Tele Det Acción

FACULTAD DE INGENIERÍA Y ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERÍA AMBIENTAL
“Teledetección en la identificación de puntos críticos de residuos

sólidos en el distrito de Comas, 2020”
TESIS PARA OBTENER EL TÍTULO PROFESIONAL:

Ingeniero Ambiental
AUTORES:
Coa Corimanya, Eldy Ivan (ORCID: 0000-0001-9518-5201)
Rosales Valdez, Josselyn Kristell (ORCID: 0000-0001-7760-7829)
ASESOR:
Dr. Benites Alfaro, Elmer Gonzales (ORCID: 0000-0003-1504-2089)
LÍNEA DE INVESTIGACIÓN:
Sistemas de Gestión Ambiental
LIMA - PERÚ
2020
DEDICATORIA
Dedico la tesis en primer lugar a Dios,
que me da fortaleza para seguir
adelante y lograr mis objetivos. A mi
papá Edgard Rosales por haberme
apoyado en todo momento, a mi familia
y amigos que siempre me alientan y
motivan. Por ultimo a mi Universidad
César Vallejo por los conocimientos
brindados a lo largo del desarrollo
curricular.
Este trabajo de investigación se lo

dedico a Dios, por darme salud,
inteligencia, perseverancia, sabiduría en
cada momento, para seguir adelante y
así lograr con todos mis objetivos. A mis
señores padres Milan Coa Aymara y
Lurdes Corimanya Huamaní quienes
inalcanzablemente me brindan su amor,
sus sabios consejos, su motivación
moral, por su apoyo y por los buenos
valores que me inculcaron para llevar a
cabo esta investigación.
ii
AGRADECIMIENTO
En primer lugar, a nuestra alma mater

Universidad César Vallejo por la
contribución en nuestra formación
académica a través de sus enseñanzas
que nos hicieron crecer día a día como
profesionales y como personas.
A nuestro asesor de tesis el Dr. Elmer

Gonzales Benites Alfaro por su tiempo,
paciencia y siempre orientarnos a
mejorar nuestra investigación.
iii
ÍNDICE DE CONTENIDOS
CARÁTULA .........................................................................................................i
DEDICATORIA ...................................................................................................ii
AGRADECIMIENTO ..........................................................................................iii
ÍNDICE DE TABLAS ..........................................................................................vi
ÍNDICE DE FIGURAS ....................................................................................... vii
ABREVIATURAS ................................................................................................x
RESUMEN .........................................................................................................xi
ABSTRACT....................................................................................................... .xii
I. INTRODUCCIÓN.........................................................................................1
II. MARCO TEÓRICO ......................................................................................4
III. METODOLOGÍA.....................................................................................30
3.1 Tipo y diseño de investigación ............................................................30
3.2 Variables y operacionalización ............................................................31
3.3 Población, muestra y muestreo ...........................................................32
3.4 Técnicas e instrumentos de recolección de datos ...............................33
3.5 Procedimientos ...................................................................................34
3.6 Método de análisis de datos................................................................38
3.7 Aspectos éticos ...................................................................................38
IV. RESULTADOS .......................................................................................39
V. DISCUSIÓN ...........................................................................................83
VI. CONCLUSIONES...................................................................................87
VII. RECOMENDACIONES ..........................................................................88
REFERENCIAS ...............................................................................................89
ANEXOS ........................................................................................................101
ANEXO 1: Matriz de operacionalización de las variables

ANEXO 2: Matriz de consistencia
iv
ANEXO 3: Validación de instrumentos de recolección de datos
ANEXO 4: Instrumento de recolección de datos
ANEXO 5: Datos de población
ANEXO 6: Panel fotográfico
ANEXO 7: Datos del análisis multitemporal
ANEXO 8: Mapas multitemporales
ANEXO 9: Flora de Lomas de Collique
ANEXO 10: Fauna en Lomas de Collique
ANEXO 11: Declaratoria de originalidad
ANEXO 12: Declaratoria de autenticidad del asesor
ANEXO 13: Acta de sustentación de tesis
ANEXO 14: Autorización de publicación en repositorio institucional
ANEXO 15: Autorización de la versión final de tesis
ANEXO 16: Turnitin
v
ÍNDICE DE TABLAS
Tabla 1: Clasificación de pendiente ..................................................................27
Tabla 2: Índice de Kappa ................................................................................29
Tabla 3: Porcentaje de validación ....................................................................34
Tabla 4: Datos de las imágenes .......................................................................39
Tabla 5: Residuos sólidos en zonas .................................................................44
Tabla 6: Datos de análisis multitemporal ..........................................................66
Tabla 7: Botaderos del año 2020 .....................................................................71
Tabla 8: Rellenos Sanitarios Lima Metropolitana y Callao ................................75
Tabla 9: Resultado de índice de Kappa............................................................78
Tabla 10: Crecimiento Poblacional ...................................................................79
Tabla 11: Prueba de normalidad ......................................................................81
Tabla 12: Prueba de correlación entre puntos críticos y Población ..................81
Tabla 13: Valores de correlación ......................................................................82
vi
ÍNDICE DE FIGURAS
Figura 1: Mapa de estudio...............................................................................32
Figura 2: Plataforma USGS .............................................................................34
Figura 3: Selección de imágenes ....................................................................35
Figura 4: Puntos de control .............................................................................35
Figura 5: Combinación de bandas ...................................................................36
Figura 6: Clasificación .....................................................................................36
Figura 7: Generación de puntos de validación ................................................37
Figura 8: Procedimiento ..................................................................................37
Figura 9: Mapa del año 2000 ..........................................................................40
Figura 10: Mapa del año 2005 ........................................................................41
Figura 14: Mapa de puntos críticos de RS ......................................................43
Figura 15: Comparación de puntos críticos del año 2000 ................................45
Figura 16: Comparación de puntos del año 2005 ............................................46
Figura 20: Punto N° 1 ......................................................................................49
Figura 21: Punto N° 2 ......................................................................................49
Figura 22: Punto N° 3 ......................................................................................50
Figura 23: Punto N° 4 ......................................................................................50
Figura 24: Punto N° 5 ......................................................................................51
Figura 25: Punto N° 6 ......................................................................................51
Figura 26: Punto N° 7 ......................................................................................51
Figura 27: Punto N° 8 ......................................................................................52
Figura 28: Punto N° 9 ......................................................................................52
Figura 29: Punto N° 10 ....................................................................................53
Figura 30: Punto N° 11 ....................................................................................53
Figura 31: Punto N° 12 ....................................................................................53
vii
Figura 32: Punto N° 13 ....................................................................................54
Figura 33: Punto N° 14 ....................................................................................54
Figura 34: Punto N° 15 ....................................................................................55
Figura 35: Punto N° 16 ....................................................................................55
Figura 36: Punto N° 17 ....................................................................................55
Figura 37: Punto N° 18 ....................................................................................56
Figura 38: Punto N° 19 ....................................................................................56
Figura 39: Punto N° 20 ....................................................................................57
Figura 40: Punto N° 21 ....................................................................................57
Figura 41: Punto N° 22 ....................................................................................57
Figura 42: Punto N° 23 ....................................................................................58
Figura 43: Punto N° 24 ....................................................................................58
Figura 44: Punto N° 25 ....................................................................................59
Figura 45: Punto N° 26 ....................................................................................59
Figura 46: Punto N° 27 ....................................................................................59
Figura 47: Punto N° 28 ....................................................................................60
Figura 48: Punto N° 29 ....................................................................................60
Figura 49: Punto N° 30 ....................................................................................61
Figura 50: Punto N° 31 ....................................................................................61
Figura 51: Punto N° 32 ....................................................................................61
Figura 52: Punto N° 33 ....................................................................................62
Figura 53: Punto N° 34 ....................................................................................62
Figura 54: Punto N° 35 ....................................................................................63
Figura 55: Punto N° 36 ....................................................................................63
Figura 56: Punto N° 37 ....................................................................................63
Figura 57: Punto N° 38 ....................................................................................64
Figura 58: Punto N° 39 ....................................................................................64
Figura 59: Punto N° 40 ....................................................................................65
Figura 60: Comparación de puntos críticos .....................................................67
Figura 61: Puntos persistentes por periodos ...................................................68
Figura 62: Total de puntos críticos por periodos ..............................................69
Figura 63: Mapa de puntos persistentes .........................................................70
viii
Figura 64: Mapa de pendientes .......................................................................71
Figura 65: Ecosistemas frágiles ......................................................................72
Figura 66: Botadero ........................................................................................73
Figura 67: Botaderos 2020 ..............................................................................73
Figura 68: Botaderos 2020 ..............................................................................74
Figura 69: Comparación de botadero ..............................................................75
Figura 70: Mapa de clasificación .....................................................................76
Figura 71: Coordenadas de validación ............................................................77
Figura 72: Crecimiento Poblacional .................................................................79
Figura 73: Crecimiento poblacional en cantidad de personas .........................80
Figura 74: Tasa de crecimiento poblacional ....................................................80
ix
RESUMEN
En la presente investigación se plantea como objetivo emplear la

teledetección en la identificación de puntos críticos de residuos sólidos en el
distrito de Comas, en el año 2020 desde el mes enero hasta abril. La
metodología fue el uso de teledetección e imágenes de google maps y google
Earth, la investigación es aplicada, la población es el distrito de Comas que se
encuentra en Lima Metropolitana, tiene una Latitud Sur de 11°56’00” y una
Longitud Oeste de 77°04’00”, como resultados se lograron identificar 40 puntos
críticos de residuos sólidos en diversas zonas de Comas, de los cuales la mayor
cantidad en la zona 14 con 9 puntos y en la zona 8 con 8 puntos constituidos por
residuos de vivienda, malezas, construcción y demolición. En conclusión, se
detectó mediante la teledetección los puntos de acumulación de residuos sólidos
en las avenidas, calles, veredas y en zonas de áreas verdes a cielo abierto, luego
se validado con datos de Google Earth y visitas al lugar. La teledetección puede
ser aplicable antes y después de un plan de gestión integral de residuos sólidos,
y es una alternativa factible de apoyo para este fin con la ventaja de bajo costo.
Palabras clave: teledetección, puntos críticos, satélite, residuos sólidos
x
ABSTRACT
The objective of this research is to use remote sensing to identify critical

solid waste points in the district of Comas, in the year 2020 in the months of
January to April. The methodology was the use of remote sensing and with
images from google maps and google Earth. The development of research is
applied. The population of the District of Comas is located in Metropolitan Lima,
has a latitude south of 11°56'00" and a longitude west of 77°04'00". As a result,
40 critical points of solid waste were identified in several of the areas of Comas,
of which the largest amount is in zone 14 with 9 points and in zone 8 with 8 points
consisting of housing, weed, construction and demolition waste. In conclusion,
the points of accumulation of solid waste in avenues, streets, sidewalks and in
open green areas were detected by remote sensing, then was validated with
Google Earth data and site visits. Remote sensing can be applied before and
after an integrated solid waste management plan, and is a feasible support
alternative for this purpose with the advantage of low cost.
Keywords: remote sensing, critical points, satellite, solid waste
xi
I. INTRODUCCIÓN
El incremento poblacional a nivel mundial y el desarrollo tecnológico

incrementaron el consumismo y al mismo tiempo la producción de desechos
sólidos ya sean residuos municipales, industriales, agrícola, construcción y
demolición, centro nucleares. Los países de Sudamérica tienen una dificultad en
el manejo de los desechos sólidos esto conlleva a la formación de grandes
botaderos y puntos críticos, estos residuos afectan la calidad del suelo, aire,
agua, flora, fauna y bienestar de los seres humanos.
En Perú se identificó un total de 1585 botaderos, la mayoría de estos

desechos están en las siguientes ciudades; Ancash, Cajamarca y Puno (OEFA,
2018). Por ello uno de los satélites que ayudará a la detección de los puntos
críticos de residuos sólidos (PCRS) y botaderos es el LANDSAT, ya que
mediante las imágenes satelitales se pueden evidenciar los diferentes puntos y/o
lugares donde se generan montículos de desechos sólidos producidos por los
ciudadanos o las diferentes actividades que se realizan en la ciudad, estos
desechos se encuentran expuestos a la intemperie dañando los diferentes
ecosistemas.
En la actualidad una de la problemática es el aumento global en la

urbanización de la población humana se asocia con aumentos aún mayores en
el desecho de residuos sólidos municipales (STAMPS, et al. 2016). Las
deficiencias en la gestión de residuos sólidos GRS se ralentizan por la ausencia
de información confiable. Esta es especialmente la situación en los países en
desarrollo donde la red de observación es débil (AJAY, 2019, p. 27). La
recolección y eliminación de desechos sólidos municipales es uno de los
contaminantes para ambiente. Los desechos municipales es un desafío
importante para el entorno ambiental, por ello se tiene a las Municipalidades para
la GRS, que tienen que brindar un sistema eficiente a los pobladores (HUSSEIN,
et al. 2018).
1
En los últimos tiempos se ha venido trabajando en imágenes satelitales
altamente procesadas que incluso están disponibles gratuitamente ha brindado
a los investigadores y al público un acceso sin precedentes a un flujo de datos
vasto y variado lleno de potencial. Donde el Landsat es el más usado y las
imágenes satelitales están disponible para ser descargadas en la plataforma del
United States Geological Survey (USGS): estos son CBERS, ASTER entre otros.
Luego de descargar las imágenes se combinan las bandas particulares para
poder observar mejor los detalles, los datos pueden ser usados para verificar
cambios en la cobertura vegetal y también se puede aplicar en la GRS (FORTIN,
2019).
En Perú, se generan más de 7 millones de residuos municipales, casi 20

mil toneladas diarias y cerca de 1000 toneladas por hora. (DEFENSORÍA DE
PUEBLO, 2019, p. 9). El MINAM y el OEFA, identificaron que, del total de 250
distritos en el Perú, 92 distritos que deben mejorar las estrategias en los servicios
de limpieza y la GRS. El distrito de Comas se encuentra entre los 5 distritos de
la ciudad de Lima con mayor números de puntos críticos y botaderos de
desechos sólidos (DEFENSORÍA DEL PUEBLO, 2019, p.76). Por otro lado la
generación per cápita de desechos sólidos es 0.60 (kg/háb/día) en Lima
Metropolitana. (MINAM, 2017). Por lo que la investigación se proyecta a
identificar los puntos críticos de residuos de construcción y desechos
domiciliarios para una mejor gestión en los diferentes puntos del distrito.
En la siguiente investigación se presenta el problema general: ¿Cómo la

teledetección permite identificar los puntos críticos de residuos sólidos en el
distrito de Comas, 2020?; así mismo se planteó los problemas específicos:
¿Cómo las imágenes satelitales ayudan en la identificación de puntos críticos
de residuos sólidos en el distrito de Comas, 2020?, seguido ¿De qué manera el
análisis multitemporal de imágenes permite la identificación de puntos críticos
de residuos sólidos en el distrito de Comas, 2020?
Se justifica por su potencial aporte: en el ámbito social cuenta con una

mejora en la gestión de los residuos sólidos y para mejorar el estilo de vida en el
2
distrito de Comas. A falta de cultura ambiental y educación el ser humano no
dispone adecuadamente los desechos, también servirá para realizar estudios de
correlación de los residuos; a nivel teórico la investigación aplicó los conceptos
y metodología de la teledetección, con el apoyo del software ArcGIS para la
ubicación de los desechos sólidos en las diferentes zonas, avenidas, calles del
distrito y en posibilidad en los ríos. En donde se permitió la gestión adecuada de
los residuos sólidos; a nivel práctico mediante la teledetección se identifica los
PCRS del distrito de Comas, de manera más accesible y con bajo coste; a nivel
ambiental los residuos sólidos afectan el agua, aire, suelo en ello también la
flora y fauna, esto es el resultado de una mala gestión de disposición final de los
residuos, por ello se tiende a formar los puntos críticos en las diferentes partes
de la ciudad.
En la tesis se plantea el Objetivo general: Emplear la teledetección en la

identificación de puntos críticos de residuos sólidos en el distrito de Comas, 2020
en seguida de los objetivos específicos: Analizar las imágenes satelitales en la
identificación de puntos críticos de residuos sólidos en el distrito de Comas, 2020
y Analizar las imágenes multitemporales para la identificación de puntos críticos
de residuos sólidos en el distrito de Comas, 2020.
La investigación plantea la siguiente Hipótesis general: La teledetección

permite la identificación de puntos críticos de residuos sólidos en el distrito de
Comas, 2020. Luego se plantea las siguientes Hipótesis específicas: Las
imágenes satelitales Landsat 7 permite la obtención de resultados a un 80 %
acorde con la realidad, en la identificación de los puntos críticos de residuos
sólidos en el distrito de Comas, 2020. Finalmente, el análisis multitemporal de
imágenes permite la identificación de los puntos críticos de residuos sólidos en
el distrito de Comas, 2020.
3
II. MARCO TEÓRICO
Según SNEHA, et al. (2020), La generación de los RS en la India es de

