Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
“PROPUESTAMETODOLÓGICAPARASIMULACIÓNDEESCENARIOSTENDENCIALESYALTERNATIVOSDECAMBIO
DELACOBERTURAFORESTAL”
INFORMEFINALDECONSULTORIAALEXANDERJ.HERNANDEZ.Ph.D.Cand.
ConsultorPercepciónRemotayEcologíadelPaisaje
i
Contenido
CONTENIDO I
LISTADETABLAS II
LISTADEFIGURAS II
PRESENTACION III
I.MARCOCONCEPTUAL IV
1.INTRODUCCIÓNALMÉTODOPROPUESTO 1
2.SELECCIÓNDELÁREADEESTUDIO 1
3.DETERMINANDOLASVARIABLESPARALAMODELACIÓN 4
3.1.ELCONTEXTOGEOGRÁFICODELAZONADEESTUDIO 43.2.BÚSQUEDADEINFORMACIÓN:LAVARIABLEDERESPUESTA 43.3.BÚSQUEDADEINFORMACIÓN:LASVARIABLESINDEPENDIENTES 53.4.CONTROLDECALIDADSOBRELASVARIABLES 83.5.PREPARACIÓNDELASVARIABLESPREVIOALMODELAJE 9
4.SIMULACIÓNGEOESPACIALDELOSCAMBIOSENLACOBERTURAFORESTAL 10
4.1.ELSOFTWAREPROPUESTO 104.2.MOMENTOSIMPORTANTESDURANTELAMODELACIÓN 12
II.ESTUDIOSDECASO 15
5.BELIZE 16
5.1.ANTECEDENTES 165.2.ELESTUDIODECASO 165.3.LASVARIABLESDEPREDICCIÓN 175.4LAMODELACIÓN 195.5.LACOBERTURAFORESTALEN2010(SIMULADA) 215.6.VALIDACIÓNDELASIMULACIÓNDECOBERTURAFORESTAL 235.7.OBSERVACIONES 25
6.HONDURAS 26
6.1.ANTECEDENTES 266.2.ELESTUDIODECASO 276.3.LASVARIABLESDEPREDICCIÓN 286.4LAMODELACIÓN 296.5.LACOBERTURAFORESTALEN2010(SIMULADA) 306.6.VALIDACIÓNDELASIMULACIÓNDECOBERTURAFORESTAL 326.7.OBSERVACIONES 33
ii
LISTA DE TABLAS Tabla1.Seleccionandoeláreadeestudio.......................................................................................3Tabla2.ListaCortadeVariablesIndependientesSugeridas..................................................7Tabla3.ValoresVdeCramerenBelize........................................................................................19Tabla4.MatrizMarkovianadeTransiciónenBelize.............................................................22Tabla5.ValoresVdeCramerenTawahka.................................................................................30Tabla6.MatrizMarkovianadeTransiciónenTawahka.......................................................31
LISTA DE FIGURAS
Figura1.CoberturaforestalenBelizeyzonaseleccionadacomopiloto........................17Figura2.AgentesgeoespacialesdecambioconsideradosparaelestudiodecasoBelize............................................................................................................................................................18Figura3.SuperficiedeprobabilidaddequeocurralatransiciónBosqueaNo‐Bosque.........................................................................................................................................................................21Figura4.CoberturaforestalenlazonapilotodeBelizesimuladaalaño2010...........23Figura5.ValidacióndelaprediccióndelatransiciónBosqueaNo‐BosqueenlazonapilotodeBelize:año2010...................................................................................................................24Figura6.HistogramadelasclasesdevalidacióndelaprediccióndelatransiciónBosqueaNo‐BosqueenBelize..........................................................................................................25Figura7.UbicacióndelazonaseleccionadaenelcontextodelarepúblicadeHondurasydelaReservaTawahka................................................................................................28Figura8.AgentesgeoespacialesdecambioconsideradosparaelestudioTawahka29Figura9.CoberturaforestalenlazonapilotodeTawahkasimuladaalaño2010....31Figura10.ValidacióndelaprediccióndelatransicionesdebosqueenlazonapilotodeTawahka:año2010..........................................................................................................................32
