y evaluación de la
salud de sistemas pastoriles
Gerardo E. Soto
Foto: Kailash Kumar