UNIVERSIDAD DE COSTA RICA
SISTEMA DE ESTUDIOS DE POSGRADO
ANÁLISIS DEL EFECTO DEL CAMBIO DE LA COBERTURA
DE LA TIERRA EN EL FENÓMENO DE ISLA DE CALOR
URBANO (ICU) EN LA CIUDAD DE HEREDIA, COSTA RICA
Tesis sometida a la consideración de la Comisión del Programa de Estudios
de Posgrado en Desarrollo Sostenible (PPDS),
para optar al grado y título de Maestría Académica en
Desarrollo Sostenible con énfasis en Conservación de los Recursos Biológicos
OMAR E. BARRANTES SOTELA
Ciudad Universitaria Carlos Monge Alfaro, Costa Rica
2020
Dedicatoria
A mi familia, por su apoyo incondicional.
“Es muy común recordar que alguien nos debe agradecimiento, pero es más
común no pensar en quienes le debemos nuestra propia gratitud.”
Johann Wolfgang Goethe
ii
Agradecimientos
Este trabajo de investigación no sería posible sin el aporte y consejos de una gran
cantidad de personas, que con su guía, orientación e inspiración es la razón de que pueda
presentar y compartir esta obra. Algunos días fue fácil encontrar las palabras que llenan
estas páginas y otros días... bueno no fue tan fácil. Pero gracias a la motivación y el
aporte de familiares, amigos, profesores y compañeros, es que a esas palabras puede darles
coherencia y por tal razón les expreso mis sinceros agradecimientos.
Al Dr. Gustavo Barrantes Castillo por su constante guía y por enfocarme cuando sentía
que me desviaba del camino. A la M.Sc. Irina Katchan Katchan por sus valiosos aportes
y estar siempre dispuesta a sentarse conmigo durante horas para discutir sobre el clima,
gracias por su paciencia. Al M.Sc. Michael Moya Calderón por acompañarme en este
proceso y tratar de una forma interesante los temas asociados al Desarrollo Sostenible.
Al Director del Programa de la Maestría, el M.Sc. Ronald Sánchez Porras por compartir
su conocimiento, experiencia y de las más entretenidas anécdotas, le agradezco su buena
disposición y por hacernos sentir a mi y a mis compañeros de generación en un ambiente
familiar. Al grupo de profesores que conforman el Programa de Maestría en Desarrollo
Sostenible, en especial a la M.Sc. Liz Brenes Cambronero, al Dr. José Manuel Mora
Benavides y al M.Sc. José Luis Fournier Rodríguez por sugerir aportes significativos para
el desarrollo de este trabajo.
Gracias a mis compañeros de maestría por las discusiones, la pase muy bien con
ustedes. A Mynor Delgado Castro por su amistad y por estar siempre dispuesto a pasar las
madrugadas trabajando para cumplir con la meta. A Shamil Salazar Vega y a Marie Luise
Beier Hidalgo por su colaboración con las encuestas. A la M.Sc. Lilliam Quirós Arias,
que gracias a su apoyo me fue posible asistir a lecciones mientras me desempeñaba como
académico. Al M.Sc. Dionisio Alfaro Rodríguez y a la Dra. Marilyn Romero Vargas por
sus consejos y a quiénes considero como mis mentores.
Pero sobre todo a mi familia, gracias por estar siempre. Grey eres un bastión para mi,
gracias por ser mi guía y brindarme tu amor. A Gael mi hijo y mi inspiración, que nació
durante esta aventura, y a Ka gracias por estar pendiente de nosotros. A mis hermanos
Mauricio y Tricia, y por supuesto a mis padres Isidro Barrantes Solís y Leda Sotela Lara.
Sin ustedes, esto no tendría sentido.
iii

Tabla de contenido
Dedicatoria ii
Agradecimientos iii
Hoja de aprobación iv
Tabla de contenido ix
Resumen x
Lista de cuadros xv
Lista de figuras xxii
Lista de abreviaturas xxiii
1. INTRODUCCIÓN 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2. REVISIÓN DE LITERATURA 10
2.1. La Ciudad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1. La Ciudad y las aglomeraciones urbanas . . . . . . . . . . . . . . 11
2.1.2. Crecimiento urbano . . . . . . . . . . . . . . . . . . . . . . . . . 12
v
2.2. El clima en las áreas urbanas . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1. Isla de Calor Urbana . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2. Medición y modelado de las ICU . . . . . . . . . . . . . . . . . 15
2.3. El Desarrollo Sostenible en las ciudades . . . . . . . . . . . . . . . . . . 19
2.3.1. La evolución del concepto de desarrollo y sus implicaciones en las
ciudades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
La concepción antropocéntrica de las ciudades . . . . . . . . . . 21
El enfoque ecologista y orgánico . . . . . . . . . . . . . . . . . . 22
Los nuevos enfoques de las ciudades sostenibles . . . . . . . . . 23
2.4. Políticas de mitigación del cambio climático desde el Ordenamiento
Territorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3. ÁREA DE ESTUDIO 30
3.1. Ubicación geográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2. Aspectos históricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Características demográficas y socioeconómicas . . . . . . . . . . . . . . 35
3.4. Clima y zona de vida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.1. Oscilaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5. Configuración urbana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4. MATERIALES Y MÉTODOS 42
4.1. Tipo de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2. Variables y Categorías: definición e instrumentación . . . . . . . . . . . . 43
4.2.1. Objetivo específico 1: . . . . . . . . . . . . . . . . . . . . . . . . 43
Variable: Morfología del sistema urbano . . . . . . . . . . . . . . 43
Categoría de Análisis: Cobertura de la tierra . . . . . . . . . . . . 48
Variable: Cambio de cobertura de la tierra . . . . . . . . . . . . . 53
4.2.2. Objetivo específico 2: . . . . . . . . . . . . . . . . . . . . . . . . 55
Variable: Temperatura de la superficie terrestre (TST) . . . . . . . 55
Variable: Isla de Calor Urbano. . . . . . . . . . . . . . . . . . . . 68
4.2.3. Objetivo específico 3: . . . . . . . . . . . . . . . . . . . . . . . . 71
Variable: Escenarios de tendencias de cambio de cobertura de la
tierra y variación de la ICU . . . . . . . . . . . . . . . 71
vi
Categoría de análisis: Estrategias de planificación urbana sostenible 74
5. RESULTADOS 78
5.1. Morfología del sistema urbano . . . . . . . . . . . . . . . . . . . . . . . 78
5.1.1. Índice de forma y patrón de asentamiento . . . . . . . . . . . . . 78
5.1.2. Densidad de población . . . . . . . . . . . . . . . . . . . . . . . 79
5.1.3. Densidad de las actividades económicas . . . . . . . . . . . . . . 83
5.2. Cobertura de la tierra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2.1. Identificación: Largo plazo (1985-2019) . . . . . . . . . . . . . . 86
Cobertura de la tierra 1985 . . . . . . . . . . . . . . . . . . . . . 86
Cobertura de la tierra 2001 . . . . . . . . . . . . . . . . . . . . . 89
Cobertura de la tierra 2019 . . . . . . . . . . . . . . . . . . . . . 91
5.2.2. Identificación: Corto plazo (2017-2019) . . . . . . . . . . . . . . 96
Cobertura de la tierra 2017 . . . . . . . . . . . . . . . . . . . . . 96
Cobertura de la tierra 2018 . . . . . . . . . . . . . . . . . . . . . 99
Cobertura de la tierra 2019 . . . . . . . . . . . . . . . . . . . . . 101
5.2.3. Evaluación del proceso de asignación de las categorías . . . . . . 106
5.2.4. Descripción de las coberturas de la tierra . . . . . . . . . . . . . 108
5.3. Patrón de cambio de cobertura de la tierra . . . . . . . . . . . . . . . . . 111
5.3.1. Transformación Tasseled Cap (Kauth-Thomas) y valores de sesgo 111
5.3.2. Índice de Disturbio . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.4. Patrón de variabilidad climática . . . . . . . . . . . . . . . . . . . . . . 125
5.4.1. Temperatura del aire . . . . . . . . . . . . . . . . . . . . . . . . 125
Tendencia de la temperatura media del aire . . . . . . . . . . . . 126
5.4.2. Viento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.5. Temperatura de la superficie . . . . . . . . . . . . . . . . . . . . . . . . 139
5.6. Isla de Calor Urbano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.6.1. Perfiles térmicos: Categorías de cobertura . . . . . . . . . . . . . 144
5.6.2. Perfiles térmicos: Zona Urbana - Zona Periférica . . . . . . . . . 147
5.6.3. Relación entre las variables TST y DI . . . . . . . . . . . . . . . 159
Regresión ponderada multinomial . . . . . . . . . . . . . . . . . 162
5.7. Escenarios de tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.7.1. Componente: Coberturas de la tierra . . . . . . . . . . . . . . . . 165
vii
Escenario 1: Crecimiento urbano tendencial . . . . . . . . . . . . 165
Escenario 2: Crecimiento urbano incrementado . . . . . . . . . . 165
Escenario 3: Arborización en las vías de comunicación . . . . . . 166
Escenario 4: Arborización al interior de las cuadras . . . . . . . . 166
5.7.2. Componente Térmico . . . . . . . . . . . . . . . . . . . . . . . . 172
5.8. Mapeo de actores claves . . . . . . . . . . . . . . . . . . . . . . . . . . 178
5.8.1. Percepción de los actores claves . . . . . . . . . . . . . . . . . . 179
Desempeño institucional . . . . . . . . . . . . . . . . . . . . . . 179
Sociograma de los actores . . . . . . . . . . . . . . . . . . . . . 185
Causas del aumento de la temperatura en las ciudades . . . . . . . 187
Infraestructura urbana: Parques, Áreas Verdes y Edificaciones . . 188
Gestión urbana: retos y desafíos . . . . . . . . . . . . . . . . . . 190
Patrón de consumo responsable . . . . . . . . . . . . . . . . . . 191
6. DISCUSIÓN 192
6.1. El sistema urbano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.2. Cambio de las coberturas de la tierra . . . . . . . . . . . . . . . . . . . . 194
6.3. Isla de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6.3.1. Escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.4. Líneas estratégicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7. IMPLICACIONES EN EL DESARROLLO SOSTENIBLE 209
8. CONCLUSIONES 211
Bibliografía 215
A. Imágenes satelitales 231
B. Propiedades de radiancia de materiales naturales 233
C. Estaciones Meteorológicas 235
C.1. Análisis de completitud de las estaciones meteorológicas . . . . . . . . . 237
D. Series de tiempo 239
viii
E. Oscilaciones 276
E.1. El Niño, Oscilación del Sur . . . . . . . . . . . . . . . . . . . . . . . . . 277
E.2. Oscilación Decadal del Pacífico . . . . . . . . . . . . . . . . . . . . . . 280
E.3. Oscilación del Atlántico Norte . . . . . . . . . . . . . . . . . . . . . . . 282
E.4. Oscilación del Ártico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
F. Encuestas 286
F.1. Instrumentos de encuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 286
ix
Resumen
La presente investigación estudia la influencia del cambio de las coberturas de la tierra
en el comportamiento de la intensidad y distribución espacial de la Isla de Calor Urbano
(ICU) en la Ciudad de Heredia, entre los años 1985 al 2019. Con el propósito de establecer
una serie lineamientos a ser considerados en la planificación de áreas urbanas sostenibles,
así como para establecer planes de intervención del diseño urbano, que involucre reverdecer
y arborizar la ciudad para regular la temperatura de la superficie.
La investigación analiza la morfología urbana, identifica y determina la evolución de
las diferentes coberturas de la tierra mediante la estimación del índice de disturbio y como
estas transformaciones influencian el aumento de la temperatura de la superficie terrestre
entre el núcleo y los sectores periféricos de la ciudad, y que definen el fenómeno de la ICU.
Se asocia para cada cobertura su patrón de comportamiento térmico durante el período
temporal y ámbito espacial; con tal de definir la magnitud e intensidad de la ICU. Para
esto se utilizan metodologías de análisis espacial y geoestadísticos avanzados. También
se construyen escenarios posibles y se identifican la dinámica de los actores, así como su
percepción sobre temas asociados al incremento de la temperatura de la ciudad, el cambio
climático y la gestión territorial.
x
Lista de cuadros
3.1. Estación San Lucía (Barva Heredia): Resumen Climático. . . . . . . . . . 37
3.2. Aeropuerto Juan Santa María: Resumen Climático. . . . . . . . . . . . . 38
4.1. Escala de valoración de Índice Kappa. . . . . . . . . . . . . . . . . . . . 50
4.2. Clases de uso/cobertura de la Tierra. . . . . . . . . . . . . . . . . . . . . 52
4.3. Constantes de calibración preestablecidas según tipo de sensor. . . . . . . 57
4.4. Constantes de calibración preestablecidas sensor Landsat 5 TM - Landsat 7
ETM+ (Qin et al. 2001). . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.5. Constantes de calibración preestablecidas sensor Landsat 8 TIRS (F. Wang
et al. 2015). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.6. Relaciones lineales para la aproximación de la temperatura atmosférica
media efectiva (Ta) de la temperatura del aire en la superficie cercana (T0)
para 4 tipos de atmósfera estándar (Qin et al. 2001; F. Wang et al. 2015). . 60
4.7. Variaciones en la tasa de lapso de la temperatura del aire, para cada mes
del año, en el Hemisferio Norte (Kunkel, 1989), y factores de ajuste de
precipitación-elevación. . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.8. Designación de bandas según respuesta espectral, para el cálculo del NDVI. 63
4.9. Emisividad según valor del NDVI de la imagen espectral (Alfraihat, 2015;
J. Zhang et al. 2006), y factores de ajuste de precipitación-elevación. . . . 64
4.10. Estimación de la transmitancia atmosférica para las bandas TIRS del sensor
Landsat 8 según (F. Wang et al. 2015). . . . . . . . . . . . . . . . . . . . 65
4.11. Estimación de la transmitancia atmosférica para la banda 6 TM del sensor
Landsat 6 según (Qin et al. 2001). . . . . . . . . . . . . . . . . . . . . . 66
4.12. Matriz de coherencia interna de la investigación . . . . . . . . . . . . . . 77
5.1. Heredia: Análisis de grafos a la red vial. . . . . . . . . . . . . . . . . . . 79
xi
5.2. Heredia: Frecuencia del tipo de actividades económicas. . . . . . . . . . 83
5.3. Heredia: Tipología de las estructuras con actividades económicas. . . . . 84
5.4. Área de estudio: Tamaño de muestras para entrenamiento del clasificador
Random Forest (1985-2019). . . . . . . . . . . . . . . . . . . . . . . . . 86
5.5. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas,
1985. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.6. Evaluación del clasificador Random Forest: Análisis de precisión por clase,
1985. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.7. Evaluación del clasificador Random Forest: Matriz de confusión R20, 1985. 88
5.8. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas,
2001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.9. Evaluación del clasificador Random Forest: Análisis de precisión por clase,
2001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.10. Evaluación del clasificador Random Forest: Matriz de confusión R16, 2001. 90
5.11. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas,
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.12. Evaluación del clasificador Random Forest: Análisis de precisión por clase,
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.13. Evaluación del clasificador Random Forest: Matriz de confusión R20, 2019. 92
5.14. Área de estudio: Tamaño de muestras para entrenamiento del clasificador
Random Forest (2017-2019). . . . . . . . . . . . . . . . . . . . . . . . . 96
5.15. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas,
2017. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.16. Evaluación del clasificador Random Forest: Análisis de precisión por clase,
2017. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.17. Evaluación del clasificador Random Forest: Matriz de confusión R13, 2017. 98
5.18. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas,
2018. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.19. Evaluación del clasificador Random Forest: Análisis de precisión por clase,
2018. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.20. Evaluación del clasificador Random Forest: Matriz de confusión R16, 2018. 100
xii
5.21. Área de estudio: Evaluación del clasificador Random Forest en 20 corridas.
2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.22. Evaluación del clasificador Random Forest: Análisis de precisión por clase.
2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.23. Evaluación del clasificador Random Forest: Matriz de confusión R14. 2019 102
5.24. Coberturas de la tierra (Sensor Sentinel): Superficies en [Ha] entre 2017-2019.108
5.25. Coberturas de la tierra (Sensor Landsat): Superficies en [Ha] entre 1985-2019.108
5.26. Tasseled Cap: Patrón del indicardor de cambio de cobertura. . . . . . . . 111
5.27. Heredia, 1985: Coeficientes de simetría. . . . . . . . . . . . . . . . . . . 113
5.28. Heredia, 2001: Coeficientes de simetría. . . . . . . . . . . . . . . . . . . 113
5.29. Heredia, 2019: Coeficientes de simetría. . . . . . . . . . . . . . . . . . . 113
5.30. Heredia: Prueba estadística Wilcoxon para las diferencias del DI entre
1985-2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.31. Coberturas de la tierra: Cambio relativo de la superficie [%]. . . . . . . . 124
5.32. Resumen estadístico de las temperaturas . . . . . . . . . . . . . . . . . . 125
5.33. Escala de Beaufort de la fuerza de los vientos . . . . . . . . . . . . . . . 132
5.34. Clasificación de la dirección del viento . . . . . . . . . . . . . . . . . . . 133
5.35. Heredia: Resumen estadístico de la estimación de la temperatura de la
superficie en las imágenes de satélite (1985 - 2019) . . . . . . . . . . . . 139
5.36. Perfil térmico en [°C] por categoría de cobertura de la tierra [cat] (1985-02-03)144
5.37. Perfil térmico en [°C] por categoría de cobertura de la tierra [cat] (2001-01-14)144
5.38. Perfil térmico en [°C] por categoría de cobertura de la tierra [cat] (2019-03-05)144
5.39. Diferencias térmicas promedio en [°C] entre clases de cobertura de la tierra
con respecto a la cobertura urbana. . . . . . . . . . . . . . . . . . . . . . 146
5.40. Intensidad de la ICU - Perfil A: 1985 - 2019. . . . . . . . . . . . . . . . 157
5.41. Coeficiente de determinación según transición entre las coberturas de la tierra160
5.42. Coeficientes del modelo de regresión multinomial . . . . . . . . . . . . . 162
5.43. Residuos estandarizados del modelo de regresión multinomial . . . . . . 162
5.44. Riesgo relativo del cambio de la variable predictora (RR) . . . . . . . . . 163
5.45. Coberturas de la tierra según escenarios: Superficies en [Ha]. . . . . . . . 171
5.46. Diferencias superficiales en [Ha] de los escenarios con respecto a la
cobertura de la tierra 2019. . . . . . . . . . . . . . . . . . . . . . . . . . 171
xiii
5.47. Escenario 01: Perfil térmico en [°C] por categoría de cobertura de la tierra 173
5.48. Escenario 02: Perfil térmico en [°C] por categoría de cobertura de la tierra 173
5.49. Escenario 03: Perfil térmico en [°C] por categoría de cobertura de la tierra 173
5.50. Escenario 04: Perfil térmico en [°C] por categoría de cobertura de la tierra 173
5.51. Diferencias térmicas en [°C] de los escenarios con respecto al año 2019. . 174
5.52. Diferencias térmicas en [%] de los escenarios con respecto al año 2019. . 174
5.53. Actores considerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
5.54. Desempeño institucional del Estado costarricense. . . . . . . . . . . . . 180
5.55. Gobierno local: desempeño y gestión urbana ante el cambio climático. . . 181
5.56. Academia: desempeño y labor ante el calentamiento o el cambio climático
de las ciudades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
5.57. Institucionalidad: coordinación de esfuerzos entre entes estatales. . . . . . 183
5.58. Adaptación climática: cantidad las áreas verdes en la ciudad. . . . . . . . 188
5.59. Adaptación climática: calidad de las áreas verdes y recreativas en la ciudad. 189
5.60. Adaptación climática: calidad de las áreas verdes y recreativas en la ciudad. 189
5.61. Adaptación climática: Consumo responsable y actitudes orientadas a la
sostenibilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
A.1. Imágenes multiespectrales Sentinel-2 utilizadas en la clasificación a detalle
mediante Random Forest. Proyección UTM 16 N (WGS84). Resolución
espacial 15 m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
A.2. Imágenes multiespectrales Landsat 5 TM utilizadas en el TST y Tasseled
Cap. Proyección UTM 16 N (WGS84). Resolución espacial 30 m. . . . . 231
A.3. Imágenes multiespectrales Landsat 8 OLI/TIRS utilizadas en el TST y
Tasseled Cap. Proyección UTM 16 N (WGS84). Resolución espacial 30 m. 232
B.1. Propiedades radiativas de materiales naturales. Fuente: (T. Oke, 2002;
Sellers, 1965) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
B.2. Propiedades radiativas de típicos de áreas y materiales urbanos. Fuente:
(T. Oke, 2002; Sellers, 1965) . . . . . . . . . . . . . . . . . . . . . . . . 234
C.1. Estaciones meteorológicas . . . . . . . . . . . . . . . . . . . . . . . . . 235
C.2. Estaciones meteorológicas IMN: Análisis de completitud de los registros
de la variable temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . 237
xiv
C.3. Estaciones meteorológicas IMN: Análisis de completitud de los registros
de la variable humedad relativa. . . . . . . . . . . . . . . . . . . . . . . 238
E.1. El Niño y La Niña, años de ocurrencia y sus intensidades (ONI). . . . . . 279
F.1. Características metodológicas de los instrumentos de encuesta. . . . . . . 286
xv
Lista de figuras
2.1. Densidad de población mundial en el 2015. Generado a partir de los datos
GPWv4 del SEDAC, NASA (Elaboración propia). . . . . . . . . . . . . . 11
2.2. Las capas urbanas en la peplosfera en el que ocurre el fenómeno de Isla de
Calor Urbano (Elaboración propia). . . . . . . . . . . . . . . . . . . . . 14
3.1. Área de estudio (Escala Regional). . . . . . . . . . . . . . . . . . . . . . 30
3.2. Ciudad de Heredia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3. Heredia: Plano de la ciudad, 1942. . . . . . . . . . . . . . . . . . . . . . 34
3.4. Heredia: Plano de la ciudad, 1958. . . . . . . . . . . . . . . . . . . . . . 34
3.5. Pirámide poblacional de los distritos en el área de estudio. . . . . . . . . 36
3.6. Sistema de zonas de vida según Holdridge. . . . . . . . . . . . . . . . . . 39
3.7. Anomalías del ENOS y registro temporal de las imágenes landsat. . . . . 40
4.1. Ubicación de las estaciones meteorológicas. . . . . . . . . . . . . . . . . 67
4.2. Propuesta de matriz impacto - incertidumbre . . . . . . . . . . . . . . . . 74
5.1. Heredia: Patrón de asentamiento y orientación de la red vial. . . . . . . . 80
5.2. Heredia: Evolución de la población entre 1719-2011. . . . . . . . . . . . 81
5.3. Heredia: Densidad de Población en el año 2011. . . . . . . . . . . . . . . 82
5.4. Heredia: Densidad de Actividades Económicas en el año 2019. . . . . . . 84
5.5. Heredia: Cobertura de la tierra, 1985. . . . . . . . . . . . . . . . . . . . 93
5.6. Heredia: Cobertura de la tierra, 2001. . . . . . . . . . . . . . . . . . . . 94
5.7. Heredia: Cobertura de la tierra, 2019. . . . . . . . . . . . . . . . . . . . 95
5.8. Heredia: Cobertura de la tierra. 2017 . . . . . . . . . . . . . . . . . . . . 103
5.9. Heredia: Cobertura de la tierra. 2018 . . . . . . . . . . . . . . . . . . . . 104
5.10. Heredia: Cobertura de la tierra. 2019 . . . . . . . . . . . . . . . . . . . . 105
xvi
5.11. Heredia, 1985. Tasseled Cap: Brillo, Verdor, Humedad (suelo); con su
respectivo histograma. Coordenadas en UTM-16N. . . . . . . . . . . . . 114
5.12. Heredia, 2001. Tasseled Cap: Brillo, Verdor, Humedad (suelo); con su
respectivo histograma. Coordenadas en UTM-16N. . . . . . . . . . . . . 115
5.13. Heredia, 2019. Tasseled Cap: Brillo, Verdor, Humedad (suelo); con su
respectivo histograma. Coordenadas en UTM-16N. . . . . . . . . . . . . 116
5.14. Índice de disturbio [DI] (1985-2019): Comportamiento espacial y temporal. 119
5.15. Índice de disturbio [DI] (1985-2001): Valores extremos asociados al cambio
de coberturas verdes por coberturas antrópicas. . . . . . . . . . . . . . . 120
5.16. Índice de disturbio [DI] (2008-2019): Valores extremos asociados al cambio
de coberturas verdes por coberturas antrópicas. . . . . . . . . . . . . . . 121
5.17. Determinación de la perturbación espacial y temporal en el DI, por
composición RGB entre imágenes. . . . . . . . . . . . . . . . . . . . . . 122
5.18. Evolución del cambio de cobertura de la tierra durante el período 2017 y
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.19. Evolución del cambio de cobertura de la tierra durante el período 1985 y
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.20. Variación de la tendencia de la temperatura. . . . . . . . . . . . . . . . . 128
5.21. Estación UNA-Heredia: Variación de la temperatura por estacionalidad y
tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.22. Estación Santa Lucía: Variación de la temperatura por estacionalidad y
tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.23. Estación Aeropuerto Juan Santamaría: Variación de la temperatura por
estacionalidad y tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.24. Estación Santa Bárbara: Variación de la temperatura por estacionalidad y
tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.25. Estación Belén: Variación de la temperatura por estacionalidad y tendencia. 131
5.26. Estación Getsemaní: Variación de la temperatura por estacionalidad y
tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.27. Estación UNA: Velocidad y dirección promedio anual del viento. . . . . . 134
5.28. Estación ASJO (84169): Velocidad y dirección promedio anual del viento. 134
xvii
5.29. Estación 84169 AJSO: Patrón (velocidad y dirección) del viento según mes
del año. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.30. Estación 84197 Santa Bárbara: Patrón (velocidad y dirección) del viento
según mes del año. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.31. Estación 84205 Getsemaní: Patrón (velocidad y dirección) del viento según
mes del año. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.32. Estación UNA Campus Omar Dengo: Patrón (velocidad y dirección) del
viento según mes del año. . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.33. Temperatura de la superficie terrestre [TST], según fecha indicada en las
subfiguras en el período de 1985-1989. . . . . . . . . . . . . . . . . . . . 140
5.34. Temperatura de la superficie terrestre [TST], según fecha indicada en las
subfiguras en el período de 1991-2001. . . . . . . . . . . . . . . . . . . . 141
5.35. Temperatura de la superficie terrestre [TST], según fecha indicada en las
subfiguras en el período de 2008-2015. . . . . . . . . . . . . . . . . . . . 142
5.36. Temperatura de la superficie terrestre [TST], según fecha indicada en las
subfiguras en el período de 2016-2019. . . . . . . . . . . . . . . . . . . . 143
5.37. Perfil térmico en [°C] por categoría de cobertura de la tierra [cat] (1985-
2001-2019) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.38. Heredia: Perfiles de Temperatura. . . . . . . . . . . . . . . . . . . . . . . 148
5.39. Perfil térmico A: ICU [up] 1985-2001 . . . . . . . . . . . . . . . . . . . 149
5.40. Perfil térmico A: ICU [up] 2008-2019 . . . . . . . . . . . . . . . . . . . 150
5.41. Perfil térmico B: ICU [up] 1985-2001 . . . . . . . . . . . . . . . . . . . 151
5.42. Perfil térmico B: ICU [up] 2008-2019 . . . . . . . . . . . . . . . . . . . 152
5.43. Perfil térmico C: ICU [up] 1985-2001 . . . . . . . . . . . . . . . . . . . 153
5.44. Perfil térmico C: ICU [up] 2008-2019 . . . . . . . . . . . . . . . . . . . 154
5.45. Perfil térmico D: ICU [up] 1985-2001 . . . . . . . . . . . . . . . . . . . 155
5.46. Perfil térmico D: ICU [up] 2008-2019 . . . . . . . . . . . . . . . . . . . 156
5.47. Heredia: Diagrama de Hovmöller de la ICU 1985-2019. . . . . . . . . . . 158
5.48. Heredia: Análisis de regresión lineal Temperatura - DI (1985-2019) . . . 161
5.49. Probabilidad de incidencia en el TST e DI, según cambio de la cobertura
de la tierra en referencia a una cobertura forestal. . . . . . . . . . . . . . 164
5.50. Escenario 01: Crecimiento urbano tendencial observado . . . . . . . . . . 167
xviii
5.51. Escenario 02: Crecimiento urbano incrementado . . . . . . . . . . . . . . 168
5.52. Escenario 03: Arborización en red vial . . . . . . . . . . . . . . . . . . . 169
5.53. Escenario 04: Arborización en centros de cuadra . . . . . . . . . . . . . . 170
5.54. Escenarios térmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.55. Perfil térmico A: Escenarios ICU [up] . . . . . . . . . . . . . . . . . . . 176
5.56. Perfil térmico B: Escenarios ICU [up] . . . . . . . . . . . . . . . . . . . 176
5.57. Perfil térmico C: Escenarios ICU [up] . . . . . . . . . . . . . . . . . . . 177
5.58. Perfil térmico D: Escenarios ICU [up] . . . . . . . . . . . . . . . . . . . 177
5.59. Gestión urbana: Iniciativas ante el calentamiento y el cambio climático en
las ciudades impulsadas por los Gobiernos locales. . . . . . . . . . . . . 184
5.60. Análisis de los núcleos de las relaciones entre los actores. Los nodos de
color azul, indican un comportamiento de satélite a los grupos conformados.186
5.61. Causas del calentamiento en las ciudades . . . . . . . . . . . . . . . . . 187
5.62. Gestión urbana: desafíos y retos. . . . . . . . . . . . . . . . . . . . . . . 190
6.1. Remanente de cultivo de café (2019-12-17). . . . . . . . . . . . . . . . . 195
D.1. Estación Meteorológica Universidad Nacional (40101): Serie temporal
temperatura 2015 - 2018. . . . . . . . . . . . . . . . . . . . . . . . . . . 240
D.2. Estación Meteorológica Universidad Nacional (40101): Descomposición
de serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . 241
D.3. Estación Meteorológica ITCR (73123): Serie temporal temperatura 1997 -
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.4. Estación Meteorológica ITCR (73123):Descomposición de serie de tiempo
temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
D.5. Estación Meteorológica Fabio Baudrit - UCR (84023): Serie temporal
temperatura 1985 - 2002. . . . . . . . . . . . . . . . . . . . . . . . . . . 244
D.6. Estación Meteorológica Fabio Baudrit - UCR (84023):Descomposición de
serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . 245
D.7. Estación Meteorológica San Josecito - Heredia (84046): Serie temporal
temperatura 1987 - 2010. . . . . . . . . . . . . . . . . . . . . . . . . . . 246
D.8. Estación Meteorológica San Josecito - Heredia (84046):Descomposición
de serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . 247
xix
D.9. Estación Meteorológica Santa Lucía - Heredia (84111): Serie temporal
temperatura 1985 - 2001. . . . . . . . . . . . . . . . . . . . . . . . . . . 248
D.10.Estación Meteorológica Santa Lucía - Heredia (84111):Descomposición
de serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . 249
D.11.Estación Meteorológica San Luis - Heredia (84124): Serie temporal
temperatura 1995 - 2002. . . . . . . . . . . . . . . . . . . . . . . . . . . 250
D.12.Estación Meteorológica Santa Lucía - Heredia (84124):Descomposición
de serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . 251
D.13.Estación Meteorológica CIGEFI (84139): Serie temporal temperatura 1999
- 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
D.14.Estación Meteorológica CIGEFI (84139):Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
D.15.Estación Meteorológica IMN - SJ (84141): Serie temporal temperatura
1995 - 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
D.16.Estación Meteorológica IMN - SJ (84141): Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
D.17.Estación Meteorológica Aeropuerto Juan Santamaría (84169): Serie
temporal temperatura 1997 - 2019. . . . . . . . . . . . . . . . . . . . . . 256
D.18.Estación Meteorológica Aeropuerto Juan Santamaría (84169):
Descomposición de serie de tiempo temperatura. . . . . . . . . . . . . . 257
D.19.Estación Meteorológica Iztaru (84181): Serie temporal temperatura 2003 -
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
D.20.Estación Meteorológica Iztaru (84181): Descomposición de serie de tiempo
temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
D.21.Estación Meteorológica Laguna - Fraijanes (84189): Serie temporal
temperatura 2003 - 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . 260
D.22.Estación Meteorológica Laguna - Fraijanes (84189): Descomposición de
serie de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . 261
D.23.Estación Meteorológica Recope (84191): Serie temporal temperatura 1998
- 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
D.24.Estación Meteorológica Recope (84191): Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
xx
D.25.Estación Meteorológica Aeropuerto Tobías Bolaños (84193): Serie
temporal temperatura 2008 - 2019. . . . . . . . . . . . . . . . . . . . . . 264
D.26.Estación Meteorológica Aeropuerto Tobías Bolaños (84193):
Descomposición de serie de tiempo temperatura. . . . . . . . . . . . . . 265
D.27.Estación Meteorológica Santa Bárbara (84197): Serie temporal temperatura
2001 - 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
D.28.Estación Meteorológica Santa Bárbara (84197): Descomposición de serie
de tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
D.29.Estación Meteorológica Belén (84199): Serie temporal temperatura 2004 -
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
D.30.Estación Meteorológica Belén (84199): Descomposición de serie de tiempo
temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
D.31.Estación Meteorológica Zapote (84203): Serie temporal temperatura 2007 -
2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
D.32.Estación Meteorológica Zapote (84203): Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
D.33.Estación Meteorológica Getsemani (84205): Serie temporal temperatura
2009 - 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
D.34.Estación Meteorológica Getsemani (84205): Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
D.35.Estación Meteorológica Volcán Poás (84221): Serie temporal temperatura
2011 - 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
D.36.Estación Meteorológica Volcán Poás (84221): Descomposición de serie de
tiempo temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
E.1. Índice de oscilación del sur (IOS). Generado a partir de los datos NOAA
(Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
E.2. Descomposición Serie de tiempo ENOS. Generado a partir de los datos
NOAA (Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . 278
E.3. Oscilación Decadal del Pacífico. Generado a partir de los datos NOAA
(Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
E.4. Descomposición Serie de tiempo POD. Generado a partir de los datos
NOAA (Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . 281
xxi
E.5. Oscilación del Atlántico Norte. Generado a partir de los datos NOAA
(Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
E.6. Descomposición Serie de tiempo NAO. Generado a partir de los datos
NOAA (Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . 283
E.7. Oscilación del Ártico. Generado a partir de los datos NOAA (Elaboración
propia). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
E.8. Descomposición Serie de tiempo AO. Generado a partir de los datos NOAA
(Elaboración propia). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
xxii
Lista de abreviaturas
Términos o
indicadores
AC Autómata Celular
CG Centro de Gravedad
CVI Coeficiente de Variación Interanual
DI Disturbance Index (Índice de disturbio)
ENOS El Niño Oscilación del Sur
GAM Gran Área Metropolitana
ICU Isla de Calor Urbano
MAG Modelo Aditivo Generalizado
MDT Modelo Digital del Terreno
PPV Positive Predict Value
ODS Objetivos de Desarrollo Sostenible
RR Riesgo Relativo de cambio
SIG Sistema de Información Geográfico
TCT Tasseled Cap Transformation
TST Temperatura de la Superficie Terrestre
TPV Tasa Positiva Verdadera
ZCIT Zona de Confluencia InterTropical
Instituciones
CNE Comisión Nacional de Emergencias
DCC Dirección de Cambio Climático
ICT Instituto Nacional de Turismo
IFAM Instituto de Fomento y Asesoría Municipal
IMN Instituto Meteorológico Nacional
INEC Instituto Nacional de Estadística y Censo
INVU Instituto Nacional de Vivienda y Urbanismo
MEP Ministerio de Educación Pública
MIDEPLAN Ministerio de Planificación Económica y Política
MINAE Ministerio Nacional de Ambiente y Energia
SETENA Secretaria Técnica Nacional Ambiental
xxiii

1
Capítulo 1
INTRODUCCIÓN
1.1. Introducción
La urbanización puede introducir variaciones climáticas, al ser uno de los procesos
más evidentes y extremos en el cual las actividades humanas alteran las características
de los entornos naturales y las áreas circundantes. Estos cambios afectan la interacción
de la superficie terrestre con la atmósfera. Un ejemplo de lo anterior, son las áreas
urbanas que son generalmente más cálidas que los espacios naturales, debido a que sus
superficies impermeabilizan el suelo, reducen la evapotranspiración y presentan diferencias
en las capacidades térmicas, conductividad termal, albedos y emisividad que potencian el
calentamiento urbano (Jacobson & Ten Hoeve, 2012). Por consiguiente, se pueden generar
importantes alteraciones en los procesos atmosféricos locales y hasta a escalas climáticas
sinópticas o globales (Loridan & Grimmond, 2012; Zhao et al. 2016).
A medida que ocurre el crecimiento (paulatino o acelerado) de un área urbana, factores
como el calor producido por el efecto de la antropización y la contaminación atmosférica,
contribuyen a la formación de un clima distinto e introduce una variación al estado natural.
Una de las más evidentes manifestaciones de esta alteración es el fenómeno denominado
Isla de Calor Urbano (ICU), en la que se reporta una máxima variabilidad de temperaturas
entre las centralidades urbanas con respecto a su periferia. Se usa el término de “Isla”
debido a que el patrón espacial de la variación de la temperatura superficial es muy similar
al de un contorno insular.
El fenómeno de ICU está determinado no solo por el crecimiento urbano, sino también
por el cambio de uso de la tierra y la contaminación del aire (Almusaed, 2011; Imhoff
et al. 2010; Nguyen & Henebry, 2016). Con la formación de micro-climas en diferentes
Capítulo 1. INTRODUCCIÓN 2
lugares de la ciudad, usualmente más cálidos, se generan una gran cantidad de impactos
negativos en los seres humanos. El estrés térmico que puede producir este fenómeno incide
en la salud humana y en el estado de animo. Además, una elevada concentración de la
contaminación del aire, combinada con altas temperaturas es un catalizador de varias
enfermedades respiratorias y fallas cardiovasculares, en grupos vulnerables como niños y
adultos mayores. Mientras que en los adultos es frecuente el estrés térmico, la prevalencia
de síntomas de cansancio y deshidratación en los lugares de trabajo.
También provoca afectaciones en el sistema urbano, como el incremento del consumo
energético asociado al uso extenso de mecanismos de enfriamiento, y que desencadena
mayores emisiones de contaminantes y gases de efecto invernadero a la atmósfera. Esto
incrementa la vulnerabilidad de las ciudades al cambio climático.
En Latinoamérica las aglomeraciones urbanas, han tomado un gran interés en el estudio
climático urbano asociado al tema de ordenamiento territorial. Se considera que el proceso
de urbanización no es simplemente la concentración demográfica en centros urbanos o
ciudades. Es un proceso que promueve la expansión de las necesidades de consumo. Por
consiguiente, las tres facultades principales de la propiedad: uso (ius utendi), goce (ius
fruendi) y disfrute (ius abutendi) están sujetas a la dinámica de consumo y de producción.
En el que los patrones de las coberturas de la tierra deben estructurarse según aquellos
espacios geográficos que presentan las mejores condiciones de soporte para una actividad.
Un aspecto importante de resaltar es que estos temas son parte integral de la discusión de
las ciudades sostenibles y declarados como tal por el Programa de las Naciones Unidas para
el Desarrollo (2018)1. De tal forma, en la que si no existe una estrategia de organización del
uso y ocupación del territorio es prácticamente imposible fomentar un óptimo desarrollo de
las actividades humanas.
En la actualidad, la identificación del fenómeno ICU se usa como un indicador
de sostenibilidad de las ciudades, ya que ofrece información relevante del tamaño de
las aglomeraciones urbanas, niveles de contaminación atmosférica y tasa de cambio o
crecimiento de las actividades humanas. Es importante mencionar, que así como cada
ciudad presenta condiciones únicas y específicas en sus características de funcionalidad
y configuración espacial; así es el patrón único en la distribución de las islas de calor.
En gran medida, la ocupación incoherente del suelo, la construcción desorganizada de
1Objetivos 3, 6, 7, 9, 11, 13 y 15 del Desarrollo Sostenible.
Capítulo 1. INTRODUCCIÓN 3
infraestructura y la insuficiencia o carencia de servicios básicos, tiene grandes implicaciones
en la configuración espacial (forma y tamaño) de las ciudades, lo que no hace más que
introducir disfuncionalidades al sistema urbano, como el caso específico del fenómeno de
ICU (Schmidt & Buehler, 2007; Warren, 2009).
Por lo tanto, la integración de las acciones humanas y su relación con el cambio
climático se visualiza como un acercamiento estratégico desde el punto de vista territorial.
En el que las propuestas de planificación urbana deben desarrollarse desde una concepción
de sostenibilidad al reducir el impacto del desarrollo humano sobre el ambiente y los
recursos naturales. Según Ezquiaga Domínguez (2010) estimar el comportamiento térmico
sobre el medio urbano se apoya en una creciente precisión de las previsiones climáticas.
Estas deben considerar e integrar los factores naturales e incidencia de las actividades
humanas asociadas a parámetros como el aumento de la temperatura, disminución de la
precipitación y posible impacto en centros urbanos con aglomeraciones significativas de
población.
En Costa Rica, son escasos los estudios climáticos en función de incentivar la
sostenibilidad de los territorios. Esto justifica el desarrollo de una investigación al respecto.
Además, las propuestas de planificación urbana adolecen de criterios que mejoren las
condiciones de adaptación y mitigación al Cambio Climático. Es así como se propone
estudiar la ciudad de Heredia. La cual reúne ciertas condiciones que propician el estudio de
la Isla de Calor Urbano (ICU).
Heredia presenta la segunda tasa de mayor crecimiento urbano en la GAM, su
proximidad con respecto al anillo de contención urbana favorece la presencia de una
zona periurbana. También presenta espacios verdes intermitentes y amplios sectores
impermeabilizados en asfalto y concreto, que pueden ser comparados en su factor térmico.
Además, es una de las aglomeraciones urbanas de la GAM en las que se han registrado
altos niveles de contaminación del aire (Herrera, 2011).
Por lo tanto, se espera que los resultados de esta investigación no solo beneficien a los
habitantes del centro urbano de Heredia, sino que también puedan ser útiles para otros
procesos de ordenamiento territorial en Costa Rica. Al generar insumos que puedan ser
incorporados en la planificación territorial y urbana.
Capítulo 1. INTRODUCCIÓN 4
1.2. Objetivos
1.2.1. Objetivo general
1. Analizar la relación del cambio de cobertura de la tierra en el desarrollo del fenómeno
de Isla de Calor Urbano (ICU) en la ciudad de Heredia, como un insumo para la
planificación urbana sostenible del territorio.
1.2.2. Objetivos específicos
1. Determinar los principales patrones de cambio de cobertura de la tierra que
contribuyen en el fenómeno de ICU en el área de estudio.
2. Analizar las características térmicas y el patrón de distribución espacial de la ICU en
la ciudad de Heredia.
3. Formular lineamientos estratégicos de planificación urbana sostenible, a partir de la
elaboración de escenarios y tendencias que consideren el cambio de la cobertura de
la tierra y la variación de la ICU.
Capítulo 1. INTRODUCCIÓN 5
1.3. Antecedentes
Los estudios climáticos urbanos tienen una gran relevancia y actualidad, pero no son
novedosos. En 1833, Luke Howard fue el primer investigador en reportar que la temperatura
del aire en una ciudad es más alta que en las áreas rurales que la rodean (Gartland, 2008).
También, Emilien Renou en 1855 identifica un calentamiento anómalo del centro de París
con respecto a su periferia. Sin embargo, el primero en discutir el diferencial térmico
que ocurre en las ciudades mediante el término islas de calor urbano (ICU) fue Manley
(1958). A partir de ese momento se han realizado grandes esfuerzos alrededor del mundo
en estudiar el fenómeno (T. Oke, 2002).
Según Martínez (2014), ciudades de todos los continentes cuentan con un estudio
sobre su isla de calor, entre las que destacan en Europa: París (Dettwiller, 1970),
Plymouth (Millward, 1976), Glasgow (Hartley, 1977), Roma (Colacino, 1978-1982),
Utrecht (Van Duk, 1980), Cracovia (Morawska y Cebulak, 1981), Viena (Bernhofer, 1984).
En Norteamérica: Nueva York (Bornstein, 1968-1972), Montreal (Oke, East y Maxwell,
1971 y 1975), Ciudad de México (Jáuregui, 1973). Mientras que en Sudamérica: Río
de Janeiro (Gallego, 1972), Sao Paulo (Lombardo, 1985). También en Asia: Hiroshima
(Shitara, 1957), (Fukuoka y Nobuyuki, 1980), Tokyo (Kayane, 1964), (Sasakura, 1965) y
(Nishizawa, 1979), Delhi (Bahl y Padmanabharmurty, 1979 y 1982) y finalmente en Africa:
Nairobi (Okoola, 1979).
Tal y como menciona Verón (2010), en Latinoamérica pueden identificarse proyectos
de investigación sobre el tema de islas de calor urbano. Destaca los trabajos realizados
por Capelli de Steffens y Píccolo (2001), que estiman la forma y la intensidad de la
isla de calor en la ciudad de Temuco, Chile. Mientras que Ferrelli et al. (2016) estudian
ciudades argentinas y observan que las mediciones de intensidad son muy congruentes con
la tendencia mostrada en otras ciudades del mundo. Según Guill (2016), en Ecuador se
realizan estudios de ICU en ciudades como Manta, Esmeraldas y Guayaquil. Contreras et
al. (2008), también expone el caso en Ciudad Juárez, México.
En Costa Rica, el tema ha sido muy poco tratado y solo se destaca un primer esfuerzo
en la investigación de Arce y Acevedo (2014), en la que se trata de correlacionar el
comportamiento térmico de la superficie de las coberturas del suelo, mediante una
metodología de transectos. Es así como, en Costa Rica los estudios climáticos están
Capítulo 1. INTRODUCCIÓN 6
más enfocados en el sector agropecuario y en su mayoría se desarrollan de una manera muy
descriptiva.
A pesar de la gran cantidad de estudios relacionados a la temática, ¿por qué se continúa
estudiando este fenómeno? Existen varias razones que se originan de la premisa que
los entornos urbanos son ecosistemas dinámicos en constante cambio y expansión. La
variada composición urbana y la complejidad atmosférica asociada a las ciudades dificultad
el registro uniforme de la temperatura y la determinación de los balances de energía
asociados a los usos de la tierra. Además, la estructura urbana está compuesta de tipos de
diversos materiales y elementos como cuerpos de agua, áreas verdes, jardines, pastos, áreas
pavimentadas o de concreto. Cada uno de estos materiales tiene diferentes propiedades
reflectivas y térmicas, que a su vez interaccionan con respecto a otros. Esto dificulta
establecer los intercambios energéticos y de advección en una escala de detalle apropiada,
y que al analizar su patrón de distribución espacial hace muy particular su estudio.
Existen varias maneras de abordar el estudio de ICU, las variables más utilizadas en
este tipo de estudios son la temperatura del aire y el de los materiales presentes en la
superficie (Castán Broto & Bulkeley, 2013; Du et al. 2016; Fan et al. 2016; Offerle et al.
2007; T. Oke, 2002; Shen et al. 2013). Además, es común el uso de un enfoque cuantitativo,
en el que se desarrollan modelos físicos y de correlación debido a las propiedades físicas
de los diversos tipos de superficies urbanas son factores importantes que determinan la
temperatura de la superficie de la tierra en las áreas urbanas. Estas van desde el color de la
superficie, el factor de vista del suelo2, la geometría y la transmitancia (Alfraihat, 2015). En
la literatura se destaca el papel que desempeñan los Sistemas de Información Geográfica
(SIG), programas estadísticos (R, Matlab, Octave y SPSS) y de modelo de microclima en
3D para el comportamiento de materiales (ENVI-met) en el análisis del clima urbano.
El uso de diversas metodologías de análisis del fenómeno y las diversas escalas
empleadas en los estudios dificulta la comparación entre casos. En ese sentido los esfuerzos
de Menon et al. (2010) no deben pasar desapercibidos, ya que propusieron un modelo de
superficie terrestre para calcular el cambio en la temperatura de la superficie debido al
cambio de todos los albedos urbanos por 0.1 y un enfriamiento estimado. Sin embargo, no
calcularon la respuesta climática con un modelo atmosférico. También, Jacobson y Ten
Hoeve (2012) menciona varias propuestas interesantes para minimizar la influencia de las
2Es la relación entre la radiación recibida por una superficie plana y la radiación hemisférica completa.
Capítulo 1. INTRODUCCIÓN 7
islas de calor en las ciudades. Entre las más discutidas y empleadas en el diseño urbano son
el uso de materiales naturales o con un comportamiento amistoso con el ambiente, como la
utilización de colores reflectivos o de concreto permeable.
Por lo tanto, a medida que los efectos de la urbanización continúan motivando cambios
biofísicos a escala global, las consecuencias resultantes de las nuevas condiciones climáticas
en las ciudades deberán ser consideradas e implementadas para propiciar su adaptación.
Este será uno de los grandes retos para alcanzar la sostenibilidad urbana.
1.4. Justificación
En el caso de Costa Rica, González y Saenz (1996) señalan que el crecimiento del
Gran Área Metropolitana (GAM) y los centros urbanos no tienen un ordenamiento urbano
lógico acorde a sus necesidades y actividades. En consecuencia, se considera un crecimiento
acelerado, que principalmente ocurre a expensas del sector rural o de las áreas de protección
agrícola especial.
Además, una de las principales críticas a las propuestas de ordenamiento del territorio
en el país, tanto a nivel regional como local, es la carencia del análisis de los efectos
climáticos y su impacto en las actividades humanas. El tema se aborda de manera general
en diagnósticos, en el que se describe mediante un resumen las condiciones climáticas, sin
considerar las variaciones de los datos en periodos mayores de 30 años y su comportamiento
en intervalos cortos de tiempo. También, no se realiza un análisis integrado de otros
elementos del sistema urbano como el transporte, la configuración y el diseño urbano.
Se adolece de una apropiada aplicación del componente climático en las propuestas
de ordenación urbana y territorial. Además, las políticas muchas veces son discursos
sin contenido práctico, que no se logran vincular efectivamente en una normativa o
reglamentación urbana (Álvarez-Vergnani, 2015; Chaverri-Polini, 2014).
Según el Informe del Estado de la Nación (Hernández-Sanchéz, 2014), sobre el tema
de crecimiento urbano se determina que las áreas construidas en la GAM se han expandido
considerablemente entre 1986 y el año 2010. Muestra de lo anterior es que en 1986 el área
urbana de la GAM era cercana a las 20.986 hectáreas, mostrando un incremento en alrededor
de 6.058 hectáreas para el año 1997 (27.044 ha) y de 6.043 para el año 2010 (33.088 ha), lo
cual representa un crecimiento absoluto cercano al 23% en ese periodo analizado. Se indica
Capítulo 1. INTRODUCCIÓN 8
que el crecimiento urbano ocurrió principalmente en los bordes de las áreas construidas
existentes. Además, se sugiere que la GAM creció principalmente mediante desarrollo de
espacios vacíos en los bordes o dentro de áreas urbanas consolidadas, y no tanto mediante
la dispersión de desarrollos urbanos lejanos del área construida existente.
Sin embargo, la GAM es más dispersa y menos densa que otras ciudades
latinoamericanas, aunque el crecimiento del área construida (1986 - 2010) ha sido más
compacto que el conjunto del área construida del periodo inicial (1986) (Hernández-
Sanchéz, 2014; Pujol-Mesalles & Pérez-Molina, 2012). Esto se asocia a un fuerte
crecimiento de las viviendas urbanas en la GAM. En 1963 existían cerca de 64.500 viviendas
urbanas alcanzando poco más de 600 000 en el 2011, con tasas de crecimiento mayores
a las poblacionales. El proceso de crecimiento demográfico de la subregión, aunado al
económico, necesitan y presionan por una mayor cantidad y calidad de tierras para localizar
las nuevas actividades residenciales y productivas. Este proceso de crecimiento urbano está
determinado por al menos tres elementos: a) la normativa (legislación general y específica);
b) la política y c) el mercado (Mora-Ramírez, 2006).
Sin embargo, ante la ausencia y mala definición de regulaciones locales y la debilidad
de las regulaciones regionales, así como políticas, en la GAM, el mercado constituye
el operador básico de la expansión urbana. El mercado de tierras en esta región se
gestiona en su mayoría por medio del sector inmobiliario (Hernández-Sanchéz, 2014;
Pujol-Mesalles & Pérez-Molina, 2012). Esto supone que el ritmo y la forma en la que
ocurre el crecimiento urbano en la GAM no es sostenible en el tiempo, sin una adecuada
planificación o intervención del Estado.
Estudios realizados por ProDUS-UCR (2007) y PRUGAM (2008) indican algunas
características negativas del sistema de transporte. Donde su desarrollo está en función del
vehículo automotor particular, a pesar de que el 76% de la población utiliza transporte
colectivo. Existe una concentración del transporte en las centralidades urbanas que traen
molestias de ruido y contaminación por la emisión de gases de efecto invernadero a la
atmósfera. Según Herrera (2011) la flota vehicular es la principal fuente de contaminación
atmosférica en Costa Rica, por lo que es necesario el ordenamiento vial en las ciudades. Las
emisiones vehiculares aportan un 75% de la contaminación del aire, un 23% es contribución
de la actividad industrial y energética, y el restante 2% es generado por otras fuentes. Otro
factor fundamental son los vientos, que juegan un papel clave tanto a nivel de concentración
Capítulo 1. INTRODUCCIÓN 9
del contaminante como su distribución en el espacio.
