dinámica y proyección del cambio de cobertura y uso de suelo, 2020-2030, municipio de san...

Dinmica y proyeccin del cambio de Cobertura y Uso de Suelo, 2020-2030, municipio de San

Buenaventura-La Paz-Bolivia

Ing. Tania Gutirrez Rosales

Diciembre, 2014

UNIVERSIDAD MAYOR DE SAN SIMN

VICERECTORADO

Centro de Levantamientos Aeroespaciales

y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales

Dinmica y proyeccin del cambio de Cobertura y Uso de Suelo, 2020-2030, municipio de San Buenaventura-

La Paz-Bolivia

Por

Ing. Tania Gutirrez Rosales

Asignacin Final Individual (Trabajo de Grado) presentado al Centro de Levantamientos

Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales en

cumplimiento parcial de los requisitos para la obtencin del grado acadmico de Mster en Ciencias

de la Geo - Informacin y Observacin de la Tierra, en la mencin en: Informacin de Tierras para

la Planificacin del Territorio

Comit de evaluacin del AFI

Examinador 1 Lic. Stephan Dalence M., M.Sc.

Examinador 2 Lic. Benjamn Gossweiler H., M.Sc.

Examinador 3 Ing. Carlos Romn C., M.Sc.

Examinador 4 Ing. Nelson Sanabria S., M.Sc.

Examinador 5 Villarroel: Ing. Julie Villarroel N., M.Sc.

Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible

de los Recursos Naturales Cochabamba, Bolivia

Aclaracin

Este documento describe el trabajo realizado como parte del programa de estudios de

Maestra en el Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el

Desarrollo Sostenible de los Recursos Naturales. Todos los puntos de vista y opiniones

expresadas en el mismo son responsabilidad exclusiva del autor y no representan

necesariamente las del Centro.

i

Resumen

La degradacin de los bosques y la deforestacin en Bolivia han crecido en las ltimas

dcadas, debido a la expansin continua de la agroindustria y la colonizacin de forma

generalmente no planificada ni controlada por las instancias gubernamentales. Las nuevas

polticas econmicas implementadas en el municipio de San Buenaventura - estn

provocando cambios drsticos como la alteracin de la cobertura boscosa para ser

convertida en reas agrcolas; alterando de esta manera los ecosistemas. El objetivo de este

trabajo es determinar la dinmica y proyeccin del cambio de Cobertura y Uso de Suelo

para los aos 2020 y 2030 en el municipio de San Buenaventura La Paz. El estudio se

basa en la clasificacin supervisada de imgenes satelitales Landsat 5 (2001-2010) y

Landsat 8 (2013), para determinar la cobertura y uso de suelo para las tres pocas que

posteriormente fueron validadas.

A partir de los resultados encontrados en los anlisis de cambios de cobertura y uso suelo;

las capas clasificadas (2001-2010), con sus respectiva matriz de transicin, los factores que

influyen en los cambios que fueron previamente recopiladas y seleccionadas de acuerdo a

un anlisis de correlacin determinando su dependencia espacial, clculo de probabilidades

de cambio en base a de pesos de evidencia, se aplic un modelo proyectivo de cambio,

basado en autmatas celulares; mismo que fue evaluado y validado con un mapa de

cobertura y uso de suelo del 2013. Una vez concluido la validacin el modelo fue corrido

para los escenarios futuros de cobertura y uso de suelo 2020 y 2030.

Resultados de las proyecciones de escenarios futuros indican, que si se mantiene estas

tendencias al 2030, una mayor probabilidad de que ocurran impactos fuertes sobre Bosque

Denso Amaznico Hmedo (BDAH) con una prdida de 1.471,00 ha, Bosque Andino

Montano de Hmedo a Subhmedo (BAMHS) con una prdida de 2.494,40 ha y Bosque

Denso Amaznico Estacionalmente Inundado (BDAI) con una prdida de 1.330,80 ha.

Porque de acuerdo a estas proyecciones estas prdidas sern remplazadas por la actividad

agrcola, llegando a ganar un total de 7.997, 90 ha.

Palabras claves: Municipio de San Buenaventura, Cambio de cobertura y uso de suelo,

Autmatas celulares.

ii

Dedico este trabajo a Dios por darme fortaleza y sabidura,

a mis padres y hermanos que son el motor

que me impulsa a seguir adelante.

iii

Agradecimientos

La finalizacin de este trabajo no hubiese sido posible sin la ayuda y el soporte tcnico,

econmico y humano de personas e instituciones a las que quisiera dejar mi ms sincero

agradecimiento.

A NUFFIC e ITC por la beca que me otorgo durante mis estudios de maestra.

A todos los amigos y compaeros por el apoyo brindado.

iv

Tabla de contenidos

1. INTRODUCCIN .......................................................................................................... 1

1.1. Antecedentes ............................................................................................................ 1

1.2. Justificacin ............................................................................................................. 1

1.3. Planteamiento del problema de investigacin ......................................................... 2

2. OBJETIVOS.................................................................................................................... 3

2.1. Objetivo General ...................................................................................................... 3

2.2. Objetivos Especficos .............................................................................................. 3

3. MARCO TERICO ........................................................................................................ 4

3.1. Dinmica de Cambio de Cobertura y Uso de Suelo. ............................................... 4

3.2. Sistema de clasificacin de cobertura de la tierra (LCCS) ...................................... 4

3.3. Herramientas para el estudio de la cobertura de la tierra ......................................... 5

3.3.1 Teledeteccin y Sensores Remotos .................................................................. 5

3.3.2 Escneres Multiespectrales ............................................................................... 5

3.3.3 El programa Landsat ......................................................................................... 5

3.4. Interpretacin digital de las imgenes ..................................................................... 6

3.4.1. Correccin Geomtrica de Imgenes Satelitales .............................................. 6

3.4.2. Combinacin de bandas de imgenes satelitales .............................................. 6

3.4.3. Clasificacin digital .......................................................................................... 6

3.4.4. Clasificacin supervisada ................................................................................. 7

3.5. Mtodo de modelizacin y simulacin espacial ...................................................... 7

3.5.1. Modelos Espaciales de proyeccin ................................................................... 7

3.5.2. Dinmica EGO ................................................................................................. 8

3.5.3. Autmatas Celulares en Dinmica EGO .......................................................... 8

4. MARCO METODOLGICO ....................................................................................... 10

4.1. Descripcin de la zona de estudio .......................................................................... 10

4.1.1. Aspectos biofsicos ......................................................................................... 10

4.2. Metodologa ........................................................................................................... 12

4.3.1 Manejo y preparacin de la geo-informacin ................................................. 14

v

4.3.2 Elaboracin del mapa de cobertura y uso de suelo a partir de una clasificacin

supervisada. ....................................................................................................................14

4.3.3 Modelizacin Proyectiva en software DINAMICA EGO. .............................16

5. RESULTADOS Y DISCUSIN ...................................................................................20

5.1. Mapa de cobertura y uso de suelo ..........................................................................20

5.1.1 Mapa de cobertura y uso de suelo 2001 ..........................................................20



5.1.4 Anlisis de cambios de cobertura y uso de suelo (2001-2010-2013) ..............21

5.2. Modelizacin Proyectiva en DINAMICA EGO .....................................................25

5.2.1 Matriz de Transicin .......................................................................................25

5.2.2 Pesos de evidencia ...........................................................................................25

5.2.3 Anlisis de correlacin de las variables ..........................................................26

5.2.4 Parmetros de Patcher y Expander ..................................................................27

5.2.5 Validacin de la simulacin del modelo .........................................................29

5.2.6 Cambio de cobertura 2013 al 2030 .................................................................30

5.2.7 Proyeccin de escenarios futuros de cambio al 2020 y 2030 ..........................30

5. CONCLUSIONES .........................................................................................................34

6. RECOMENDACIONES ................................................................................................35

7. BIBLIOGRAFA ...........................................................................................................36

ANEXOS ...............................................................................................................................38

vi

Lista de figuras

Figura 1. Ubicacin del rea de estudio ............................................................................... 11

Figura 2. Flujograma metodolgico general......................................................................... 13

Figura 3. Clasificacin de variables de entrada para el modelo ........................................... 16

Figura 4. Modelo de proyeccin de cambio de cobertura y uso de suelo 2020 - 2030 ........ 19

Figura 5. Comparacin de rea total de cambio en las coberturas y uso de suelo (ha) 2001 a

2013 ...................................................................................................................................... 21

Figura 6. Mapa de cobertura y uso de suelo 2001 ................................................................ 22



Figura 9. Pesos de evidencia para transicin 2 a 1 (BDAH a AM) ...................................... 26

Figura 10. Prueba de validacin ........................................................................................... 29

Figura 11. rea de cambio de cobertura y uso de suelo 2013, 2020 y 2030 ........................ 30

Figura 12. Mapa de cobertura y uso de suelo proyectada para el 2020 ................................ 32

Figura 13. Mapa de cobertura y uso de suelo proyectada para el 2030 ............................... 33

vii

Lista de cuadros

Cuadro 1. Unidades de Vegetacin ......................................................................................12

Cuadro 2. Clases de cobertura y uso de suelo segn FAO y clases reagrupadas ..................15

Cuadro 3. Clases de Cobertura y Uso de Suelo (Reagrupados) ............................................20

Cuadro 4. Evolucin de cambios totales en (ha) por cobertura y uso del suelo de 2001 a

2013 .......................................................................................................................................21

Cuadro 5. Matriz de transicin de paso simple de 2001 a 2010 ...........................................25

Cuadro 6. Matriz de transicin de paso mltiple paso de un ao .........................................25

Cuadro 7. Independencia espacial entre pesos de evidencia .................................................27

Cuadro 8. Datos con resultados de parmetros para la funcin de patcher ...........................28

Cuadro 9. Datos con resultados de parmetros para la funcin expander ...........................28

Cuadro 10. Proyeccin de los cambios en la cobertura y uso del suelo (ha) ........................31

Dinmica y proyeccin del cambio de cobertura y uso de suelo, 2020-2030, municipio de San Buenaventura-La Paz-Bolivia

1

1. INTRODUCCIN

1.1. Antecedentes

El factor que ms ha contribuido al cambio global es el cambio de Cobertura y Uso del

Suelo que impacta negativamente el clima, los suelos, los recursos hidrolgicos, el

desarrollo socio-econmico y la biodiversidad (Lambin, et al., 2003).