iii
PRESENTACION
Se presenta a continuación el documento contentivo de la propuesta
metodológicapararealizarsimulacionesdecambiodelacoberturaforestalasícomola
aplicacióndedichametodologíaendoszonaspilotodelaregióncentroamericana.Esta
investigación corta se llevó a cabo dentro delmarco de la consultoría "DesarrolloDe
Metodología Y Modelo Para La Simulación De Escenarios Futuros De Cambio De La
CoberturaForestalAplicableParaLosPaísesDeCentroaméricaYRepúblicaDominicana”
queelProgramaReduccióndeEmisionesdelaDeforestaciónyDegradacióndeBosques
enCentroaméricayRepúblicaDominicana(REDD–CCAD–GTZ)contratócomoparte
de sus actividades. La estructurade estedocumento se centraprincipalmente endos
etapas.Laprimeraetapabuscaestablecerelmarcoconceptualquedescribe lospasos
propuestos para: (a) seleccionar una zona de interés donde se pueda impulsar un
estudiodeestanaturaleza, (b) comprender lasvariablesdeterminantesdel fenómeno
de dinámica de cambios forestales en dicha zona, y (c) conducir con éxito una
simulacióngeoespacialde loscambiosquepotencialmentepodríanocurriren lazona
mediante el uso de algoritmos de avanzada. Mientras que en la segunda etapa se
presentandosestudiosdecasoen loscualesseaplicó lametodologíaaquípropuesta.
Las zonas piloto seleccionadas cumplen con la característica de contar con estudios
multitemporalesdelusodelatierraqueabarcanalmenostresescenariostemporales.
Estacaracterísticaseconsideróesencialyaquepermitiósimularunescenariofuturode
lacoberturaforestalenbaseaunescenario"antes"yotro"después",yalmismotiempo
realizarlavalidacióndeestosresultadosconelúltimodelosescenariosdisponibles.En
ambosestudiosde caso las clasificacionesdepatronesdeuso se realizaronmediante
análisis de imágenes satelitales y utilizando estándares metodológicos transparentes
(replicables).Asimismo,elúltimoescenarioparaambosestudiosfueelaño2010porlo
que se contó con información suficientemente actualizada. Los estudios de caso
procedendeBelizeyHonduras.
iv
I. MARCO CONCEPTUAL
1
1. INTRODUCCIÓN AL MÉTODO PROPUESTO
La simulación de escenarios dedeforestación conllevauna suposición de gran
significanciayéstaesqueapartirdelconocimientodelpasadoyunentendimientode
lastendenciasquesehanmostradohastaelpresenteesposiblehacerprediccionesal
futuro en las áreas que potencialmente sufrirán cambios tanto cualitativos como
cuantitativos en su cobertura boscosa. Generalmente estas predicciones se realizan
utilizandomodelosorepresentacionessimplificadasdelarealidad.Así,unmodeloque
permite realizar simulaciones a futurodel entorno ambientaldeuna regiónopaisaje
debedeestarcimentadonosoloenunaestructuraestadísticasólida,sinoqueendatos
verificablesquepermitanlaconstruccióndeunmodeloquenosóloseaconfiablesino
que también provea oportunidades para su interpretación. En términos sencillos un
modelo de esta naturaleza se conforma por: (a) una variable de respuesta (zonas
potenciales a sufrir cambios a futuro), (b) los controladores del proceso o variables
independientes (Ej.Agentes físicosy socioeconómicos)quedeterminan los frentesde
explotacióncomolafronteraagropecuaria,extracciónilegal,talacontrolada,asícomola
intensidad de estos frentes, y (c) el componente aleatorio o de incertidumbre que
acompañaacualquiermodelo.