Además, un diseño de la ciudad ineficiente se potencian situaciones como la
contaminación ambiental del aire y la impermeabilización del suelo. Estos factores a su vez
afectan el ciclo hidrológico y posteriormente el microclima de la ciudad. Paulatinamente la
población es afectada por los cambios en las condiciones climáticas como el aumento de la
temperatura, que afectan la salud y subsecuentemente aumentan el consumo energético.
Al analizar estos factores la centralidad urbana de Heredia reúne ciertas condiciones
que justifican el estudio de la ICU. Es el área urbana con la segunda taza de mayor
crecimiento urbano en la GAM. Su proximidad con respecto al anillo de contención urbana
favorece la ocurrencia de diversos procesos de gentrificación y la expulsión de habitantes
del centro de la ciudad. También presenta espacios verdes intermitentes y amplios sectores
impermeabilizados en asfalto y concreto, que pueden ser comparados en su factor térmico.
Además, es una de las aglomeraciones urbanas de la GAM en las que se han registrado
altos niveles de contaminación del aire3 (Herrera, 2011).
Por lo tanto, se espera que los resultados de esta investigación no solo beneficien a
los habitantes del centro urbano de Heredia, sino que también puedan ser útiles para los
procesos de ordenamiento territorial en Costa Rica. Al generar insumos que puedan ser
incorporados en la planificación territorial y urbana.
La presente investigación busca responder las siguientes preguntas:
¿Cómo los cambios de cobertura de la tierra en la ciudad de Heredia inciden en el
patrón de distribución de la isla de calor urbano?
1. ¿Cómo es la distribución de la temperatura superficial en el área de estudio?
2. ¿Cuáles procesos de cambio de cobertura de la tierra propician un incremento en el
fenómeno de isla de calor?
3. Sí las tendencias de cambio de la cobertura natural a antrópico incrementan, ¿Qué
podría suceder en el componente climático del sistema urbano?
3Estación ubicada en el Edificio de Rectoría de la Universidad Nacional.
10
Capítulo 2
REVISIÓN DE LITERATURA
2.1. La Ciudad
Para el año 2020 pueden existir más de 500 ciudades con más de un millón de habitantes,
entre las más importantes1 destacan Tokyo, Shangái, Yakarta, Delhi, Seúl, Ciudad de
México, Nueva York y Sao Paulo. Por primera vez en la historia, la cantidad de habitantes
en las zonas urbanas sobrepasarán en números a los habitantes de las zonas rurales (Angel et
al. 2011; Ranagalage et al. 2017). Además, se espera que un alto porcentaje del crecimiento
natural de la población mundial sea absorbido por las áreas urbanas con menor desarrollo
en el mundo (Figura 2.1). Se establece entonces, que la urbanización es un proceso cultural
primario característico de la evolución de las sociedades humanas, y por tal razón debe ser
abordado como un factor clave para alcanzar el tan deseado desarrollo sostenible.
Debido a la complejidad de los espacios urbanos, en términos de desarrollo de las
relaciones sociales, y las diferentes actividades económicas y el rango de servicios que son
ofrecidos a sus residentes, ha provocado que definir el concepto de ciudad sea una tarea
ardua e incluso hasta controversial por parte de los especialistas e investigadores. En un
enfoque determinista y simple, la ciudad es definida como un espacio urbano delimitado
en el que se concentra y habita una población (X. Wang, 2012). Mientras que el concepto
de ciudad que ofrecen Guedes et al. (2009) desde el enfoque global y de la dependencia,
consiste en un sistema de elementos socioeconómicos dentro de un sistema mundial que
estimula el desarrollo económico y el mejoramiento técnico. A su vez Folch (2003), define
la ciudad como un sistema de flujos materiales y energéticos, regido por la información
y sometido a una escala ética de valores socioeconómicos. Por su parte Bettini (1998),
1Con respecto a la cantidad de habitantes.
Capítulo 2. REVISIÓN DE LITERATURA 11
FIGURA 2.1: Densidad de población mundial en el 2015. Generado a partir
de los datos GPWv4 del SEDAC, NASA (Elaboración propia).
Morales-Cerdas et al. (2018), Odum (1971), ofrecen una definición ecológica de la ciudad
como un ecosistema heterótrofo incompleto, dependiente de amplias zonas limítrofes para
la energía, los alimentos, las fibras, el agua y otros materiales. Por lo tanto, es posible decir
que sí la ciudad es un artificio natural de la especie humana, es el sistema ecológico y social
que constituye el ámbito existencial de buena parte de esta. Esta será la definición utilizada
en la investigación.
2.1.1. La Ciudad y las aglomeraciones urbanas
Una de las principales diferencias entre el concepto de ciudad y una aglomeración
urbana, es que la primera es una localidad definida según los límites legales/políticos y
poseer un estatus urbano administrativamente reconocido que generalmente se caracteriza
por alguna forma de gobierno local. Mientras que una aglomeración urbana se refiere a la
población de facto contenida dentro de los contornos de un territorio contiguo habitado en
los niveles de densidad urbana sin tener en cuenta los límites administrativos. Por lo general,
Capítulo 2. REVISIÓN DE LITERATURA 12
incorpora a la población de una ciudad o un pueblo, más que en las áreas suburbanas que
se encuentran fuera, pero que se encuentran adyacentes a los límites de la ciudad.
Es así como las ciudades están asociadas a la jurisdicción institucional local como las
municipalidades, y en varios casos también pueden ser referidas como áreas metropolitanas,
que están compuestas por espacios urbanos continuos dentro de un sistema funcional
estructural, como el caso de la Gran Área Metropolitana de Costa Rica.
2.1.2. Crecimiento urbano
Desde un enfoque económico, una aglomeración urbana ocurre por la concentración
geográfica y social del excedente del producto generado de las actividades humanas. La
urbanización es un fenómeno de clases en los que los excedentes han sido extraídos de algún
lugar y de alguien, y son controlados por otros (Harvey, 2013). Por lo tanto, la urbanización
es necesaria para absorber los excedentes de capital que produce perpetuamente el sistema
económico, y explica su crecimiento y dinámica.
Bajo esta concepción las aglomeraciones urbanas representan los espacios de mayor
contradicción del desarrollo humano, con un costo alto. En especial cuando las zonas
metropolitanas avanzan de manera rápida apropiándose de las pequeñas localidades y
espacios de su periferia (Santos-Cerquera et al. 2013; X. Wang, 2012). Mientras más rápido
se expanden las ciudades, requieren de un elevado nivel de consumo de recursos para
producir bienes y servicios necesarios para su propia subsistencia (Frenkel & Ashkenazi,
2008). Es reconocido ampliamente que el crecimiento urbano (urban sprawl), es una
característica no deseada en la estructura de la ciudad, debido a las desventajas económicas,
sociales y ambientales que implica en la funcionalidad del tejido urbano (Rubiera Morollón
et al. 2016).
Una evidencia interesante, es que al observar las curvas logísticas de crecimiento de la
producción capitalista a lo largo del tiempo son en general similares a las curvas logísticas
de la urbanización de la población mundial.
Capítulo 2. REVISIÓN DE LITERATURA 13
2.2. El clima en las áreas urbanas
El clima de una ciudad se determina por múltiples factores y variables, entre los que
destacan su ubicación geográfica, hipsometría, cobertura vegetal, cuerpos de agua, tipo
de materiales que componen las estructuras, disposición de la infraestructura, por citar
algunos Gartland (2008). A medida que una aglomeración urbana crece y se desarrolla
por las actividades humanas, nuevos factores como el calor producido por el hombre y la
contaminación del aire, tienden a modificar el clima local de la ciudad y contribuyen a la
formación de un clima urbano diferente.
Otro de los factores que se le atribuyen a las variaciones en el clima local de un sector
urbano, son las concentraciones de los habitantes y las emisiones de calor producido
por las actividades humanas. También el tipo de materiales predominantes en el diseño
y construcción de materiales como el metal, hormigón, asfalto, ladrillo, madera y rocas
provoca que la temperatura aumente en los centros más compactos, en comparación a otros
espacios donde la continuidad urbana se ve de manera más intermitente y se va atenuando
a medida que se aleja del centro.
La elevada densidad de edificaciones o bien una elevada aglomeración de
infraestructura2, que se manifiesta de manera horizontal y vertical, consume de manera
acelerada el espacio aún desocupado y tiende a modificar la velocidad del viento y su
dirección. Esto da lugar a diversas corrientes y tipos de circulación de aire local, que se
denominan viento o brisa urbana.
Se sabe que el clima urbano se ven afectado directamente por la disminución de
la cobertura vegetal del suelo y la construcción de infraestructuras que por su diseño
y materiales incrementan el almacenamiento de calor. Lo cual es un indicador de los
procesos y normativas que intervienen en el desarrollo urbanístico y que implica la carencia
de principios de una construcción sostenible. También, denota los intereses del sector
inmobiliario y el cual se le considera como un actor que impacta sobre el medio económico,
ecológico y social.
2En el caso de Heredia se presenta una altura predominante de las estructuras de 1 piso, con casos aislados
de 2 a 3 pisos.
Capítulo 2. REVISIÓN DE LITERATURA 14
2.2.1. Isla de Calor Urbana
El efecto de Isla de Calor Urbana (ICU) (urban heat island - UHI), se refiere al
fenómeno en el que la centralidad de una determinada área urbana es más cálida3 que en
su zona periférica no urbanizada (Cochran, 2014; Fan et al. 2016). De manera tradicional
se cuantifica como la diferencia termal entre la temperatura del aire a una altura de la
superficie de 1.5 m (T1.5m) de una estación meteorológica ubicada en una región urbana
con respecto a una estación meteorológica en la zona periférica (Jin, 2012). Por la anterior
característica, es necesario definir de manera precisa el límite de la aglomeración urbana y
su área inmediata mediante un mapa de cobertura de la tierra (Zhao et al. 2016).
El fenómeno de isla de calor urbano presenta dos características claves: 1. La (T1.5m)
urbana es mayor a la (T1.5m) periférica. 2. El máximo efecto de la ICU se presenta durante
la noche o en las primeras horas de la mañana. Se indica por varios autores que la ICU no
solo corresponde a un fenómeno térmico, sino que también es una fuerza orientadora para
el efecto de flujo inducido por la brisa o la circulación del viento, especialmente bajo la
influencia de un débil sistema sinóptico. Las ICU pueden variar en su intensidad de un área
a otra debido a varios factores. Según Taha (2017) las ICU en promedio oscilan entre 0.5°C
a 3°C y en casos atípicos puede alcanzar 5°C en las regiones tropicales.
Viento Peplosfera
Regional Límite de Pluma 
la capa urbana Urbana
Dosel
Urbano Límite de la
capa rural
FIGURA 2.2: Las capas urbanas en la peplosfera en el que ocurre el fenómeno
de Isla de Calor Urbano (Elaboración propia).
Según Gartland (2008), las islas de calor exhiben cinco características comunes:
3Se considera la temperatura del aire o de las superficies.
Capítulo 2. REVISIÓN DE LITERATURA 15
1. Al comparar las áreas rurales sin desarrollar, la ICU es por lo general más cálida,
con distintos patrones diarios en su comportamiento. Suelen ser más calientes, en
relación con las áreas rurales que rodean la ciudad, después de la puesta del sol, y
más frías después del amanecer. La temperatura del aire en la capa del dosel urbano,
debajo de los árboles y edificios, pueden alcanzar una diferencia de hasta 6° que con
respecto al aire en las áreas rurales. A esa diferencia de temperaturas se le conoce
como la intensidad de la ICU y se usa para medir su efecto.
2. La temperatura del aire es impulsada por el calentamiento de las superficies urbanas,
ya que muchas superficies construidas por el hombre absorben más calor del sol que
la vegetación natural.
3. Las diferencias en la temperatura del aire y de la superficie aumentan cuando el
tiempo atmosférico es calmo y con el cielo despejado.
4. Las áreas con menor cobertura de vegetación y mayor desarrollo estructural tienden
a ser más cálidas, y las islas de calor tienden a ser más intensas a medida que las
ciudades crecen.
5. Las ICU también muestran un aire más cálido en el límite de la atmósfera baja o
peplosfera4 (Boundary layer), la cual es la capa de aire que alcanza hasta 2000 metros
de altura y se dice que es afectada por las inmediaciones de la superficie terrestre.
Las ICU a menudo crean grandes columnas de aire más cálido sobre las ciudades, y
las inversiones de temperatura causadas por las islas de calor son frecuentes.
2.2.2. Medición y modelado de las ICU
Según Gartland (2008), Liu y Zhang (2011), Menon et al. (2010), T. Oke (2002, 2006), la
manera ideal de medir en cualquier ciudad la ICU, sería al examinar los patrones climáticos
regionales considerando la ciudad y removiendo la ciudad de su ubicación. Debido a que lo
anterior no es factible, se proponen una serie de metodologías para establecer el efecto del
clima urbano.
1. Estaciones fijas: El método más simple y práctico de estudiar las ICU es comparando
la información meteorológica existente de dos o más ubicaciones fijas. Es necesario
disponer de datos horarios, diarios, mensuales y anuales. Los datos de las estaciones
4Sección más baja de la troposfera.
Capítulo 2. REVISIÓN DE LITERATURA 16
se usan comparando un par de estaciones, una localizada en el área urbana y otra
en el área rural (Imhoff et al. 2010; T. R. Oke, 1973). También es posible estudiar
con múltiples estaciones meteorológicas los impactos regionales, así como evaluar la
tendencia y patrón temporal de la ICU, a medida que la región se urbaniza. Al usar
este método es necesario escoger de manera inteligente la locación de las estaciones.
También se recomienda tipificar las prácticas constructivas de las áreas urbanas,
mientras que en las áreas rurales deben estar rodeadas de coberturas naturales.
Es común, usar una estación meteorológica ubicada en el centro administrativo o
comercial de la ciudad y otra fuera de esta. Varias investigaciones usan las estaciones
localizadas en los aeropuertos5 como puntos externos de la ciudad, debido a que son
mantenidas de manera constante (Tasumi et al. 2008). Lo ideal es que la ubicación de
los instrumentos esté en el dosel urbano6, al nivel del suelo (1.5 - 2 m), lo cual no es
una característica común de las estaciones meteorológicas, en la que los instrumentos
se ubican hasta una altura de 10 m sobre el nivel de suelo.
2. Transectos móviles: Debido al tamaño y forma de las ciudades, y la baja densidad
espacial de los datos climáticos de las estaciones fijas, existen vacíos de información
en áreas consideradas críticas o de interés al estudio de las ICU. De esta manera se
propone la configuración temporal de estaciones móviles para registrar la información
en ciertas localizaciones fijas.
Si todavía, no se cuenta con la capacidad económica y temporal para este tipo de
configuración, una alternativa viable es el método de transectos móviles. Este método
consiste en establecer una ruta que atraviesa una región o territorio, y se detiene
a medir los datos del tiempo climático en una serie de ubicaciones previamente
definidas (Martínez, 2014). La selección del medio de transporte en el que desplaza
el instrumental varía según el tamaño de la ciudad. Las mediciones pueden llevarse a
cabo durante el día o la noche, aunque es más frecuente el horario nocturno debido al
poco tráfico y es el momento en el que se manifiesta la mayor intensidad de la ICU.
El registro de datos debe ocurrir en condiciones de tiempo calmo y sin condiciones
5La práctica de usar la estación meteorológica de los aeropuertos no es recomendada por los investigadores,
debido a que las condiciones elegidas para la ubicación de un aeropuerto no son las más apropiadas para la
medición de la ICU.
6El dosel urbano se define como el volumen de aire debajo del techo de las estructuras o de las copas de
los árboles.
Capítulo 2. REVISIÓN DE LITERATURA 17
de nubosidad.
Algunas limitaciones de esta metodología son la diferencia temporal de las
mediciones, las cuales deben ajustarse a una línea base. Otra dificultad es el costo
asociado para realizar mediciones simultaneas entre las rutas y puntos escogidos.
También, deben tomarse las medidas necesarias para proteger el instrumental de
fuentes de calor y de enfriamiento. Mientras que en cada medición debe considerarse
el tiempo de espera para que el instrumental alcance su punto de equilibrio, y de esa
forma garantizar una lectura válida. La calibración en el terreno de los instrumentos
es otra consideración importante.
3. Sensores remotos: Las metodologías anteriores son por lo general usadas para el
monitoreo de la temperatura del aire alrededor de la ciudad (Gartland, 2008). Mientras
que los sensores remotos se utilizan para determinar la temperatura de la superficie,
así como otras características entre las que destacan el tipo de cobertura, emisividad
y reflectividad de los materiales y sus respectivos albedos (Kala et al. 2014). Debido
a sus características pueden tomar una escena o fotografía de la energía radiada
visible e invisible (Bosque et al. 1991; Chuvieco, 1996). En el caso de las imágenes
satelitales, debido al desplazamiento orbital del satélite estas no registran de manera
continua la información durante el día, sino que lo hacen solo durante el paso del
sensor por el área de estudio. Si bien tienen un limitado periodo de registro temporal,
tiene una gran ventaja de visualizar las temperaturas sobre grandes extensiones de
superficie.
Se debe tener en consideración, que estas solo ofrecen una vista de las temperaturas
de las superficies desde una perspectiva a vista de pájaro (bird view), que por lo
general no considera las temperaturas verticales de las estructuras y debajo de los
árboles. La selección de las imágenes también es fundamental, ya que no deben
contener nubosidad y es necesario investigar sí durante el registro de la imagen no
existían condiciones adversas.
La instrumentalización de los sensores remotos se basa en mediciones de cinco
longitudes de ondas diferentes, con las cuales es posible determinar qué tan calientes
o fríos están los elementos que componen la superficie terrestre. La elaboración de
perfiles térmicos es una fortaleza de la metodología, por el registro continúo de datos.
En la actualidad, debido a una mayor disponibilidad de sensores y catálogos de firmas
Capítulo 2. REVISIÓN DE LITERATURA 18
espectrales, existe la posibilidad de generar series espaciotemporales. Incluso con la
accesibilidad y mejora de la autonomía de la tecnología de los vehículos de vuelo no
tripulado (UAV) o mejor conocidos como drones, pueden popularizar el uso de los
sensores remotos para aplicaciones climáticas.
4. Sensores verticales: Según T. Oke (2006), cuando se está ante grandes superficies
urbanas la afectación a la peplosfera en la extensión de la capa urbana es más
evidente, y tiende a generar turbulencia entre los 1 - 1.4 km de altitud. Esto
puede suponer un riesgo para las aeronaves. Otra utilidad es relacionar el ICU
con la contaminación atmosférica. Ante esta posibilidad, se usan globos sonda con
instrumentos meteorológicos para medir a diferentes altitudes la temperatura de las
masas de aire, distribución de aerosoles y otro tipo de particulado (Jacobson & Ten
Hoeve, 2012). Los globos son liberados en zonas urbanas y rurales, mientras que los
datos son enviados por ondas de radio. Esta metodología es por lo general utilizada
en complemento de otras, para entender el efecto horizontal y vertical de las ICU.
5. Balances energéticos: Propone la medición del flujo de la energía que entra y sale
de una superficie. Se considera un método de difícil implementación en pequeñas
escalas, pero apropiado y exacto para escalas grandes (Jacobson & Ten Hoeve, 2012;
Slater, 2010). Se dice que ofrece un mejor entendimiento del origen de la ICU. Se usa
como referencia teórica la primera ley de la termodinámica, en la que se establece
que la energía que entra y sale de una superficie debe conservarse. En el caso de la
superficie terrestre la ecuación se conforma de la siguiente manera:
Convección+Evaporación+Energía almacenada =
Calor antropogénico+Red de radiancia (2.1)
Debido a sus características, se involucra una gran cantidad de equipo e instrumental
para las mediciones del flujo de energía. Se reconoce su uso en el estudio de
edificaciones o estructuras, con el propósito de mejorar las condiciones de diseño y
de habitabilidad (Brown & Southworth, 2008).
En todos los casos es necesario el uso de métodos numéricos y estadísticos para el
análisis de los datos y poder modelar el comportamiento de la ICU. A su vez Gartland
(2008), sugiere el uso combinado de las técnicas de medición propuestas para determinar
Capítulo 2. REVISIÓN DE LITERATURA 19
de forma efectiva la ICU, aunque esto tiende a aumentar los costos de la investigación.
Para el caso de esta investigación se usará principalmente el método de sensores remotos,
acompañado de información secundaria disponible y complementaria que se generó de
otros métodos aquí mencionados.
2.3. El Desarrollo Sostenible en las ciudades
La definición de desarrollo sostenible que se utiliza en la investigación es la definida
por la Maestría en Desarrollo Sostenible (2000) y que establece que:
“Es un proceso de desarrollo social y económico que se sustenta en el manejo
y la conservación de los recursos naturales, con equidad social, que respeta a
la diversidad cultural y fortalece la participación ciudadana, garantizando la
calidad de vida de las generaciones presentes y futuras”.
Es importante señalar, que Maurice Strong afirmó que la batalla de sostenibilidad
se ganará o se perderá en las ciudades (Wackernagel, 1996). Una gran cantidad de
profesionales de diversas disciplinas están de acuerdo en afirmar que el actual modelo de
ciudad es ecológicamente insostenible y es socialmente injusto. La ciudad es un espacio
logísticamente fundamental, pero biológicamente poco productivo. Es un espacio que
importa recursos como energía y alimento de las áreas periféricas, y exporta productos
residuales a las áreas rurales. Es decir, se le asigna un rol como agente contaminador, pero
que no puede desligarse del sistema territorial en el que está inmerso. En la actualidad el
desarrollo de los espacios urbanos, no solo limitan el desarrollo de los espacios rurales,
también cada vez lo disminuye (Tello, 1996).
Es así como predomina un modelo, que define a las personas y la naturaleza como
un recurso al servicio del beneficio privado, que se valoriza y se deprecia con el tiempo.
Los debates sobre el cambio climático y los planes de acción, continúan en la actualidad
ignorando los factores más importantes que contribuyen al problema de fondo como la
población excesiva, altos niveles de consumo, e inequidad; así como también, las causas
que inhabilitan el lidiar con el mismo, como las democracias disfuncionales, capitalismo
salvaje, ecologías sociales enfermas (Wheeler, 2010).
Capítulo 2. REVISIÓN DE LITERATURA 20
Para profundizar sobre el tema es importante entender como diferentes profesiones
que tienen que ver con la cosa urbana no solo han fallado para responder a la crisis en
ciernes, sino como activamente han contribuido a generarla. Dado que es posible asociar
una conexión entre el concepto de desarrollo que prevalece en el consciente socioeconómico
predominante, con respecto a la forma de las ciudades, los patrones de asentamiento y su
impacto ambiental. Para este ejercicio académico, se tomará como intervalo temporal de
análisis los años de 1880 a 2020; que corresponden al desarrollo de la revolución industrial e
implementación del modelo capitalista. También, asociados al incremento de la temperatura
en el planeta (Pachauri et al. 2014; Randall et al. 2007).
2.3.1. La evolución del concepto de desarrollo y sus implicaciones en
las ciudades
En 1880, en casi todos los países era deseado el incremento de la industria, la
prolifereación de cultivos, la extensión de los tendidos de líneas férreas y la diversificación
comercial (Gudynas, 2004). Densificar la ciudad e incrementar su tamaño era un reflejo de
prosperidad y desarrollo. Ese deseo de lo urbano se refleja incluso en la connotación de
ciertos vocablos como civil, civilización y civismo. Por ejemplo, la palabra “civilizados” se
deriva del latin cı̄vı̄lis, que significa perteneciente a una ciudad, mantiene una connotación
positiva al ser sinónimo de persona culta e ilustre. En contraposición el término “villano’’
del latin villanus, hace referencia al residente rural y sinónimo de persona inferior e inculta.
A su vez, la naturaleza era considerada como un espacio en estado caótico o desordenado
que debían ser organizado por las fuerzas económicas. Se idealiza el modelo concéntrico
establecido por el economista Von Thünen en el año de 1842, en el que la distribución de la
agricultura debe ubicarse alrededor de la ciudad.
El concepto de producción también se relaciona al de desarrollo. Producir artículos en
el menor tiempo posible era lo esperado, incluso sí se atentaba contra la vida del obrero,
que era expuesto a largas y agotadoras horas de trabajo por un salario reducido. La ciudad
debía funcionar como una máquina de precisión, y su planificación seguía esa línea de
pensamiento. Era común que la localización de las fábricas ocurriera en sectores aledaños
al centro de la ciudad o del lugar de extracción de los recursos, para maximizar la ganancia
marginal. La movilidad de los obreros era prioridad, por lo que era frecuente que las
Capítulo 2. REVISIÓN DE LITERATURA 21
residencias se ubicarán cerca de las fuentes de trabajo. Las viviendas eran pequeñas y muy
densificadas para maximizar el uso del espacio. Este es el tipo de morfología urbana que se
asocia a la ciudad industrializada.
A finales del siglo XIX e inicios del siglo XX, las propuestas urbanas eran orientadas
a resolver los problemas sanitarios y estructurales de la ciudad industrial como procurar
para la población agua potable, eliminar el hacinamiento, mantener los espacios públicos,
establecer sistemas de transporte eficiente y garantizar el bienestar social. En ese contexto
de una inminente crisis humana, la planificación urbana incorpora en su acerbo teórico y
dialéctico los emergentes retos de la salubridad pública.
Howard (1902) idealiza por primera vez una propuesta alternativa al de la ciudad
industrial. Su esquema se orientó en crear ciudades jardines más pequeñas y unidas por
canales de tránsito y cinturones verdes. También, incluía grandes espacios verdes con el
propósito de eliminar el humo de las industrias y garantizar un ambiente saludable a sus
habitantes. Su propuesta nunca sería acogida. En esa misma línea fue el planteamiento
del arquitecto modernista Le Corbusier en 1933, con su diseño denominado “Torres en el
parque” (Wheeler, 2004). Este proyecto modernista fue emulado posteriormente en Estados
Unidos, aunque con varias críticas y en el que se atribuía posiciones antihumanas, por
su línea de diseños holístico-ecológicos. A pesar de sus detractores, varias de las ideas
de Le Corbusier se plasman en la Carta de Atenas de 1938. De esta manera nacen dos
corrientes diametralmente opuestas y que evolucionarían en el tiempo, la primera con
marcadas tendencias antrópicas y la segunda levanta el estandarte del nuevo ecologismo en
la construcción y evolución de los espacios públicos y privados en las ciudades.
La concepción antropocéntrica de las ciudades
Con el dominio del Keynesianismo como teoría económica durante ese período, la
construcción de obra pública fue una prioridad para el Estado. Se fomentó aún más la
expansión urbana en las áreas periféricas, generando fenómenos de suburbanización y
dispersión. Este modelo se denomina ex-urbs y consiste primero en el concepto de la ciudad
dispersa, que evoluciona al de espacios urbanos fragmentados o ciudad fractal (Monclús,
2000). Aunque las actividades financieras e institucionales todavía se localizan al interior
de la ciudad, ocurre un despoblamiento paulatino de la centralidad urbana, solo disponible
para los grupos de alto poder adquisitivo. También, se forman los espacios de segregación
Capítulo 2. REVISIÓN DE LITERATURA 22
de los suburbios, que dan paso a la marginalidad social y económica. Es importante destacar
que el modelo de ciudad dispersa es una ruptura del modelo de ciudad la compacta, que
busca mantener una alta densidad y prioriza la diversidad de usos.
Estados Unidos es el principal propulsor de esta corriente urbana, que asocia la nueva
infraestructura de la red vial con el uso continuo del vehículo particular para promover la
industria automovilística y el consumo de combustibles fósiles. La reproducción de este
modelo urbano en diversos lugares del planeta orientó el diseño de las ciudades hacia el
uso y funcionamiento prioritario de los automotores, incluso por encima que al bienestar
de los seres humanos (Tello, 1996; Wackernagel, 1996). Es posible afirmar como el tráfico
motorizado es el primer problema ambiental de las grandes ciudades modernas.
Con el paradigma de la globalización, aparece la ciudad de la globalización que no
es más que la acentuación de la ciudad dispersa. Se le considera una ciudad socialmente
polarizada y segregada, y espacialmente caracterizada por la sub-urbanización, la poli-
centralización y la fragmentación de la estructura urbana (Rodríguez, 2011). También,
debido a la escasa regulación del Estado en la materia urbana y a los diversos procesos de
conurbación, dan paso al desarrollo de las megalópolis o ciudades regionales.
Bajo este esquema el desarrollo humano y económico solo se puede alcanzar en la aldea
global. Se refuerza la idea, que el motor del desarrollo solo puede alcanzarse a través de la
industrialización, la sectorización y la división internacional del trabajo. La configuración
y el diseño urbano debe homologarse para su uso global, y que favorece el proceso de
deslocalización que limita la diversidad de la identidad urbana.
El enfoque ecologista y orgánico
Desde esta perspectiva, se debe mencionar la teoría del organicismo urbano, que es
muy común en el diseño de las propuestas de los años 30’s a 50’s. Tiende a un ejercicio
práctico de dibujos o esbozos del cómo será la ciudad futura deseada, siempre construida a
largo plazo y con la certeza de que su diseño se realizará tal y como está propuesto por los
urbanistas y profesionales involucrados. Se basa más en un ideal utópico, que no es posible
realizar en el presente. Destacan posiciones muy particulares como la del planificador Lewis
Mumford, que advirtió sobre los peligros de la Tecnópolis y que vinculó la urbanización, la
tecnología y la guerra a gran escala, en la cual se le otorgaba a la tecnología anti-humanista
un valor especial (Wheeler, 2004, 2010).
Capítulo 2. REVISIÓN DE LITERATURA 23
Con el movimiento ambientalista de los años 60’s y 70’s el discurso de lo urbano se
enfatizó en la propuesta de alternativas asociadas a los valores espirituales, naturales y
humanos, en lugar de la ganancia y el progreso económico. Con la proliferación de nueva
literatura alarmista y de carácter pesimista como «The Limits to Growth»; Only One Earth:
The Care and Maintenance of a Small Planet, se inicia el debate de los efectos e impactos
ambientales que ocurren en las aglomeraciones humanas. También, ocurren propuestas
muy interesantes como la Arcología del Profesor del Massachusetts Institute of Technology
(MIT) Paolo Soleri, en el que se enlazan la arquitectura con la ecología, y cuyos principios
establecen crear hábitats humanos densamente poblados y de bajo impacto ambiental.
No obstante, con la evolución de la corriente del Situacionismo (1950), que es una forma
de planificar la ciudad tal y como las personas la viven y sienten, en un proceso de abajo
hacia arriba; se empieza a amalgamar un enfoque de construcción social de la naturaleza
y el entorno humano. Tal corriente nace en el seno de la geografía de la percepción y el
comportamiento. Se le conocería como el construccionismo social y tendría como a un gran
exponente a Raymond Williams (1976), que definiría de manera teórica la codificación de
conceptos y claves socioculturales. Bajo esta línea serían muy importantes los roles de la
lingüística, la construcción de los mapas mentales y la ciencia.
Al incorporar ideas de la ciencia ambiental, la ecología, la sociología, la geografía,
la biología, la teología, la filosofía, la psicología, la política, la economía, entre otras
disciplinas, se unen las dimensiones sociales, culturales y ambientales de la vida. El
construccionismo social usa muchas ideas del pensamiento mundial occidental, pero
también incorpora concepciones y otros puntos de vista del mundo, como el conocimiento
tradicional de grupos aborígenes, la ecofeminismo, la cosmología hindú o la filosofía
africana del Ubuntu. También, está relacionado con la posmodernidad y el concepto del
Antropoceno, que ve a los humanos como una fuerza que está redireccionando la historia
geológica de la Tierra, que destruye la naturaleza. Su contenido teórico es el que sería
empleado en el concepto de desarrollo sostenible y formalizado en el Reporte Nuestro
futuro común Brundtland (1987).
Los nuevos enfoques de las ciudades sostenibles
Según Graizbord (2011), es difícil pensar que el proceso de urbanización pueda
detenerse y lo más probable es que mantenga una tendencia de crecimiento sostenido.
Capítulo 2. REVISIÓN DE LITERATURA 24
También, es cierto que con la evolución de las ciudades, los planificadores y urbanistas
deban afrontar la complejidad, la diversidad y la incertidumbre de los fenómenos urbanos
(Fernández-Güell, 2006; Torres, 2003).
En la actualidad existe toda una gama de tendencias y enfoques en los que se orienta la
planificación urbana. Sin embargo, en la actualidad un factor común que se discute entre
las sociedades es cómo alcanzar la sostenibilidad en las ciudades. Las formas pueden variar
según el modelo de sostenibilidad débil, fuerte o super fuerte propuesto por (Gudynas,
2004). No obstante, la selección de una u otra definirá los sacrificios o restructuraciones
que deben ser implementados por los actores y fuerzas vivas. Las nuevas tendencias del
paradigma de la sostenibilidad urbana se concentran en solucionar o abordar retos como: 1)
el cambio del modelo productivo, 2) modificar la cultura ambiental y la percepción de la
naturaleza por parte de los ciudadanos e 3) instrumentalizar las estrategias y políticas de
sostenibilidad generadas en los organismos de integración internacional.
De esta manera se trata de armonizar los objetivos de eficiencia económica, cohesión y
equidad social y el equilibrio ecológico. Es importante resaltar que aquellas sociedades con
metas de carbono neutralidad que buscan alcanzar la sostenibilidad, requieren confrontar la
realidad de la planificación actual, con una nueva concepción de sí mismas, más proactivas
y que promuevan en otras el deseo de evolucionar (Martin & Williams, 2016; Romain,
2013). Existen formas urbanas más deseables que otras en términos físicos, sociales y
económicos. Una de ellas es la que busca la Unión Europea, y que se conoce como la
ciudad compacta. Esta se caracteriza por incentivar altas densidades, usos de suelo mixtos
y mayor eficiencia energética. Se trata de reducir las distancias de los viajes al trabajo y
maximiza el transporte público masivo. También, promueve el crecimiento de la población
urbana dentro de los límites existentes de las áreas urbanas tradicionales, lo que resulta
en mayores densidades de población y de edificaciones (Graizbord, 2011). No obstante,
presenta varias críticas entre estas, que propicia un aumento de la temperatura de la mancha
urbana, al incrementar la red energética. Además, el congestionamiento en el centro de la
ciudad elimina las ventajas que otorga la concentración de estructuras y actividades.
Ante las críticas de la ciudad compacta, se ha construido un nuevo modelo denominado
Crecimiento inteligente (smart growth) en las (smart cities) (Lee et al. 2008; Sanseverino,
2014). Se caracteriza por limitar la expansión y promover el desarrollo en altura y volumen
concentrando vivienda y empleo. Además, prefiere una zonificación mixta, busca dar
Capítulo 2. REVISIÓN DE LITERATURA 25
una mayor accesibilidad al peatón. A su vez con fuertes incentivos fiscales preserva los
espacios para actividades agrícolas y usos recreativos. También, aprovecha la infraestructura
existente, mejorándola en lugar de construir una nueva. Este modelo apuesta al desarrollo
de aplicaciones de telecomunicación y a la innovación tecnológica para garantizar la
accesibilidad de los servicios. También, trata de resolver a la variedad de gustos y demandas,
mediante un diseño urbano funcional y atractivo, que pasa de ser de funciones simples
hacia aspectos multisensoriales. En este último punto existen serias implicaciones, como
las expuestas por Lewis Mumford, hace más de 60 años.
Es importante señalar que en la literatura no existe un acuerdo sobre cuál es el modelo
de una ciudad sostenible, aunque si existen una serie criterios que son aplicables para
mejorar las condiciones de sostenibilidad de las ciudades. Jabareen (2006) sugiere siete
conceptos de diseño de patrones urbanos que son necesarios de abordar para lograr avances
reales en el objetivo de construir ciudades más sostenibles. Estos son:
1. Compacidad: La compacidad del entorno construido es una estrategia ampliamente
aceptable a través de la cual se pueden lograr formas urbanas más sostenibles. La
compacidad también se refiere a la contigüidad (y conectividad) urbana, lo que
sugiere que el desarrollo urbano futuro debería tener lugar adyacente a las estructuras
urbanas existentes.
2. Transporte sostenible: El transporte es el mayor problema en los debates
medioambientales relacionados con la forma urbana. Es un reflejo de las tecnologías
de transporte que dominaron en diferentes etapas del desarrollo de la ciudad. Jordan
y Horan (1997), lo define como los servicios de transporte que indiquen los costos
sociales y ambientales totales de su provisión; debe respetar la capacidad de carga;
y que equilibre las necesidades de movilidad y seguridad con las necesidades de
acceso, calidad ambiental y habitabilidad del vecindario.
3. Densidad: La densidad es una tipología crítica para determinar formas urbanas
sostenibles. Es la proporción de personas o unidades de vivienda a área de tierra. La
relación entre densidad y carácter urbano también se basa en el concepto de umbrales
viables. En ciertas densidades, el número de personas dentro de un área determinada
se vuelve suficiente para generar las interacciones necesarias para que las funciones
o actividades urbanas sean viables.
4. Usos mixtos de la tierra: Según Barrantes-Sotela (2018), existe un consenso general
Capítulo 2. REVISIÓN DE LITERATURA 26
entre los planificadores y académicos de que el uso mixto de la tierra tiene un papel
importante en el logro de una forma urbana sostenible. La zonificación de uso mixto
permite que los usos de la tierra compatibles se ubiquen muy cerca unos de otros y,
por lo tanto, disminuyan las distancias de viaje.
5. Diversidad: La diversidad de actividades económicas es esencial. Jacobs (1961)
popularizó la dimensión de la diversidad, que fue adoptada y aceptada por varios
enfoques de planificación, como el nuevo urbanismo, el crecimiento inteligente y el
desarrollo sostenible. Es un fenómeno multidimensional que promueve entidades
urbanas deseables, que incluyen una variedad de tipos y tamaños de vivienda,
densidades urbanísticas, edades, culturas e ingresos. La diversidad representa el
contexto social y cultural de la forma urbana.
6. Diseño solar pasivo: En general, la idea es reducir la demanda de energía y
proporcionar el mejor uso de la energía pasiva de manera sostenible a través de
medidas de diseño específicas. Este criterio afecta la forma del entorno construido a
través de, por ejemplo, la orientación de edificios y densidades urbanas.
7. Verdor: La ecologización de la ciudad, o urbanismo verde, parece ser un concepto
de diseño importante para lograr una forma urbana sostenible. Los espacios verdes
tienen la capacidad de contribuir de manera positiva en temas clave de las áreas
urbanas. Entre los beneficios sugeridos en la literatura están: a) contribuciones al
mantenimiento de la biodiversidad mediante la conservación y el mejoramiento de
la variedad distintiva de hábitats urbanos; b) la mejora del entorno físico urbano
al reducir la contaminación, moderar los extremos del clima urbano y contribuir a
sistemas de drenaje urbano sostenible y rentables; c) contribuciones al desarrollo
sostenible para mejorar la imagen del área urbana; d) mejora de la imagen urbana y
la calidad de vida; e) aumentar el atractivo económico de una ciudad y fomentar el
orgullo de la comunidad.
Según Forman (1997), Wheeler (2004), la ecologización tiene beneficios para la salud
y mantiene una función educativa como símbolo o representación de la naturaleza.
También tiene como objetivo preservar y mejorar la diversidad ecológica del medio
ambiente de los lugares urbanos.
Otro enfoque es a través de la solución de temas críticos o que considera mejoras en los
elementos o componentes del sistema urbano que se desean intervenir como el sistema de
Capítulo 2. REVISIÓN DE LITERATURA 27
transporte, y la movilidad urbana eficiente, la dotación de servicios públicos, reutilización
de infraestructuras socio funcionales, preservación de las áreas verdes y simplificación de
trámites en virtud de una gobernabilidad integral pero simple.
Los criterios establecidos por Jabareen (2006), serán considerados en el análisis de la
morfología del sistema urbano de la presente investigación.
2.4. Políticas de mitigación del cambio climático desde el
Ordenamiento Territorial
La posición de Estado costarricense con respecto al cambio climático se ha definido en
el ámbito de las negociaciones de las Naciones Unidas, en las que sobresalen principalmente
los acuerdos logrados en:
Convenio de Viena para la protección de la Capa de Ozono (Ley No. 7228 del 6 de
mayo de 1991).
Convención Marco de las Naciones Unidas sobre el Cambio Climático (Ley No.
7414 del 13 de junio de 1994).
Protocolo de reformas al Convenio de Montreal sobre la capa de ozono (Ley No.
7808).
Aprobación del Protocolo de Kyoto de la Convención Marco de las Naciones Unidas
sobre Cambio Climático (Ley No. 8219 del 08 de marzo del 2002).
Aprobación de la Enmienda de DOHA al Protocolo de KYOTO, “Aprobación del
Protocolo de Kyoto de la Convención Marco de las Naciones Unidas sobre el Cambio
Climático” (Tratado Internacional 9357).
Acuerdo de París del 2015 (Ley No. 9405 y Decreto Ejecutivo 39945-RE).
El gobierno de Costa Rica optó por mantener una posición positiva en estos acuerdos y
ha señalado la responsabilidad colectiva de las naciones para mitigar los efectos del Cambio
Climático (CC) en el mundo. De ahí la postura de que no solo los países desarrollados
deben asumir compromisos de reducción de emisiones de Gases de Efecto Invernadero
(GEI), sino también los países de economías emergentes.
Según Araya (2015), tradicionalmente en los acuerdos internacionales solo se orientan
a las negociaciones sobre la mitigación de emisiones, por el costo asociado de la
Capítulo 2. REVISIÓN DE LITERATURA 28
transformación de los modelos de producción económica. Mientras, que en segundo plano
están las discusiones sobre la adaptación al cambio climática, en las cuales el país no ha
avanzado de manera significativa.
El principal compromiso adquirido por el país en estos acuerdos está alcanzar la C-
Neutralidad para el 2021 (Bicentenario de la República). Para lograrlo, ha establecido
una serie de políticas como los Planes Nacionales de Desarrollo (2007-2010, 2011-2014
y 2015-2018), la Política Nacional de Adaptación al Cambio Climático, el Plan Nacional
de Cambio Climático, la Estrategia Nacional de Cambio Climático y el Plan de Acción de
Estrategia Nacional de Cambio Climático.
En la estructura ministerial del Ministerio de Ambiente y Energía (Minae), se formó
en el año 2009 la Dirección de Cambio Climático (DCC) y posteriormente en el año
2011 se constituyó mediante Decreto Ejecutivo 36823 el Comité Técnico Interministerial
de Cambio Climático que lo compone el Ministerio de Ambiente y Energía (Minae), la
Cancillería, Ministerio de Agricultura y Ganadería (MAG), Ministerio de Transporte y
Obras Públicas (MOPT), Fondo Nacional de Financiamiento Forestal (FONAFIFO) y
el Instituto Meteorológico Nacional (IMN)7. A su vez la DCC promueve una serie de
iniciativas estatales como el desarrollo de estrategias de bajas emisiones, el Carbono 2012,
Formulación de Acciones Nacionales Apropiadas de Mitigación (NAMAS) en Transporte
y Agricultura, Programa Competitividad y Medio Ambiente, Evaluación de Necesidades
Tecnológicas y el Programa REDD++ entre otros.
Sin embargo, no ha sido posible generar leyes específicas sobre el Cambio Climático
en Costa Rica, la última iniciativa fue el proyecto de Ley de Cambio Climático (expediente
18860), que fue votado a favor en primer debate, pero que posteriormente fue retirado de
la corriente legislativa en el 2014. Si debe mencionarse que la Ley No. 8488 Nacional
de Emergencias y Prevención del Riesgo, no se refiere explícitamente al tema de cambio
climático, la misma si indica el concepto de mitigación del riesgo asociado a un evento
natural. Pero que posteriormente en la Política Nacional de Adaptación al Cambio Climático,
el Plan Nacional de Gestión del Riesgo 2010-2015 y en la Política Nacional de Gestión del
Riesgo 2016-2030 del 2015, Política Nacional de Desarrollo Urbano 2018-2030 (2018) y
su Plan de Acción (2018); los temas de mitigación y adaptación ante el Cambio Climático
son ampliamente abordados.
7Estos dos últimos son instituciones adscritas al Minae.
Capítulo 2. REVISIÓN DE LITERATURA 29
El «Plan de Acción 2018-2022 de la Política Nacional de Desarrollo Urbano 2018-2030»
en la sección de Contexto ambiental en áreas urbanas, incluye un pequeño apartado sobre
la adaptación y mitigación a acciones climáticas. En el artículo 104, se sugiere que las
municipalidades mantengan un registro sobre la incidencia y afectación por el fenómeno
de islas de calor, con el propósito de establecer medidas de mitigación. Además, establece
algunos ejemplos de las posibles medidas a implementar en las ciudades. No obstante, se
carece de una formulación metodológica e instrumental que permita establecer o cuantificar
la ICU en el ámbito del territorio costarricense.
Según la Contraloría General de República por medio de una auditoría a la DCC
establece que la mayoría de las actividades realizadas por esa dirección no tienen carácter
vinculante legal y que a pesar de que el gobierno realiza estas iniciativas no las ha
oficializado mediante acto administrativo. Es decir, no existe un instrumento formal que
permita hacer una valoración real del avance que realiza el país en el tema. Aunque debe
responder internacionalmente con indicadores concretos en temas como la reducción de la
deforestación con el programa REDD++ que maneja FONAFIFO y el C-Neutralidad 2021
mediante el inventario nacional de emisiones de GEI.
Si bien el país presenta una diversa cantidad de iniciativas en el tema de Mitigación
y Adaptación ante Cambio Climático, no cuenta con un marco jurídico nacional que
le den sustento a la asignación de competencias institucionales desde el Ordenamiento
Territorial, así como los suficientes instrumentos técnicos de gestión y control, que permitan
asentar responsabilidad por un eventual incumplimiento de lo acordado por el país ante la
comunidad internacional.
30
Capítulo 3
ÁREA DE ESTUDIO
3.1. Ubicación geográfica
Este proyecto de investigación tiene como área de estudio la centralidad urbana de
Heredia delimitada por los ríos Pirro y Burío, así como su zona periférica. La superficie
total se estima en 3605.7 hectáreas (Figura 3.2). También se analiza la escala regional, que
se define en el sector Oeste del Gran Área Metropolitana de Costa Rica (Figura 3.1), según
la delimitación del INVU en el Plan GAM de 1982 (Mora-Ramírez, 2006). El propósito es
establecer el patrón climático regional en el que está inmerso el área de estudio.
FIGURA 3.1: Área de estudio (Escala Regional).
Capítulo 3. ÁREA DE ESTUDIO 31
(A) Área urbana.
(B) Modelo digital del terreno.
FIGURA 3.2: Ciudad de Heredia
Capítulo 3. ÁREA DE ESTUDIO 32
3.2. Aspectos históricos
Gudmundson (2013), caracteriza el patrón de asentamiento colonial en Costa Rica
como nucleado y compuesto de manera predominante de viviendas. Es decir, no existían
centros urbanos antes de la introducción del cultivo de café. Esta descripción aplica para la
ciudad de Heredia. Según Meléndez Chaverri (2001), la edificación del templo parroquial
de la iglesia Católica Inmaculada Concepción en el año 1714 significó el origen de la
ciudad de Heredia. Durante la Colonia es considerado el principal foco de atracción de
habitantes del poblado Cubujuquí. Según los registros de la parroquía, en 1719 el poblado
de Cubujuquí consistía en una iglesia y ocho casas pajizas, entre los que se estimaba treinta
y seis habitantes (Meléndez Chaverri, 1997). En el año 1748 se obligó a los vecinos que
habitaban en las áreas más alejadas, a ubicarse en las cercanías del poblado. Mientras que,
en el año de 1762, Cubujuquí se conformaba por cuatro manzanas con casas entejadas y
viviendas pajizas.
Sin embargo, la metrópoli de la provincia no era Heredia, ya que como era costumbre
la capital de una circunscripción es la más antigua de sus poblaciones y en ese caso era
la villa de Barva. A mediados de siglo XVIII, los habitantes de Cubujuquí solicitaron a la
Audiencia de Guatemala la segregación de San Bartolomé de Barva y el título de villa. De
esa manera el presidente del Tribunal y Capitán General Don Alonso Fernández de Heredia
autorizó la elección de “la villa de la Inmaculada Concepción de Cubujuqí de Heredia”,
el 1 de junio de 1763. Era una práctica generalizada que el Capitán General impusiera su
apellido al conceder el título de villa. Este nombre se mantuvo hasta el 1 de noviembre
de 1824 en el que fue erigida en ciudad con el nombre de Heredia, en honor al presidente
del Tribunal mencionado. De esta manera se ha dado nombre a la provincia y al Cantón
Central. En el año de 1775, Heredia contaba con 6572 habitantes, pero incluía Alajuela que
era parte de su jurisdicción (Meléndez Chaverri, 1997, 2001).
La actividad cafetalera en Heredia durante la tercera década del siglo XIX y hasta
el último cuarto del siglo XX, se considera como uno de los principales factores en el
fortalecimiento de las condiciones de la población y el desarrollo de la ciudad. Al inicio
y hasta mediados del siglo XX, las actividades económicas estaban subordinadas a la
producción agrícola del cultivo del café. La forma cuadrada característica de la ciudad es
evidente desde el año de 1927 y se aprecia en el mapa de la figura 3.3. Incluso a pesar de
Capítulo 3. ÁREA DE ESTUDIO 33
que Heredia estaba segregada en cuadras constituidas, la ocupación de estas era parcial.
El centro administrativo, político, militar y religioso hasta en la actualidad se localiza
de manera precisa en el centro de su delimitación del distrito central, lo que implica una
intención de planificación urbana. En el mapa de la ciudad de 1958 elaborado por el Instituto
Geográfico de Costa Rica (figura 3.4) se evidencia que el sector periurbano era ocupado
por parcelas con cultivo de café y nueve beneficios, entre estos destacaban: el Beneficios de
Juan León, Beneficio La Macha, Beneficio Pirro, Beneficio La India, Beneficio San Bosco
y Beneficio Carbonal.
Con el crecimiento de la población fue necesario la disponibilidad de más terrenos
para las residencias, el sector comercial y los servicios. La evolución de la ciudad suscitó
un cambio paulatino en las relaciones urbanas (gráfico de la figura 5.2). Tal situación era
evidente en el año de 1962, cuando la Dirección General de Estadística y Censo estimó en
372 los negocios comerciales en la centralidad urbana, y se determina un incremento del
comercio especializado, característico de una dinámica urbana más compleja (León Sáenz
& Peters Solórzano, 2019).
Según Gudmundson (2018), después del año 1970 los productores de café enfrentan
serios problemas como la baja en los precios del grano debido a las continuas crisis
económicas internacionales, y al modelo de herencia de las propiedades. Este último
problema en particular se originó de la segregación de fincas madres en lotes pequeños de
índole familiar, y que no sustentaban una unidad mínima de parcela productiva agrícola.
Además, la movilidad social de las familias provocó la indisposición de los hijos de los
productores en continuar como generación de relevo de sus padres. Al no existir apego por
la tierra y la tradición cafetalera, es aparente el inicio de un proceso de sucesión o cambio
de la cobertura de la tierra en el área de estudio. Otro aparente problema es mencionado
por Gudmundson (2018), y que se describe como un cambio en las características del clima
entre los años de 1980 y 1980 indujo que los productores de café “buscaran la montaña” y
trasladaran la producción a zonas con mayores altitudes para mejorar la calidad del café,
abandonando la renovación in situ de los terrenos circundantes a la ciudad. Estas situaciones
serán abordadas en el marco de esta investigación.
Capítulo 3. ÁREA DE ESTUDIO 34
FIGURA 3.3: Heredia: Plano de la ciudad, 1942.
Digitalización del mapa original por Geóg. Marvin Alfaro Sánchez.
FIGURA 3.4: Heredia: Plano de la ciudad, 1958.
Elaborado por el IGN.
Capítulo 3. ÁREA DE ESTUDIO 35
3.3. Características demográficas y socioeconómicas
Al considerar los datos del censo de población del año 2011 y los datos de estimaciones
y proyecciones de población emitidos por el Instituto Nacional de Estadística y Censo
(INEC, 2011, 2019), se estima para el año 2019 un total de población en los distritos de
Heredia, Mercedes, San Francisco y Ulloa de 140 749 habitantes. De los cuales 69 288
personas son de sexo masculino y 71 461 personas son de sexo femenino.
Gran parte de la población se concentra en el distrito de San Francisco, que a su vez es el
que más problemáticas presenta con respecto a un acelerado crecimiento urbano y cambio
de cobertura de la tierra. La media de personas por hogar (3.86) es un poco menor a la
media de la GAM (4.04) y prácticamente la mitad de los hogares del Cantón se concentran
en San Francisco. La media de habitantes por vivienda en Heredia (3.93) es similar a la de
la GAM (3.93) a excepción del distrito de San Francisco donde el número se dispara hasta
4.27 personas por vivienda.