68,8 toneladas anualmente y un porcentaje de 35% de los desechos que son
enviados a los vertederos. La cantidad de residuos municipales es 75% los
cuales son provenientes de ventas en los centros comerciales. Teniendo datos
vectoriales disponibles para ser usadas, se puede realizar la teledetección de los
posibles vertederos y su perímetro. En el relleno sanitario se identificó que el
17% del área de estudio tiene una buena disponibilidad final. En la investigación
se observó que el 25% es adecuado y el 29% del área tiene moderada expansión
de rellenos sanitarios, según los estudios realizados. Este método otorga
mejores resultados a comparación de otras herramientas, que se basa
únicamente en datos de RS y de vectores, además es muy flexible si así se
desea puede ser utilizado por las municipalidades.
YUZUGULLU, et al. (2020), Menciona que, la precisión del manejo del

campo agrícola busca mejorar el rendimiento de los cultivos, minimizar los daños
ambientales y desarrollar técnicas de atrapamiento de carbono en el suelo.
Durante el 2015, la misión Copérnico, con Sentinel 1 y 2, inició nuevas técnicas
para disponer de los datos satelitales de alta resolución espacial y temporal que
se encuentran disponibles de forma gratuita para la población en general. Hubo
una precisión del 94%, 89% y 96% para el contenido de pH, SOM y arcilla,
respectivamente en los trabajos de los modelos realizados. Los resultados
obtenidos en los estudios de las propiedades del suelo pueden servir de apoyo
en la precisión del manejo de datos campo, para mejorar las técnicas de
muestreo de suelo y la aplicación de fertilizantes, y también en el manejo de las
propiedades del suelo.
Según VOLODYMYR, et al. (2020), Los rellenos de residuos

municipales tienen una área riesgosa de deslizamiento, por ello realizan un
monitoreo geodésico, para medir las pruebas realizada por el método de
remotos. Para la eliminación de los residuos, se instalaron un monitoreo
4
geodésico y ambiental en las áreas de deslizamiento de los residuos, para ello
tomaron recomendación para el desplazamiento en el espacio del relleno. Los
productos tenidos permiten desarrollar las medidas de fortalecer la pendiente,
donde se tomó una decisión el cierre del relleno sanitario municipal. Sobre la
data de datos recaudados de la ciudad las autoridades tomaron el primer paso
para la sobrevaloración y recuperación de los residuos reciclables teniendo una
planta, para luego generar estrategias de los RS de la región.
Además KARIMI, et al. (2020), En el trabajo realizado, basado en una

evaluación de diferentes criterios, posterior a ello se integró a una sola idea, que
propone el uso de la detección y el SIG para la selección de lugares potenciales
para ubicar rellenos sanitarios de desechos médicos en Kermanshah, Irán.
Además, se desarrolló una identificación de riesgos ambientales para el lugar
seleccionado con el fin de disminuir futuros riesgos. El SIG y la teledetección se
utilizaron para adquirir y preparar capas y mapas, y la evaluación de criterios
múltiples se utilizó para establecer el objetivo, la selección de criterios, la
ponderación de criterios y la toma de decisiones finales. Los resultados
mostraron que solo el 1.2% del área de estudio se califica como altamente
adecuada, mientras que el 90% del área se considera inadecuada, lo que hace
que esta región sea crítica para la preservación. Luego de varias evaluaciones e
identificación in situ, se escogió un lugar para el relleno sanitario, puesto a que
sugiere ser el más adecuado.
Según CUSWORTH, et al. (2020), La teledetección es una vía para

cuantificar las emisiones a nivel de proceso de las instalaciones de gestión de
residuos. Una encuesta de metano en California evidenció el Espectrómetro de
imágenes infrarrojas y visuales en el aire, sobre 270 vertederos y 166
instalaciones de desechos orgánicos entre los años 2016-2018 para evidenciar
la participación al presupuesto de metano. Se utilizó las recuperaciones de
metano para especificar tres resultados en los que la teledetección permite un
mejor seguimiento de los vertederos y el compostaje de metano. Los resultados
evidencian mediciones de emisiones detectadas a distancia revelan procesos
5
que son difíciles de capturar en los modelos de generación de biogás. Además,
descubrimos que la teledetección en el aire proporciona una vía efectiva para
estudiar la dinámica que cambia temporalmente de los vertederos. Puede haber
mejoras en los próximos espectrómetros en la década del 2020.
HUSSIEN, et al. (2020), indica que los RS en los países desarrollado es

un problema ambiental por su característica de los residuos y también tiene una
deficiencia en la aplicación de las leyes y tecnologías en la disposición de los
residuos para que sea más confiable. La investigación tuvo que modelar los
lugares donde se estaban disponiendo los residuos con el marco base
metodológica de la teledetección y en mira de una evaluación de múltiples
críticos. En la metodología teniendo que realizar en 6 vertederos. En donde los
lugares de disposición final de los residuos son restringidos ya que eran
inadecuados, muy bajos, moderado con 8.1, 13.9, 32.9, 28.1, 16.5 y 0.5 en un
total de las áreas respectivamente. En resultado se ubicó de 3 vertederos con
menor afecto en la salud, ambiental, y social por los últimos sitios óptimos para
la eliminación de los RS. Por la mala gestión de los residuos en la urbanización
de Etiopia y de diferentes ciudades con un ambiente adecuado.
Según MOURA, et al. (2020), La generación de RS en ciudades

costeras ha sido un problema que ha incrementado con el pasar de los años. En
la localidad costera de Recife, Brasil, se evidenció presencia de desechos
plásticos en la oceánica y también en la cuenca fluvial. Este documento
proporciona la base inicial para desarrollar Programa de Gestión de Residuos
Plásticos para su implementación en la localidad de Recife, dada la falta de
resoluciones que han considerado la gestión de residuos plásticos a través de
escalas integradas del entorno del agua (desde la cuenca del río hasta el
océano). El método usado contenía la recopilación de datos de entidades
públicas del estado, localidad y de los interesados. Como resultado se obtuvo
una mejor gestión de los desechos plásticos, considerando una escala de cuenca
de río a océano mediante el uso de los principales entornos de agua conectados.
6
Según WIDYARSANA, et al. (2020), La investigación se realizó Bali es
una isla de alta afluencia turística. La detección de desechos en ríos y playas es
muy importante para realizar una adecuada GRS de la corriente. Las
detecciones se desarrollaron usando el método NOAA (Administración Nacional
Oceánica y Atmosférica) en 4 ríos y 4 playas. La generación y composición de
residuos fue medida en los sectores de clasificación de la densidad de la
población y la cuenca. Lo desechos generalmente son vertidos las 11 am a 14
pm horas donde se visualizó mayores flujos de residuos. La mayor cantidad de
desechos son orgánicos representando 59.10% y los residuos peligrosos
17.12% WW. Luego de realizar la medición de desechos encontrados en la
playa, se halló una densidad de 0.087 toneladas / m3 y en cuanto a la
composición se halló mayores cantidades de residuos plásticos, residuos de
papel y residuos textiles. La densidad de residuos en la más sucia con 0.64
artículos desperdicios / m2 y en la playa más limpia con 0.27 artículos / m2.
Teniendo los datos de las imágenes satelitales e imágenes landsat;

(MAHMOOD, 2019), menciona sobre el uso datos satelitales de sensores
remotos para monitorear el impacto ambiental de los RSU abiertos vertederos
en su entorno utilizando indicadores bio-térmicos. Se observó el vertedero de
Gujranwala, Pakistán, usando 66 imágenes Landsat 8 desde enero 2014 hasta
diciembre 2017. En promedio térmicamente la zona de influencia del vertedero
se ha encontrado extendida a 480m a su alrededor y el área de la estación tiene
450 m, y se evidencian climas secos y temperaturas extremas. El área de
influencia de biota se midió usando satelitales de MSAVI, SAVI y NDVI que
promedian 590 m. Los promedios estacionales medidos por los resultados
promedio de los tres VI son 326 m, 410 m, 430 m, 620 m, 692 m y 1100 m para
primavera, monzón, invierno-II, verano húmedo, invierno-I y verano seco
respectivamente.
También se logra identificar mediante la teledetección los recursos

hídricos según (MOHAMED, 2019), indica que el uso de teledetección en la
gestión de recursos hídricos es esencial para determinar el uso racional del
7
recurso. Debido a la disponibilidad de datos de teledetección y a los diferentes
sensores de adquisición de imágenes satelitales, se podría realizar una amplia
variabilidad de los puntos de referencia bajo el mismo tema. Para una mejora en
la recarga de agua subterránea se usa la recolección de agua de lluvia, donde
las nubes estratocúmulos son la fuente principal en las regiones áridas. La
teledetección de nubes mostró ser eficiente para ello se recolectaron 60
imágenes MERIS LEVEL1B, en el mes en 5 años iniciando en enero 2018, donde
las imágenes mostraron regiones del sur de Arabia Saudita como óptimas para
la recolección de agua de lluvia.
Según ABDULHASAN, et al. (2019), determinó que las áreas

adecuados para la eliminación de residuos sólidos en donde ha sido un desafío
fundamental que enfrenten las diferentes ciudades, municipales para su
estabilidad ambiental. Su objetivo es identificar los residuos sólidos más
adecuados en sitio de disposición utilizando el (SIG), Donde el estudio compara
el método propuesto para tener un enfoque tradicional del proceso de jerarquía
analítica (AHP). Se explicó del residuo sólido seleccionado con la precisión de
los métodos lógicos con la validación del AHP y Fuzzy con los que ubican
adecuadamente los residuos sólidos se toma los datos de la teledetección
(ASTERGDEM) en los mapas de campo para obtener 12 factores de
acontecimientos lo cual es necesario. En estos problemas de decisión de gestión
de los residuos se muestra que los modelos del AHP, Fuzzy logic y GIS para
minimizar los cambios sobre el ambiente y los seres vivos.
Según PENGRA, et al. (2019), evalúa la capacidad y el cambio de la

biota usando imágenes Landsat. Se utilizó un conjunto de mapas anuales de las
coberturas vegetales por el cambio de los suelos de imágenes satelitales registro
de los Landsat 4-8. El artículo LCMAP se creó para el país USA (CONUS) y más
adelante se incluirá Alaska y Hawái. Para la cobertura de la superficie con la
validación anual. Estos datos de referencia se utilizarán para la estimación del
área y la validación de los productos de cobertura terrestre anual LCMAP. La
creciente disponibilidad de datos de resolución fina de Landsat y Google Earth
8
durante el período de monitoreo de 1984 a 2016 coincidió con una mayor
consistencia del intérprete para el registro de datos posterior a 2000. Los
protocolos de interpretación de datos son elementos críticos para documentar y
garantizar la calidad de estos datos de referencia y de garantía de calidad
implementados para LCMAP demuestran la viabilidad técnica y práctica de usar
el archivo Landsat y la interpretación humana intensiva para producir datos de
referencia de cobertura de suelo nacionales y anuales durante un período de 30
años.
AJAY, (2019), indica que la mala gestión y disposición de los desechos

sólidos han generado un problema en el ecosistemas urbano por ello el uso de
técnicas de teledetección para la (GRS) que apoya la captura, manejo y
transmisión de la información requerida de manera rápida y adecuada. La técnica
de teledetección es útil para obtener información de bajo coste, genera una visión
general de técnicas usadas para adecuado manejo de problemas ambientales
que generan los residuos sólidos, ello permite mejorar las estrategias de
eliminación y gestión. Se concluye que estas técnicas se utilizan con mayor
frecuencia para la ubicación de la tierra fi Bin II y residuos para la eliminación de
residuos y la EIA de los residuos enterrados, lo que permite una maximización
de la eficiencia con el uso adecuado de la teledetección y SIG.
Según GUOJIAN, (2019), realizó el procesamiento de 4 tipos de

imágenes donde se usa un algoritmo de color K- Means para realizar
cuantificación de color reduciendo colores que no serán usados, el algoritmo
funciona seleccionando colores representativos y reduce los colores que no
serán usados, estas imágenes RGB son de múltiples pixeles, Al usar el algoritmo
se puede agrupar los píxeles con colores específicos con ello se puede realizar
una cuantificación de colores, de modo que las imágenes se pueden producir en
equipos informáticos de bajo rendimiento. Además ello permite disminuir error
visual entre la realidad y lo realizado con la teledetección, adicionado a ello el K-
Means puede reducir el tamaño de las imágenes con lo que se logra que estas
9
sean más utilizables, mejora el espacio de almacenamiento de las imágenes y
mejora su procesamiento.
Según MADI, et al. (2019), Los residuos de demolición y construcción

son desechadas en cantidades sustanciales. Estos residuos son el resultado de
eventos de emergencia y no de emergencia los cuales plantean un problema
para el ambiente. En esta investigación se propone de una gestión basada SIG
de varios criterios para gestionar residuos de demolición en situaciones de
emergencia, especialmente en lugares afectados por una guerra. Se propone la
estimación de cantidades de residuos de demolición, la realización de un modelo
SIG para la adecuada ubicación de lugares óptimos para la ubicación de plantas
de reciclaje y realizar una evaluación económica del reciclaje de estos desechos.
El trabajo aplica al caso de Siria, que ha sido afectada por la guerra durante los
últimos 7 años. Los resultados indican que el lugar identificado para la ubicación
de las instalaciones de reciclaje es idóneo y varía del 18 al 64 por ciento,
dependiendo de los valores asignados a diversos factores ambientales como la
topografía, la geología y la infraestructura.
ROHDE, (2019), presentó la evidencia de la vegetación y el cambio

climático desde fines del siglo XIX hasta 2019, realizando un análisis de 100
imágenes capturadas en el árido desierto de Namib Pro-Namib y fueron re
fotografiadas y cada espacio se evaluó para detectar la cubierta vegetal, el cual
se considera como indicador de cambios en el clima. Los cambios de vegetación
fueron relacionados con la precipitación y la temperatura en los años 1948-2017.
Donde un aumento en la vegetación hacía suponer un incremento de
precipitaciones. Los resultados tienen relación con los efectos del calentamiento
global, pero están en discordancia con los modelos climáticos que se realizaron
en la región para un pronóstico y por falta de datos climáticos a largo plazo, la
investigación resulta sumamente útil.
ZHENCHUN, (2019), indica que los datos de teledetección se

consideran "grandes datos geográficos" debido a su gran volumen de datos,
heterogeneidad significativa y desafío de análisis rápido. Los tradicionales
10
trabajos de teledetección son realizados con imágenes descargadas sin
procesar de las estaciones. La transferencia de datos a menudo requiere de
mucho tiempo y ralentiza los flujos de trabajo de análisis. Los resultados de los
modelos de detección remota en ocasiones son más pequeñas que los datos ello
permite que el procesamiento sea más rápido, se propone el procesamiento
basado en tres capas para un análisis más rápido. La evaluación en un sistema
prototipo muestra que el procesamiento bajo demanda puede acelerar la
ejecución de los modelos y así se puede realizar una transferencia de imágenes
con internet de banda baja.
BROWN, (2019), menciona que el aumento en la demanda de imágenes

satelitales puede contribuir a la generación de datos de bajo coste a diferentes
escalas geográficas con los que se puede realizar modelamiento ambiental en
grandes espacios geográficos. Con ello se pueden observar los cambios
ocurridos en el transcurso del tiempo. La variación en la frecuencia de
observación influye en la identificación de cantidad de cambios. Las pruebas
realizadas con 10 conjuntos mostraron concordancia con imágenes publicadas,
se analizó la variabilidad espacial y se modificaron los elementos de clasificación
y así tener datos más representativos. Después de estas modificaciones, la
evaluación de los resultados del prototipo de LCMAP de la Versión 1 mostró
mejoras en el acuerdo general (que van del 85% al 90%).
Según RICHTER, et al. (2019), El estudio se plantea una combinación

las banda en las imágenes satélites de teledetección y vectores para clasificar la
idoneidad de los vectores sobre las influencia para la expansión en Canadá. En
la investigación encontraron datos en promedio de 55.3% de los punto de
intervención y adecuado. Un porcentaje de 45% no son adecuadas los terrenos
para un relleno sanitario. Este método se basa únicamente en sensores remotos
y datos vectoriales, pero bastante flexible para que los encargados de formular
políticas puedan aplicar la ponderación de los conjuntos de datos. Los productos
muestran el conjunto de datos de teledetección y resultados vectoriales de captar
11
aspectos claros de diferentes áreas del estudio de informaciones vectoriales se
pueden utilizar un proxy de las imágenes que se presenta capa de nube.
Según TROFYMCHUK, et al. (2019), el artículo describe un sistema

analítico de información para evaluar el impacto de los vertederos de residuos
sólidos en el medio ambiente. Se propone utilizar el procesamiento de datos de
tecnologías analíticas de información para realizar investigaciones sobre los
cambios en el estado del medio ambiente. Las herramientas de ArcGIS se utilizan
para recopilar, acumular, procesar, formalizar y presentar datos sobre factores
de impacto y estado del ecosistema ambiental. Los materiales cartográficos
interactivos sintetizados se crean con el apoyo de los avances tecnológicos de
la información del análisis de geodatos. El prototipo desarrollado del paquete de
software se centra en el apoyo informativo de las decisiones de gestión previas
al proyecto con respecto a nuevas perspectivas para la operación y el desarrollo
de una red de vertederos y vertederos de residuos sólidos en las regiones
de Ucrania. Esta gestión electrónica garantizará la selección de medidas
adecuadas para eliminar las inconsistencias y la provisión de un método
ecológico de eliminación y eliminación de residuos.
MONSEF, et al. (2019), La investigación describe un método para

identificación de sitios para la adecuada eliminación de desechos peligrosos en
Egipto, Canal de Suez. Los SIG y la teledetección fueron usados para generar
una base de datos geoespaciales para el lugar de estudio. Los estándares
usados en esta investigación se establecieron en el Convenio de Basilea sobre
Residuos Peligrosos en 1992. Se tiene en cuenta los aspectos sociales,
económicos, ambientales, geológicos, hidrológicos, y variables geomorfológicas.
A través del análisis de jerarquía analítica, se obtuvo dos lugares que cumplen
con las especificaciones para la eliminación de desechos peligrosos. La
información necesaria para obtener una base de datos geoespaciales, se
obtuvieron de encuestas realizadas en campo, interpretación de imágenes
satelitales y de investigaciones científicas publicadas previamente.
12
Según EL MAGUIRI, et al. (2019), la investigación se basa en el
SIG, Teledetección y las decisiones de múltiples críticos de los desechos sólidos,
para ello se planteó un método adecuado para la selección de los sitios
para los rellenos, los que cultiva una mejor multidisciplinario de los lugares
de un ambiente saludable, económica, viable , social, aceptable con una
presión y dentro de un costo razonable. Se llegó a una respuesta que en total
de la zona de estudio indica; 3.6% (4634 ha) es alta, 12% (16282 ha) es
adecuado, 3.1% (3907 ha) es moderada y 80% (102632 ha) no es adecuado
para un relleno. De ley, el resultado la muestra que se vieron en selección de
los lugares correctos para la ubicación en una zona de Casablanca: 5 sitios
son adecuado en la provincia de Nouaceur y 1 lugar adecuado en la provincia
de Mediouna.
Según MUSSA, et al. (2019), la GRS necesita una técnica, donde es
importante la ubicación de un relleno sanitario. Una de las cuestiones más
importantes del relleno sanitario es identificar ubicaciones adecuadas en la
ciudad de Logia, Etiopía, aplicando técnicas de Teledetección y SIG. Se usó el
modelo de comparación por pares del proceso de jerarquía analítica para lograr
los pesos de los parámetros de los factores. Los resultados obtenidos refieren
que 5.93% del área de estudio es altamente adecuada y 83.32% no es adecuada
para el vertido de residuos sólidos en la localidad. Por lo tanto se concluye que
los lugares seleccionados son adecuados para vertederos para minimizar el
riesgo ambiental y los problemas de salud humana. Por lo tanto, este método
puede usarse en áreas urbanas para el procedimiento de selección de sitios de
vertido de desechos para minimizar el riesgo ambiental y los problemas de salud
humana.
TANRIVERDİ, et al. (2019), las tecnologías de información geográfica

se muestran en todos los campos con el efecto de nuestra era. SIG y parámetros
importantes que facilitarán nuestra vida diaria y, lo más importante, los regularán
con los sistemas de teledetección. Todo tipo de actividad está posicionado para
servir en áreas donde las personas pueden alcanzar fácil y fácilmente. Local
administraciones, empresas privadas y académicos en diferentes ciencias
13
utilizando SIG y Teledetección que puede llevar a cabo estudios muy detallados
con los métodos desarrollados. Residuos sólidos en un área amplia en este
estudio determinación de lugares adecuados para el almacenamiento,
determinación de su volumen y, por lo tanto, capacidad de almacenamiento, y
su objetivo es mapear las ubicaciones apropiadas determinadas. Preparado
utilizando el método de criterios múltiples en un entorno SIG se analizaron 11
capas de datos mediante el método de combinación lineal ponderada. Basado
en los resultados de los análisis. Se seleccionaron áreas alternativas de
almacenamiento de residuos sólidos y la ubicación más adecuada.
En la provincia de Huancavelica se toma la información geográfica por

su relieve y geografía de los lugares que se encuentra los residuos sólidos.
Según, (FLORES, 2018), menciona que las estrategias en la gestión GRS
mediante Sistemas de Información Geográfico en Huancavelica, usó el método
de observación y levantamiento georeferencial, la identificación de los puntos
municipales de residuos sólidos, para dicha investigación se tenían encuentra el
siguiente tipo de estudio fue aplicada, y el nivel estudio descriptivo correlacional,
de diseño no experimental. En seguida se realiza la obtención de los datos
tomados en el campo y trabajo de gabinete con ArcGIS v. 10.2. Obtuvo como
resultado que Santa Ana tiene más desechos sólidos y el punto de acopio de
Lircay recolecta, hay mayor cantidad de residuos. Se concluyó que la GRS a
través del SIG en el distrito de Huancavelica es viable de acuerdo a análisis
contextual analítico.
Según KHAN, et al. (2018), a investigación se realiza usando una