Esnecesariohacerénfasisqueaunquecualquiermodelodeprobabilidadpuede
dar resultados,paraqueestos resultados se considerenconfiables elmodelodebede
tener un par de condiciones. Estas condiciones se relacionan principalmente a las
oportunidades de calibración y afinamiento del modelo y a una validación de los
resultadoscondatos independientes.Elmétodoaquídetallado incluyeunapropuesta
deactividadesquepermitanalcanzarlaconfiabilidadantesmencionada.Noobstantese
reconoce que este no será siempre el caso por oportunidades limitadas en acceso a
datos que no es la excepción sino que la norma en muchos de los países en
CentroaméricaylaregióndelCaribe.
2.SELECCIÓN DEL ÁREA DE ESTUDIO
Unestudiodesimulacióndelacoberturaboscosaafuturopuedeteoricamente
realizarseencualquierzonageográfica.Esaconsejablerealizarloencualquierzonano
2
importando las condiciones? Probablemente la mejor respuesta sea No. Recordemos
que lasuposición fundamentaldelmodeloaquípropuestoesquepodemossimularel
futuroenbasealconocimientodelpasado.Sisecarecedeesteconocimientoprevioyse
deciderealizarunasimulaciónafuturoconbaseenmerasespeculacioneslomásseguro
seráqueelmodeloysusresultadosnoseantomadosenserioporlosusuariosfinales.
Estoinvariablementeimplicaríaunapérdidaderecursosvaliosos.
Enestecontextoseproponenacontinuaciónalgunospuntosatomarencuenta
previo a la selección del área de estudio en la que se realizará una simulación de
cambiosenlacoberturaforestalafuturo.Estalistacortadecriteriosgeneralizaciertos
puntosqueseponenarevisiónparairpromoviendoladiscusión.
3
Tabla1.Seleccionandoeláreadeestudio
Criterio Descripción Comentario‐Alternativa
Representatibilidaddel
áreaenelcontextodepaís
oregión
Lazonacandidatareuneecosistemasforestales
representativosentérminosdeextensióny
riquezaflorística?Puedenlosresultadosdeesta
zonacandidatareplicarseparaotraszonasdel
paísconcondicionessimilares?
Siexistemásdeunazona
candidatapuedellevarseacabo
unejerciciosimplede
priorizaciónenbasealos
siguientescriterios
Existenciadeinformación
histórica
Lazonacandidatocuentaconestudios
verificablesytransparentes(repetibles)sobrelos
patronesdecambiosdeusodelatierra
Siexistedocumentación,puede
estavalidarse?Sinoexiste
conocimientoprevio,puede
obtenersedeotrossitioscon
condicionessimilares?
Expectativadeladinámica
decambios
Lazonacandidatamuestraprocesosdecambios
delacoberturaforestaldetiposemi‐
determinístico?Ej.Unazonaenlaqueexisten
procesosdocumentadosyconocidoscomo
explotaciónforestalcontrolada,expansión
urbana,crecimientodezonasagropecuarias,
zonasmineras,etc.Oeslazonaregidapor
procesossemi‐estocásticos?Ej.Ladinámicade
talailegal,fronteraagrícolaquesepuede
encontrarenunaáreadeconservaciónozona
protegida.
Esconvenientetratarde
analizarestasexpectativaspor
separadoyaqueeltratamiento
estadísticodifiereparaambas.
Silazonasesdecaráctermixta
siempresepuederealizarel
estudioperodeunaforma
estratificada.Tienequetomarse
encuentaqueestudiosenzonas
conexpectativasemi‐
estocásticatendránmás
desafíos.
Actoresinvolucrados Tenemosunazonacandidataenlaquelosactores
decambiopuedeninvolucrarseparaobtenciónde
información,validacióndelmodelo,y
socializacióndelosresultados?
