Aplicación de datos del mes: Monitoreo de langostas

1. Introducción

La langosta del desierto es la plaga migratoria más peligrosa y destructiva del mundo (Cressman et al., 2016; Lazar et al., 2016). Son insectos muy voraces, ya que una sola langosta adulta puede llegar a consumir la vegetación equivalente a su propio peso en un día (aproximadamente 2 gramos) (Latchininsky et al., 2016). Los enjambres de langostas son altamente móviles y pueden volar a través de los continentes y destruir cultivos de subsistencia completos en menos de seis horas, con enjambres adultos volando a unos 150 km al día. Un enjambre de tamaño pequeño (1 km²) (aproximadamente 40 millones de langostas) puede consumir la cantidad equivalente de alimentos que comerían 35.000 personas en un día (Cressman et al., 2016). Durante la plaga en 2003-2005 en África occidental, se registraron pérdidas del 100, 90 y 85 por ciento en cereales, legumbres y pastos, respectivamente, que afectaron a más de 8 millones de personas (Renier et al., 2015; Brader et al., 2006). Debido a la naturaleza transfronteriza de las langostas del desierto, se requiere una coordinación e intervención transfronterizas en su tratamiento.

Impacto de la langosta del desierto

• Medios de subsistencia/Seguridad alimentaria y nutrición: la langosta del desierto afecta la seguridad alimentaria al destruir los cultivos, lo que afecta la disponibilidad de alimentos para las poblaciones humanas. También se alimentan de pastos y otra vegetación silvestre que afecta al ganado y a los animales salvajes (Escorihuela et al., 2018).

• Desarrollo económico: el comercio mundial de productos agrícolas sufre mucho debido a la destrucción de los cultivos. Además, la respuesta y el control del brote de langosta es costoso, ya que se deben comprar millones de litros de pesticidas y adquirir el equipo y la mano de obra necesarios. Adicionalmente, recuperarse del impacto destructivo de los ataques de langosta supone una enorme carga económica para los agricultores y países afectados (Escorihuela et al., 2018; Cressman et al., 2016; Lazar et al., 2016). La emergencia de la langosta le costó a África occidental 3,3 millones de dólares al año; en 2003-2005, sin embargo, se necesitaron 570 millones de dólares para combatir la plaga del oeste y el norte de África, un equivalente de 170 años de costos de respuesta de emergencia para la región (Escorihuela et al., 2018 Cressman et al., 2016).
• Medio ambiente: el control de la langosta con frecuencia produce muchos efectos secundarios relacionados con el medio ambiente debido al alto uso de pesticidas y otros productos químicos (Lazar et al., 2016). Muchas veces, es difícil discriminar entre los enjambres de langostas y otros organismos y vegetación no dañinos, lo que aumenta el costo del daño colateral al medio ambiente. Además, la posibilidad de intoxicación humana por los pesticidas químicos utilizados siempre está presente (Brader et al., 2006).

Datos de la langosta

• Las plagas de langostas tardan más de un año en materializarse. Las siguientes son las etapas del desarrollo de la peste descritas por Cressman (2013):

  • Etapa 1: Brote. pequeño y localizado, puede afectar el tamaño de un pueblo pequeño, consiste en poblaciones dispersas

  • Etapa 2: Sublevación. Un gran aumento en el número de langostas, generalmente 2-3 temporadas de reproducción transitorias sucesivas, pueden afectar el tamaño de un país

  • Etapa 3: Peste. La infestación generalizada (intrarregional) y fuerte de grupos de langostas y enjambres después de un año de buenas lluvias y aumentos descontrolados, pueden afectar el tamaño de un continente

• La detección temprana es crítica en el manejo de la langosta, en la fase solitaria (Individuos) antes de gregarizar (formar enjambres), porque poseen una movilidad muy alta en el último estado; Es difícil controlar la migración masiva de insectos (Lockwood, 2015).
• La infestación de langostas tiene un efecto beneficioso para la agricultura ya que el residuo orgánico después de su paso es una valiosa fuente de fertilizante. Sin embargo, esta ventaja solo se puede utilizar si el agricultor sobrevive a la devastación económica y física causada por estos insectos enjambre. Además, la proteína y los lípidos en el cuerpo de la langosta son considerados altamente nutritivos por algunas comunidades nómadas (Lockwood, 2015).

Locust Management Constraints

1. Predicción: las interacciones de la población de langostas, la dirección del movimiento, la escala de desplazamiento, y la previsibilidad de las lluvias estacionales son complejas y, por lo tanto, crean procesos desafiantes (Adriaansen et al., 2015). Las poblaciones pueden permanecer sin ser detectadas durante muchos meses, especialmente en las áreas de recesión/reproducción de 16 millones de km² (Dinku et al., 2010; Brader et al., 2006).