metodología para ubicar lugares óptimos para las instalaciones de conversión de
residuos que se consideren. Disponibilidad, así como restricciones ambientales
y sociales. Se usó un análisis espacial del SIG para detectar los lugares más
adecuados y si es necesario descartar lugares inadecuados. El proceso de
jerarquía analítica se usó para una adecuada selección de múltiples criterios de
diferentes factores ambientales y sociales. Se efectuó una investigación de
casos para Alberta, Canadá, Estudiando la disponibilidad de residuos en todo el
14
lugar de estudio. Los desechos totales disponibles considerados para este
estudio fue de 4077,514 toneladas / año para 19 divisiones de recolección de 79
vertederos. Se llegó a realizar el análisis del lugar de asignación para las
instalaciones adecuadas las instalaciones de los 10 rellenos.
ALARCÓN, (2018), indica que la teledetección para identificar aguas

subterráneas se desarrolló en Ica del 2017 al 2018 en la provincia de Ica. Con
un diseño no experimental, la metodología se basa en el procesamiento de
imágenes satelitales de Landsat 8, es necesario tener información de la
temperatura, pendiente, vegetación, también la población y se solicitó
información del Autoridad Nacional del Agua (ANA), con los que se obtuvo
como resultados varios distritos tienen hasta un 98% de aguas subterráneas, las
cuales fueron similares a los resultados de campo analizado mediante sondeo
eléctrico, por ello se concluye que los lugares identificados con aguas
subterráneas mediante las imágenes satelitales coinciden con los lugares que
se explotan se logró identificar zonas con alto potencial de contener aguas
residuales.
HOANG, (2018), menciona que el SIG sirve para adecuado recojo de
RS en la ruta. El modelo SIG es basado específicamente en la fase de pre-
recolección con carros de mano y recogida con camiones, el estudio se realizó
en Hai Phong. El modelo se basa en la fase de pre-recolección y recogida. El
modelo de recolección se usó herramientas para maximizar la cobertura y
minimizar cantidad de puntos de recolección. El problema en la designación de
las rutas de los camiones. Luego de considerar un total de 30 opciones para
verificar las interrelaciones de los parámetros de precio de ejecución y
mantenimiento. Se designa el escenario de 11 puntos de recogida por el bajo
coste en el área. Un solo punto de recogida tiene un alcance de 0.11 km y
beneficia a 2.590 personas.
XIZHI, et al. (2018), detalla que la teledetección es una tecnología muy

usada para la exploración espacial. Donde las imágenes del bosque se reflejan
en las imágenes satelitales en tiempo real, pero tienen algunas limitaciones
hacen que las imágenes se vean borrosas, debido a varios sistemas de
15
imágenes. En este artículo, se estudiaron y discutieron dos desenfoques
comunes de imágenes de detección remota, denominados desenfoque de
movimiento y desenfoque de turbulencia atmosférica, y se discutió el mecanismo
de la imagen borrosa, y se propuso un método de restauración de imágenes de
detección remota basado en un método de iteración Landweber mejorado que
agiliza la convergencia sólo en el dominio de la señal. La precisión de las
imágenes puede mejorar cuando se aceleran las convergencias.
(MAGNUS, et al. 2018), la combustión incompleta conlleva a la

generación de varios subproductos gaseosos de diferente composición los
cuales pueden ser de difícil control de los residuos de las chimeneas.en la
investigación tiene como mira con la teledetección en la detección de los gases
de efecto invernadero de NH4 y N2O desde la chimenea de los desechos a una
distancia de 150-200 m. En la investigación se identificó emisiones de N2O
(correspondiente a 30–40 año -1), toma en consecuencia que el agente reductor
con urea con el fin de reducir las emisiones de NOX; uno de los procedimientos
hace aumentar las emisiones N2O. El metano a menudo no está en los datos
tomados de GIE para su calcinación de los desechos. Se puede destacar del
monitoreo de los pasos los procesos de calcinación de la muestra para ver las
emisiones de CH4 Y N2O de los residuos a diferentes puntos de su alrededor
tomando una distancia adecuada.
(MUSSE, et al. 2018), el proyecto que se planteó ante el problema en las

zonas urbanas sobre los problemas ambientales en la población de
latinoamericana que algunos datos son nuevos o si hay se encuentra en diferente
escala lo que hace de la información sea comparable. Por lo tanto, se planteó un
enfoque cualitativo para evaluar la calidad ambiental urbana (UEQI), Colombia.
Las imágenes se descargaron para la extracción Landsat ETM + se utilizaron
para extraer indicadores biofísicos: temperatura, índice de vegetación, índice de
vegetación ajustado, índice de contenido de humedad de la hoja (LWCI), índice
de humedad normalizada (NHI), diferencia normalizada índice acumulado
(NDBI) e índice de superficie impermeable a la diferencia normalizada (NDISI).
16
Los resultados mostraron una correlación constante entre los indicadores, y los
valores más altos de UEQI ocurrieron en comunas con menos áreas urbanizadas
y más áreas verdes.
Según (ZHU, 2017) el acceso libre y gratuito a todas las imágenes

archivadas de Landsat en 2008 ha cambiado por completo la forma de utilizar
los datos de Landsat. Se han desarrollado muchos algoritmos novedosos de
detección de cambios basados en series temporales de Landsat. Se revisó una
serie de pasos de preprocesamiento de imágenes, que incluyen corrección
atmosférica, detección de nubes y sombras de nubes, y técnicas compuestas /
fusión / métricas. Dividimos todos los algoritmos de detección de cambios en seis
categorías, que incluyen umbral, diferenciación, segmentación, clasificación de
trayectoria, límite estadístico y regresión. Dentro de cada categoría, se
analizaron seis características principales de diferentes algoritmos, tales como
frecuencia, índice de cambio, univariado / multivariado, en línea / en línea,
cambio abrupto / gradual y subpíxel / píxel / espacial. Además, también se
discutieron algunos de los algoritmos de detección de cambios ampliamente
utilizados. Finalmente, revisamos diferentes aplicaciones de detección de
cambios dividiendo estas aplicaciones en dos categorías, objetivo de cambio y
detección de agente de cambio.
Las imágenes de cada región se identifica de manera adecuada según,

(KĘPSKI, et al. 2017), estudió en las regiones árticas la cubierta de nieve influye
en la distribución de las plantas, sin embargo el viento conduce a una distribución
espacial de la nieve. Por ello se debe analizar la vegetación y la nieve. Se realiza
en 0.72 km2 donde se encuentra la vegetación de Tuncra costera, adicional a
ello se realizaron mediciones de profundidad de nieve. La mayor duración de la
capa de nieve se encontró en el tipo de "escombros de roca" y la más corta en
la "tundra de hierba de líquenes", lo que resultó en un retraso de casi dos
semanas entre estos dos tipos de cobertura terrestre. La distribución de la nieve
demostró ser consistente en los diferentes años con un patrón de deshielo similar
que ocurre en cada temporada analizada, a pesar de los cambios en las fechas
17
de deshielo relacionadas con diferentes condiciones climáticas. Las imágenes
procesadas están disponibles para ser descargadas.
Según (SARKAR, et al. 2017), El estudio realizado basado en el área

impermeable, como indicador del agotamiento de los recursos hídricos. En el
presente trabajo, se llevó a cabo un Área de Superficie Impermeable basada en
sensores remotos para la localidad de la Autoridad de Desarrollo Industrial de
Nueva Okhla, ya que tiene un mayor desarrollo en la Región de la Capital
Nacional de India. El área impermeable se calculó el 2001, 2007 y 2014 usando
técnicas de análisis multiespectral de imágenes LANDSAT mediante técnicas de
análisis de combinación espectral lineal para monitorear la tasa de crecimiento
de la superficie impermeable. Los resultados observados mediante el análisis de
imágenes de satélite multitemporales muestran un cambio temporal extremo en
el crecimiento de ISA en la ciudad, por ello el uso de datos satelitales, son muy
importantes para la planificación y predicción de recursos hídricos.
El crecimiento poblacional se puede graficar de la generación de

residuos sólidos según; (LELLA, et al. 2017), indica que el desarrollo sostenible
en las áreas urbanas ya que tiene un mayor crecimiento en la región, como
perspectiva para tener una buena GRS con una buena técnica de acopio y
traslado en donde lo facilitan de segregar y extraer los recursos necesarios.
Teledetección y SIG en la etapa de acumulación de los residuos hasta la etapa
donde se descarga, en donde tiene ruta de transporte derivados de análisis en
donde dan un resultado en un decrecimiento de 59.12 % en un recorrido a lo
largo de las carreteras de recolección. Concluye que se puede diseñar terrenos
abierto para las unidades de áreas donde se pueda tratar los residuos orgánicos
y colocación de los cubos de residuos sólidos. En el área de estudio se vieron
cambias en la cubierta vegetal con un agotamiento de 2100 m2 al alrededor del
vertedero.
(CAIO, et al. 2017), en la feria actual de la construcción hay una gran

demanda de sostenibilidad. Además de eso, el gobierno brasileño está
promulgando leyes cada vez más estrictas sobre la expulsión de residuos de
18
construcción. El programa software proporciona información no disponible
previamente, lo que permitió calcular el costo de la pérdida de material, indicando
acciones correctivas, todo sin perder de vista las oportunidades de reducción de
costos para la GRS de construcción. Alrededor del 70% de los residuos fueron
desechos de materias primas. El programa de software proporcionó información
no disponible previamente, lo que permitió calcular el costo de la pérdida.
(ASGARI, et al. 2017), l os residuos de los restos de la demolición de

las casas, edificios y otros lugares que contenga concreto en la destrucción de
estos lugares que tienen residuos. Por más que los residuos dependen de sus
características y componentes de tipo de escombros están acumulados en los
diferentes lugares, calles y zonas de la ciudad. Cuando se empieza una
edificación de zonas residenciales y no residenciales y de proyectos de obras
públicas y también que demolición de las obras de las estructuras existentes.
Los residuos de construcción y demolición es una preocupación de todas las
autoridades en todo el mundo debido al aumento de la población en estos últimos
años fue notable de los diferentes vertederos que se construyeron en diferentes
países y en su mayoría no son autorizados.
(CHUNYANG, et al. 2017), los análisis que se realizó en la parte del

cambio ambiental urbano es de suma importancia para la sostenibilidad urbana
del país asiático, con la teledetección se toma múltiples fuentes los datos
basada en datos de teledetección de múltiples fuentes que han centrado
principalmente en el entorno urbano utilizando datos específicos. En este
estudio, desarrollamos un índice de evaluación integral (CEI) que combina los
datos de teledetección de la concentración de partículas finas (PM 2.5 ), la
temperatura superficial terrestre y la cobertura vegetal para evaluar el cambio
ambiental urbano en China en la escala nacional, entre urbano aglomeraciones
y en las regiones rápidamente urbanizadas. Las zonas urbanas con un ambiente
degradado y leve degradación representaron en 48.14% de las zonas habitables
en China. La generación de los materiales particulados en el ambiente de PM2.5
fue una causa en la debilitación ambiental en la zona demográfica. El aumento
19
en la concentración de PM2.5 fue una de las principales manifestaciones de la
degradación ambiental en las áreas urbanas expandidas.
(LIQIAO, et al. 2016), el GOCI Geostationary Ocean Color Imager es

capaz de captar imágenes nítidas en el océano, sin embargo puede haber
problemas en las correcciones de las imágenes mostrando monitores turbios en
las fuentes hídricas. Propusieron una red neuronal artificial para la corrección de
las imágenes, Las características radiométricas y espaciales fueron construidas
con el fin que los espectros de imágenes de una resolución media y GOCI, con
3000 pixeles de la reflectancia de la superior de la atmósfera (TOA) de las
imágenes del 2011 al 2012. La reflectancia del agua en las zonas más turbias de
las zonas del mar. Los modelos de ANN muestra cierta dificultad para mostrar
El modelo ANN mostró cierto grado de dificultad para representar valores altos
de reflectancia de salida de agua y los resultados sugieren que el método ANN
puede usarse para el proceso de corrección atmosférica en aguas turbias sin
requerir numerosas mediciones in situ.
Según (MANZO, et al. 2016), la presente investigación de imágenes

landsat donde utilizan para analizar donde ocurrieron los hechos a una escala
temporal de los índices ambientales. Para la identificación de las imágenes
MIVIS de alta resolución espacial y espectral para el área de estudio del mes de
julio del 2004 se describe la situación ambiental de los vertimientos en diferentes
zonas y actividades antrópicas, en el año 2010 se adquiere la segunda imagen
después de la construcción de una cantera antigua. Para la caracterización de
diferentes métodos en el estudio: La organización del Mapeador de ángulo
espectral dio cubiertas de locales, se identificaron los cambios principales de la
vegetación de las superficies oscuras. Finalmente la detección de los cambios
espectrales en donde se destaca las zonas altamente vulnerables.
(FILHO, 2016), la técnica de teledetección en la industria minera es

cada día más aplicada, no solamente para la ubicación de los derechos
minerales, sino también para el monitorear los avances en diferentes etapas de
un proyecto minero, también para identificar los impactos ambientales conexos
20
con los trabajos en las minas a tajo abierto. Las escombreras pueden generar
daños ambientales similares que en las trabajos realizados en las minas, por ello
son considerados casos relevantes dentro del EIA. Este trabajo tuvo como objeto
la identificación y estimación del progreso de minas de yeso y sus respectivas
escombreras ubicadas en Araripe, el análisis se realizó durante 15 años (1992 -
2007), a partir del tratamiento, análisis y clasificación de imágenes de satélite
como método de apoyo en la EIA.
La detección de residuos sólidos es muy importante identificar mediante

las imágenes satelitales para una buena gestión de ello según; (SANCHEZ, et
al. 2016), aplicar metodología para la detección de sitios potencialmente
contaminado con residuos sólidos mediante las imágenes landsat, la
metodología aplicada fue el método de observación, identificación de sitios
contaminados a base de la plataforma ENVI, ArcGIS y Google Earth donde se
utilizó imágenes satelitales Landsat 7 ETM+, se obtuvo como resultado que
mediante las bandas correspondientes al espectro visible (Azul y Verde) e
infrarrojo medio y térmico. Se concluyó que con las bandas empleadas e
imágenes Landsat 7 a las imágenes Lansat 8 obtenidas no fue posible detectar
los sitios potencialmente contaminados, pero si se detectó por material de
construcción. Esta solución aportaría en la identificación rápida y factible de
cualquier lugar contaminado.
El Sistema de Información Geográfica permite la adquisición y aclaración

relacionada sobre el uso de suelo y áreas inaccesibles, donde sirve como
referencia para la gestión adecuada de los recursos y luego realiza un
proceso geográfico (LAO, 2018). Se trata de una tecnología usada para
monitorear y medir los cambios que se den en la superficie y la atmósfera.
Normalmente esto se logra mediante el uso de un satélite o una aeronave. En la
tercera edición de la teledetección se mejoran con el uso de tecnologías
modernas y nuevas técnicas de procesamiento de imágenes satelitales
(SCHOWENGERDT, 2007). Las imágenes de teledetección contienen datos
21
para monitoreo, con valores ponderados, se obtiene la diferencia espectral y se
obtiene la heterogeneidad de la forma (SHANG, 2019).
LANDSAT conjuntos del programa NASA/USGS tiene como registro

continuo más largo basado en el espacio de la tierra que existe. Diariamente los
satélites Landsat brindan información esencial para ayudar los gestores de
tierras y tomar decisiones en los recursos naturales y el ambiente (USGS, 2017).
Para la adquisición de las imágenes satelitales se enviaron al espacio satélites
en ello tenemos los siguientes: Landsat 1, fue lanzado al espacio a bordo de un
cohete el 23 de julio de 1972, ERTS-1 fue el primer satélite en donde se pudo
ver el planeta tierra (USGS, 2017). También el satélite Landsat 2, fue lanzado
a bordo de un cohete Delta 2910 con el fin de descubrir la cobertura el 22 de
enero de 1975. Fue llamado ERTS-B Earth Resource Technology Satellit. El 25
de febrero de 1982, después de 7 años se retiró de sus operaciones debido a
fallas en el control de guiñada en 1983 (USGS, 2017).
Para tener más información de imágenes envían el Landsat 3 (llamado

Landsat C) se envió al espacio un cohete Delta 2910, el 5 de marzo de 1978. El
fin de este fue la extensión del período de imágenes de la Tierra adquirida en el
espacio, iniciado por Landsat 1 y 2. El satélite se colocó en modo de espera el
31 de marzo de 1983 y se retiró el 7 de septiembre de 1983 (USGS, 2017).
También el Landsat 4 se lanzó el 16 de julio de 1982 en un cohete Delta 3920.
Donde se actualizo los 3 landsat anteriores para tener un acceso directo al
satélite que transportó el escáner multiespectral (MSS), de los nuevos
instrumentos Thematic Mapper (TM). Los sensores a bordo del satélite
recopilaron datos hasta finales de 1993, y el satélite fue desmantelado el 15 de
junio de 2001 (USGS, 2017).
Landsat 5 se lanzó al espacio el 1 de marzo de 1984 al igual que el