La degradacin de los bosques y la deforestacin en Bolivia han crecido

exponencialmente en las ltimas dcadas, debido a la expansin continua de la

agroindustria y la colonizacin de nuevos asentamientos de forma generalmente no

planificada ni controlada por las instancias gubernamentales (Pacheco, 2006). Los

procesos de prdida de bosques y de cambio de uso del suelo han sido bien

documentados para los ltimos 30 aos, utilizando, fundamentalmente, el anlisis

multitemporal de imgenes satelitales, complementando con videografa a partir de

sobre vuelos (Killeen, et al., 2007).

Durante los ltimos tres decenios, el norte de La Paz ha experimentado la llegada de

colonos que han establecido asentamientos e introducido nuevos sistemas de produccin

en suelos cubiertos de bosques. Hoy se plantea la ejecucin de polticas de desarrollo

que vienen de pocas pasadas. La implantacin de un ingenio azucarero y la integracin

caminera al importante mercado de La Paz, son las causas principales para los cambios

de cobertura y uso de suelo de la regin, lo cual conlleva a prdida de reas boscosas por

habilitacin de reas cultivables y/o pastizales (Gozalvez, 2012).

Los modelos de cambio de Cobertura y Uso del Suelo son herramientas de apoyo al

anlisis de las causas y consecuencias del uso de la tierra. Son utilizados, con el fin de

comprender mejor el funcionamiento del sistema de uso del suelo y para apoyar las

polticas de planificacin del uso del suelo. Los modelos son tiles en la velocidad y el

patrn espacial de uso del suelo y cambio para la estimacin de los impactos de cambios

en el uso del suelo. Adems, los modelos pueden apoyar la exploracin de los futuros

cambios de uso del suelo bajo diferentes condiciones del escenario (Verburg, et al.,

2004).

Los diferentes tipos de anlisis de cambios de Cobertura y Uso de Suelo son

herramientas poderosas para la toma de decisiones sobre el manejo, uso y administracin

de los recursos naturales. Nos ayudan a entender mejor la dinmica de los procesos de

cambio en el tiempo, constituyndose as en una fuente importante de informacin para

conocer sus patrones (Velazquez, 2002) y poder anticipar situaciones indeseables, desde

el punto de vista de la sostenibilidad.

1.2. Justificacin

El uso de modelos predictivos de dinmicas de cambio de Cobertura y Uso del Suelo,

empleando los Sistemas de Informacin Geogrfica y Percepcin Remota, representa


2

una importante oportunidad para anticipar, prevenir y mitigar las dinmicas insostenibles

de la actual forma de crecimiento de la regin.

Los autmatas celulares son herramientas capaces de simular diferentes tipos de usos del

suelo (White & Engelen, 2000). Son sistemas espaciales dinmicos muy simples en los

que el estado de cada celda depende de los estados previos de las celdas vecinas, de

acuerdo a reglas de transicin (Aguilera, 2006).

El desarrollo de modelos predictivos de la dinmica de cambio de Cobertura y Uso de

Suelo del municipio de San Buenaventura es de vital importancia, debido a que hoy se

plantea la ejecucin de polticas de desarrollo que vienen de pocas pasadas como la

implementacin de un ingenio azucarero, la integracin caminera a los importantes

mercados de La Paz entre otros.

1.3. Planteamiento del problema de investigacin

Las nuevas polticas econmicas implementadas en el municipio de San Buenaventura -

estn provocando cambios drsticos como la alteracin de la cobertura boscosa para ser

convertida en reas agrcolas; alterando de esta manera los ecosistemas. Predecir

espacialmente estas tendencias de cambio y sus direcciones para identificar cules

podran ser las reas ms susceptibles de cambio, es de vital importancia como

instrumento de planificacin, sensibilizacin y concientizacin ambiental, la misma que

ayudara a los tomadores de decisin al uso y administracin adecuado de sus recursos

naturales.


3

2. OBJETIVOS

2.1. Objetivo General

Determinar la dinmica y proyeccin del cambio de Cobertura y Uso de Suelo para los

aos 2020 y 2030 en el municipio de San Buenaventura La Paz.

2.2. Objetivos Especficos

Determinar la Cobertura y Uso de Suelo para los aos 2001, 2010 y 2013.

Determinar las variables ms importantes relacionadas con la dinmica de cambio de Cobertura y Uso de Suelo segn dinmica autmatas celulares.

Determinar un modelo predictivo de dinmica de cambio para el municipio en base al comportamiento espacial de los aos 2001, 2010 y 2013.

Estimar escenarios futuros de expansin de Cobertura y Uso de suelo para los aos 2020 y 2030.


4

3. MARCO TERICO

3.1.Dinmica de Cambio de Cobertura y Uso de Suelo.

En forma pragmtica, el concepto de cobertura describe los objetos que se distribuyen

sobre un territorio determinado. El uso del suelo, en cambio, se refiere al resultado de las

actividades socioeconmica que se desarrollan o desarrollaron sobre una cobertura

(Quiroz, 2009). Esta actividad se relaciona con la apropiacin de los recursos naturales

para la generacin de bienes y servicios.

Entender el impacto que ocasiona la dinmica de cambio de cobertura y uso de suelo,

significa estudiar factores ambientales y socioeconmicos que afectan su uso. Sin

embargo, se hacen difciles los anlisis cuantitativos de la importancia relativa de estos

elementos con el cambio de la cobertura y uso del terreno, ya que las interpretaciones de

cmo estos factores interactan para estimular el cambio varan ampliamente de una

regin a otra (Quiroz, 2009).

Como consecuencia de la prdida tan alta de bosques, los estudios sobre los procesos de

cambio de cobertura y uso del suelo se encuentran en el centro de atencin de la

investigacin ambiental actual. La mayor parte de los cambios ocurridos en ecosistemas

terrestres se deben a: 1) conversin de la cobertura del terreno, 2) degradacin del

terreno y 3) intensificacin en el uso del terreno. Estos procesos, usualmente englobados

en lo que se conoce como deforestacin o degradacin forestal, se asocian con impactos

ecolgicos importantes prcticamente a todas las escalas. Localmente inducen la prdida

y degradacin de suelos, cambios en el microclima y prdida en la diversidad de

especies; regionalmente afectan el funcionamiento de cuencas hidrogrficas y de

asentamientos humanos; a nivel global, coadyuvan a las emisiones de gases de efecto

invernadero que dan por resultado el problema del cambio climtico global (Quiroz,

2009).

3.2.Sistema de clasificacin de cobertura de la tierra (LCCS)

El Sistema de Clasificacin de la Cobertura de la Tierra (LCCS) ha sido desarrollado por

la Organizacin de las Naciones Unidas para la Alimentacin y Agricultura (FAO) y el

Programa de las Naciones Unidas para el Medioambiente (UNEP) con el objetivo de

satisfacer las necesidades de un acceso mejorado a informacin confiable y

estandarizada de la cobertura de la tierra y cambios que en ella ocurren.

LCCS es un sistema de clasificacin comprensivo, estandarizado a priori, diseado para

satisfacer requerimientos especficos de los usuarios, y creado para ejercicios de mapeo

independientemente de la escala o medidas utilizadas para el mapeo. Facilita la

comparacin entre clases de cobertura sin importar la fuente de datos, la disciplina

temtica o el pas. El sistema LCCS realza el proceso de estandarizacin y minimiza el

problema de lidiar con una gran cantidad de clases pre-definidas (Di Gregorio, 2005).


5

3.3. Herramientas para el estudio de la cobertura de la tierra

3.3.1 Teledeteccin y Sensores Remotos

La teledeteccin es aquella tcnica que nos permite obtener informacin a distancia de

los objetos situados sobre la superficie terrestre. Para que esta observacin remota sea

posible es preciso que entre los objetos y el sensor exista algn tipo de interaccin y el

resultado usualmente, pero no necesariamente, es almacenado como una imagen

(Chuvieco, 2002). Para esto se requiere al menos, tres componentes: foco energtico,

superficie terrestre y sensor (Bakker & Jansen, 2001).