2. Focalización y control de brotes: no existe una mejor táctica acordada para controlar los brotes de langosta; algunos sostienen que esperar hasta las etapas posteriores de la gregarización es eficiente porque en esta etapa los enjambres ocupan menos área de tierra que los grupos en las fases de gregarización solitarios o tempranas (Cressman, 2005). Por otro lado, dicho retraso en la acción puede ser costoso, especialmente si la región afectada no tiene la capacidad de responder rápidamente en áreas extensas de invasión (Brader et al., 2006).

3. Factores sociopolíticos: el problema a veces requiere una gestión transfronteriza; y las langostas se consideran beneficiosas para algunas comunidades como fuente de alimentos, fertilizantes y nutrientes (Lockwood, 2015).

2. Tecnología espacial para el monitoreo de la langosta

¿Cómo?

1. Monitoreo de áreas de reproducción y enjambre: monitoreo de lluvias

2. Pronósticos para evitar el aumento/invasión: los informes de encuestas nacionales de langostas, imágenes satelitales y datos meteorológicos se utilizan para crear pronósticos a corto y mediano plazo de áreas potencialmente favorables a las langostas

3. Monitoreo de las condiciones ambientales que pueden ser propicias para la reproducción y/o invasión de langostas: vegetación muy verde, lluvias esporádicas y localizadas

4. Mapeo de la distribución espacial de la langosta sobre las regiones afectadas para informar en las operaciones de control

Herramientas

1. Productos de humedad del suelo: pueden predecir la presencia de langostas entre 2-3 meses antes

   • Puede usarse para explicar la ausencia o presencia de langosta (del desierto) combinada con la biología de la langosta (del desierto)

2. Índices de vegetación: solo pueden predecir la presencia de langostas 1 mes antes

Prácticas existentes

1. eLocust3

El eLocust3 es un sistema de grabación y transmisión de datos de langosta, que consiste en un dispositivo móvil (tableta) y un software personalizado para recopilar datos y transmitirlos por satélite en tiempo real a los centros de monitoreo en tierra. Tiene una función de visualización y navegación de imágenes satelitales que ayuda con la localización precisa. Los datos transmitidos son la base de todos los esfuerzos de alerta temprana, pronóstico y prevención por parte de las autoridades relevantes sobre el terreno.

Algunos de los datos recopilados incluyen el tipo de langosta, especies de vegetación, tipo de hábitat, tratamiento y precauciones de seguridad durante el control. Después de la transmisión al centro de control de langostas, los datos se utilizan en combinación con datos de lluvia y vegetación verde de imágenes satelitales, registros históricos u otras fuentes de datos y modelos de desarrollo y trayectoria de langostas para analizar la propagación de la plaga. Estos análisis se realizan en las plataformas RAMSES y SWARMS GIS.

Sistema de reconocimiento y monitoreo del ambiente de Schistocerca (RAMSESv4 - 2015)

Es una plataforma GIS personalizada y desarrollada por la FAO para ser utilizada por los países afectados por la langosta, para analizar y gestionar datos sobre, su ecología, las imágenes satelitales y otros datos (recibidos del sistema eLocust3). Para ello, está equipado con una base de datos SIG. Que utiliza el software GIS de código abierto OpenJump y la base de datos espacial PostGIS PostgresSQL. Los equipos nacionales de gestión de langostas pueden usar el sistema para crear mapas de distribución de langostas que pueden usarse para informar acerca de las estrategias de intervención. El sistema también ser utilizado para transmitir los datos a la sede de la FAO, para un mayor análisis y almacenamiento.

Sistema de gestión y advertencia de Schistocerca (SWARMS)

Si bien RAMSES es útil para el monitoreo local/nacional de langostas, SWARMS es una plataforma utilizada para integrar, superponer, mostrar, comparar y mapear todos los conjuntos de datos relevantes para el pronóstico de langostas a nivel internacional. Tanto los datos vectoriales, como las carreteras y los límites administrativos, como los datos ráster, de imágenes MODIS y las estimaciones de lluvia, se combinan para ayudar a comprender mejor la relación espacial entre las infestaciones y el entorno local (Cressman, 2013). SWARMS tiene datos históricos desde 1929 hasta la fecha.