Landsat 4, llevaba los instrumentos Multispectral Scanner (MSS) y Thematic
Mapper (TM). Durante 29 años nos brindaron imágenes de la tierra y de su
cobertura como también estableció un récord mundial Guinness del Satélite de
la Tierra en funcionamiento más largo, antes de ser retirado el 5 de junio de 2013
22
(USGS, 2017). El lanzamiento Landsat 6 fue el 5 de octubre de 1993 en un
cohete Titan II fue lanzado, pero no alcanzó la órbita. Este satélite conllevaba el
Mapeador temático mejorado, una versión en donde los instrumentos en Landsat
4 y Landsat 5, y también estaba incluía una banda pancromática de 15 metros
(USGS, 2017).
Landsat 7 se lanzó exitosamente el 15 de abril de 1999, desde la Base

de los Estados Unidos, California, replica las capacidades de los instrumentos
de gran éxito del Enhanced Thematic Mapper en los Landsat 4 y 5. [...] El ETM
+ tienen mejoras lo cual convierte en un instrumento más exacto para la
evaluación de cobertura de suelo, monitoreo, estudios de monitoreoo global y
mapeo de áreas grandes donde nos da un buen diseño (USGS, 2017). El Scan
Line Corrector (SLC), que compensa el movimiento hacia adelante del satélite,
tuvo defectos en el funcionamiento. Sin un SLC operativo, la línea de visión del
sensor traza un patrón en zigzag a lo largo de la ruta terrestre del satélite. Sin
embargo estos datos siguen siendo algunos de los datos de satélite civil más
precisos geométrica y radiométricamente del mundo (USGS, 2017).
Es el satélite con mejoras en la resolución espacial Landsat 8, está en

funcionamiento desde el 11 de febrero de 2013, es el satélite lanzado más
recientemente. Recopila valiosa información de las imágenes de cobertura
vegetal, educación, trabajos, ciencia y gobierno. Brinda datos multiespectrales
de la tierra con una buena resolución a nivel de la tierra. Son los registros de
calidad, con buen detalle de las coberturas naturales y valores dados en tiempo
real (USGS, 2017). Landsat 9 las mayores tasas actuales de cobertura mundial
de la tierra y el uso de la suelo generan cambios en el clima, la función y los
servicios del ecosistema, el ciclo del carbono, la economía global, la salud
humana. Landsat es el único sistema de satélites de EE. UU. Diseñado para
observar la superficie terrestre global a una escala moderada que permite
visualizar cambios tanto naturales como realizados por la humanidad (NASA,
2017).
23
La teledetección tiene la capacidad de procesar, detectar y monitorear
las características físicas de una zona tomando en cuenta la radiación reflejada
del área. Los sensores remotos realizan la recopilan datos al detectar la energía
que se refleja desde la Tierra, estos sensores pueden estar en satélites o
montados en aviones. (USGS, 2017). En ello se menciona los siguientes
Procesos de teledetección: 1. Fuente de energía (A): en este proceso la
energía ilumina o proporciona energía electromagnética al objetivo de interés en
este caso a los residuos sólidos. 2. Radiación y la atmósfera (B): La energía
interactúa con la atmósfera y ello puede tener lugar a medida que traslada el
objeto al sensor. 3. Interacción con el objetivo (C): La energía que llega al sensor
interactúa con el cuerpo al captar la radiación de la luz. 4. Registro de energía
por el sensor (D): La energía registrada se transmite con un sensor que no está
en contacto con el objeto recolecta y registra la radiación electromagnética. 5.
Transmisión, recepción y procesamiento (E): La energía registrada en el cuerpo
de la superficie se transmite a una estación de recepción en donde se pueda
realizar un buen procesamiento de datos. 6. Interpretación y análisis (F): La
imagen se puede interpretar de diferentes mareas ya sea, visual, digital o
electrónicamente con el fin de escribir y se extraer información del objeto
iluminado. 7. Aplicación (G): Se aplica la información que se ha extraído para
mejor comprensión y ayudar a resolver un problema (NATURAL RESOURCES
CANADA, 2015).
Los Sensores Remotos: Los instrumentos son de dos tipos principales:

activos y pasivos. Los sensores activos administran su propia fuente de energía
para alumbrar los objetos de la tierra, luego percibe y cuantifica la radiación que
es reflejada o se retrodispersada desde el objetivo. Los sensores pasivos, utilizan
la energía natural (radiación) que se emitida o reflejada por el objeto o el
panorama que se visualiza. La luz de sol que es reflejada es la fuente más común
de radiación medida por sensores pasivos (NASA, 2019).
24
Las Imágenes Satelitales, son mapas: que contienen información
importante, siempre que tenga una clave. Se puede ver los cambios del
crecimiento de una ciudad, qué tan bien están creciendo de los cultivos, incendio
o cuándo viene una tormenta. (NASA, 2013). El primer tipo de imágenes
satelitales, VIS, se basa en el principio de la luz solar reflejada. La cantidad de
luz solar reflejada que el satélite puede detectar de forma remota depende de la
reflectividad, o albedo, de la superficie de la que se refleja la luz solar (SHAWN,
2018). Una imagen natural o de "color verdadero" combina medidas reales de
luz roja, verde y azul. El resultado se parece al mundo como lo ven los
humanos. Sin embargo los satélites recopilan información más allá de lo que los
ojos humanos pueden ver, por lo que las imágenes hechas de otras longitudes
de onda de luz no nos parecen naturales. Llamamos a estas imágenes "color
falso" (NASA, 2014).
Las resoluciones de las imágenes son: la resolución espectral tiene la

capacidad de tomar las longitudes de ondas finas, en donde son las más
angostas en la gama de longitudes. Mientras la resolución espacial determina
en tamaño de pixel en donde es la unidad más pequeña medida por el sensor.
También nuestra las imágenes en diferentes medidas de 1 m, 10 m, 30 m, los
cuerpos de la superficie de la tierra. La resolución temporal en donde una
resolución temporal en algunos satélites pueden ser mayor debido al sopla
miento en latitudes mayores en donde tiene mayor repetición. Finalmente la
resolución radiométrica toda depende de la radiación máxima registrada
capotada del cuerpo, también el máximo de niveles de luminosidad depende del
número de bits para su nitidez de las imágenes (NASA, 2016). Las Bandas
espectral, tiene un rango dinámico de la banda espectral en donde se encuentra
registrada las imágenes en donde se tiene valores disponibles según su tipo de
codificación, en donde se puede agrupar los elementos del histograma desde
cero. Por lo general las bandas se encuentra en la parte inferior y contienen los
datos, incluso en el medio de las bandas, del eje x, y es por ello que las imágenes
oscuras aparecen, con menos contraste en la pantalla (DOELLING, 2018).
25
Ocho bandas espectrales, que incluyen una banda panorámica y
térmica: Banda 1 Visible (0.45 - 0.52 µm) 30m Banda 2 visible (0.52 - 0.60 µm)
30m Banda 3 visible (0.63 - 0.69 µm) 30m Banda 4 infrarrojo cercano (0.77 - 0.90
µm) 30m Banda 5 Infrarrojo cercano (1.55 - 1.75 µm) 30m Banda 6 Térmica
(10.40 - 12.50 µm) 60 m Baja ganancia / Alta ganancia Banda 7 Infrarrojo medio
(2.08 - 2.35 µm) 30m Banda 8 Pancromática (PAN) (0.52 - 0.90 µm) 15m
Intervalo de muestreo de tierra (tamaño de píxel): 30 m reflexivo, 60 m térmico
(USGS, 2017). Para el método de la teledetección es importante saber la
ubicación geográfica que se define como: el lugar donde existe un punto u
objeto en particular. La ubicación es un término importante en geografía, y
generalmente se considera más preciso que "lugar". Una localidad es un
asentamiento humano: ciudad, pueblo, pueblo o incluso sitio arqueológico
(NATIONAL GEOGRAPHIC, 2019). El Sistema Geodésico Mundial: Se define
una referencia para la tierra, en los usos de la geodesia y navegación. Las
últimas revisiones es WGS 84 que data de 1984. Un sistema geodésico mundial
unificado es convertido en esencial para la ciencia espacial internacional y el
comienzo de la astronáutica. (NGA, 2020)
La pendiente es una la ladera que condiciona los procesos de algún

desprendimiento de cualquier objeto y por la contribución e inestabilidad de los
cuerpos tanto es así que son parámetros utilizados sistemáticamente en la
mayoría de los métodos de cálculo de estabilidad de taludes (OCHOA, 2016).
Para las investigaciones del uso de DEM, es un código de un lenguaje de
programación con el complemento de más útil en las aplicaciones con un soporte
de útil para las imágenes (ANTÓN, 2019). Modelo digital de elevación de
USGS son conjuntos de valores de elevación regularmente espaciados
referenciados horizontalmente a una proyección Universal Transverse Mercator
(UTM) o a un sistema de coordenadas geográficas (USGS, 2017). Misión de
Topografía por Radar Shuttle (SRTM) fue lanzado a bordo del transbordador
espacial Endeavour del 11 al 22 de febrero de 2000. Los datos de radar se
usaron para crear el primer conjunto de elevaciones de tierra casi a nivel global
(USGS, 2017).
26
Fase de pendiente: Constituye un elemento fundamental del factor
topográfico, referido al grado de inclinación que presenta la superficie del suelo
con respecto a la horizontal. Está representada en % para las pendientes
geomorfológico, para los fines del estudio se han establecido siete fases por
pendientes: A, B, C, D, E, F y G (GOBIERNO REGIONAL PUNO. 2014), como
se pude ver los rangos de los porcentajes de pendiente en la tabla N° 1.
Tabla 1: Clasificación de pendiente
Clase de
Rango Descripción
Pendiente
0-4 A Llano a ligeramente inclinado
4-8 B Moderadamente inclinada
8-15 C Fuertemente inclinada
15-25 D Moderadamente empinada
25-50 E Empinada
50-75 F Fuertemente empinada
>75 G Extremadamente empinada

Fuente: Gobierno regional de Puno
Los residuos sólidos se definen; cualquier objeto, material, sustancia

que no fue usado para producir un bien o servicio, por ello el que lo posee se
desecha o tiene la intención de desprenderse, para ser la valorizados y en último
caso, su disposición final. Estos pueden estar en estado sólido o semisólida (D.L:
RRSS 1278, 2017). Desecho sólido significa cualquier objeto, restos y otros
materiales que son desechados, también de minería industrial, comercial o
minera y la agricultura, y de actividades cotidianas. (NEW YORK STATE, 2019).
También los puntos críticos se definen como las áreas de acumulación
temporal y de puntos crónicos de residuos sólidos municipales arrojados en vías,
avenidas y espacios públicos, en donde va tomando un volumen de los residuos,
27
densidad, humedad y líquido estos cambios que se encuentre genera un cambio
en la zona que se encuentran los residuos sólidos (MINAM, 2019, p. 36).
Se define como vertederos a los rellenos sanitarios que son el depósito

final para la mayoría del material desechado de la sociedad humana y sus
"entornos construidos", variaron en parámetros como el tamaño, la composición
de los desechos, estrategia de manejo, geografía y zona climática. (STAMPS, et
al. 2016). Los botaderos son las acumulaciones inapropiadas de los residuos
en vías y espacios públicos, así mismos en zonas urbanas, rurales y que genera
riesgo sanitario o ambiental (MINAM, 2016).
Vertedero municipal de residuos sólidos: Es una zona o excavación

que acopia desechos domésticos. También puede recibir otros tipos de
desechos no peligrosos, como desechos sólidos comerciales, lodos no
peligrosos, desechos de generador de pequeñas cantidades exentos
condicionalmente y desechos sólidos no peligrosos industriales (EPA, 2017). La
composición de estos residuos sólidos municipales varía significativamente de
un municipio a otro y de un país a otro de manera significativa. Dicha variación
depende principalmente del estilo de vida, la situación económica, las normas de
gestión de residuos y la estructura industrial (HUSSEIN, et al. 2018).El
Crecimiento poblacional en estos años de censos 2007-2017, en la Costa del
Perú se registró un crecimiento anual en donde alcanzó el 1,3%, también por
parte de la región de la Selva a con la tasa de 1,0% y en la Sierra hubo un
crecimiento anual negativa de 0,6% (INEI, 2018).
Las áreas degradadas. Aquellas áreas que pierden su valor con

cualquier tipo de material contaminante expuestas a los factores de erosión, casi
nunca se pude recuperar por el mal uso por el hombre de su aptitud productiva
natural (ALVA, 2018). El ecosistema degradado es de una diversidad y
productividad, se han reducido que la probabilidad de recuperar las medidas de
una área que está en una rehabilitación de los ecosistemas degradados y frágiles
(ALVA, 2018). Los ecosistemas frágiles son aquellas áreas que sus
características y recursos son irregulares, de baja resiliencia y estabilidad ante
28
situaciones impactantes de naturaleza humana que llegan a alterar
profundamente su estructura y composición fundamentales (MINAGRI, 2013.
Citado por MIYASIRO,et al. 2016).
La métrica para evaluar la precisión del Mapa (Índice de Kappa) es

la proporción de coincidencias obtenidas en un producto cartográfico
sustrayendo aquellos generados de forma fortuita. Es una medida de la
diferencia entre la exactitud lograda en la clasificación con un software y la
exactitud de lograr una clasificación correcta con una clasificación visual (en
campo o con imágenes de alta resolución) (MINAM, 2014), los coeficientes de
Kappa usados en la investigación se muestran en la tabla N° 2.
Tabla 2: Índice de Kappa

(𝑃𝑜 − 𝑃𝑒) Coeficiente
𝑘= Fuerza de
(1 − 𝑃𝑒) de Kappa
concordancia
(k)
0.00 Pobre
Siendo:
0.01 0.20 Leve
Po= Numero de aciertos/Números totales de clases 0.21 – 0.40 Aceptable
Po= (A1+B2+C3)/M 0.41 – 0.60 Moderada
Pe= Calculo generado desde la matriz de confusión 0.61 – 0.80 Considerable
Pe= (EP1*EU1)+(EP2*EU2)+(EP3*EU3) 0.81 – 1.00 Casi perfecta
Fuente: MINAM, 2014
29
III. METODOLOGÍA
3.1 Tipo y diseño de investigación
Según su diseño de investigación no experimental descriptivo

de relación: porque carecen de manipulación intencional donde se
analizan las acciones y fenómenos del tiempo actual después de su
ocasión. Transversal; porque se puede realizar investigaciones de
investigación de actualidad en donde se puede mostrar fenómenos de la
realidad en cualquier momento determinado del día a día (CARRASCO,
2006, citado por FLORES, 2018, p. 54).
El tipo de investigación según su meta es aplicada porque se va

hacer uso de los conocimientos preexistentes, donde se recolecta los
datos de los fenómenos tal y como se encuentra en un contexto
(TOMAYO, 2008).
El nivel de investigación descriptiva; busca identificar y describir

las características físicas de la persona, grupo, comunidades, procesos
o de los fenómenos, dónde se trabaja sobre realidades de hecho y sus
características fundamentales donde nos preste una interpretación
correcta, correlacional, porque relaciona las variables donde
proporcionan el conocimiento en actualidad tal como se presenta en una
zona del espacio (TOMAYO, 2008).
30
3.2 Variables y operacionalización
Variable independiente
La teledetección tiene la capacidad de procesar, detectar y

monitorear las características físicas de una zona tomando en cuenta la
radiación reflejada del área. Los sensores remotos realizan la recopilan
datos al detectar la energía que se refleja desde la Tierra, estos sensores
pueden estar en satélites o montados en aviones (USGS, 2017).
Variable dependiente
Los puntos críticos de residuos sólidos: Las áreas de acumulación

temporal de residuos sólidos municipales generados en vías, avenidas y
espacio públicos (MINAN, 2019, p. 36).
Operacionalización de la Variable
El instrumento que se va utilizar para evaluar las variables de la

teledetección e identificación de los puntos críticos de residuos sólidos y
sus dimensiones de cada variable se detallan en la ANEXO N° 5.
31
3.3 Población, muestra y muestreo
El Distrito de Comas se encuentra a una altura variante entre los

150 a 811 m.s.n.m. Es el distrito con mayor altitud de Lima Metropolitana,
tiene una Latitud Sur de 11°56’00” y una Longitud Oeste de 77°04’00”.
Tiene una extensión total de 48.72 km2 la cual representa el 5 por

ciento de la totalidad en la extensión del territorio de Lima Norte y el 1.7
por ciento de la superficie de Lima Metropolitana. El Distrito de Comas
tiene un aproximado de 525,000 habitantes, se encuentra en el cuarto
lugar de distritos con mayor población del Perú y uno es de los 43 que
conforman la Provincia de Lima, Región Lima (MUNICIPALIDAD DE
COMAS, 2018).
Las muestras son zonas de almacenamiento o acumulación de RS

en el distrito de Comas.
Se empleó el muestreo no probabilístico de tipo casual e incidental

porque permite al investigador seleccionar de manera directa e
intencionadamente la muestra de los PCRS (Carrasco, 2006) citado por:
(FLORES, 2018). El mapa de ubicación se muestra en la figura N°1.
Fuente: Geogps perú

Figura 1: Mapa de estudio
32
3.4 Técnicas e instrumentos de recolección de datos
La técnica a usar para el siguiente trabajo titulado teledetección en

la identificación de puntos críticos de residuos sólidos en el distrito de
Comas; es observacional, ya que los datos a obtener serán registrados
en 4 instrumentos mostrados en el anexo N° 8:
- Ficha de observación de imágenes satelitales.
-Ficha de datos de residuos sólidos.
-Ficha de datos de crecimiento poblacional.
-Ficha de análisis multitemporal de imágenes LANDSAT.
Además información evidenciada en fotos tomadas en el lugar. La

observación se basa en un proceso en el cual se recopilan datos, el
objetivo principal es poder captar características inherentes del objeto de
estudio a través del sentido, sin embargo se puede hacer uso de
instrumentos para una mejor precisión y detalle, el cual posteriormente
los datos obtenidos serán procesados para convertirlos en información
(Carrasco, 2009, p. 282).
Según AHERDOOS “[...] una prueba tiene validez nominal si su

contenido simplemente parece relevante para la persona que realiza la
prueba. Evalúa la apariencia del cuestionario en términos de viabilidad,
legibilidad, coherencia de estilo y formato, y la claridad del lenguaje
utilizado” (2016, p. 2) La validez y confiabilidad se realizarán mediante
las fichas validadas por expertos (ANEXO N° 7), fueron analizados por
los siguientes expertos que se muestra en la tabla 3.
33
Tabla 3: Porcentaje de validación
N° EXPERTOS ESPECIALIDAD CIP VALIDEZ
Castro Tena,
1 Ing. Ambiental 162994 95%
Lucero Katherine
Benites Alfaro,
2 Ing. Químico 71998 90%
Elmer Gonzales
Ordoñez Galvez,
3 Medio ambiente 89972 90%
Juan Julio
Fuente: Elaboración propia
3.5 Procedimientos
Para la investigación que se está realizando se está realizando

diferentes pasos para la identificación de los residuos sólidos ellos se
toma en cuenta la página de donde se va descargar las imágenes
Descargas de las imágenes LANDSAT
Se descarga las imágenes landsat 7 de la página de USGS para

tener como base para la ubicación de las zonas de residuos sólidos, tal
como se muestra en la figura 2.
SELECCIÓN DEL ÁREA

DE INTERÉS
Fuente: USGS
Figura 2: Plataforma USGS
34
La plataforma USGS muestra a detalle la fecha y hora de la toma de la
imagen, algunas imágenes tienen mucha presencia de nubosidad, lo ideal es
descargar las imágenes que tengan menor porcentaje de nubes en el área de
interés, se observa la plataforma USGS en la figura N° 3.
IMAGEN DE LANDSAT
7 DESCARGADA DE LA
PÁGINA USGS.
Fuente: USGS
Figura 3: Selección de imágenes
Georreferencia
Se georreferencia la zona de estudio con el fin de tener una buena

exactitud en el espacio geográfico y tomar las coordenadas correctas
para su ubicación de los PCRS, asimismo se evidencia la
georreferenciación del distrito de Comas en la Figura 4.
GEORREFERENCIA UTM
Coord. Este: 280741.93 m E
Coord. Norte: 8679308.85 m S
Fuente: Google Earth

Figura 4: Puntos de control
35
Bandas
Las diferentes bandas se combinan y generan un color básico de las

zonas que contengan los residuos sólidos en diferentes partes del
distrito. Además se realizará la combinación de 4 bandas para formar el
falso color para poder visualizar claramente los lugares que tienen
PCRS, la combinación de las bandas azul, verde y rojo se muestran en
la figura 5.
Fuente: USGS
Figura 5: Combinación de bandas
Clasificación
Con el resultado de la combinación de bandas se genera una base con

la creación de puntos en áreas de interés con ello se realiza la
clasificación usando las herramientas de clasificación y segmentación
del programa ArcGIS 10.5, a continuación se muestra la clasificación en
la figura 6.
Figura 6: Clasificación
36
Validación
Para validar los resultados obtenidos se usa las herramientas de

clasificación y segmentación del programa ArcGIS 10.5, con ello se
generan puntos con coordenadas para ser comparadas con google
maps o visita al lugar, a continuación se detalla las coordenadas de
validación en la figura 7.
Figura 7: Generación de puntos de validación
Los pasos a realizar en el procedimiento de la investigación se detallan en la

Figura 8.
COMBINACIÓN ANÁLISIS DE
TELEDETECIÓN DE BANDAS RESULTADOS
LOCALIZACIÓN CORRECCIÓN
DEL ÁREA DE DE CLASIFICACIÓN
INTERÉS BANDAS
VALIDACIÓN
VISITA AL LUGAR
DESCARGA DE INSERTAR AL Y COMPARACIÓN
INFORMACIÓN PROGRAMA CON GOOGLE
SATELITAL ArcGIS MAPS
Figura 8: Procedimiento
37
3.6 Método de análisis de datos
Inicialmente se realiza trabajo en gabinete para tener un buen

desarrollo en el campo, luego se ubica el área de interés o de estudio
donde se va realizar, ingreso a la plataforma USGS, extraer imágenes
de la zona de interés, realizar combinación de bandas en el software
ArcGIS 10.5, analizar las imágenes obtenidas y finalmente verificar los
resultados obtenidos de las imágenes LANDSAT mediante una visita a
los lugares identificados.
3.7 Aspectos éticos
El presente trabajo de investigación “Teledetección en la

identificación de puntos críticos de residuos sólidos en el distrito de
Comas, 2020” es significativo para mejorar la calidad del ambiente, la
salud de los seres vivos y se realizará cumpliendo el código de ética. Por
lo tanto toda información fue procesada por el sistema del turnitin quien
se ocupa de verificar si existe algún plagio de la tesis.
Las citas de este proyecto es guiado por el formato de la norma