Con respecto a la población económicamente activa (PEA) para el año 2011 se
estableció en 56741 personas, con una tasa de ocupación del 57% para una tasa neta
de participación del 58.9%. Esto sugiere que la población del cantón de Heredia mantiene
una buena o moderada oferta de empleo, que se podría traducir en un desplazamiento
hacia otros lugares de la GAM o dentro del mismo cantón. Además, presentan una gran
especialidad funcional urbana por la cantidad de servicios y comercios disponibles para sus
habitantes. En las áreas centrales se encuentran estructuras de dos pisos y en algunos casos
particulares ascienden a tres y cuatro niveles.
Capítulo 3. ÁREA DE ESTUDIO 36
FIGURA 3.5: Pirámide poblacional de los distritos en el área de estudio.
Heredia: Pirámide Poblacional 2019
Hombre Edades Mujer
3.3 75 y más 5.0
2.1 70−74 2.7
3.4 65−69 4.2
5.0 60−64 5.7
6.4 55−59 7.2
7.1 50−54 7.6
7.8 45−49 7.8
9.5 40−44 9.2
11.7 35−39 10.8
12.4 30−34 11.4
7.1 25−29 6.6
5.7 20−24 5.2
4.6 15−19 4.1
4.6 10−14 4.2
4.7 5−9 4.2
4.6 0−4 4.2
14 12 10 8 6 4 2 0 0 2 4 6 8 10 12 14
% %
Fuente: Elaboración propia con los datos del Censo 2011, así como los datos
de estimaciones y proyecciones de población. Se excluye el distrito Vara
Blanca. (INEC, 2011, 2019).
Capítulo 3. ÁREA DE ESTUDIO 37
3.4. Clima y zona de vida
De acuerdo con los datos de las estaciones meteorológicas ubicadas en la Universidad
Nacional, Santa Lucía (Barva de Heredia) y el Aeropuerto Internacional Juan Santa María;
la precipitación anual ronda entre los 1726.8 - 2403.3 mm y se concentra principalmente
en 7 meses de mayo a noviembre, con 5 meses secos de diciembre a abril. Mientras que la
temperatura promedio anual ronda los 22.4°C.
CUADRO 3.1: Estación San Lucía (Barva Heredia): Resumen Climático.
Temperatura Humedad Lluvia Días con
Mes (°C) Relativa(%) (mm) lluvia (mm)
Max. Min. Med.
ENE 24.3 14.9 19.6 74 16.7 5
FEB 25.2 14.7 20.0 73 23.4 4
MAR 26.3 14.7 20.5 72 42.3 4
ABR 26.8 15.2 21.0 76 112.9 9
MAY 25.9 15.8 20.8 84 319.0 21
JUN 25.3 15.7 20.5 86 328.8 22
JUL 25.1 15.9 20.5 83 207.5 20
AGO 24.5 15.1 19.8 85 255.4 22
SEP 25.0 15.3 20.1 90 421.4 25
OCT 24.0 14.9 19.5 88 440.1 25
NOV 24.5 15.6 20.0 83 183.6 18
DIC 23.4 14.9 19.2 79 52.2 9
Lat.: 10°1’ 0"Norte; Lon.: 84°5’ 59” Oeste Altitud: 1200 m.s.n.m. Tipo: Manual;
Período Lluvia: 1983 - 2015; Temperatura: 1982 - 2015; Humedad: 1998 - 2015.
Lat.: 10°0’ 0"Norte Lon.: 84°13’ 0” Oeste Altitud: 890 m.s.n.m. Tipo: Automática;
Período: 1999 - 2015;
Capítulo 3. ÁREA DE ESTUDIO 38
CUADRO 3.2: Aeropuerto Juan Santa María: Resumen Climático.
Temperatura Humedad Lluvia Días con
Mes (°C) Relativa(%) (mm) lluvia (mm)
Max. Min. Med.
ENE 28.2 18.6 23.4 63 9.1 2
FEB 29.0 18.5 23.7 61 13.0 2
MAR 29.8 18.7 24.2 61 17.7 4
ABR 30.2 19.2 24.7 66 65.4 9
MAY 28.9 19.1 24.0 78 246.0 20
JUN 28.3 19.0 23.6 82 216.8 21
JUL 28.3 19.1 23.7 78 147.2 19
AGO 28.3 18.7 23.5 80 218.6 21
SEP 27.8 18.3 23.0 85 311.9 25
OCT 27.2 18.4 22.8 86 297.5 25
NOV 27.3 18.4 22.8 79 153.6 17
DIC 27.8 18.5 23.1 69 30.0 7
Capítulo 3. ÁREA DE ESTUDIO 39
De los datos de Evapotranspiración Potencial (ETP), se obtiene un radio de ETP igual a
1.0552. Por lo tanto, según (Holdridge, 1966), el área de estudio se encuentra en la zona de
vida denominada Bosque premontano húmedo (bh-P).
regiones cinturones 
latitudinales altitudinales
polar desierto desierto desierto nival
1.5 °C
tundra tundra tundrasubpolar muy tundraseca húmeda húmeda pluvial alpino
3 °C
boreal desierto matorral bosque
bosque bosque
seco muy húmedo húmedo pluvial subalpino
6 °C
bosque
temperatura fría desierto matorral estepa bosque muy bosquedesértico húmedo montanohúmedo pluvial
12 °C
temperatura cálida estepa matorral bosque bosque bosque bosque montano bajodesierto desértico / monte seco húmedo muy subtropical espinoso húmedo pluvial premontano
bosque 24 °Ctropical desierto matorral monte bosque bosque bosque muy bosquedesértico espinoso muy seco seco húmedo húmedo pluvial
super- perárido árido semi- sub- húmedo muy- super- línea crítica de temperatura
árido árido húmedo húmedo húmedo
provincias de húmedad
FIGURA 3.6: Sistema de zonas de vida según Holdridge.
3.4.1. Oscilaciones
Es importante observar la tendencia del ENOS, ya que puede explicar el aumento
o disminución de la intensidad de la ICU. En la figura 3.7 se observa la fase positiva y
negativa del ENOS, según los datos de la NOAA al 2019 (Kobayashi et al. 2015; Wolter
& Timlin, 1993; T. Zhang et al. 2019). Mientras que los puntos en la gráfica representan
a fecha de adquisición de las imágenes satelitales utilizadas en la investigación. De tal
manera que al procesar la información satelital es posible comprender el posible efecto del
ENOS en el análisis de la ICU.
radio potencial de evapotranspiración
62.5
125
250
500
1000
2000
4000
8000
16000
biotemperatura
)
l (m
m
ua
 an
itac
ión
ecippr
5
0.1
2
0.2
5
0.5
1
2
4
8
16
32
Capítulo 3. ÁREA DE ESTUDIO 40
●
●
● ●
2
●
●
1 ● ●●
●
● ● fase
●
● Negativa
● ● Positiva●
0 ● ●●
● ●●
● ● ●● ●
● ● ● ●
●
● ● ●
● ●
−1 ●
●
●
●
−2
1980 1990 2000 2010 2020
Fecha
FIGURA 3.7: Anomalías del ENOS y registro temporal de las imágenes
landsat.
Anomalia ENOS
Capítulo 3. ÁREA DE ESTUDIO 41
3.5. Configuración urbana
Heredia presenta un centro urbano bien definido con trama urbana en cuadrícula, con
una alta densidad de la edificación con alturas predominantemente de uno o dos pisos. En el
distrito central se concentran los servicios y equipamientos que abastecen a los habitantes
del cantón y a otros cantones colindantes, como es el caso de San Rafael, San Pablo, Barva,
Flores y Santa Bárbara.
En el cuadrante urbano se encuentra la zona histórica, con el parque central como
antesala de la iglesia Inmaculada Concepción, el edificio de la Municipalidad de Heredia,
el Fortín (torre colonial que es parte de un antiguo fuerte español), el edificio de correos,
el Liceo de Heredia, el templo de la música, la casa de la cultura y una serie de edificios
que cuentan con interés patrimonial forman el nodo central. Al norte los viejos barrios
residenciales como Fátima y Corazón de Jesús, donde el comercio no ha restado importancia
ni ha desplazado el uso habitacional original.
Es importante destacar el parque Cleto González y la escuela del mismo nombre. Al sur
la zona comercial con los edificios del antiguo y del nuevo mercado, el pequeño comercio
instaurado en la zona, la antigua estación del ferrocarril y las paradas de autobuses definen
el comportamiento comercial de la ciudad en conjunto con la iglesia de los Ángeles y la
iglesia del Carmen. Al oeste la zona deportiva, con el Palacio de los deportes y el estadio
de fútbol Eladio Rosabal Cordero. Fuera de la cuadrícula central, al este se encuentra el
campus de la Universidad Nacional. Mientras que al sur se localiza las nuevas instalaciones
del hospital San Vicente de Paúl.
Esta distribución genera una serie de flujos y recorridos internos con problemas de
congestionamiento vial por la elevada cantidad de vehículos, tanto privados como públicos
(buses). La terminal de autobuses al Sur del mercado antiguo, por su reducido tamaño
solo brinda espacio a un reducido número de rutas. La mayoría de los servicios de ruta de
autobuses mantienen las paradas en los laterales de las vías que producen colapsos internos
debido a la estrechez de las calles centrales de la cuadrícula y de la gran cantidad de buses
que circulan por ellas. Los escasos puntos de acceso y salida a la ciudad constituyen topics
que limitan el flujo vehicular, en especial en la ruta 3 por el sector Miraflores.
42
Capítulo 4
MATERIALES Y MÉTODOS
4.1. Tipo de investigación
La presente investigación, hace uso de diferentes elementos y características que la
insertan dentro de un estudio de tipo exploratorio y correlacional. Según Hernández et al.
(2010) las razones para señalar que es una investigación de carácter exploratorio, es porque
la temática y la relación de variables que se buscan explicar y entender. En este caso la
relación del fenómeno de isla de calor urbano con respecto a otros factores que inciden en
su formación, no se ha abordado a profundidad en Costa Rica.
La investigación tiene un fundamento correlacional, debido a que el estudio va más allá
de una descripción del clima en la centralidad urbana de Heredia. Se propone alcanzar un
nivel de análisis que permita discernir la influencia de la dinámica de crecimiento y cambio
de la cobertura de la tierra en la formación del fenómeno de ICU. Por lo tanto, tiene un
carácter de investigación relacional; al buscar establecer un grado de relación o asociación
existente entre las variables estudiadas.
Entre los enfoques, técnicas e instrumentos para abordar el cumplimiento de los
objetivos, destacan el manejo cuantitativo de elementos que a meritan procesos de
observación, comprensión y sistematización de información. Entre ellos, el uso de índices
físico-ambientales y métricas espaciales que implican el análisis e interpretación de
fotografías aéreas e imágenes de satélite, asistido por un levantamiento de campo.
Capítulo 4. MATERIALES Y MÉTODOS 43
4.2. Variables y Categorías: definición e instrumentación
Para abordar de forma sistemática y coherente el problema de investigación, es necesario
determinar los factores más importantes que intervienen en el objeto de estudio. En ese
sentido las variables son las características o cualidades de la realidad que son susceptibles
de asumir diferentes valores en el objeto de análisis (Sabino, 1992). Mientras que las
categorías de análisis son clases o tipos de fenómenos en cuanto a alguna propiedad o
variable. Por lo tanto, describen o explican la naturaleza del problema en estudio, razón
por la cual se necesita obtener información de estas (Hernández et al. 2010). Según los
objetivos específicos propuestos en esta investigación las variables y categorías de análisis
son:
4.2.1. Objetivo específico 1:
Determinar los principales patrones de cambio de cobertura de la tierra que contribuyen
en el fenómeno de ICU.
Variable: Morfología del sistema urbano
1. Definición conceptual: Es la identificación de los patrones de distribución espacial
de los elementos que conforman un territorio o ciudad, creados y organizados por la
sociedad que los habita, y que mantienen una relación funcional entre sí.
2. Definición operativa: Es la caracterización de la forma y distribución de las áreas
urbanas y naturales, que ayudan a establecer los procesos evolutivos que ocurren
en una ciudad o aglomeración urbana. Se considera que el modelo de ocupación y
morfología urbana está estrechamente relacionado con el modelo de desarrollo
predominante. Para hacer operativo la definición conceptual, se describen los
elementos de la morfología urbana en:
a) Contorno: Es la forma geométrica de la ciudad que se conforma del límite
establecido por el crecimiento urbano. También se define como el perímetro de
la mancha edificada de las aglomeraciones urbanas.
b) Traza: Es la orientación y sentido que describen la red de transporte y los
cuadrantes (cuadras).
Capítulo 4. MATERIALES Y MÉTODOS 44
c) Bloques: Describe la forma de los bloques urbanos, que se constituyen del
agrupamiento de las parcelas y que están separadas por la trama vial.
d) Parcelamiento: Describe la disposición espacial de las parcelas que componen
un bloque urbano.
e) Tejido urbano: Es la transparencia variable que se establece de una mayor o
menor compacidad, y que permite determinar qué tan frecuente se observan
espacios sin uso o cobertura edificada. Es decir, es la manera en cómo las
diferentes coberturas de uso de la tierra se extienden sobre la masa edificada.
f ) Apariencia: Son los aspectos tangibles como el tipo de edificación, las
actividades, usos urbanos y espacios naturales, que permiten la identificación
del centro, los barrios y la periferia de las ciudades.
3. Instrumentación: Consistirá en la descripción de la distribución espacial de la
población y las actividades que conforman el sistema urbano para establecer
sus características más relevantes. Para ello se usarán las siguientes métricas o
indicadores:
a) Índice de forma: Evalúa la complejidad de la forma del área urbana
comparándolo con un parche estándar de misma superficie.
P
SI √ i, j
0.25×P
; SI i, jV = R = √ (4.1)2 π×ai, j ai, j
Donde:
Pi, j : Perímetro de la unidad espacial.
ai, j : Área de la unidad espacial.
b) Patrón de asentamiento: Como parte del análisis del impacto que ejerce el
modelo de asentamiento, se determina el patrón de ocupación de la actividad
urbana en el área de estudio con respecto a otras áreas de carácter natural.
Para esa finalidad es necesario la cobertura de la tierra y la determinación del
centro de gravedad de la forma (CG) de los principales asentamientos con su
respectivo eje principal (EP) (magnitud y ángulo de rotación) (ecuación 4.12),
los cuales se obtienen al comparar la forma estudiada con formas simples como
rectángulos, círculos, cuadrados o una región convexa Taud y Parrot (2008).
Capítulo 4. MATERIALES Y MÉTODOS 45
Eje Principal (EP) = tan(2α) = 2µxy/(µyy−µxx)sí(µyy−µxx) 6= 0 (4.2)
La orientación de EP se expresa en grados en un sentido anti-trigonométrico con
el origen ubicado al norte (Coordenadas Norte Azimut). Los datos obtenidos
del desplazamiento del CG y el cambio de dirección del EP asociado son
fundamentales para cuantificar e identificar los procesos relacionados con la
evolución de la ciudad.
También, mediante el análisis de grafos se estudia la composición y la estructura
de la red vial de la ciudad de Heredia. Se determinan las siguientes métricas:
Grado de centralidad del nodo
El grado de centralidad de un nodo ν , es la fracción de nodos a los que está
conectado. Los valores de centralidad de grado se normalizan al dividir por
el grado máximo posible en un grafo simple N−1, donde N es el número de
nodos en en el grafo (G).
d
DC (ν)(ν) = | | (4.3)( N −1)
Donde:
d(ν) : Grado del nodo.
N : Cantidad de nodos en el grafo.
Grado promedio de los nodos del grafo k
2×M
k = (4.4)
N
Donde:
M : Cantidad de segmentos del grafo.
N : Cantidad de nodos en el grafo.
Proporción de nodos que son callejones sin salida (Pcss)
∑N(d(ν)≤1)Pcss = (4.5)N
Capítulo 4. MATERIALES Y MÉTODOS 46
Donde:
N(d : Cantidad de nodos del grafo con grado ≤ 1.(ν)<1)
N : Cantidad de nodos en el grafo.
Proporción de nodos que son interacciones de cuatro vías (P4s)
∑N(d(ν)≤1)P4s = (4.6)N
Donde:
N(d =4) : Cantidad de nodos del grafo con grado = 4.(ν)
N : Cantidad de nodos en el grafo.
Grado promedio de centralidad Θ
∑DC
Θ (ν)= (4.7)
N
Donde:
DCν : Grado de centralidad del nodo.
N : Cantidad de nodos en el grafo.
Coeficiente de agrupación
Según Saramäki et al. (2007), es la tendencia a la formación de enlaces
entre nodos vecinos y refleja la agrupación de los segmentos en vecindarios
estrechamente conectados.
2T
C ( (ν)ν = ) (4.8)d(ν)× d(ν)−1
Donde:
T(ν) : Número de triángulos a través del nodo ν .
d(ν) : Grado del nodo.
Coeficiente de agrupación promedio (ϑ)
∑C
ϑ (ν)= (4.9)
N
Capítulo 4. MATERIALES Y MÉTODOS 47
( )
Longitud media del segmento de la calle (metros) l̃
∑Lc
l̃ = (4.10)
Nseg
Donde:
Lc : Longitud del segmento de calle (metros).
Nseg : Cantidad de segmentos de calle.
Circunferencia o circuito promedio (ς)
Es la suma de las longitudes de los segmentos dividida por la suma de la
distancia euclidiana en línea recta entre los puntos extremos de la extensión. Se
usan todas las coordenadas (x,y) de origen (a) y destino (b) de los segmentos
como marco de datos, y luego se calcula la distancia en línea recta (ab).
√ ∑Lcς i= (4.11)
∑ (xb− x 2a) +(yb− y )2a
Para el cálculo estas ecuaciones se utilizan las librerías del lenguaje Python
3.8.2 (Van Rossum & Drake, 2009; Van Rossum & Drake Jr, 1995): networkx
(Hagberg et al. 2008) y OSMnx (Boeing, 2017).
c) Densidad de población: Representa la relación numérica existente entre el
número de personas que integran una población y la superficie del área de
estudio.
Cantidad Habitantes
Densidad = (4.12)
Área de Unidad Espacial
d) Índice de las actividades económicas: Muestra el peso relativo según el tipo de
actividad económica, usualmente se agrupa en una macro clasificación de las
actividades de acuerdo con la Clasificación Industrial Internacional Uniforme
de todas las actividades económicas (CIIU) de las Naciones Unidas.
Capítulo 4. MATERIALES Y MÉTODOS 48
Categoría de Análisis: Cobertura de la tierra
1. Definición conceptual: El término cobertura de la tierra se refiere a solo la descripción
física de la capa superficial de la tierra, lo que incluye vegetación, áreas sin vegetación
y zonas humanas. Mientras que el término uso de la tierra es un concepto cultural,
en el que se caracteriza y clasifica las actividades antropogénicas que modifican,
manejan, conservan y usan los tipos o estados de coberturas de la tierra (Fisher et al.
2005; Ramírez, 2001; Richters, 1995).
2. Definición operativa: Es la caracterización y clasificación de entidades complejas
con dimensiones espaciales presentes en la superficie terrestre. Es una generalización
jerárquica según los elementos superficiales que componen la tierra y el tipo de
aprovechamiento o uso antrópico al que se somete.
3. Instrumentación: Los datos de las imágenes satelitales en varios períodos temporales
son rectificadas y corregidas. Se aplica el siguiente proceso:
(a) Composición en falso color (FCC) de las imágenes.
(b) Elaboración de polígonos de entrenamiento, usando FCC como capa base para
distinguir características heterogéneas entre las entidades.
(c) Construcción de colección de sitios de entrenamiento.
(d) Clasificación usando un clasificador Random Forest (RF):
El clasificador de RF asimila numerosas corridas de procesamiento
independiente a las que denomina árboles de decisión para producir los
resultados de la clasificación, donde cada árbol se “cultiva” a la máxima
profundidad sin poda. Cada árbol se construye con muestras de arranque
(muestreo fuera de bolsa) y las variables en cada nodo se seleccionan al azar
para introducir aleatoriedad, minimizar la correlación entre “los árboles” y
reducir el sesgo de entrenamiento producido por “árboles individuales”. La RF
se ha utilizado para diversas aplicaciones de mapeo y regresión, incluida la
estimación de biomasa, estimación de la calidad de agua y la clasificación de la
cobertura del suelo. Este tipo de clasificador se basa en la siguiente ecuación:
1 T
p(c|x) = T ·∑ αt p̂α ∈ t (c|x) I (t ∈ S) (4.13)∑t=1 tI(t S) t=1
La Ec. 4.13, se usa para obtener la probabilidad de que un punto de datos x
Capítulo 4. MATERIALES Y MÉTODOS 49
pertenezca a la clase c. Mientras que S es el conjunto de índices de árboles
seleccionados al azar (es decir, bolsa de árboles), αt es el peso del árbol t, es la
salida del árbol t que muestra la probabilidad estimada de que la observación x
pertenece a la clase c, e I(t ∈ S) es la función de indicador que muestra si el
árbol t está en la bolsa o no.
Las imágenes satelitales provienen de los sensores Sentinel-2 (S2), Landsat
5TM y Landsat 8 OLI. El sensor Sentinel-2 produce imágenes multiespectrales
y proviene de los satélites de la misión de observación de la Tierra desarrollada
por la European Space Agency (ESA) como parte del Programa Copernicus
para adquirir observaciones terrestres en apoyo de los servicios ambientales y
la gestión de desastres naturales (Drusch et al. 2012). La misión incluye dos
satélites idénticos, S2-A (lanzado en junio de 2015) y S2-B (lanzado en marzo
de 2017), que proporcionan complementariedad para las misiones actuales
SPOT y Landsat. El sensor principal es el MultiSpectral Instrument (MSI), un
escáner de pushbroom que proporciona una amplia cobertura espectral sobre los
dominios visible, infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR)
(que asciende a 13 bandas espectrales), con resolución espacial media (de 10
a 60 m según la longitud de onda) y un amplio campo de visión (290 km)
(SUHET, 2015).
Mientras que el sensor Landsat proviene del programa Landsat y es la misión
satelital de observación de la Tierra más larga de la historia. El sensor TM
(Thematic Mapper) es un sensor de escaneo multiespectral que detecta siete
bandas espectrales simultáneamente. La banda 6 detecta la radiación infrarroja
térmica (calor). Landsat solo puede adquirir escenas nocturnas en la banda 6.
Una escena TM tiene un campo de visión instantáneo (IFOV) de 30 metros
cuadrados en las bandas 1-5 y 7, mientras que la banda 6 tiene un IFOV de 120
metros cuadrados en el suelo. El sensor OLI (Operational Land Imager) utiliza
un sensor de barrido que recopila datos de nueve bandas espectrales. Siete de
las nueve bandas son consistentes con los sensores Thematic Mapper (TM) y
Enhanced Thematic Mapper Plus (ETM +) que se encuentran en los satélites
Landsat anteriores, lo que brinda compatibilidad con los datos históricos de
Landsat, al tiempo que mejora las capacidades de medición. Se recolectarán
Capítulo 4. MATERIALES Y MÉTODOS 50
dos nuevas bandas espectrales, una banda costera / de aerosol de color azul
profundo y una banda de cirros infrarrojos de onda corta (Yue et al. 2019).
(e) Evaluación de validación y precisión de la capa de cobertura: Para analizar la
matriz de confusión, se usa el indicador estadístico de concordancia Kappa
(K) (Cohen, 1960), el cual determina el grado de concordancia que existe por
encima del acuerdo esperado al azar, y que indica el peso que de la máxima
concordancia posible tiene en los acuerdos observados. Esto supone, establecer
la correspondencia entre los resultados de la clasificación supervisada y la
cobertura registrada en el terreno, así como la concordancia que se debe esperar
por generación aleatoria. Es decir, se delimita el grado de ajuste debido sólo a la
exactitud de la clasificación, prescindiendo del causado por factores aleatorios.
El índice tiene un rango de 0.0 (no hay correlación aparente) a 1.0 (indica
correlación perfecta). Según Landis y Koch (1977), sí el coeficiente Kappa
es mayor a 0.8 se puede afirmar que es poco probable que la clasificación
supervisada realizada sea obtenida por azar (Cuadro 4.1).
p− p
K c= (4.14)
1− pc
Donde:
p : Es el acuerdo relativo observado entre los evaluadores.
pc : Es la probabilidad hipotética de acuerdo al azar.
CUADRO 4.1: Escala de valoración de Índice Kappa.
Valor de Índice Kappa Fuerza de la concordancia
0 Sin concordancia
<0.20 Insignificante
0.21 – 0.40 Discreto
0.41 – 0.60 Moderado
0.61 – 0.80 Sustancial
0.81 – 1.00 Casi perfecto
Capítulo 4. MATERIALES Y MÉTODOS 51
Al aplicar un nivel de confianza al 95%, se calcula un intervalo de confianza
(IC) usando la siguiente ecuación:
IC = K±1.96∗Error Std
De manera adicional se utiliza el puntaje de habilidad de Peirce (Peirce-skill
score) (PSS) (Peirce, 1884; Wandishin & Brooks, 2002). El cual se calcula de
la siguiente manera:
(ad−bc)
PSS = PODx−POFDx = (4.15)
(a+b)(b+d)
Donde el POD es la probabilidad de detección y POFD es la probabilidad de
detección falsa. Según Manzato (2007) en una tabla de contingencia binaria,
como las creadas en la validación de las clases de la cobertura de la tierra, el uso
del puntaje de habilidad de Peirce (PSS) indica el punto con “mayor habilidad”
en la curva característica operativa relativa y es el punto que maximiza el valor
de pronóstico, por lo que se considera una buena medida escalar del clasificador.
Categorías de coberturas de la tierra
El esquema de categorías de cobertura de la tierra se basa en el sistema de clasificación
utilizado por el U.S. Geological Survey (USGS) y el National Land-Cover Data
(NLCD). El sistema se muestra en el cuadro 4.2. Se específica hasta un nivel II,
dado que es necesario que las clases se generalicen para garantizar su persistencia en
el período del estudio, y de esa forma poder realizar su comparación mediante un
gráfico Sankey.
Capítulo 4. MATERIALES Y MÉTODOS 52
CUADRO 4.2: Clases de uso/cobertura de la Tierra.
Forestal (For) Subclases-Definición
Bosque de alta densidad: Ecosistema con predominancia de vegetación
arbórea, en el cual la proporción de árboles (cobertura aérea) es mayor o
igual al 66.7%.
Bosque de baja densidad: Bosque que se encuentra en proceso de
regeneración natural, pero que todavía muestra influencia antropologénetica
como la tala total o parcial, quema u otra actividad de conversión de la
tierra, sin que se haya recuperado completamente (Lund, 2000).
Cuerpo de Subclases-Definición
agua (Ca)
Lagunas: Los lagos y lagunas son depresiones en la superficie terrestre que
contienen aguas estancadas, drenadas en muchos casos por ríos.
Cauce de ríos: Es el lugar concreto por el que transcurre un cauce de agua.
Normalmente es sinónimo de lecho del río, pero el cauce incluye las aguas
subterráneas, los ríos que circulan por el interior de las cuevas, y las de
infiltración.
Cultivos Subclases-Definición
(Cul)
Café: Cultivo permanente, producido por el árbol del cafeto. Su nombre
científico es Coffea arabica L, la primera cosecha de un árbol de café se
produce alrededor de los 2 años, tomando hasta 2 ó 3 años más que el árbol
alcance su nivel óptimo de producción, entre las variedades más importantes
se encuentran: Arábiga y Robusta.
Café arbolado: Practica que se realiza para proteger el cultivo del café de
una fuerte exposición a la luz solar, la función fundamental de la sombra
en el cafetal es la regulación de las condiciones bajo las cuales el cafeto
desarrolla al máximo sus características genéticas.
Plantación ornamental: Son plantaciones que se adaptan a la mayoría de
las áreas y son fáciles de cuidar. Pueden prosperar hasta en las tierras más
pobres donde otras plantas no lo hacen, y muy pocas pestes los afectan.
Pecuario Subclases-Definición
Pasto (Herb): Pasturas con una cobertura menor al 10% de árboles,
principalmente localizados en zonas muy planas de 0 a 8% de pendiente.
Pasto arbolado (Par): Pasturas con más de un 40% cubierto por árboles
dispersos.
Matorral (Mat): Vegetación de transición arbustiva y de árboles jóvenes;
así como áreas de pastura abandonadas con hierbas y árboles pequeños, las
cuales se encuentran sometidas a procesos de sucesión natural en diferentes
grados, pero sin alcanzar el estado de bosque secundario.
Terreno Conjunto de procesos que provocan la eliminación de los materiales
descubierto meteorizados superficiales de un terreno dejando al descubierto sus
(Td) porciones más profundas, anteriormente ocultas.
Urbano (Urb) Asentamiento humano con alta densidad de población e infraestructura de
entorno construido. Las áreas urbanas se crean a través de la urbanización
se clasifican por morfología urbana como ciudades, pueblos, conurbaciones
o suburbios.
Capítulo 4. MATERIALES Y MÉTODOS 53
Variable: Cambio de cobertura de la tierra
1. Definición conceptual: Los cambios de coberturas de la tierra, representan la
manifestación o materialización de las relaciones hombre-ambiente o entre el
ambiente y los procesos ligados a la economía social; siendo su análisis un medio
para entender los mecanismos de este proceso y constituye una guía útil para la toma
razonable de decisiones sobre el uso del territorio (Li et al. 2014).
2. Definición operativa: Unidades espaciales que presentan un cambio significativo en
sus firmas espectrales con respecto a periodos temporales anteriores o posteriores.
3. Instrumentación: Con la definición y delimitación de la cobertura de la tierra, es
necesario la estimación del cambio ocurrido en el transcurso del período de análisis,
para lo cual se establecen las siguientes etapas del proceso.
a) Cálculo del índice de disturbio: Según Healey et al. (2005), el índice de
disturbio (DI) fue diseñado para estudiar aquellas firmas espectrales de áreas
no forestales que destacan y están asociadas con disturbios por remplazo, así
como separar de las mismas las otras firmas espectrales de zonas boscosas.
El DI es una combinación lineal de los tres componentes del Tasseled Cap,
considerando el supuesto de que las áreas de bosque que experimentaron un
reciente cambio a otras coberturas/usos de tipo antrópicas o áreas descubiertas
(suelo expuesto), presentarán un valor alto en brillo (↑) y valores bajos en
verdor (↓) y humedad (↓), en relación con áreas que no han sido alteradas por
la actividad humana.
El propósito principal de usar un análisis de composición de bandas del índice
de disturbio, es la detección de cambios a escala regional con respecto a la
perdida de áreas verdes (Arnett et al. 2014; Healey et al. 2005; Mišurec et
al. 2016). En este caso particular, el DI se utiliza para estudiar en el área de
estudio como la expansión de la cobertura urbana o la perdida de cobertura
verde favorecen el incremento del brillo asociado al albedo de estas superficies,
y que puede ser un factor para considerar en el incremento de las temperaturas
en las ciudades.
El mismo se estima mediante:
Capítulo 4. MATERIALES Y MÉTODOS 54
( )
Br = B−Bµ/Bσ
Gr =(( )G−Gµ/Gσ) (4.16)
Wr = W −Wµ/Wσ
Donde:
Br, Gr, Wr : Re-escalamiento o estandarización de
Brillo, Verdor y Humedad.
Bµ , Gµ , Wµ : Media de las zonas de bosque en las bandas
de Brillo, Verdor y Humedad.
Bσ , Gσ , Wσ : Desviación estándar de las zonas de bosque
en las bandas de Brillo, Verdor y Humedad.
Es decir, el proceso de re-escalamiento normaliza los valores de los pixeles
en las bandas del Tasseled Cap, lo que permite una subsecuente combinación
algebraica de cada una de las bandas.
Para el cálculo de las medias y desviaciones estándar de los valores de pixeles de
bosque, se selecciona las zonas boscosas de más de 50000 m2 de una cobertura
de la tierra identificadas en el período intermedio (año 2000), información
generada mediante una clasificación supervisada y que presentaran un valor de
índice de forma (SI) elevado. A esa selección se aplica un muestreo aleatorio
simple.
( √Z · p ·q)2
no = (4.17)d
Donde
no : Tamaño de muestra para la población infinita.
Z : Nivel de confianza deseado, según la tabla normal (NC 95%).
p : Probabilidad de éxito. Se considera el 50%.
q : Probabilidad de fracaso (1-p).
d : Error de estimación o error de muestreo.
Para el cálculo de la muestra, se usa un nivel de significancia (α = 0.02).
Además, se considera una probabilidad máxima de éxito del 50% y un error de
estimación del 2%.
Capítulo 4. MATERIALES Y MÉTODOS 55
( √1.645 · 0.5 ·0.5)2
no = ≈ 16920.02
Una vez establecido el muestreo simple aleatorio espacial, se procede a extraer
los valores para cada una de las bandas (Brillo, Verdor, Humedad), así como de
los descriptores estadísticos, de las medidas de centralidad y dispersión (media
y desviación estándar). Estos valores, se usan para normalizar cada una de las
bandas, en los diferentes períodos establecidos, para el cálculo del Índice de
Disturbio. La normalidad de los datos se logra a partir del Teorema del Límite
Central, en el que múltiples muestras son usadas con diferentes tamaños de
muestra y valores medios son calculados. Con el incremento del tamaño de la
muestra se obtiene una distribución normal.
( )
DI = Brillo(z;t)− Verdor(z;t)+Humedad(z;t)
Una vez, que se obtiene el índice de disturbio para los años en estudio (1986,
2001, 2018); se generá una imagen compuesta temporal (RGB), (Banda roja =
1986); (Banda verde = 2001); (Banda azul = 2018). Esto para facilitar el análisis
del cambio temporal de los disturbios presentes en el área de estudio.
La implementación de los cálculos, algoritmos y análisis se realizará en los programas
R 4.0.2 (R Core Team, 2019), Python 3.8.2 (Van Rossum & Drake, 2009; Van Rossum
& Drake Jr, 1995). Mientras que la representación cartográfica se elaborará con los
programas: ArcGIS Pro 2.6.2 y QGIS 3.12.3.
4.2.2. Objetivo específico 2:
Analizar las características térmicas y el patrón de distribución espacial de la ICU en la
ciudad de Heredia.
Variable: Temperatura de la superficie terrestre (TST)
1. Definición conceptual: Es la temperatura que emite la superficie terrestre en un lugar
determinado y que varía según el tipo de coberturas que la componen (Cochran,
2014; Fan et al. 2016; Liu & Zhang, 2011). Se rige a partir de los flujos de calor de la
Capítulo 4. MATERIALES Y MÉTODOS 56
superficie. Es importante destacar que la temperatura de la superficie terrestre no es
la misma que la temperatura del aire que se incluye en el informe de las estaciones
meteorológicas.
2. Definición operativa: Es la temperatura de la superficie terrestre (TST), estimada a
partir de la banda termal del sensor Landsat mediante el algoritmo mono-ventana
propuesto por Qin et al. (2001), Sobrino et al. (2004), F. Wang et al. (2015).
3. Instrumentación: Mediante el uso de sensores remotos y teledetección se puede
estimar el comportamiento térmico de las coberturas de la tierra que se manifiestan
en el área de estudio. De un conjunto de imágenes multiespectrales de satélite se
obtienen los valores de la temperatura de la superficie terrestre (TST) para cada una de
estas. Para el desarrollo de este análisis se escoge el sensor Landsat (5 TM, 7 ETM+, 8
TIRS). Entre las principales razones de su selección están: su disponibilidad temporal
en el período de estudio y su extendido uso en aplicaciones físico-ambientales.
A continuación, se describe el proceso para determinar la TST con una razonable
calidad en su estimación (Voogt & Oke, 2003):
a) Postproceso: Radiancia y reflectancia
Para esto es fundamental un proceso de corrección atmosférica y convertir los
números digitales en valores de radiancia y reflectancia, mediante las siguientes
ecuaciones para el sensor Landsat.
Radiancia:
Lλ = Ganancia×Valor Pixel+Valor de compensación
L = Qcalλ 100
Reflectancia:
π×L ×d2
ρλ =
λ (4.18)
ESUNλ × sinθ
Donde:
Lλ : Radiancia en unidades de W/(m2 ∗ sr ∗µm)
d : Distancia Sol-Tierra, en unidades astronómicas.
ESUNλ : Irradiancia solar en unidades de W/(m2 ∗µm)
θ : Elevación del Sol en grados decimales.
Capítulo 4. MATERIALES Y MÉTODOS 57
b) Temperatura de brillo superior de la atmósfera: Una vez que se calcula la
radiancia espectral Lλ , la temperatura de brillo a nivel del satélite se puede
calcular directamente invirtiendo la función de radiancia de Planck para la
temperatura o usando la siguiente fórmula de aproximación propuesta por (Qin
et al. 2001; Wukelic et al. 1989):
T = ( K2 ) (4.19)
ln K1L +1λ
Donde T es el valor efectivo en la temperatura del satélite (temperatura de brillo)
en grados Kelvin. K1 y K2 son constantes de calibración y están preestablecidas
por el sensor (Cuadro 4.3).
CUADRO 4.3: Constantes de calibración preestablecidas según tipo de sensor.
Tipo Sensor Valor K1 Valor K2 Fuente
Landsat 5 TM 607.76 1260.56 Global Land Cover Facility
(2004), J. Zhang et al. (2006)
Landsat 7 ETM+ 666.09 1282.71 Global Land Cover Facility
(2004)
Landsat 8 TIRS 774.8853 1321.0789 U.S Geological Survey (2016)
Unidades de K 21: [W/(m ∗ sr ∗µm)]
Unidades de K2: [K]
Si bien las imágenes satelitales captan el resplandor que viaja a través de la
atmósfera. Ese resplandor es atenuado por la absorción de la atmósfera en la
longitud de onda. Se sabe que la atmósfera tiene la capacidad de emitir radiación
térmica, de tal forma que la emanación atmosférica ascendente se combina con
la radiación térmica del suelo para alcanzar el sensor en el espacio. Además, la
superficie del suelo también refleja la emisión atmosférica descendente.
Estos impactos atmosféricos en la radiación térmica observada deben
considerarse para la estimación de la temperatura de la superficie y sus
consiguientes aplicaciones. De tal manera Sobrino et al. (2004), J. Zhang et al.
(2006) indican que es necesario corregir la absorción y re-emisión atmosférica,
la emisividad de la superficie y la rugosidad del terreno. Según Alfraihat (2015),
Cook (2014), Tsou et al. (2017), J. Zhang et al. (2006), al ser un proceso
Capítulo 4. MATERIALES Y MÉTODOS 58
complejo, es común simplificar el mismo mediante el algoritmo de mono-
ventana propuesto por (Qin et al. 2001).
c) Algoritmo mono-ventana según Qin et al. (2001), Sobrino et al. (2004), F. Wang
et al. (2015), se expresa de la siguiente manera:
a(1−C−D)+ [b(1−C−D)+C+D] ·T
T sensor
−D ·Ta
ST = (4.20)C
Donde:
TST : Temperatura de la superficie terrestre en K.
Tsensor : Temperatura de brillo superior de la atmósfera calculada
del sensor + la banda termal
(10.40−12.50µm) 120 m (banda 6 Landsat 5 TM - Landsat
7 ETM+)
(10.6−11.2µm) 120 m (banda 10 Landsat 8 TIRS)
Ta : Es la temperatura media efectiva de la atmósfera.
a y b : Se consignan en los cuadros 4.4 y 4.5 para cada tipo de
sensor.
CUADRO 4.4: Constantes de calibración preestablecidas sensor Landsat 5
TM - Landsat 7 ETM+ (Qin et al. 2001).
Rango de Temperatura (° C) a b R2
0.35 – 70.35 -67.355351 0.458606 0.9996
10 – 40 63.1885 0.44411 0.9997
30 – 60 71.9992 0.47271 0.9999
Mientras que C y D se calculan de acuerdo a las siguientes ecuaciones:
C = ε · τ (4.21)
D = (1− τ) [1+(1− ε)τ] (4.22)
Capítulo 4. MATERIALES Y MÉTODOS 59
CUADRO 4.5: Constantes de calibración preestablecidas sensor Landsat 8
TIRS (F. Wang et al. 2015).
Rango de Temperatura (° C) a b R2
20 – 70 -70.1775 0.4581 0.9997
0 – 50 -62.7182 0.339 0.9996
-20 – -30 -55.4276 0.4086 0.9996
De esta manera es necesario obtener los parámetros Ta, emisividad (ε) y
transmitancia (τ) para convertir la temperatura de brillo en la atmósfera a
la TST.
(i) Ta se calcula a partir de ecuaciones lineales correspondientes a cuatro
atmósferas estándares (Qin et al. 2001) y establecidas en el cuadro 4.6.
Esto debido a que se requiere in situ de la distribución de la temperatura
atmosférica y el contenido de vapor de agua en cada capa del perfil
atmosférico. Información que por lo general no está disponible. Para el
caso de esta investigación se utiliza la relación lineal establecida para el
trópico (*).
1 m
Ta = ∑ Tzw(z) (4.23)w z=0
∑ Tz ·w(z)Ta = w
Ta = ∑TzRw(z)
De acuerdo con el cuadro 4.6, T0 es la temperatura del aire cerca
de la superficie terrestre, y se obtiene de los datos de las estaciones
meteorológicas. Según como describe F. Wang et al. (2015), hay dos
problemas para adquirir el T0 por cada píxel con datos meteorológicos
locales en el corto tiempo del pase del satélite. El primero consiste en el
tamaño de la superficie de una escena de una imagen Landsat, que cubre
un área de 185 × 185 km2. Por lo tanto, la distribución espacial de T0 puede
ser diferente para varios terrenos, especialmente por la orografía. Para
Capítulo 4. MATERIALES Y MÉTODOS 60
tener una estimación relativamente precisa de Ta en la escala de píxeles, es
necesario espacializar los datos meteorológicos con un modelo digital de
elevación del terreno (MDT).
CUADRO 4.6: Relaciones lineales para la aproximación de la temperatura
atmosférica media efectiva (Ta) de la temperatura del aire en la superficie
cercana (T0) para 4 tipos de atmósfera estándar (Qin et al. 2001; F. Wang et
al. 2015).
Tipo atmósfera Ecuación
USA 1976 Ta = 25.9396+0.88045T0
Tropical (*) Ta = 17.9769+0.91715T0
Latitud media verano Ta = 16.0110+0.92621T0
Latitud media invierno Ta = 19.2704+0.91118T0
Se considera condiciones de cielo despejado y sin gran
turbulencia vertical en la atmósfera.
Mientras que el segundo problema está relacionado con los faltantes de
datos en las estaciones meteorológicas. Según Henn et al. (2013), que las
series de datos estén incompletas es una situación común en la observación
meteorológica. Una solución viable es el uso de un filtro estacional de
Kalman para completar los datos faltantes en las series de tiempo. En el
Apéndice C se indican las estaciones meteorológicas utilizadas y su análisis
de completitud.
Además de la temperatura promedio del aire, los conjuntos de datos de las
mediciones meteorológicas locales, también, se incluyen los valores de la
temperatura máxima diaria y mínima del aire. Para obtener la variación
diurna completa de la temperatura del aire cerca de la superficie, es
necesario un esquema de interpolación espacial. Se sabe que la variación
diurna en la temperatura del aire sigue una curva sinusoidal en un día
despejado, similar a otras variables, como la temperatura de la superficie y
la radiación solar entrante. Una solución relativamente simple para describir
la fluctuación de la temperatura del aire durante el día se presenta al calcular
la ecuación 4.24.
Capítulo 4. MATERIALES Y MÉTODOS 61
[ ( )]
π t + tdl −12
T0,t = Tmin +(T 2max−Tmin) · sin (4.24)
(tdl +2ttmax)
Donde:
T0,t : Temperatura del aire cerca de la superficie terrestre (1.5 m)
en un tiempo t.
Tmin y Tmax : Temperatura diaria mínima y máxima del aire cerca de la
superficie terrestre en un tiempo.
tdl : La duración del día en horas.
tTmax : Es el número de horas entre el mediodía solar local y la hora
de Tmax. Esta tiene que establecerse de manera empírica.
El cálculo de la temperatura del aire en la superficie cercana al tiempo de
paso del satélite, según la ecuación 4.24, es solo para la ubicación puntual
de las estaciones meteorológicas. Para estimar el T0 de manera continua en
el área de estudio es necesario realizar una interpolación espacial.
La temperatura del aire de la estación meteorológica se ajusta a un nivel
común, utilizando la siguiente ecuación:
Tr = Tstn−Γ(z0− zstn) (4.25)
Donde:
Tstn [K] : Es la temperatura del aire observada en la estación
meteorológica. Se consiga la elevación en la cual se
encuentra la estación.
Tr [K] : Es la temperatura del aire en la elevación de referencia.
z0 : Nivel del mar, o z0 = 0 m.
Γ : Variaciones en la tasa de lapso de la temperatura del aire.
Los valores de las variaciones en la tasa de lapso Γ (°C ·km−1) están dados
según el cuadro 4.7 y varía según el mes del año. Otra opción es calcular
según los datos de la estación adyacente.
Las temperaturas de la estación de referencia y nivel se interpolan a
Capítulo 4. MATERIALES Y MÉTODOS 62
CUADRO 4.7: Variaciones en la tasa de lapso de la temperatura del aire,
para cada mes del año, en el Hemisferio Norte (Kunkel, 1989), y factores de
ajuste de precipitación-elevación.
Tasa de lapso de la Coeficiente Factor de ajuste de
temperatura del aire de la presión la precipitación
Mes (°C · km−1) del vapor (km−1)
Ene 4.4 0.41 0.35
Feb 5.9 0.42 0.35
Mar 7.1 0.40 0.35
Abr 7.8 0.39 0.30
May 8.1 0.38 0.25
Jun 8.2 0.36 0.20
Jul 8.1 0.33 0.20
Ago 8.1 0.33 0.20
Set 7.7 0.36 0.20
Oct 6.8 0.37 0.25
Nov 5.5 0.40 0.30
Dec 4.7 0.40 0.35
la cuadrícula del modelo utilizando un método de proceso de regresión
gaussiana ponderada (Kriging). Los datos de topografía y la tasa de lapso se
utilizan para ajustar las temperaturas de la cuadrícula de nivel de referencia
a las elevaciones proporcionadas por el conjunto de datos del Modelo
Digital del Terreno (MDT), utilizando:
T0 = Tr−Γ(z− z0) (4.26)
Tr es la grilla (ráster) de la temperatura del aire en la elevación de
referencia, z0, y T0 (K) es la grilla (ráster) de la temperatura del aire
en la elevación del conjunto de datos topográficos del MDT, z(m).
(ii) Estimación de la emisividad de la superficie terrestre (EST): La emisividad
de un objeto es determinada por sus características físico-térmicas. Para
la superficie terrestre, los elementos que la componen son los principales
factores que determinan su emisividad. Dado que la emisividad es variable
con la longitud de onda, el método de umbral del Normalized difference
Capítulo 4. MATERIALES Y MÉTODOS 63
vegetation index (NDVI) propuesto por Alfraihat (2015), Sobrino et al.
(2004), J. Zhang et al. (2006), puede ser usado para su estimación en
diferentes superficies terrestres en el rango espectral de 10 a 12 µm.
El NDVI se calcula mediante la ecuación 4.27.
NIR−Ro ja
NDV I = (4.27)
NIR+Ro ja
Donde las bandas Roja y NIR representan las mediciones de reflectancia
espectral adquiridas en las regiones roja (espectro visible) e infrarroja
cercana, respectivamente (Cuadro 4.8).
CUADRO 4.8: Designación de bandas según respuesta espectral, para el
cálculo del NDVI.
Sensor Banda
Roja NIR
Landsat 5 TM Banda 3 Banda 4
0.63−0.69µm 0.76−0.90µm
Landsat 7 ETM+ Banda 3 Banda 4
0.63−0.69µm 0.77−0.90µm
Landsat 8 TIRS Banda 4 Banda 5
0.636−0.673µm 0.851−0.879µm
https://landsat.usgs.gov/what-are-band-designations-landsat-satellites
Capítulo 4. MATERIALES Y MÉTODOS 64
Al considerar los siguientes casos de NDVI, se determina el valor de
emisividad de la superficie terrestre:
a′ NDV I <−0.185: En este caso, el píxel se considera como un cuerpo
de agua. Se supone un valor constante para la emisividad de 0.991
b′ −0.185 ≤ NDV I < 0.157: En este caso, el píxel se considera suelo
descubierto o una edificación. Se asigna un valor de emisividad de
0.966 en el caso de suelo y 0.962 para las edificaciones.
c′ NDV I > 0.727: Los píxeles con valores de NDVI superiores a 0.727
se consideran cubiertos en su totalidad por vegetación. Se supone un
valor constante para la emisividad, generalmente de 0.973.
d′ 0.157 ≤ NDV I ≤ 0.727: Según Alfraihat (2015), Chatterjee et al.
(2017), Sobrino et al. (2004), para este caso el píxel está compuesto
por una mezcla de suelo descubierto y vegetación, y la emisividad se
calcula de acuerdo con la siguiente ecuación:
ε = 1.0094+0.047× ln(NDV I) (4.28)
Otra alternativa es mediante un análisis de histogramas del NDVI. De tal
manera se divide los valores del NDVI en 6 clases, las cuales se reclasifican
en rangos preestablecidos de la siguiente manera:
CUADRO 4.9: Emisividad según valor del NDVI de la imagen espectral
(Alfraihat, 2015; J. Zhang et al. 2006), y factores de ajuste de precipitación-
elevación.
Rango Emisividad ε
NDVI <−1 ε = 0.985
−1≤ NDVI ≤−0.18 ε = 0.985
−0.18≤ NDVI ≤ 0.157 ε = 0.955
0.157≤ NDVI ≤ 0.727 ε = 1.0094+0.047× ln(NDV I)
0.727≤ NDVI ≤ 0.8 ε = 0.99
0.8≤ NDVI ≤ 1 ε = 0.99
(iii) Estimación de la transmitancia atmosférica (τ): La magnitud de la
absorción atmosférica es la transmitancia. Su estimación es importante en el
cálculo de la TST, debido a que la absorción atmosférica reduce la radiación
Capítulo 4. MATERIALES Y MÉTODOS 65
térmica que viaja hacia el sensor en el espacio. Existen varios factores que
influyen en su variabilidad como la longitud de onda, la longitud de la
trayectoria, el ozono, los productos químicos atmosféricos, los aerosoles y
el vapor de agua. De los anteriores, el factor más significativo que controla
la transmitancia atmosférica en el rango térmico del espectro es el vapor
de agua. De ahí la importancia de estimar el contenido de vapor de agua en
la atmósfera para el cálculo de la TST (Alfraihat, 2015; Qin et al. 2001;
F. Wang et al. 2015).
El contenido de vapor de agua se puede calcular por varios métodos, pero en
este caso se selecciona la propuesta metodológica establecida por Alfraihat
(2015), Li et al. (2014), F. Wang et al. (2015) y que consiste en dos procesos.
Primero, se utiliza la ecuación 4.29 para calcular el contenido de vapor
de agua a partir de la humedad relativa (HR), dato que proviene de una o
un conjunto de estaciones meteorológicas, en los días de registro de las
imágenes. Segundo, se implementa los cuadros 4.10 y 4.11 de conversión
propuestos por Qin et al. (2001) y F. Wang et al. (2015), para aproximar el
valor de la transmitancia atmosférica.
Ecuación para calcular el contenido de vapor de agua viene dada por:
( 17.27∗ (T −273.15) )
wi = 0.0981× 10×0.6108×exp 0 ×HR +0.1697237.3+(T(0−273).15) (4.29)
Donde wi es el contenido de vapor de agua g/cm2 , HR es la humedad
relativa y T0 es la temperatura del aire en la superficie.
CUADRO 4.10: Estimación de la transmitancia atmosférica para las bandas
TIRS del sensor Landsat 8 según (F. Wang et al. 2015).
Tipo atmósfera Contenido de Vapor de agua Ecuación estimada de τ R2 Error Estándar
(w) · (g · cm−2)
Modelo Tropical (*) 0.2 - 2.0 τ10 = 0.9220−0.0780wi 0.983 0.0059
2.0 - 5.6 τ10 = 1.0222−0.1310wi 0.999 0.0033
5.6 - 6.8 τ10 = 0.5422−0.0440wi 0.991 0.0017
Capítulo 4. MATERIALES Y MÉTODOS 66
CUADRO 4.11: Estimación de la transmitancia atmosférica para la banda 6
TM del sensor Landsat 6 según (Qin et al. 2001).
Perfil Contenido de Vapor de agua Ecuación estimada de τ R2 Error Estándar
(w) · (g · cm−2)
Alta temperatura 0.4 - 1.6 τ6 = 0.974290−0.08007wi 0.99611 0.002368
del aire
1.6 - 3.0 τ6 = 1.031412−0.11536wi 0.99827 0.002539
Baja temperatura 0.4 - 1.6 τ6 = 0.982007−0.09611wi 0.99463 0.003340
del aire 1.6 - 3.0 τ6 = 1.053710−0.14142wi 0.99899 0.002375
Para la calibración de los parámetros y variables en el cálculo de la TST se utiliza la
información suministrada de las estaciones meteorológicas por el Instituto Meteorológico
Nacional, y entregada según oficio No. IMN-DIM-CM-178-0919. En el anexo C se incluye
el análisis de completitud de los datos climáticos. Además, en el mapa de la figura 4.1 se
ubican las estaciones meteorológicas utilizadas en la investigación.
Capítulo 4. MATERIALES Y MÉTODOS 67
FIGURA 4.1: Ubicación de las estaciones meteorológicas.