Descripción general de la red de alerta temprana de langostas (eLocust)

2. Humedad del suelo para la evaluación temprana dEsert Locust (OLORES)

SMELLS utiliza los datos de Sentinel - 1 SAR con humedad del suelo SMOS para diseñar una herramienta de indicador de humedad para el pronóstico y la prevención de la langosta del desierto. La humedad del suelo es un excelente indicador del potencial de reproducción de un área determinada. Además, la información sobre la humedad del suelo precede a la información sobre la vegetación y, por lo tanto, puede proporcionar detalles oportunos y procesables para mejorar las medidas de prevención, generalmente 2-3 meses antes, mientras que la información sobre la vegetación solo se puede usar para obtener un plazo de 1 mes. La aparición de langostas es común en áreas con humedad del suelo entre 0,10 y 0,20 m³/m³. Haga clic aquí para más detalles.

3. P- Langosta - ¡próximamente!

Este es un modelo de apoyo a la decisión geoespacial que utiliza variables de desarrollo, gregarización y biotopo de langostas para determinar la presencia y ubicación de langostas de manera oportuna. Esta herramienta está configurada para emplear el uso de datos satelitales como Landsat 8, MODIS, Sentinel, SRTM, CHIRPS y ASTER, entre otros. La herramienta está siendo desarrollada actualmente por SERVIR/NASA junto con otros socios regionales. Haga clic aquí para más detalles.

Datos espaciales

Datos auxiliares

Datos de humedad del suelo in situ

Encuestas locales/de langosta de tierra

Datos de lluvia geo-referenciados (Estimaciones de lluvia de Dekadal)

Otros recursos útiles

ONU FAO-DLIS (Servicio de Información sobre Langostas del Desierto)

Comisión para el control de la langosta del desierto en el noroeste de África

Comisión para el control de la langosta del desierto en la región occidental

Comisión para el control de la langosta del desierto en la región central

Comisión para el control de la langosta del desierto en el suroeste de Asia

Referencias

1. Adriaansen, C., Woodman, J., Deveson, E., & Drake, V. (2016). The Australian Plague Locust—Risk and Response. In J. F. Shroder, & R. Sivanpillai (Eds.), Biological and Environmental Hazards, Risks, and Disasters. (1 ed., pp. 67-86). Netherlands: Elsevier. https://doi.org/10.1016/B978-0-12-394847-2.00005-X
2. Brader, L., Djibo, H., Faye, F. G., Ghaout, S., Lazar, M., Luzietoso, P. N., & Babah, M. O. (2006). Towards a more effective response to desert locusts and their impacts on food security, livelihoods and poverty. Multilateral evaluation of the 2003–05 Desert locust campaign. Food and Agriculture Organisation, Rome.
3. Cressman, K. (1997). SWARMS: a geographic information system for desert locust forecasting. In New Strategies in locust control (pp. 27-35). Birkhäuser Basel.
4. Cressman, K. (2013). Climate change and locusts in the WANA Region. In Climate change and food security in West Asia and North Africa (pp. 131-143). Springer, Dordrecht.
5. Cressman, K. (2013). Role of remote sensing in desert locust early warning. Journal of Applied Remote Sensing, 7(1), 075098.
6. Cressman, K., Van der Elstraeten, A., & Pedrick, C. (2016). eLocust3: An innovative tool for crop pest control.
7. Dinku, T., Ceccato, P., Cressman, K., & Connor, S. J. (2010). Evaluating detection skills of satellite rainfall estimates over desert locust recession regions. Journal of Applied Meteorology and Climatology, 49(6), 1322-1332.
8. Escorihuela, M. J., Merlin, O., Stefan, V., Moyano, G., Eweys, O. A., Zribi, M., ... & Ghaout, S. (2018). SMOS based high resolution soil moisture estimates for desert locust preventive management. Remote Sensing Applications: Society and Environment, 11, 140-150.
9. Latchininsky, A., Piou, C., Franc, A., & Soti, V. (2016). Applications of remote sensing to locust management. In Land Surface Remote Sensing (pp. 263-293). Elsevier.
10. Lazar, M., Piou, C., Doumandji‐Mitiche, B., & Lecoq, M. (2016). Importance of solitarious desert locust population dynamics: lessons from historical survey data in A lgeria. Entomologia Experimentalis et Applicata, 161(3), 168-180.
11. Lockwood J.A. (2015). Locusts: An Introduction. In: Shroder, J. F. Biological and environmental hazards, risks, and disasters. Elsevier.
12. Renier, C., Waldner, F., Jacques, D., Babah Ebbe, M., Cressman, K., & Defourny, P. (2015). A dynamic vegetation senescence indicator for near-real-time desert locust habitat monitoring with MODIS. Remote Sensing, 7(6), 7545-7570.