ISO 690, según international organization for Standardization (2013),
donde nos brinda varias directrices para la elaboración de las referencias
bibliográficas de diferentes recursos y respecto a la investigación fue
desarrollado de acuerdo a los lineamientos indicado de la Universidad
César Vallejo.
38
IV. RESULTADOS
ÁREA DE ESTUDIO
El distrito de Comas se encuentra en el norte de Lima metropolitana a más
detalle su localización en UTM WGS 84 Zona 18 L con las Coordenadas
11°56’00” S y 77°04’00” W, en donde se empleó la teledetección en la
identificación de puntos críticos de RS y para verificar lo obtenido se usaron
imágenes de Google maps de alta resolución.
La tabla 4 ficha de observación se detalla el color de las bandas del espectro

visible y para el falso color. También la resolución de bandas espectrales de
landsat 7, la resolución para cada banda es de 16 días y su resolución espacial
varia de 15 m, 30 m y 60 m.
Tabla 4: Datos de las imágenes
DATOS DE LAS IMÁGENES

FUENTE DE
USGS SATÉLITE/SENSOR LANDSAT 7 ETM +
DATOS
- BANDAS
11°56´00” S
RESOLUCIÓN MULTIESPECTRAL COORDENADAS
ESPACIAL - BANDA GEOGRÁFICAS
77°04´00 N
PANCROMÁTICA
PROGRAMAS E
ArcGIS 10.5 LANDSAT 7
IMÁGENES
COMBINACIÓN
COMBINACIÓN DE BANDAS RESULTADO DESCRIPCIÓN
La imagen de un
AZUL, VERDE Y ROJO ESPECTRO VISIBLE
verdadero color
Los puntos de
AZUL, VERDE, INFRARROJO MEDIO Y
FALSO COLOR residuos sólidos de
TÉRMICO
color azul oscuro
RESOLUCIÓN DE BANDAS
BANDAS RESOLUCIÓN RESOLUCIÓN
SATÉLITE
ESPECTRALES ESPACIAL TEMPORAL
BANDA 1
BANDA 2
BANDA 3 30 m
BANDA 4
LANDSAT 7 16 días
BANDA 5
BANDA 6 60m
BANDA 7 30 m
BANDA 8 15 m
39
Se realizó el análisis multitemporal de imágenes satelitales en la identificación
de puntos críticos de RS, a continuación se muestran los mapas realizados.
Fuente: propia basado en datos de USGS

Figura 9: Mapa del año 2000
DESCRIPCIÓN: En la (Figura 9) se aprecia el mapa A es de verdadero color la

combinación del verdadero color es la banda 1 (azul), banda 2 (verde) y banda
3 (rojo) estas tres bandas conforman el espectro visible, en una resolución de 30
metros y el mapa B es de falso color La combinación de las bandas azul, verde,
infrarrojo medio e infrarrojo térmico conlleva a ver la reflectancia del objeto de
investigación que se está buscando para luego interpretzar los colores
específicos como azul.
40
DESCRIPCIÓN: En la (Figura 10) se muestra el mapa del año del 2005 en el

mapa A es de verdadero color la combinación muestra del distrito de Comas
donde se aprecia la vegetación y vías tal y como la percibe el ojo humano y el
mapa B es de falso color. La combinación de las bandas azul, verde, infrarrojo
medio e infrarrojo térmico y se puede ver algunas zonas de color azul los cuales
son los PCRS se tomara sus coordenadas de los puntos que están resaltados
para luego descartar a una exactitud de residuos sólidos.

41
DESCRIPCIÓN: En la (Figura 11) se evidencia el mapa del año 2010 se puede
ver el mapa A de verdadero color para luego realizar su comparación con el mapa
B falso color donde el color azul son los botaderos y PCRS en las avenidas,
calles o en lugares de más circulación.

DESCRIPCIÓN: La (Figura 12) es el mapa del año 2015 los mapas de verdadero
color se puede ver una resolución de manera más adecuada para su análisis de
imágenes para la identificación de los RS para realizar una gestión adecuada.

42
DESCRIPCIÓN: En la (Figura 13) se aprecia el mapa del distrito de Comas en
el año 2020 se tiene una resolución muy clara en cuanto a su identificación de
los residuos sólidos en los diferentes partes del distrito. El verdadero color del
mapa A y en el falso color del mapa B y muestra el área de color azul.
Fuente: propia basado en imágenes de Google maps

Figura 14: Mapa de puntos críticos de RS
DESCRIPCIÓN: La (Figura 14) es del año 2020 se identificó 40 puntos críticos

de residuos sólidos en el distrito de Comas los cuales son residuos domiciliarios,
lugares de acopio de reciclaje, comerciales, sin embargo también se identificó
residuos de construcción y demolición que están ubicados en la parte de las
riberas del río Chillón y en las partes altas del distrito.
43
Tabla 5: Residuos sólidos en zonas
EXTRACCIÓN DE COBERTURA DE RESIDUOS SÓLIDOS
N° DE RANGO DE PENDIENTE
ZONA/SECTOR OBSERVACIÓN
PUNTO (%)
1 14 0-4
2 14 0-4
3 14 0-4
4 14 0-4
5 14 0-4
6 14 0-4
7 14 0-4
8 8 0-4
9 8 0-4
10 14 0-4
11 8 0-4
12 8 0-4
13 8 0-4
14 8 0-4
15 9 0-4
16 4 0-4
17 4 4-8
18 4 0-4
19 6 0-4
20 1 15-25
21 6 0-4
22 11 0-4
23 1 0-4
24 12 8-15
25 1 0-4
26 1 0-4
27 8 0-4
28 3 15-25
29 12 8-15
30 7 0-4
31 7 0-4
32 9 0-4
33 3 15-25
34 5 8-15
35 7 0-4
36 7 0-4
37 8 0-4
38 9 0-4
39 10 0-4
40 14 0-4
44
En la tabla 5 se muestra las cantidades de los puntos críticos identificados según
las zonas urbanas del distrito de Comas, así mismo se tienen los datos de
pendiente de los puntos críticos, donde 33 de ellos se encuentra en un rango de
0-4% y los restantes se encuentran en los rangos de 8-15 % y 15-25% de
pendiente.
Luego de identificar los puntos críticos en el año 2020 se realizó una

comparación de las mismas coordenadas obtenidas de puntos críticos con años
anteriores.
B C

Figura 15: Comparación de puntos críticos del año 2000
DESCRIPCIÓN: La (Figura 15) detalla el mapa del año 2000 se identificó 21

puntos persistentes de RS con respecto al año 2020 en diferentes partes del
distrito y 11 puntos que están fuera de estas coordenadas, pero si representan
a lugares con RS. El mapa B es de falso color donde los lugares con RS son de
color azul y en la imagen C se puede observar la comparación con las
coordenadas de los PCRS según lo evidenciado en el año 2020.
45
B C

Figura 16: Comparación de puntos del año 2005
DESCRIPCIÓN: En la (Figura 16) se aprecia la imagen B de falso color se

aprecian los puntos críticos y en la imagen C de falso color del año 2005, con las
coordenadas de los puntos críticos identificados en el 2020, donde los lugares
de color azul oscuro representan lugares con RS son de 24 puntos persistentes
de PCRS de los que se detectaron en el año 2020 y 13 puntos con RS las cuales
están en diferentes coordenadas.
46
B C

DESCRIPCIÓN: En la (Figura 17) se observa el mapa B de combinación de falso

color se evidencia los RS de color azul. Y en el mapa C del año 2010 se identificó
de 20 puntos persistentes con respecto al año 2020 y de 10 puntos críticos que
también se identifica en ese mismo año, pero q están fuera de las coordenadas
identificadas como PCRS del 2020.
B C

47
DESCRIPCIÓN: La (Figura 18) muestra el mapa B representa la combinación
de bandas de falso color y el mapa C del año 2015 se identificó 27 puntos
persistentes de residuos sólidos respecto al año 2020 y 8 puntos fuera de estas
coordenadas.
B C

DESCRIPCIÓN: En la (Figura 19) se aprecia el mapa B es la combinación de

bandas de falso color y el mapa C del año 2020 se identificó 40 PCRS las mismas
que fueron usadas para comparar si estos puntos se repiten de años anteriores
o son nuevos.
48
Luego de identificar los puntos críticos en el año 2020 se procedió a
identificar por un número a cada uno de ellos, es decir del 1 al 40 para realizar
una comparación de cuáles son los puntos persistentes a través de los años,
obteniendo los siguientes resultados.
Figura 20: Punto N° 1
INTERPRETACIÓN: En la (figura N° 20) se muestra el punto N°01 de los 20

años realizado de la análisis multitemporal el 38% no se repiten de residuos
sólidos, en donde el 62% son puntos repetidos respecto al año 2020 esto va
en los años 2011 a 2016 en donde se repitieron consecutivamente.
INTERPRETACIÓN: En la (Figura 21) se aprecia el punto N°02 se realiza un

gráfico del año 2000 a 2020 en donde se puede analizar que el 24 % de los años
no se repiten con residuos sólidos. Pero los residuos que si están permanentes
es un total de años que es de 76 % con presencia de RS.
49
INTERPRETACIÓN: En el análisis de los puntos críticos de los años 2000 al

2020 que el 19 % de año no cuentan con desechos sólidos, pero el 81% de los
años son con presencia de desecho sólidos, tal como se muestra en la (Figura
22).
INTERPRETACIÓN: la (Figura 23) muestra el punto N° 4 que fue analizado en

los 20 años para determinar si es persistente obteniendo que el 29 % de los años
no contienen de residuos y el 71% si están con residuos sólidos en los puntos
críticos identificados.
50
INTERPRETACIÓN: La (Figura 24) se evidencia el punto 05 indica que el 38%

no son identificados que contengan los residuos y en su mayoría de los años
tienen el 62% que si están con puntos críticos de residuos sólidos.
INTERPRETACIÓN: En una comparación de los años 2000 al 2020 se puede

analizar que el 14% no tienen los residuos y el 86% de los años analizados si
contienen PCRS, tal como muestra la (figura 25).
51
INTERPRETACIÓN: En una comparación de los años 2000 al 2020 se puede
analizar que el 14% no tienen los residuos y el 86% de los años analizados si
contienen los puntos críticos respecto al año 2020, como muestra la (figura 26).
INTERPRETACIÓN: En la (figura 27) de los años del 2000 al 2020 se analizó

que el 24% de los años no cuentan con PCRS y el 76% si tienen cuentan con
PCRS respecto al año 2020
INTERPRETACIÓN: En el punto N° 09 se dice que el 43% de los años no

cuentan con residuos sólidos y 57 % de los años si cuentan con PCRS respecto
a los año del 2020, como detalla la (figura 28).
52
Interpretación: En la (Figura 29) se aprecia el gráfico del punto N° 10 donde

el 48 % de los PCRS no están con puntos críticos del año 2020 y el 52 % si están
con los puntos críticos de RS con respecto al año 2020.
INTERPRETACIÓN: En la (Figura 30) del año 2000 a 2020 se informa que le

38% no cuentan con puntos críticos y el 62% cuentan con PCRS respecto al año
2020.
53
INTERPRETACIÓN: En la evaluación de los puntos críticos de RS de los años
2000 a 2020 se puede analizar de la (Figura 31) que el 33% de estos años
analizados no cuentan con puntos críticos respecto al año 2020 y un total de
67% de los años analizados si cuentan con puntos críticos que se encuentran en
el año 2020.
INTERPRETACIÓN: En la (Figura 32) se describe que los puntos de residuos

sólidos no se encuentran en un 48% respecto al año 2020 que tenemos
identificados los puntos de residuos y el 58% se encuentran con puntos críticos
de residuos respecto al año 2020.
INTERPRETACIÓN: De la (Figura 33) se describe que los puntos de residuos

54
INTERPRETACIÓN: En la (Figura 34) el punto 15 indica que el 52% de los años

no contienen los residuos y en un 48% si están con puntos críticos de residuos
sólidos en el distrito esto se debe la mejora a un buen recojo de los residuos.
INTERPRETACIÓN: En la (Figura 35) el punto 16 se analizó que el 14% no son

detectados en el año 2020 pero si en un 86% de estos años analizados si están
con residuos e identificados en el año 2020.
55
INTERPRETACIÓN: En la (Figura 36) los residuos no identificados en el año
2020 del punto 17 es 57% y en un 43% si se han identificados los puntos críticos
respecto al año 2020.
INTERPRETACIÓN: En el punto 18 se analizó que en un 76% de los puntos no

se encuentra en el año 2020 pero si un 24% de los puntos si se lograron
evidenciar con acumulado de residuos sólidos, como se muestra en la (figura
37).
INTERPRETACIÓN: En la (Figura 38) respecto al año del 2020 donde se pudo

identificar 40 puntos críticos RS se analizó cuantos puntos podemos encontrar
de los años del 2000 al 2020 en un 48% no se identificó y en el análisis de los
años que un 52% si se identificó de punto críticos.
56
INTERPRETACIÓN: En la (Figura 39) de los 20 años analizados un 71% de los

los puntos no se repiten a través de los años, pero el 29% de los años analizados
concuerdan con los puntos críticos identificados el año 2020.
INTERPRETACIÓN: En la (Figura 40) de los 20 años analizados un 29% de los

puntos no se repiten a través de los años, pero el 71% de los años analizados si
se repiten con respecto a los puntos identificados en el año 2020.
57
INTERPRETACIÓN: Del análisis de los años 2000 al 2020 se analizó que el 24%
no se identifica los residuos sólidos y el 76%si se identificó los mismos puntos
del año 2020, como se aprecia en la (figura 41)
INTERPRETACIÓN: En la (figura 42) se pudo identificar 40 puntos críticos RS

se analizó cuantos puntos podemos encontrar de los años del 2000 al 2020 en
el mismo lugar en donde el 43% no se identificó y en el análisis de los años que
un 57% si se identificó de punto críticos.
INTERPRETACIÓN: En la (figura 43) el punto N°24 de los 20 años realizados

de análisis multitemporal el 57% no se repiten de residuos sólidos, en donde el
43% son puntos repetidos respecto al año 2020 en donde se repitieron
consecutivamente.
58
INTERPRETACIÓN: En la (figura 44) el 33% de los puntos críticos no se repiten

en una misma coordenada, pero sí un 67% de puntos críticos con la misma
coordenada de los diferentes puntos si tiene una concordancia respecto al año
2020.
INTERPRETACIÓN: El análisis de los 20 años realizado el 43% no se repiten de

residuos sólidos en un mismo punto, en donde el 57% son puntos repetidos de
diferentes años respecto al año 2020, como se muestra en la (figura 45)
59
INTERPRETACIÓN: En la (figura 46) se describe que los puntos de residuos
sólidos no se encuentran en un 38 % respecto al año 2020 que tenemos
de residuos respecto al año 2020 en la misma coordenada.
INTERPRETACIÓN: La (figura 47) muestra que un 43% de los años analizados

no están en una misma coordenada, pero sí un 57% de los puntos críticos si se
encuentra en los puntos críticos encontrados en el año 2020.
INTERPRETACIÓN: En el análisis de los PCRS en el distrito de Comas en los

años 2000 a 2020 se identificó que un 38% de puntos critico se encontraron en
diferentes años pero no en el 2020, pero el 62% de los puntos que se encontraron
en algunos años del rango del 2000 a 2020 si coinciden con los puntos críticos
identificados del año 2020, como muestra en la (figura 48).
60
INTERPRETACIÓN: En la (figura 49) se describe que los puntos de residuos

INTERPRETACIÓN: Según la (figura 50) el porcentaje de años de los puntos

críticos en el distrito de Comas que el 38% los puntos críticos no se encuentran
en un mismo lugar, pero si en un 62% de estos residuos si se encuentra en
diferentes años identificados con respecto al año 2020.
61
INTERPRETACIÓN: Solo en un 14% de los puntos críticos de desechos sólidos
no se identifica en respecto al año 2020, pero si en un 86% si se identificó con
respecto al año 2020 en las mismas coordenadas, como muestra en la (figura
51).
SI
38%
NO
62%
INTERPRETACIÓN: Se describe en la (figura 52) que el 38 % de los puntos

encontrados en el año 2020 no se repiten en comparación desde el año 2000 y
se puede decir lo contario que el 62% de estos puntos sin son persistentes.
29%
SI
71% NO
INTERPRETACIÓN: En la (figura 53) del punto 34 que un 29% de los puntos no

se repite y un 71% de los puntos si coinciden de los puntos críticos con
contenidos de residuos sólidos.
62
14%
SI
86% NO
INTERPRETACIÓN: En la (figura 54) el 14% de los puntos críticos de residuos

sólidos no se repiten en el punto 35 y el 86% de los puntos críticos encontrados
si vienen repitiendo en los diferentes años desde el año 2000 al 2020.
48% SI
52%
NO

si vienen repitiendo en los diferentes años desde el año 2000 al 2020.
48% SI
52%
NO
63
si vienen repitiendo en los diferentes años desde el año 2000 al 2020
48% SI
52% NO
INTERPRETACIÓN: Se describe la (figura 57) que el 52 % de los puntos

encontrados en el año 2020 no se repiten en comparación desde el año 2000 y
se puede decir lo contario que el 48% de estos puntos si son persistentes.
48% SI
52%
NO
INTERPRETACIÓN: En la (figura 58) muestra que el 48% de los puntos críticos

de residuos sólidos no se repiten en el punto 37 y el 52% de los puntos críticos
encontrados si vienen repitiendo en los diferentes años desde el año 2000 al
2020.
64
24%
SI
NO
76%
INTERPRETACIÓN: En el último punto analizado de la (figura 59) muestra

que un 24% de los puntos identificados no se identificaron con respecto al año
2020, pero sí un 76% de los puntos si se encuentra en la misma coordenada.
Los datos obtenidos del análisis multitemporal se muestran en la tabla N° 6.
65
Tabla 6: Datos de análisis multitemporal
CANTIDAD
CANTIDAD DE DE
FECHA DE
PUNTOS PUNTOS
PERIODO AÑO IMÁGENES
PERSISTENTES CRÍTICOS OBSERVACIONES
DE RRSS
Día Mes N° N°
2001 15 febrero 21 32
2002 17 enero 20 27
PERIODO 2003 25 marzo 25 25
1 2004 23 enero 22 29
2005 10 febrero 24 29
PROMEDIO 22.4 28.4
2006 28 enero 26 37
2007 20 marzo 25 34
PERIODO 2008 6 marzo 28 30
2 2009 4 enero 19 32
2010 29 abril 20 30
PROMEDIO 23.6 32.6
2011 27 febrero 30 30
2012 18 abril 27 37
PERIODO 2013 5 abril 30 35
3 2014 7 marzo 27 43
2015 26 marzo 27 36
PROMEDIO 28.2 36.2
Las imagenes de los
meses de verano presento
gran cantidad de
2016 7 noviembre 26 34 nugosidad, por ello se
descargo del mes de
noviembre.
PERIODO 2017 17 febrero 30 39
4
2018 19 abril 22 33
2019 21 marzo 21 33
2020 27 marzo 40 40
PROMEDIO 27.8 35.8
DESCRIPCIÓN: En la tabla se evidencia que los años de estudio han sido