Capítulo 4. MATERIALES Y MÉTODOS 68
Variable: Isla de Calor Urbano.
1. Definición conceptual: Se refiere al fenómeno en el que la centralidad de una
determinada área urbana (el aire y sus superficies) es más cálida que en su zona
periférica no urbanizada (Cochran, 2014; Fan et al. 2016).
2. Definición operativa: Es la diferencia de la temperatura en la superficie o en el
aire, a una altura de la superficie de 1.5 m (T1.5m) entre las áreas urbanas y aquellas
localizadas en la zona periférica (Estoque & Murayama, 2017; Jin, 2012).
Por la anterior característica, es necesario definir de manera precisa el límite de la
aglomeración urbana y su área inmediata mediante un mapa de cobertura de la tierra
(Zhao et al. 2016).
3. Instrumentación: El fenómeno de la ICU en el área de estudio se caracteriza en su
intensidad y su distribución espacial en el período temporal de análisis.
a) Intensidad zonal de la ICU: Para la medición de la intensidad de ICU, se ha
propuesto el uso de sistemas de clasificación de coberturas de la tierra, en las
cuales la magnitud o intensidad de la ICU se puede expresar a través de las
diferencias de temperatura entre zonas (Estoque & Murayama, 2017; T. Oke,
2006). Se utilizará una escala de rangos continuos.
Se considera las fases del ENOS (El Niño y La Niña) de los años en estudio
para determinar la influencia del aumento de la temperatura en fase + de ENOS
en el comportamiento de la ICU.
La comparación entre zonas de la ICU se implementa usando dos enfoques:
1) ICUcat : En base a la diferencia media de la TST entre los tipos de superficie.
Se usan las categorías de clase extraídas en la sección 4.2.1. Este es un
método simple y directo, en que solo se requiere computar estadísticas
descriptivas para cada categoría de cobertura la TST. Se sugiere agruparlas
en dos grandes clases: De características de superficie impermeables y
naturales o espacio verdes.
2) ICUup: En base a la diferencia media de la TST entre zona urbana y una
zona periférica. Para ello se usan las métricas establecidas en la sección
4.2.1. Estas permitirán la elaboración de perfiles del ICU con direcciones en
sentido ortogonal y diagonal del centro medio de la ciudad y extendiéndose
hacia la zona externa o periférica.
Capítulo 4. MATERIALES Y MÉTODOS 69
b) Análisis de regresión: Según Estoque y Murayama (2017), el análisis de
regresión se puede extender al derivar la importancia relativa de las variables
explicativas. Para asociar los componentes de temperatura y cobertura de la
tierra, es necesario establecer el grado de relación entre las mismas. Según las
condiciones necesarias se implementa de la siguiente forma:
Yi = β0 +β1Xi1 +β2Xi2 + . . .+βnXin + εi (4.30)
Donde Yi es la variable respuesta, mientras que β0 es el coeficiente de
intercepción y β1,β2, . . . ,β i son los coeficientes de regresión o pendientes.
A su vez, X1,X2, . . . ,Xin son las variables explicativas, y εi es el error estándar.
También se usará un modelo de regresión logística multinomial para modelar
variables de resultado nominales (coberturas de la tierra), en las cuales las
probabilidades de registro de los resultados se modelan como una combinación
lineal de las variables predictoras. En particular, en el modelo logístico
multinomial, la puntuación de carga se puede convertir a un valor de
probabilidad, lo que indica la probabilidad de observación (i) elegir el resultado
k dadas las características medidas de la observación. Esto proporciona en
principio una forma de incorporar la predicción del modelo particular en un
procedimiento más amplio que puede involucrar múltiples predicciones para
cada categoría, además, se estima la posibilidad de error. Tiene la forma de la
siguiente ecuación:
f (k, i) = β0,k +β1,kx1,i +β2,kx2,i + · · ·+βM,kxM,i (4.31)
Donde βM,k es un coeficiente de regresión asociado con la enésima variable
explicativa y el k-ésimo resultado.
Cuando se utiliza la regresión logística multinomial, se elige una categoría
de la variable dependiente como categoría de referencia. Se determinan los
riesgos relativos por separado para todas las variables independientes para
cada categoría de la variable dependiente con la excepción de la categoría de
referencia, que se omite del análisis. El coeficiente β exponencial representa
el cambio en las probabilidades de que la variable dependiente se encuentre
Capítulo 4. MATERIALES Y MÉTODOS 70
en una categoría particular frente a la categoría de referencia, asociada con un
cambio de una unidad de la variable independiente correspondiente.
c) Mapeo del patrón de distribución: Mediante los Sistemas de Información
Geográfica, se elaborará cartografía que represente la distribución espacial
de la ICU en el área de estudio.
d) Análisis la serie espacio-temporal: Se prepara un ráster espacio-temporal que
será analizado mediante una serie de tiempo.
Capítulo 4. MATERIALES Y MÉTODOS 71
4.2.3. Objetivo específico 3:
Formular lineamientos estratégicos de planificación urbana sostenible, mediante la
consideración de escenarios y tendencias de cambio de la cobertura de la tierra y de
variación de la ICU.
Variable: Escenarios de tendencias de cambio de cobertura de la tierra y variación
de la ICU
1. Definición conceptual: Es una técnica que permite diseñar entornos futuros
alternativos que pueden afectar a una ciudad, orientado en las variaciones climáticas
y las tendencias de cambio de uso de la tierra.
2. Definición operativa: Es la construcción de situaciones o de condiciones probables
de ocurrencia en el área de estudio, a partir del análisis y el modelado de variables.
Estas situaciones constituyen el agrupamiento de las distintas tendencias de impacto
e incertidumbre en el territorio.
3. Instrumentación: De la descripción de la morfología urbana y el modelo de
desarrollo1 de la ciudad en su génesis y evolución, se busca identificar las tendencias
que producirán las mayores transformaciones. Por el carácter del enfoque sistémico
de la investigación, se realiza un análisis del entorno de acuerdo con conceptos
prospectivos con un enfoque cuantitativo. Esto conducirá con la construcción de
escenarios, y tendrá como base la información generada en los objetivos anteriores.
Este proceso de análisis consistirá en:
a) Análisis de tendencias en series temporales de las oscilaciones climáticas: Se
usarán los datos del El Niño Oscilación del Sur, Oscilaciones del Pacífico,
el Ártico y Atlántico Norte para establecer los ciclos y tendencias climáticas
históricas, y si es necesario considerarlas en el proceso de construcción de los
escenarios, mediante los resultados de descomposición de series temporales
y predicción a partir de un modelo de media móvil integrada autorregresiva
(ARIMA).
b) Descomposición de series temporales: Los datos de una serie de tiempo pueden
contener de manera implícita cuatro elementos: Tendencia (T), ciclos (C),
1Se toma en cuenta las dimensiones ambientales, económicas y socio culturales.
Capítulo 4. MATERIALES Y MÉTODOS 72
estacionalidad (E), y una componente irregular (I), aunque no siempre están
presentes todos ellos. Para aislar y comprender estos elementos, se puede
obtener una mejor idea del comportamiento de cada uno de sus elementos
facilitándose el pronóstico. Para llevar a cabo la separación deben tenerse
en cuenta las relaciones matemáticas que los unen. Uno de los modelos
más utilizados para descomponer una serie de tiempo es el llamado modelo
multiplicativo, en el cual se supone que la serie es el resultado del producto
de sus cuatro componentes (Gentleman et al. 2008). El modelo se establece
mediante la expresión de la ecuación 4.32:
Y = T ×C×E× I (4.32)
c) Modelos de simulación: Se usa un modelo Autómata Celular, el cual es un
método para estimar el valor de una cantidad desconocida utilizando los
principios de la estadística inferencial. Con la tendencia de cambio de uso
estimada del ID y el ICU se realizará una proyección espacial de distribución
aleatoria (spatial allocation). La asignación será de acuerdo con un porcentaje
de cambio relativo previamente establecido, y a ocurrir en la ventana temporal
específica o bajo condiciones preestablecidas.
Los parámetros asociados al modelado de escenarios consideran las coberturas
de uso, el relieve, densidad de población, distancia de la red vial y del centro
comercial. Se considera una distancia del centro de la celda de prueba (kernel)
de 3×3.
 at t t(i−1, j−1) a(i−1, j) a(i−1, j+1)
At (i, j) =  at(i, j−1) a(i, j)t at (i, j+1) 3×3 vecindad
at t t(i+1, j−1) a(i+1, j) a(i+1, j+1)
La dependencia del estado futuro (t +1) de un píxel en el conjunto de reglas
de transición (Φ) y el estado actual del píxel se examinó según la siguiente
ecuación:
( )
at = φ Ati, j (i, j) (4.33)
Capítulo 4. MATERIALES Y MÉTODOS 73
Tal y como establece Tripathy y Kumar (2019), las reglas de transición (φ) son
un conjunto de declaraciones condicionales con un valor de umbral, que se
representan como:
φ = f (U,B) (4.34)
Las reglas de transición son una función de Umbral (U), que es el conjunto de
valores umbral para todos los parámetros influenciados y B es el conjunto de
valores de las frecuencias acumuladas en el núcleo asociado con cada conjunto
de U.
{ }
U = U(RV ),U(DCC),U(DP),U(Pend) (4.35)
{ }
B = B(RV ),B(DCC),B(DP),B(Pend) (4.36)
De esa manera, U(RV ),U(DCC),U(DP),U(Pend) son los valores umbrales de
proximidad a la red vial (RV), la distancia del centro comercial (DCC), densidad
de población (DP) y pendiente (Pend), de manera respectiva. Mientras, que
B(RV ),B(DCC),B(DP),B(Pend) son los valores que corresponden a la acumulación
de los vecinos cercanos (definido según el kernel) de la celda de prueba, para
cada elemento que pertenece al conjunto de U.
El diseño de escenarios para las ciudades presenta dificultades debido a la
complejidad de los fenómenos urbanos que se desarrollan y que involucran una gran
una cantidad de variables para su análisis. Para evitar una multiplicación excesiva de
variables, se propone el uso de una matriz de impacto - incertidumbre (figura 4.2),
en la que se establece aquellas tendencias de cambio que muestren mayor impacto
potencial y un mayor grado de incertidumbre (Fernández-Güell, 2006).
Cada escenario estará caracterizado por la combinación de variables con atributos que
presenten un suficiente grado de diferenciación, y generaría diferentes situaciones
alternativas. Esto permitirá establecer las bases para identificar las oportunidades y
las amenazas que afectan la funcionalidad del sistema urbano.
Capítulo 4. MATERIALES Y MÉTODOS 74
y
Bajo en x Alto en x
Alto en y Alto en y
(- +) (+ +)
0
Bajo en x Alto en x
Bajo en y Bajo en y
(- -) (+ -)
0 x
FIGURA 4.2: Propuesta de matriz impacto - incertidumbre
Categoría de análisis: Estrategias de planificación urbana sostenible
1. Definición conceptual: Es el conjunto de principios, actividades y medios que se
proponen para alcanzar un modelo de ciudad deseado a partir de la situación actual.
Según Fernández-Güell (2006), las estrategias urbanas pueden conceptualizarse como
la ruta para solventar temas críticos que presenta una ciudad. Bajo el marco teórico
del desarrollo sostenible, se establece que son aquellas propuestas que optan por la
conservación de los recursos naturales y el mantenimiento de la calidad de vida de
la población local, frente a un crecimiento descontrolado basado en el consumo sin
límites.
2. Definición operativa: Es la formulación de un conjunto de posibles decisiones y
acciones, que deben perpetuarse en un largo plazo para cumplir una meta u objetivo.
3. Instrumentación: Es la propuesta de una serie de posiciones estratégicas, que se
le sugieren a un grupo de actores desarrollar para evitar o propiciar un posible
escenario. Serán desarrollados para la consecución de la sostenibilidad en temas
críticos relacionados a la investigación.
a) Mapa de actores: Se usa la metodología propuesta por Fernández-Güell (2006),
Fletcher et al. (2003) en la planificación estratégica de ciudades. Corresponde
a la identificación de los actores que están involucrados en la planificación
Capítulo 4. MATERIALES Y MÉTODOS 75
del territorio o que pueden estar interesados en la incidencia del componente
climático sobre la ciudad de Heredia. Se usan las siguientes categorías:
1) Gobierno local: Establecen las políticas y condiciones locales del desarrollo
urbanístico. El rol principal del Municipio es el de mantenimiento y
ejecución de planes y programas en coordinación con el gobierno estatal.
Tiene jurisdicción sobre su territorio en amplios ejes del desarrollo y en
áreas como el abastecimiento de agua, la construcción y mantenimiento de
las vías públicas cantonales, el mantenimiento del sistema de alcantarillado
y limpieza y otras obras similares, así como el ornato de la ciudad. Mediante
su Plan Regulador puede definir y orientar su ordenamiento territorial.
2) Sociedad Civil: Conjunto diverso de personas que con categoría de
ciudadanos y de forma colectiva, actúan para tomar decisiones en el
ámbito público que consideran a todo individuo que se halla fuera de
las estructuras gubernamentales. Involucra a los ciudadanos que pueden
acutar de manera individual o colectiva en una esfera pública para expresar
sus intereses, pasiones e ideas, intercambiar información para objetivos
comunes (Buqueras, 2002). Asociado a temas estilos de vida y consumo,
promotores iniciales del cambio en la Ciudad.
3) Gobierno central o instituciones estatales: Entramado de instituciones que
operan bajo el imperio de la ley, y dirigen, orientan y ejecutan la voluntad
de los ciudadanos al servicio de estos y en pos del bien común, según la
configuración de la distribución político-administrativa establecida en la
división de poderes del Estado.
4) Academia: Instituciones de Educación Superior o de investigación
científica que intercambian con la sociedad civil conocimientos y saberes
de diversas maneras, por medio de docencia, investigación y extensión
social.
5) Empresa privada: Organización con fines de lucro que es propiedad de un
grupo de inversionistas o por un particular.
Los actores se agruparán de acuerdo según su tipología de interacción. Para
establecer la implicación de los actores se emplea una participación indirecta
estructurada. Por lo que se aplican una serie de cuestionarios dirigidos a los
Capítulo 4. MATERIALES Y MÉTODOS 76
sectores: sociedad civil, gobierno local y sector privado, se obtiene información
sobre aspectos de percepción, coordinación e incidencia entre los actores en
el tema de la planificación urbana y la adaptación al cambio climático. De
manera adicional, se revisan los planes de trabajos e informes de labores
de las instituciones públicas sobre el tema en particular como: el Plan de
Desarrollo Cantonal de Heredia y el Informe de gestión Municipal 2019 de la
Municipalidad de Heredia. Además, para la valoración del papel que desempeña
el sector académico se utiliza la información generada por la Red de Cambio
Climático y Gestión del Riesgo (2018).
b) Selección de temas críticos. Consiste en la jerarquización de temas relevantes
asociados a la consecución de sostenibilidad en las ciudades, pero solo abordado
en los ejes y variables de la investigación.
c) Definición de líneas estratégicas: Son declaraciones conceptuales sobre las
condiciones deseadas para un tema concreto de la ciudad. Tienen un carácter
cualitativo.
d) Análisis de las opciones estratégicas básicas: Es el proceso de considerar el tipo
de posición que se podrá adoptar. En una actitud proactiva se consideran los
siguientes tipos de estrategias:
1) Estrategias de liderazgo.
2) Estrategias flexibles.
3) Estrategia expectante.
Capítulo 4. MATERIALES Y MÉTODOS 77
CUADRO 4.12: Matriz de coherencia interna de la investigación
Método: Enfoque y Instrumento Variables Perspectiva
tipo de investigación de investigación categorías de análisis teórica
Sensores remotos Obj. 1
Enfoque y teledetección. Trabajo 1. Morfología urbana. (Var) 1. La
Cuantitativo. de campo. Monitoreo. 2. Cobertura de la tierra. (CA) ciudad y las aglomeraciones
Tipo 3. Cambio de cobertura de la urbanas.
de investigación tierra. (Var) 2. El cambio de cobertura de la
Correlacional. Obj. 2 tierra, tendencias y
1. Temperatura superficie escenarios.
terrestre. (Var) 3. El Clima urbano.
2. Isla de Calor Urbano. (Var) 4. Las ciudades sostenibles.
Obj. 3
1. Escenarios de tendencias de
CU/ICU. (Var)
2. Estrategias de planificación
urbana sostenible. (CA)
Hipótesis: A una mayor tendencia de cambios de la cobertura natural hacia usos de la tierra antrópicos,
aumenta el patrón de la ICU en la ciudad de Heredia.
78
Capítulo 5
RESULTADOS
5.1. Morfología del sistema urbano
La morfología urbana es un análisis que trata de sintetizar a la ciudad a través de la
comprensión de los espacios, las actividades y las relaciones que mantienen estos durante
un período de tiempo, y que a su vez permiten establecer el paisaje urbano. Con el objetivo
de establecer la morfología urbana, se reportan los resultados de los indicadores propuestos
para la ciudad de Heredia.
5.1.1. Índice de forma y patrón de asentamiento
Al calcular el índice de forma para el Área de Estudio se obtiene:
0.25×P
SI √ i, jR = ai, j
0√.25×7080.919044SIR = = 1.051106
2836391.480804
El resultado indica que la forma de ciudad tiende a un cuadrado, lo cual es una
característica de un trazo de forma regular y típica de un núcleo primitivo. Al analizar el
patrón de la red vial mediante un análisis de grafos se obtiene:
A partir del análisis de estructuras se estima el Centro de Gravedad (CG) en las
coordenadas (487154.2669 m E; 1105592.7121 m N), el hito localizado en esas coordenadas
es el parque Nicolás Ulloa (parque Central). Mientras que el Eje Principal de la distancia
típica se estiman los componentes (x = 619.2542m) y y = 651.1972m con un ángulo de
Capítulo 5. RESULTADOS 79
CUADRO 5.1: Heredia: Análisis de grafos a la red vial.
Indicador o métrica Símbolo Valor
Grado promedio de centralidad Θ 0.0119
Coeficiente de agrupación promedio ϑ 0.02254
Longitud media del segmento de la calle l̃ 84.3719
Circunferencia promedio ς 1.01373
Grado promedio de los nodos k 4.1818
Proporción de nodos que son callejones sin salida Pcss 0.0653
Proporción de nodos que son interacciones de cuatro vías P4s 0.4915
Relación Altura de los edificios/Ancho de la calle Altedi fA 0.501calle
rotación (∠ = 11.13°). De esta manera en la actualidad el centro histórico de la ciudad,
todavía se mantiene como el centro geométrico de forma y funcional del asentamiento
urbano. En la figura 5.1 se representa tanto el CG como el Eje Principal asociado. Esta
última métrica es importante ya que en términos de estructura delimita el núcleo urbano.
Mientras que las zonas ubicadas a una distancia mayor al Eje principal se pueden considerar
como la zona periférica de la ciudad, tal y como se observa en la figura precitada.
Con respecto al análisis del catastro del distrito central de Heredia, se establece que
el parcelamiento corresponde a un patrón Tipo×, en el que se busca la mayor cantidad de
fracciones con acceso directo a la vía pública. Mientras que el bloque urbano corresponde
a un patrón de trazado hipodámico o en damero (bloque cuadrado) y característico a las
ciudades españolas de la conquista.
5.1.2. Densidad de población
El crecimiento de la ciudad de Heredia fue paulatino con el paso del tiempo. La
población al inicio creció a un ritmo lento, en 1864 el primer censo en Costa Rica registró
3146 habitantes. En el año 1883, la ciudad alcanza los 4234 habitantes; mientras que en el
año 1892 se contabilizaron 6047 personas. A inicios del siglo XX, el patrón de crecimiento
de la población se mantuvo estable y en el Censo en el año 1927 la cifra ascendió a 7631
habitantes. En 1950, un nuevo censo determinó la cantidad de personas registradas en las
inmediaciones de la ciudad en 11967 habitantes. Para el año de 1963 los registros indican
que la población alcanzó las 19259 personas. A su vez en el año 1973, el primer censo
Capítulo 5. RESULTADOS 80
486500 487000 487500
Centro de Gravedad:
  487154.2669 m E ;
1105592.7121 m N
Eje Principal
 Componente x: 619.2542 m
 Componente y: 651.1972 m
 Ángulo: 11.13°
A@
Parque Nicolás Ulloa
486500 487000 487500
0 200 400 800m
FIGURA 5.1: Heredia: Patrón de asentamiento y orientación de la red vial.
de la Dirección General de Estadística y Censos del Ministerio de Economía, Industria y
Comercio establece que la población herediana ascendía a los 22700 pobladores. Mientras
que en el censo de 1984 se establece que la población era de 21 440 habitantes.
En los censos de los años 2000 y 2011 elaborados por el Instituto Nacional de Estadística
y Censo se evidencia la explosión demográfica en la ciudad de Heredia. En el último
año censado se establece una población total de 123616 habitantes. En el gráfico 5.2 se
representa la evolución del crecimiento de la población en la ciudad de Heredia.
En el mapa de la figura 5.3, se representa la densidad de población. Este fue elaborado
a partir de los datos de las Unidades Mínimas Geoestadísticas del Censo de Población y
Vivienda del 2011 (INEC, 2011). Se observa el patrón de concentración de la población en
los sectores de la periferia de la ciudad.
1105000 1105500 1106000
1105000 1105500 1106000
Capítulo 5. RESULTADOS 81
●
120000
●
80000
40000
● ●
●
●
● ●
● ●
●
0 ● ●
Año
FIGURA 5.2: Heredia: Evolución de la población entre 1719-2011.
Población
1719
1752
1821
1864
1883
1892
1927
1950
1963
1973
1984
2000
2011
Capítulo 5. RESULTADOS 82
485500 486000 486500 487000 487500 488000
Simbología
Cauces de agua
Densidad de Población (2011)
(Hab / Ha)
≤85
≤180
≤300
≤600
≤1500
RíoBurio Escala:
0 150 300 600m
rro Sistema de Coordenadas Métricas: CRTM05
íoPiR Datum: Costa Rica 2005
Proyección: Transverse Mercator
Pirr
o
Río
485500 486000 486500 487000 487500 488000
FIGURA 5.3: Heredia: Densidad de Población en el año 2011.
1104500 1105000 1105500 1106000 1106500 1107000
1104500 1105000 1105500 1106000 1106500 1107000
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente:
INEC. (2011). Unidades Geoestadísticas
Mínimas de Costa Rica (UGM). San José,
Costa Rica.
INEC. (2011).  X Censo Nacional de
Población y VI de Vivienda. San José,
Costa Rica.
Capítulo 5. RESULTADOS 83
5.1.3. Densidad de las actividades económicas
Con el levantamiento de información sobre las actividades económicas durante el año
2019, se elaboró un inventario detallado de los diferentes comercios y servicios en el distrito
central de Heredia. El inventario cuenta con 1810 registros de actividades económicas y
actividades complementarias, las cuales se detallan en el cuadro 5.2.
CUADRO 5.2: Heredia: Frecuencia del tipo de actividades económicas.
Tipo Frecuencia Porcentaje
Comercio 762 42.10%
Servicio 741 40.94%
Otro 120 6.63%
Mixto 87 4.80%
Institucional 81 4.47%
Recreativo/Deportivo 13 0.72%
Industria 7 0.39%
Al tomar como paralelo de referencia la Avenida Central de la ciudad de Heredia, que
transcurre desde la explanada 11 de abril de la Universidad Nacional hasta el Palacio de los
Deportes, se determina que la mayor concentración de las actividades económicas ocurre en
el sector sur de la ciudad, entre calle 12 y calle 9. Además, la Universidad Nacional es un
nodo de atracción de actividades económicas complementarias a ese centro de enseñanza
de educación superior. Otros puntos de interés se establecen al Norte de la Casa de Cultura
Alfredo González Flores y el Liceo de Heredia. En términos generales la centralidad de
económica ocurre en las cercanías del Parque Central Nicolás Ulloa (Mapa de la figura
5.4).
El levantamiento de campo en el año 2019 refleja que predominan las actividades en
edificaciones de un piso (75.43%). Además, el material más utilizado en las edificaciones
es el concreto (62.74%) y un 75% se encuentran en buen estado (Cuadro 5.3). Con estos
datos, es posible estimar que el dosel urbano de la ciudad de Heredia presenta un perfil bajo
de aproximadamente 3.75 m en altura. Además, los datos de densidad de población y de
las actividades económicas muestran que al incrementar y fomentar la actividad económica
en el área central, la población se ha desplazado hacia la periferia.
Capítulo 5. RESULTADOS 84
486500 487000 487500
¯ Simbología
Actividades económicas
Burio Cauces de agua
Río Red vial
Densidad de núcleo
Valor
≤ 5 locales/100m2
≤ 10 locales/100m2
≤20 locales/100m2
≤ 30 locales/100m2
≤ 50 locales/100m2
Escala:
0 80 160 320m
Sistema de Coordenadas Métricas: CRTM05
Datum: Costa Rica 2005
Proyección: Transverse Mercator
R Investigador:íoP Geóg. Omar E. Barrantes Sotela
Fuente:
INEC. (2011). Unidades Geoestadísticas
Mínimas de Costa Rica (UGM). San José,
Costa Rica.
INEC. (2011).  X Censo Nacional de
Población y VI de Vivienda. San José,
Costa Rica.
486500 487000 487500
FIGURA 5.4: Heredia: Densidad de Actividades Económicas en el año 2019.
CUADRO 5.3: Heredia: Tipología de las estructuras con actividades
económicas.
1 Piso 2 Pisos 3 Pisos 4 Pisos
Material/Estado Bueno Malo Regular Total Bueno Malo Regular Total Bueno Malo Regular Total Bueno Total Gran Total
Concreto 545 6 222 773 271 1 96 368 12 2 14 2 2 1157
Madera 6 1 16 23 1 4 5 1 1 29
Mixto 478 1 64 543 37 18 55 2 1 1 4 602
Prefabricado 21 9 30 3 3 1 1 34
Otro material 2 1 4 7 7
NA 6 9 15 15
Total 1058 9 324 1391 308 2 121 431 15 1 4 20 2 2 1844
1105000 1105500 1106000
irro
1105000 1105500 1106000
Capítulo 5. RESULTADOS 85
5.2. Cobertura de la tierra
Al pre-procesar las imágenes de satélite con base en lo establecido en el cuadro 4.2, se
identifican de manera a priori las categorías de cobertura de la tierra presentes en el área de
estudio, y que serán el resultado del proceso de clasificación. El algoritmo estadístico o de
aprendizaje automático denominado Random Forest “aprende” una función de clasificación
de un conjunto de muestras de entrenamiento. Esta técnica es un método de aprendizaje
conjunto, que combina árboles CART K binarios (árboles de regresión y clasificación)
(Pelletier et al. 2016).
Se construyen las coberturas de la tierra en dos períodos diferentes. El primero consiste
en la identificación de las coberturas en un lapso de 34 años (1985, 2001 y 2019), en
imágenes de los sensores Landsat 5 TM y Landsat 8 OLI de resolución espacial de 30
metros. El segundo período identifica las coberturas en 3 años consecutivos (2017, 2018 y
2019), con imágenes del sensor Sentinel-2 de una resolución espacial de 10 metros.
El análisis de las coberturas a corto plazo permite establecer criterios para calibrar los
escenarios de tendencia. Mientras que, en el caso del análisis a largo plazo, este se utiliza
para determinar los perfiles térmicos por categoría de la tierra durante todo el registro
disponible. Por la resolución espacial de los sensores, se esperan discrepancias con respecto
a las áreas de las coberturas determinadas en el corto y largo plazo.
En cada imagen se seleccionaron sitios de entrenamiento y de validación, para constituir
una muestra de más de 4500 puntos de muestreo. Estos sitios de muestreo se utilizan tanto
para la clasificación como para el proceso de validación de los resultados obtenidos. Las
muestras solo se comprobaron y validan en el terreno durante los años 2017, 2018 y 2019.
Además, se digitalizan en entidades de polígono con base a su ubicación, para obtener una
mayor superficie para la asignación de clases y en función al cuadro 4.2. La técnica consiste
en asignar a cada instancia (píxel u objeto en las imágenes) a la clase correspondiente, y
posibilita la distinción de los patrones de coberturas de la tierra a través de la representación
de los datos y cartografía temática.
Capítulo 5. RESULTADOS 86
5.2.1. Identificación: Largo plazo (1985-2019)
En el cuadro 5.4, se detalla la composición de muestras por asignación de clases.
CUADRO 5.4: Área de estudio: Tamaño de muestras para entrenamiento del
clasificador Random Forest (1985-2019).
Clase Muestra
1985 2001 2019
Urb 678 1304 1047
For 607 1181 564
Mat 791 1570 503
Herb 936 852 799
Cul 1858 1638 820
Cobertura de la tierra 1985
Para la imagen del año 1985, el proceso de clasificación por el método Random
Forest parece alcanzar una elevada precisión en la asignación de las clases (PG = 0.857,
sd = 0.006). Los resultados de la clasificación son consistentes, ya que presentan una
variación similar entre las rondas de calibración. Según el cuadro 5.5 la mejor ronda
de clasificación es la R20. Además, el índice de Kappa que mide la concordancia de la
asignación de la clase con respecto a los datos observados (Kappa = 0.876), y el puntaje de
habilidad de Pierce (Peirce-skill score [PSS = 0.879]), confirman una asignación de clases
casi perfecta.
Las medidas de PPV, TPV y las entidades por clase (F1), señalan las categorías con el
mejor proceso de asignación. Entre estas sobresalen las áreas urbanas (Urb), matorrales
(Mat) y cultivos (Cul). Sin embargo, la clase de foresta (For) muestra un valor muy elevado
en el VPP, en el TPV y F1 obtiene valores buenos o moderados. Mientras que con la
categoría de pastos (Herb) los valores de la TPV y F1 son muy elevados, el valor en el VPP
se considera como bueno. Las categorías de matorrales (Mat), pastos (Herb) y cultivos (Cul)
tienden a confundirse con la categoría de foresta (For) dadas las similares características
espectrales.
Capítulo 5. RESULTADOS 87
CUADRO 5.5: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas, 1985.
Ronda Precisión General Índice Kappa PSS
R_1 0.882 0.846 0.857
R_2 0.887 0.850 0.861
R_3 0.890 0.855 0.861
R_4 0.892 0.860 0.867
R_5 0.883 0.846 0.853
R_6 0.888 0.855 0.864
R_7 0.895 0.862 0.869
R_8 0.886 0.852 0.861
R_9 0.895 0.863 0.872
R_10 0.885 0.849 0.858
R_11 0.890 0.857 0.863
R_12 0.888 0.853 0.862
R_13 0.897 0.865 0.871
R_14 0.901 0.869 0.875
R_15 0.889 0.855 0.865
R_16 0.892 0.859 0.865
R_17 0.887 0.851 0.859
R_18 0.892 0.859 0.869
R_19 0.895 0.863 0.870
R_20 0.906 0.876 0.879
X 0.891 0.857 0.865
sd 0.006 0.007 0.006
Capítulo 5. RESULTADOS 88
CUADRO 5.6: Evaluación del clasificador Random Forest: Análisis de
precisión por clase, 1985.
Clase 1 2 3 4 5
Urb For Mat Herb Cul
VPP 1 0.931 0.833 0.7557 0.972
TPV 0.974 0.606 0.991 0.991 0.852
F1 0.988 0.751 0.906 0.859 0.907
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.7: Evaluación del clasificador Random Forest: Matriz de
confusión R20, 1985.
Urb For Mat Herb Cul
Urb 329 4 2 0 0
For 0 181 46 48 27
Mat 0 1 417 0 0
Herb 0 0 1 474 0
Cul 0 5 17 79 804
Capítulo 5. RESULTADOS 89
Cobertura de la tierra 2001
En la imagen del año 2001, se obtiene una precisión en la asignación de las clases de
(PG = 0.838, sd = 0.006). Según el cuadro 5.8 los resultados varían poco, y la mejor ronda
de clasificación es la R16. El índice de Kappa es el más bajo (Kappa = 0.796) al comparar
entre las tres imágenes seleccionadas, pero muestra una concordancia sustancial. El puntaje
de habilidad de Pierce (Peirce-skill score [PSS = 0.801]) es alto.
CUADRO 5.8: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas, 2001.
Ronda Precisión General Índice Kappa PSS
R_1 0.842 0.801 0.805
R_2 0.830 0.786 0.790
R_3 0.831 0.788 0.794
R_4 0.846 0.806 0.810
R_5 0.839 0.798 0.803
R_6 0.835 0.793 0.798
R_7 0.843 0.803 0.808
R_8 0.837 0.796 0.799
R_9 0.833 0.790 0.796
R_10 0.835 0.793 0.799
R_11 0.835 0.793 0.797
R_12 0.828 0.784 0.788
R_13 0.841 0.799 0.804
R_14 0.847 0.808 0.812
R_15 0.839 0.798 0.802
R_16 0.851 0.813 0.818
R_17 0.831 0.787 0.793
R_18 0.841 0.800 0.805
R_19 0.835 0.794 0.800
R_20 0.839 0.798 0.802
X 0.838 0.796 0.801
sd 0.006 0.008 0.007
Capítulo 5. RESULTADOS 90
Al examinar los valores de las medidas de precisión promedio (PPV), recuperación
(TPV) y las entidades por clase (F1), se establece que las clases más exitosas en la
asignación son las coberturas urbanas (Urb) y de matorrales (Mat), seguido por las clases
cultivos (Cul) y forestales (For). En términos generales todas las categorías se asignan de
una forma correcta y sin errores significativos.
CUADRO 5.9: Evaluación del clasificador Random Forest: Análisis de
precisión por clase, 2001.
Clase 1 2 3 4 5
Urb For Mat Herb Cul
VPP 1 0.931 0.833 0.7557 0.972
TPV 0.975 0.604 0.979 0.975 0.693
F1 0.987 0.713 0.872 0.753 0.813
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.10: Evaluación del clasificador Random Forest: Matriz de
confusión R16, 2001.
Urb For Mat Herb Cul
Urb 632 9 0 0 0
For 0 358 136 74 24
Mat 1 4 772 2 0
Herb 0 0 7 423 0
Cul 0 4 59 167 601
Capítulo 5. RESULTADOS 91
Cobertura de la tierra 2019
En la imagen del año 2019, se obtiene una precisión en la asignación de las clases de
(PG = 0.862, sd = 0.007). Según el cuadro 5.11 los resultados varían poco, y la mejor
ronda de clasificación es la R19. El índice de Kappa promedio es (Kappa = 0.825) lo
que significa que existe una concordancia sustancial. El puntaje de habilidad de Pierce
(Peirce-skill score [PSS = 0.827]) es alto.
CUADRO 5.11: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas, 2019.
Ronda Precisión General Índice Kappa PSS
R_1 0.858 0.819 0.820
R_2 0.875 0.841 0.842
R_3 0.848 0.808 0.809
R_4 0.859 0.821 0.825
R_5 0.855 0.816 0.817
R_6 0.854 0.814 0.816
R_7 0.864 0.827 0.827
R_8 0.869 0.834 0.834
R_9 0.860 0.822 0.823
R_10 0.866 0.830 0.833
R_11 0.864 0.828 0.829
R_12 0.869 0.834 0.835
R_13 0.866 0.830 0.831
R_14 0.856 0.816 0.816
R_15 0.854 0.815 0.817
R_16 0.863 0.825 0.828
R_17 0.859 0.821 0.823
R_18 0.869 0.834 0.836
R_19 0.876 0.842 0.841
R_20 0.864 0.828 0.829
X 0.862 0.825 0.827
sd 0.007 0.009 0.009
Capítulo 5. RESULTADOS 92
Al estudiar los valores de las medidas de precisión promedio (PPV), recuperación (TPV)
y las entidades por clase (F1), se establece que las clases más exitosas en la asignación son
las coberturas urbanas (Urb) y de matorrales (Mat), seguido por las clases cultivos (Cul) y
forestales (For). Se considera que todas las categorías se asignan de forma satisfactoria.
CUADRO 5.12: Evaluación del clasificador Random Forest: Análisis de
precisión por clase, 2019.
Clase 1 2 3 4 5
Urb For Mat Herb Cul
VPP 0.998 0.897 0.631 0.782 0.993
TPV 0.981 0.609 0.838 0.953 0.779
F1 0.990 0.736 0.725 0.859 0.881
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.13: Evaluación del clasificador Random Forest: Matriz de
confusión R20, 2019.
Urb For Mat Herb Cul
Urb 502 6 1 0 0
For 0 180 74 11 0
Mat 1 9 216 33 0
Herb 0 0 14 414 0
Cul 0 4 13 66 323
A continuación, se presentan los mapas de las coberturas de los años 1985, 2001 y
2019.
Capítulo 5. RESULTADOS 93
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Sensor Landsat
Cobertura de la tierra 1985
Categoría
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Landsat 5 TM.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.5: Heredia: Cobertura de la tierra, 1985.
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 94
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Sensor Landsat
Cobertura de la tierra 2001
Categoría
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Landsat 5 TM.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.6: Heredia: Cobertura de la tierra, 2001.
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 95
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Sensor Landsat
Cobertura de la tierra 2019
Categoría
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Landsat 8 OLI.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.7: Heredia: Cobertura de la tierra, 2019.
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 96
5.2.2. Identificación: Corto plazo (2017-2019)
En el cuadro 5.14, se detalla la composición de muestras por asignación de clases.
CUADRO 5.14: Área de estudio: Tamaño de muestras para entrenamiento
del clasificador Random Forest (2017-2019).
Clase Muestra
2017 2018 2019
Ca 257 92 85
Urb 2333 3452 3452
Td 102 50 50
For 600 671 332
Mat 109 45 45
Herb 307 253 252
Cul 955 3991 3991
A partir de las muestras utilizadas en el proceso de clasificación, se generan los
siguientes resultados.
Cobertura de la tierra 2017
Para la imagen del año 2017, el proceso de clasificación por el método Random
Forest parece alcanzar una elevada precisión en la asignación de las clases (PG = 0.863,
sd = 0.006). Se afirma que los resultados de la clasificación son aceptables, ya que presentan
una variación similar entre las rondas de calibración. Según el cuadro 5.15 la mejor ronda
de clasificación es la R13. Además, el índice de Kappa que mide la concordancia de la
asignación de la clase con respecto a los datos observados (Kappa = 0.801), y el puntaje
de habilidad de Pierce (Peirce-skill score [PSS = 0.804]), confirman una clasificación con
resultados de concordancia sustanciales y robustos.
Capítulo 5. RESULTADOS 97
CUADRO 5.15: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas, 2017.
Ronda Precisión General Índice Kappa PSS
R1 0.871 0.811 0.818
R2 0.865 0.805 0.810
R3 0.861 0.797 0.803
R4 0.864 0.802 0.807
R5 0.860 0.797 0.802
R6 0.852 0.786 0.790
R7 0.870 0.808 0.810
R8 0.862 0.800 0.803
R9 0.863 0.800 0.801
R10 0.875 0.815 0.814
R11 0.855 0.790 0.791
R12 0.855 0.789 0.796
R13 0.875 0.817 0.816
R14 0.865 0.802 0.810
R15 0.859 0.792 0.796
R16 0.860 0.794 0.799
R17 0.863 0.800 0.797
R18 0.864 0.803 0.810
R19 0.863 0.800 0.807
R20 0.867 0.803 0.807
X 0.863 0.801 0.804
sd 0.006 0.008 0.008
Capítulo 5. RESULTADOS 98
A su vez, las medidas de precisión promedio (también conocido como valor predictivo
positivo, PPV), recuperación (también conocido como tasa positiva verdadera, TPV) y las
entidades por clase (F1), reportan cuales clases de cobertura de la tierra fueron más exitosas
en la asignación de clases. Las clases con la mejor asignación de entidades son los cuerpos
de agua (Ca), las áreas urbanas (Urb), la foresta (For) y los cultivos (Cul). Mientras que las
clases con la peor evaluación son los terrenos descubiertos (Td) y los matorrales (Mat).
CUADRO 5.16: Evaluación del clasificador Random Forest: Análisis de
precisión por clase, 2017.
Clase 1 2 3 4 5 6 7
Ca Urb Td For Mat Herb Cul
VPP 1.000 0.960 0.394 0.948 0.166 0.520 0.968
TPV 0.913 0.987 0.265 0.698 0.292 0.947 0.747
F1 0.957 0.973 0.313 0.803 0.223 0.672 0.844
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.17: Evaluación del clasificador Random Forest: Matriz de
confusión R13, 2017.
Ca Urb Td For Mat Herb Cul
Ca 114 19 1 0 0 0 0
Urb 0 1154 13 2 0 0 0
Td 0 37 14 0 0 0 0
For 0 0 2 223 47 19 4
Mat 0 0 2 5 11 20 10
Herb 0 0 0 0 8 152 1
Cul 0 0 0 7 20 74 372
Capítulo 5. RESULTADOS 99
Cobertura de la tierra 2018
Para el año 2018, las métricas parecen indicar que los resultados mantienen una alta
significancia con respecto a la precisión alcanzada (PG = 0.871, sd = 0.005). La variación
entre las rondas de calibración es reducida, y la mejor ronda de clasificación fue la R16. El
índice Kappa (Kappa = 0.799), y el puntaje de habilidad de Pierce (Peirce-skill score [PSS
= 0.839]), confirman que el proceso de clasificación genera resultados casi perfectos.
CUADRO 5.18: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas, 2018.
Ronda Precisión General Índice Kappa PSS
R1 0.873 0.801 0.839
R2 0.873 0.801 0.837
R3 0.878 0.810 0.847
R4 0.877 0.808 0.845
R5 0.868 0.794 0.837
R6 0.871 0.800 0.843
R7 0.873 0.802 0.846
R8 0.865 0.790 0.830
R9 0.868 0.796 0.838
R10 0.874 0.804 0.838
R11 0.865 0.790 0.829
R12 0.871 0.801 0.838
R13 0.865 0.790 0.833
R14 0.868 0.795 0.837
R15 0.874 0.805 0.841
R16 0.881 0.813 0.851
R17 0.876 0.807 0.845
R18 0.868 0.795 0.834
R19 0.867 0.793 0.833
R20 0.863 0.788 0.830
X 0.871 0.799 0.839
sd 0.005 0.007 0.006
Capítulo 5. RESULTADOS 100
Las medidas de precisión promedio (PPV), recuperación (TPV) y las entidades por
clase (F1), indican que las clases de cobertura de la tierra más exitosas en la asignación de
clases son las mismas que las del año 2017. También, se consigna que las clases con las
evaluaciones más deficientes son las mismas que las reportadas en el año 2017; terrenos
descubiertos (Td) y los matorrales (Mat).
CUADRO 5.19: Evaluación del clasificador Random Forest: Análisis de
precisión por clase, 2018.
Clase 1 2 3 4 5 6 7
Ca Urb Td For Mat Herb Cul
VPP 0.987 0.974 0.004 0.854 0.008 0.298 0.981
TPV 0.612 0.919 0.030 0.770 0.028 0.726 0.881
F1 0.737 0.946 0.006 0.808 0.014 0.420 0.930
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.20: Evaluación del clasificador Random Forest: Matriz de
confusión R16, 2018.
Ca Urb Td For Mat Herb Cul
Ca 25 11 0 0 5 1 0
Urb 1 1610 64 18 14 12 2
Td 0 23 0 1 0 0 0
For 0 0 0 257 63 13 4
Mat 0 0 1 0 3 15 2
Herb 0 0 1 4 3 88 21
Cul 0 3 10 14 36 168 1784
Capítulo 5. RESULTADOS 101
Cobertura de la tierra 2019
Las métricas de la clasificación del año 2019 presentan los mejores resultados al
comparar los tres períodos analizados (PG = 0.915, sd = 0.003). La variación entre las
rondas de calibración es reducida y constante. La mejor ronda de clasificación fue la R14. El
índice Kappa (Kappa = 0.856), y el puntaje de habilidad de Pierce (Peirce-skill score [PSS
= 0.866]), confirman que se obtienen resultados precisos y casi perfectos en la clasificación.
CUADRO 5.21: Área de estudio: Evaluación del clasificador Random Forest
en 20 corridas. 2019
Accuracy Kappa PSS
R1 0.915 0.856 0.867
R2 0.914 0.855 0.868
R3 0.915 0.858 0.873
R4 0.915 0.857 0.866
R5 0.912 0.852 0.870
R6 0.916 0.857 0.865
R7 0.913 0.853 0.865
R8 0.910 0.848 0.861
R9 0.914 0.854 0.862
R10 0.913 0.853 0.859
R11 0.910 0.848 0.859
R12 0.914 0.854 0.865
R13 0.914 0.855 0.867
R14 0.921 0.866 0.875
R15 0.912 0.850 0.862
R16 0.917 0.859 0.866
R17 0.916 0.858 0.866
R18 0.917 0.861 0.869
R19 0.917 0.859 0.867
R20 0.921 0.866 0.874
X 0.915 0.856 0.866
sd 0.003 0.005 0.004
Al igual que los años anteriores, se establece que las clases con la asignación de clases
más confiables son las mismas que las de los años 2017 y 2018 (Cuadros 5.22 y 5.23).
Capítulo 5. RESULTADOS 102
Además, las clases con la peor evaluación son las mismas que las reportadas en años
anteriores.
CUADRO 5.22: Evaluación del clasificador Random Forest: Análisis de
precisión por clase. 2019
Clase 1 2 3 4 5 6 7
Ca Urb Td For Mat Herb Cul
VPP 1.000 0.982 0.050 0.897 0.029 0.356 0.972
TPV 0.745 0.983 0.039 0.361 0.140 0.674 0.942
F1 0.867 0.983 0.05 0.519 0.047 0.457 0.957
VPP: Valor predictivo positivo.
TPV: Tasa positiva verdadera.
F1: Entidad.
CUADRO 5.23: Evaluación del clasificador Random Forest: Matriz de
confusión R14. 2019
Ca Urb Td For Mat Herb Cul
Ca 38 2 2 0 0 1 0
Urb 0 1712 25 2 2 2 0
Td 0 26 3 0 0 0 0
For 0 0 0 56 66 35 10
Mat 0 0 1 2 3 7 7
Herb 0 0 1 0 6 73 30
Cul 0 0 0 0 3 94 1894
A continuación, se presentan los mapas de las coberturas de los años 2017, 2018 y
2019.
Capítulo 5. RESULTADOS 103
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Cobertura de la tierra 2017
Categoría
Cuerpo de Agua (Ca)
Área Urbana (Urb)
Terreno descubierto (Td)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1 000 2 000 m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Sentinel 2017.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.8: Heredia: Cobertura de la tierra. 2017
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 104
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Cobertura de la tierra 2018
Categoría
Cuerpo de Agua (Ca)
Área Urbana (Urb)
Terreno descubierto (Td)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1 000 2 000 m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Sentinel 2017.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.9: Heredia: Cobertura de la tierra. 2018
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 105
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Cobertura de la tierra 2019
Categoría
Cuerpo de Agua (Ca)
Área Urbana (Urb)
Terreno descubierto (Td)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1 000 2 000 m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
Fuente: Imagen satelital Sentinel 2017.
Proceso: Clasificador Random Forest.
485000 486000 487000 488000 489000 490000
FIGURA 5.10: Heredia: Cobertura de la tierra. 2019
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 106
5.2.3. Evaluación del proceso de asignación de las categorías
En general, los índices kappa calculados en el proceso de clasificación para cada año
mantiene valores por encima del 80%. Según los parámetros de evaluación, se establece
que la precisión del clasificador es de concordancia casi perfecta. Según la literatura, se
recomienda que el clasificador presente por lo menos un 85% de precisión en la asignación
correcta de categorías (Anderson et al. 1976). No obstante, como indica Foody (2008),
Olofsson et al. (2014) este tipo de consideración puede ser inapropiada. En especial sí se
presenta un mosaico de paisaje heterogéneo, en el cual pueden existir una relatividad en el
detalle de las categorías. Según Foody (2008), Laba et al. (2002), Pontius y Millones (2011),
Wundram y Löffler (2008), N. Zhang y Chen (2014), en entornos difusos es sobresaliente
reportar valores de precisión superiores al 90%, tal y como ocurre en la matriz de cobertura
de la tierra del área de estudio.
Caso: Largo plazo
Según los valores de la evaluación del clasificador por clase en los cuadros (5.6, 5.9,
5.12), se establece que todas las categorías mantienen indicadores de asignación en niveles
de consistencia casi perfectos. Las clases con los valores más bajos son pastos (Herb),
matorrales (Mat) y foresta (For); y se considera que es el efecto de la generalización del
patrón espectral de estas clases por la resolución espacial (30 m) de las imágenes. En
general, se considera que los resultados obtenidos del clasificador son muy confiables.
Caso: Corto plazo
Al observar los valores de la evaluación del clasificador por clase en los cuadros (5.16,
5.19, 5.22), se establece que las categorías de Cuerpo de Agua (Ca), Áreas urbanas (Urb),
Forestal (For) y Cultivos (Cul); presentan los mejores indicadores de asignación de las
clases. Mientras que las clases que generaron la mayoría de los valores falsos positivos
(errores de tipo II) en el clasificador fueron: los Terrenos descubiertos (Td) y Matorrales
(Mat). Esto puede ser explicado por el patrón espectral difuso que caracteriza esas categorías
de análisis, y que limita la fuerza explicativa significativa del estimador de precisión.
Además, fue posible determinar una aparente inconsistencia en la estimación del área
urbana. Al comparar la superficie identificada de cobertura urbana en el año 2017 con
respecto a los años 2018 y 2019, se obtiene un comportamiento en el que la superficie
disminuye en el 2018 y vuelve a aumentar en el 2019. Este patrón es inusual, ya que las
Capítulo 5. RESULTADOS 107
probabilidades de que el área urbana cambie en ganancia de una cobertura de matorral o
forestal es muy baja.
Según los valores de la TPV, la asignación de la clase urbana (Urb) en el año 2018 es
la más baja (0.919) con respecto a los años 2017 y 2019. Al examinar con mayor detalle
la ubicación de las celdas que presentan esta condición, se determina que una cantidad
significativa se localiza en el interior de las cuadras urbanas con presencia de jardines,
patios, áreas de parques o plazas.
Este comportamiento se atribuye al error de asignación y clasificación, por la alta
sensibilidad del algoritmo clasificador en imágenes con mejor resolución espacial (10 m).
Por lo que detecta patrones espectrales variantes que pueden ser asociados a las diferencias
temporales en las que se adquirieron las imágenes utilizadas (enero 2017, marzo 2018 y
febrero 2019). Un ejemplo de lo anterior, es la respuesta espectral causada por la pérdida y
ganancia de dosel de la vegetación caducifolia o semidecidua en el área de estudio. Además,
es importante consignar que existe un error del 8.1% asociado al proceso de asignación y
clasificación de la cobertura urbana del año 2018.
Debido a que la cobertura de la tierra generada del Sensor Sentinel-2 se utiliza para
establecer el parámetro de la tasa de cambio en la construcción de los escenarios. Se
considera un ajuste del factor de cambio al incorporar una estimación de intervalos de
confianza en el proceso de Autómata Celular (AC).
Capítulo 5. RESULTADOS 108
5.2.4. Descripción de las coberturas de la tierra
A continuación, se describen las coberturas de la tierra.
CUADRO 5.24: Coberturas de la tierra (Sensor Sentinel): Superficies en [Ha]
entre 2017-2019.
Tipo de cobertura Abrev 2017 2018 2019
Cuerpo de agua Ca 0.02 0.18 0.02
Urbano Urb 2016.52 1874.46 2272.71
Terreno descubierto Td 379.11 386.75 238.6
Forestal For 197.52 239.89 142.95
Matorrales Mat 339.98 325.08 188.15
Pastos Herb 527.8 491.44 403.75
Cultivos Cul 144.75 287.9 359.52
Total 3605.7 3605.7 3605.7
CUADRO 5.25: Coberturas de la tierra (Sensor Landsat): Superficies en [Ha]
entre 1985-2019.
Tipo de cobertura 1985 2001 2019
Urbano 668.34 1114.92 1704.739
Forestal 343.98 440.19 596.2107
Matorral 465.93 602.64 716.0448
Pastos 573.93 900 390.317
Cultivo 1547.46 541.89 192.3287
Total 3599.64 3599.64 3599.64
Cuerpos de agua
Las áreas más importantes están asociados a los ríos Pirro y Burío. Esta clase se
considera subestimada con respeto a su superficie, debido a que se mantiene cubierta u
oculta por otras entidades, por ejemplo, la cobertura forestal (bosque de ribera) en los
cauces. Esta clase no se identifica en el sensor Landsat, por las limitaciones de la resolución
espacial.
Áreas urbanas
Las áreas urbanas se conforman en usos residenciales, comerciales y de servicios,
acompañados de los servicios públicos institucionales, comunitarios y recreativos. Además,
Capítulo 5. RESULTADOS 109
incluye las redes de transporte vial y ferroviaria. Según reflejan los resultados obtenidos,
los espacios urbanos constituyen la base principal o predominante del mosaico paisajístico
del área de estudio. Por las características espectrales de la clase, la consistencia de la
asignación es casi perfecta.
Terrenos descubiertos
Son terrenos en descanso en el que la capa superficial del suelo es evidente a simple
vista. Esta situación ocurre en el caso de los terrenos preparados para la agricultura, por lo
general para la sustitución de cultivos de café por recambio o para ser sustituidos por áreas
urbanas. Esta clase no se identifica en el sensor Landsat, debido a las limitaciones de la
resolución espacial.