Una de las formas de clasificarlos es el procedimiento de recibir la energa procedente de

las distintas cubiertas y ellos son: (1) Pasivos, cuando se limitan a recibir la energa

proveniente de un foco exterior a ellos, y (2) Activos, cuando son capaces de emitir su

propio haz de energa (Chuvieco, 2002).

3.3.2 Escneres Multiespectrales

Los escneres multiespectrales miden a travs del escaneo la energa electromagntica

reflejada por la superficie de la tierra. Esto resulta en una imagen digital (datos) y su

unidad elemental es el pxel. Las aplicaciones de los escneres multiespectrales estn

relacionadas principalmente en el mapeo de la cobertura de la tierra, vegetacin,

mineraloga superficial y agua superficial Fuente.

3.3.3 El programa Landsat

El programa Landsat es el programa civil de observacin de la tierra ms antiguo.

Comenz el ao 1972 con el Satlite Landsat-1, seguido de Landsat 7 que ha

incorporado un nuevo sensor, el ETM+, que mejora las caractersticas del TM,

aadindole una banda pancromtica de 15 m de resolucin, y aumentando la resolucin

de la banda trmica a 60 m. (Chuvieco, 2002).

Actualmente el sensor que est en rbita es Landsat 8 fue lanzado el 11 de febrero de

2013 y declarado operacional el 30 de mayo de 2013. Landsat 8 lleva consigo dos

instrumentos, el primero de ellos es el conocido por las siglas OLI (Cmara Terrestre

Operacional), y posee tres nuevas bandas en comparacin con su antecesor ETM+

(Generador Temtico Mejorado de Mapas Plus); la banda azul profundo (0,433 -

0,453m), que est principalmente destinada a estudios costeros y aerosoles, una banda

infrarroja de onda corta (1,36-1,38 m) para la deteccin de cirros, y una tercera banda

que evala la calidad de la informacin (Quality Assessment band). El segundo

instrumento es el TIRS (Sensor Trmico Infrarrojo), que proporciona dos bandas

trmicas ( Schomwandt & LucioniL, 2013).

Existes muchas aplicaciones de los datos Landsat TM, ETM y actualmente de las

Landsat 8 OLI en el mapeo de la cobertura de la tierra, uso de la tierra, mapeo del suelo,

mapeo geolgico, etc.


6

3.4. Interpretacin digital de las imgenes

3.4.1. Correccin Geomtrica de Imgenes Satelitales

Una imagen de satlite, no proporciona informacin referenciada a ninguna proyeccin o

sistema de coordenadas; cada pixel se ubica en un sistema de coordenadas arbitrario de

tipo fila-columna como los que manejan los programas de diseo grfico. Hasta este

momento no hay ninguna relacin entre las filas y columnas y las coordenadas del

mundo real (UTM, coordenadas geogrficas, etc.) (Chuvieco, 2002).

En este sentido, las correcciones geomtricas son necesarias bsicamente debido a dos

motivos (Chuvieco, 2002):

A las variaciones espaciales ocurridas en el proceso de captura de la informacin e inherentes al movimiento del sensor (aleteo, cabeceo, variaciones en altura y

velocidad, etc).

Por la necesidad de ajustar la informacin espacial a un sistema de referencia determinado (sistema geodsico, proyeccin cartogrfica, etc), y poder, de este

modo, combinar la imagen de satlite en cuestin con otras imgenes o con otro

tipo de datos, por ejemplo en un entorno SIG.

3.4.2. Combinacin de bandas de imgenes satelitales

La composicin coloreada de la imagen permite resaltar los detalles con mayor facilidad

que una combinacin de tonalidades de grises exclusivamente, para la mayora de los

intrpretes de imgenes satelitales. La composicin coloreada consiste en operar una

combinacin de 3 bandas (mximo) de una imagen en los tres canales del espectro

visible: Rojo, Verde y Azul (Chuvieco, 2002).

El factor ndice Optimo es un valor estadstico que puede ser usado para seleccionar la

combinacin optima de las tres bandas en una imagen, tres bandas son seleccionadas,

aquellas que tienen la ms alta cantidad de informacin (=la suma mayor de las

desviaciones estndar) con la menor cantidad de duplicacin (ms baja correlacin entre

pares de bandas) (Chuvieco, 2002).

3.4.3. Clasificacin digital

En el proceso de clasificacin digital de imgenes el operador instruye a la computadora

que realice una interpretacin de acuerdo a ciertas condiciones predefinidas. Esta tcnica

forma parte de la interpretacin digital de imgenes (Bakker & Jansen, 2001).

Tradicionalmente se han dividido los mtodos de clasificacin en dos grupos:

supervisado y no supervisado, de acuerdo a la forma en que son obtenidas las

estadsticas de entrenamiento. El mtodo supervisado parte de un conocimiento previo

del terreno, a partir del cual se seleccionan las muestras para cada una de las categoras.


7

3.4.4. Clasificacin supervisada

La clasificacin supervisada se fundamenta en el previo conocimiento de las clases y de

estadsticos que se relacionan a cada clase espectral de la imagen (Rojas & Ortiz, 2009) .

Esta es realizada por un operador que define las caractersticas espectrales de las clases,

mediante la identificacin de reas de muestreo (reas de entrenamiento). Se requiere

tambin que el operador est familiarizado con el rea de inters (Chuvieco, 2002).

La clasificacin supervisada consta de dos (2) fases: entrenamiento y asignacin. En la

fase 1, el investigador, realiza un reconocimiento general de las reas a estudiar,

determinando patrones de formas y colores relacionadas a una clase, entrenando el

conjunto de pxeles a cada clase encontrada, desarrolla una descripcin numrica de las

caractersticas espectrales de las bandas que discriminan los grupos de pxeles que

pertenecen a una misma clase mediante la generacin de sus firmas espectrales, en la

fase 2, se asigna una lista de clases o nombres a cada patrn observado, generando

mediante algoritmos una clasificacin general de la imagen (Land, et al., 2008).

De acuerdo con (Land, et al., 2008) la precisin de la clasificacin supervisada, tiene

algn nivel de subjetividad que est dada por el entrenamiento de los datos, por tanto

afecta el resultado final de la clasificacin, el cual es responsable el investigador.

3.5. Mtodo de modelizacin y simulacin espacial

3.5.1. Modelos Espaciales de proyeccin

Segn el diccionario de la Real Academia de la Lengua Espaola, se entiende por

modelo a un esquema terico, generalmente en forma matemtica, de un sistema o

realidad compleja, que se elabora para facilitar su comprensin y el estudio de su

comportamiento. Englobados dentro del concepto general de modelo, encontramos

aquellos que tratan sobre los cambios en los usos de suelo cuyo objetivo es la transicin

entre usos (Aguilera, 2006).

Algunos modelos identificados por Berling-Wolf y Wu en 2004 son aquellos empleados

para la planificacin del transporte, basados en la teora de la gravedad o en matemtica

lineal, posteriormente aparecen modelos de ubicacin de actividades que tenan como

objetivo determinar zonas de residencia. A continuacin se desarrollaron nuevos

modelos, que incluan usos de suelo y modelos de transporte, algunos de los cuales

fueron operativos; pero no fue hasta finales de los 70s, cuando se empezaron a

desarrollar modelos con elementos dinmicos que podan modelizar mejor dinmicas

espaciales. Una de las herramientas matemticas que permita realizar este propsito son

los autmatas diseados por Von Meuman y Stanislaw Ulam en los aos 40 (Aguilera,

2006).


8

3.5.2. Dinmica EGO

DINAMICA EGO en un software que facilita el diseo de diferentes tipos de modelo

(dinmico y esttico). Este software se base en algoritmos de autmatas celulares y los

pesos de evidencia de distintas variables biofsicas y socioeconmicas de los factores

causales de la transformacin de las coberturas y el uso del suelo. DINAMICA considera

los fenmenos espaciales y temporales enlazados a los procesos de cambio a travs del

tiempo e implementado para diferentes estudios (Aguilera, 2006).

3.5.3. Autmatas Celulares en Dinmica EGO

Los autmatas celulares se pueden entender como sistemas espaciales dinmicos simples

en lo que el estado de cada celda depende de los estados previos de la celdas vecinas, de

acuerdo con un conjunto de regla de transicin (Aguilera, 2006).

Podemos definir un autmata celular como un sistema dinmico formado por un

conjunto de elementos sencillos idnticos entre s, pero que en conjunto son capaces de

demostrar elementos complejos. En ellos el estado de cada elemento, depende del estado

previo de los elementos vecinos, segn un conjunto de reglas de transicin (Aguilera,

2006). Los autmatas celulares fueron diseados por Von Neuman y Ulam (1940),

aunque la idea de autmatas celulares pretenece a Turing y su mquina universal

(Aguilera, 2006).