divididos en 4 periodos, y las fechas de los datos satelitales descargados del
USGS fueron en su mayoría en estación de verano, debido a que en estos meses
las imágenes tienen menor presencia de nubes.
66
Figura 60: Comparación de puntos críticos
DESCRIPCIÓN: En la (figura 60) se evidencia la cantidad de puntos críticos a

través de los años, empezando el año 2000 hasta el 2020, resultando en el 2013
con mayor cantidad de puntos críticos teniendo en total 38, esto sumado de los
puntos persistentes que fueron 25 y 13 puntos que considerados como nuevos
debido a que se encuentran en diferentes coordenadas a los puntos evaluados
en el año 2020 y el menor número de puntos identificados fue en el año 2009,
teniendo en total 25 puntos 14 de ellos considerados persistentes y 11 como
puntos nuevos.
67
23% 28%
PERIODO 1
PERIODO 2
PERIODO 3
PERIODO 4
22%
27%
Figura 61: Puntos persistentes por periodos
DESCRIPCIÓN: En la (figura 61) de la cantidad de puntos persistentes según

los 4 periodos se determinó porcentaje por cada uno. En el periodo 1 se
encuentra los siguientes años del 2001 al 2005 dieron un porcentaje de 22%,
también en el periodo 2 de los años 2006 a 2010 se determinó un porcentaje de
23% de puntos persistentes, Así mismo en el periodo 3 que va del año 2011 a
2015 se dio un porcentaje de puntos persistentes que es de 28% y finalmente
en el periodo 4 son compuesto de los años 2016 al 2020 se realizó el promedio
en porcentaje de los puntos persistentes en estos años que es de 27% con
contenidos de residuos sólidos continuos en estos años finales.
68
21%
27%
PERIODO 1
PERIODO 2
PERIODO 3
PERIODO 4
25%
27%
Figura 62: Total de puntos críticos por periodos
DESCRIPCIÓN: En la (figura 62) del total de puntos críticos de residuos sólidos

en el periodo 1 se encuentran del año 2001 a 2005 se pue decir que hay menos
puntos críticos esto es a un 21%, así mismos en el periodo 2 del promedio total
de puntos críticos de los años 2006 a 2010 es de 25%. Finalmente en los
periodos 3 y 4 va de los años 2011 al 2015 y 2016 al 2020 su identificación de
puntos critico de residuos solido es de 27% en ambos periodos y también son
los años de más puntos críticos que se identificó en el distrito de Comas.
69
Figura 63: Mapa de puntos persistentes
DESCRIPCIÓN: En la figura 63, se detalla las repeticiones de los puntos

persistentes, ante ello se realizó grupos de 5 repeticiones. En las repeticiones
planteadas del rango de 0-5 se evidencia que hay 01 punto con menor rango de
repeticiones, también se puede observar que el rango de mayor puntos críticos
es de 11-15 en las diferentes zonas del distrito de Comas, finalmente del rango
16-20 son los puntos críticos de mayor veces de repeticiones en el área de
Comas.
70
Figura 64: Mapa de pendientes
Descripción: En la (Figura 64) se muestra el mapa de pendiente se puede

visualizar que 33 de los puntos críticos de los residuos sólidos se encuentra en
un rango de 0- 4% que es una zona de pendiente llano, así mismo se puede
observar un punto en el rango de 4 – 8% moderadamente inclinada. Mientras 3
puntos dentro del rango 8-15% de pendiente que es la zona fuertemente
empinada, asimismo 3 puntos críticos en un rango de 15-25% que es la zona
moderadamente empinada, finalmente a un rango de 50 - 75% están ubicados
los tres botaderos identificados en la zona fuertemente empinada.
Los botaderos identificados en el distrito de Comas se detallan en la tabla N° 7.
Tabla 7: Botaderos del año 2020
Descripción de Provincia Ubicación Coodenadas UTM Cantidad de botaderos

Departamento Observaciones
ubicación /Distrito Geográfica Norte/Sur Este/Oeste N°
Se encuentra con gran
WGS 1984 11° 54' 10.162" 76° 59' 24.572" cantidad de residuos solidos
Lomas de Collique 1
18 s S W y de construccion y
LIMA COMAS demolicion
WGS 1984 11° 54' 37.435" 76° 59' 31.759" Se encuentra en una
Lomas de Collique 1
18 s S W pendiente muy empinada
TOTAL 2
71
DESCRIPCIÓN: En el distrito de Comas se identificaron 3 botaderos, cerca del
límite fronterizo con el distrito de San Juan de Lurigancho, identificando un
botadero en el ecosistema frágil.
Fuente: Propia basada en datos de SERFOR

Figura 65: Ecosistemas frágiles
DESCRIPCIÓN: En la (Figura 65) se evidencia el mapa de los botaderos que

están ubicados en el ecosistema frágil con contenido de residuos sólidos,
construcción y demolición. Además ninguno de los puntos críticos identificados
no afectan las áreas de los ecosistemas frágiles. Ello fue contrastado en el lugar
tal como muestra la figura 66.
72
Figura 66: Botadero
Figura 67: Botaderos 2020
73
DESCRIPCIÓN: En la (Figura 67) se aprecia de color amarillo el botadero más
grande identificado en el distrito de Comas con un área total de 18454 𝑚2 , el cual
está ubicado dentro de la zona del ecosistema frágil. Mientras que el botadero
de color turquesa tiene un área total de 1660 𝑚2 . Estos dos botaderos están
cerca del límite fronterizo con el distrito de San Juan de Lurigancho.
Figura 68: Botaderos 2020
DESCRIPCIÓN: En la figura 68 se observa los botaderos resaltados de color

amarillo, donde el botadero más grande se encuentra a un aproximado de 600
m del área urbana, mientras que el botadero más pequeño está
aproximadamente en menos de 500 m.
74
Figura 69: Comparación de botadero
DESCRIPCIÓN: En la figura 69, se observa una pequeña acumulación de

residuos sólidos en la imagen del 2009, lugar que fue identificado como botadero
en el año 2020
Los rellenos sanitarios identificados en Lima metropolitana son 4, el distrito de

Comas vierte sus residuos en el relleno sanitario que se encuentra en Ventanilla,
tal como se muestra en la tabla N° 8.
Tabla 8: Rellenos Sanitarios Lima Metropolitana y Callao
Nombre Distrito Distritos beneficiarios

N°
Ancón, Barranco, Breña, Carabayllo, Lima Cercado,

Relleno Sanitario
1 Carabayllo Magdalena, Puente Piedra, San Luis, San Martín de
El Zapallal
Porres, Santa Rosa.
Lima Cercado, Lurín, Miraflores, Punta Hermosa, Punta

Relleno Sanitario Negra, San Bartolo, San Borja, San Juan de Miraflores,
2 Lurín
Portillo Grande Santa María del Mar, Villa El Salvador, Villa María del
Triunfo
Ate, Chaclacayo, Chorrillos, Cieneguilla, El Agustino,
Jesús María, La Molina, La Victoria, Los Olivos,
Relleno Sanitario Lurigancho, Pachacamac, Pucusana, Rimac, San Isidro,
3 San Antonio
Huaycoloro San Juan de Lurigancho, San Luis, San Miguel, Santa
Anita, Santiago de Surco, Surquillo, Villa El Salvador.
Matucana, Santa Eulalia, San Mateo de Otao, Surco.
Comas, El Agustino, Independencia, Jesús María, Lince,
Los Olivos.Pueblo Libre, San Isidro, San Martín de
Petramas S.AC.,
4 Ventanilla Porres, San Miguel, Santa Anita, Santa Rosa. Bellavista,
Ventanilla, Callao
Callao, Carmen de la Legua, La Punta, La Perla, Mi
Perú, Ventanilla.
Fuente: MINAM
75
Figura 70: Mapa de clasificación
DESCRIPCIÓN: En la figura 70 se realizó una clasificación para tener mejor

visualización de los puntos críticos que se representan de color rojo, las zonas
urbanas de color rosado y los lugares de color gris representan a las sombras y
lugares más oscuros como vías asfaltadas
76
Figura 71: Coordenadas de validación
DESCRIPCIÓN: La Figura 71 presenta las coordenadas de validación realizada

usando las herramientas de clasificación y segmentación de ArcGIS se generan
los puntos aleatorios que fueron un total de 109 puntos, donde el numero 1
representa los lugares con residuos sólidos, el 2 las áreas urbanas y el 3 los
lugares más oscuros en el mapa, luego cada una de las coordenadas obtenidas
se compararon con presentación street view de Google Earth y visita al lugar.
77
Luego de verificar las coordenadas de validación se procede a hallar el índice
de Kappa para validar el mapa obtenido, tal como se muestra en la tabla N° 9.
Tabla 9: Resultado de índice de Kappa
ClassValue C_1 C_2 C_3 Total U_Accuracy Kappa

C_1 7.00 3.00 0.00 10.00 0.70 0.00
C_2 0.00 63.00 0.00 63.00 1.00 0.00
C_3 0.00 0.00 36.00 36.00 1.00 0.00
Total 7.00 66.00 36.00 109.00 0.00 0.00
P_Accuracy 1.00 0.95 1.00 0.00 0.97 0.00
Kappa 0.00 0.00 0.00 0.00 0.00 0.95
DESCRIPCIÓN: Al realizar la validación en campo se realiza una comparación

de coincidencias entre valores obtenidos en el mapa y lo observado en el lugar,
teniendo un 0.95 de coeficiente de Kappa el cual significa que hay una fuerza de
concordancia casi perfecta.
78
Se realizó el análisis de crecimiento poblacional del distrito de comas obteniendo
los valores que se muestran en la tabla N°10.
Tabla 10: Crecimiento Poblacional
% % %
% CRECIMIENTO
PERIODO P1 (hab) CRECIMIENTO P2 P3 CRECIMIENTO P4 CRECIMIENTO
POBLACIONAL
POBLACIONAL POBLACIONAL POBLACIONAL
Año 2001 2005 2001-2005 2006 2010 2006-2010 2011 2015 2011-2015 2016 2020 2016-2020
POBLACIÓN 457605 506845 2.065 479279 512565 1.3520 515248 524894 0.372 531027 573884 1.564
Los datos de la población del distrito de comas se adquirieron de las fuentes de

INEI y MINSA
Figura 72: Crecimiento Poblacional
DESCRIPCIÓN: En la (figura 72) el crecimiento poblacional en el distrito desde

el año 2001 se vino poblando de migraciones de las personas de diferentes
partes del Perú, en el gráfico se puede observar detallado cómo va el crecimiento
de 5 años en 5 años hasta el 2020
79
60000
49240
50000
42857
40000
POBLACIÓN (HAB)
33286
30000
20000
9646
10000
0
Periodo 1 Periodo 2 Periodo 3 Periodo 4
PERIODO
Figura 73: Crecimiento poblacional en cantidad de personas
DESCRIPCIÓN: En la presente (Figura 73) según los periodos del crecimiento

poblacional en la barra Periodo 1 es del año 2001 a 2005 se nota el crecimiento
más alto que es de 49240 habitantes, en barra del Periodo 2 es de los años 2006
a 2010 su crecimiento fue de 33286 personas, en la barra de Periodo 3 del año
2001 a 2015 la diferencia del crecimiento fue el más bajo respecto al crecimiento
poblacional de 9646 y en el última barra del Periodo 4 se puede decir que su
crecimiento poblacional del 2016 a 2020 fue un crecimiento de 42857 habitantes.
700000 2.50%
Tasa de crecimiento poblacional
600000 2.07% 573884

524894 531027 2.00%
506845 512565 515248
500000 479279
457605
POBLACIÓN
1.56% 1.50%
400000
1.35%
300000
1.00%
200000
0.50%
100000 0.37%
0 0.00%
Periodo 1 Periodo 2 Periodo 3 Periodo 4
PERIODO
Figura 74: Tasa de crecimiento poblacional
80
DESCRIPCIÓN: En la (figura 74) Según los datos de INEI y MINSA el
crecimiento poblacional en el Periodo 1 la tasa de crecimiento es de 2.07% es
del año 2000 a 2005, la barra de Periodo 2 su tasa de crecimiento es de 1.25%
del año 2006 a 2010, la barra Periodo 3 su tasa de crecimiento es de 0.37% en
el año 2010 a 2015, finalmente en la barra Periodo 4 su tasa de crecimiento es
de 1.56% en el periodo de los años 2016 a 2020.
Análisis inferencial de datos

Prueba de normalidad
La prueba corresponde a los puntos críticos identificados en el distrito de Comas
para cada uno de los periodos propuestos, periodo 1 (2000-2005), periodo 2
(2006-2010), periodo 3 (2011-2015), periodo 4 (2016-2020)
Tabla 11: Prueba de normalidad
Pruebas de normalidad
Kolmogorov-Smirnov a Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.
*
Puntos críticos 0.12 20.00 0,200 0.99 20.00 0.99
*. Esto es un límite inferior de la significación verdadera.
a. Corrección de significación de Lilliefors
De acuerdo la tabla 11, se seleccionó la prueba de Shapiro-Wilk, debido a que

la totalidad de los datos de puntos críticos fue menor que 50, se obtuvo una
significancia de 0.99, siendo mayor que 0.05 indican que los valores de puntos
críticos tienen una distribución normal.
Obteniendo que los datos tienen distribución normal se aplica correlación de

Pearson
Tabla 12: Prueba de correlación entre puntos críticos y Población
Correlaciones
Población Puntos críticos
Población Correlación de
1.00 0,625**
Pearson
Sig. (bilateral) 0.003
N 20.00 20.00
Puntos Correlación de
0,625** 1.00
críticos Pearson
Sig. (bilateral) 0.003
N 20.00 20.00
**. La correlación es significativa en el nivel 0,01 (bilateral).
81
H1: La variabilidad poblacional influye en la cantidad de puntos críticos en el
distrito de Comas, 2020
Ho: La variabilidad poblacional no influye en la cantidad de puntos críticos en el

distrito de Comas, 2020
En la tabla 12 se obtuvo una significancia de 0.003, la cual es menor que el α

0.05, por lo que se acepta la hipótesis alterna que indica que la variabilidad
poblacional influye en la cantidad de puntos críticos. Además la correlación de
Pearson para la población resulto 0.625 lo que significa que existe una
correlación positiva media (0.50-0.74) como muestra la tabla 13, es decir el
aumento y/o disminución de la población influye en la cantidad de los puntos
críticos.
Tabla 13: Valores de correlación
SIGNIFICADO VALOR
Correlación positiva perfecta 1

Correlación positiva muy fuerte +0,90 a +0,99
Correlación positiva fuerte +0,75 a +0,89
Correlación positiva media +0,50 a +0,74
Correlación positiva débil +0,25 a +0,49
Correlación positiva muy débil +0,10 a +0,24
No existe correlación alguna -0,09 a +0,09
Correlación negativa muy débil -0,10 a -0,24
Correlación negativa débil -0,25 a -0,49
Correlación negativa media -0,50 a -0,74
Correlación negativa fuerte -0,75 a -0,89
Correlación negativa muy fuerte -0,90 a -0,99
Correlación negativa perfecta -1
Fuente: Tomado de Oseda (2011). Citada por: (CARRIÓN, 2019)
82
V. DISCUSIÓN
Al analizar las imágenes satelitales en la identificación de puntos críticos

de residuos sólidos en el distrito de Comas, se detectó los puntos de
acumulación de residuos sólidos en las avenidas, calles, veredas y en zonas de
áreas verdes, los puntos están a cielo abierto con diferentes tipos de desechos
sólidos. Una investigación similar usando el SIG fue de Flores (2018), se
concluyó la posibilidad de gestión con un análisis contextual analítico de los
residuos sólidos, identificando 12 puntos de acopio en la ciudad de
Huancavelica, (9 puntos a cielo abierto y 3 en contenedores). También
concuerda con la investigación de EL MAGUIRI, et al. (2019), donde usa la
teledetección y el sistema de información geográfica, se concluyó que se han
seleccionado seis sitios prioritarios para la eliminación de residuos sólidos en
Ciudad de Casablanca, Cinco sitios en la provincia de Nouaceur y Mediouna.
El procesamiento realizado de información satelital en ArcGIS versión

10.5 permitió adquirir resultados acorde con la realidad para la identificación de
puntos de acumulación de residuos sólidos. También concuerda con la
investigación de TANRIVERDİ, et al. (2019), usó el método tecnologías de
información geográfica que determinaron que la cantidad de residuos sólidos que
podría ser de 395 toneladas anuales, concluyendo que uno de los principales
problemas en la gestión de residuos sólidos, es elegir el lugar más adecuado
para la eliminación de desechos sólidos. En la investigación usando el SIG de
HOANG (2018), se consideraron 30 escenarios de área de estudio en el distrito
de Hong Bang, Vietnam. Los puntos de recolección temporales se identificaron
utilizando las herramientas de maximizar la cobertura y minimizar la ubicación
de las instalaciones de una lista de puntos de recolección, se encontró que estos
afectaron en gran medida la rentabilidad.
Los rellenos sanitarios identificados en Lima metropolitana y el Callao son