Forestal
La cobertura forestal es escasa y fragmentada, incluso se pueden definir como relictos.
Lo anterior es producto de la ocupación extensiva de las áreas urbanas, misma que continúa
y afecta los pequeños fragmentos de bosque de ribera, localizados principalmente en los ríos
Pirro y Burío. El bosque de ribera está en gradación de catena1, y se extiende lateralmente
desde el cauce activo hacia terreno elevado, y que en el mejor de los casos incluye la
planicie de inundación activa y las terrazas adyacentes, ya que varias oportunidades se
interrumpen por la ocupación de estructuras localizadas en las áreas de protección de los
cauces. Además, es posible encontrar pequeñas áreas verdes en los parques, centros de
cuadra y en los cultivos de café.
Morales-Cerdas (2017) y Morales-Cerdas et al. (2018) identifican al menos 101 árboles
representados por 12 familias, 21 géneros y 23 especies. Por abundancia destacan las
siguientes especies en las áreas verdes de Heredia: Tabebuia rosea (roble sabana), Spathodea
campanulata (llama del bosque), Jacaranda mimosifolia (jacaranda), Murraya paniaculata
(jazmín naranja), Bauhinia variegata (árbol de orquídeas moradas), Citharexylum donnell-
smithii (dama), Trichilia glabra (uraca), Terminalia catappa (almendro de playa).
1Localización de las especies vegetales en un sentido transversal al curso del río.
Capítulo 5. RESULTADOS 110
Matorrales
Los matorrales se componen de remanentes de árboles y vegetación con estructura
simple dominada por especies pioneras, en las que su composición no alcanza la
complejidad suficiente para considerarlos como cobertura forestal, pero es más compleja
que la cobertura de pastos. Estos se caracterizan por localizarse en la vecindad a otras
categorías naturales o estar inmersas dentro de la lógica urbana. Mantiene una lógica de
localización dispersa y heterogénea en el área de estudio.
Por las características del sensor Sentinel-2 y dado los indicadores de evaluación del
clasificador, es junto con la categoría de pastos la que aporta el mayor error asociado en
el proceso de asignación de clases. No obstante, en el proceso de clasificación del sensor
Landsat 5 TM y 8 OLI, la clase se asigna correctamente en un 87% de los casos.
Pastos
Se distribuyen de forma disgregada en el área de estudio, y según el modelo de
elevaciones se concentra en relieves planos (0-15%) a relieves ondulados (15 - 30%).
En el área de estudio este tipo de cobertura verde se utiliza para dar reposo a los terrenos.
En el sensor Landsat 5 TM y 8 OLI, se asigna con una consistencia sustancial. Mientras
que, en la clasificación del sensor Sentinel-2 su consistencia de asignación varía entre
sustancial a moderada.
Cultivos
Los cultivos mantienen una tenencia de incremento superficial con respecto a los años
2017 y 2018. Estas coberturas se localizan en las zonas de moderada y baja pendiente. El
cultivo predominante es el café, el cual amerita una especial atención, ya que históricamente
jugó un rol muy importante en la definición de la estructura económica y urbana de la
ciudad de Heredia, así como en sus zonas periurbanas. En los últimos años la distribución
espacial de los cultivos presenta una particularidad, es posible identificar pequeños parches
de cultivos inmersos en la ciudad, y se considera que son remanentes de un acelerado
proceso de crecimiento urbano, producto de una expectativa de incrementar el valor de la
tierra del mercado inmobiliario.
Capítulo 5. RESULTADOS 111
5.3. Patrón de cambio de cobertura de la tierra
5.3.1. Transformación Tasseled Cap (Kauth-Thomas) y valores de
sesgo
Para establecer los patrones de cambio de cobertura de la tierra mediante el cálculo
del Índice de Disturbio es necesario establecer la Transformación Tasseled Cap (TCT).
Este análisis de componentes especiales permite elaborar un perfil espectral a partir de la
reducción de factores de una imagen espectral.
Por ejemplo, Huang et al. (2002) establece que los cuerpos de agua presentan valores
de alta humedad, bajo brillo y verdura. Mientras que los cultivos y cobertura boscosa tienen
similares propiedades de humedad, pero difieren en sus respectivos valores de verdor. Con
el paso del tiempo las coberturas y el uso de la tierra cambian, y de esa forma cambia la
reflectancia de la superficie, así como sus respectivos valores de brillo, humedad y verdor.
Los cambios de una cobertura de cultivos o bosque hacia áreas urbanas, significaría un
aumento del componente de brillo y una disminución significativa del verdor y humedad.
En el cuadro 5.26 se prepara un resumen del comportamiento en los componentes brillo,
verdor y humedad, a partir de los cambios observados en la cobertura de la tierra.
CUADRO 5.26: Tasseled Cap: Patrón del indicardor de cambio de cobertura.
Cobertura To Cobertura T1 Brillo Verdor Humedad
(B) (G) (W)
Forestal Cultivos ↑ ↓ ↓
Forestal Área urbana ↑ ↑ ↓ ↓ ↓ ↓
Cultivos Cuerpo de agua ↓ ↓ ↑
Cultivos Área urbana ↑ ↓ ↓
Cultivos Forestal ↓ ↑ ↑
Área urbana Cultivos ↓ ↑ ↑
Área urbana Forestal ↓ ↓ ↑ ↑ ↑ ↑
Para esta investigación se realiza el cálculo para el conjunto de 57 imágenes descritas
en los cuadros A.2 y A.3, aunque en esta sección solo se mostrarán los resultados para tres
años en particular, y que corresponden a la imagen del inicio del período (1985), a la mitad
del período (2001) y al final de la serie de tiempo (2019).
Capítulo 5. RESULTADOS 112
En los cuadros 5.27, 5.28 y 5.29, así como en las figuras 5.11, 5.12 y 5.13 se indican
los resultados del análisis TCT. Al observar los datos resultantes para el año 1985, el
componente que presenta la mayor amplitud y concentración de los valores normalizados
de la distribución es el verdor, lo cual sugiere una alta presencia de cobertura verde.
Mientras que, si se analizan los valores con las desviaciones positivas significativas del
componente brillo, resulta más fácil la identificación de las áreas con mayor reflectancia
(es decir áreas urbanas). Los valores negativos del componente de humedad indican una
reducida presencia de humedad (agua) en el suelo.
En el año 2001, los valores normalizados de los componentes en los histogramas varían
de forma significativa en comparación al año 1986. La distribución de los valores del
componente de brillo varía en el tercer y cuarto cuantil (asimetría positiva), con presencia
de valores extremos superiores a la derecha y que evidencia el crecimiento de la mancha
urbana en el área de estudio. Con respecto al histograma del componente de verdor, se
identifica un aumento de las celdas con valores inferiores de reflectancia a 0.01, aunque
se mantiene una distribución simétrica. Esto puede implicar que los principales parches
verdes disminuyen su superficie, pero mantienen una forma estable (aparente efecto borde).
Los datos del año 2019 indican una tendencia de cambio más prominente. La
distribución de los datos normalizados del componente brillo, aumentó en la amplitud del
tercer y cuarto cuantil con respecto a los años anteriores. Además, ocurre un cambio en
la simetría del componente verdor, la cual presenta una distribución asimétrica negativa.
Se identifica que el componente brillo presenta una ganancia en detrimento del verdor
asociado a la imagen. Esto corresponde a un cambio significativo en las superficies de las
áreas verdes, que se transformaron en cobertura antrópica, en el que la tendencia de cambio
se observa en la densidad de la distribución.
Capítulo 5. RESULTADOS 113
Skewness con ajuste de ta√maño de muestra: ( )3
N (N−1) N Y −Y /N
G1 = ×
∑n=1 i
N−1 s3
CUADRO 5.27: Heredia, 1985: Coeficientes de simetría.
Componente Skewness Kurtosis
Brillo 2.0965 13.9112
Verdor -0.4752 2.4115
Humedad 1.1992 7.7536
CUADRO 5.28: Heredia, 2001: Coeficientes de simetría.
Componente Skewness Kurtosis
Brillo 2.8036 24.8341
Verdor -0.0064 1.9655
Humedad 1.83374 13.4010
CUADRO 5.29: Heredia, 2019: Coeficientes de simetría.
Componente Skewness Kurtosis
Brillo 2.9522 18.3385
Verdor 0.3742 2.8631
Humedad -0.4720 6.2700
Para una mejor comprensión de los cambios de las coberturas de la tierra, se procede a
estimar el Índice de Disturbio.
Capítulo 5. RESULTADOS 114
Brillo Histograma
0.08
0.07
0.06
0.05
0.04
0.03
0.02
813000 815000 817000 819000 0.02 0.04 0.06 0.08
Valor
Verdor
0.020
0.015
0.010
0.005
0.000
−0.005
−0.010
813000 815000 817000 819000 −0.010 0.000 0.010 0.020
Valor
Humedad
0.025
0.020
0.015
0.010
813000 815000 817000 819000 0.010 0.015 0.020 0.025 0.030
Valor
FIGURA 5.11: Heredia, 1985. Tasseled Cap: Brillo, Verdor, Humedad
(suelo); con su respectivo histograma. Coordenadas en UTM-16N.
1104000 1106000 1108000 1104000 1106000 1108000 1104000 1106000 1108000
Frecuencia Frecuencia Frecuencia
0 2000 4000 6000 8000 0 2000 4000 6000 0 5000 10000 15000
Capítulo 5. RESULTADOS 115
Brillo Histograma
0.12
0.10
0.08
0.06
0.04
0.02
813000 815000 817000 819000 0.02 0.04 0.06 0.08 0.10 0.12
Valor
Verdor
0.02
0.01
0.00
−0.01
813000 815000 817000 819000 −0.01 0.00 0.01 0.02 0.03
Valor
Humedad
0.040
0.035
0.030
0.025
0.020
0.015
0.010
813000 815000 817000 819000 0.01 0.02 0.03 0.04
Valor
FIGURA 5.12: Heredia, 2001. Tasseled Cap: Brillo, Verdor, Humedad
(suelo); con su respectivo histograma. Coordenadas en UTM-16N.
1104000 1106000 1108000 1104000 1106000 1108000 1104000 1106000 1108000
Frecuencia Frecuencia Frecuencia
0 5000 10000 15000 0 1000 2000 3000 4000 0 5000 10000 15000
Capítulo 5. RESULTADOS 116
Brillo Histograma
0.12
0.10
0.08
0.06
0.04
0.02
813000 815000 817000 819000 0.02 0.04 0.06 0.08 0.10 0.12
Valor
Verdor
0.02
0.01
0.00
−0.01
−0.02
813000 815000 817000 819000 −0.02 −0.01 0.00 0.01 0.02
Valor
Humedad
0.01
0.00
−0.01
−0.02
−0.03
−0.04
−0.05
813000 815000 817000 819000 −0.05 −0.03 −0.01 0.00 0.01
Valor
FIGURA 5.13: Heredia, 2019. Tasseled Cap: Brillo, Verdor, Humedad
(suelo); con su respectivo histograma. Coordenadas en UTM-16N.
1104000 1106000 1108000 1104000 1106000 1108000 1104000 1106000 1108000
Frecuencia Frecuencia Frecuencia
0 5000 10000 15000 0 5000 10000 15000 0 5000 10000 15000
Capítulo 5. RESULTADOS 117
5.3.2. Índice de Disturbio
Al aplicar la ecuación del Índice de Disturbio (DI) de la sección 4.2.1, se obtiene como
resultado una mejora para determinar las diferencias entre las áreas que exhiben valores
generales altos en todos los índices del TCT con respecto a las zonas que presentan valores
de brillo extremo. En la figura 5.14 se presentan los mapas con el DI calculado para los
años 1985, 1991, 1997, 2001, 2008, 2014, 20192. Se observan los valores con un alto brillo
(áreas urbanas) entre el intervalo de colores amarillos, naranjas y rojos; mientras que los
valores representados en los colores verdes se asocian a un bajo brillo y alto verdor (cultivos
y áreas verdes).
Para demostrar que, en las zonas con los niveles de brillo más alto, los valores del
DI se incrementaron con respecto a cada año observado, se opta por aplicar una prueba
no paramétrica pareada de rango con signo de Wilcoxon3, con un nivel de significancia
α = 0.05. Lo anterior basado en los resultados de la prueba de Skewness, que determinó
que las series de datos del Tasseled Cap cumplen las características de ser una distribución
no normalmente distribuida. En las figuras 5.15 y 5.16, se pueden observar los valores
extremos del DI.
Pruebas de hipótesis
Ho : µWd = 0
H1 : µWd > 0
Donde: Prueba estadística W (Bauer, 1972; Wilcoxon, 1945).
Nr
W = ∑ [signo(x2,i− x1,i×Ri)]
n=1
La prueba de Wilcoxon rechaza las hipótesis nulas establecidas (Ho) en los períodos:
(1991-1997), (1997-2001), (2008-2014) y (2014-2019) (Cuadro 5.30). En esos intervalos los
2Según la disponibilidad de imágenes Landsat, se trata de representar una periodicidad de entre 5 y 6
años, con el propósito de apreciar los cambios espaciales en las coberturas de la tierra.
3Se considera una prueba pareada, debido a los datos son espaciales y se extraen del mismo lugar, pero en
años diferentes.
Capítulo 5. RESULTADOS 118
CUADRO 5.30: Heredia: Prueba estadística Wilcoxon para las diferencias
del DI entre 1985-2019.
Prueba W Pseudo media P-valor
W1991−1985 = 5403694 -0.5722981 1
W1997−1991 = 8619149 1.633194 2.2e-16
W2001−1997 = 7604569 0.2534196 2.2e-16
W2008−2001 = 1738087 -0.2055624 0.9999
W2014−2008 = 3334107 7.516577 2.2e-16
W2019−2014 = 1829559 0.1251153 2.826e-05
valores del índice de disturbio (DI) se incrementaron. Dado que el p-valor es la probabilidad
de observar los incrementos o decrementos en la muestra seleccionada, sobresalen dos
períodos, el primero entre (1991-1997) con una diferencia mediana en las celdas del DI
en 1.63. El segundo período (2008-2014) destaca aún más, con una diferencia positiva
del DI establecida en 7.52. También, existen otros dos intervalos temporales de interés:
(1985-1991) y (2001-2008); en los que la hipótesis nula es verdadera. Lo que implica, que
la diferencia del DI en las áreas con un brillo extremo tiende a ser negativa.
Para establecer de manera espacial los cambios en las coberturas de la tierra, se usa un
análisis compuesto de imágenes de Landsat multitemporales, el cual ha demostrado ser
una técnica efectiva de detección de cambios en varios esfuerzos de monitoreo a escala
regional. Según Coppin y Bauer (1996), este tipo de análisis se utiliza como marco para
comparar las estructuras de datos anteriores.
La lógica aditiva de color para interpretar imágenes multitemporales consiste en la
composición de tres imágenes del Índice de Disturbio (DI) en sucesión cronológica.
Además, incluye el supuesto: el índice de disturbio (DI) es alto en áreas perturbadas.
Por tanto, los píxeles azules tienen un DI alto solo en el tercer año de la composición, lo
que indica una perturbación entre el segundo y el tercer año. Las áreas de color cian son
altas en el segundo y tercer año de la composición, pero no en la primero, lo que indica una
perturbación entre el primer y el segundo año. Los colores amarillentos, señalan colores
altos en rojo y verde y más bajos en el azul, e indican zonas perturbadas antes del primer
año que se vuelven a vegetar en el tercero. El resultado de esta técnica se puede observar
en la figura 5.17.
Capítulo 5. RESULTADOS 119
19850323 19910730 19970204
−7 −5 −3 −10 1 2 3 4 5 6 7 8 910 12 14 16 18 20 22 24 −6 −4 −2 0123456789 11 13 15 17 19 21 23 25 27 29 31 33 35 37 −5 −3 −10 1 2 3 4 5 6 7 8 910 12 14 16 18 20 22 24
(A) 1985 (B) 1991 (C) 1997
20010114 20080610
20140302
−5−3−1 123456789 11131517192123252729313335373941 −5 −3 −10 1 2 3 4 5 6 7 8 910 12 14 16 18 20 22 24 26 −16 −13 −10−8 −6 −4 −2 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 21
(D) 2001 (E) 2008 (F) 2014
20160328 20170331 20190217
−15 −10 −6−3 0 2 4 6 81013 16 19 22 25 28 31 3437 40 43 4649 −16 −13 −10 −7−5−3−1 123456789 11 13 1517 19 212325 27 −15 −11 −8 −5 −2 0 2 4 6 8 10 13 16 19 22 25 28 31 34
(G) 2016 (H) 2017 (I) 2019
FIGURA 5.14: Índice de disturbio [DI] (1985-2019): Comportamiento
espacial y temporal.
Capítulo 5. RESULTADOS 120
50 50
40 40
30 30
20 20
10 10
0 0
814000 816000 818000 814000 816000 818000
(A) 1985 (B) 1991
50 50
40 40
30 30
20 20
10 10
0 0
814000 816000 818000 814000 816000 818000
(C) 1997 (D) 2001
FIGURA 5.15: Índice de disturbio [DI] (1985-2001): Valores extremos
asociados al cambio de coberturas verdes por coberturas antrópicas.
1104000 1106000 1108000 1104000 1106000 1108000
1104000 1106000 1108000 1104000 1106000 1108000
Capítulo 5. RESULTADOS 121
50 50
40 40
30 30
20 20
10 10
0 0
814000 816000 818000 814000 816000 818000
(A) 2008 (B) 2014
50
40
30
20
10
0
814000 816000 818000
(C) 2019
FIGURA 5.16: Índice de disturbio [DI] (2008-2019): Valores extremos
asociados al cambio de coberturas verdes por coberturas antrópicas.
1104000 1106000 1108000 1104000 1106000 1108000
1104000 1106000 1108000
Capítulo 5. RESULTADOS 122
(A) 1985-1991-1997 (B) 1991-1997-2001
(C) 1997-2001-2008 (D) 2001-2008-2014
Perturbación entre el 
segundo y el tercer año.
Perturbación entre el 
primer y el segundo año.
Zonas perturbadas antes 
del primer año que se 
vuelven a vegetar en el 
tercer año.
(E) 2008-2014-2019 (F) Patrón del disturbio por
color del píxel para cada
subfigura.
FIGURA 5.17: Determinación de la perturbación espacial y temporal en el
DI, por composición RGB entre imágenes.
Capítulo 5. RESULTADOS 123
También, se comparan las superficies obtenidas por año de las coberturas de la tierra en
el período de 2017 al 2019 (Figura 5.18).
FIGURA 5.18: Evolución del cambio de cobertura de la tierra durante el
período 2017 y 2019.
Además, se incluye la evolución de las diferencias entre las superficies de las coberturas
de la tierra en el período comprendido entre 1985 al 2019 (Figura 5.19 y Cuadro 5.31).
Capítulo 5. RESULTADOS 124
FIGURA 5.19: Evolución del cambio de cobertura de la tierra durante el
período 1985 y 2019.
CUADRO 5.31: Coberturas de la tierra: Cambio relativo de la superficie [%].
Tipo de cobertura ∆2001−1985 ∆2019−2001 ∆2019−1985
Urbano 66.82% 52.90% 155.07%
Forestal 27.97% 35.44% 73.33%
Matorral 29.34% 18.82% 53.68%
Pastos 56.81% -56.63% -31.99%
Cultivo -64.98% -64.51% -87.57%
Capítulo 5. RESULTADOS 125
5.4. Patrón de variabilidad climática
5.4.1. Temperatura del aire
El análisis de la temperatura del aire en el área de estudio se realiza a partir de los datos
de las estaciones meteorológicas consignadas en los cuadros C.1 y C.2. En el cuadro 5.32
se indican las estadísticas descriptivas, asociados a la variable temperatura.
CUADRO 5.32: Resumen estadístico de las temperaturas
Temperatura media del aire
Cod Estación Período Años Mín. Media Máx. Sd K Shapiro-Wilk
40101 UNA 2015 2018 3 13.20 21.15 32.40 2.92 2.58 0.9492
73123 ITCR 1997 2019 22 9.00 18.35 29.20 2.82 2.72 0.9656
84023 FB-UCR 1985 2002 17 13.70 22.69 36.10 3.70 2.46 0.9460
84046 San Josecito-Heredia 1985 2010 25 8.70 17.91 30.50 2.64 3.27 0.9746
84111 Santa Lucía-Heredia 1985 2001 16 8.80 19.85 32.20 3.20 2.80 0.9881
84124 San Luis-Poás 1995 2002 7 10.70 17.99 26.90 2.28 2.94 0.9568
84139 CIGEFI 1999 2019 20 9.00 20.01 31.00 2.56 2.92 0.9667
84141 IMN-SJ 1995 2019 24 12.70 20.17 29.90 2.28 3.05 0.9674
84169 ASJO 1997 2019 22 12.50 22.40 32.80 3.01 2.48 0.9502
84181 Iztaru 2003 2019 16 8.40 16.22 27.40 2.67 3.10 0.9617
84189 Laguna-Fraijanes 2003 2019 16 4.40 16.25 26.40 2.55 2.84 0.9758
84191 RECOPE 1998 2019 21 13.10 23.25 34.10 3.27 2.37 0.9588
84193 A. Tobías Bolaños 2008 2019 11 14.00 21.80 30.90 2.61 2.62 0.9578
84197 Santa Bárbara 2001 2019 18 10.40 21.45 33.20 3.80 2.18 0.9649
84199 Belén 2004 2019 15 14.00 22.53 33.20 2.90 2.58 0.9411
84203 Zapote 2007 2019 12 12.60 20.82 33.10 2.85 2.98 0.9568
84205 Getsemaní 2009 2015 6 12.30 19.25 28.40 2.52 2.61 0.9714
84221 Volcán Poás 2011 2019 8 0.20 11.25 38.80 2.56 9.30 0.9432
Sd: Desviación estándar.
K: Coeficiente de simetría de Curtosis.
Shapiro-Wilk: Prueba estadística de normalidad Shapiro-Wilk.
Es conocido que la tendencia de una serie temporal climática no es lineal, por lo que,
para efectos de describir cualquier tendencia o cambio a largo plazo en el nivel de la
serie temporal, y cualquier variación estacional o dentro del año, se puede emplear un
Modelo Aditivo Generalizado (MAG). Con los datos de las estaciones meteorológicas
más cercanas al área de estudio: UNA (40101), Santa Lucía (84111), Aeropuerto Juan
Santamaría (84169), Santa Bárbara (84197), Belén (84199) y Getsemaní (84205); se
construyen las correspondientes series temporales (Anexo D) y se analizan para observar
su comportamiento estacional, tendencial y aleatorio mediante un MAG que consiste en
Capítulo 5. RESULTADOS 126
una regresión de una función de base polinomial (spline) cúbica cíclica que responde a la
siguiente forma:
( )
y = β0 + festacional (x1)+ ftendencia (x2)+ ε, ε ∼ N 0,σ2Λ
Donde β0 es la intersección, festacional y ftendencia son funciones suavizadas para las
características estacionales y de tendencia que interesan. Mientras que, x1 y x2 son los
datos covariables que proporcionan algún tipo de indicadores de periodicidad para los
tiempos dentro del año y entre años. De tal manera, que para la investigación se toma en
cuenta la temperatura registrada según el día del año y el número del día contabilizado
después del 1° enero de 19854. En el primer proceso se busca determinar la variabilidad
intermensual e interanual, mientras que en el segundo se establece la variabilidad en todo
el período que abarca la serie de tiempo. Otro aspecto de consideración es que al aplicar la
prueba de Shapiro-Wilk a los datos de temperatura de las estaciones se puede afirmar con
significancia estadística que el comportamiento de las series temporales corresponde a una
distribución de probabilidad normal. A continuación, se muestran los principales resultados
en las estaciones meteorológicas cercanas al área de estudio.
Tendencia de la temperatura media del aire
La serie temporal de la estación meteorológica ubicada en la Universidad Nacional
consiste en un registro de solo 3 años. Esta situación, dificulta obtener resultados robustos en
la variabilidad interanual. El coeficiente de variación interanual (CVI) se estima en 1.18%.
Al observar la tendencia en el período registrado 5.21 (B), se identifica un incremento de la
temperatura a finales del año 2015. Además, se observa que una tendencia de disminución
de la temperatura hasta finales del año 2018. En el caso de la estación 84021, la tendencia
secular indica que la temperatura es 0.81 grados más cálida que al inicio del registro.
La estación Santa Lucía (84111) cuenta con un registro de 16 años. El coeficiente de
variación anual es de 2.48%, mientras que el coeficiente de variación diario es de 6.30%.
El componente de tendencia indica una temperatura media máxima de 20.89°C y una
temperatura media mínima de 19.26°C. En la figura 5.22 (B), se observa que en año 1990
ocurrió un incremento positivo en la variación de la temperatura de al menos 1°C. Además,
4Establecer un identificador del día permite crear una línea base de referencia, que posibilita comprar
series de tiempo con períodos de registro diferente.
Capítulo 5. RESULTADOS 127
la tendencia secular indica que la temperatura media en esa estación al año 2001 es 0.53°C
más cálida que al año de 1985.
La estación del Aeropuerto Juan Santamaría (84169), cuenta con uno de los registros
más amplios (22 años). La serie temporal muestra un patrón cíclico aperiódico. En la
tendencia se registra un máximo de temperatura de 23.04°C y mínimo en 21.21 °C. Se
estima que el coeficiente de variación interanual (CVI) es de 2.30%. A su vez la tendencia
secular indica que la temperatura es 0.81°C más cálida que al inicio del registro. Se destaca,
que tanto en los años 2003 y 2015 ocurrió un incremento en la variación de la temperatura
(figura 5.23 (B)).
En el caso de la estación Santa Bárbara (84197) tiene un registro de 18 años. La serie
temporal presenta un patrón cíclico en el que la variación de la temperatura se incrementa
y desciende en cada quinquenio, con un desplazamiento o retraso de 2 a 3 años entre
cresta y valle (figura 5.24 (B)). El coeficiente de variación anual es de 1.19%, mientras
que el coeficiente de variación diario es de 4.51%. El componente de tendencia indica una
temperatura media máxima de 21.90°C y una temperatura media mínima de 21.11°C. La
tendencia secular indica que la temperatura es 0.53 °C más frío que al inicio del registro.
La estación Belén (84199) cuenta con un registro de 15 años. La tendencia observada
de la serie temporal muestra un incremento paulatino de la temperatura media del aire.
Variaciones máximas positivas ocurrieron durante los años 2010, 2016 y 2020, mientras
que las variaciones máximas negativas sucedieron en los años 2008, 2012 y 2018 (figura
5.25 (B)). El coeficiente de variación anual es de 1.33%, mientras que el coeficiente de
variación diario es de 4.59%. El componente de tendencia indica una temperatura media
máxima de 23.02°C y una temperatura media mínima de 22.14°C. La tendencia secular
indica que la temperatura es 0.48°C más cálida que al inicio del registro.
La estación Getsemaní (84205) solo cuenta con un registro de 6 años, y junto con
la estación ubicada en la Universidad Nacional son las estaciones con el registro más
reducido de datos. La tendencia de la temperatura promedio del aire presentó una máxima
variabilidad positiva en el año 2010 y la máxima variación negativa en los años 2011 y
2015. El coeficiente de variación anual es de 1.51% y el coeficiente de variación diario es
de 4.67%. El componente de tendencia indica una temperatura media máxima de 19.97°C y
una temperatura media mínima de 18.54°C. La tendencia secular indica que la temperatura
es 0.41°C más frío que al inicio del registro. Es la estación más cercana al área de estudio
Capítulo 5. RESULTADOS 128
que presenta los valores más bajos de temperatura promedio del aire (figura 5.26 (B)).
En todas las estaciones, se establece que la máxima variabilidad positiva de la
temperatura media del aire en el transcurso del año ocurre entre los meses de marzo
y abril (días 100 - 150). Sin embargo, no es el caso de la máxima variabilidad negativa. En
las estaciones 84169, 84197, 84199 y 84205 se presenta en el mes de noviembre (alrededor
del día 300). Mientras que en las estaciones 40101 y 84111 las variaciones máximas
negativas trascurren en los meses de diciembre y enero (días 350 - 0), con la particularidad
de que la estación 84111 también muestra un descenso de la variación de las temperaturas
en el mes de noviembre (alrededor del día 275) (figuras 5.21 (A), 5.22 (A), 5.23 (A), 5.24
(A), 5.25 (A) y 5.26 (A).
2015 2016 2017 2018 1985 1990 1995 2000
Año Año
(A) Estación 40101 (B) Estación 84111
2000 2005 2010 2015 2020 2005 2010 2015 2020
Año Año
(C) Estación 84169 (D) Estación 84197
2005 2010 2015 2020 2010 2011 2012 2013 2014 2015
Año Año
(E) Estación 84199 (F) Estación 84205
FIGURA 5.20: Variación de la tendencia de la temperatura.
Temperatura (°C) Temperatura (°C) Temperatura (°C)
18 20 22 24 26 18 20 22 24 26 16 18 20 22
Temperatura (°C) Temperatura (°C) Temperatura (°C)
16 17 18 19 20 21 22 18 20 22 24 16 18 20 22 24
Capítulo 5. RESULTADOS 129
1.0 1.0
0.5 0.5
0.0 0.0
−0.5 −0.5
0 100 200 300 2016 2018
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.21: Estación UNA-Heredia: Variación de la temperatura por
estacionalidad y tendencia.
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
−0.5 −0.5
−1.0 −1.0
0 100 200 300 1986 1988 1990 1992 1994 1996 1998 2000 2002
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.22: Estación Santa Lucía: Variación de la temperatura por
estacionalidad y tendencia.
∆ Temperatura [°C] ∆ Temperatura [°C]
∆ Temperatura [°C] ∆ Temperatura [°C]
Capítulo 5. RESULTADOS 130
1 1
0 0
−1 −1
0 100 200 300 2000 2004 2008 2012 2016 2020
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.23: Estación Aeropuerto Juan Santamaría: Variación de la
temperatura por estacionalidad y tendencia.
1.0 1.0
0.5 0.5
0.0 0.0
−0.5 −0.5
0 100 200 300 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.24: Estación Santa Bárbara: Variación de la temperatura por
estacionalidad y tendencia.
∆ Temperatura [°C] ∆ Temperatura [°C]
∆ Temperatura [°C] ∆ Temperatura [°C]
Capítulo 5. RESULTADOS 131
1.0 1.0
0.5 0.5
0.0 0.0
−0.5 −0.5
−1.0 −1.0
0 100 200 300 2006 2008 2010 2012 2014 2016 2018 2020
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.25: Estación Belén: Variación de la temperatura por
estacionalidad y tendencia.
1 1
0 0
−1 −1
0 100 200 300 2011 2013 2015
Día del año Año
(A) Estacionalidad (B) Tendencia
FIGURA 5.26: Estación Getsemaní: Variación de la temperatura por
estacionalidad y tendencia.
∆ Temperatura [°C] ∆ Temperatura [°C]
∆ Temperatura [°C] ∆ Temperatura [°C]
Capítulo 5. RESULTADOS 132
5.4.2. Viento
En relación con la variable viento, se observan los registros de las estaciones
meteorológicas (mapa de la figura 4.1) en función de la velocidad y dirección del viento5, y
se generan los gráficos de las figuras 5.32, 5.30, 5.30, 5.31 y 5.31. Además, se utiliza la
escala de Beaufort (Cuadro 5.33) para describir la fuerza de los vientos y en el Cuadro 5.34
se describe los rangos de la dirección del viento en grados (°).
CUADRO 5.33: Escala de Beaufort de la fuerza de los vientos
Número de Velocidad del Denominación
Beaufort viento [m/s]
0 <0.5 Calma
1 0.5 - 1.5 Ventolina
2 1.6 - 3.3 Flojito (Brisa muy débil)
3 3.4 - 5.5 Flojo (Brisa Ligera)
4 5.5 - 7.9 Bonancible (Brisa moderada)
5 8 - 10.7 Fresquito (Brisa fresca)
6 10.8 - 13.8 Fresco (Brisa fuerte)
7 13.9 - 17.1 Frescachón (Viento fuerte)
8 17.2 - 20.7 Temporal (Viento duro)
9 20.8 - 24.4 Temporal fuerte (Muy duro)
10 24.5 - 28.4 Temporal duro (Temporal)
11 28.5 - 32.6 Temporal muy duro (Borrasca)
12 >32.7 Temporal huracanado (Huracán)
Con respecto a la variable viento, es importante describir la ubicación de las estaciones
utilizadas. Las estaciones Aeropuerto Juan Santamaría (84169) y Santa Bárbara (84197)
está ubicadas al noreste del área de estudio. A su vez, la estación Getsemaní (84205) se
localiza al noreste de la ciudad de Heredia. Mientras que la estación de la UNA se ubica
dentro del campus Omar Dengo, al interior del área de estudio.
En la ubicación del Aeropuerto Juan Santamaría (84169) (figura 5.30), los vientos
mantienen una dirección predominante que viene del este (E) y el sureste (SE). Las mayores
velocidades de vientos se registran entre los meses de diciembre y marzo, las cuales se
pueden catalogar de brisas fuertes (Número de Beaufort = 6). En el mes de noviembre es
5La dirección del viento se informa según la dirección en la que se origina.
Capítulo 5. RESULTADOS 133
CUADRO 5.34: Clasificación de la dirección del viento
Dir. Pred. Dirección Rango en Grados (°)
1 Norte 337.6 a 22.5 (°)
2 Noreste 22.6 a 67.5 (°)
3 Este 67.6 a 112.5 (°)
4 Sureste 112.6 a 157.5 (°)
5 Sur 157.6 a 202.5 (°)
6 Suroeste 202.6 a 247.5 (°)
7 Oeste 247.6 a 292.5 (°)
8 Noroeste 292.5 a 337.5 (°)
un mes de transición y marca el inicio de los vientos alisios. Mientras que el mes de abril,
se presentan los vientos que marcan el inicio de la estación lluviosa en la vertiente pacífica
de Costa Rica. Es en el mes de junio cuando ocurre la menor intensidad del viento.
En la estación Santa Bárbara (84197), las mayores velocidades de los vientos se registran
entre los meses de enero a marzo, y consisten en una brisa moderada (bonancible). Durante
el resto del año los vientos corresponden a una brisa fresca. Al igual que la estación del
Aeropuerto Juan Santamaría, predomina los vientos una dirección proveniente del este (E)
y el sureste (SE). En el caso de la estación Getsemaní (84205) predomina la brisa ligera,
aunque se registran intensidades de vientos muy duros y duros durante dos períodos. El
primero entre los meses de noviembre a abril y el segundo durante los meses de junio
a setiembre. La dirección predominante del viento es del Sureste (SE) y Sur (S). Este
comportamiento del viento lo explica el Instituto Meteorológico Nacional (2009), en el
que el flujo sinóptico predominante influye en la intensidad de las brisas ascendentes
(anabáticas). Estas tienden a ser más fuertes en la ladera sur de las montañas, mientras que
en las laderas al norte los vientos tienden a ser más débiles.
En la estación de la UNA, los vientos muestran un comportamiento diferente. Se observa
dos períodos, el primero que va de diciembre a marzo en el que se pueden catalogar como
una brisa moderada. El segundo período va de junio a setiembre y corresponde a brisas
ligeras. En los meses de abril, mayo, octubre y noviembre se puede catalogar como vientos
de brisa muy débil. La dirección predominante del viento es del noreste (NE) y el este (E)
(figura 5.27).
Capítulo 5. RESULTADOS 134
337.5 − 22.5
12500
10000 292.5 − 337.5 22.5 − 67.5
Velocidad del Viento (m/s)
7500
30 − 34
5000 26 − 30
2500 22 − 26
18 − 22
2047.5 − 292.5 67.5 − 112.5
14 − 18
10 − 14
6 − 10
2 − 6
NA
202.5 − 247.5 112.5 − 157.5
157.5 − 202.5
FIGURA 5.27: Estación UNA: Velocidad y dirección promedio anual del
viento.
337.5 − 22.5
60000 292.5 − 337.5 22.5 − 67.5
Velocidad del Viento (m/s)
40000 30 − 34
26 − 30
20000
22 − 26
18 − 22
2047.5 − 292.5 67.5 − 112.5
14 − 18
10 − 14
6 − 10
2 − 6
NA
202.5 − 247.5 112.5 − 157.5
157.5 − 202.5
FIGURA 5.28: Estación ASJO (84169): Velocidad y dirección promedio
anual del viento.
Frecuencia Frecuencia
Capítulo 5. RESULTADOS 135
Ene Feb Mar
7500
5000
2500
0
Abr May Jun
7500
5000
2500 Velocidad del Viento (m/s)
0
30 − 34
26 − 30
22 − 26
18 − 22
Jul Ago Sep
14 − 18
10 − 14
7500
5000 6 − 10
2500 2 − 6
0
NA
Oct Nov Dic
7500
5000
2500
0
FIGURA 5.29: Estación 84169 AJSO: Patrón (velocidad y dirección) del
viento según mes del año.
Frecuencia
Capítulo 5. RESULTADOS 136
Ene Feb Mar
4000
3000
2000
1000
0
Abr May Jun
4000
3000
2000
1000 Velocidad del Viento (m/s)
0
30 − 34
26 − 30
22 − 26
18 − 22
Jul Ago Sep
14 − 18
4000 10 − 14
3000
6 − 10
2000
1000 2 − 6
0
NA
Oct Nov Dic
4000
3000
2000
1000
0
FIGURA 5.30: Estación 84197 Santa Bárbara: Patrón (velocidad y dirección)
del viento según mes del año.
Frecuencia
Capítulo 5. RESULTADOS 137
Ene Feb Mar
2000
1500
1000
500
0
Abr May Jun
2000
1500
1000 Velocidad del Viento (m/s)
500
0 36 − 50.25
30 − 34
26 − 30
22 − 26
Jul Ago Sep 18 − 22
14 − 18
2000
1500 10 − 14
1000 6 − 10
500
0 2 − 6
NA
Oct Nov Dic
2000
1500
1000
500
0
FIGURA 5.31: Estación 84205 Getsemaní: Patrón (velocidad y dirección)
del viento según mes del año.
Frecuencia
Capítulo 5. RESULTADOS 138
Ene Feb Mar
1600
1200
800
400
0
Abr May Jun
1600
1200
800
400 Velocidad del Viento (m/s)
0
30 − 34
26 − 30
22 − 26
18 − 22
Jul Ago Sep
14 − 18
1600 10 − 14
1200 6 − 10
800
400 2 − 6
0
NA
Oct Nov Dic
1600
1200
800
400
0
FIGURA 5.32: Estación UNA Campus Omar Dengo: Patrón (velocidad y
dirección) del viento según mes del año.
Frecuencia
Capítulo 5. RESULTADOS 139
5.5. Temperatura de la superficie
Se presentan las estimaciones realizadas del algoritmo mono-ventana propuesto por
Qin et al. (2001), Sobrino et al. (2004), F. Wang et al. (2015) para el área y período
temporal en estudio. Estos cálculos se implementaron por medio de una serie de algoritmos
e instrucciones en el programa R (R Core Team, 2019). Los principales estadísticos se
pueden observar en el cuadro 5.35. En las figuras 5.33, 5.34, 5.35 y 5.36 se espacializan los
resultados obtenidos del proceso de estimación de la temperatura de la superficie terrestre
para los años6 1985, 1986, 1987, 1989, 1991, 1997, 1999, 2001, 2008, 2013, 2014, 2015,
2016, 2017, 2018 y 2019.
CUADRO 5.35: Heredia: Resumen estadístico de la estimación de la
temperatura de la superficie en las imágenes de satélite (1985 - 2019)
Año Mín. Máx. Media Desv. Estándar
1 1985 25.43 42.89 31.02 2.56
2 1986 25.43 42.89 32.07 2.74
3 1987 25.81 42.40 32.15 2.30
4 1989 21.70 39.68 27.81 3.01
5 1991 18.31 34.75 24.85 2.82
6 1997 21.58 36.67 28.47 2.41
7 1999 27.77 49.88 38.02 3.97
8 2001 17.87 38.51 29.69 2.87
9 2008 14.95 37.20 25.22 4.13
10 2013 12.81 44.67 32.89 5.01
11 2014 26.57 42.73 35.47 1.91
12 2015 24.41 44.83 32.40 1.81
13 2016 31.75 47.44 38.78 1.71
14 2017 33.41 52.45 44.02 2.57
15 2018 31.10 47.21 40.65 2.04
16 2019 29.13 47.20 38.86 2.60
Al considerar el patrón de distribución espacial de la TST, se comprueba que esta tiende
a ser más elevada y concentrada en la mancha urbana consolidada (figuras 5.33, 5.34, 5.35
y 5.36). Este comportamiento tiende a intensificarse en el transcurso del tiempo.
6A pesar que se realiza el cálculo para todas las imágenes satelitales, solo se presentan los resultados para
los años indicados.
Capítulo 5. RESULTADOS 140
19850203 19860206
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(A) 1985 (B) 1986
19870313 19891231
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(C) 1987 (D) 1989
FIGURA 5.33: Temperatura de la superficie terrestre [TST], según fecha
indicada en las subfiguras en el período de 1985-1989.
Capítulo 5. RESULTADOS 141
19910730 19970204
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(A) 1991 (B) 1997
19990314 20010114
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(C) 1999 (D) 2001
FIGURA 5.34: Temperatura de la superficie terrestre [TST], según fecha
indicada en las subfiguras en el período de 1991-2001.
Capítulo 5. RESULTADOS 142
20080610 20130912
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(A) 2008 (B) 2013
20140219 20150310
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(C) 2014 (D) 2015
FIGURA 5.35: Temperatura de la superficie terrestre [TST], según fecha
indicada en las subfiguras en el período de 2008-2015.
Capítulo 5. RESULTADOS 143
20160328 20170331
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(A) 2016 (B) 2017
20180403 20190217
15 20 25 30 35 40 45 50 15 20 25 30 35 40 45 50
(C) 2018 (D) 2019
FIGURA 5.36: Temperatura de la superficie terrestre [TST], según fecha
indicada en las subfiguras en el período de 2016-2019.
Capítulo 5. RESULTADOS 144
5.6. Isla de Calor Urbano
Con la temperatura de la superficie terrestre (TST) se determina la Isla de Calor Urbano
(ICU) en la ciudad de Heredia. Mediante el análisis de intensidad zonal en el que se elabora
los perfiles térmicos por categorías de las coberturas de la tierra y de segmentos en dirección
zona urbana - periferia, se procede a cuantificar la forma e intensidad de la ICU.
5.6.1. Perfiles térmicos: Categorías de cobertura
CUADRO 5.36: Perfil térmico en [°C] por categoría de cobertura de la tierra
[cat] (1985-02-03)
Categoría n.obs x Max. Min. Desv. Estándar
1 Urb 7426 34.3084 42.8787 28.9754 1.8789
2 For 3822 32.7475 42.8877 25.5152 2.6020
3 Mat 5177 31.3025 41.1797 25.4481 2.0640
4 Herb 6377 30.2318 37.2366 25.4273 1.8068
5 Cul 17194 29.4357 36.0643 25.8595 1.4216
CUADRO 5.37: Perfil térmico en [°C] por categoría de cobertura de la tierra
[cat] (2001-01-14)
Categoría n.obs x Max. Min. Desv. Estándar
1 Urb 12388 32.2487 38.5073 17.8715 2.7026
2 For 4891 30.4705 37.3974 20.2732 2.4970
3 Mat 6696 28.8521 36.2095 19.7956 2.3111
4 Herb 10000 27.9005 34.1663 21.1289 1.6826
5 Cul 6021 27.7389 33.3885 22.6920 1.4720
CUADRO 5.38: Perfil térmico en [°C] por categoría de cobertura de la tierra
[cat] (2019-03-05)
Categoría n.obs x Max. Min. Desv. Estándar
1 Urb 18962 34.1701 38.4240 27.4116 1.3087
2 For 6622 33.6049 38.2335 27.3060 1.6575
3 Mat 7956 32.9577 37.8418 26.8260 1.6294
4 Herb 4330 31.8962 36.2864 25.9049 1.6142
5 Cul 2126 31.5930 35.6515 25.9674 1.1551
Capítulo 5. RESULTADOS 145
45
40
Clase
35 Urb
For
Mat
30 Herb
Cul
25
20
Urb For Mat Herb Cul
Clase
(A) Perfil 1985
45
40
Clase
35 Urb
For
Mat
30 Herb
Cul
25
20
Urb For Mat Herb Cul
Clase
(B) Perfil 2001
45
40
Clase
35 Urb
For
Mat
30 Herb
Cul
25
20
Urb For Mat Herb Cul
Clase
(C) Perfil 2019
FIGURA 5.37: Perfil térmico en [°C] por categoría de cobertura de la tierra
[cat] (1985-2001-2019)
Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 146
Para los perfiles por categorías de cobertura de la tierra se usa la clasificación realizada
en la sección 5.2.1 para los años 1985, 2001 y 2019. Al sobreponer la capa de información
de cobertura de uso con respecto a la capa de la temperatura de la superficie terrestre y al
extraer estos valores por clase, se obtienen los cuadros 5.36, 5.37 y 5.38 y la figura 5.37.
Los resultados indican que la cobertura que presenta la temperatura superficial
(promedio y máxima) más elevada es la urbana (Urb), seguida de la forestal (For), los
matorrales (Mat), los pastos (Herb) y los cultivos (Cul). El en cuadro 5.39 se indican
las diferencias promedio de temperatura entre las zonas urbanas con respecto a las otras
coberturas. En el año 1985 se registra las mayores diferencias promedio de temperatura.
Al contrario, en el año 2019 se registran las menores diferencias entre las clases (Cuadro
5.39).
CUADRO 5.39: Diferencias térmicas promedio en [°C] entre clases de
cobertura de la tierra con respecto a la cobertura urbana.
Diferencia entre Clases 1985 2001 2019 ∆ Promedio
Urbano-Forestal 1.5609 1.7782 0.5652 1.3014
Urbano-Matorral 3.0059 3.3966 1.2124 2.5383
Urbano-Pastos 4.0766 4.3481 2.2740 3.5662
Urbano-Cultivos 4.8726 4.5097 2.5771 3.9865
Al individualizar los casos, la mayor diferencia térmica ocurre en el año 1985 y
corresponde a la cobertura urbana con respecto a la cobertura asociada a los cultivos
(predomina el cultivo de café) 4.87 °C. Mientras que en el año 2019 se observa la menor
diferencia que corresponde a las clases urbano y forestal, con un valor estimado en 0.56 °C.
Al tomar en cuenta el promedio de los tres años (Cuadro 5.39), la diferencia térmica entre
la cobertura urbana con respecto a la forestal es de 1.3 °C, mientras que entre lo urbano y
las áreas destinadas para cultivos es de 3.99 °C. Al estimar los límites de confianza en un
95% (nivel de significancia estadística α = 0.05) se establece que no existe traslape entre
los intervalos de la diferencia térmica de las clases, que sugiera un estimado del parámetro
igual.
Capítulo 5. RESULTADOS 147
5.6.2. Perfiles térmicos: Zona Urbana - Zona Periférica
Para la construcción de los perfiles térmicos, se usan 4 transectos que consisten en
segmentos que atraviesan el área de estudio y mantienen una lógica propia de una rosa de
los vientos. Estos se identifican con una letra del alfabeto. El segmento A mantiene una
orientación Sur-Norte, el segmento B va del Suroeste al Noreste, el segmento D presenta
una orientación Sureste-Noroeste, mientras que el segmento C va de Oeste-Este. Tal y
como se muestra en la figura 5.38.
Al extraer los valores de la temperatura de la superficie terrestre en los segmentos
establecidos, se construyen los gráficos de las figuras 5.39, 5.40, 5.41, 5.42, 5.43 5.44, 5.45
y 5.46. En estas figuras, se observa desde diferentes direcciones la forma de la Isla de Calor
Urbano. En las crestas las temperaturas son más cálidas y se asocian a las áreas urbanas.
Mientras que en los valles las temperaturas son más frescas y se relacionan a las coberturas
de la tierra como cultivos, matorrales y áreas forestales.
Al inicio del período en el año 1985 y hasta aproximadamente el año 2008, el patrón
de conformación de crestas y valles supone efecto de intercalación entre las coberturas
de la tierra que permiten identificar sectores cálidos y frescos en el área de estudio. Por
ejemplo, en el perfil A de 1985 desde los 0 metros hasta los 4000 metros encontramos un
aumento paulatino en la gradiente térmica, y que corresponde a las localidades de Lagunilla
de Heredia a el centro de la Ciudad de Heredia. A su vez entre los 4000 y 5300 metros de
distancia se localiza un área de cultivos de café que separaba a Heredia de Barva, de ahí la
gradiente térmica.
Al verificar en la capa de coberturas de la tierra, cada reducción de la gradiente
corresponde a la presencia de una cobertura natural como la vegetación presente en los
cauces de los ríos o matorrales, e incluso cultivos de café, en los que la temperatura tiende
a ser menor. Mientras que en cada aumento de la gradiente corresponde a la presencia de
una estructura o edificación.
A partir del año 2014, ocurre un cambio significativo en los perfiles térmicos. En los que
la fluctuación entre cresta y valle tiende a ser menor, y se observa un patrón más suavizado.
Otro aspecto relevante es que la temperatura de la superficie tiende a aumentar de forma
considerable y a ser uniforme en los transectos establecidos. Lo que en años anteriores al
2008 se consideraba valores máximos de la cresta, en los últimos años parece ser el patrón
normal y que se puede describir con la forma de una meseta. Este tipo de forma en el perfil
Capítulo 5. RESULTADOS 148
se debe a la falta de elementos o zonas que no regulan el aumento de temperatura y a la
ampliación de la mancha urbana.
En el cuadro 5.40 se reportan los valores de la ICU del transecto A. Se escoge este
segmento, ya que delimita el cuadrante central de Heredia entre los ríos Pirro y Burío y
ofrece una línea base estándar para comparar las diferencias térmicas. En 1985, la ICU
de la ciudad de Heredia se distingue con claridad, y se estima una diferencia promedio de
4.6°C entre el centro de urbano y el sector periférico. Mientras que para el año 2019 esta
diferencia es de 3.02°C, pero con temperaturas más altas. Los valores de la ICU mayores a
3.5°C pero menores a 5°C se reportan en los años 1985, 1986, 1991, 2001, 2008 y 2013.
En los años de 1989 y 1999 la ICU es mayor a 5°C. Una característica particular es que,
con la excepción del año 2013, el ENOS se encontraba en una fase positiva o negativa con
intensidad fuerte o muy fuerte.
484000 485000 486000 487000 488000 489000 490000
C
484000 485000 486000 487000 488000 489000 490000
FIGURA 5.38: Heredia: Perfiles de Temperatura.
1103000 1104000 1105000 1106000 1107000 1108000
B
A
D
1103000 1104000 1105000 1106000 1107000 1108000
Capítulo 5. RESULTADOS 149
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil A 1985 (B) Perfil A 1986
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil A 1987 (D) Perfil A 1989
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(E) Perfil A 1991 (F) Perfil A 1997
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(G) Perfil A 1999 (H) Perfil A 2001
FIGURA 5.39: Perfil térmico A: ICU [up] 1985-2001
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 150
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil A 2008 (B) Perfil A 2013
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil A 2014 (D) Perfil A 2015
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(E) Perfil A 2016 (F) Perfil A 2017
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(G) Perfil A 2018 (H) Perfil A 2019
FIGURA 5.40: Perfil térmico A: ICU [up] 2008-2019
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 151
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil B 1985 (B) Perfil B 1986
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil B 1987 (D) Perfil B 1989
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(E) Perfil B 1991 (F) Perfil B 1997
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(G) Perfil B 1999 (H) Perfil B 2001
FIGURA 5.41: Perfil térmico B: ICU [up] 1985-2001
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 152
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil B 2008 (B) Perfil B 2013
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil B 2014 (D) Perfil B 2015
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(E) Perfil B 2016 (F) Perfil B 2017
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(G) Perfil B 2018 (H) Perfil B 2019
FIGURA 5.42: Perfil térmico B: ICU [up] 2008-2019
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 153
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil C 1985 (B) Perfil C 1986
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil C 1987 (D) Perfil C 1989
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(E) Perfil C 1991 (F) Perfil C 1997
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(G) Perfil C 1999 (H) Perfil C 2001
FIGURA 5.43: Perfil térmico C: ICU [up] 1985-2001
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 154
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil C 2008 (B) Perfil C 2013
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil C 2014 (D) Perfil C 2015
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(E) Perfil C 2016 (F) Perfil C 2017
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(G) Perfil C 2018 (H) Perfil C 2019
FIGURA 5.44: Perfil térmico C: ICU [up] 2008-2019
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 155
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil D 1985 (B) Perfil D 1986
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil D 1987 (D) Perfil D 1989
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(E) Perfil D 1991 (F) Perfil D 1997
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(G) Perfil D 1999 (H) Perfil D 2001
FIGURA 5.45: Perfil térmico D: ICU [up] 1985-2001
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 156
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil D 2008 (B) Perfil D 2013
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil D 2014 (D) Perfil D 2015
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(E) Perfil D 2016 (F) Perfil D 2017
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(G) Perfil D 2018 (H) Perfil D 2019
FIGURA 5.46: Perfil térmico D: ICU [up] 2008-2019
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 157
CUADRO 5.40: Intensidad de la ICU - Perfil A: 1985 - 2019.