Matriz de transicin

La matriz de transicin describe un sistema que cambia a travs de incrementos discretos

de tiempo, en los cuales el valor de cualquier variable en un periodo de tiempo es la

suma de porcentajes fijos del valor de las variables en el periodo de tiempo previo

(Almeida, 2003).

Pesos de evidencia

El clculo de pesos de evidencia segn (Almeida, 2003) es el mtodo para el clculo de

probabilidades de transicin de cobertura y uso de suelo, basado enteramente en el

Teorema de Bayes, que trata de la probabilidad condicional, est la probabilidad de que

un evento ocurra, dado que otro evento, independiente del primero ya ocurri. Los pesos

de evidencia representan la influencia de cada una de las variables en la probabilidad

espacial de ocurrencia de una transicin y son calculados como se muestra a

continuacin:

{ | } { | }

{ | }

{ | } { }

Dnde: W es el peso de evidencia de ocurrencia del evento D dado un patrn espacial B


9

Correlacin de Variables

El Coeficiente de correlacin lineal (r) mide la fuerza de la relacin lineal entre los

valores cuantitativos apareados X y Y en una muestra. El coeficiente de correlacin

lineal se conoce como coeficiente de correlacin producto momento de Pearson, en

honor de Karl Pearson (1857-1936), quien lo desarrollo originalmente (Almeida, 2003).

Para determinar la dependencia espacial de las variables se utiliza el ndice que

correlacin de Cramer, los cuales operan con valores reales y porcentuales, con el fin de

validar la existencia de dependencia o asociacin entre ambos, los valores varan de cero

a uno y a medida que el valor se acerque a uno, las variables comparadas tienen mayor

correlacin, es decir que son ms parecidas (Almeida, 2003).

Calibracin y validacin

Los mtodos de dirigidos por datos para la calibracin y extraccin de reglas, son de

lejos lo mejor para la prediccin de patrones urbanos (Almeida, 2003). Estos estn

basados en redes neuronales, o mtodos de calibracin automtica. El Problema de la

calibracin basada en redes neuronales es que los parmetros estn ocultos y no

permiten los experimentos del tipo (que pasara si). De acuerdo a lo que se ha

mencionado sobre los modelos exploratorios, la prediccin a largo plazo no es posible.

En este sentido la utilidad de las redes neuronales es limitada (Almeida, 2003). Otro

problema con los mtodos de calibracin dirigidos por datos es que no capturan los

procesos reales del uso de la tierra (Almeida, 2003). Un patrn tendra un buen ajuste

con datos de uso de suelo reales, aunque est basado en reglas no realistas.

Escenarios

La construccin de escenarios es una herramienta que puede servir para entender y

anticipar los cambios y, de esta forma mejorar la toma de decisiones. Los escenarios no

son predicciones en un sentido estricto, sino que ofrecen la visin de diferentes futuros

alternativos informados, posibles e imaginados en los cuales se toman las decisiones

(Cuevas, 2008).

El empleo de diferentes escenarios permite evaluar los cambios de usos dentro de un

margen de error asumible por diferentes tendencias de desarrollo socioeconmico. La

creacin de distintos escenarios de cambios ambientales globales a largo plazo es

fundamental, al ser indicativos de la sensibilidad de los cambios de usos y coberturas del

suelo en fenmenos tan importantes como el cambio climtico (Cuevas, 2008). Los

escenarios socioeconmicos que describen los futuros cambios de uso de la tierra son

importantes para caracterizar la sensibilidad de los sistemas, su vulnerabilidad y su

capacidad de adaptacin (Cuevas, 2008).


10

4. MARCO METODOLGICO

4.1. Descripcin de la zona de estudio

El municipio de San Buenaventura, segunda seccin de la Provincia Abel Iturralde se

encuentra ubicado al norte del Departamento de La Paz, entre las coordenadas mnima

(X=660000; Y=8450000) y mxima (X=590000; Y=8380000), perteneciente a la zona

19 sud. La altura vara entre 171 y 1.251 msnm, siendo el punto ms bajo al norte, cerca

del Ro Beni y el ms alto, en la Serrana de Hurehuapo. Su capital, el centro poblado de

San Buenaventura, se encuentra a 481 km. de la ciudad de La Paz. El Municipio tiene

una superficie de 3.748,11 km2, por lo que corresponde al 9,37% de la superficie de la

provincia Abel Iturralde (figura 1).

4.1.1. Aspectos biofsicos

El municipio presenta un clima clido que se comporta con relativa homogeneidad en el

espacio y cierta estacionalidad en el tiempo. La temperatura media anual es de 25,7 C,

con las mximas temperaturas en octubre y las mnimas en julio. Respecto a la

precipitacin, se distingue tambin una estacionalidad temporal que define la poca de

lluvias (noviembre a marzo), y la poca seca (abril a octubre) donde las

precipitaciones se reducen hasta 80 mm en agosto. La humedad relativa se mantiene alta

durante los meses de diciembre a junio (85%), mientras que de julio a noviembre se

reduce hasta 73%.

El sistema de cuencas en Sudamrica al que pertenece el Municipio de San

Buenaventura son: Macro cuenca Amazonas, Gran cuenca Ro Madeira (Alto

Madeira), Cuenca Ro Beni, Subcuenca primaria Ro Beni (antes de la confluencia con

ro Mamor), Subcuencas secundarias Ro Beni (antes de confluencia con ro Madre de

Dios).

Las formaciones geolgicas responden a los plegamientos de la Faja Subandina y los

procesos de depositacin de la Llanura Chaco-Beniana. En la Faja Subandina, se

encuentran unidades geolgico-estratigrficas pertenecientes al Paleozoico y Cenozoico

respectivamente, se caracteriza por la presencia de rocas de los periodos Ordovcico,

Devnico, Cretcico y tambin del Terciario.

Geomorfologa

Dos formaciones geomorfolgicas estn presentes dentro del Municipio: el Subandino y

la Llanura Chaco-Beniana. La primera, responde a un bloque montaoso y complejo

caracterizado por la serrana de Manuque o del Bala, con rumbo paralelo al Subandino

(Noroeste Sureste) y; la segunda, a la extensa llanura de inundacin surcada por ros de

curso divagante.


11

Figura 1. Ubicacin del rea de estudio


12

Fisiografa

De acuerdo a las caractersticas geomrficas descritas, se distinguen dos provincias

fisiogrficas: el Subandino y la Llanura Chaco-Beniana. La Parte Subandino del

municipio est representada por la serrana de Manuque, cuya forma alargada que se

extiende en sentido Noroeste-Sureste con una altura mxima de 1.251 msnm. Esta

serrana, constituida por rocas resistentes y homogneas, presenta cimas agudas de

forma redondeada a subredondeada. Las gradientes son pronunciadas a consecuencia de

las fuertes pendientes estructurales.

Vegetacin

Debido a su ubicacin entre el Subandino y Llanura Chaco-Beniana, el municipio cuenta

con una elevada diversidad en vegetacin. Los bosques se caracterizan por la riqueza de

especies maderables y por su alto valor de diversidad biolgica. Se estiman ms de 6.000

especies de plantas superiores que, adems, albergan a una alta diversidad de fauna.

Cuadro 1. Unidades de Vegetacin

Cobertura Aprovechamiento actual de los recursos naturales (uso actual de la tierra)

El uso de la tierra en el municipio de San Buenaventura se caracteriza por el desarrollo

de actividades agrcolas, ganaderas y forestales, tanto de productos maderables como no

maderables. Estos usos pueden presentar variaciones y combinaciones, dependiendo de

las caractersticas especficas de la zona y las preferencias de los habitantes. El rea

donde se encuentra diversidad de usos de la tierra, se concentra a lo largo de la red vial

principal en el tramo San Buenaventura Tumupasa Cinteo donde se localiza la

mayora de los centros poblados, haciendas ganaderas y aserraderos.

4.2. Metodologa

La metodologa que se describe est basada en el diagrama de flujo metodolgico (Figura 2).

Unidad Unidades Vegetacin

1 reas antrpicas

2 Bosque del piedemonte del Suroeste de la Amazonia

3 Bosque inundable de la llanura aluvial de ros del suroeste de la Amazonia

4 Complejo de bosques y vegetacin riparia de aguas blancas del Beni

5 Bosque pantanoso de palmeras de la llanura aluvial del Sur de la Amazonia53

6 Bosque siempreverde estacional subandino del Suroeste de la Amazonia

Bosque siempreverde subandino del Suroeste de la Amazonia

7 Complejo de sabanas del Sur de la Amazonia


13

Figura 2. Flujograma metodolgico general


14

4.3.1 Manejo y preparacin de la geo-informacin

Correccin de Imgenes Satelitales. Se reproyectaron las imgenes ortorectificadas descargadas de GLOVIS_USGS, llevando de proyeccin 19 norte a 19 sud

para nuestra posicin geogrfica.

Generacin de datos a partir del DEM. Mediante el DEM (ASTER) de 30 metros de resolucin, descargado desde la pgina de internet ASTER GDEM, se gener

los mapas de pendientes y elevacin con la herramienta ERDAS.

