Suchergebnisse

Con la finalidad de evaluar el acceso a los servicios de extensión en el Perú, luego de los procesos de privatización y descentralización por los que pasó, se realizó un análisis de los resultados del Censo Nacional Agropecuario de 2012, empleando además un método multivariado (algoritmo de árbol de clasificación – CHAID), con la finalidad de establecer el perfil de los productores que reciben servicios de extensión en función de diferentes variables predictivas. Se encontró que 10.2 % de los productores agropecuarios del país accede a servicios de extensión y que el ofertante más importante de tales servicios es el sector privado. Se determinó que la superficie agrícola mayor a 5 ha, el asociacionismo y el acceso al crédito son los factores más relacionados con el acceso a la extensión, evidenciándose, en el perfil del productor que recibe extensión, su vinculación con la agricultura comercial. Se concluye que los cambios suscitados en la extensión en el Perú no han logrado mejorar el acceso a los mismos, sobre todo a nivel de los pequeños productores, verificándose también la necesidad de un cambio de enfoque que, fortaleciendo a los nuevos actores y usando modelos más flexibles, la vuelvan cada vez más inclusiva

Digital Elevation Models (DEMs) are considered as one of the most relevant geospatial data to carry out land-cover and land-use classification. This work deals with the application of a mathematical framework based on a Gaussian Markov Random Field (GMRF) to interpolate grid DEMs from scattered elevation data. The performance of the GMRF interpolation model was tested on a set of LiDAR data (0.87 points/m 2 ) provided by the Spanish Government (PNOA Programme) over a complex working area mainly covered by greenhouses in Almería, Spain. The original LiDAR data was decimated by randomly removing different fractions of the original points (from 10% to up to 99% of points removed). In every case, the remaining points (scattered observed points) were used to obtain a 1 m grid spacing GMRF-interpolated Digital Surface Model (DSM) whose accuracy was assessed by means of the set of previously extracted checkpoints. The GMRF accuracy results were compared with those provided by the widely known Triangulation with Linear Interpolation (TLI). Finally, the GMRF method was applied to a real-world case consisting of filling the LiDAR-derived DSM gaps after manually filtering out non-ground points to obtain a Digital Terrain Model (DTM). Regarding accuracy, both GMRF and TLI produced visually pleasing and similar results in terms of vertical accuracy. As an added bonus, the GMRF mathematical framework makes possible to both retrieve the estimated uncertainty for every interpolated elevation point (the DEM uncertainty) and include break lines or terrain discontinuities between adjacent cells to produce higher quality DTMs.