Temperatura °C
Año Núcleo Periferia ICU
1985 34.83 30.23 4.60
1986 35.66 30.91 4.75
1987 35.59 32.18 3.41
1989 33.16 27.35 5.80
1991 29.29 24.49 4.80
1997 31.38 28.60 2.78
1999 44.28 38.05 6.24
2001 33.95 29.16 4.79
2008 29.66 26.05 3.60
2013 38.46 33.87 4.59
2014 36.57 35.01 1.56
2015 33.63 32.21 1.43
2016 40.48 38.44 2.04
2017 46.70 43.61 3.09
2018 42.95 40.41 2.55
2019 41.54 38.52 3.02
El diagrama de Hovmöller (gráfico 5.47) establece el desplazamiento de la ICU durante
el periodo de estudio en el componente de latitud. Se observa que las mayores temperaturas
se concentran en el centro de la ciudad de Heredia, pero en años recientes este núcleo tiende
a desplazarse hacia el sur. En general, la ciudad experimenta un aumento de la temperatura
con respecto a los primeros años observados.
Capítulo 5. RESULTADOS 158
50
2019 40
40
40 45
2018
45 40
2017
40 35
2016
35
30
2015
30
25
25
2014 35
20
1104000 1105000 1106000 1107000 1108000 1109000
Latitud (UTM−16N)
(A) Período 2013-2019
45
2010
25
25 40
2005
30 35
2000 40 40
35
30
30
1995
25 25 25 25
1990 25
30
30 330 0
20
1104000 1105000 1106000 1107000 1108000 1109000
Latitud (UTM−16N)
(B) Período 1985-2008
FIGURA 5.47: Heredia: Diagrama de Hovmöller de la ICU 1985-2019.
Año Año
40
25
25
30
Capítulo 5. RESULTADOS 159
5.6.3. Relación entre las variables TST y DI
Para establecer la relación o influencia de las coberturas de la tierra en la temperatura
de la superficie terrestre (TST), se construye un modelo de regresión lineal generalizado. Es
importante recordar, que el coeficiente de determinación indica el grado de la variabilidad
de los datos, que se explica por la asociación entre las variables. Es decir, un valor igual a
R2 = 1 significa que el 100% de los datos se explicada de la asociación entre las variables,
y se presenta como una asociación fuerte de los valores de las variables de la TST y el
DI. Al espacializar los resultados del modelo de regresión lineal, se obtiene el mapa de
la figura 5.48. Para representar el coeficiente de determinación de la regresión se usa una
paleta de colores que va del color verde al rojo. Los valores iguales a 0 en el coeficiente
de determinación se representan de color verde, mientras que el color rojo representa los
valores iguales a 1.
De lo anterior, los valores de colores rojos y naranjas indican: Al cambiar la cobertura
de la tierra propicia un incremento en la TST. Mientras que los valores verdes muestran los
siguientes escenarios: (a) las áreas en las que la TST no varió de forma significativa a pesar
del cambio del DI, (b) el DI no cambió a pesar de la variación de la TST, (c) o ninguna de
las dos variables cambiaron de manera significativa debido a la interacción entre estas.
El mapa de la figura 5.48, evidencia los lugares en los que al aumentar el nivel de
antropización inciden en un incremento térmico durante el período temporal analizado. Se
identifican zonas en las que previamente se sabía presentaban algún tipo de arborización,
los bosques de ribera y áreas de cultivos, y que cambiaron su cobertura. También, se
observan los casos de las zonas urbanas que intensificaron su densidad (aumento de DI), y
que ocurrió un incremento de la temperatura. De manera subsecuente, se identifican las
zonas antrópicas impactadas, pero que no contribuyen a una ganancia o pérdida térmica.
Se enlistan las áreas residenciales en la ciudad de Heredia y alrededores. Esa tendencia se
observa en los algunos cultivos presentes en las zonas periféricas.
Capítulo 5. RESULTADOS 160
CUADRO 5.41: Coeficiente de determinación según transición entre las
coberturas de la tierra
Transición de Cobertura Promedio R2 No. celdas
Área Urbana-Área Urbana 0.4204 6029
Área Urbana-Forestal 0.4588 1032
Área Urbana-Herbáceo 0.5554 28
Área Urbana-Matorral 0.4355 337
Cultivos-Área Urbana 0.4835 6816
Cultivos-Cultivos 0.5755 1373
Cultivos-Forestal 0.6158 2456
Cultivos-Herbáceo 0.5926 2651
Cultivos-Matorral 0.6545 3898
Forestal-Área Urbana 0.5363 1926
Forestal-Cultivos 0.3914 46
Forestal-Forestal 0.5352 924
Forestal-Herbáceo 0.4809 212
Forestal-Matorral 0.4899 714
Herbáceo-Área Urbana 0.5430 2226
Herbáceo-Cultivos 0.5181 482
Herbáceo-Forestal 0.5959 1134
Herbáceo-Herbáceo 0.5048 859
Herbáceo-Matorral 0.5873 1676
Matorral-Área Urbana 0.5591 1965
Matorral-Cultivos 0.3409 225
Matorral-Forestal 0.5617 1076
Matorral-Herbáceo 0.3678 580
Matorral-Matorral 0.4911 1331
Promedio 0.5272 Total: 39996
Capítulo 5. RESULTADOS 161
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Modelo de regresión 1985 - 2019
Coeficiente de determinación (R2)
Valor
1: Correlación Perfecta
0: Sin correlación
Diagrama de ub-i8c4°ación
San Carlos
Sarapiquí
Valverde
Zarcero Vega Pococí
San
Ramón Heredia
Poas
Naranjo
Guácimo
Grecia Oreamuno
Alajuela Vázquez de
Coronado
Atenas
Turrubares Mora Desamparados
Jiménez
El Cartago
Guarco
Puriscal Aserrí
Acosta
León Cortés Paraíso
Castro
Dota
Tarrazú
Parrita
-84°
Escala:
0 500 1 000 2 000 m
Proyección: CRTM05
Datum: Costa Rica 2005
Investigador:
Geóg. Omar E. Barrantes Sotela
485000 486000 487000 488000 489000 490000
FIGURA 5.48: Heredia: Análisis de regresión lineal Temperatura - DI (1985-2019)
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
10°
10°
Capítulo 5. RESULTADOS 162
Regresión ponderada multinomial
Para dilucidar de manera específica el papel que juega cada cobertura de la tierra
identificada en el área de estudio sobre la temperatura (TST), se realiza un análisis de
regresión logística multinomial entre los años 1985, 2001 y 2019. Para el modelado, se
escoge la cobertura Forestal (For) como la línea base de comparación con respecto a las
otras clases, y se obt(ienen las siguientes)ecuaciones y coeficientes bi j (Cuadros 5.42, 5.43).
P(ct = cultivos)
ln = b10 +b11 (T ST )+b12 (DI)
( P(ct = f orestal) )
P(ct = matorral)
ln = b +b
P ct f orestal 20 21
(T ST )+b22 (DI)
( ( = ))
P(ct = pastos)
ln = b30 +b31 (T ST )+b32 (DI)
(P(ct = f orestal))
P(ct = urbano)
ln = b40 +b41 (T ST )+b42 (DI)P(ct = f orestal)
CUADRO 5.42: Coeficientes del modelo de regresión multinomial
(Intercepción) b(TST) b(DI)
Cultivos 19.40823 -0.60627 -0.1469
Matorral 8.813476 -0.26452 -0.10316
Pastos 17.86115 -0.56047 -0.14924
Urbano -9.36569 0.299774 0.11257
CUADRO 5.43: Residuos estandarizados del modelo de regresión
multinomial
(Intercepción) b(TST) b(DI)
Cultivos 0.1990466 0.006326425 0.003007885
Matorral 0.1908981 0.005939236 0.002816773
Pastos 0.2015664 0.006405293 0.003082067
Urbano 0.1950153 0.005892487 0.002393252
Desviación residual: 207859.8 AIC: 207883.8
Capítulo 5. RESULTADOS 163
CUADRO 5.44: Riesgo relativo del cambio de la variable predictora (RR)
(Intercepción) TST DI
Cultivos 2.72E+08 0.545297 0.864727
Matorral 6.21E+03 0.769569 0.901283
Pastos 6.07E+07 0.569876 0.859977
Urbano 1.11E-04 1.339043 1.120462
La probabilidad de elegir una categoría de resultado sobre la probabilidad de elegir la
categoría de referencia se denomina riesgo relativo. El riesgo relativo se calcula al elevar al
exponente el lado derecho de las ecuaciones lineales. En el cuadro 5.44, se establecen las
razones de riesgo relativo para un cambio unitario en la variable predictiva.
Se determina que la razón de riesgo relativo (RR) más alta ocurre entre la cobertura
urbana versus la cobertura forestal. En este caso, la razón del RR implica que por cada
incremento de un grado Celsius (°C) en la temperatura de la superficie terrestre (TST)
es 1.33 veces más probable que se deba a una cobertura urbana en comparación con una
cobertura forestal. De la misma manera, por cada incremento de 1 unidad en el índice de
disturbio (DI), es 1.12 veces más probable que se deba a una cobertura urbana en lugar de
una cobertura forestal.
Las categorías de la tierra de cultivos, los pastos y los matorrales contra la cobertura
forestal, muestran la menor razón del RR de cambio en los valores de las variables. En los
que el incremento de un grado Celsius (°C) en la TST supone una razón de 0.55, 0.57 y
0.77. Sí se considera el DI, el RR es de 0.86, 0.86 y 0.9. Estos resultados son consistentes
con lo establecido en los perfiles térmicos zonales y de transectos.
En el gráfico de la figura 5.49, se observa la tendencia del cambio de las probabilidades
de obtener valores específicos de las variables TST y DI, según una categoría de cobertura
de la tierra particular con respecto a la categoría de referencia (cobertura forestal).
Entonces se determina, que existe una probabilidad del:
1. 1.3%, que una TST de 26 °C y un DI de 6, se asocie a una cobertura urbana en lugar
de una cobertura forestal.
2. 58%, que una TST de 31 °C y un DI de 11, se asocie a una cobertura urbana en lugar
de una cobertura forestal.
Capítulo 5. RESULTADOS 164
DI
−5 0 5 10 15 20 25
0.6
0.4
0.2
0.0
0.15
0.10
0.05
0.00
0.3
0.2
0.1
0.0
1.00
0.75
0.50
0.25
0.00
15 20 25 30 35 40 45
Temperatura °C
FIGURA 5.49: Probabilidad de incidencia en el TST e DI, según cambio de
la cobertura de la tierra en referencia a una cobertura forestal.
3. 96%, que una TST de 36 °C y un DI de 16, se asocie a una cobertura urbana en lugar
de una cobertura forestal.
4. 99%, que una TST de 40 °C y un DI de 20, se asocie a una cobertura urbana en lugar
de una cobertura forestal.
Es importante tener presente que agregar o eliminar categorías de resultados alternativos
no afecta las probabilidades entre los resultados restantes. Estos resultados serán utilizados
para la generación de escenarios.
5.7. Escenarios de tendencia
Con los resultados de la variabilidad climática y según el patrón observado de cambio
de la cobertura de la tierra y su asociación con el aumento de la temperatura, se construyen
los diferentes escenarios mediante un modelo de Autómata Celular (AC). El modelo de
Autómata Celular puede replicar el proceso de crecimiento urbano y puede proyectar el
crecimiento futuro, sin embargo, es necesario calibrar el modelo de manera consistente
(Tripathy & Kumar, 2019).
Probabilidad
Cultivos Matorral Pastos Urbano
Capítulo 5. RESULTADOS 165
Para establecer los diferentes escenarios de crecimiento, además de las coberturas de la
tierra se utilizan los parámetros de proximidad de la red vial, distancia del centro comercial
o administrativo de la ciudad, la pendiente del relieve, la densidad de población y las
restricciones de crecimiento. Todos calculados o determinados en secciones anteriores.
Una vez, construido el componente de las coberturas de la tierra (Sección 5.7.1), se utiliza
los resultados del análisis de regresión de la sección 5.6.3 para simular mediante una
distribución de probabilidad Gamma la asignación aleatoria de probabilidades del perfil
térmico asociado a cada cobertura de la tierra estudiado. A continuación, se reportan las
condiciones, parámetros y resultados de los escenarios utilizados en el modelo de Autómata
Celular y perfil térmico.
5.7.1. Componente: Coberturas de la tierra
Escenario 1: Crecimiento urbano tendencial
Simula un patrón de crecimiento urbano observado a partir de los años anteriores
(2017-2018-2019), y el cual se establece del factor de cambio que resulta de la diferencia
de las superficies de clase en el tiempo en el que se determina cada cobertura de la tierra.
Considera que los procesos de urbanización ocurren de forma más fácil de acuerdo con los
siguientes criterios: la influencia inmediata del centro comercial de la ciudad de Heredia
de 4000 metros, la proximidad a las vías de comunicación en una distancia de 500 m,
densidad de población de 200 habitantes por hectárea y hasta una pendiente de 35%.
Incluye restricciones y zonas de protección forestal. Los resultados se presentan en el mapa
de la figura 5.50.
Escenario 2: Crecimiento urbano incrementado
Considera criterios de un patrón de urbanización más intenso que el primer escenario.
Los procesos de urbanización ocurren de forma más fácil y de acuerdo con los siguientes
criterios: La influencia del centro comercial de la ciudad de Heredia es de 8000 metros,
la proximidad a la red vial es menor a 500 metros, una densidad de población desde 150
habitantes por hectárea con un ajuste de tasa de crecimiento poblacional del 20% y una
pendiente del relieve de hasta 35%. No se incluyen las zonas protección o con restricciones.
Los resultados se presentan en el mapa de la figura 5.51.
Capítulo 5. RESULTADOS 166
Escenario 3: Arborización en las vías de comunicación
Establece una tendencia desacelerada del crecimiento urbano, con un incremento de
la cobertura verde cercana a la red vial. Este crecimiento forestal presenta las siguientes
condiciones: una distancia de 5 metros de la red vial, densidad de población observada de
20 habitantes por hectárea, con una pendiente de hasta 40%. Incluye restricciones y zonas
de protección forestal. Los resultados se presentan en el mapa de la figura 5.52.
Escenario 4: Arborización al interior de las cuadras
Simula una tendencia de desacelaración del crecimiento urbano, con un incremento
de la cobertura verde cercana en los centros de cuadra. Este crecimiento de áreas verdes
presenta las siguientes condiciones: una distancia de 20 metros a la red vial, reducción
de la densidad de población estimada en un 20% en los centros urbanos y un aumento
del 20% en las áreas periféricas, con una pendiente del relieve de hasta 40% e incluye
restricciones y zonas de protección forestal. Se trata de establecer las condiciones de un
proceso de arborización al interior de los centros de cuadra o estrategias bioclimáticas
como edificaciones verdes. Los resultados se presentan en el mapa de la figura 5.53.
Capítulo 5. RESULTADOS 167
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Escenario 1
Cobertura
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: WGS 1984
UTM Zone 16N
Datum: WGS 1984
Investigador:
Geóg. Omar E. Barrantes Sotela
Escenario 1:
Tendencia de crecimiento normal
Proceso: Autómata Celular
485000 486000 487000 488000 489000 490000
FIGURA 5.50: Escenario 01: Crecimiento urbano tendencial observado
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 168
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Escenario 2
Cobertura
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: WGS 1984
UTM Zone 16N
Datum: WGS 1984
Investigador:
Geóg. Omar E. Barrantes Sotela
Escenario 2:
Tendencia de crecimiento aumentada
Proceso: Autómata Celular
485000 486000 487000 488000 489000 490000
FIGURA 5.51: Escenario 02: Crecimiento urbano incrementado
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 169
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Escenario 3
Cobetura
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: WGS 1984
UTM Zone 16N
Datum: WGS 1984
Investigador:
Geóg. Omar E. Barrantes Sotela
Escenario 3:
Arborización en red vial.
Proceso: Autómata Celular
485000 486000 487000 488000 489000 490000
FIGURA 5.52: Escenario 03: Arborización en red vial
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 170
485000 486000 487000 488000 489000 490000
Simbología
Red hídrica
Red vial
Escenario 4
Cobertura
Área Urbana (Urb)
Forestal (For)
Matorral (Mat)
Herbáceo (Herb)
Cultivos (Cul)
Escala:
0 500 1,000 2,000m
Proyección: WGS 1984
UTM Zone 16N
Datum: WGS 1984
Investigador:
Geóg. Omar E. Barrantes Sotela
Escenario 4:
Arborización en centro de cuadra.
Proceso: Autómata Celular
485000 486000 487000 488000 489000 490000
FIGURA 5.53: Escenario 04: Arborización en centros de cuadra
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
3000 4000 5000 6000 7000 8000
110 110 110 110 110 110
Capítulo 5. RESULTADOS 171
Los valores de superficie las coberturas de la tierra estimadas según cada escenario y las
diferencias con respecto a la cobertura de la tierra del 2019 se reportan en los cuadros 5.45
y 5.46. El escenario 1 (tendencial), asigna una mayor cantidad de celdas a las áreas urbanas
que el escenario 2 (crecimiento intenso), el cual se generó con criterios que suponían un
mayor crecimiento urbano. La situación es interesante en el escenario 1, debido a que
la asignación superficial de la cobertura urbana sobrepasa en un 10% la asignación del
modelo que supone condiciones críticas.
También se resalta, que bajo los criterios que producen el escenario 4, se favorece la
mayor asignación de celdas a una categoría forestal e implica la mayor reducción de las
áreas urbanas. De tal forma, los escenarios 1 y 4 son los modelos con resultados extremos
y opuestos. Mientras que los escenarios 2 y 3 serían los modelos que modelan condiciones
intermedias.
CUADRO 5.45: Coberturas de la tierra según escenarios: Superficies en [Ha].
Tipo de cobertura Escenario 1 Escenario 2 Escenario 3 Escenario 4
Área Urbana (Urb) 2045.43 1883.34 1826.91 507.06
Forestal (For) 368.10 457.47 500.76 1963.80
Matorral (Mat) 612.54 678.87 691.74 556.74
Pastos (Herb) 382.59 388.62 388.89 381.51
Cultivo (Cul) 190.98 191.34 191.34 190.53
Total 3599.64 3599.64 3599.64 3599.64
CUADRO 5.46: Diferencias superficiales en [Ha] de los escenarios con
respecto a la cobertura de la tierra 2019.
Tipo de cobertura Escenario 1 Escenario 2 Escenario 3 Escenario 4
Urbano 340.69 178.60 122.17 -1197.68
Forestal -228.11 -138.74 -95.45 1367.59
Matorral -103.50 -37.17 -24.30 -159.30
Pastos -7.73 -1.70 -1.43 -8.81
Cultivo -1.35 -0.99 -0.99 -1.80
Capítulo 5. RESULTADOS 172
5.7.2. Componente Térmico
Para cada escenario del modelo AC, se ingresa una respuesta aleatoria que corresponde
a las distribuciones de probabilidad observadas en el gráfico 5.49. Cada categoría de la
tierra presenta una función de densidad de distribución de probabilidad sesgada. Por tanto,
se generan de manera aleatoria los valores esperados de la temperatura de la superficie
terrestre para cada categoría de la tierra, en función de los parámetros obtenidos de la
regresión multinomial. Se utiliza la misma metodología de la sección 5.6.2, para establecer
en cada escenario los perfiles térmicos por categorías y por transectos. A continuación, los
resultados del proceso de simulación.
Según los escenarios modelados, la temperatura de la cobertura urbana es la que presenta
los valores más altos, en especial en los escenarios 2 y 1. Sin embargo en los modelos 4 y
3, aunque los valores de temperatura de las coberturas urbanas son más altos con respecto a
las coberturas intra-escenarios, son más bajas al considerar todos los escenario (Cuadros
5.47,5.48,5.49 y 5.50). En los escenarios 1 y 2, que consisten en modelar un crecimiento
urbano tendencial e incrementado, las temperaturas más bajas ocurren en la cobertura de
cultivos. Mientras que la cobertura forestal tiende a disminuir de manera significativa en
los escenarios 3 (X = 27.93 °C) y 4 (X = 27.26 °C). Sin embargo, en los escenarios 1 y
2, las temperaturas de las coberturas forestales se pueden considerar como temperaturas
relativamente altas (X = 35.33 °C) y 4 (X = 36.94 °C).
En los gráficos de las figuras 5.55, 5.56, 5.57 y 5.58 se muestran los perfiles térmicos
por transectos de los escenarios modelados. Al comparar las tendencias de los perfiles
para cada escenario, se indica que las temperaturas modeladas en los escenarios 1 y 2 son
mayores a los escenarios 3 y 4. Además, se observa la fluctuación en las crestas de las
gráficas asociada a las temperaturas de las coberturas antrópicas, mientras que en los valles
se relacionan a las temperaturas de las coberturas naturales. En la figura 5.54 se muestra el
comportamiento espacial de la temperatura de cada escenario.
Capítulo 5. RESULTADOS 173
CUADRO 5.47: Escenario 01: Perfil térmico en [°C] por categoría de
cobertura de la tierra
Cobertura Media Mín Máx Sd
1 Urb 36.32 32.55 39.99 2.15
2 For 35.33 31.95 39.00 2.05
3 Mat 34.87 31.33 37.15 1.47
4 Herb 33.42 30.99 36.05 1.47
5 Cul 30.89 27.48 34.56 2.08
CUADRO 5.48: Escenario 02: Perfil térmico en [°C] por categoría de
cobertura de la tierra
Cobertura Media Mín Máx Sd
1 Urb 36.94 33.86 39.99 1.77
2 For 35.34 31.95 39.00 2.01
3 Mat 34.87 31.33 37.15 1.47
4 Herb 33.41 30.99 36.05 1.45
5 Cul 30.89 27.49 34.56 2.05
CUADRO 5.49: Escenario 03: Perfil térmico en [°C] por categoría de
cobertura de la tierra
Cobertura Media Mín Máx Sd
1 Urb 32.38 27.41 37.23 2.83
2 For 27.93 22.41 34.14 3.37
3 Mat 34.87 31.33 37.15 1.48
4 Herb 33.42 30.99 36.05 1.47
5 Cul 29.20 24.50 34.56 2.88
CUADRO 5.50: Escenario 04: Perfil térmico en [°C] por categoría de
cobertura de la tierra
Cobertura Media Mín Máx Sd
1 Urb 32.43 27.41 37.23 2.84
2 For 27.26 21.31 34.14 3.72
3 Mat 34.88 31.33 37.15 1.49
4 Herb 33.39 30.99 36.05 1.46
5 Cul 29.28 24.50 34.56 2.90
Capítulo 5. RESULTADOS 174
En los cuadros 5.51 y 5.52 se calculan las diferencias térmicas de las coberturas de la
tierra de entre cada uno de los escenarios con respecto al último año observado (2019).
Esto permite establecer una línea base del comportamiento térmico de cada modelado. El
modelo del escenario 2 a pesar de establecer un menor crecimiento urbano con respecto al
modelo del escenario 1, si se establece un incremento de la TST del 8.11% con respecto
a los valores observados en el año 2019. Lo anterior es producto del tipo de asignación
espacial de las áreas urbanas más denso y con un DI mayor.
En el caso de los escenarios 3 y 4, interesa establecer cual proceso de asignación
espacial de las coberturas verdes ofrece las mejores capacidades de reducción térmica. Se
determina que el modelo del escenario 3 disminuye en un 5.24% la temperatura de las áreas
urbanas, con respecto al modelo 4 que reduce en hasta un 5.09%. Sin embargo, el modelo
4 ofrece la mejor reducción térmica en la cobertura forestal, producto de la formación de
áreas verdes con núcleos más consolidados.
CUADRO 5.51: Diferencias térmicas en [°C] de los escenarios con respecto
al año 2019.
Cobertura Escenario 1 Escenario 2 Escenario 3 Escenario 4
1 Urb 2.15 2.77 -1.79 -1.74
2 For 1.73 1.17 -6.24 -6.91
3 Mat 1.91 0.70 0.70 0.71
4 Herb 1.52 -0.76 -0.75 -0.78
5 Cul -0.70 -3.28 -4.97 -4.89
CUADRO 5.52: Diferencias térmicas en [%] de los escenarios con respecto
al año 2019.
Cobertura Escenario 1 Escenario 2 Escenario 3 Escenario 4
1 Urb 6.29% 8.11% -5.24% -5.09%
2 For 5.15% 3.48% -18.57% -20.57%
3 Mat 5.79% 2.12% 2.12% 2.15%
4 Herb 4.76% -2.38% -2.35% -2.45%
5 Cul -2.22% -10.38% -15.73% -15.48%
Capítulo 5. RESULTADOS 175
Escenario 01 Escenario 02
-84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30" -84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30"
-84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30" -84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30"
Escenario 03 Escenario 04
-84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30" -84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30"
-84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30" -84°8'30" -84°8' -84°7'30" -84°7' -84°6'30" -84°6' -84°5'30"
Escala: Red hídrica TemperaturaRed vial Valor
0 1 2 4km 40.252
13.6292
FIGURA 5.54: Escenarios térmicos
9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30" 9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30"
9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30" 9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30"
9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30" 9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30"
9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30" 9°58'30" 9°59' 9°59'30" 10° 10°0'30" 10°1' 10°1'30"
Capítulo 5. RESULTADOS 176
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil A - Escenario 1 (B) Perfil A - Escenario 2
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca R. Bermúdez R. Pirro C. Heredia R. Burío Qbd Seca
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil A - Escenario 3 (D) Perfil A - Escenario 4
FIGURA 5.55: Perfil térmico A: Escenarios ICU [up]
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil B - Escenario 1 (B) Perfil B - Escenario 2
50 50
40 40
30 30
20 20
R. Bermúdez C. Heredia R. Pirro R. Bermúdez R. Bermúdez C. Heredia R. Pirro R. Bermúdez
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil B - Escenario 3 (D) Perfil B - Escenario 4
FIGURA 5.56: Perfil térmico B: Escenarios ICU [up]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 177
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(A) Perfil C - Escenario 1 (B) Perfil C - Escenario 2
50 50
40 40
30 30
20 20
 Cubujuquí C. Heredia  UNAR. Pirro  Cubujuquí C. Heredia  UNAR. Pirro
0 2000 4000 6000 0 2000 4000 6000
Distancia [m] Distancia [m]
(C) Perfil C - Escenario 3 (D) Perfil C - Escenario 4
FIGURA 5.57: Perfil térmico C: Escenarios ICU [up]
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(A) Perfil D - Escenario 1 (B) Perfil D - Escenario 2
50 50
40 40
30 30
20 20
R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón R. Bermúdez R. Pirro C. Heredia R. Burío Qbd SecaR. Segundo R. Macarrón
0 2000 4000 6000 8000 0 2000 4000 6000 8000
Distancia [m] Distancia [m]
(C) Perfil D - Escenario 3 (D) Perfil D - Escenario 4
FIGURA 5.58: Perfil térmico D: Escenarios ICU [up]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Temperatura [°C] Temperatura [°C] Temperatura [°C] Temperatura [°C]
Capítulo 5. RESULTADOS 178
5.8. Mapeo de actores claves
Se pre-identifican los actores en el Área de Estudio de acuerdo con su incidencia en el
tema de estrategias para la reducción de la ICU en la Ciudad de Heredia. Los criterios usados
consisten en la revisión de competencias legales, capacidades de influencia o coordinación.
En el cuadro 5.53 se indica el listado de actores. Esto permitirá construir lineamientos
estratégicos básicos, que posterior pueden desarrollarse en planes operativos o propuestas
de gestión urbana climática.
CUADRO 5.53: Actores considerados
Sector Actor
Gobierno Local Municipalidad (funcionarios)
Sociedad Civil Ciudadados
MINAE (Dirección de Cambio Climático)
Instituto Meteorológico Nacional
Secretaría Técnica Nacional Ambiental
Servicio Nacional de Aguas Subterráneas,
Riego y Avenamiento
Instituciones estatales
Comisión Nacional de Emergencia
Ministerio de Planificación Económica y
Política
Instituto de Fomento y Asesoría Municipal
Instituto Costarricense de Turismo
Ministerio de Educación Pública
Académia Universidad Nacional
Comerciantes
Empresa privada Desarrolladores
Capítulo 5. RESULTADOS 179
5.8.1. Percepción de los actores claves
Para establecer las relaciones de los actores mediante un sociograma o mapa social, se
procede a construir una matriz de relaciones. La construcción de esa matriz considera la
opinión o percepción de los actores, las cuales se determinan mediante la aplicación de una
serie de instrumentos como encuestas de opinión.
Se aplican tres diferentes cuestionarios con preguntas que relacionan a los actores.
En el Cuadro F.1 (Anexo F), se detallan las características de los instrumentos de
encuesta elaborados para registrar la percepción en los siguientes temas: 1. Clima urbano,
2. infraestructura urbana, 3. desempeño institucional, 4. gestión local ante el Cambio
Climático, 5. desarrollo sostenible y consumo responsable.
La encuesta a la sociedad civil consiste en una muestra de 840 personas, se define un
error de 4% con un nivel de significancia estadística del 2% (Nivel de confianza del 98%).
En el caso del sector municipal, la consulta es dirigida a los técnicos municipales de los
departamentos encargados de los temas de planificación urbana, desarrollo urbano, control
urbano, gestión ambiental y construcción. Se obtuvo la respuesta de 11 técnicos municipales
que se desempeñan como directores, coordinadores jefes y asistentes de dirección, con una
experiencia promedio estimada de siete años. En el caso del sector privado, se aprovechó
el levantamiento de las actividades económicas en la ciudad de Heredia para consultar
sobre los temas de interés. Se cuenta con la opinión de 224 encargados de establecimientos
comerciales, y se establece un error de 5% con un nivel de significancia estadística del 5%
(Nivel de confianza del 95%).
A continuación, se presentan los resultados más relevantes de los instrumentos aplicados
y que son pertinentes para establecer los pesos y dirección de las relaciones, así como otras
características de los actores.
Desempeño institucional
Se mide la opinión de las diferentes poblaciones meta, sobre las labores que desempeñan
las instituciones estatales en su conjunto, y que en el constructo social de la población
asocia al concepto de “El Estado”. Sobre este particular, el rol del Estado en orientar y
abordar acciones concretas en adaptación y mitigación del calentamiento de las ciudades
se percibe en términos generales como negativo. No obstante, si existe un porcentaje en
Capítulo 5. RESULTADOS 180
los grupos poblacionales que en su opinión considera que existe un trabajo que puede ser
evaluado de manera positiva (Cuadro 5.54).
Al consultar sobre el accionar de los Gobiernos municipales, alrededor del 25% de la
sociedad civil y empresa privada afirmó que las municipalidades incluyen o trabajan de
alguna manera el tema de calentamiento o cambio climático de las ciudades. Sin embargo,
la mayoría de estos dos grupos evalúa su accionar en términos neutrales o negativos (Cuadro
5.55). Caso contrario es la posición de los funcionarios municipales que afirmaron que
sus municipalidades sí abordan el tema y se auto evalúan en forma neutra o positiva. Al
consultar sobre las distintas iniciativas que emprenden los Gobiernos locales, la población
de la sociedad civil reconoce las campañas de separación y recolección de residuos, reciclaje,
iniciativas de carbono neutral y talleres de concienciación. Para representar lo anterior, se
contabiliza la frecuencia de cada uno de los términos o conceptos registrados para construir
la nube de palabras de la figura 5.59.
CUADRO 5.54: Desempeño institucional del Estado costarricense.
¿Cómo considera la labor del Estado, con respecto al tema del calentamiento de las
ciudades?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Deficiente 17.45% 1) Deficiente 12.95%
2) Malo 32.73% 2) Malo 37.95%
3) Regular 44.61% 3) Regular 27.68%
4) Bueno 5.09% 4) Bueno 21.43%
5) Excelente 0.12% 5) Excelente 0.00%
Funcionarios municipales
Opinión Porcentaje (%)
1) Deficiente 9.09%
2) Malo 45.45%
3) Regular 27.27%
4) Bueno 18.18%
5) Excelente 0.00%
La opinión de los tres grupos sobre la labor de las universidades ante la temática del
calentamiento o el cambio climático de las ciudades es variada, aunque la mayoría de
la población mantiene una posición neutral (Cuadro 5.56). Se resalta, que la población
Capítulo 5. RESULTADOS 181
mantiene una opinión más favorable de las universidades con respecto a las posiciones
de índole negativa. Entre las principales críticas se reportan que estas instituciones no
consideran estudiar el tema en ámbitos urbanos. Según el informe de la Red de Cambio
Climático y Gestión del Riesgo (2018) de un total de 2636 Programas, Proyectos y
Actividades Académicas desarrollados en la Universidad Nacional entre los años 2012 al
2019, el 2.6% abordaba la temática de cambio climático y solo 3 iniciativas de investigación
estaban vinculadas al estudio de las ciudades.
CUADRO 5.55: Gobierno local: desempeño y gestión urbana ante el cambio
climático.
¿Cómo calificaría el accionar de su Gobierno local en el tema?
Sociedad Civil∗ Empresa Privada∗∗
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Deficiente 2.55% 1) Deficiente 1.34%
2) Malo 4.36% 2) Malo 11.61%
3) Regular 15.03% 3) Regular 9.82%
4) Bueno 3.39% 4) Bueno 1.34%
5) Excelente 0.00% 5) Excelente 0.00%
Funcionarios municipales∗∗∗
Opinión Porcentaje (%) Nota: Con base en el porcentaje de per-
1) Deficiente 0.00% sonas que consideran que sus Gobier-
2) Malo 0.00% nos locales incluyen el tema de cambio
3) Regular 9.09% climático o el calentamiento de las ciu-
4) Bueno 18.18% dades en la Planificación Urbana:
5) Excelente 9.09% * (25.33%).
** (24.11%).
*** (36.36%).
La coordinación entre las instituciones del Estado, Universidades y los Gobiernos
locales, es un tema que debe ser abordado por la institucionalidad. En la población
predominan las opiniones negativas o neutras (Cuadro 5.57). Las cuales se fundamentan
por falencias de comunicación y acciones de divulgación, así como en consolidar esfuerzos
de una forma efectiva. Se cuestiona la cantidad de trámites y la burocracia en iniciativas
concretas que incidan en el desarrollo de ciudades mejor adaptadas ante el aumento de
las temperaturas y el cambio climático. Al consultar sobre ese particular, un 85.45% de
la población civil considera que las ciudades experimentan un aumento de la temperatura
Capítulo 5. RESULTADOS 182
con respecto a años anteriores y un 72.61% considera que las noches son más cálidas. Un
14.55% de la población valora que las temperaturas no aumentaron con respecto a años
anteriores.
La valoración que realizan los funcionarios municipales sobre la dinámica de la
coordinación entre los sectores institucionales es importante, ya que estos están inmersos y
participan de forma activa. En estos predomina una percepción negativa (54.55%) sobre
los procesos de coordinación. Un 27.27% la considera neutral o regular y un 18.18% de
las opiniones son favorables.
Al consultar por instituciones específicas, en promedio las mejores calificadas en
términos de relación y coordinación son: CNE, Universidades públicas, MEP e ICT.
Mientras que las peores calificadas son la Dirección de Cambio Climático (Minae), Setena,
Senara, IFAM, MIDEPLAN, el INVU. Presentan una opinión neutral el IMN y ONG’s. En
resumen, las entidades que mantienen un rol de evaluadores o que juegan un papel en el
proceso de tramitación de las propuestas de ordenamiento territorial presentan mayores
dificultades para propiciar una coordinación efectiva con los municipios.
Si bien se espera que los Gobiernos locales gestionen su territorio mediante
intervenciones basados en los objetivos del desarrollo sostenible, y en particular para
alcanzar las metas de los objetivos vinculados con ciudades sostenibles y acciones por el
clima. El 72.73% de los funcionarios municipales indican que no existe ningún aporte en el
desarrollo de capacidades, transferencia tecnológica o de fondos por parte del Estado para
hacerle frente al tema. Incluso un 27.27% de los funcionarios no saben sobre el tema o no
respondieron (NS/NR). Al realizar una pregunta de control sobre ¿sí alguna institución ha
generado un proceso de capacitación en herramientas útiles para la adaptación y mitigación
al cambio climático en la planificación urbana? Un 27.27% confirma que su municipalidad
sí recibió alguna capacitación. El 54.55% de los casos confirman que no existen procesos
de capacitación sobre la materia y un 18.18% de los funcionarios indica desconocer o no
responden. De las respuestas positivas, se indican los esfuerzos de la Comisión Nacional
de Emergencia y Ministerio de Ambiente y Energía en capacitar sobre el Inventario de
Gases de Efecto Invernadero (GEI) y en impartir talleres sobre el uso de nuevas tecnologías
renovables.
Capítulo 5. RESULTADOS 183
CUADRO 5.56: Academia: desempeño y labor ante el calentamiento o el
cambio climático de las ciudades.
¿Cómo considera la labor de las Universidades Públicas, con respecto al tema del
calentamiento de las ciudades?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Deficiente 4.12% 1) Deficiente 13.84%
2) Malo 15.52% 2) Malo 23.21%
3) Regular 52.12% 3) Regular 37.05%
4) Bueno 25.58% 4) Bueno 23.21%
5) Excelente 2.67% 5) Excelente 2.68%
Funcionarios municipales
Opinión Porcentaje (%)
1) Deficiente 9.09%
2) Malo 18.18%
3) Regular 45.45%
4) Bueno 27.27%
5) Excelente 0.00%
CUADRO 5.57: Institucionalidad: coordinación de esfuerzos entre entes
estatales.
¿Cómo considera que es la coordinación entre las Instituciones del Estado, las
Universidades y el Gobierno Local, entorno al calentamiento de las ciudades?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Malo 37.33% 1) Malo 41.52%
2) Regular 58.67% 2) Regular 51.79%
3) Bueno 4.00% 3) Bueno 6.70%
Funcionarios municipales
Opinión Porcentaje (%)
1) Malo 54.55%
2) Regular 27.27%
3) Bueno 18.18%
Capítulo 5. RESULTADOS 184
FIGURA 5.59: Gestión urbana: Iniciativas ante el calentamiento y el cambio
climático en las ciudades impulsadas por los Gobiernos locales.
¿Conoce de alguna iniciativa de su Gobierno Local para abordar el tema del
calentamiento y cambio climático?
establecimiento
programas adaptación
meta municipalidad
efecto mantener ecolones
reciben dinero ganamos invernadero
ambientales política basuras
campa campaña camión
servicios verdes
concienciación desechos
pago charla áreas campañas
productores basura carbono programa
reciclaje gasesalcanzar
charlas heredia
ríos corredor
biológico basureros
climático brindar
beneficio calles
modalidad información
reducción psapuntos recolectasparque
dispersión materiales
sistemas riesgo
gestión manejo
planificación
clasificados
ambiental
ecológico
separar centros
iniciativa casas busca
reciclables fincas
cambio asi
neutral
separación
recolección
residuos
limpieza
turismo
reciclable
tirarlas
parques
agroforestales
acopio
Capítulo 5. RESULTADOS 185
Sociograma de los actores
Según Moreno (1934), un sociograma es un método de evaluación que representa los
vínculos o la jerarquía entre los sujetos que conforman una o varias agrupaciones. Se
usan los cuestionarios aplicados a los sectores y mediante preguntas de respuesta múltiple
se consulta sobre los niveles de coordinación, incidencia y el poder que se perciben de
cada entidad con respecto a las diferentes instituciones u organizaciones. A partir de estas
respuestas, se construye la matriz de relaciones y se representan en el grafo de la figura
5.60.
Los nodos mantienen una relación más fuerte según la distancia establecida entre estos
en el sociograma (Figura 5.60). A medida que los nodos se alejan entre sí, la intensidad
o peso relacional disminuye. Además, los nodos ubicados en el centro se caracterizan
por mantener relaciones más consolidadas, que aquellos que están en los bordes o que se
mantienen aislados. Mientras que los diferentes colores simbolizan la formación de grupos
en la red. En este caso los nodos de color azul, significan actores que son satélites a los
grupos conformados.
Los resultados de este análisis indican que en los tres aspectos estudiados los
actores involucrados mantienen una relación consolidada. Lo que indica que el accionar
institucional y participativo se percibe como consolidado. Es decir, los diferentes actores se
relacionan de alguna manera con otros. Los niveles de relación pueden disminuir, pero no
se encuentran nodos aislados y comparten más de 4 segmentos relacionales e indicativo de
un tramado compuesto, aunque esto no significa que la calidad de las relaciones esté en un
nivel deseado.
Al observar el patrón relacional sobre las actividades de coordinación, la población
percibe que existe un núcleo institucional que coordina entre sí y que incluye a la sociedad
civil, así como otras organizaciones. El análisis de núcleos o de conformación de grupos
indica que en el caso del Ministerio de Educación Pública y el Instituto de Fomento y
Asesoría Municipal mantienen relaciones específicas y son excluyentes entre estas. Destaca
que los propósitos o funciones de estas dos entidades concierne al campo de la educación y
capacitación, situación que es contradictoria y que se repite al establecer las relaciones de
poder entre los actores. Con respecto a la incidencia entre las entidades se establece un
patrón entrelazado más complejo, por lo que se percibe por la población que los actores
inciden de alguna u otra manera entre estos o a través de otro actor cercano.
Capítulo 5. RESULTADOS 186
INVU Comerciantes
MEP
Desarrolladores IFAM
Sociedad Civil Sociedad Civil
SETENA ONG
IMN MunicipalidadUniversidades públicas
CNE
MINAE Universidades públicas IMN SENARA
ICT IFAM MINAE INVU
Comerciantes SENARA ICT
SETENA
CNE Municipalidad Desarrolladores
MEP ONG
(A) Coordinación (B) Incidencia
MEP
MINAE
Universidades públicas
SETENA
IMN Municipalidad
ICT
ONG Comerciantes
Desarrolladores IFAM
CNE
Sociedad Civil
INVU
SENARA
(C) Poder
FIGURA 5.60: Análisis de los núcleos de las relaciones entre los actores.
Los nodos de color azul, indican un comportamiento de satélite a los grupos
conformados.
Capítulo 5. RESULTADOS 187
Causas del aumento de la temperatura en las ciudades
Otro aspecto fundamental en el análisis de la población es el conocer su percepción
sobre las principales causas del aumento de las temperaturas en la ciudad. La consulta se
estructura en forma de una pregunta abierta, para obtener la mayor diversidad de respuestas
posibles. Mediante un análisis de frecuencia se contabilizan los conceptos más utilizados, y
se agrupan en categorías de análisis (factores) para determinar las principales causas del
calentamiento de las ciudades. El resultado final se observa en la nube de palabras de la
figura 5.61. En el ideario colectivo de la población se identifican en orden las siguientes
causas: 1. la contaminación por gases de efecto invernadero, 2. la deforestación, 3. la falta
de espacios verdes. Otras causas menos frecuentes son el aumento de residuos sólidos y la
construcción asociada a los desarrollos urbanísticos.
FIGURA 5.61: Causas del calentamiento en las ciudades
¿Cuáles son las principales causas del calentamiento en las ciudades?
espacios
incendios distribución
naturaleza aglomeraciones
daños
seres daño sombra
lugares vegetación
factores
ambiental actividades ambientalescuidad
asfalto calles contaminantes
acaparamiento
explotación ciudad población
destrucción
pérdida humanos
pocas humano autos atmósfera parques
congestión urbana natural
arboles invernadero
accionesbosques manejo
flotilla políticas excesoríos
urbano edificios vehículos
ciudades humo climático
carbono
gas basuraindustria verdesmala
vehicular zonas falta islascarros
contaminación
principal gases mal industrias quemasmedio
carreteras calentamiento
problema cambio
conciencia
casas fuentes global educación
tantas
aire árboles efecto recolecciónplaneta realizar
culpa sólidos recursos residuos
contamina ambiente corta
forestación crecimientocombustibles
excesivo generan desechos calor fábricas carro
energético respectoatmosférica concentración gasto
naturales
plástico concreto reciclaje sistema
dióxido
tema incremento permisosurbanos
infraestructura temperatura
incrementa degradación producidos
desmedida energía
vehículo
buses
considero
gente humos
disminución
cultura producen
emisiones
planificación
parte
aumento construcciones
utilizar agua
uso poca
desmedido áreas
deforestación
forestales tierra tala
capa
fósiles
año ser
emisión etc reduceconstrucción
generada cantidad humanas consumo
flota ozono automóviles
gestión personas estructura
transporte empresas
fabricas
mayoría
general urbanización
ineficienciametano clima cemento
circulan público
organización mares
gobierno
Capítulo 5. RESULTADOS 188
Infraestructura urbana: Parques, Áreas Verdes y Edificaciones
En este particular se aborda la opinión de la población sobre el inmobiliario urbano,
así como de las estructuras presentes en la Ciudad. Al consultar sobre la infraestructura
urbana asociada a reducir los efectos del incremento de la temperatura en el área de estudio,
en la población predomina la percepción que la cantidad de espacios verdes y parques es
insuficiente (Cuadro 5.58). Incluso la mayoría de los funcionarios municipales son del
mismo criterio. También, se externa la preocupación en la calidad de estos espacios, los
cuales según la opinión general debe mejorar (Cuadro 5.59).
CUADRO 5.58: Adaptación climática: cantidad las áreas verdes en la ciudad.
¿Considera que la cantidad de áreas verdes en la ciudad son suficientes?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Si 8.97% 1) Si 21.88%
2) No 87.52% 2) No 74.11%
3) NS/NR 3.52% 3) NS/NR 4.02%
Funcionarios municipales
Opinión Porcentaje (%)
1) Si 36.36%
2) No 63.64%
3) NS/NR 0.00%
Otra consulta relevante, es sobre sí los edificios en la ciudad presentan condiciones
para la mitigación y la adaptación al incremento de las temperaturas (Cuadro 5.60). Según
la opinión de la población, un 61.82% de las personas que conforman la sociedad civil
señalan que tales características no están contempladas en las edificaciones. Un 68.75% de
la población asociada a la Empresa Privada precisa la misma percepción que la sociedad
civil, mientras que el 100% de la consulta a los funcionarios municipales refuerza la
posición. Por lo tanto, estos aspectos deben ser incorporados en las líneas de acción
estratégica.
Capítulo 5. RESULTADOS 189
CUADRO 5.59: Adaptación climática: calidad de las áreas verdes y
recreativas en la ciudad.
¿Se debe mejorar la calidad de los parques y áreas verdes?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Si 88.36% 1) Si 91.52%
2) No 9.09% 2) No 7.14%
3) NS/NR 2.55% 3) NS/NR 1.34%
Funcionarios municipales
Opinión Porcentaje (%)
1) Si 100.00%
2) No 0.00%
3) NS/NR 0.00%
CUADRO 5.60: Adaptación climática: calidad de las áreas verdes y
recreativas en la ciudad.
En términos generales ¿Considera que los edificios están adaptados ante un aumento
en la temperatura?
Sociedad Civil Empresa Privada
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Si 11.76% 1) Si 14.73%
2) No 61.82% 2) No 68.75%
3) NS/NR 26.42% 3) NS/NR 16.52%
Funcionarios municipales
Opinión Porcentaje (%)
1) Si 0.00%
2) No 100.00%
3) NS/NR 0.00%
Capítulo 5. RESULTADOS 190
Gestión urbana: retos y desafíos
Al realizar el mismo proceso metodológico de la sección 5.8.1, se establecen los
principales temas que deben abordarse en la gestión urbana para atender el escenario del
incremento de la temperatura en la Ciudad de Heredia (Figura 5.62). El principal reto son
las acciones pertinentes al Cambio Climático, la gestión ambiental, la aprobación del plan
regulador urbano y el control urbanístico. Son frecuentes también las menciones a los temas
del recurso hídrico, zonas de protección ambiental y la contaminación del aire.
FIGURA 5.62: Gestión urbana: desafíos y retos.
¿Cuáles son los principales retos y desafíos de la gestión urbana para incursionar en
la variable de cambio climático?
territorial opciones
venideros indiscriminada equipos
ambientales perjudican normativas
protección nuevo necesario generar
ser construcción
principal buenaurbanas incluya
regular falta
analizar reto
ríos agua
realización
crecimiento cierre
impacto azul
variable zonas
sostenibilidad
bandera urbano
ambiente ambiental
crear
ámbitos regulador taladificulta
sostenible retos política
residuales gestión
dentro condiciones fragilidad
cantonal
estudio nacionales
establecida fortalecer manejo
implementacion comisión
desechos general adaptación
medioambiental avanzadas
cambios
cultura prácticas
incidencia migrar
lineamientos
personas nacientes
manejos indices
rurales planificación
tema población
integral cantón climático
datos cambio
densidad
plan
buenas
políticas
cuenta
control
gases
internacionales
incluirlos urbana mitigación
programa invasiones
orgánicas impactos
Capítulo 5. RESULTADOS 191
Patrón de consumo responsable
Por último, se consulta a la población de la sociedad civil, sí ante la posibilidad de un
incremento de la temperatura o un cambio sustancial del clima cambiaría su conducta de
consumo por otro más responsable y orientado al desarrollo sostenible. Los resultados en
términos generales son positivos, ya en la mayoría de los ítems consultados se observa la
disposición de cambiar por parte de la población (Cuadro 5.61).
CUADRO 5.61: Adaptación climática: Consumo responsable y actitudes
orientadas a la sostenibilidad.
Estaría dispuesto a cambiar su comportamiento de consumo ante un incremento de
la temperatura o cambio del clima en los siguientes temas:
Patrón de consumo de alimentos. Uso de tecnologías más limpias.
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Poco probable 15.88% 1) Poco probable 6.67%
2) Probable 55.39% 2) Probable 41.09%
3) Muy probable 28.73% 3) Muy probable 52.24%
Reducción en el consumo de agua. Uso de transporte público.
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Poco probable 12.73% 1) Poco probable 9.82%
2) Probable 44.36% 2) Probable 34.79%
3) Muy probable 42.91% 3) Muy probable 55.39%
Estilo de vida. Separación y reciclaje de residuos.
Opinión Porcentaje (%) Opinión Porcentaje (%)
1) Poco probable 16.00% 1) Poco probable 2.55%
2) Probable 50.30% 2) Probable 32.36%
3) Muy probable 33.70% 3) Muy probable 65.09%
192
Capítulo 6
DISCUSIÓN
6.1. El sistema urbano
Según los datos obtenidos en el análisis de la morfología urbana de la ciudad de
Heredia, presenta una forma cuadrangular en la que el centro administrativo y funcional
está localizado en el centro del distrito central. El índice de forma de 1.05 es cercano al
valor teórico de 1, mientras que la longitud media de cuadras es de 84.37 metros con un
parcelamiento tipo × de trazado hipodámico. Indicativo de una forma regular asociada
a morfologías urbanas españolas clásicas. Al comparar la forma del núcleo en los planos
históricos con el patrón actual, se determina que no ocurren cambios significativos.
La mayor ocupación residencial del distrito central ocurre al Norte en los barrios
de Fátima, La India y Corazón de Jesús. En el sector sur en los barrios San Vicente y
El Carmen. Al este en Jardines Universitarios I, el cual es el complejo residencial de
mayor densidad de habitantes por hectárea. Mientras que en las zonas periféricas destacan
los barrios de Mercedes Sur, Mercedes Norte, Cubujuquí, Estadio, Rancho Chico, San
Francisco1, Bernardo Benavides, Guayabal, La Puebla, Guararí y Lagunilla. Otros sectores
habitacionales importantes que pertenecen a otros cantones y son colindantes a Heredia
son: Miraflores, María Auxiliadora, Jardines Universitarios II, Bajo Los Molinos, Burío,
Carbonal, Montebello. Según los mapas de cobertura de la tierra, la mayoría de estos barrios
ya estaban constituidos antes del año 1985, y predomina en su composición la vivienda2
unifamiliar de un piso.
1San Francisco no estaba constituido en el año de 1985.
2Predominan los techos de zing o concreto.
Capítulo 6. DISCUSIÓN 193
Se establecen dos polos de atracción de actividades económicas, el primero se desarrolla
en el centro histórico y el segundo al oeste de la Universidad Nacional (Figura 5.4). La
lógica general de concentración y especialización de comercios y servicios gira entorno a
la institucionalidad de la ciudad, es decir próximos al gobierno local, instituciones estatales,
centros educativos, servicios básicos, telecomunicaciones y financieros (Figura 5.4). Solo
se contabilizan 7 industrias lo que es normal, ya que a medida que los núcleos urbanos se
consolidan expulsan este tipo de actividades hacia la periferia. El sector más antiguo del
núcleo urbano y sus áreas cercanas presentan una textura homogénea en un radio de 400
metros, con características estructurales similares en las que predominan las estructuras de
concreto y una altura de 1 o 2 pisos en los edificios.
Un dato interesante es que las edificaciones más antiguas del casco histórico mantienen
un diseño clásico de patio interno. Este tipo de patrón constructivo de hecho era utilizado
por los españoles como estrategia para reducir la temperatura de las estructuras. Al alejarse
del centro, la textura puede considerarse abierta y diversa, lo que evidencia procesos
de regeneración urbana más recientes. El perfil urbano es muy simple y predomina un
dosel “basal”, en el que apenas sobresalen 16 edificaciones de 4 pisos. Esta es una
característica importante, ya que la teoría establece que el dosel urbano y el consumo
energético mantienen una fuerte correlación (Shahmohamadi et al. 2010).