4.3.2 Elaboracin del mapa de cobertura y uso de suelo a partir de una clasificacin supervisada.

Anlisis estadstico y visual de las bandas. La etapa inicial consiste en valoracin cualitativa y cuantitativa de la calidad de la imagen de modo multibanda, de

sus contrastes, del comportamiento espectral de distintas cubiertas dentro las bandas

espectrales y se evala la separabilidad espectral de las bandas en relacin con estas. Al

final se obtiene la primera apreciacin sobre el nmero de posibles clases temticas a

discriminar, sobre las bandas a utilizar, y los posibles procesos adicionales para derivar

las nuevas imgenes que podran ser tiles en la fase de clasificacin. Algunas medidas

o graficas tiles para el anlisis de las bandas son las estadsticas multibanda,

correlacin, varianza y covarianza y los grficos de dispersin entre bandas, el cual no

permitir definir cuales bandas de la imagen Landsat 5 y 8 se utilizara en el proceso de

clasificacin (Posada, 2004).

Elaboracin de la leyenda. La Leyenda se elabora en base al mapa de cobertura y uso de suelo generado para el ao 2010 por el Viceministerio de Tierras

basado en metodologa FAO.

Las clases de cobertura y uso de suelo fueron reagrupados, debido a la similitud de

respuesta espectral de una clase a otra en la imagen satelital, como tambin con el

propsito de disminuir el nmero de transiciones e interacciones con las variables y

facilitar as su manejo dentro del modelo (Cuadro 2).


15

Cuadro 2. Clases de cobertura y uso de suelo segn FAO y clases reagrupadas

Nro. Clases de Cobertura y Uso de Suelo

(Viceministerio de Tierras) Nro.

Clases de Cobertura y Uso de Suelo

(Reagrupados)

1 Agricultura Mltiple 1 Agricultura Mltiple

2 Bosque Denso Amaznico en Llanura hmedo 2 Bosque Denso Amaznico en Llanura

hmedo

3 Bosque Denso Amaznico en Llanura

Inundada Estacionalmente 3

Bosque Denso Amaznico en Llanura

Inundada Estacionalmente

4 Bosque Denso Andino Montano Hmedo

4 Bosque Andino Montano de hmedo a

subhumedo 5 Bosque o Monte Ralo Andino Montano

subhmedo

6 Cuerpos y Cursos de Agua 5 Cuerpos, cursos y depsitos de arena

7 Depsitos de Arena Playas y Dunas

8 Estructura urbana y rural ciudades y pueblos 6 Estructura urbana y rural ciudades y

pueblos

9 Herbazal Graminoide Vivaz Altimontano

Pluvionebular

7 Herbazal Graminoide Vivaz 10

Herbazal Graminoide Vivaz Llanura Inundada

Estacionalmente

11 Herbazal Graminoide Vivaz Llanura inundada

por periodos cortos

12 Matorral Amaznico Ribereo Hmedo

Clasificacin segn metodologa FAO (LCCS 2001)

Seleccin y delimitacin de las reas de entrenamiento. Etapa en la cual se requiere previo conocimiento de las caractersticas del rea, as como de las categoras

que pretendemos discriminar. En base al mapa de cobertura y uso de suelo generado por

el Viceministerio de Tierras se identifican la distribucin de clases en el rea de estudio

donde se definen y delimitan 10 reas de entrenamiento o pilotos representativas de cada

una de las clases, trabajo realizado con ayuda del software ERDAS 2013 (Posada, 2004).

Evaluacin estadstica de las reas de entrenamiento. Se evala estadsticamente el grado de representatividad de las reas piloto las cuales nos dan idea

sobre la separabilidad espectral de las clases temticas, lo que al final nos garantiza

una buena clasificacin. El mtodo que utilizaremos es el de diagrama de dispersin

espectral y mediante el anlisis de la Matriz de Contingencia veremos el grado de

aciertos que hemos tenido al delimitar las clases a partir de informacin de primaria.

Aplicacin del algoritmo de clasificacin. En base a las reas de

entrenamiento se inicia el proceso de clasificacin eligiendo el mtodo de asignacin de

Mxima Probabilidad o Verosimilitud.

Evaluacin de calidad de la clasificacin. Las pruebas binomiales trata los errores de forma igualitaria, donde se estimar la precisin del mapa como un todo. Para

estimar los errores asociados con las ocurrencias clases individuales, pruebas

multinomiales deben ser empleadas, como ser la Matriz de Confusin. Esta es un tabla

con columnas representando las clases de referencia (Observadas), y las filas las clases


16

de referencia extradas por mtodo de clasificacin supervisada, anlisis realizado en

software ERDAS 2013.

Para el rea de estudio se generarn 50 puntos de muestreo por clase de cobertura y uso

de suelo donde nuestros mapas de validacin fueron el Mapa de Cobertura y Uso de

suelo 2001 generado por la Ex Superintendencia Agraria (Anexo 1) y Mapa de

Cobertura y Uso de Suelo 2010 (Anexo 2) generado por el Viceministerio de Tierras,

generando de esta manera la Matriz de Confusin.

4.3.3 Modelizacin Proyectiva en software DINAMICA EGO.

El modelo de proyeccin de cambio de cobertura y uso de suelo 2020 y 2030 generado

(Figura 4), se basa en lo siguiente:

Clasificacin y eleccin de variables de entrada. Seleccin de todas las variables que influyen en los cambios de cobertura y uso de suelo detallados de acuerdo

al tipo de variable (Figura 3).

Vari

ab

les

Distancia va Principal Distancia va

secundaria

Distancia rio

principal

Distancia rio

secundario

Tipo de

variable

Continua Continua Continua Continua

Esttica Esttica Esttica Esttica

Va

ria

ble

s

Distancia a planta

azucarera DEM

Pendiente en

porcentaje

Mapa de tenencia

tierra

Tipo de

variable

Continua Continua Continua Categrica

Esttica Esttica Esttica Esttica

Figura 3. Clasificacin de variables de entrada para el modelo


17

Calculo de la Matriz de Transicin. Una vez realizada la clasificacin se procedi al clculo de las tasas o porcentajes de cambio. La matriz de transicin describe

un sistema que cambia a travs de incrementos discretos de tiempo, en los cuales el valor

de cualquier variable (en nuestro caso cobertura y uso de suelo) en un periodo dado de

tiempo es la suma de porcentajes fijos del valor de las variables en el periodo de tiempo

previo. La suma de fracciones a lo largo de la columna de la matriz de transicin es igual

a 1. La lnea diagonal de la matriz de transicin no necesita ser llenada ya que contiene

el porcentaje de celdas sin cambio. Las tasas de transicin son transferidas luego al

modelo como un parmetro fijo en una fase determinada.

Para nuestro caso la matriz de transicin se calcula para un periodo de 9 aos, donde el

modelo diseado en Dinmica EGO arroja dos matrices, una que expresa el promedio de

las tasas de transicin para un paso (un ao, paso multiple) y la segunda la tasa para

todos los periodos analizados (9 aos, paso simple).

Clculo de los Rangos de Pesos de Evidencia. Paso que nos permitir categorizar las variables continuas para posteriormente derivar a pesos de evidencia, que

se pueden calcular solamente para las variables espaciales categricas. De esta manera

se selecciona el nmero de intervalos y su tamao de almacenamiento intermedio, con el

propsito de mejorar la estructura de los datos. Proceso realizado por Dinmica EGO a

travs de un modelo que permite delimitar categoras que tienen un efecto diferencial

sobre los cambios, donde el archivo de salida es un texto de rangos ptimos para

categorizar cada una de las variables para todas las transiciones contempladas.

Resultados que posteriormente son utilizados para el clculo de los coeficientes de pesos

de evidencia.

Clculo de los Pesos de evidencia. El clculo de pesos de evidencia es el mtodo para el clculo de probabilidades de transicin de cobertura y uso de suelo,

basado enteramente en el Teorema de Bayes, que trata de la probabilidad

condicional, esta es la probabilidad de que un evento ocurra, dado que otro evento,

independiente del primero ya ocurri (Almeida, 2003).

Para el clculo de pesos de evidencia fueron consideradas todas las transiciones

resultantes del clculo de matriz de transicin y todas las variables (patrones)

seleccionados, los mapas de cobertura y uso de suelo (2001 y 2010) y los rangos

calculados para los pesos de evidencia, entraron como insumos a un modelo de clculo

de pesos de evidencia con ayuda del software Dinmica EGO. El modelo arroja los

pesos de evidencia graficados (grficas de dispersin) y un archivo de texto que indican

la transicin y la variable con sus correspondientes pesos y rangos.

Anlisis de correlacin de las variables. Anlisis de correlacin de variables nos permitir excluir variables que estn por encima del lmite de tolerancia es decir las

que son ms parecidas, determinado a partir del ndice de Cramer y el lmite de

tolerancia adoptada ser de 0.45 y 0.35, mismos que fueron tomadas por (Almeida,

2003). Esto fue realizados para todas las posibles combinaciones de pares encontrados

en la matriz de transicin.


18

Los valores de los ndices varan de cero a uno y en la medida que el valor se acerque a

uno las variables comparadas tienen mayor correlacin es decir son ms parecidas,

resultados como este se elimina ya que los valores de correlacin estn por encima del

lmite de tolerancia.