4; El Zapallal, Portillo Grande, Huaycoloro y Ventanilla. Los residuos generados
en el distrito de comas son vertidos en el relleno de Ventanilla, ello debido a que
el distrito no cuenta con un relleno sanitario. Asimismo en el artículo de
HUSSEIN, et al. (2018), analizó los posibles sitios de eliminación de desechos y
factores más importantes que determinaron la ubicación del relleno sanitario
83
fueron la proximidad a los embalses y la pendiente, los residuos sólidos son uno
de los desafíos importantes para el ambiente. Donde la gestión inadecuada de
los residuos provoca la alteración de los ecosistemas, incluida la contaminación
del aire, el agua y el suelo, por lo que representa una amenaza real para la salud
humana.
Al realizar el análisis multitemporal de imágenes, iniciando el 2000 hasta

el año 2020 se identificaron los puntos críticos de residuos sólidos que han ido
variando entre 25 y 43 a través de los años. Se puede comparar con la
investigación realizada por ZHU (2017), Las series temporales se centran en
gran medida en el dominio temporal de los datos de Landsat. La mayoría de los
productos de detección de cambios derivados de las series de tiempo de Landsat
tienen al menos un año de antigüedad. Las aplicaciones de detección de
cambios de la serie temporal Landsat cubren una amplia gama de temas sin
embargo, la mayoría de las aplicaciones están limitadas a áreas pequeñas
debido a limitaciones de almacenamiento y recursos informáticos.
Al obtener los resultados con la aplicación de la teledetección en la

identificación de puntos críticos de residuos sólidos en el distrito de Comas,
usando la información del satélite Landsat 7, se realizó la combinación de bandas
azul, verde, infrarrojo medio e infrarrojo térmico detectando 40 puntos
considerados críticos de residuos municipales, malezas, construcción y
demolición en el año 2020. Se puede comparar con la información brindada por
SÁNCHEZ, et al (2016), donde propone la metodología para detectar los sitios
potencialmente contaminados con residuos sólidos usando el satélite Landsat 7,
los resultados obtenidos fueron comparadas con las imágenes de Google Earth
y verificados en el lugar. Del mismo modo en la investigación de MAHMOOD
(2019), demuestra y recomienda el uso de técnicas satelitales remotas y SIG al
destacar su utilidad para proporcionar una base científica para el desarrollo y la
implementación de estrategias efectivas de conservación para la gestión de
residuos sólidos.
En la investigación realizada se identificó residuos de construcción y

demolición en diferentes áreas de Comas, sin embargo no se definió la cantidad
de generación de estos residuos debido a la inexistencia de datos específicos
para estos residuos, Ello se puede contrastar con la investigación realizada por
84
ASGARI, et al (2017), se utilizaron datos estadísticos nacionales y datos típicos
de generación de desechos. En donde se concluyó que la falta de datos de
desechos de construcción y demolición en Teherán y el acceso a los datos
existentes son las principales limitaciones en este estudio. Por lo tanto, el diseño
del plan para los requisitos futuros es crear una base de datos estadística sobre
los residuos de construcción y demolición. Finalmente, se podría diseñar un
programa efectivo de gestión de residuos de construcción y demolición de
acuerdo con estos datos.
Para la detección de los residuos sólidos es necesario la información de

la banda infrarroja térmico, debido a que cada cuerpo refleja diferente
temperatura, lo cual permite detectar áreas de acuerdo al interés del
investigador. Asimismo en la investigación de MANZO, et al. (2016), usó los
datos de infrarrojo térmico (TIR) de Landsat que proporcionaron la información
del área general que permiten capacidades analíticas particulares para
monitorear y detectar las áreas de advertencia. En ella muestra cómo la
integración de datos multisensoriales con técnicas de procesamiento e
información necesaria para completar la interpretación de los fenómenos
ambientales.
El incremento de la población desde el año 2000 al 2020 es de 116,279

habitantes en el distrito de Comas esto se debe a las migraciones de diferentes
partes del Perú y el extranjero también ello está relacionada con la cantidad de
generación de los residuos sólidos, también tiene una correlación positiva media,
es decir el incremento poblacional influye en la cantidad de puntos críticos. Se
puede contrastar en la investigación de STAMPS, et al. (2016), el aumento global
en la urbanización de la población humana se asocia con aumentos aún mayores
en el desecho de residuos sólidos municipales.
En la investigación la mayor cantidad del área total de Comas está en una

pendiente de llano que va de 0-4 %, mientras que la pendiente fuertemente
empinada de 50-75% solo se presenta en pequeñas áreas, Sin embargo los
botaderos identificados están ubicados dentro del área con mayor pendiente del
distrito, lo cual representa un mayor reto para la adecuada gestión de residuos
sólidos, debido a que estos residuos podrían generar deslizamientos. Lo cual
puede ser contratado con la investigación de VOLODYMYR, et al. (2020) que al
85
realizar un monitoreo de botaderos observó movimientos en primera semana
después del deslizamiento de residuos en la parte central del área de desechos.
Con el tiempo, la intensidad de los movimientos disminuyó.
El distrito de Comas no cuenta con un relleno sanitario dentro de sus

límites por ello los residuos generados son trasladados al relleno sanitario
ubicado en el distrito Ventanilla, ello debido a que el distrito no cuenta con un
área para construir un relleno sanitario propio del distrito. Concuerda con la
investigación realizada por MUSSA, et al. (2019), realizó la selección adecuada
evitando problemas ambientales, y sugerir un sitio adecuado para rellenos con
SIG y criterios múltiples, como pendiente, cercanía a la zona urbana, idoneidad
vial con los que se ubicó un lugar de fácil acceso para eliminación de desechos
sólidos, para el ambiente, transporte y punto de vista económico.
86
VI. CONCLUSIONES
Se analizó las imágenes satelitales con la combinación de bandas de color azul,

verde, infrarrojo medio e infrarrojo térmico de LANDSAT 7, que resultaron
adecuadas en la identificación de los puntos críticos de residuos sólidos
domiciliarios, malezas, residuos de construcción y demolición. Del mismo modo
se identificaron 2 botaderos cerca de la zona limítrofe con el distrito de San Juan
de Lurigancho.
Se identificó mediante el análisis multitemporal las variaciones en cantidad de

puntos críticos en los años analizados, asimismo el 28% de los puntos
identificados en el 2020 se repiten a través de los años del periodo 3 (2011-2015)
y también existen puntos identificados como nuevos en diferentes partes del
área de Comas. Asimismo en el año 2013 se identificó la mayor cantidad de
puntos críticos, con 43 puntos críticos.
Se identificó 40 puntos críticos de residuos sólidos mediante la teledetección en

diferentes partes del distrito de Comas en el año 2020, además en un análisis
por zonas del distrito se evidenció 9 puntos en la zona 14, mientras que la zona
8 con 8 puntos y en la zona 7 con 4 puntos de residuos sólidos. Luego los puntos
identificados se validaron con las imágenes google Earth y visita en el lugar.
87
VII. RECOMENDACIONES
El uso del satélite LANDSAT 7 para realizar un monitoreo constante de las zonas
a fin de controlar la creación de nuevos puntos críticos y realizar un adecuada
gestión de residuos sólidos a nivel distrital.
Verificar el lugar a fin de tener la exactitud de las coordenadas de los puntos de

residuos sólidos de los diferentes puntos en la investigación.
En cuanto al procesamiento, realizar los pasos propuestos en el procedimiento

a fin de obtener resultados deseados.
Realizar investigación específica para residuos de construcción y demolición a

fin de crear una base de datos.
88
REFERENCIAS
BIBLIOGRÁFICAS
1. Abd-El Monsef, H., & Smith, S. E. Integrating remote sensing, geographic

information system, and analytical hierarchy process for hazardous waste
landfill site selection. Arabian Journal of Geosciences. (2019) vol. 5, 1.
Disponible en:
https://www.researchgate.net/publication/331232981_Integrating_remote
_sensing_geographic_information_system_and_analytical_hierarchy_pro
cess_for_hazardous_waste_landfill_site_selection DOI:
https://doi.org/10.1007/s12517-019-4266-7
2. Abdelhakim El Maguiri y Salah Souabi 2019, Geomatic Tools for

Sustainable Planning: Application for Locating Appropriate Landfills,
essential engineering knowledge Disponible en:
https://www.icevirtuallibrary.com/doi/abs/10.1680/jmuen.19.00016
3. Abdulhasan, M. J. Hanafiah, M. M. Satchet, M. S. Abdulaali, H. S.

Toriman, m. e. alraad, a. a. combining gis, fuzzy logic, and ahp models for
solid waste disposal site selection in nasiriyah, IRAQ (2019) Disponible
en:
https://www.researchgate.net/publication/333058846_COMBINING_GIS
_FUZZY_LOGIC_AND_AHP_MODELS_FOR_SOLID_WASTE_DISPOS
AL_SITE_SELECTION_IN_NASIRIYAH_IRAQ
4. AHERDOOST, Hamed. Validez y Confiabilidad del Instrumento de
Investigación; Cómo probar la validación de un cuestionario/encuesta en
una investigación. Revista Internacional de Investigación Académica en
Gestión, 2016, 36 pp. Disponible en:
https://www.researchgate.net/publication/319998004_Validity_and_Relia
bility_of_the_Research_Instrument_How_to_Test_the_Validation_of_a_
QuestionnaireSurvey_in_a_Research
5. Ahmed Mussa y K. V. Suryabhagavan 2019 Solid waste dumping site

selection using GIS-based multi-criteria spatial modeling: a case study in
Logia town, Afar region, Ethiopia Taylor y Francis Disponible en:
https://www.tandfonline.com/doi/full/10.1080/24749508.2019.1703311
89
6. Ahmet Tanriverdi̇ , Neslişah Ulutaş, 2019 Konya İli Ilgin İlçesindeki Kati
Atik Depolama Noktalarinin Haritalandirilmasi IJEASED Disponible en:
https://zenodo.org/record/3243584#.XqmSNmhKjIU
7. Alarcón, Kiara Aplicación de las técnicas de teledetección pasiva para la

determinación de aguas subterráneas en la Región Ica durante el periodo
2017 al 2018 Lima: 2018 Disponible en:
http://repositorio.ucv.edu.pe/handle/UCV/27965
8. Alireza Asgari, Tahereh Ghorbanian, Nader Yousefi, Dariush
Dadashzadeh, Fatemeh Khalili, Amin Bagheri, Mehdi Raei y Amir Hossein
Mahv, Quality and Quantity of Construction and Demolition Waste in
Tehran. Journal of Environmental Health Science & Engineering, 2017,
vol. 15 ProQuest Central. Disponible en:
https://www.researchgate.net/publication/317913893_Quality_and_quant
ity_of_construction_and_demolition_waste_in_Tehran DOI
http://dx.doi.org/10.1186/s40201-017-0276-0.
9. ALVA, E. 2018. Restauración ecológica inicial de áreas degradadas de la
Comunidad Nativa Tayuntsa Distrito de Nieva – Amazonas con especies
nativas ¨Tornillo¨ (Cedrelinga catenaeformis) y ¨Moena¨ (Aniba
amazonica). Lambayeque. Disponible en:
https://repositorio.udl.edu.pe/bitstream/UDL/129/3/tesis-alva-defini.pdf
10. ANTÓN, V. 2019. Estudio del manejo de materiales granulares en la

industria minera mediante el método de elementos discretos. Lima.
Disponible en:
http://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/15429
11. Blake Stamps, Christopher Lyles, Joseph Suflita, Jason Masoner, Isabelle
Cozzarelli, Dana Kolpin, y Bradley Stevenson Municipal Solid Waste
Landfills Harbor Distinct Microbiomes 2016 Disponible en:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4837139/ DOI:
10.3389/fmicb.2016.00534
12. Caio, D.Z., Fernades, F. and Gasparine, J.C. Solid Construction Waste
Management in Large Civil Construction Companies through use of
Specific Software - Case Study. Acta Scientiarum.Technology, 2017, vol.
39, no. 2. pp. 169-176 ProQuest Central. ISSN 18062563. Disponible en:
https://www.researchgate.net/publication/317346514_Solid_construction
90
_waste_management_in_large_civil_construction_companies_through_u
se_of_specific_software_-_case_study DOI
http://dx.doi.org/10.4025/actascitechnol.v39i2.30098.
13. CARRIÓN N. 2019. Calidad de Servicio y Lealtad del Cliente en la Entidad
Bancaria mi Banco Sucursal Huancayo Matriz-2017. UNIVERSIDAD
NACIONAL AGRARIA DE LA SELVA. TINGO MARIA.
Disponible:http://repositorio.unas.edu.pe/bitstream/handle/UNAS/1398/R
NCR_2019.pdf?sequence=1&isAllowed=y
14. Chunyang Él Bin Gao Qingxu Huang Qun Ma Yinyin Dou, 2017
Environmental degradation in the urban areas of China: Evidence from
multi-source remote sensing data Elsevier Disponible en:
https://www.sciencedirect.com/science/article/abs/pii/S00344257173008
6X
15. Daniel H Cusworth, Riley Duren, Andrew K. Thorpe, Eugene Tseng, David
Thompson, Abhinav Guha, Sally Newman, Kelsey Foster y Charles E
Miller 2020. Using remote sensing to detect, validate, and quantify
methane emissions from California solid waste operations IOP science
Disponible en: https://iopscience.iop.org/article/10.1088/1748-
9326/ab7b99/meta
16. Defensoría del pueblo, Recomendaciones para mejorar la gestión de los
residuos sólidos municipales. Informe defensorial N° 181. 2019. .
Disponible en: https://www.defensoria.gob.pe/wp-
content/uploads/2019/11/INFORME-DEFENSORIAL-181.pdf
17. Doelling D., Pinto C.T. Missions and Sensors 2018 Disponible en:
https://www.sciencedirect.com/topics/earth-and-planetary-
sciences/spectral-band
18. EPA Municipal Solid Waste Landfills 2017. Disponible en:
https://www.epa.gov/landfills/municipal-solid-waste-landfills
19. Filho, G.I.M. Imágenes de Satélite Y Teledetección Como Herramienta De
Apoyo Para El Desarrollo de Minas de Yeso Y Escombreras en el Araripe
Holos, 2016, vol. 32, no. 7. pp. 78-87 ProQuest Central. Disponible en:
https://www.redalyc.org/pdf/4815/481554871007.pdf ISSN 15181634.
DOI http://dx.doi.org/10.15628/holos.2016.4492
91
20. Flores Marín, Guido. Gestión De Residuos Sólidos A Través De Sistemas
De Información Geográfica En El Distrito De Huancavelica, 2017. Tesis
(Doctor en ciencias ambientales). Huancavelica: Universidad Nacional de
Huancavelica, 2018. 96 pp. Disponible en:
http://repositorio.unh.edu.pe/bitstream/handle/UNH/2109/TESIS__2018_
_DOCT
ORADO__GUIDO%20FLORES%20MAR%C3%8DN.pdf?sequence=1&is
Allowed=y
21. Fortin Julie, Elijah Cardille Multi-sensor detection of forest-cover change
across 45 years in Mato Grosso, Brazil (2019) Disponible en:
https://www.researchgate.net/publication/334312558_Multi-
sensor_detection_of_forest-
cover_change_across_45_years_in_Mato_Grosso_Brazil DOI:
https://doi.org/10.1016/j.rse.2019.111266
22. GOBIERNO REGIONAL PUNO. 2014. Desarrollo de Capacidades para el
Ordenamiento Territorial de la Región Puno. Disponible en:
http://geoservidorperu.minam.gob.pe/geoservidor/Archivos/Mapa/puno/M
emoria_Descriptiva_Suelos_CUM.pdf?fbclid=IwAR2iTgmkleoQGaaubv8
2kwuSHzBU3yhkAvegO974Xt6h32EFvF6iTfi3FnE
23. Guojian Cheng y Junjie Wei Color Quantization Application Based on K-

Means in Remote Sensing Image Processing 2019 Disponible en:
https://www.researchgate.net/publication/333874084_Color_Quantization
_Application_Based_on_K-
Means_in_Remote_Sensing_Image_Processing
24. Hazhir Karimi, Bengin M A Herki, Sirwa Qader Gardi, Saman Galali,
Hooshyar, Hossini, Karamreza Mirzaei & Meghdad Pirsaheb, 2020 Site
selection and environmental risks assessment of medical solid waste
landfill for the City of Kermanshah-Iran. Elsevier Disponible en:
https://www.tandfonline.com/doi/abs/10.1080/09603123.2020.1742876?j
ournalCode=cije20
25. Hoang Lan Vu Kelvin, Tsun Wai Ng, Damien Bolingbroke. Parameter
interrelationships in a dual phase GIS-based municipal solid waste
collection model 2018 Disponible en:
https://www.sciencedirect.com/science/article/pii/S0956053X18303489
92
https://doi.org/10.1016/j.wasman.2018.05.050
26. Hussein I. Abdel-Shafy Mona SM Mansour Solid waste issue: Sources,
composition, disposal, recycling, and valorization 2018 Disponible en:
https://www.sciencedirect.com/science/article/pii/S1110062118301375
DOI: https://doi.org/10.1016/j.ejpe.2018.07.003
27. INEI, Población del Perú totalizó 31 millones 237 mil 385 personas al
2017. 2018 Disponible en:
https://www.inei.gob.pe/media/MenuRecursivo/noticias/nota-de-prensa-
no-108-2018-inei.pdf
28. Jesslyn Brown Heather Tolleruda Christopher Barbera Qiang Zhou John
Dwyera James Vogelmanna Thomas Lovelanda Curtis Woodcockc
Stephen Stehmand Zhe Zhu Bruce Pengraf Kelcy Smithf Josephine
Hortong George Xiana Roger Aucha Terry Sohla Kristi Saylera Alisa
Gallanta Jennifer Rovera Lessons learned implementing an operational
continuous United States national land change monitoring capability: The
Land Change Monitoring, Assessment, and Projection (LCMAP) approach
(2019). Disponible en:
5X https://doi.org/10.1016/j.rse.2019.111356
29. Kassaye Hussien y Hailemariam Meaza 2020, A GIS-Based Multi-Criteria

Evaluation Approach Location Suitability Modeling for Solid Waste
Disposal: Dire Dawa City, East Hararghe, Ethiopia Applied Geography
Disponible en:
https://www.tandfonline.com/doi/abs/10.1080/23754931.2019.1709984
30. Kępski, Daniel; Luks, Bartłomiej; Migała, Krzysztof; Wawrzyniak, Tomasz,

Westermann, Sebastian; Wojtuń, Bronisław. Terrestrial Remote Sensing
of Snowmelt in a Diverse High-Arctic Tundra Environment Using Time-
Lapse Imagery. 2017. Fecha de consulta: (15 de noviembre del 2019).
Disponible en: https://www.duo.uio.no/handle/10852/62032
31. Khan, M.M.-U.-H.,Vaezi, M.,Kumar, A. Optimal siting of solid waste-to-
value-added facilities through a GIS-based assessment. Canadá. (2018).
Disponible en:
DOI: 10.1016/j.scitotenv.2017.08.169
93
32. Lao Beatriz, Peláez Dania. La teledetección y los Sistemas de Información
Geográfica para el manejo de las tierras San José de las Lajas: 2018
Disponible en:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2071-
00542018000100006
33. Lella Jaydeep. Solid waste collection/transport optimization and
vegetation land cover estimation using Geographic Information System
(GIS): A case study of a proposed smart-city 2017 Disponible en:
34
34. Ley N° 1278 Diario oficial El Peruano, Lima, Perú, 21 de diciembre del
2017
35. Liqiao Tian, Qun Zeng, Xiaojuan Tian, Jian Li Zheng Wang, Wenbo Li.
Water environment remote sensing atmospheric correction of
Geostationary Ocean Color Imager data over turbid coastal waters in the
Bohai Sea using artificial neural networks. 2016. Fecha de consulta: (15
de noviembre del 2019). Disponible en:
https://www.researchgate.net/publication/299356402_Water_Environmen
t_Remote_Sensing_Atmospheric_Correction_of_Geostationary_Ocean_
Color_Imager_Data_over_Turbid_Coastal_Waters_in_the_Bohai_Sea_U
sing_Artificial_Neural_Networks
36. Madi, N. Srour, I. Managing emergency construction and demolition waste
in Syria using GIS. Líbano. (2019). Disponible en:
http://agris.fao.org/agris-search/search.do?recordID=US201900150980
37. Magnus Gålfalk y David Bastviken, 2018, Elsevier. Disponible en:
38. Mahmood Khalid, Zia Ul-Haqa Fiza Faizib Salman Tariqa Muhammad
Azhar Naeemc Asim Daud Ranaa Monitoring open dumping of municipal
waste in Gujranwala, Pakistan using a combination of satellite based bio-
thermal indicators and GIS analysis articulo 2019 Diponible en:
https://www.sciencedirect.com/science/article/abs/pii/S1470160X193060
53
39. Manzo,C. A. Mei, G. Fontinovo, A. Allegrini, C. Bassani. Integrated remote
sensing for multi-temporal analysis of anthropic activities in the south-east
94
of Mt. Vesuvius National Park. (2016). Disponible en:
DOI: 10.1016/j.jafrearsci.2015.12.021
40. MINAM 2017 Indicador: Generación per cápita de residuos sólidos
domiciliarios por departamento Disponible en:
https://sinia.minam.gob.pe/indicador/1601
41. MINAM Decreto Supremo N° 014-2017 Disponible en:
http://www.minam.gob.pe/wp-content/uploads/2017/12/ds_014-2017-
minam.pdf
42. Ministerio del ambiente. 2016. Fecha de consulta: 29/06/2020. Disponible
en: http://www.minam.gob.pe/disposiciones/decreto-legislativo-n-1278/
43. Ministerio del ambiente. MINAM 2014 Evaluación de la Exactitud
Temática. [Fecha de consulta: 26 junio 2020] Disponible en :
http://www.minam.gob.pe/ordenamientoterritorial/wp-
content/uploads/sites/18/2013/10/Protocolo-Validacion-Mapa-
Deforestacion.pdf
44. Ministerio del ambiente. MINAM 2020. Listado de rellenos sanitarios.
[Fecha de consulta: 10 junio 2020] Disponible en :
https://cdn.www.gob.pe/uploads/document/file/671937/Listado_de_Relle
nos_13.01.2020.pdf
45. MIYASIRO,M. ORTIZ,M. Estimación mediante la teledetección de la
variación de la cobertura vegetal en las lomas del Distrito de Villa María
del Triunfo por la expansión urbana i minería (1986-2014). Disponible en:
https://es.slideshare.net/MaraMiyasiro/tesis-variacin-de-las-lomas-del-
distrito-de-villa-mara-del-triunfo-por-la-expansin-urbana-y-minera
46. Mohamed Elhag, Jarbou A. Bahrawi. Conservational use of remote
sensing techniques for a novel rainwater harvesting in arid environment.
2014. Fecha de consulta: (15 de noviembre 2019). Disponible en:
https://link.springer.com/article/10.1007/s12665-014-3367-6
47. Monica Alejandra Musse Daniel Alberto Barona Luis Marino Santana
Rodriguez, 2018 Urban environmental quality assessment using remote
sensing and census data Elsevier Disponible en:
3X
95
48. Moura, M. Falcão, S. Caetano da Silva, A., Neto, A. Montenegro, S. &
Silva, S. Developing a Plastic Waste Management Program: From River
Basins to Urban Beaches (Case Study). Journal of Engineering &
Technological Sciences, 52(1), 108–120. Disponible en:
http://journals.itb.ac.id/index.php/jets/article/view/13089 DOI:
https://doi.org/10.5614/j.eng.technol.sci.2020.52.1.8
49. NASA, El programa Landsat [Fecha de consulta: 17 de noviembre 2019].