Según los registros del plano catastral de 1927, el trazado actual de la red vial de
la ciudad corresponde al diseño original y es evidente que no ha sido adaptado a las
necesidades de movilización de la población (Figuras 3.3 y 5.1). Las razones son las
siguientes: 1) A pesar de contar con una proporción de nodos con interacciones de cuatro
vías del 49.15% del total de la red, la configuración de los sentidos viales no es la adecuada
dada la cantidad de puntos de acceso. 2) La superficie de rodamiento de las vías es en
promedio de 7.485 m, por lo que su capacidad es limitada. 3) Predomina el uso de 6 puntos
de accesos y salidas al cuadrante central, situación que favorece los embotellamientos o
congestiones viales al convertirse en “topics3”, en especial los puntos del río Pirro y antiguo
Hospital San Vicente Paul, esto conlleva a la contaminación del aire por el incremento de
3La rama más general, fundamental de la geometría, que no considera longitudes, áreas o volúmenes en
su carácter de ser medibles, ni distingue líneas rectas de curvas, ni plano de superficies curvas o dobladas,
sino que estudia solo la manera en que las partes de los lugares están continuamente conectadas. En el estudio
del transporte y la movilidad urbana, el término hace referencia a sitios específicos, que se caracterizan por su
limitada conectividad.
Capítulo 6. DISCUSIÓN 194
las emisiones de combustibles fósiles y aumento de la temperatura.
6.2. Cambio de las coberturas de la tierra
Para establecer los procesos de cambio y evolución de las coberturas de la tierra en
entornos urbanos y áreas periurbanas, fue necesario utilizar un algoritmo de clasificación
eficiente de imágenes obtenidas por sensores remotos. Esta tarea es difícil debido a la alta
complejidad espectral y espacial que presentan las ciudades costarricenses. Los resultados
experimentales en la ciudad de Heredia demostraron que por medio del clasificador
Random Forest se logró asignaciones de clase muy precisas (0.85 - 0.95) en imágenes de
escala intermedias como 1:25000 (Sentinel 2) y 1:50 000 (Landsat 8). Sin embargo, las
asignaciones de clases de la tierra con patrones espectrales difusos como las categorías de
matorrales y terrenos descubiertos deben emplearse otro tipo de aproximaciones para
incrementar la tasa de éxito en su asignación. En términos generales los resultados
obtenidos del algoritmo de clasificación fueron consistentes y robustos cuando se emplean
en imágenes de la misma resolución espacial y espectral.
De los mapas de las figuras 5.5, 5.6 y 5.7 se observa el cambio de las superficies de
las respectivas coberturas de la tierra entre los años 1985 al 2019. La evolución de las
categorías utilizadas en términos de ganancia-perdida entre clases se observa en la figura
5.19. El proceso más evidente es el crecimiento urbano sostenido, debido a la perdida de las
áreas que eran destinadas principalmente al cultivo de café. Este resultado es consistente
con la teoría, en el que la probabilidad más alta de cambio ocurre entre las superficies
agropecuaria que se transforman a urbanas.
Si bien, la razón más factible de tal transición es la disminución de la rentabilidad del
suelo agrícola. En la década de los años ochenta y hasta mediados de los años noventa
se presentan ciertos factores que facilitaron el incremento de la superficie urbana. Estos
se pueden agrupar como factores in situ y ex situ. Entre los factores in situ destacan:
a) la falta de renovación de los viejos cultivos de café, y que según reporta Gudmundson
(2018), el sector prioriza en mantener una producción cada vez menos eficiente en lugar
de un descanso agrícola de los suelos. b) El aumento de las temperaturas afectó la calidad
del grano en las zonas cafetaleras tradicionales adyacentes a la ciudad de Heredia. Este
incremento térmico se evidencia a nivel local en el gráfico de la figura 5.22 entre los
Capítulo 6. DISCUSIÓN 195
años de 1988 y 1992, y que coincide con una fase positiva del ENOS (Figura 3.7). c) La
explosión demográfica entre 1973 y 1985 (Figura 5.2), descrita por Rosero Bixby (1997)
como el segundo baby boom costarricense. Este incremento poblacional representaría
una considerable presión sobre el mercado de trabajo, los salarios y la vivienda. Aunque
es contradictorio, el déficit habitacional aumentó a pesar del aumento de la dinámica
constructiva en el mismo período.
Mientras que los factores ex situ se identifican: a) los bajos precios internacionales
del grano del café. La International Coffee Organization (2015) reportó para el año 1990,
que el café costarricense cotizaba la libra en menos de 58.49 centavos de dólar americano.
b) La política de vivienda implementada en la Administración Arias y que favorecía la
sustitución y el cambio de uso de la tierra, incluso en clara oposición de los lineamientos
del Plan GAM de 1982 (Pujol-Mesalles & Pérez-Molina, 2012).
A inicios del siglo XXI, el cambio de la matriz de coberturas de la tierra es evidente. La
matriz agrícola predominante desde 1840 es sustituida por una urbana. Con el detrimento
de la actividad agrícola cafetalera, ocurre la regeneración paulatina de las áreas boscosas,
aunque limitadas a relictos al interior de la ciudad y a las zonas de protección de los
causes de los ríos y quebradas. Por ejemplo, durante los años 2015 y 2017, se desarrollaron
campañas de reforestación en los causes organizados por la Municipalidad de Heredia, la
Empresa de Servicios Públicos, Universidad Nacional y otros grupos organizados (Flores,
2017).
También, se ven favorecidos los terrenos en
espera o descanso como pastos y matorrales, que
en el pasado fueron cultivos de café. Ahora en
una dinámica más asociada a la generación de
plusvalía para la urbanización. Con el transcurso
de los años, esta dinámica solo se intensifica aún
más. El año 2019, los restantes cultivos de café en el
área de estudio pueden considerarse como unidades
espaciales fragmentadas, que en realidad no tienen
una función productiva. Al contrario, presentan FIGURA 6.1: Remanente de cultivo decafé (2019-12-17).
características de terrenos en descanso a la espera de
ser absorbidos por el desarrollo inmobiliario. Aunque existen algunas excepciones como la
Capítulo 6. DISCUSIÓN 196
Finca Cafetalera Santa Inés, que se puede considerar como el último gran remanente de lo
que fuera la época dorada del café en la Ciudad de las Flores.
Es importante señalar, que en este período se identifica la transformación de áreas
urbanas a zonas verdes. Aunque per se no es una sustitución de coberturas en algunos de
los casos, sino que se debe al aumento de la superficie del dosel de las especies arbóreas
por la renovación de espacios públicos o recreativos como parques y plazas, e incluso en
espacios privados como patios o jardines (Figura 5.17).
Para entender más los procesos espaciales de los cambios y evolución de las coberturas
de la tierra, se calcula el índice de disturbio (DI) a partir de 57 imágenes satelitales. Al
estimar las diferencias del índice entre los años subsecuentes de manera cronológica,
significa establecer la naturaleza reflectiva y la potencial emisión térmica de los materiales
de la superficie terrestre para cuantificar la magnitud del cambio experimentado. Además,
el análisis del índice de disturbio (DI) no solo establece la magnitud de la transformación,
también indica la dirección o el sentido en el que ocurren los cambios de la cobertura de la
tierra en el tiempo.
Las condiciones de agrupamiento espacial indican, que la mayoría de los disturbios
de superficies con verdor que pasaron de valores de brillo moderadas o altas, ocurrieron
en el exterior o en la periferia de la ciudad de Heredia. Mientras que el incremento de
las superficies de brillo moderado a alta, se dieron al interior del anillo de contención. Sí
se toma en cuenta la línea cronológica de las diferencias de los valores observados en el
Índice de Disturbio (Cuadro 5.30), se caracteriza que los nuevos espacios urbanos son
aglomeraciones de tipo pre-suburbio (predominan las urbanizaciones y condominios) a los
alrededores de la ciudad (Figura 5.17).
Al incorporar la dimensión temporal, los valores máximos del DI se registran en los
años 1985, 1991 y 1997 (Figuras 5.15, 5.16 y 5.17). Es en esos años cuando ocurren
las transformaciones más drásticas. En los años subsiguientes los disturbios extremos
ocurrieron de manera más focalizada. También, se observa un proceso de regeneración de
la cobertura verde al interior de la ciudad entre los años 2001 y 2014 (Figura 5.17 (D)). El
período temporal entre los años 2008 al 2019 se asocia a un proceso de consolidación de la
mancha urbana.
Se pueden establecer dos procesos espaciales determinantes y pueden describirse como:
expansión y densificación urbana. El primero se asocia al crecimiento paulatino de los
Capítulo 6. DISCUSIÓN 197
poblados periféricos y en los bordes de la ciudad, que absorben o transforman las otras
coberturas circundantes. Mientras que el segundo proceso, ocurre de la formación de
una aglomeración urbana más densa de aquellas áreas que fueron transformadas. Entre
los períodos de cambios máximos del DI, posteriormente son sucedidos por cambios
puntuales y que tienen a ser dispersos. Con respecto a la funcionalidad, primero aparecen
las soluciones o complejos habitacionales, que luego atraen servicios y comercios asociados
o complementarios a esa dinámica.
6.3. Isla de Calor
La dinámica de evolución de las coberturas de la tierra tiene un impacto en el
comportamiento térmico de la ciudad y sus inmediaciones. Al calcular la correlación
de las variables TST y DI se establece que es positiva y de fuerza moderada. Es decir,
cuando el DI presenta valores altos, la TST también se incrementa. Se estima en promedio
un coeficiente de determinación del 0.53 (Cuadro 5.41 y Figura 5.48), esto significa que el
53% de la variación de los datos se explica por la asociación de las variables DI y TST. Al
examinar aspectos como la dependencia espacial la relación entre las variables varía según
la tipología de la cobertura de la tierra y su ubicación en la matriz, de ahí la importancia
del análisis de la forma e intensidad de la ICU.
Al cruzar los resultados de la TST con respecto a las coberturas de la tierra de los
años 1985, 2001 y 2019, se determina el perfil térmico por categoría nominal. Además,
al usar como referencia la cobertura urbana se reportan las diferencias térmicas entre las
clases. El resultado se observa en los cuadros 5.36, 5.37 y 5.38. Los límites de confianza de
las estimaciones estadísticas indican que las áreas urbanas son más cálidas que las otras
coberturas. Las menores diferencias se registran entre las coberturas urbanas y arbóreas.
Este dato es interesante, ya que la literatura reporta que por lo general entre estas dos
clases se estima ocurra la mayor diferencia térmica. Al contrario, las diferencias térmicas
entre las zonas antrópicas con respecto a las categorías de matorrales y los cultivos son
las que muestran los menores diferenciales. Se destaca que las diferencias entre las clases
forestales, matorral, pastos y cultivos con respecto a la clase urbano disminuyen su valor en
el transcurso del tiempo. En la figura 5.37 se observa como desde 1985 y hasta el 2019, la
amplitud de las temperaturas del segundo Q2 y tercer Q3 cuartil se reduce en cada categoría.
Capítulo 6. DISCUSIÓN 198
Al considerar las razones por las cuales las temperaturas de las zonas verdes (forestales)
registran valores de temperatura similares a las áreas urbanas, se infiere que es producto
de la relación de subordinación en forma, tamaño, ubicación y funcionalidad. Las áreas
verdes al caracterizarse como fragmentos o incluso relictos, presentan superficies reducidas
con formas simétricas, ubicadas al interior o en los bordes del área urbana; y no parecen
producir el efecto de reducción térmica que describen Chatterjee et al. (2017), Liu y Zhang
(2011), Madanian et al. (2018).
Se identifica que las áreas verdes naturales más extensas se localizan cerca de los cauces
de ríos y quebradas. Según las características de la matriz del paisaje en los años ochenta y
noventa del siglo pasado, se determina que las coberturas de matorrales y cultivos asumían
las funciones de reducción térmica, que la literatura le atribuye a las coberturas forestales
o naturales. Por tanto, la reducción de su superficie también reduce las capacidades del
sistema urbano-periurbano de regular su pluma térmica.
Al analizar las diferencias térmicas entre el núcleo urbano y su periferia (Figuras 5.39,
5.40, 5.41, 5.42, 5.43 5.44, 5.45 y 5.46) se establece la forma e intensidad de la ICU en
el período de estudio. Los perfiles térmicos son una excelente estrategia para observar el
comportamiento de la ICU en el transcurso del tiempo. La forma al inicio del período
(1985) y hasta el 2013 de la ICU corresponde a una tendencia de perfil insular descrita por
T. Oke (2002) y Gartland (2008), en la que se distinguen los picos o crestas, las mesetas
y los acantilados. También, en los perfiles se identifican los “oasis” y que se localizan
en los valles de la curva representada en los gráficos. No obstante, a partir del año 2014
ese patrón insular tiende a subsidirse y a suavizar la curva del perfil, hasta conformar una
estructura similar a una meseta. Este proceso ocurre de la evolución de un área urbana
de características más rurales a una más consolidada, aunque con un dosel urbano poco
desarrollado. Al principio, existe una marcada diferencia entre su sector central y periférico,
por lo que la ICU es en general más cálida. El crecimiento urbano transforma los sectores
periféricos y amplia la distancia de influencia de la ICU, en la que ocurre una mayor
acumulación y liberación energética.
Los principales oasis se localizan en los cauces4 y destacan: Río Pirro, Río Burío,
Río Bermúdez, Quebrada Guararí y Quebrada Tropical. Además, se observa el aporte
de la reducción de la temperatura de las siguientes áreas verdes y recreativas: Parque
4Concavidad en el terreno por que transcurre un río u otra corriente de agua.
Capítulo 6. DISCUSIÓN 199
Ulloa5, Parque Juan de Jésus Flores (Los Ángeles), Parque José María Zeledón Brenes
(El Carmen) y El Parque Alfredo Gónzalez Flores. Otros puntos destacados son Jardines
Estudiantiles y la Hondonada 5 de octubre en la Universidad Nacional. En estos sitios se
observa una reducción promedio de la temperatura de entre 0.5°C hasta 2.6°C con respecto
a áreas vecinas, aunque en algunos lugares particulares puede registrarse una reducción
de hasta 5°C. Las ubicaciones con los valores de temperatura más elevados corresponden
a las coberturas con un alto valor de DI, entre estos destacan las plazas y plazoletas,
edificaciones con techos de zinc o de concreto. Otro aporte térmico que es significativo es
la capa asfáltica de la red vial. En este aspecto, se concuerda con los resultados obtenidos
por Arce y Acevedo (2014).
La ICU muestra una intensidad y distribución espacial variada según la dinámica
urbana, así como las condiciones climáticas que imperen. El análisis de la estacionalidad y
tendencia del patrón climático de las estaciones meteorológicas indica dos momentos en el
año en el que ocurren las mayores diferencias térmicas positivas estacionales. El primero
se produce alrededor de los días 80 - 120 del año, con una máxima variación positiva en el
día 100 (inicio del mes de abril). Las variaciones de la temperatura van desde 0.5°C hasta
un 1°C según la estación meteorológica. En este caso, la Zona de Confluencia Intertropical
(ZCIT) es usual que se localice entre las coordenadas geográficas 7°Norte y 90°Oeste.
Además, imperan los días despejadas con poca nubosidad y con vientos reducidos. Aunque
también, depende del aporte de frentes fríos provenientes del Ártico y del Atlántico.
El segundo momento tiende a ocurrir alrededor de los días 180 - 220, con la máxima
variación positiva en el día 200 (segunda o tercera semana del mes de julio) de 0.5°C. Este
período se asocia a lo que en Costa Rica se conoce como los veranillos de “San Juan” y “La
Primera Canícula”. La ZCIT se desplaza hacia el Sur producto del desplazamiento relativo
de los sistemas de alta presión sobre el océano Atlántico, lo que provoca una disminución
de la inestabilidad y la humedad, que asemejan más las condiciones de la estación seca.
Otra característica importante es que ocurre un aumento del viento del este (E), sureste
(SE) y noreste (NE), además, la precipitación tiende a disminuir en la vertiente Pacífico.
De los dos casos expuestos interesa el primero momento, ya que es el que presenta las
condiciones climáticas óptimas para que el ICU se presente su mayor intensidad. Es decir,
5Punto central en los transectos.
Capítulo 6. DISCUSIÓN 200
cielos despejados, mayor temperatura del aire, menor cantidad de humedad, menor cantidad
de precipitación y disminución de la velocidad del viento.
También, es importante asociar los patrones de tendencia de la ICU con respecto al
El Niño Oscilación del Sur (ENOS). La influencia de este fenómeno en las condiciones
climáticas, inciden en un aumento o decrecimiento de la intensidad de la ICU en el área
de estudio. En especial los intervalos de los años 1987-1988(∗∗), 1991-1992(∗∗), 1997-
1998(∗∗∗), 2002-2003(∗∗∗) y 2015-2016(∗∗∗), que presentaron intensidades extremas6 en su
fase positiva. A su vez, los años 1988-1989, 1998-2001 y 2007-2008 se determinó que el
fenómeno de La Niña mantuvo una intensidad fuerte. Se observa que cuando existe un
aumento de la intensidad de la ICU debido a condiciones asociadas a un tiempo atmosférico
o evento de ENOS extremo, los “oasis” tienen a estabilizar los cambios abruptos en la
temperatura en sus alrededores. A diferencia de los espacios con un DI alto que tienden a
registrar variaciones positivas muy elevadas.
En los años más recientes (2016-2017-2018-2019) se reporta que la ICU es más intensa
en el sector sur y suroeste de la Ciudad. El análisis de morfología urbana establece que en
esta zona la densidad de actividades es de 20 locales comerciales por cada 100 m2 y con
una densidad poblacional de 180 habitantes por hectárea. Lo anterior es importante de tener
en cuenta para la planificación urbana, así como en las acciones de monitoreo y gestión de
la ICU ante eventos extremos de ENOS. En este y otros sectores de la ciudad es necesario
establecer planes de intervención de su diseño urbano, que involucre diversas estrategias
bioclimáticas para regular la temperatura de la superficie. En particular para la atención de
afecciones respiratorias y golpes de calor en población vulnerable o que por alguna razón
puede ser expuesta a condiciones térmicas severas.
6.3.1. Escenarios
A partir de un modelo de Autómata Celular (AC), se construyen cuatro escenarios de
tendencia del cambio de la cobertura de la tierra. La asignación de las unidades es aleatoria
y bajo parámetros establecidos. El primer escenario supone condiciones de un crecimiento
urbano según la tendencia observada de años recientes. El segundo escenario incluye las
* Según el Índice Oceánico del Niño, el ENOS fue de intensidad moderada.
6 ** Según el Índice Oceánico del Niño, el ENOS fue de intensidad fuerte.
*** Según el Índice Oceánico del Niño, el ENOS fue de intensidad muy fuerte.
Capítulo 6. DISCUSIÓN 201
condiciones de un cambio acelerado y crecimiento sin restricciones. Mientras que el tercer
y cuarto escenario incorporan dos procesos espaciales de recuperación de zonas verdes.
En términos generales los criterios utilizados para la asignación de clases en el modelo
AC rindió resultados aceptables. Sin embargo, es necesario mejorar la probabilidad de
asignación del comportamiento térmico de la función construida a partir del modelo de
regresión ponderada multinomial. Por ejemplo, al incorporar más variables que aumenten
los valores del coeficiente de determinación, así como reducir el “ruido” aleatorio. Incluso
en futuras investigaciones puede ser incorporado al modelo el coeficiente convectivo de
transferencia de calor de los materiales.
Los escenarios de los modelos 1 y 2 establecen el comportamiento de la ICU ante un
probable aumento de la superficie urbana y un incremento del DI asociado a ese crecimiento.
De mantener el ritmo de crecimiento y el efecto de disturbio actual en la ciudad, podría
resultar en un incremento de hasta 8% de la temperatura, es decir casi 3°C con respecto a
los valores estimados en el 2019 (Cuadro 5.52).
La situación sería más grave para todo el sistema urbano, si se considera que la
proyección del incremento de la temperatura global relativa se estima en 1.5°C para
el año 2040 por Allen et al. (2019). Mientras que las estimaciones de Alvarado et al.
(2012) indican que Costa Rica es uno de los puntos calientes de cambio climático más
prominente de las zonas tropicales. Según el IMN, las simulaciones del modelo PRECIS
bajo el supuesto del escenario de emisiones A2, el país experimentará un aumento de
la temperatura media anual de 0.90 °C en el año 2020 hasta 3.36°C en el año 2080 con
respecto a línea base estimada del período 1950-2000 (WorldClim, (Hijmans et al. 2005))
(Alvarado et al. 2012).
Se establece que no solo es necesario gestionar la tasa de crecimiento urbano, también
es importante considerar la estructura urbana y las superficies que pueden incrementar la
intensidad de la ICU. Mediante el uso de materiales con propiedades térmicas favorables es
posible manipular el flujo del aire para garantizar que el aire fresco circule por la ciudad, y
lo que a su vez puede ser beneficioso para la reducción de la contaminación en la peplosfera.
Además, es factible establecer una relación entre desarrollo horizontal y vertical de la
ciudad para ajustar el intercambio de radiación de los elementos. En el caso de la ciudad de
Heredia su dosel urbano tiene poco desarrollo vertical, por lo tanto, todavía no se deberían
formar flujos de aire asociados a una dinámica de cañón urbano. Sin embargo, al calcular
Capítulo 6. DISCUSIÓN 202
la relación vertical de la altura promedio de los edificios y el ancho promedio de las calles
resulta en un valor de 0.5. Según T. Oke (2002), se clasifica como un cañón de estela
inferida, es decir la estela del viento originada por los edificios ubicados a sotavento son
perturbados por los edificios situados a barlovento. Para los efectos de planificación, la
relación de desarrollo vertical/horizontal7 puede ser un criterio para considerar en futuras
propuestas de regulación de alturas, orientación y retiros de los edificios, así como en los
planes de ampliación vial.
Los escenarios 3 y 4 modelan un incremento horizontal de las áreas verdes. El modelo
3 implica la inclusión en el transcurso de las vías públicas de áreas verdes, mientras
que el modelo 4 simula adecuar los centros de cuadra para que alberguen áreas verdes
o de descanso. Los resultados determinan que las dos estrategias de restauración y
arborización permiten la reducción promedio de la temperatura de las coberturas urbanas
en aproximadamente un 5.09% (1.74°C). Pero también, supone una rotunda mejoría en las
temperaturas de las zonas forestales de hasta un 21% (6.91°C) con respecto a los resultados
obtenidos para el 2019 (Cuadro 5.52). Tales efectos son impresionantes, si se tiene en
cuenta la tendencia actual de la ciudad de Heredia.
En términos de reducción de la temperatura, el modelo 4 se comporta relativamente
mejor que el modelo 3. Al examinar la viabilidad, la implementación de bulevares y
reverdecimiento de las vías públicas mediante arborización puede tener un costo menor,
que generar centros de cuadra verdes y abiertos; para lo cual es necesario una redistribución
y reparcelamiento de las cuadras. Aunque en el último caso, es posible proponer alternativas
más accesibles como convertir los techos de los edificios en áreas verdes o recubrirlos con
capas que eviten la acumulación de energía. Sin embargo, debe garantizarse la sostenibilidad
a largo plazo mediante la constitución de un parque urbano, en el que no domine una visión
estética o de oportunidad sino un enfoque restaurativo. Hasta la fecha dicha provisión
de servicio ecosistémico es inexistente en las propuestas de ordenamiento territorial del
cantón.
Los cuerpos de agua y su zona de protección forestal son áreas que deben recuperarse
no solo debido a sus efectos climáticos urbanos positivos, en particular contra el efecto de
la ICU. También, como elementos de conectividad que dan funcionalidad ecosistémica a la
ciudad, que podrían conectarse con otro tipo de zonas verdes como cultivos urbanos. Es
7Relación entre altura promedio de los edificios y el ancho promedio de la calle.
Capítulo 6. DISCUSIÓN 203
necesario desarrollar un nuevo enfoque de planificación de los entornos urbanos naturales,
al incorporar el uso de la teoría de la sucesión en la restauración ecológica, y la fase
de sucesión adaptativa. Es particular, en aquellos espacios que fueron perturbados y se
encuentran en un estado de heterogeneidad (Barrantes-Sotela, 2019).
6.4. Líneas estratégicas
De acuerdo con los resultados obtenidos en la investigación, se establecen los siguientes
temas críticos necesarios para el abordaje de las ICU. Los cuales se indican a continuación:
1. Configuración urbana: la disposición de la infraestructura y el patrón del diseño
urbano afecta la temperatura y el microclima entre las edificaciones. La relación
de desarrollo vertical/horizontal, así como el Factor de Visibilidad del Cielo (FVC)
(Sky View Factor) establecen la dinámica de los cañones urbanos que modifican
el comportamiento de la ICU. Los edificios altos y estructuras continuas pueden
bloquear el flujo del aire y el movimiento del viento y proporcionar varias superficies
para que los niveles reflejen y absorban la luz solar que hace que el área urbana sea
más cálida. Es importante considerar la orientación de los edificios.
2. Superficie: el material de la superficie terrestre es el factor principal que afecta al
ICU. El aumento de la emisividad y la velocidad del viento disminuirán el tamaño de
la isla de calor urbana, lo que significa que durante las noches despejadas y sin nubes
se producen las mayores diferencias de temperatura centro-periferia. Dado que los
materiales de la superficie urbana tienen una capacidad térmica relativamente alta, el
uso de materiales que absorben durante el día la radiación de onda corta aumenta la
ICU.
3. Áreas verdes: la cantidad, calidad y disposición espacial de las áreas verdes y la
vegetación afectan la temperatura en la ciudad. Se establece que disponer de parques
o áreas verdes de grandes proporciones normalmente son 2°C más fríos que las áreas
urbanizadas, incluso esta diferencia de temperatura puede alcanzar hasta 5°C. La
falta de vegetación en el área urbana disminuye la evapotranspiración, la sombra y
los efectos de enfriamiento de la vegetación que calientan la ciudad y favorecen la
ICU.
Capítulo 6. DISCUSIÓN 204
4. Actividad humana: las actividades humanas inciden en el aumento de la temperatura,
la climatización de los edificios, el tráfico y las actividades económicas. El calor entra
en el medio ambiente directa e indirectamente. Además del calor y la humedad que
liberan estas actividades, también contaminan el aire y afectan la radiación entrante y
saliente.
Al establecer la dinámica y percepción de los actores en los temas de ICU y el cambio
climático, un elevado porcentaje reconoce que la ciudad presenta serias limitaciones e
identifica con claridad los desafíos climáticos, así como las posibles consecuencias de no
aplicar medidas correctivas. Se debe aprovechar que existe una posición favorable de la
población ante la implementación de acciones o estrategias orientadas en abordar los temas
críticos expuestos anteriormente.
De esta manera, las líneas estratégicas definen marcos de acción. Su función es, por
lo tanto, ayudar a los planificadores a formular juicios prácticos sobre la búsqueda de
múltiples propósitos en situaciones locales cambiantes y facilitar las discusiones con los
ciudadanos y otros actores (Hersperger et al. 2018). Bajo ese enfoque los lineamientos
estratégicos deben seguir los conceptos de diseño urbano de ciudades sostenibles, incluso
serían de ayuda para alcanzar las metas de los Objetivos del Desarrollo Sostenible. Estos
pueden ser considerados como elementos claves en los planes municipales tales como: plan
regulador urbano cantonal, reglamentos de zonificación, planes de adaptación al cambio
climático, planes de reducción de emisiones de gases de efecto invernadero, guías de diseño
y de estándares de construcción verde. A continuación, se establecen los lineamientos:
Capítulo 6. DISCUSIÓN 205
Tema: Configuración urbana.
Lineamientos:
1. Incentivar la reconfiguración de las cuadras con aperturas diagonales arborizadas.
2. Promover el uso de patios o jardines internos de las edificaciones y centros de
cuadra.
3. Estimular los diseños de los edificios en orientaciones y alturas que procuren un
enfriamiento natural.
4. Promover la conectividad de espacios públicos.
5. Aumentar la relación altura edificada y ancho de la vía.
6. Implementación de bulevares y ciclo vías arborizadas.
7. Promover el rescate de diseños arquitectónicos históricos y culturales.
8. Recuperar los derechos de vía o ampliar el existente.
9. Generar infraestructura para la movilidad sostenible y la intermodalidad.
Aportan en los logros de alcance de los siguientes ODS:
11. Ciudades y comunidades sostenibles.
13. Acción por el Clima.
Capítulo 6. DISCUSIÓN 206
Tema: Superficie.
Lineamientos:
1. Infraestructura
a) Promover el uso de materiales diversos y de baja reflectancia en los edificios.
b) Utilizar cubiertas o pinturas de color claro o térmicas en el techado.
c) Estimular la implementación de paredes verdes.
d) Propiciar la implementación de techos de teja, verdes o recubiertos.
e) Implementar y regular el uso de elementos y mobiliario urbano sostenible.
f ) Establecer regulaciones sobre la sombra de áreas descubiertas.
2. Red vial
a) Sustituir el uso de asfalto en las vías por otro tipo de pavimentación reflectante
y permeable.
b) Diseñar aceras con superficies verdes y permeables.
c) Promover la arborización de una sección del derecho de vía.
Aportan en los logros de alcance de los siguientes ODS:
11. Ciudades y comunidades sostenibles.
13. Acción por el Clima.
Capítulo 6. DISCUSIÓN 207
Tema: Áreas verdes.
Lineamientos:
1. Aumentar la cantidad y calidad de zonas verdes en la ciudad.
2. Iniciar un proceso de arborización controlado y gestionado con criterios científicos.
3. Recuperación de zonas de protección de causes.
4. Incentivar proyectos de reforestación.
5. Garantizar el aprovisionamiento de áreas verdes con funcionalidad ecosistémica.
6. Incentivar el uso de superficies verdes en los diseños de construcción de los
espacios públicos y recreativos.
7. Implementar mecanismos de protección de árboles en espacios públicos.
Aportan en los logros de alcance de los siguientes ODS:
3. Salud y bienestar.
11. Ciudades y comunidades sostenibles.
13. Acción por el Clima.
15. Vida de ecosistemas terrestres.
Capítulo 6. DISCUSIÓN 208
Tema: Actividad humana.
Lineamientos:
1. Evitar el uso de climatización artificial.
2. Disminuir el consumo energético.
3. Propiciar el uso de tecnologías limpias.
4. Fomentar el uso de medios de transporte alternativos (caminatas, bicicletas,
patinetas, otros).
5. Incentivar el uso de transporte público y la intermodalidad.
6. Fomentar los programas o talleres de educación climática.
Aportan en los logros de alcance de los siguientes ODS:
3. Salud y bienestar.
4. Educación de calidad.
11. Ciudades y comunidades sostenibles.
12. Producción y consumo responsables.
13. Acción por el Clima.
15. Vida de ecosistemas terrestres.
209
Capítulo 7
IMPLICACIONES EN EL
DESARROLLO SOSTENIBLE
Estudiar las ciudades es en muchos casos una labor difícil, al tratarse de sistemas
complejos. Incluso en los procesos de planificación es una práctica común separar el
estudio de los espacios naturales, de los urbanizados. Este tipo de prácticas viene en
desuso gracias a la perspectiva que ofrece el desarrollo urbano sostenible, que parte de la
consideración de la ciudad como un ecosistema que consiste en relaciones y dinámicas
intrínsecas entre otro tipo de espacios y entidades, que pueden ocurrir dentro y fuera de
esta.
Las ciudades sostenibles son una construcción social compleja y dinámica, en la que
los diferentes componentes ambientales, sociales, culturales, políticos y económicos de las
sociedades humanas están altamente interrelacionadas. Además, buscan el equilibrio y el
bienestar de todos los seres que habitan un espacio definido, tanto en el tiempo presente
como futuro. También, debe respetar la diversidad cultural y debe garantizar el derecho de
participación de cada uno de los actores sociales; así como el derecho de la representación
y defensa que los ciudadanos pueden ejercer sobre la naturaleza.
Por su puesto la ciudad no es ajena de presentar problemas asociados a su misma
dinámica. Un gran porcentaje de las actividades antrópicas tienden a producir desbalances
en el sistema urbano al operar por encima de la capacidad de carga. En especial cuando
existe competencia del aprovechamiento y consumo de los recursos disponibles.
La ICU en las ciudades se puede considerar como el resultado del desbalance producto
del éxito de ciertos agentes en la acumulación de capital, que en exceso consumen y
transforman recursos como la tierra, las áreas naturales y el aire. Cuantificar los efectos de
Capítulo 7. IMPLICACIONES EN EL DESARROLLO SOSTENIBLE 210
este fenómeno no solo ofrece indicios claros sobre lo que puede estar mal en la dinámica
urbana, también es un indicador sobre el estado de la sostenibilidad de la ciudad. Esta es
una de las razones por la que el estudio de los efectos de la ICU es un tema recurrente en la
discusión sobre la sostenibilidad y la habitabilidad de las ciudades.
El aumento de la temperatura en la ciudad de Heredia puede desencadenar una serie
de problemas que pueden ser evitados de darse una gestión pública local que mediante
la construcción, interpretación y seguimiento de indicadores implementen una serie de
prácticas derivadas a partir de un extenso conjunto de información científica, que tienden
a relacionarse con el desarrollo socioeconómico y ambiental de sus habitantes. Esta
investigación trata de aportar en ese aspecto.
Un alcances de este trabajo en relación con el Desarrollo Sostenible, es la construcción
de un abordaje teórico y metodológico para el registro y monitoreo del fenómeno de
ICU en las ciudades costarricenses, y cómo a partir de esos datos se pueden establecer
lineamientos específicos que permitan construir un Plan de Gestión Urbano que integre la
variable climática, tal y como indica el «Plan de Acción 2018-2022 de la Política Nacional
de Desarrollo Urbano 2018-2030». Además, se espera que los resultados contribuyan
al cambio de valores en la sociedad, incida en la educación ambiental y climática, y a
su vez inicie un espacio de deliberación-participación. Para que a través de la política
gubernamental sea posible la propuesta de acciones concernientes a evitar no solo la ICU,
sino aspirar a construir una ciudad cada día más sostenible.
Sin olvidar que, la naturaleza de los valores está arraigada en su función de adaptación,
por lo que la naturaleza de los cambios de valores probablemente también refleje una
función adaptativa. Por lo tanto, si existen cambios sustanciales en el medio ambiente,
se pueden producir nuevos valores adaptativos, comportamientos, actitudes y afiliaciones
sociales. Lo cual puede ser aprovechado, para utilizar metodologías para fortalecer los
valores en sociedades y comunidades con graves problemas ambientales y climáticos o
para fortalecer incluso valores deseables a los esfuerzos del desarrollo sostenible.
El tema de la investigación se enmarca en los siguientes Objetivos de Desarrollo
Sostenible: 3. Salud y bienestar, 4. Educación de calidad, 7. Energía asequible y no
contaminante, 9. Industria, innovación e infraestructura, 11. Ciudades y comunidades
sostenibles, 12. Producción y consumo responsables, 13. Acción por el Clima, 15. Vida de
ecosistemas terrestres. Por lo que se espera contribuir en el alcance de esos.
211
Capítulo 8
CONCLUSIONES
En la investigación se realizan los siguientes hallazgos.
1. Desde la fundación de la ciudad, el núcleo urbano se localiza en el parque Nicolás
Ulloa. Se determinan dos polos económicos que atraen y concentran la mayor
cantidad de comercios. El primero se asocia a las funciones institucionales, político y
administrativas del centro urbano. El segundo se vincula a la dinámica que ejerce
la Universidad Nacional. En los sectores periféricos y periurbanos predominan las
áreas residenciales de viviendas unifamiliares.
2. La ciudad de Heredia mantiene una forma urbana clásica con retícula hipodámica y
un parcelamiento con patrón en×. El perfil urbano es simple y de poca altitud, en
el que predomina edificaciones de un piso y un ancho de las vías promedio de 7.5
metros. Con el paso del tiempo, el dosel urbano se extiende en longitud, pero con
poca verticalización.
3. La matriz agrícola en el que predominaba la producción tradicional de café se
transforma a una urbana. Según las diferencias del DI, se establecen dos períodos
en los que ocurren la mayor cantidad de transformaciones en términos del brillo de
las coberturas de la tierra. El primero entre 1991-1997 y el segundo período entre el
2008-2014.
4. El análisis de los disturbios (DI) permite identificar y establecer dos procesos
espaciales en la transformación de las coberturas en la ciudad, estos se definen
como: expansión y densificación urbana. Al inicio, los cambios de las coberturas
verdes a antrópicas son agrupados y concentrados, luego aparecen cambios puntuales
y dispersos; estos últimos se agrupan a los núcleos que tienden a densificarse y
expandirse.
Capítulo 8. CONCLUSIONES 212
5. Se estima un crecimiento urbano de 30.48 hectáreas por año entre 1985 al 2019.
Es decir, un incremento del 155.07% con respecto a 1985, en detrimento de las
áreas de cultivos de café, foresta, matorrales y pastos. Las áreas con mayor pérdida
de superficie son los cultivos de café, los cuales disminuyeron en un 87.57%
con respecto a 1985. La presión del recurso tierra puede asociarse al incremento
exponencial de la población en la ciudad de Heredia.
6. El abandono de la actividad agrícola cafetalera favorece que las parcelas productivas
se transformen en matorrales con la intención de generar plusvalía de los terrenos,
para luego ser urbanizados.
7. Se recupera de manera paulatina las zonas de protección de los cauces y árboles al
interior de la ciudad, lo que supone un incremento de su superficie en un 73.33%.
No obstante, el proceso de regeneración es disperso en el área de estudio.
8. Existe una correlación de las variables TST y DI, y se estima un coeficiente de
determinación del 0.53. La asociación es positiva y de fuerza moderada. Además,
existe una asociación entre los efectos que presentan el tipo de superficie, el tamaño,
la forma y ubicación de las coberturas con respecto a la capacidad influir en la
temperatura.
9. Los perfiles térmicos por categorías nominales determinan que la menor diferencia
térmica ocurre entre las coberturas urbana y forestal. Al contrario, las diferencias
térmicas entre las áreas urbanas con respecto a las categorías de matorrales y los
cultivos son las que muestran los menores diferenciales térmicos.
10. En los años ochenta y noventa del siglo pasado, las coberturas de matorrales y
cultivos asumían las funciones de reducción térmica, que la literatura le atribuye a
las coberturas forestales o naturales. Por tanto, la reducción de su superficie también
reduce las capacidades del sistema urbano-periurbano de regular su pluma térmica.
11. En los perfiles térmicos entre los años 1985 al 2008, se observa una marcada
diferencia entre el núcleo urbano y los sectores periféricos. Se determina una
asociación entre la forma del perfil de la ICU y el proceso de expansión de las
áreas urbanas.
12. La intensidad de la ICU disminuye en términos de diferencia entre el núcleo -
periferia, pero las temperaturas promedio entre las dos secciones tiende a aumentar
con el paso del tiempo. La ICU evoluciona de una forma insular en la que se
Capítulo 8. CONCLUSIONES 213
distinguen los principales elementos, a una de curva suavizada similar a la forma de
una meseta.
13. Se observa que la intensidad de la ICU tiende aumentar significativamente cuando
el ENOS ocurre en intensidades fuerte o muy fuerte, tanto en fase positiva como
negativa. Además, la mayor intensidad del fenómeno se presenta entre el intervalo de
los días 80 - 120 del año, con un punto máximo cercano al día 100 (finales del mes de
marzo e inicio del mes de abril). Lo anterior por las condiciones de cielo despejado,
aumento de la temperatura, disminución de la humedad relativa y disminución de la
velocidad del viento.
14. Los principales oasis reducen la TST promedio de las áreas circundantes en hasta
2.6°C y se localizan en los cauces de los principales afluentes, así como en los parques
y zonas verdes de la ciudad. Además, tienen a estabilizar los cambios abruptos en
la temperatura en sus alrededores. A diferencia de los espacios con un alto DI que
tienden a registrar variaciones positivas muy elevadas.
15. En los últimos cuatro años del período temporal, se reporta que la ICU es más intensa
en el sector sur y suroeste de la Ciudad. Sector que presenta una densidad de 20
locales comerciales por cada 100 m2 y con una densidad poblacional de 180 hab/ha.
16. Al establecer los modelos de escenarios de tendencia se establece que de continuar
el patrón de crecimiento urbano y sustitución de la cobertura verde por otra con un
mayor DI; la TST podría aumentar en hasta 2.77°C en las coberturas antrópicas.
Mientras que, en los escenarios de arborización urbana en la ciudad, la TST puede
reducirse hasta en 1.79°C en las áreas antrópicas y hasta 6.91°C en las áreas verdes.
17. La población percibe que las principales causas del aumento de las temperaturas de
la ciudad se deben a la contaminación del aire, a la deforestación y falta de áreas
verdes.
18. Según la percepción de la población, en la ciudad deben implementarse mejores
condiciones y características en las zonas verdes existentes y aumentar su cantidad.
Además, se percibe que la coordinación de las instituciones sobre los temas climáticos
en la planificación y el ordenamiento territorial debe ser más eficaz y eficiente.
19. La población percibe que los principales retos en la ciudad son las acciones
pertinentes al Cambio Climático y la Gestión Ambiental del Territorio. Además,
existe una posición favorable al cambio de los patrones de consumo, en el caso de
Capítulo 8. CONCLUSIONES 214
ser necesario.
20. Se establecen los principales lineamientos en función de los temas considerados como
críticos en la reducción de la temperatura de la ciudad. Estos son la configuración
urbana, la superficie, áreas verdes y actividad humana.
21. Comprender la relación entre la ICU y las configuraciones urbanas es fundamental
para apoyar la planificación urbana y así diseñar prácticas sostenibles efectivas para
mitigar y adaptar a las ciudades costarricenses.
215
Bibliografía
Alfraihat, R. (2015). Urban heat island analysis using Landsat TM A Case study of the city
of Chicago (Tesis doctoral). Chicago State University.
Allen, M., Dube, O., Solecki, W., Aragón-Durand, F., Cramer, W., Humphreys, S., Kainuma,
M., Kala, J., Mahowald, N., Mulugetta, Y., Perez, R., Wairiu, M. & Zickfeld, K.
(2019). Framing and Context [In Press]. En V. Masson-Delmotte, P. Zhai, H. Pörtner,
D. Roberts, J. Skea, P. Shukla, A. Pirani, W. Moufouma-Okia, C. Péan, R. Pidcock,
S. Connors, J. Matthews, Y. Chen, X. Zhou, M. Gomis, E. Lonnoy, T. Maycock,
M. Tignor & T. Waterfield (Eds.), Global Warming of 1.5° C. An IPCC Special
Report on the impacts of global warming of 1.5° C above pre-industrial levels and
related global greenhouse gas emission pathways, in the context of strengthening
the global response to the threat of climate change, sustainable development, and
efforts to eradicate poverty (pp. 49-91). IPCC.
Almusaed, A. (2011). Biophilic and Bioclimatic Architecture. Springer London. https:
//doi.org/10.1007/978-1-84996-534-7
Alvarado, L., Contreras, W., Alfaro, M. & Jiménez, E. (2012). Escenarios de cambio
climático regionalizados para Costa Rica (inf. téc.) [Proyecto 61152. Mejoramiento
de las capacidades nacionales para la evaluación de la vulnerabilidad y adaptación
del sistema hídrico al cambio climático en Costa Rica]. Instituto Meteorológico
Nacional. San José.
Álvarez-Vergnani, C. (2015). Estrategia de adaptación climática en Costa Rica: bases para
la gestión estatal e institucional (inf. téc. N.o 8). Friedrich Ebert Stiftung (FES).
San José.
Anderson, J. R., Hardy, E. E., Roach, J. T., Witmer, R. E. & Peck, D. L. (1976). A Land
Use And Land Cover Classification System For Use With Remote Sensor Data. A
revision of the land use classification system as presented in U.S. Geological Survey
Circular 671, 964, 41.
BIBLIOGRAFÍA 216
Angel, S., Parent, J., Civco, D. L., Blei, A. & Potere, D. (2011). The dimensions of global
urban expansion: Estimates and projections for all countries, 2000–2050. Progress
in Planning, 75(2), 53-107. https://doi.org/10.1016/j.progress.2011.04.001
Araya, M. (2015). Agenda internacional de cambio climático de Costa Rica: prioridades
y resultados. En Vigésimo Primer Informe Estado de la Nación en Desarrollo
Humano Sostenible.
Arce, M. & Acevedo, V. (2014). Análisis Comportamiento término y su relación con el uso
de suelo en la formación del fenómeno Islas de Calor, en la aglomeración urbana
de Heredia. Universidad Nacional de Costa Rica.
Arnett, J. T. T. R., Coops, N. C., Gergel, S. E., Falls, R. & Baker, R. H. (2014).
Detecting Stand-Replacing Disturbance using RapidEye Imagery: a Tasseled Cap
Transformation and Modified Disturbance Index. Canadian Journal of Remote
Sensing, 40(1), 1-14.
Barrantes-Sotela, O. (2018). Modelos de zonificación urbana y su implementación en Costa
Rica. En G. Marafon, L. Quirós-Arias & M. Alvarado-Sánchez (Eds.), Estudos
Territoriais no Brasil e na Costa Rica (pp. 261-288). Editora Da Universidade Do
Estado Do Rio de Janeiro.
Barrantes-Sotela, O. (2019). Aportes desde la conservación genética al mejoramiento de
las áreas verdes en la ciudad. Revista Geográfica de América Central, 1(64), 43-57.
https://doi.org/10.15359/rgac.64-1.2
Bauer, D. F. (1972). Constructing Confidence Sets Using Rank Statistics. Journal of the
American Statistical Association, 67(339), 687. https://doi.org/10.2307/2284469
Bettini, V. (1998). Elementos de Ecología Urbana (M. Peinado-Lorca, Ed.) [Traducción].
Simancas Ediciones, S.A.
Boeing, G. (2017). OSMnx: New methods for acquiring, constructing, analyzing, and
visualizing complex street networks. Computers, Environment and Urban Systems,
65, 126-139. https://doi.org/10.1016/j.compenvurbsys.2017.05.004
Bosque, J., Chuvieco, E., Navalpotro, P. & Sancho, J. (1991). Factores en la dinámica
de la ocupación del suelo (Comarca de los Montes, Castilla la Mancha, España).
En Proceedings III Conferencia Latinoamericana sobre Sistemas de Información
Geográfica.
BIBLIOGRAFÍA 217
Brown, M. A. & Southworth, F. (2008). Mitigating climate change through green buildings
and smart growth. Environment and Planning, 40, 653-676. https://doi.org/10.1068/
a38419
Brundtland, G. H. (1987). Our Common Future: Report of the World Commission
on Environment and Development. United Nations Commission, 4(1)arXiv
arXiv:1011.1669v3, 300. https://doi.org/10.1080/07488008808408783
Buqueras, I. (2002). Más sociedad, menos y mejor estado: pasado, presente y futuro de la
sociedad civil. Editorial Complutense.
Capelli de Steffens, A. & Píccolo, M. C. (2001). La isla de calor estival en Temuco, Chile.
Papeles de Geografía, 1781(33), 49-60. https://dialnet.unirioja.es/descarga/articulo/
105637.pdf
Castán Broto, V. & Bulkeley, H. (2013). A survey of urban climate change experiments in
100 cities. Global Environmental Change, 23(1)arXiv arXiv:0811.2183v2, 92-102.
https://doi.org/10.1016/j.gloenvcha.2012.07.005
Chatterjee, R. S., Singh, N., Thapa, S. & Sharma, D. (2017). International Journal of Applied
Earth Observation and Geoinformation Retrieval of land surface temperature ( LST
) from landsat TM6 and TIRS data by single channel radiative transfer algorithm
using satellite and ground-based inputs. International Journal of Applied Earth
Observations and Geoinformation, 58, 264-277. https://doi.org/10.1016/j.jag.2017.
02.017
Chaverri-Polini, P. (2014). Cambio climático y ordenamiento territorial en Costa Rica: de
la indolencia a la transformación de la Gran Área Metropolitana (GAM) (inf. téc.
N.o 1). Friedrich Ebert Stiftung (FES). San José.
Chuvieco, E. (1996). Fundamentos de Teledetección espacial (3.a ed.). RIALP.
CNE. (2015). Política Nacional de Prevensión de Gestión del Riesgo 2016-2030. Comisión
Nacional de Prevención de Riesgos y Atención de Emergencias.
Cochran, N. E. (2014). Detection of Urban Heat Islands in the Great Lakes Region
wuth Globe Student Surface Temerature Measurements (Master of Art Degree
in Geography December). University of Toledo. http://rave.ohiolink.edu/etdc/view?
acc%7B%5C_%7Dnum=toledo1418421488
BIBLIOGRAFÍA 218
Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and
Psychological Measurement, 20(1), 37-46. https : / / doi . org / 10 . 1177 /
001316446002000104
Consejo Nacional de Planificación Urbana. (2018). Plan de Acción 2018-2022 de la
Política Nacional de Desarrollo Urbano 2018-2030 [Decreto Ejecutivo No. 41136-
MIVAH-PLAN-MINAEMOPT]. https://www.mivah.go.cr/Documentos/politicas_
directrices_planes/PNDU-2018_Politica_Plan_Pags_001-028.pdf
Contreras, A., Salas, J., Velasquez, G. & Quevedo, H. (2008). Determinación de la isla
de calor urbano en ciudad juarez mediante programa de cómputo. CULCYT/Clima
urbano, (26).
Cook, M. (2014). Atmospheric Compensation for a Landsat Land Surface Temperature
Product (Tesis doctoral July). Rochester Institute of Technology.
Coppin, P. & Bauer, M. (1996). Digital change detection in forested ecosystems with remote
sensing imagery. Remote Sensing Reviews, (13), 234-237.
Departamento de Asuntos Económicos y Sociales. (2009). Clasificación Industrial
Internacional Uniforme de todas las actividades económicas (CIIU) (inf. téc.)
[Serie M, No. 4/Rev. 4]. Naciones Unidas. Nueva York.
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B.,
Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F.
& Bargellini, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for
GMES Operational Services. Remote Sensing of Environment, 120, 25-36. https:
//doi.org/10.1016/j.rse.2011.11.026
Du, H., Wang, D., Wang, Y., Zhao, X., Qin, F., Jiang, H. & Cai, Y. (2016). Influences of
land cover types, meteorological conditions, anthropogenic heat and urban area on
surface urban heat island in the Yangtze River Delta Urban Agglomeration. Science
of The Total Environment, 571, 461-470. https://doi.org/10.1016/j.scitotenv.2016.
07.012
Estoque, R. C. & Murayama, Y. (2017). Monitoring surface urban heat island formation
in a tropical mountain city using Landsat data (1987–2015). ISPRS Journal of
Photogrammetry and Remote Sensing, 133, 18-29. https : / /doi .org /10.1016/ j .
isprsjprs.2017.09.008
BIBLIOGRAFÍA 219
Ezquiaga Domínguez, J. (2010). Estrategias de adaptación y mitigación del Cambio
Climático en planificación espacial. Selección y análisis de buenas prácticas y
formulación de criterios de aplicación en el planeamiento territorial y urbanísitco
del la CAPV (inf. téc.). Dirección General de Ordenación del Territorio del
Departamento de Medio Ambiente y Ordenación del Territorio del Gobierno Vasco.
Fan, Y., Li, Y., Wang, X. & Catalano, F. (2016). A New Convective Velocity Scale for
Studying Diurnal Urban Heat Island Circulation. Journal of Applied Meteorology
and Climatology, 55(10), 2151-2164. https://doi.org/10.1175/JAMC-D-16-0099.1
Fernández-Güell, J. M. (2006). Planificación estratégica de Ciudades (2.a ed.). Editorial
Reverté.
Ferrelli, F., Bustos, M. L. & Piccolo, M. C. (2016). Modificaciones en la distribución
espacial de la temperatura y la humedad relativa como resultado del crecimiento
urbano : el caso de la ciudad de Bahía Blanca , Argentina. 16(April), 51-61.
Fisher, P. F., Comber, A. J. & Wadsworth, R. (2005). Land use and Land cover:
Contradiction or Complement. Re-presenting GIS, (August 2015), 85-98.
Fletcher, A., Guthrie, J., Steane, P., Roos, G. & Pike, S. (2003). Mapping stakeholder
perceptions for a third sector organization. Journal of Intellectual Capital, 4(4),
505-527. https://doi.org/10.1108/14691930310504536
Flores, B. (2017). Iniciativa "Heredia Respira"logrará plantar 20 mil árboles en la provincia.
La República.
Folch, R. (2003). El territorio como sistema: conceptos y herramientas de ordenación
(inf. téc.). Institut d’Edicions de la Diputación de Barcelona. Barcelona.
Foody, G. M. (2008). Harshness in image classification accuracy assessment. International
Journal of Remote Sensing, 29(11), 3137-3158.
Forman, R. T. T. (1997). Land Mosaics: The Ecology of Landscapes and Regions.
Cambridge University Press.
Frenkel, A. & Ashkenazi, M. (2008). Measuring urban sprawl: how can we deal with it?.
Environment & Planning B: Planning & Design, 35(1), 56-79.
Gartland, L. (2008). Heat islands. Earthscan.
Gentleman, R., Hornik, K. & Parmigiani, G. (2008). Applied Spatial Data Analysis with R.
Springer New York. https://doi.org/10.1007/978-0-387-78171-6
Global Land Cover Facility. (2004). Landsat Technical Guide. Science, 6-7.
BIBLIOGRAFÍA 220
González, M. & Saenz, E. (1996). Crecimiento urbano y planificación local: El caso de la
ciudad de Cartago (Tesis de maestría). Universidad Nacional de Costa Rica.