Unazonacandidataenlaqueel
componenteinstitucionalde
manejoygestiónnose
involucraconduce
generalmenteaestudios
estérilessinaplicabilidad.
Unarevisióndeestoscriteriospermitiráobtenerunconocimientosobrelazonaquese
deseaestudiar.Almismotiempoquecontribuyeconlacaracterizaciónpreviadelazona
deestudio,nospermiteanticiparproblemas,identificardesafíos,yenelcasoqueexista
másdeunazonacomocandidata,nospermitepriorizarparaunaselecciónobjetiva.
4
3. DETERMINANDO LAS VARIABLES PARA LA MODELACIÓN
Definidaeláreadeestudioydeterminada la factibilidadderealizacióndeuna
simulación a futuro, se pueden esquematizar los siguientes momentos fuertes para
recopilarlosdatosqueserequieren.Estapropuestanoesexhaustivaperotampocose
ajustaalascondicionesenqueladisponibilidaddeinformaciónesmínima.
3.1. El contexto geográfico de la zona de estudio
Esteprimerpuntodepartida implica lautilizacióndesistemasde información
geográfica para delimitar los límites preliminares de nuestra zona de interés.
Probablementeseaunáreadeconservaciónozonaprotegidaparalacualyasetienen
los límites disponibles o también puede tratarse de una zona circunscrita dentro del
áreadeinfluenciadeciertascomunidades.Cualquieraqueseaelcasosedebedecontar
conestazonapreliminarparaqueguíenuestrabúsquedadeinformaciónexistente.Por
ejemplo una zona preliminar coadyuvará para saber si cierto estudio realizado en el
pasadoabarcalatotalidadosolounafraccióndenuestrazonadeinterés.Tambiénen
loscasosquenoexistanbasesdedatoshistóricas,nosservirácomomarcodereferencia
para adquirir información de otras zonas vecinas con condiciones similares. Este
momento es quizás oportuno para definir estándares de control de los datos como
proyeccióngeográficaautilizar,resoluciónespacialdelosdatosgeoreferenciadosyde
losresultados,asícomonomenclaturabásica.
3.2. Búsqueda de información: La variable de respuesta
Estafaseimplicaelentendimientodelastendenciashistóricasdeloscambiosen
lacoberturaparaeláreadeinterés.Paralazonadeestudiosepuedenbuscarestudios
que comprendan un análisismultitemporal del uso de la tierra. Por lo general estos
estudios hacen uso de técnicas de teledetección para el tratamiento y análisis de
imágenessatelitalesofotografíaaérea.Losresultadosdedichosestudiosarrojanmapas
de la clasificación de cobertura en un escenario "antes" y en un escenario "después",
que al ser sobreposicionados espacialmente permite ver las distintas combinaciones
interanuales de uso que luego pueden ser caracterizadas como cambios positivos
(ganancias en cobertura forestal) o negativos (sustitución o pérdida de la cobertura
5
boscosaporotrosusos). Este tipodeestudiosmultitemporales constituyen la fuente
fundamentalparaentenderlatendenciaomodahistóricadeloscambiosdecobertura
forestal en la zonao zonaspara las cuales sepretende realizar simulacionesa futuro
conbaseenelconocimientodelpasado.
Sinosepuedecontarconunestudiomultitemporal,entonceslasiguienteopción
esbuscarestudiospuntualese independientesdeclasificacióndeusodelatierra.Por
ejemplounmapadeusoparaelaño"antes",yotroestudioquehayamapeadolamisma
zonaenelaño"después". Ambosestudiospuedendigitalizarse(encasoqueesténen
formatoanálogo)yluegosobreponerseespacialmenteparaidentificarzonasdecambio.