Anlisis y determinacin de los parmetros de Patcher y Expander. Despus

de la calibracin del conjunto de los patrones o variables del modelo de simulacin, se

inicia la calibracin relativa a los parmetros como el nmero de interacciones,

proporcin de transiciones por contigidad (funcin expander) y por difusin (funcin

patcher), tamao medio y varianza de las manchas a ser generadas por expander o

patcher en cada uno de los tipos de transicin.

Para eso se despleg el mapa de polgonos de cambio del periodo 2001 2010 y se

diferenci de manera visual y por clase, cuales polgonos cambiaron por expansin y

cuales por fragmentacin (patcher), y se calcul tres parmetros tanto para parcher y

expander: tamao promedio en hectreas, varianza e isometra. Datos que se calcularon

con ayuda de Excel para posteriormente ser ingresados al modelo.

Validacin del Modelo. Para la validacin espacial del modelo se comparar el mapa simulado con un mapa real, que en nuestro caso sera la comparacin del mapa de

cobertura simulado para el 2013 (generado a partir del mapa real de cobertura del 2001),

con el mapa de cobertura real del 2013, dos pruebas estadsticas son utilizadas:

Prueba de la funcin de decaimiento exponencial. Se utiliz Dinmica para el clculo reciproco de mapas de similitud de las diferencias entre mapas, se debe resaltar

que no se evalan las concordancias entre mapas sino las diferencias, componente que

utiliza como base un algoritmo de cada exponencial y un tamao de ventana fijo, el

tamao de ventana utilizado es de 11 (330 m * 330 m) y 15 (450 m * 450 m), el cual

evala la posicin espacial del cambio dentro de ella, en funcin a la distancia del

cambio real (ms cerca ms similitud y ms lejos menos similitud).

Prueba de la funcin constante del decaimiento con ventanas mltiples. Prueba que funciona de manera similar a la anterior, pero a diferencia de esta genera

varios tamaos de ventana en la evaluacin, lo cual da un panorama ms amplio de la

exactitud espacial del cambio en un rea determinada (tamao de ventana). El modelo

elige el resultado de la sobreposicin (cobertura real vs. simulada o viceversa) con el

menor porcentaje de coincidencias para evitar falsos o resultados sobredimensionados.

Generacin de escenarios futuros de cambio 2020 y 2030. Una vez realizado

la validacin del modelo se genera los respectivos escenarios de cambio de cobertura y

uso de suelo para los aos 2020 y 2030 (Figura 4).


19

Figura 4. Modelo de proyeccin de cambio de cobertura y uso de suelo 2020 - 2030


20

5. RESULTADOS Y DISCUSIN

5.1. Mapa de cobertura y uso de suelo

En la zona de estudio se identificaron 7 clases de cobertura y uso de suelo (Cuadro 3), el rea

que ms ocupa es Bosque Denso Amaznico en Llanura hmedo con ms del 50 %, seguido del

Bosque Andino Montano de hmedo a subhmedo por encima del 16 %. Datos obtenidos a

partir de la clasificacin supervisada de imgenes satelitales.

Cuadro 3. Clases de Cobertura y Uso de Suelo (Reagrupados)

Nro. Clases de Cobertura y Uso de Suelo

(Reagrupados) Cdigo Mapa

1 Agricultura Mltiple AM

2 Bosque Denso Amaznico en Llanura hmedo BDAH

3 Bosque Denso Amaznico en Llanura Inundada

Estacionalmente BDAI

4 Bosque Andino Montano de hmedo a subhumedo BAMHS

5 Cuerpos, cursos de agua y depsitos de arena CAA

6 Estructura urbana, rural ciudades y pueblos EUR

7 Herbazal Graminoide Vivaz HGV

5.1.1 Mapa de cobertura y uso de suelo 2001

De acuerdo a la clasificacin del mapa de cobertura para el ao 2001, la evaluacin de la matriz

de confusin se obtuvo un 64 % de aciertos con un ndice Kappa de 0.58. La mayor parte de rea

de estudio est ocupada por reas de Bosque Denso Amaznico en Llanura hmedo que

representa un 53 %, Bosque Andino Montano de hmedo a subhmedo con un 19.9 %, Bosque

Denso Amaznico en Inundada Estacionalmente en un 11.8 %, seguido de agricultura mltiple

en un 9.4 % (Figura 6).


Para la clasificacin del mapa de cobertura para el ao 2010, la evaluacin de la matriz de

confusin se obtuvo un 65 % de aciertos con un ndice Kappa de 0.59. La mayor parte de rea de

estudio est ocupada por reas de Bosque Denso Amaznico en Llanura hmedo que representa

un 51.5 %, Bosque Andino Montano de hmedo a subhmedo con un 16.9 %, seguido de

agricultura mltiple en un 13.2 % (Figura 7).


De acuerdo a la clasificacin del mapa de cobertura para el ao 2013, la evaluacin de la matriz

de confusin se obtuvo un 66 % de aciertos con un ndice Kappa de 0.61. La mayor parte de rea


21

de estudio est ocupada por reas de Bosque Denso Amaznico en Llanura hmedo que

representa un 51.3 %, Bosque Andino Montano de hmedo a subhmedo con un 16.8 %,

seguido de agricultura mltiple en un 13.5 % (Figura 8).

5.1.4 Anlisis de cambios de cobertura y uso de suelo (2001-2010-2013)

Para el ao 2001 el rea de estudio presenta las siguientes reas, 12 aos despus el BDAH

disminuye en 3.244,00 ha, quedando solo para el 2013 un total de 86.079,40 ha, de igual manera

los BAMHS y HGV disminuyen un promedio de 1.000 para adelante, en tanto la clase

agricultura mltiple fue en amento en 6.909,40 quedando en 22.802,80 ha el 2013 de 15.893,40

ha el 2001 (Cuadro 4 y Figura 5).

Cuadro 4. Evolucin de cambios totales en (ha) por cobertura y uso del suelo de 2001 a 2013

Figura 5. Comparacin de rea total de cambio en las coberturas y uso de suelo (ha) 2001 a 2013

Nro. Coberturas y uso Codigo

mapa2001 (ha) 2010 (ha) 2013 (ha)

Area

transformada

%

1 Agricultura Mltiple AM 15893,40 22201,40 22802,80 4,12

2 Bosque Denso Amaznico en Llanura hmedo BDAH 89323,40 86537,80 86079,40 -1,92

3Bosque Denso Amaznico en Llanura Inundada

Estacionalmente BDAI 19859,80 20274,40 20274,10 0,26

4Bosque Andino Montano de hmedo a

subhumedo BAMHS 30074,60 28457,30 28313,20 -1,04

5 Cuerpos, cursos de agua y depsitos de arena CAA 5514,75 4484,72 4434,67 -0,64

6 Estructura urbana y rural ciudades y pueblos EUR 160,16 80,51 162,98 0

7 Herbazal Graminoide Vivaz HGV 6927,06 5700,04 5669,05 -0,74


22

Figura 6. Mapa de cobertura y uso de suelo 2001


23



24



25

5.2. Modelizacin Proyectiva en DINAMICA EGO

5.2.1 Matriz de Transicin

El modelo aplicado de matriz de transicin genero los siguientes resultados:

Cuadro 5. Matriz de transicin de paso simple de 2001 a 2010

Cuadro 6. Matriz de transicin de paso mltiple paso de un ao

Para el rea de estudio las matrices de cambio para todo el periodo (Cuadro 5) y la

matriz anualizada (Cuadro 6) presentan las transiciones entre cada clase donde los

valores representan la proporcin a las que pueden cambiar una clase en un ao, a partir

del mapa de cobertura y uso de suelo del 2001(1=100%). Donde podemos observar que

el BDAH y BDAI cambiaron a AM (0.07 a 0.05 respectivamente) lo cual representa una

prdida anual de 0.009 y 0.006. De esta manera la agricultura mltiple (AM) va

ganando terreno sobre el bosque denso amaznico hmedo (BDAH) y el bosque denso

amaznico estacionalmente inundado (BDAI).