Graizbord, B. (2011). Sostenibilidad urbana: ¿Frase vacía o estrategia de desarrollo. En
Megaciudades y cambio climático (p. 21). Colegio de Mexico. http://www.jstor.org/
stable/j.ctt14jxphx.6
Gudmundson, L. (2013). Costa Rica antes del Café: Sociedad y economía en vísperas del
Boom exportador.
Gudmundson, L. (2018). Costa Rica después del Café: La era cooperativa en la historia y
la memoria.
Gudynas, E. (2004). Ecología, economía y etica del desarrollo sostenible (5.a ed.).
Guedes, G., Costa, S. & Brondízio, E. (2009). Revisiting the hierarchy of urban areas in the
Brazilian Amazon: a multilevel approach. Population and Environment, 30(4-5),
159-192. https://doi.org/10.1007/s11111-009-0083-3
Guill, V. (2016). Un Acercamiento a Caracterizar La Isla De Calor En Cuenca. En
CONAMA2016.
Hagberg, A. A., Schult, D. A. & Swart, P. J. (2008). Exploring Network Structure,
Dynamics, and Function using NetworkX (G. Varoquaux, T. Vaught & J. Millman,
Eds.). En G. Varoquaux, T. Vaught & J. Millman (Eds.), Proceedings of the 7th
Python in Science Conference.
Harvey, D. (2013). Rebel Cities: From The Right To The City To The Urban Revolution.
Verso.
Healey, S. P., Cohen, W. B., Zhiqiang, Y. & Krankina, O. N. (2005). Comparison of Tasseled
Cap-based Landsat data structures for use in forest disturbance detection. Remote
Sensing of Environment, 97(3), 301-310. https://doi.org/10.1016/j.rse.2005.05.009
Henn, B., Raleigh, M. S., Fisher, A. & Lundquist, J. D. (2013). A Comparison of
Methods for Filling Gaps in Hourly Near-Surface Air Temperature Data. Journal of
Hydrometeorology, 14(3), 929-945. https://doi.org/10.1175/JHM-D-12-027.1
Hernández, R., Fernández, C. & Baptista, P. (2010). Metodología de la Investigación
(1.a ed.). Mc Graw Hill.
Hernández-Sanchéz, L. (2014). Mercado de la tierra y vivienda en el Gran Área
Metropolitana (GAM) de Costa Rica (inf. téc. N.o 21) [Vigésimo primer informe
BIBLIOGRAFÍA 221
Estado de la Nación en Desarrollo Humano Sostenible]. Estado de la Nación. San
José.
Herrera, J. (2011). Informe Anual de Calidad del Aire: Gran Área Metropolitana de Costa
Rica (inf. téc. N.o 4). Laboratorio de Análisis Ambiental, UNA. Heredia.
Hersperger, A. M., Oliveira, E., Pagliarin, S., Palka, G., Verburg, P., Bolliger, J. & Grădinaru,
S. (2018). Urban land-use change: The role of strategic spatial planning. Global
Environmental Change, 51(March), 32-42. https://doi.org/10.1016/j.gloenvcha.
2018.05.001
Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. & Jarvis, A. (2005). Very high
resolution interpolated climate surfaces for global land areas. International Journal
of Climatology, 25(15), 1965-1978. https://doi.org/10.1002/joc.1276
Holdridge, L. (1966). The life zone system. Adansonia, 6(2), 199-203.
Howard, E. (1902). Garden cities of To-morrow (2.a ed.). Swan Sonnenschein & Co., Ltd.
Huang, C., Wylie, B., Yang, L., Homer, C. & Zylstra, G. (2002). Derivation of a tasselled
cap transformation based on Landsat 7 at-satellite reflectance. International Journal
of Remote Sensing, 23(8), 1741-1748. https://doi.org/10.1080/01431160110106113
Imhoff, M., Zhang, P., Wolfe, R. & Bounoua, L. (2010). Remote sensing of the urban heat
island effect across biomes in the continental USA. Remote Sensing of Environment,
114(3), 504-513. https://doi.org/10.1016/j.rse.2009.10.008
INEC. (2011). Censo de Población y Vivienda 2011 (inf. téc.) [Sistema de Consultas].
Instituto Nacional de Estadística y Censo. San José. http://www.inec.go.cr
INEC. (2019). Estimaciones distritales de población total proyectada al 30 de junio por
grupos de edades, según provincia, cantón, distrito y sexo (inf. téc.). Instituto
Nacional de Estadística y Censos. San José.
Instituto Meteorológico Nacional. (2009). Sobre algunos fenómenos meteorológicos en
Costa Rica (inf. téc.). MINAET. San José.
International Coffee Organization. (2015). Historical Data on the Global Coffee Trade.
Jabareen, Y. R. (2006). Sustainable urban forms: Their typologies, models, and concepts.
Journal of Planning Education and Research, 26(1), 38-52. https://doi.org/10.1177/
0739456X05285119
Jacobs, J. (1961). The death and life of great American cities. Random House.
BIBLIOGRAFÍA 222
Jacobson, M. & Ten Hoeve, J. (2012). Effects of urban surfaces and white roofs on global
and regional climate. Journal of Climate, 25(3), 1028-1044. https://doi.org/10.1175/
JCLI-D-11-00032.1
Jin, M. S. (2012). Developing an Index to Measure Urban Heat Island Effect Using Satellite
Land Skin Temperature and Land Cover Observations. Journal of Climate, 25(18),
6193-6201. https://doi.org/10.1175/JCLI-D-11-00509.1
Jordan, D. R. & Horan, T. A. (1997). Intelligent Transportation Systems and Sustainable
Communities: Findings of a National Study. Transportation Research Record:
Journal of the Transportation Research Board, 1588(1), 70-76. https://doi.org/10.
3141/1588-09
Kala, J., Evans, J. P., Pitman, A. J., Schaaf, C. B., Decker, M., Carouge, C., Mocko, D. &
Sun, Q. (2014). Implementation of a soil albedo scheme in the CABLEv1.4b land
surface model and evaluation against MODIS estimates over Australia. Geoscientific
Model Development, 7(5), 2121-2140. https://doi.org/10.5194/gmd-7-2121-2014
Kobayashi, S., Ota, Y., Harada, Y., Ebita, A., Moriya, M., Onoda, H., Onogi, K., Kamahori,
H., Kobayashi, C., Endo, H., Miyaoka, K. & Kiyotoshi, T. (2015). The JRA-
55 reanalysis: General specifications and basic characteristics. Journal of the
Meteorological Society of Japan, 93(1), 5-48. https://doi.org/10.2151/jmsj.2015-001
Kunkel, K. E. (1989). Simple Procedures for Extrapolation of Humidity Variables in the
Mountainous Western United States. Journal of Climate, 2(7), 656-670. https :
//doi.org/10.1175/1520-0442(1989)002<0656:SPFEOH>2.0.CO;2
Laba, M., Gregory, S. K., Braden, J., Ogurcak, D., Hill, E., Fegraus, E., Fiore, J. & DeGloria,
S. D. (2002). Conventional and fuzzy accuracy assessment of the New York Gap
Analysis Project land cover map. Remote Sensing of Environment, 81(2/3), 443.
Landis, J. R. & Koch, G. G. (1977). The Measurement of Observer Agreement for
Categorical Data. Biometrics, 33(1), 159-174.
Lee, R. W., Gosling, G. D. & Irvin, K. (2008). Applying Smart Growth Principles and
Strategies to Resolving Land Use Conflicts Around Airports. http://trid.trb.org/view.
aspx?id=876467
León Sáenz, J. & Peters Solórzano, G. (2019). El comercio y los mercados en Costa Rica:
historia económica de Costa Rica en el siglo XX (1.a ed., Vol. 4). Editorial de la
Universidad de Costa Rica.
BIBLIOGRAFÍA 223
Li, C.-f., Shen, D., Dong, J.-s., Yin, J.-y., Zhao, J.-j. & Xue, D. (2014). Monitoring of urban
heat island in Shanghai, China, from 1981 to 2010 with satellite data. Arabian
Journal of Geosciences, 7(10), 3961-3971. https://doi.org/10.1007/s12517-013-
1053-8
Liu, L. & Zhang, Y. (2011). Urban Heat Island Analysis Using the Landsat TM Data and.
Remote Sensing, 3(7), 1535-1552. https://doi.org/10.3390/rs3071535
Loridan, T. & Grimmond, C. (2012). Characterization of energy flux partitioning in
urban environments: Links with surface seasonal properties. Journal of Applied
Meteorology and Climatology, 51(2), 219-241. https://doi.org/10.1175/JAMC-D-
11-038.1
Lund, H. (2000). Definitions of Old Growth, Pristine, Climax, Ancient Forests, and Similar
Terms [[Geo-2- 408]]. http://home.att.net/~gklund/pristine.html
Madanian, M., Soffianian, A. R., Soltani Koupai, S., Pourmanafi, S. & Momeni, M.
(2018). The study of thermal pattern changes using Landsat-derived land surface
temperature in the central part of Isfahan province. Sustainable Cities and Society,
39(March), 650-661. https://doi.org/10.1016/j.scs.2018.03.018
Maestría en Desarrollo Sostenible. (2000). Documento de creación de la Maestría en
Desarrollo Sostenible.
Manley, G. (1958). On the frequency of snowfall in metropolitan England. Quarterly
Journal of the Royal Meteorological Society, (84), 70-72.
Manzato, A. (2007). A note on the maximum Pierce skill score. Weather and Forecasting,
22(5), 1148-1154. https://doi.org/10.1175/WAF1041.1
Martin, P. & Williams, J. (2016). Legal Aspects of Sustainable Development (V. Mauerhofer,
Ed.). Springer International Publishing. https://doi.org/10.1007/978-3-319-26021-1
Martínez, J. (2014). Estudio de la isla de calor de la ciudad de Alicante. Investigaciones
Geográficas (Esp), 83-99. http://www.redalyc.org/articulo.oa?id=17632456006
Meadows, D. H. (1972). The Limits to Growth. The Club of Rome, 211. https://doi.org/10.
1111/j.1752-1688.1972.tb05230.x
Meléndez Chaverri, C. (1997). Heredia ... Historia, Tradiciones y Vivencias (1.a ed.).
EUNA.
Meléndez Chaverri, C. (2001). Añoranzas de Heredia (2.a ed.). EUNA.
BIBLIOGRAFÍA 224
Menon, S., Akbari, H., Mahanama, S., Sednev, I. & Levinson, R. (2010). Radiative forcing
and temperature response to changes in urban albedos and associated CO 2 offsets.
Environmental Research Letters, 5(014005), 11. https://doi.org/10.1088/1748-
9326/5/1/014005
Mišurec, J., Kopačková, V., Lhotáková, Z., Campbell, P. & Albrechtová, J. (2016). Detection
of Spatio-Temporal Changes of Norway Spruce Forest Stands in Ore Mountains
Using Landsat Time Series and Airborne Hyperspectral Imagery. Remote Sensing,
8(2), 1-20.
MIVAH-MIDEPLAN-MINAE-MOPT-INVU-IFAM-CNFL-AyA-CNE. (2018). Política
Nacional de Desarrollo Urbano 2018-2030 [Decreto Ejecutivo No. 41136-MIVAH-
PLAN-MINAEMOPT]. https : / / www . mivah . go . cr / Documentos / politicas _
directrices_planes/PNDU-2018_Politica_Plan_Pags_001-028.pdf
Monclús, F. J. (2000). La ciudad dispersa. EURE (Santiago), 26(77). https://doi.org/10.
4067/S0250-71612000007700007
Morales-Cerdas, V. (2017). Indicadores de calidad ambiental a partir del criterio áreas
verdes urbanas: aplicación en dos ciudades de Costa Rica. Universidad Nacional.
Heredia.
Morales-Cerdas, V., Piedra-Castro, L., Romero-Vargas, M. & Bermúdez-Rojas, T. (2018).
Indicadores ambientales de áreas verdes urbanas para la gestión en dos ciudades de
Costa Rica Indicadores ambientales de áreas verdes urbanas para la gestión en dos
ciudades de Costa Rica. Revista de Biología Tropical, 66(4), 1421-1435.
Mora-Ramírez, J. (2006). Plan Regional Metropolitano GAM (Versión digitalizada y
actualizada de 1983, inf. téc.). Instituto Nacional de Vivienda y Urbanismo (INVU)
- PRUGAM. San José.
Moreno, J. L. (1934). Who Shall Survive? Beacon House.
Nguyen, L. & Henebry, G. (2016). Urban Heat Islands as Viewed by Microwave
Radiometers and Thermal Time Indices. Remote Sensing, 8(10), 831. https : / /
doi.org/10.3390/rs8100831
Odum, E. (1971). Fundamentals of Ecology. Saunders.
Offerle, B., Eliasson, I., Grimmond, C. S. B. & Holmer, B. (2007). Surface heating in
relation to air temperature, wind and turbulence in an urban street canyon. Boundary-
Layer Meteorology, 122(2), 273-292. https://doi.org/10.1007/s10546-006-9099-8
BIBLIOGRAFÍA 225
Oke, T. R. (1973). City Size and the Urban. Atmospheric Environment Pergamon Press, 7,
769-779. https://doi.org/10.1145/2702123.2702189
Oke, T. (2002). Boundary Layer Climates (Routledge, Ed.). Taylor & Francis. https :
//books.google.co.cr/books?id=9fyJAgAAQBAJ
Oke, T. (2006). Representative Meteorological Observations at Urban Sites (inf. téc.).
University of British Columbia. Vancouver.
Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E. & Wulder, M. A.
(2014). Good practices for estimating area and assessing accuracy of land change.
Remote Sensing of Environment, 148, 42-57. https://doi.org/10.1016/j.rse.2014.02.
015
Pachauri, R., Allen, M. R., Barros, V. R., Broome, J., Cramer, W., Christ, R., Church, J. a.,
Clarke, L., Dahe, Q., Dasgupta, P., Dubash, N. K., Edenhofer, O., Elgizouli, I.,
Field, C. B., Forster, P., Friedlingstein, P., Fuglestvedt, J., Gomez-Echeverri, L.,
Hallegatte, S., . . . Ypersele, J.-P. V. (2014). IPCC Climate Change 2014: Synthesis
Report (inf. téc.). IPCC.
Peirce, C. (1884). The numerical measure of the success of predictions. Science, (4),
453-454.
Pelletier, C., Valero, S., Inglada, J., Champion, N. & Dedieu, G. (2016). Assessing the
robustness of Random Forests to map land cover with high resolution satellite
image time series over large areas. Remote Sensing of Environment, 187, 156-168.
https://doi.org/10.1016/j.rse.2016.10.010
Pontius, R. G. & Millones, M. (2011). Death to Kappa: Birth of quantity disagreement and
allocation disagreement for accuracy assessment. International Journal of Remote
Sensing, 32(15), 4407-4429. https://doi.org/10.1080/01431161.2011.552923
ProDUS-UCR. (2007). Estudio de análisis y prospección del sistema urbano de la Gran
Área Metropolitana GAM (inf. téc.). PRUGAM.
Programa de las Naciones Unidas para el Desarrollo. (2018). Objetivos del Desarrollo
Sostenible. http://www.undp.org/content/undp/es/home/sustainable-development-
goals.html
PRUGAM. (2008). Plan Regional Urbano de la Gran Área Metropolitana de Costa
Rica: Diagnóstico Plan PRUGAM 2008-2030 (inf. téc. N.o 1). Entidad Gestora del
Proyecto PRUGAM-MIVAH-MIDEPLAN. San José.
BIBLIOGRAFÍA 226
Pujol-Mesalles, R. & Pérez-Molina, E. (2012). Impacto de la planificación regional de la
Gran Área Metropolitana sobre el crecimiento urbano y el mercado inmobiliario
(inf. téc. N.o 18) [Décimo octavo informe Estado de la Nación en Desarrollo
Humano Sostenible]. Estado de la Nación. San José.
Qin, Z., Karnieli, A. & Berliner, P. (2001). A mono-window algorithm for retrieving land
surface temeprature from Landsat {TM} and its application to the Israel-Egypt
border region. Int. J. Rem. Sens., 18(18), 3719-3746.
R Core Team. (2019). R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing. Vienna, Austria. http://www.R-project.org/
Ramírez, I. (2001). Cambios en las cubiertas del suelo en la Sierra de Angangueo,
Michoacán y Estado de México, 1971-1994-2000. Investigaciones geográficas,
39-55.
Ranagalage, M., Estoque, R. C. & Murayama, Y. (2017). An Urban Heat Island Study of
the Colombo Metropolitan Area, Sri Lanka, Based on Landsat Data (1997–2017).
ISPRS International Journal of Geo-Information, 6(7), 189. https://doi.org/10.3390/
ijgi6070189
Randall, D. A., Wood, R. A., Bony, S., Colman, R., Fichefet, T., Fyve, J., Kattsov, V.,
Pitman, A., Shukla, J., Srinivasan, J., Stouffer, R. J., Sumi, A. & Taylor, K. E.
(2007). Climate Models and Their Evaluation. Climate Change 2007: The Physical
Science Basis. Contribution of Working Group I to the Fourth Assessment Report of
the Intergovernmental Panel on Climate Change, 591-662. https://doi.org/10.1016/
j.cub.2007.06.045
Red de Cambio Climático y Gestión del Riesgo. (2018). Análisis inicial de la producción
estudiantil,cursos ofrecidos y proyectos académicos en la Universidad Nacional
(UNA) relacionado con las temáticas de cambio climático y gestión del riesgo de
desastres (inf. téc. N.o 1). Universidad Nacional. Heredia.
Richters, E. (1995). Manejo del uso de la tierra en América Central: hacia el
aprovechamiento sostenible del recurso tierra. Instituto Interamericano de
Cooperación para la Agricultura.
Rodríguez, J. C. (2011). Planificación urbana en perspectiva: Una mirada a nuestra
formación en teoría de la planificación urbana. Quivera, 13(2), 232-258.
BIBLIOGRAFÍA 227
Romain, M. (2013). Zoning and urban development control. En European Network for
Housing Research 2013 conference: overcoming the crisis. European Network for
Housing Research.
Rosero Bixby, L. (1997). Boom Demográfico en Costa Rica. La Nación, 14A.
Rubiera Morollón, F., González Marroquin, V. M. & Pérez Rivero, J. L. (2016). Urban
sprawl in Spain: differences among cities and causes. European Planning Studies,
24(1), 207-226.
Sabino, C. (1992). El proceso de investigación. Ed. Panapo.
Sanseverino, E. R. (2014). Smart Rules for Smart Cities (E. Riva Sanseverino, R. Riva
Sanseverino, V. Vaccaro & G. Zizzo, Eds.; Vol. 12). Springer International
Publishing. https://doi.org/10.1007/978-3-319-06422-2
Santos-Cerquera, C., Escamilla-Herrera, I. & Guarneros-Avilés, L. (2013). Expansión
urbana al Norte de la Zona Metropolitana de la Ciudad de México: ¿Un triángulo de
deterioro ambiental sin posibilidad de desarrollo sustentable? En R. del Pont Lalli
(Ed.), La Política de Ordenamiento Territorial en México (pp. 571-597). CIGA,
UNAM, INECC-SEMARNAT.
Saramäki, J., Kivelä, M., Onnela, J.-P., Kaski, K. & Kertész, J. (2007). Generalizations of
the clustering coefficient to weighted complex networks. Phys. Rev. E, 75, 027105.
https://doi.org/10.1103/PhysRevE.75.027105
Schmidt, S. & Buehler, R. (2007). The planning process in the US and Germany:
Acomparative Analysis. International Planning Studies, 12(1), 55-75. https : / /
doi.org/10.1080/13563470701346592
Sellers, W. (1965). Physical climatology. University of Chicago Press.
Shahmohamadi, P., Che-Ani, A. I., Ramly, A., Maulud, K. N. & Mohd-Nor, M. F.
(2010). Reducing urban heat island effects: A systematic review to achieve energy
consumption balance. International Journal of Physical Sciences, 5(6), 626-636.
Shen, T., Chow, D. H. C. & Darkwa, J. (2013). Simulating the influence of microclimatic
design on mitigating the Urban Heat Island effect in the Hangzhou Metropolitan
Area of China. International Journal of Low-Carbon Technologies, 11(1), ctt050.
https://doi.org/10.1093/ijlct/ctt050
BIBLIOGRAFÍA 228
Slater, G. A. (2010). The ability of urban parks to reduce air temperatures of surrounding
neighbourhoods: A study of 4 Toronto parks (Tesis de maestría). University of
Guelph.
Sobrino, J. A., Jiménez-Muñoz, J. C. & Paolini, L. (2004). Land surface temperature
retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4)arXiv
1480307, 434-440. https://doi.org/10.1016/j.rse.2004.02.003
SUHET. (2015). SENTINEL-2 User Handbook (2.a ed., inf. téc.). European Space Agency.
https://earth.esa.int/documents/247904/685211/Sentinel-2_User_Handbook
Taha, H. (2017). Characterization of Urban Heat and Exacerbation: Development of a Heat
Island Index for California. Climate, 5(3), 59. https://doi.org/10.3390/cli5030059
Tasumi, M., Allen, R. G. & Trezza, R. (2008). At-Surface Reflectance and Albedo from
Satellite for Operational Calculation of Land Surface Energy Balance. Journal of
Hydrologic Engineering, 13(2), 51-63. https://doi.org/10.1061/(ASCE)1084-
0699(2008)13:2(51)
Taud, H. & Parrot, J. (2008). La urbanización difusa de la Ciudad de México: Otras miradas
sobre un espacio antiguo. En J. Delgado (Ed.). IG-UNAM.
Tello, E. (1996). Ciudades sostenibles: un cambio de rumbo. Mientras tanto, (64), 35-61.
http://www.jstor.org/stable/27820253%20Ciudades%20sostenibles
Torres, P. (2003). La metrópolis: equilibrio interno y proyección global. En P. Folch (Ed.),
El territorio como sistema: Conceptos y herramientas de ordenación (pp. 121-137).
Diputación de Barcelona.
Tripathy, P. & Kumar, A. (2019). Monitoring and modelling spatio-temporal urban growth
of Delhi using Cellular Automata and geoinformatics. Cities, 90(January), 52-63.
https://doi.org/10.1016/j.cities.2019.01.021
Tsou, J., Zhuang, J., Li, Y. & Zhang, Y. (2017). Urban Heat Island Assessment Using the
Landsat 8 Data: A Case Study in Shenzhen and Hong Kong. Urban Science, 1(1),
10. https://doi.org/10.3390/urbansci1010010
U.S Geological Survey. (2016). LANDSAT 8 (L8) Data Users Handbook (inf. téc.).
Department of the Interior. U.S Geological Survey. Sioux Falls. http:/ / landsat.
usgs.gov/documents/Landsat8DataUsersHandbook.pdf
Van Rossum, G. & Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace. https:
//doi.org/10.5555/1593511
BIBLIOGRAFÍA 229
Van Rossum, G. & Drake Jr, F. L. (1995). Python reference manual. Centrum voor Wiskunde
en Informatica Amsterdam.
Verón, E. (2010). Estimación De La Isla De Calor En Santa Teresita, Partido de la Costa,
Provincia de Buenos Aires, Argentina. Revista Geográfica de América Central,
(45), 129-148.
Voogt, J. & Oke, T. (2003). Thermal remote sensing of urban climates. Remote Sensing of
Environment, 86(3), 370-384. https://doi.org/10.1016/S0034-4257(03)00079-8
Wackernagel, M. (1996). ¿Ciudades sostenibles? Ecología Política, (12), 43-50. http :
//www.jstor.org/stable/20742894
Wandishin, M. S. & Brooks, H. E. (2002). On the relationship between Clayton’s skill score
and expected value for forecasts of binary events. Meteorological Applications,
9(4), 455-459. https://doi.org/10.1017/S1350482702004085
Wang, F., Qin, Z., Song, C., Tu, L., Karnieli, A. & Zhao, S. (2015). An Improved Mono-
Window Algorithm for Land Surface Temperature Retrieval from Landsat 8 Thermal
Infrared Sensor Data. Remote Sensing, 7(4), 4268-4289. https://doi.org/10.3390/
rs70404268
Wang, X. (2012). Urban sprawl and sustainable development in China (Tesis doctoral).
https: / /search- proquest- com.ezproxy.sibdi .ucr.ac .cr /docview/1314435875?
accountid=28692
Ward, B. & Dubos, R. (1983). Only One Earth: The Care and Maintenance of a Small
Planet. W. W. Norton & Company.
Warren, C. R. (2009). Designed by Zoning: Evaluating the Spatial Effects of Land
Use Regulations (Dissertation/Thesis) [Copyright - Copyright ProQuest, UMI
Dissertations Publishing 2009; Last updated - 2015-08-22; First page - n/a].
University of California, Berkeley.
Wheeler, S. (2004). Planning for Sustainability. Routledge. https: / /doi .org/10.4324/
9780203300565
Wheeler, S. (2010). A new conception of planning in the era of climate change. Berkeley
Planning Journal, 23(1), 18-26.
Wilcoxon, F. (1945). Individual Comparisons by Ranking Methods. Biometrics Bulletin,
1(6), 80-83.
BIBLIOGRAFÍA 230
Wolter, K. & Timlin, M. S. (1993). Monitoring ENSO in COADS with a seasonally adjusted
principal component index.
Wukelic, G., Gibbons, D., Martucci, L. & Foote, H. (1989). Radiometric calibration of
Landsat Thematic Mapper thermal band. Remote Sensing of Environment, 28(100),
339-347. https://doi.org/10.1016/0034-4257(89)90125-9
Wundram, D. & Löffler, J. (2008). High-resolution spatial analysis of mountain landscapes
using a low-altitude remote sensing approach. International Journal of Remote
Sensing, 29(4), 961-974. https://doi.org/10.1080/01431160701352113
Yue, W., Liu, X., Zhou, Y. & Liu, Y. (2019). Impacts of urban configuration on urban heat
island: An empirical study in China mega-cities. Science of the Total Environment,
671, 1036-1046. https://doi.org/10.1016/j.scitotenv.2019.03.421
Zhang, J., Wang, Y. & Li, Y. (2006). A C++ program for retrieving land surface temperature
from the data of Landsat TM/ETM+ band6. Computers and Geosciences, 32(10),
1796-1805. https://doi.org/10.1016/j.cageo.2006.05.001
Zhang, N. & Chen, Y. (2014). A case study of the upwind urbanization influence on
the urban heat Island effects along the Suzhou-Wuxi corridor. Journal of Applied
Meteorology and Climatology, 53(2), 333-345. https://doi.org/10.1175/JAMC-D-
12-0219.1
Zhang, T., Hoell, A., Perlwitz, J., Eischeid, J., Murray, D., Hoerling, M. & Hamill,
T. M. (2019). Towards Probabilistic Multivariate ENSO Monitoring. Geophysical
Research Letters, 46(17-18), 10532-10540. https://doi.org/10.1029/2019GL083946
Zhao, S., Zhou, D. & Liu, S. (2016). Data concurrency is required for estimating urban
heat island intensity. Environmental Pollution, 208, 118-124. https://doi.org/10.
1016/j.envpol.2015.07.037
231
Apéndice A
Imágenes satelitales
CUADRO A.1: Imágenes multiespectrales Sentinel-2 utilizadas en la
clasificación a detalle mediante Random Forest. Proyección UTM 16 N
(WGS84). Resolución espacial 15 m.
Sensor ID Fecha
Sentinel-2A S2A_MSIL1C_20160302T155402 2016-03-02 T 15:54:02
Sentinel-2A S2A_MSIL1C_20170126T160501 2017-01-26 T 16:05:01
Sentinel-2B S2B_MSIL1C_20180317T160509 2018-03-17 T 16:05:09
Sentinel-2A S2A_MSIL1C_20190205T160511 2019-02-05 T 16:05:11
CUADRO A.2: Imágenes multiespectrales Landsat 5 TM utilizadas en el
TST y Tasseled Cap. Proyección UTM 16 N (WGS84). Resolución espacial
30 m.
Sensor ID Fecha
Landsat5 TM LT50150531985034XXX01 1985-02-03 T 15:24:49.8800880Z
Landsat5 TM LT50150531985082AAA09 1985-03-23 T 15:24:49.1250810Z
Landsat5 TM LT50150531986021XXX03 1986-01-21 T 15:21:39.8800630Z
Landsat5 TM LT50150531986037XXX18 1986-02-06 T 15:21:18.4820190Z
Landsat5 TM LT50150531987072AAA09 1987-03-13 T 15:16:13.4700000Z
Landsat5 TM LT50150531989365CPE02 1989-12-31 T 15:17:22.1990940Z
Landsat5 TM LT50150531991211XXX03 1991-07-30 T 15:17:53.4600310Z
Landsat5 TM LT50150531997035AAA00 1997-02-04 T 15:19:01.0850060Z
Landsat5 TM LT50150531997355CPE03 1997-12-21 T 15:29:19.4450000Z
Landsat5 TM LT50150531999041CPE00 1999-02-10 T 15:33:37.2360000Z
Landsat5 TM LT50150531999073AAA01 1999-03-14 T 15:33:26.5410130Z
Landsat5 TM LT50150532000044AAA02 2000-02-13 T 15:28:23.5800940Z
Landsat5 TM L505053_053200101114 2001-01-14 T 15:34:15.7300130Z
Landsat5 TM LT50150532001030XXX01 2001-01-30 T 15:34:22.7940500Z
Landsat5 TM LT50150532008162CHM00 2008-06-10 T 15:42:13.4510810Z
Capítulo A. Imágenes satelitales 232
CUADRO A.3: Imágenes multiespectrales Landsat 8 OLI/TIRS utilizadas
en el TST y Tasseled Cap. Proyección UTM 16 N (WGS84). Resolución
espacial 30 m.
Sensor ID Fecha
Landsat8 OLI LC80150532013255LGN00 2013-09-12 T 15:56:24.6939557Z
Landsat8 OLI LC80150532014018LGN01 2014-01-18 T 15:55:33.7077470Z
Landsat8 OLI LC80150532014034LGN00 2014-02-03 T 15:55:26.8705255Z
Landsat8 OLI LC80150532014050LGN00 2014-02-19 T 15:55:13.398480Z
Landsat8 OLI LC80150532014082LGN02 2014-03-23 T 15:54:46.2203390Z
Landsat8 OLI LC80150532014354LGN02 2014-12-20 T 15:54:32.5660960Z
Landsat8 OLI LC80150532015053LGN01 2015-02-22 T 15:54:13.4720590Z
Landsat8 OLI LC80150532015069LGN01 2015-03-10 T 15:54:03.4773560Z
Landsat8 OLI LC80150532015149LGN01 2015-05-29 T 15:53:29.5091280Z
Landsat8 OLI LC80150532015213LGN01 2015-08-01 T 15:54:02.1773190Z
Landsat8 OLI LC80150532015277LGN02 2015-10-04 T 15:54:26.1291940Z
Landsat8 OLI LC80150532015293LGN01 2015-10-20 T 15:54:28.0839950Z
Landsat8 OLI LC80150532015357LGN01 2015-12-23 T 15:54:33.3874220Z *
Landsat8 OLI LC80150532016008LGN01 2016-01-08 T 15:54:28.7007850Z
Landsat8 OLI LC80150532016024LGN01 2016-01-24 T 15:54:29.8063800Z
Landsat8 OLI LC80150532016088LGN01 2016-03-28 T 15:54:06.4322640Z
Landsat8 OLI LC80150532016104LGN01 2016-04-13 T 15:54:00.7884030Z
Landsat8 OLI LC80150532016168LGN01 2016-06-16 T 15:54:0.67707920Z
Landsat8 OLI LC80150532016280LGN01 2016-10-06 T 15:54:41.852957Z
Landsat8 OLI LC80150532016312LGN02 2016-11-07 T 15:54:44.9881400Z
Landsat8 OLI LC80150532016360LGN01 2016-12-15 T 15:54:39.1196850Z
Landsat8 OLI LC80150532017026LGN01 2017-01-26 T 15:54:30.2236900Z
Landsat8 OLI LC80150532017042LGN00 2017-02-11 T 15:54:22.1525950Z
Landsat8 OLI LC80150532017058LGN00 2017-02-27 T 15:54:16.9721550Z
Landsat8 OLI LC80150532017090LGN00 2017-03-31 T 15:53:59.7393450Z
Landsat8 OLI LC80150532017138LGN00 2017-05-18 T 15:53:53.2449740Z
Landsat8 OLI LC80150532017170LGN00 2017-06-19 T 15:54:08.7486330Z
Landsat8 OLI LC80150532017234LGN00 2017-08-22 T 15:54:29.7633640Z
Landsat8 OLI LC80150532017314LGN00 2017-11-10 T 15:54:41.1241000Z
Landsat8 OLI LC80150532017362LGN00 2017-12-28 T 15:54:35.2663050Z
Landsat8 OLI LC80150532018045LGN00 2018-02-14 T 15:54:13.6229860Z
Landsat8 OLI LC80150532018061LGN00 2018-03-02 T 15:54:06.4011610Z
Landsat8 OLI LC80150532018077LGN00 2018-03-18 T 15:53:57.5594010Z
Landsat8 OLI LC80150532018093LGN01 2018-04-03 T 15:53:50.5904000Z
Landsat8 OLI LC80150532018125LGN00 2018-05-05 T 15:53:32.3212839Z
Landsat8 OLI LC80150532018237LGN00 2018-08-25 T 15:53:55.7465190Z
Landsat8 OLI LC80150532018317LGN00 2018-11-13 T 15:54:21.1568099Z
Landsat8 OLI LC80150532018349LGN00 2018-12-15 T 15:54:17.1141090Z
Landsat8 OLI LC80150532018365LGN00 2018-12-31 T 15:54:17.3796350Z
Landsat8 OLI LC80150532019032LGN00 2019-02-01 T 15:54:11.0144950Z
Landsat8 OLI LC80150532019048LGN00 2019-02-17 T 15:54:08.9914050Z
Landsat8 OLI LC80150532019064LGN00 2019-03-05 T 15:54:04.4111220Z
Landsat8 OLI LC80150532019240LGN00 2019-08-28 T 15:54:36.3129820Z
233
Apéndice B
Propiedades de radiancia de materiales
naturales
Las siguientes características definen varios elementos según su radiancia.
Superficie Rasgos principales Albedo Emisividad
[α] [ε]
Suelo Oscuro, húmedo 0.05 - 0.90 -
Iluminado, seco 0.40 0.98
Desierto 0.20 - 0.45 0.84 - 0.91
Pasto Alto (1.0 m) 0.16 - 0.90 -
Corto (0.02m) 0.26 0.95
Cultivos agrícolas, tundra 0.18 - 0.25 0.90 - 0.99
Huertos 0.15 - 0.20
Bosques
Deciduos Descubierto 0.15 - 0.97
Cubierto de hojas 0.20 0.98
Coníferas 0.05 - 0.15 0.97 - 0.99
Agua ángulo de zenit pequeño 0.03 - 0.10 0.925 - 0.97
ángulo de zenit largo 0.10 - 1.00 0.92 - 0.97
Nieve Vieja 0.40 - 0.82 -
Fresca 0.95 0.99
Hielo Mar 0.30 - 0.45 0.92 - 0.97
Glaciar 0.20 - 0.40
CUADRO B.1: Propiedades radiativas de materiales naturales. Fuente: (T.
Oke, 2002; Sellers, 1965)
Capítulo B. Propiedades de radiancia de materiales naturales 234
Superficie Rasgos principales Albedo Emisividad
[α] [ε]
Caminos Asfalto 0.05 - 0.20 0.95
Muros Concreto 0.10 - 0.35 0.71 - 0.90
Ladrillo 0.20 - 0.40 0.90 - 0.92
Piedra 0.20 - 0.35 0.85 - 0.95
Madera 0.90
Techos Alquitrán y grava 0.08 - 0.18 0.92
Azulejo 0.10 - 0.35 0.90
Pizarra 0.10 0.90
Paja 0.15 - 0.20
Hierro corrugado 0.10 - 0.16 0.13 - 0.28
Ventanas Vidrio claro (∠ zenit < 40°) 0.08 0.87 - 0.94
Vidrio claro (∠ zenit entre 40°−80°) 0.09 0.52 0.87- 0.92
Pintura Blanca, Cal blanca 0.50 - 0.90 0.85 - 0.95
Roja, café, verde 0.20 - 0.35 0.85 - 0.95
Negra 0.02 - 0.15 0.90 - 0.98
Áreas urbanas1 Rango 0.10 - 0.27 0.85 - 0.96
Promedio 0.15 ≈ 0.95
CUADRO B.2: Propiedades radiativas de típicos de áreas y materiales
urbanos. Fuente: (T. Oke, 2002; Sellers, 1965)
235
Apéndice C
Estaciones Meteorológicas
Con los registros de las estaciones meteorológicas se establece la temperatura del aire
en el momento en el que los sensores Landsat registraron las imágenes satelitales. Esto con
el propósito de realizar los cálculos para estimar la Temperatura superficial. Además, se
utilizan para establecer la línea climática base y el patrón de variabilidad. En la investigación
se utilizan los datos de las siguientes estaciones meteorológicas.
CUADRO C.1: Estaciones meteorológicas
Código Estación Administración Long. Lat. Altitud
40101 UNA UNA -84.109 10.00028 1154
73123 ITCR IMN -83.9086 9.8522 1360
84023 FB-UCR IMN -84.2666 10.0166 840
84046 San Josecito-Heredia IMN -84.0255 10.0244 1450
84111 Santa Lucía-Heredia IMN -84.1117 10.02194 1200
84124 SL-Poas IMN -84.3 10.11666 1360
84139 CIGEFI IMN -84.0453 9.936388 1210
84141 IMN-SJ IMN -84.0697 9.937947 1181
84169 A. Juan Santamaría IMN -84.2147 9.990681 913
84181 IZTARU IMN -83.9689 9.88944 1680
84189 LAGUNA-FRAIJANES IMN -84.1935 10.13733 1720
84191 RECOPE IMN -84.2958 10.00528 740
84193 A. Tobias Bolaños IMN -84.138 9.956592 997
84197 Santa Bárbara IMN -84.1658 10.03333 1070
84199 Belén IMN -84.1856 9.975 926
84203 Zapote IMN -84.0592 9.92277 1192
84205 Getsemani IMN -84.1031 10.0325 1389
84221 Vólcan Poás IMN -84.232 10.18917 2598
A continuación se establece los faltantes de datos en las estaciones meteorológicas, y
se escogen aquellas que pueden ser estandarizadas por medio de un filtro de normalización
de Kalman. Una vez realizado el análisis estadístico, se procede a establecer la línea de
Capítulo C. Estaciones Meteorológicas 236
tendencia con respecto a la serie de tiempo en estudio. Se establece como criterio de
selección las estaciones meteorológicas que: a) mantienen un registro lo suficientemente
extenso y b) están localizadas en la cercanía del área de estudio. En los cuadros C.2 y
C.3, se detalla las estaciones meteorológicas utilizadas y el análisis de completitud de los
registros.
Capítulo C. Estaciones Meteorológicas 237
C.1. Análisis de completitud de las estaciones meteorológicas
CUADRO C.2: Estaciones meteorológicas IMN: Análisis de completitud de los registros de la variable
temperatura.
Registros
Cod Estación Long Lat Altitud Período Años Total Completos Incompletos % Incompletos
40101 UNA -84.109 10.00028 1154 2015 2018 3 30947 30941 6 0.02
73123 ITCR -83.90861 9.8522 1360 1997 2019 22 187800 187342 458 0.24
84023 FB-UCR -84.2666 10.0166 840 1985 2002 17 149760 145896 3864 2.65
84046 San Josecito-Heredia -84.0255 10.0244 1450 1987 2010 23 202368 190029 12339 6.49
84111 Santa Lucía-Heredia -84.11166 10.02194 1200 1985 2001 16 147504 143913 3591 2.50
84124 San Luis-Poás -84.3 10.11666 1360 1995 2002 7 61512 61359 153 0.25
84139 CIGEFI -84.04528 9.936388 1210 1999 2019 20 176304 175773 531 0.30
84141 IMN-SJ -84.06968 9.9379472 1181 1995 2019 24 201936 201382 554 0.28
84169 ASJO -84.2147 9.9906805 913 1997 2019 22 180312 180010 302 0.17
84181 Iztaru -83.96888 9.88944 1680 2003 2019 16 128928 128329 599 0.47
84189 Laguna-Fraijanes -84.1935 10.13733 1720 2003 2019 16 141048 140605 443 0.32
84191 RECOPE -84.29583 10.005277 740 1998 2019 21 176208 175734 474 0.27
84193 A. Tobías Bolaños -84.138 9.95659166 997 2008 2019 11 90768 90606 162 0.18
84197 Santa Bárbara -84.16583 10.03333 1070 2001 2019 18 148032 147442 590 0.40
84199 Belén -84.18555 9.975 926 2004 2019 15 121776 121550 226 0.19
84203 Zapote -84.05917 9.92277 1192 2007 2019 12 72912 72547 365 0.50
84205 Getsemani -84.10306 10.0325 1389 2009 2015 6 48528 47473 1055 2.22
84221 Volcán Poás -84.232 10.1891666 2598 2011 2019 8 39888 39252 636 1.62
Capítulo C. Estaciones Meteorológicas 238
CUADRO C.3: Estaciones meteorológicas IMN: Análisis de completitud de los registros de la variable humedad
relativa.
Registros
Cod Estación Long Lat alt Período Años Total Completos Incompletos % Incompletos
40101 UNA -84.109 10.00028 1154 2015 2018 3 30947 30941 6 0.02
73123 ITCR -83.9086111 9.8522 1360 1997 2019 22 188256 186918 1338 0.72
84023 FB-UCR -84.2666 10.0166 840 1985 2002 17 152472 148861 3611 2.43
84046 San Josecito-Heredia -84.0255 10.0244 1450 1985 2010 25 219792 202271 17521 8.66
84111 Santa Lucía-Heredia -84.11166 10.02194 1200 1985 2001 16 147552 143024 4528 3.17
84124 San Luis-Poás -84.3 10.11666 1360 1995 2002 7 55968 55768 200 0.36
84139 CIGEFI -84.045277 9.936388 1210 1999 2019 20 176256 175852 404 0.23
84141 IMN-SJ -84.069675 9.9379472 1181 1995 2019 24 201936 201307 629 0.31
84169 ASJO -84.2147027 9.9906805 913 1997 2019 22 180312 179641 671 0.37
84181 Iztaru -83.96888 9.88944 1680 2003 2019 16 128496 123054 5442 4.42
84189 Laguna-Fraijanes -84.1935 10.13733 1720 2003 2019 16 141072 139692 1380 0.99
84191 RECOPE -84.295833 10.005277 740 1998 2019 21 176208 175776 432 0.25
84193 A. Tobías Bolaños -84.138 9.95659166 997 2008 2019 11 90768 90637 131 0.14
84197 Santa Bárbara -84.165833 10.03333 1070 2001 2019 18 148176 146622 1554 1.06
84199 Belén -84.18555 9.975 926 2004 2019 15 121776 121126 650 0.54
84203 Zapote -84.059166 9.92277 1192 2007 2019 12 72888 72551 337 0.46
84205 Getsemani -84.103055 10.0325 1389 2009 2015 6 48528 47339 1189 2.51
84221 Volcán Poás -84.232 10.1891666 2598 2011 2019 8 38232 37159 1073 2.89
239
Apéndice D
Series de tiempo
Capítulo D. Series de tiempo 240
FIGURA D.1: Estación Meteorológica Universidad Nacional (40101): Serie
temporal temperatura 2015 - 2018.
Capítulo D. Series de tiempo 241
FIGURA D.2: Estación Meteorológica Universidad Nacional (40101):
Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 242
FIGURA D.3: Estación Meteorológica ITCR (73123): Serie temporal
temperatura 1997 - 2019.
Capítulo D. Series de tiempo 243
FIGURA D.4: Estación Meteorológica ITCR (73123):Descomposición de
serie de tiempo temperatura.
Capítulo D. Series de tiempo 244
FIGURA D.5: Estación Meteorológica Fabio Baudrit - UCR (84023): Serie
temporal temperatura 1985 - 2002.
Capítulo D. Series de tiempo 245
FIGURA D.6: Estación Meteorológica Fabio Baudrit - UCR
(84023):Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 246
FIGURA D.7: Estación Meteorológica San Josecito - Heredia (84046): Serie
temporal temperatura 1987 - 2010.
Capítulo D. Series de tiempo 247
FIGURA D.8: Estación
Meteorológica San Josecito - Heredia (84046):Descomposición de serie
de tiempo temperatura.
Capítulo D. Series de tiempo 248
FIGURA D.9: Estación Meteorológica Santa Lucía - Heredia (84111): Serie
temporal temperatura 1985 - 2001.
Capítulo D. Series de tiempo 249
FIGURA D.10:
Estación Meteorológica Santa Lucía - Heredia (84111):Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 250
FIGURA D.11: Estación Meteorológica San Luis - Heredia (84124): Serie
temporal temperatura 1995 - 2002.
Capítulo D. Series de tiempo 251
FIGURA D.12:
Estación Meteorológica Santa Lucía - Heredia (84124):Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 252
FIGURA D.13: Estación Meteorológica CIGEFI (84139): Serie temporal
temperatura 1999 - 2019.
Capítulo D. Series de tiempo 253
FIGURA D.14: Estación Meteorológica CIGEFI (84139):Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 254
FIGURA D.15: Estación Meteorológica IMN - SJ (84141): Serie temporal
temperatura 1995 - 2019.
Capítulo D. Series de tiempo 255
FIGURA D.16: Estación Meteorológica IMN - SJ (84141): Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 256
FIGURA D.17: Estación Meteorológica Aeropuerto Juan Santamaría
(84169): Serie temporal temperatura 1997 - 2019.
Capítulo D. Series de tiempo 257
FIGURA D.18: Estación Meteorológica Aeropuerto Juan Santamaría
(84169): Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 258
FIGURA D.19: Estación Meteorológica Iztaru (84181): Serie temporal
temperatura 2003 - 2019.
Capítulo D. Series de tiempo 259
FIGURA D.20: Estación Meteorológica Iztaru (84181): Descomposición de
serie de tiempo temperatura.
Capítulo D. Series de tiempo 260
FIGURA D.21: Estación Meteorológica Laguna - Fraijanes (84189): Serie
temporal temperatura 2003 - 2019.
Capítulo D. Series de tiempo 261
FIGURA D.22: Estación Meteorológica Laguna - Fraijanes (84189):
Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 262
FIGURA D.23: Estación Meteorológica Recope (84191): Serie temporal
temperatura 1998 - 2019.
Capítulo D. Series de tiempo 263
FIGURA D.24: Estación Meteorológica Recope (84191): Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 264
FIGURA D.25: Estación Meteorológica Aeropuerto Tobías Bolaños (84193):
Serie temporal temperatura 2008 - 2019.
Capítulo D. Series de tiempo 265
FIGURA D.26: Estación Meteorológica Aeropuerto Tobías Bolaños (84193):
Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 266
FIGURA D.27: Estación Meteorológica Santa Bárbara (84197): Serie
temporal temperatura 2001 - 2019.
Capítulo D. Series de tiempo 267
FIGURA D.28: Estación Meteorológica Santa Bárbara (84197):
Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 268
FIGURA D.29: Estación Meteorológica Belén (84199): Serie temporal
temperatura 2004 - 2019.
Capítulo D. Series de tiempo 269
FIGURA D.30: Estación Meteorológica Belén (84199): Descomposición de
serie de tiempo temperatura.
Capítulo D. Series de tiempo 270
FIGURA D.31: Estación Meteorológica Zapote (84203): Serie temporal
temperatura 2007 - 2019.
Capítulo D. Series de tiempo 271
FIGURA D.32: Estación Meteorológica Zapote (84203): Descomposición
de serie de tiempo temperatura.
Capítulo D. Series de tiempo 272
FIGURA D.33: Estación Meteorológica Getsemani (84205): Serie temporal
temperatura 2009 - 2019.
Capítulo D. Series de tiempo 273
FIGURA D.34: Estación Meteorológica Getsemani (84205):
Descomposición de serie de tiempo temperatura.
Capítulo D. Series de tiempo 274
FIGURA D.35: Estación Meteorológica Volcán Poás (84221): Serie temporal
temperatura 2011 - 2019.
Capítulo D. Series de tiempo 275
FIGURA D.36:
Estación Meteorológica Volcán Poás (84221): Descomposición de serie
de tiempo temperatura.
276
Apéndice E
Oscilaciones
Capítulo E. Oscilaciones 277
E.1. El Niño, Oscilación del Sur
1960 1980 2000 2020
Time
FIGURA E.1: Índice de oscilación del sur (IOS). Generado a partir de los
datos NOAA (Elaboración propia).
−2 −1 0 1 2
Capítulo E. Oscilaciones 278
Decomposition of additive time series
1950 1960 1970 1980 1990 2000 2010 2020
Time
FIGURA E.2: Descomposición Serie de tiempo ENOS. Generado a partir de
los datos NOAA (Elaboración propia).
random seasonal trend observed
−0.5 0.0 0.5 1.0 −0.010 0.000 0.0−110.5 −0.5 0.5 1.5 −2 −1 0 1 2
Capítulo E. Oscilaciones 279
CUADRO E.1: El Niño y La Niña, años de ocurrencia y sus intensidades
(ONI).
El Niño La Niña
Débil - 12 Moderado - 7 Fuerte - 5 Muy Fuerte - 3 Débil - 10 Moderado - 4 Fuerte - 7
1952-53 1951-52 1957-58 1982-83 1954-55 1955-56 1973-74
1953-54 1963-64 1965-66 1997-98 1964-65 1970-71 1975-76
1958-59 1968-69 1972-73 2015-16 1971-72 1995-96 1988-89
1969-70 1986-87 1987-88 1974-75 2011-12 1998-99
1976-77 1994-95 1991-92 1983-84 1999-00
1977-78 2002-03 1984-85 2007-08
1979-80 2009-10 2000-01 2010-11
2004-05 2005-06
2006-07 2008-09
2014-15 2016-17
2018-19 2017-18
2019-20
Capítulo E. Oscilaciones 280
E.2. Oscilación Decadal del Pacífico
1850 1900 1950 2000
Time
FIGURA E.3: Oscilación Decadal del Pacífico. Generado a partir de los datos
NOAA (Elaboración propia).
−4 −2 0 2 4
Capítulo E. Oscilaciones 281
Decomposition of additive time series
1850 1900 1950 2000
Time
FIGURA E.4: Descomposición Serie de tiempo POD. Generado a partir de
los datos NOAA (Elaboración propia).
random seasonal trend observed
−2 −1 0 1 2 3 −0.15 −0.05 0.05 0.1−53 −2 −1 0 1 2 −4 −2 0 2 4
Capítulo E. Oscilaciones 282
E.3. Oscilación del Atlántico Norte
1960 1980 2000 2020
Time
FIGURA E.5: Oscilación del Atlántico Norte. Generado a partir de los datos
NOAA (Elaboración propia).
−2 0 2
Capítulo E. Oscilaciones 283
Decomposition of additive time series
1950 1960 1970 1980 1990 2000 2010 2020
Time
FIGURA E.6: Descomposición Serie de tiempo NAO. Generado a partir de
los datos NOAA (Elaboración propia).
random seasonal trend observed
−3 −1 0 1 2 3−0.15 −0.05 0.05 −1.0 −0.5 0.0 0.5 −3 −1 0 1 2 3
Capítulo E. Oscilaciones 284
E.4. Oscilación del Ártico
1960 1980 2000 2020
Time
FIGURA E.7: Oscilación del Ártico. Generado a partir de los datos NOAA
(Elaboración propia).
−4 −2 0 2
Capítulo E. Oscilaciones 285
Decomposition of additive time series
1950 1960 1970 1980 1990 2000 2010 2020
Time
FIGURA E.8: Descomposición Serie de tiempo AO. Generado a partir de los
datos NOAA (Elaboración propia).
random seasonal trend observed
−3 −1 0 1 2 3 −0.3 −0.1 0.1 −1.0 0.0 0.5 1.0 −4 −2 0 2
286
Apéndice F
Encuestas
F.1. Instrumentos de encuesta
CUADRO F.1: Características metodológicas de los instrumentos de encuesta.
Sociedad Civil Funcionarios Municipales Empresa Privada
Período de realización 31/05/2019 al 7 /06/2019 25/06/2019 al 23/07/2019 10/05/2019 al 11/08/2019
Horario de trabajo 8:00 a 19:00 8:00 a 19:00 8:00 a 19:00
Modalidad de entrevista Presencial Telefónica Presencial
Cobertura Mayores de 14 años, Técnicos municipales Encargado o
residente en el cantón de los departamentos encargados de los representante de
Heredia temas de planificación urbana, desarrollo la actividad económica
urbano, control urbana, gestión ubicada en la Ciudad de
ambiental y construcción. Heredia.
Tipo de muestreo Sistemático aleatorio Dirigido Sistemático aleatorio
Marco muestral Proyección de Habitantes Directorio Municipal. Registro de patentes de la
al 2019 para el cantón Municipalidad.
Heredia (se excluye
distrito Varablanca),
elaborado por INEC.
Selección de la muestra Probabilístico No probabilístico por Probabilístico con reemplazo
conveniencia
Entrevistas realizadas 825/840 (Nulas 15) 11 224/236 (Nulas 12)
Margen de error 4% a un nivel de No aplica. 5% a un nivel de
confianza del 98%. confianza del 95%.