Existeelgraninconvenientequelosestudiosindependienteshayansidoelaboradoscon
fuentesdistintas(ej.unoconfotografíaaéreayotroconimagensatelital),conmétodo
de clasificación diferente (ej. uno con fotointepretación visual y otro con algoritmos
computarizados), así como que también la leyenda sea distinta para cada caso. Lo
esencial es buscar un punto de normalización o estandarización de la leyenda para
podercompararlamismaclasedeusoenelescenario"antes"conidenticaclasedeuso
enelescenario"después".Estepuntoesdiscutibleporquehayriesgosalcomparardos
clasificacionesdefuentesdistintas.Noobstantealnoexistirinformacióndeunestudio
multitemporalintegral,debehacerceacopiodelasfuentesdeinformacióndisponibles.
Encasocontrariosepuedeordenarlaejecucióndeunestudiomultitemporalnuevo.
Una vez que se ha determinado nuestras fuentes de información histórica
entoncessepuedeprocederaidentificarnuestravariablederespuestaqueenuncaso
genérico son las áreas que experimentaron cambios. Este punto se ampliará más
adelanteenlaintroducciónalalgoritmodesimulación.
3.3. Búsqueda de información: Las Variables Independientes
Esta es una etapa crítica en la cual se buscan aquellas variables o agentes
directrices del cambio observado en la cobertura forestal. Un punto esencial es el
esfuerzo que se debe de realizar para que las variables obtenidas correspondan al
contexto espacial denuestra zonade estudio. En otras palabras quenopretendamos
6
utilizar variablesde zonasdistintas a la quepretendemos analizar. Cualquiermodelo
por más complejo o sólido que parezca tiene intrínseco un componente de
incertidumbre aún utilizando información local. El hecho de tratar de utilizar
información foránea incrementa esta incertidumbre, traduciéndose en una menor
confiabilidaddenuestrassimulaciones.
Cuantasycuálesvariablesutilizarparanuestramodelaciónesunapreguntaque
dependerádeladisponibilidaddelainformación,delaidiosincraciadelaspoblaciones
que afectan la estabilidad de los bosques, y de las oportunidades de capturar nueva
información. Sin embargo, en el mejor de los casos una propuesta genérica de qué
variablesobtenerpuedeserlasiguiente:
7
Tabla2.ListaCortadeVariablesIndependientesSugeridas
Factor Variables Comentarios
Físico‐Ambiental
RangosdeElevación,Pendientes,Exposición
Solar,Geomorfología,ProximidadaFuentes
deAgua,IntensidaddeDrenaje
Estetipodevariablesaunque
porlogeneralnosonlas
mayoresagentesdecambio,
sonlasmasfácilesdeobtenera
travezdeunanálisis
geoespacial,yenalgunoscasos
guardanunaestrecharelación
allimitarofavorecerlos
procesosdedeforestación.
Socio‐Económicos
DistanciaalasCarreteras,Distanciasalos
Mercados,DensidadPoblacional,Desarrollo
Infraestructural,InstitucionalidadPresente,
DinámicaPoblacional(migraciones),Ingreso
Familiar,EscolaridadPromedio,Indicede
DesarrolloHumano,EdadPromediodeLas
Comunidades,Establecimientode
AsentamientosNuevos,PreciosdelaMadera.
Estalistanoescomprensivay
dehechopuedeserinfinita.Los
aspectossocioeconómicosson
lasecciónmáscomplejade
cualquierestudio,yalmismo
tiemposonlosverdaderos
directricesdecambio.Un
estudiopreliminarpara
conocerlanaturalezahumanay
suinteracciónconlosbosques
enlazonadeestudiopuedeser
unbuenpuntodepartida
previoadecidirquevariables
incluir.Lalistadelaizquierda
essolounageneralidaddelo
quelamayoríadelosestudios
hanutilizado.