5.2.2 Pesos de evidencia

El modelo calculo los pesos de evidencia para cada rango correspondiente a una variable

y una transicin (figura 9). Donde podemos observar que la elevacin en principio tiene

una influencia negativa en la transicin de BDAH a AM, pero va en aumentando hasta

llegar a una influencia positiva lo que significa que su presencia tiene efecto en la

transicin. Con respecto a la variable distancia a va principal en principio tiene un

Normalizada (1=100%)

Cobertura y uso de suelo

2001AM BDAH BDAI BAMHS CAA EUR HGV

AM XXXX 0,14218 0,01920 0,02060 0,00080 0,00075 0,01788

BDAH 0,07288 XXXX 0,04843 0,00723 0,00090 0,00324

BDAI 0,05442 0,25937 XXXX 0,01262 0,02824 0,04653

BAMHS 0,03510 0,04314 0,01561 XXXX 0,00029 0,00055

CAA 0,03112 0,01205 0,12711 0,00364 XXXX 0,00038 0,16137

EUR 0,54893 0,03037 0,00562 XXXX

HGV 0,08703 0,04229 0,37184 0,02270 XXXX

Cobertura y uso de suelo 2010

Normalizada (1=100%)

Cobertura y uso de suelo

2001AM BDAH BDAI BAMHS CAA EUR HGV

AM XXXX 0,01843 0,00155 0,00258 0,00004 0,00014 0,00296

BDAH 0,00940 XXXX 0,00712 0,00076 0,15140

BDAI 0,00635 0,03849 XXXX 0,00165 0,00468 0,00844

BAMHS 0,00427 0,00474 0,00210 XXXX 0,00000

CAA 0,00268 0,01302 0,00042 XXXX 0,00007 0,02952

EUR 0,09848 0,00397 0,00110 XXXX

HGV 0,01283 0,07347 0,00275 XXXX

Cobertura y uso de suelo 2010


26

efecto positivo en transicin el cual a medida que la distancia va en aumento la

influencia se hace menos hasta llegar a un punto donde ya no tiene ningn efecto en la

transicin. De igual manera la variable distancia a planta azucarera EASBA comienza

con bajas y subidas dando un efecto positivo en la transicin pero llega un punto donde

las transiciones ya no son constantes habiendo ms presencias negativas que positivas

de la variable en la transicin, lo cual no est dando una idea clara del efecto que podra

estar causando.

DEM Distancia a va principal

Planta azucarera EASBA

Figura 9. Pesos de evidencia para transicin 2 a 1 (BDAH a AM)

5.2.3 Anlisis de correlacin de las variables

Se analiz la correlacin para cada posible combinacin de par de variables, teniendo

como resultado un total de 840 combinaciones y de acuerdo al lmite de tolerancia

adoptada de 0.45 y 0.35 para el ndice de Cramer y adoptado por (Almeida, 2003), no se

detect correlacin entre las variable y los ndices estn por debajo del lmite de

tolerancia, lo cual garantiza su independencia espacial (cuadro 7).


27

Cuadro 7. Independencia espacial entre pesos de evidencia

5.2.4 Parmetros de Patcher y Expander

Lo ms importante dentro del modelo es definir la forma y proporcin de las

transiciones de acuerdo a si estos se expresan por expansin o por patcher es decir

creacin de nuevos parches a partir de una clula semilla (Cuadro 8 y 9).

Para lo cual se utiliz los mapas de polgonos de 2001 2010 diferenciando de manera

visual y por clase cuales polgonos cambiaron por expansin y cuales por patcher,

calculando el tamao promedio y la varianza de las mismas, la isometra se defini como

(2) a todas las transiciones que pasan a agricultura mltiple por presentar una forma

geomtricas de la actividad y (1) al resto por presentar escasa regularidad geomtrica.

Transicin de 2 a 1 (BDAU a AM) Primera Segunda

Variable Variable Chi^2 Crammer*

static_var/ASTER301 static_var/CP_dist1 2256731,28531 0,26695

static_var/ASTER301 static_var/CS_dist1 577022,54212 0,16793

static_var/ASTER301 static_var/EASBA_dist1 496934,08378 0,12523

static_var/ASTER301 static_var/PendientePorc1 1043320,12939 0,33658

static_var/ASTER301 static_var/RP_dist1 1645715,46891 0,22795

static_var/ASTER301 static_var/RS_dist1 543469,89056 0,13970

static_var/ASTER301 static_var/Tenencia1 945423,43843 0,29071

static_var/CP_dist1 static_var/CS_dist1 1434950,80180 0,26495

static_var/CP_dist1 static_var/EASBA_dist1 4851813,31474 0,28016

CP_dist distancia va principal RP_dist distancia rio principal

CS_dist distancia va secundaria RS_dist distancia rio secundario

EASBA_dist distancia a azucarera


28

Cuadro 8. Datos con resultados de parmetros para la funcin de patcher

Cuadro 9. Datos con resultados de parmetros para la funcin expander

AM BDAH BDAI BAMHS CAA EUR HGV

AM XXX 0,29 6,56 . 10,76

BDAH 6,84 XXX 10,51 11,65

BDAI 23,62 41,23 XXX 32,00 132,2 1,35 26,16

BAMHS 19,11 26,75 35,75 XXX 7,59

CAA 16,25 XXX 19,26

EUR XXX

HGV XXX

AM XXX 0,57 5,49 . 29,21

BDAH 18,19 XXX 44,15 11,64

BDAI 119,83 1,04 XXX 154,03 121,0 354,82 25,32

BAMHS 133,78 128,01 160,50 XXX 120,21

CAA 94,26 XXX 166,85

EUR XXX

HGV XXX

AM XXX 1 1 . 1

BDAH 2 XXX 1 1

BDAI 2 1 XXX 1 1 1 1

BAMHS 2 1 1 XXX 1

CAA 2 1 1 XXX 1 1

EUR XXX

HGV XXX

Varianza (ha)

Isometria

Tamao (ha)

AM BDAH BDAI BAMHS CAA EUR HGV

AM XXX 8,36 7,24 7,13 1,52 4,32 6,79

BDAH 13,45 XXX 8,88 9,73 16,75 5,79

BDAI 10,06 32,56 XXX 7,63 26,08 5,71

BAMHS 15,33 12,24 39,13 XXX 2,99

CAA 2,13 25,84 2,25 XXX 1,95 23,89

EUR 0,54 0,05 0,03 XXX

HGV 22,52 12,24 10,33 XXX

AM XXX 36,64 33,95 45,44 2,54 6,51 15,04

BDAH 250,95 XXX 43,68 70,96 32,78 31,87

BDAI 25,59 55,99 XXX 60,32 63,37 54,49

BAMHS 28,49 82,97 32,50 XXX 0,91

CAA 1,25 14,67 1,95 XXX 0,69 2,37

EUR 1,32 0,03 0,33 XXX

HGV 0,33 0,57 0,94 XXX

AM XXX 1 1 1 1 1 1

BDAH 2 XXX 1 1 1 1

BDAI 2 1 XXX 1 1 1

BAMHS 2 1 1 XXX 1

CAA 2 1 1 XXX 1 1

EUR 2 1 1 XXX

HGV 2 1 1 XXX

Tamao (ha)

Varianza (ha)

Isometria


29

5.2.5 Validacin de la simulacin del modelo

Prueba de la funcin de decaimiento exponencial

Realizado la combinacin de mapa inicial 2001 con mapa real observado de 2013 y

cobertura y uso de suelo simulada para 2013, fueron sobrepuestas para extraer las reas

de cambio en comn entre el mapa real y simulado, comparada de manera difusa barrida

en una ventana 11 * 11 (300 m * 300 m) con un resultado de ajuste de 69 % y 62 % de

similitud y una segunda prueba con una ventana de 15 * 15 (450 m * 450 m) con

resultados de 72 % y 66 % similitud.

El Resultado nos indica que la simulacin ms cercana a la realidad es la calculada a una

distancia de 450 m* 450 m con un mximo de 72 % de similitud del mapa simulado con

el mapa observado.

Prueba de la funcin constante del decaimiento con ventanas mltiples

Al igual que en la primera prueba de similitud este segundo genera comparaciones desde

una ventana de un pixel con un incremento de dos en dos hasta alcanzar una ventana de

15 pixeles. La figura 9 muestra un incremento de similitud desde un 38 % (1 pixel) hasta

un 75 % de similitud (19 pixeles) en la mejor de las simulaciones considerada la ms

adecuada (Figura 10).

Figura 10. Prueba de validacin


30

5.2.6 Cambio de cobertura 2013 al 2030

Las clases de coberturas y uso de suelo proyectados al 2030 presentan tanto perdidas como

ganancias, observando un notable crecimiento de AM que van desde 22802.80 ha para el 2013

llegando a una rea proyectada de 30800.70 ha para el 2030. Sin embargo la clases que

presentan perdidas de acuerdo al nivel de importancia son los BAMHS con 28313.20 ha el 2013

llegando a 25818.80 ha, en segundo nivel con ms perdidas est el BDAH seguido del BDAI y

HGV (Figura 11).

Figura 11. rea de cambio de cobertura y uso de suelo 2013, 2020 y 2030

5.2.7 Proyeccin de escenarios futuros de cambio al 2020 y 2030

Las proyecciones de los escenarios futuros indican que si se mantienen las tendencias de

cambio para el 2020 abra un incremento de 4.394,30 ha (2,62 %) de agricultura mltiple

(AM), un descenso de BDAH de 682 ha (0,42 %), 1.275,90 ha (0,76 %) de BAMHS y

625,60 ha (0,38 %) de BDAI. Las reas con mayores probabilidades de cambio se

localizan al noroeste y sudeste del rea de estudio donde la causa principal est asociada

a la expansin de reas agrcolas (Cuadro 10 y Figura 12).


31

Para el 2030 el total de rea habilitada para agricultura mltiple ser de 7.997,90 ha

(4,72 %), ampliacin que pone en riego la prdida de 1.471,00 (0,89 %) ha de BDAH,

1.330,80 ha (0,80 %) de BDAI, 2.494,40 ha (1,49 %) de BAMHS y 1.356,61 ha (0,81

%) de HGV (Cuadro 10, Figura 13).

