Dengue is a major public health concern mainly in tropical and subtropical environments worldwide. Despite several attempts to prevent this disease occurring in tropical regions of Mexico, it has not yet been controlled. This work focused on spatial modeling of confirmed dengue fever cases that occurred during the period 2010–2014 in the Huasteca Potosina region of Mexico. Multivariable Logistic Regression Modeling (MLRM) was used to determine the relationship between explanatory variables and the presence/absence of dengue. Model performance was evaluated using the area under curve (AUC) of the relative operating characteristic (ROC); AUC > 0.95. A high spatial resolution map was created to reveal the most probable patterns of dengue risk. Our results can be used for targeted control and prevention programs at local and regional levels. This methodology can be applied to other major diseases that are spatially distributed in accordance with environmental factors.

Es importante analizar la dinámica entre coberturas de uso de suelo para comprender las relaciones existentes en las superficies donde se presentan los cambios. También, en ocasiones, las modificaciones de cobertura son ocasionados por actividades humanas, como los incendios utilizados en actividades agrícolas. El objetivo de este trabajo fue analizar espaciotemporalmente si existe una relación significativa entre las superficies agrícolas, pecuarias (pastizales) y forestales con la incidencia de puntos de calor, en San Luis Potosí, México. Varios autores han utilizado la percepción remota y los SIG para modelar coberturas de uso de suelo, y han aplicado diversos algoritmos con este propósito. Para estimar las superficies (forestal, agrícola y pecuaria) se aplicó una clasificación supervisada a escenas Landsat 5 TM y Landsat 8 OLI. Además, se integraron dichas superficies en modelos no lineales: polinomio (2° orden), exponenciales y potenciales, así como multivariados para estimar puntos de calor; lo que resultó en un aumento sustancial en los coeficientes de determinación en los segundos modelos. En cuanto a los resultados, es posible predecir la ocurrencia de puntos de calor de una variedad de áreas bajo la agricultura, la ganadería y la silvicultura. En este caso, la superficie forestal fue la variable más significativa, seguida de la superficie ganadera. Se concluye que existe una relación entre la presencia de puntos de calor con tierras agrícolas en el área de estudio y se puede predecir la ocurrencia de puntos de calor basados en variaciones de las tierras agrícolas, pecuarias y forestales.

Mediante la estimación de la biomasa forestal es posible determinar la cantidad de recursos forestales existentes en un determinado territorio, sin embargo, este es un proceso costoso y que consume gran cantidad de tiempo. Por ello, el objetivo del presente estudio fue modelar la biomasa arbórea aérea de un ecosistema forestal ubicado en la región centro sur del estado de San Luis Potosí. Para definir este proceso se compararon métodos determinísticos (distancia inversa ponderada) y estocásticos (kriging y cokriging), con los que se determinó la biomasa forestal con base en datos de campo y espectrales. Los datos de campo correspondieron a 50 conglomerados del Inventario Nacional Forestal y de Suelos, a partir de los cuales se calculó la biomasa mediante el empleo de ecuaciones alométricas. Los datos espectrales (NDVI tradicional -bandas roja e infrarroja del espectro electromagnético) se derivaron de una imagen Landsat 5TM del año 2009. Con los resultados del cálculo de la biomasa y del NDVI, se probaron semivariogramas y variogramas cruzados con los modelos esférico, exponencial y gausiano para analizar el que resultara en el mejor ajuste. Posteriormente, se seleccionó el modelo exponencial derivado de la técnica cokriging, con base en el cual se obtuvo un valor de la raíz cuadrada del error cuadrático medio de 32.01 Mg ha-1. Finalmente, con base en el modelo seleccionado, se generó un mapa de la distribución de la biomasa aérea, en el cual se presentan resultados que van de 0.85 Mg ha-1 a 157 Mg ha-1.