Disponible en: https://landsat.gsfc.nasa.gov/
50. NASA, Fundamentos de la Teledetección para Aplicaciones de Salud
Pública, 2016, 11 pp. Disponible en:
https://arset.gsfc.nasa.gov/sites/default/files/airquality/Health16/week1_fi
nal_Span.pdf
51. NASA, How to Interpret a Satellite Image: Five Tips and Strategies 2013
[Fecha de consulta: 01 de mayo 2020] Disponible en:
https://earthobservatory.nasa.gov/features/ColorImage
52. NASA, Remote Sensors 2019 [Fecha de consulta: 20 de noviembre 2019]
Disponible en: https://earthdata.nasa.gov/learn/remote-sensors
53. NASA, Why is that Forest Red and that Cloud Blue?
How to Interpret a False-Color Satellite Image, 2014 Disponible en:
https://earthobservatory.nasa.gov/features/FalseColor
54. National Geographic Location Disponible en:
https://www.nationalgeographic.org/encyclopedia/location/
55. National Geographic Location Disponible en:
https://www.nationalgeographic.org/encyclopedia/location/
56. Natural Resources Canada, Fundamentals of Remote Sensing -
Introduction 2015 Disponible en: https://www.nrcan.gc.ca/maps-tools-
publications/satellite-imagery-air-photos/remote-sensing-
tutorials/fundamentals-remote-sensing-introduction/9363
57. OCHOA, L. 2016. INESTABILIDAD DE TALUDES EN EL SECTOR DE
SANTA BÁRBARA DE LA CIUDAD DE HUANCAVELICA. HUANCAYO.
Disponible en:
http://www.repositorio.upla.edu.pe/bitstream/handle/UPLA/271/Ochoa%2
0Quispe%20Lisbeth%20Yurfa.pdf?sequence=1&isAllowed=y
58. OEFA identifica 1585 botaderos informales a nivel nacional ORI-OEFA
96
fecha de publicación: 19 de noviembre del 2018 Disponible en:
https://www.oefa.gob.pe/oefa-identifica-1585-botaderos-informales-nivel-
nacional/ocac07/
59. Richter Amy, Tsun Wai Kelvin , Karimi Nima, 2019 A data driven
technique applying GIS, and remote sensing to rank locations for waste
disposal site expansion, Elsevier Disponible en:
57
60. Rohde, Richard F.; Hoffman, M. Timm; Durbach, Ian; Venter, Zander;
Jack, Sam. Vegetation and climate change in the Pro-Namib and Namib
Desert based on repeat photography: Insights into climate trends. 2019.
Fecha de consulta: (15 de noviembre 2019). Disponible en: DOI:
55 https://doi.org/10.1016/j.jaridenv.2019.01.007
61. Sanchez Yareli y Hernández Christian. Metodología para la detección de
sitios potencialmente contaminados con residuos sólidos mediante
imágenes landsat. 2015, 10 pp. Disponible en:
http://tlamati.uagro.mx/t7e2/205.pdf
62. Sarkar Chaudhuri, Anindita, Singh, Prafull, Rai, S.C. Assessment of
impervious surface growth in urban environment through remote sensing
estimates. 2017. Fecha de consulta: (15 de noviembre del 2019).
Disponible en:
https://www.researchgate.net/publication/323103593_Assessment_of_im
pervious_surface_growth_in_urban_environment_through_remote_sensi
ng_estimates
63. Schowengerdt Roberth, Remote Sensing (2007) Disponible en:
https://www.elsevier.com/books/remote-sensing/schowengerdt/978-0-12-
369407-2 DOI: https://doi.org/10.1016/B978-0-12-369407-2.X5000-1
64. SERFORD 2014. Ecosistema Frágil Loma Collique. Fecha de consulta:
(05/07/2020). Disponibleen: https://www.serfor.gob.pe/wp-
content/uploads/2018/07/16-FTC-Collique.pdf
65. Shang Yan. Remote Sensing Monitoring Method for Ecological
Environment Restoration in Scenic Spots. Ekoloji Dergisi, 2019, 10 pp.
Disponible en: http://www.ekolojidergisi.com/download/remote-sensing-
97
monitoring-method-for-ecological-environment-restoration-in-scenic-
spots-6361.pdf
66. Shawn Milrad, 2018 Satellite Imagery science direct Disponible en:
https://www.sciencedirect.com/topics/earth-and-planetary-
sciences/satellite-imagery
67. SINGH Ajay Remote sensing and GIS applications for municipal waste
management. Artículo agosto 2019 Disponible en:
https://www.sciencedirect.com/science/article/pii/S0301479719306152?v
ia%3Dihub
68. Sistema geodésico mundial. 2020. Fecha de consulta: 29/06/2020.
Disponible
en:https://www.nga.mil/ProductsServices/GeodesyandGeophysics/Pages
/WorldGeodeticSystem.aspx
69. Sneha Gautam, Brema J., Dhasarathan R. Spatio-temporal estimates of
solid waste disposal in an urban city of India: A remote sensing and GIS
approach. India. (2020). Disponible en:
10 DOI: 10.1016 / j.eti.2020.100650
70. Tomayo Mario, 2008. “Metodología de la Investigación Científica”, 4ta
Edición, Editorial “LIMUSA S.A”, MEXICO pp. 46. ISBN-13: 978-968-18-
5872-8
71. Trofymchuk, O; Rogozhin, O; Klymenko, V; Sheviakina, N; Kreta, D. 2019
Development the information - analytical system for assessing the impact
of landfills on the environment and electronic management, Scientific
eLibrary Disponible en:
https://www.sgem.org/index.php/elibrary?view=publication&task=show&i
d=6642
72. USGS EROS Archive - Elevación digital - Shuttle Radar Topography
Mission (SRTM) 1 Arc-Second Global Disponible en:
https://www.usgs.gov/centers/eros/science/usgs-eros-archive-digital-
elevation-shuttle-radar-topography-mission-srtm-1-arc?qt-
science_center_objects=0#qt-science_center_objects
73. USGS Landsat Satellite Missions 2017 [Fecha de consulta: 26 de
noviembre 2019] Disponible en: https://www.usgs.gov/land-
98
resources/nli/landsat/landsat-7?qt-
science_support_page_related_con=0#qt-
science_support_page_related_con
74. USGS What are digital elevation models (DEMs) Disponible en:
https://www.usgs.gov/faqs/what-are-digital-elevation-models-dems?qt-
news_science_products=0#qt-news_science_products
75. USGS What is remote sensing and what is it used for? Disponible en:
https://www.usgs.gov/faqs/what-remote-sensing-and-what-it-used?qt-
news_science_products=0#qt-news_science_products
76. Volodymyr Nikulishyn Ihor Savchyn Olexandr Lompas Viktor Lozynskyi,
Applying of geodetic methods for monitoring the effects of waste-slide at
Lviv municipal solid waste landfill, 2020, Elsevier. Disponible en:
77. Widyarsana I, Damanhuri E, Ulhusna N, & Agustina Elprida. A Preliminary

Study: Identification of Stream Waste Quantity and Composition in Bali
Province, Indonesia. E3S Web of Conferences. (2020). Disponible en:
https://docs.google.com/document/d/1Vw6sS-
5jITsszRq4qwDACrCw7WSy0ted9h4RGGpzBXc/edit# DOI:
https://doi.org/10.1051/e3sconf/202014805002
78. Xizhi Lv, Zhongguo Zuo, Zhihui Wang , Li Li , Jing Huang Remote Sensing
Image Restoration Based on an improved Landweber Iterative Method for
Forest Monitoring and Management China: 2018 Disponible en:
https://iopscience.iop.org/article/10.1088/1755-1315/153/6/062085/pdf
79. Yuzugullu, O., Lorenz, F., Fröhlich, P. and Liebisch, F. Understanding
Fields by Remote Sensing: Soil Zoning and Property Mapping. Remote
Sensing, 2020, vol. 12, no. 7. pp. 1116 ProQuest Central. Disponible en:
https://www.researchgate.net/publication/340342657_Understanding_Fie
lds_by_Remote_Sensing_Soil_Zoning_and_Property_Mapping DOI
http://dx.doi.org/10.3390/rs12071116.
80. Zhe Zhu, 2017 Change detection using landsat time series: A review of
frequencies, preprocessing, algorithms, and applications Fecha de
consulta: (15 de mayo de 2020). Disponible en:
99
3X
81. Zhe Zhu, Alisa L. Gallant, Curtis E. Woodcock, Bruce Pengra, Pontus
Olofsson, Thomas R. Loveland, Suming Jin Devendra Dahal, Limin Yang,
Roger F. Auch Optimizing selection of training and auxiliary data for
operational land cover classification for the LCMAP initiative 2016.
Disponible en:
https://www.researchgate.net/publication/310638021_Optimizing_selecti
on_of_training_and_auxiliary_data_for_operational_land_cover_classific
ation_for_the_LCMAP_initiative
82. Zhenchun Huang An On-Demand Processing Framework for Faster
Remote Sensing Big Data Analysis 2019 Disponible en:
https://www.researchgate.net/publication/331612669_An_On-
Demand_Processing_Framework_for_Faster_Remote_Sensing_Big_Dat
a_Analysis DOI: 10.1088 / 1755-1315 / 234/1/012060
100
ANEXOS
ANEXO 1: Matriz de operacionalización de las variables

TÍTULO Teledetección en la identificación de puntos críticos de residuos sólidos en el distrito de Comas, 2020
VARIABLE DEFINICIÓN CONCEPTUAL DEFINICIÓN OPERACIONAL DIMENSIONES INDICADORES ESCALA/UNIDADES
Combinación de bandas
N° de bandas
espectrales
Imágenes Cobertura de residuos
La teledetección es el proceso de Área
Satelitales sólidos
detectar y monitorear las Las imágenes satelitales
Independiente características físicas de un área pertite realizar un analisis Resolución de bandas adimencional
Teledetección midiendo su radiación reflejada y multitemporal de imagenes
Periodo: 2000 - 2005 Año
emitida a una distancia del área en el distrito de Comas. Análisis
objetivo.(USGS). Periodo: 2006 - 2010 Año
multitemporal
de imágenes Periodo: 2011 - 2015 Año
Periodo: 2016 - 2020 Año
Ubicación geográfica UTM
Residuos Cantidad de botaderos Número de botaderos

Se tendrá en cuenta los
Las áreas de acumulación temporal datos de los residuos sólidos Georeferenciación UTM
Dependiente de residuos sólidos municipales sólidos y el crecimiento Cantidad de puntos
Número de puntos
Puntos críticos de generados en vías, avenidas y poblacional, para críticos
residuos sólidos espacio públicos son consideradas determinar los cambios en Periodo: 2000 y 2005 Año
puntos críticos (MINAN, 2019) la acumulación de residuos
sólidos. Crecimiento Periodo: 2006 y 2010 Año
Poblacional Periodo: 2011 y 2015 Año
Periodo: 2016 y 2020 Año
ANEXO 2: Matriz de consistencia
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLE E INDICADORES METODOLOGÍA
PROBLEMA GENERAL OBJETIVO GENERAL HIPÓTESIS GENERAL VARIABLE INDEPENDIENTE TIPO DE INVESTIGACIÓN
Teledetección
INDICADORES DE LA V.I Aplicada
Combinación de bandas DISEÑO DE
espectrales INVESTIGACIÓN
¿Cómo la teledetección permite Emplear la teledetección en La teledetección permite la
Estracción de cobertura de No Experimental
identificar los puntos críticos de la identificación de los puntos identificación de puntos críticos
residuos sólidos ENFOQUE DE
residuos sólidos en el distrito críticos de residuos sólidos de residuos sólidos en el
Landsat INVESTIGACIÓN
de Comas, 2020? en el distrito de Comas, 2020 distrito de Comas, 2020
Periodo1:2000-2005 Cuantitativa
Periodo 2:2006-2010 NIVEL DE
Periodo 3:2011-2015 INVESTIGACIÓN
Periodo 4: 2016-2019 Descriptiva
PROBLEMAS ESPECÍFICOS OBJETIVOS ESPECÍFICOS HIPÓTESIS ESPECÍFICOS VARIABLE DEPENDIENTE POBLACIÓN Y MUESTRA
Las imágenes satelitales

¿Como las imágenes Analizar las imágenes Landsat 7 permite la obtención
Puntos críticos de residuos
satelitales ayudan en la satelitales en la identificación de resultados a un 80 % sólidos POBLACIÓN
identificación de los puntos de los puntos críticos de acorde con la realidad, en la
INDICADORES DE LA V.D El área es el distrito de
críticos de residuos sólidos en residuos sólidos en el distrito identificación de los puntos
Ubicación geográfica Comas
el distrito de Comas, 2020? de Comas, 2020 críticos de residuos sólidos en
Georeferenciación
el distrito de Comas, 2020 Cantidad de puntos críticos
Cantidad de botaderos
¿De que manera el análisis Periodo 1:2000-2005 MUESTRA
Analizar la imágenes El análisis multitemporal de
multitemporal de imágenes Periodo 2:2006-2010 Las zonas de
multitemporables para la imágenes permite la
permite la identificación de Periodo 3:2011-2015 almacenamiento o
identificación de los puntos identificación de los puntos
puntos críticos de residuos acumulación de residuos
críticos de residuos sólidos críticos de residuos sólidos en Periodo 4:2016-2019
sólidos en el distrito Comas, sólidos en en el distrito de
en el distrito de Comas, 2020 el distrito de Comas, 2020
2020? Comas
ANEXO 3: Validación de instrumentos de recolección de datos
ANEXO 4: Instrumento de recolección de datos
ANEXO 5: Datos de población
Fuente: MINSA
Fuente: INEI
ANEXO 6: Panel fotográfico
Punto crítico de residuos sólidos - Comas

ANEXO 7: Datos del análisis multitemporal
ANEXO 8: Mapas multitemporales
ANEXO 9: Flora de Lomas de Collique
Nolana
FUENTE DE SERFORD
Papa silvestre
FUENTE DE SERFORD
Malva
FUENTE DE SERFORD
ANEXO 10: Fauna en Lomas de Collique
Lechuza Terrestre Minero Peruano

FUENTE DE SERFORD
Tórtola Orejuda Colibrí de Oasis

FUENTE DE SERFORD
Golondrina Azul y Blanca Gallinazo de Cabeza Negra

Tele Det Acción

Cargado por

Copyright:

Formatos disponibles

Tele Det Acción

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tele Det Acción

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA AMBIENTAL

“Teledetección en la identificación de puntos críticos de residuos

TESIS PARA OBTENER EL TÍTULO PROFESIONAL:

Coa Corimanya, Eldy Ivan (ORCID: 0000-0001-9518-5201)

Rosales Valdez, Josselyn Kristell (ORCID: 0000-0001-7760-7829)

Este trabajo de investigación se lo

En primer lugar, a nuestra alma mater

A nuestro asesor de tesis el Dr. Elmer

ÍNDICE DE TABLAS ..........................................................................................vi

ÍNDICE DE FIGURAS ....................................................................................... vii

II. MARCO TEÓRICO ......................................................................................4

3.1 Tipo y diseño de investigación ............................................................30

3.2 Variables y operacionalización ............................................................31

3.3 Población, muestra y muestreo ...........................................................32

3.4 Técnicas e instrumentos de recolección de datos ...............................33

3.5 Procedimientos ...................................................................................34

3.6 Método de análisis de datos................................................................38

3.7 Aspectos éticos ...................................................................................38

IV. RESULTADOS .......................................................................................39

VII. RECOMENDACIONES ..........................................................................88

ANEXO 1: Matriz de operacionalización de las variables

En la presente investigación se plantea como objetivo emplear la

Palabras clave: teledetección, puntos críticos, satélite, residuos sólidos

The objective of this research is to use remote sensing to identify critical

Keywords: remote sensing, critical points, satellite, solid waste

El incremento poblacional a nivel mundial y el desarrollo tecnológico

En Perú se identificó un total de 1585 botaderos, la mayoría de estos

En la actualidad una de la problemática es el aumento global en la

En Perú, se generan más de 7 millones de residuos municipales, casi 20

En la siguiente investigación se presenta el problema general: ¿Cómo la

Se justifica por su potencial aporte: en el ámbito social cuenta con una

En la tesis se plantea el Objetivo general: Emplear la teledetección en la

La investigación plantea la siguiente Hipótesis general: La teledetección

Según SNEHA, et al. (2020), La generación de los RS en la India es de

YUZUGULLU, et al. (2020), Menciona que, la precisión del manejo del

Según VOLODYMYR, et al. (2020), Los rellenos de residuos

Además KARIMI, et al. (2020), En el trabajo realizado, basado en una

Según CUSWORTH, et al. (2020), La teledetección es una vía para

HUSSIEN, et al. (2020), indica que los RS en los países desarrollado es

Según MOURA, et al. (2020), La generación de RS en ciudades

Teniendo los datos de las imágenes satelitales e imágenes landsat;

También se logra identificar mediante la teledetección los recursos

Según ABDULHASAN, et al. (2019), determinó que las áreas

Según PENGRA, et al. (2019), evalúa la capacidad y el cambio de la

AJAY, (2019), indica que la mala gestión y disposición de los desechos

Según GUOJIAN, (2019), realizó el procesamiento de 4 tipos de

Según MADI, et al. (2019), Los residuos de demolición y construcción

ROHDE, (2019), presentó la evidencia de la vegetación y el cambio

ZHENCHUN, (2019), indica que los datos de teledetección se

BROWN, (2019), menciona que el aumento en la demanda de imágenes

Según RICHTER, et al. (2019), El estudio se plantea una combinación

Según TROFYMCHUK, et al. (2019), el artículo describe un sistema

MONSEF, et al. (2019), La investigación describe un método para

TANRIVERDİ, et al. (2019), las tecnologías de información geográfica

En la provincia de Huancavelica se toma la información geográfica por

Según KHAN, et al. (2018), a investigación se realiza usando una

ALARCÓN, (2018), indica que la teledetección para identificar aguas

XIZHI, et al. (2018), detalla que la teledetección es una tecnología muy

(MAGNUS, et al. 2018), la combustión incompleta conlleva a la