Cuadro 10. Proyeccin de los cambios en la cobertura y uso del suelo (ha)

Nro. Coberturas y uso Codigo

mapa

Area

transformada

2020 (ha)

Area

transformada

2020 (%)

Area

transformada

2030

Area

transformada

2030 (%)

1 Agricultura Mltiple AM 4394,30 2,62 7997,90 4,77

2 Bosque Denso Amaznico en Llanura hmedo BDAH -682,00 -0,42 -1471,00 -0,89

3Bosque Denso Amaznico en Llanura Inundada

Estacionalmente BDAI -625,60 -0,38 -1330,80 -0,80

4 Bosque Andino Montano de hmedo a subhumedo BAMHS -1275,90 -0,76 -2494,40 -1,49

5 Cuerpos, cursos de agua y depsitos de arena CAA -753,04 -0,45 -1278,10 -0,76

6 Estructura urbana y rural ciudades y pueblos EUR -60,11 -0,03 -43,28 -0,02

7 Herbazal Graminoide Vivaz HGV -973,93 -0,58 -1356,61 -0,81


32

Figura 12. Mapa de cobertura y uso de suelo proyectada para el 2020


33

Figura 13. Mapa de cobertura y uso de suelo proyectada para el 2030


34

5. CONCLUSIONES

De acuerdo a los objetivos planteados y los resultados encontrados se tiene las siguientes

conclusiones:

En el periodo (2001 a 2013), se observa las siguientes dinmicas de cambio de cobertura

y uso de suelo:

Prdidas de Bosque Denso Amaznico Hmedo (BDAH) de 3.244,00 ha (1,92 %), quedando para el 2013 un rea de 86.079,40 ha.

Perdidas de Bosque Andino Montano de Hmedo a Subhmedo (BAMHS) de 1.761,40 ha (1,04 %) quedando para el 2013 un rea 28.313,20 ha

Perdida de Herbazal Graminoide Vivaz (HGV) de 1.258,01 ha (0,74 %) quedando para el 2013 una rea de 5.669,05 ha.

Incremento de Agricultura Mltiple (AM) de 6.909,40 ha (0,74 %), quedando en 22.802,80 ha el 2013 de 15.893,40 ha el 2001.

Las variables relacionadas con la dinmica de cambios de cobertura y uso de suelo son:

distancia va principal, distancia va secundaria, distancia rio principal, distancia rio

secundario, distancia a planta azucarera, DEM, pendiente en porcentaje y mapa

categrico de tenencia de la tierra. Basado en los resultados de la modelizacin el factor

que controla con mayor fuerza los cambios los las vas principales y secundarias.

El modelo predictivo de cambio de cobertura y uso de suelo se presenta en la Figura 4

donde las variables de ingreso fueron: factores de cambio, coeficientes de pesos de

evidencia, mapa inicial de cobertura y uso de suelo de ao 2001 y la matriz de

transicin, que nos permitieron generar mapa de proyecciones.

Las proyecciones de escenarios indican lo siguiente:

Prdidas a 2020 de Bosque Denso Amaznico Hmedo (BDAH) de 682 ha (0,42 %).

Prdidas a 2020 de Bosque Andino Montano de Hmedo a Subhmedo (BAMHS) de 1.275,90 ha (0,76 %).

Prdidas a 2020 de Herbazal Graminoide Vivaz (HGV) de 973,93 ha (0,74 %).

Incremento a 2020 de Agricultura Mltiple (AM) de 4.394,30 ha (2,62 %).

Prdidas a 2030 de Bosque Denso Amaznico Hmedo (BDAH) de 1471 ha (0,89 %).

Prdidas a 2030 de Bosque Andino Montano de Hmedo a Subhmedo (BAMHS) de 2.494,40 ha (1,49 %).

Prdidas a 2030 de Herbazal Graminoide Vivaz (HGV) de 1.356,61 ha (0,81 %).

Incremento a 2030 de Agricultura Mltiple (AM) de 7.997,90 ha (4,77 %).


35

6. RECOMENDACIONES

De acuerdo a los resultados de las proyecciones de cambio de cobertura y uso de suelo 2020 y 2030, y tomando la implementacin de la planta azucarera, se

recomienda realizar un estudio del impacto ecolgico ambiental que podra

causar si se sigue esta dinmica de cambio a futuro.

Realizar un inventario ecolgico econmico del Bosque denso amaznico hmedo y tambin del Bosque andino montano hmedo y subhmedo, debido a

que estas clases presentan prdidas considerables en su rea.

Se recomienda para estudios posteriores, incluir variables socioeconmicas al modelo, mismas que no fueron incluidas debido a que la planta azucarera

terminar de ser construida el 2015.


36

7. BIBLIOGRAFA

Schomwandt , D. & LucioniL, N., 2013. Sistema Integrado de Informacin

Agropecuaria. [En lnea]

Available at: http://www.siia.gov.ar/blog/33-imagenes-landsat-8-ldcm-nueva-

informacion-actualmente-en-uso-por-el-ministerio-de-agricultura

[ltimo acceso: 11 11 2014].

Aguilera, B. F., 2006. Prediccin del crecimiento urbano mediante sistemas de

informacin geogrfica y modelos basados en autmatas celulares. GeoFoucus, Issue 6,

pp. 81-112.

Almeida, C., 2003. Modelagem da Dinmica Espacial como uma Ferramenta Auxiliar ao

Planejamento: Simulao de Mudanas de Uso da Terra em reas Urbanas para as

Cidades de Bauru e Piracicaba (SP), Brasil. p. 351.

Bakker, W. H. F. & Jansen, L. L., 2001. Principles of Remote Sensing. ITC. En: The

Netherlands: s.n.

Chuvieco, E. S., 2002. Teledeteccin Ambiental La observacin de la Tierra desde el

espacio.. En: Barcelona-Espaa: Ariel Ciencia.

Cuevas, G. G., 2008. Aplicacion de un modelo espacial para la elaboracion de

escenarios de uso/cobertura del suelo en al Huacana, Michoacan. Mexico, s.n., pp. 33-

50.

Di Gregorio, A., 2005. Land Cover Classification System 2.

Gozalvez, K. B., 2012. Redes sociales y mapeo de actores claves en Norte de La Paz.

Capaz Norte de La Paz, Issue 2, pp. 1-5.

Killeen, T. J. y otros, 2007. Thirty Years of Land-cover Change in Bolivia. Royal

Swedish Academy of Sciences, Volumen 36, pp. 600-606.

Lambin, E., Geist, H.J. & Lepers, E., 2003. Dynamics of Land-Use and Land-Cover

change in tropical regions. Annual Review of Environment and Resources, Volumen 28,

pp. 205-241.


37

Land, R., Shao, G., Piajanowshi, B. & Farnasworth, R. L., 2008. LANG, R., SHAO, G.;

PIJAN Optimizing unsupervised classifications of remotely sensed imagery with a data -

assisted labeling approach. Computers and Geosciences, 34(12), pp. 1877-1885.

Leija, L., 2013. Cambios en la cubierta vegetal/uso del suelo y escenarios fututos en tres

municipios de la regin costera del estado de Oaxaca, Mxico. Universidad autnoma de

San Luis Potos, Mexico. , pp. 13-40.

Pacheco, P., 2006. Agricultural expansion and deforestation in the lowlands Bolivia: the

import substitution versus the structural adjustment model. Land Use Policy, Volumen

23, pp. 205-225.

Posada, E., 2004. Conceptos Bsicos de Procesamiento Digital de Imgenes Satelitales.

En: I. G. A. Codazzi, ed. Bogot: s.n.

Quiroz, O. Y., 2009. Modelo dinmico de cambio de cobertura y uso de suelo en una

zona de transicin urbano - rural, entre la ciudad de Morelia y el ejido Jess del Monte.

Universidad Nacional Autnoma de Mxico, Centro de Investigaciones en Geografa

Ambiental. CIGA, pp. 23-121.

Rojas, E. G. & Ortiz, I. O., 2009. Identificacin del cilindro nudoso en imgenes TC de

trozas podadas de Pinus Radiata utilizando el Clasificador de Mxima Verosimilitud.

Maderas, Ciencia y Tecnologia, 11(2), pp. 117-127.

Velazquez, A. J. F., 2002. Patrones y Tasas de Cambio de Uso de Suelo en Mxico.

Gaceta Ecologica, Issue 62, pp. 2-37.

Verburg, P., Schot, P., Dijst, M. & A., V., 2004. Land use change modelling: current

practice and research priorities. Geojournal, Issue 61, pp. 309-324.

White, R. & Engelen, G., 2000. High-resolution integrated modelling of the spatial

dynamics of urban and regional systems. Computers, Environment and Urban Systems,

Issue 24, pp. 383-400.


38

ANEXOS


39


40

Anexo 1: Mapa de cobertura y uso de suelo 2001


41

Anexo 2: Mapa de cobertura y uso de suelo 2010


42

dinámica y proyección del cambio de cobertura y uso de suelo, 2020-2030, municipio de san...

Documents