Dadoqueelenfoquedeestametodologíaeseminentementegeoespacialsedebe
deprocurarobtenerinformaciónrasterizada(enformatodeSIG‐Grilla)paratodaslas
variablesquesedecidan incluirenelmodelo.Esmuyprobablequealgunasvariables
soloseobtengademanerapuntual(ej.númerodeinstitucionesconservacionistaspor
municipio o provincia), y que se piense que tienen un impacto significativo en la
dinamicadeusodelatierradelazonadeestudio.Laformamássimpledeutilizaresta
8
informaciónesrasterizarlayqueencadapixelseutilizenlosvaloresdelmunicipio.Si
existen fondos disponibles, lo ideal sería tratar dedesagregar la informaciónpuntual
poraldeaocaseríosegúnseaelcaso.Silavariablenoseconsideradeunaimportancia
alta, entonces lo más preferible quizás sea dejarla por fuera ya que integrar una
generalización sobre el área de estudio puede redundar en efectos indeseables al
momentodelasimulación.
3.4. Control de Calidad sobre las Variables
Dependiendo de la región o país donde se decida implementar un estudio de
simulaciónde lacobertura forestal, esdeesperarsequeenelpeorde loscasosnose
encuentren registros históricos de la dinámica de cambios en el bosque. En el otro
extremodelespectro,esposiblequeesténdisponiblesdosomásestudios.Estonodebe
deserextrañoyaqueesconocidoelgradodeduplicacióndeesfuerzosy/oestudiosque
sedanenpaísesenvíasdedesarrollo.Siesel segundocasoenelhayunaplétorade
informacióndisponibleentoncesdebedeaplicarseunciertogradodepriorizaciónde
cualinformaciónutilizar.
Antetododebebuscarselaestandarizacióndelosdatos.Unejemplosencillo:se
encuentrapara lazona"x" tresestudiosdeusode la tierraen losaños1994,2000,y
2002.Elde1994fuepreparadoconLandsatETM,elde2000conLandsatTM,yelde
2002 con IKONOS. Desde este punto podemos identificar diferencias no solo en el
sensorsatelitalutilizadosinoquetambiénenlosalgoritmosdeprocesamientoymapeo.
La primera opción quizás sea utilizar solo los dos estudio preparados con Landsat y
dejarporaparteeldeIKONOS.Sinembargo,tambiénhayquetenerencuentacriterios
adicionales como compatibilidad en la leyenda de los usos identificados, la
transparenciacomosepresentólametodologíaylosresultados,asícomolavalidación
delabondaddeajustedecadaclasificación.Porejemplosielestudiode1994yeldel
2002 ofrecen información sobre la validación, pero el del 2000 no ofrece esta
informaciónentoncesquizásdeberíamosreformularnuestradecisiónyutilizarelaño
1994conel2002.Sicarecemosdeinformaciónsobrelabondaddeajustedelmodelode
clasificación (validación en término de precisión o error), entonces deliberadamente
9
estamos integrando otro factor de incertidumbre en nuestro modelo de simulación
futura.Elmensajeaquídebedeserclaro,ademásdebuscar laestandarizaciónde los
insumosqueutilizaremos,debemostenercontrolquelosestudiosodocumentosausar
seantransparentestantoensumetodologíacomoensusresultados.
3.5. Preparación de las Variables previo al Modelaje
Aestepuntoelanalistadebedetenerensusistemadeinformacióngeográfico
lossiguientesítemscomomínimo:
‐Estudiosindependientesdelusodelatierraparadistintosescenariosoaños,oensu
defectounanálisismultitemporaldelusode latierra.La leyendapara losañosde los
quesedispongainformacióndebehabersidoestandarizada.Porejemplosiunaclasede
bosquesedenominaba"BosqueConifera"enelaño"antes"y"BosquePinarRalo"enel
año "después" deben de cambiarse para reflejar una sola clase. Esto involucrará
seguramente un proceso de reclasificación o reasignación de valores. Asimismo es
imperativoqueambosusos(antesydespués)cubranexactamentelatotalidaddelárea
paralacualsedesearealizarelestudiodesimulaciónafuturo.
‐Depreferenciaysiempreycuandoseaposibleserápreferiblecontarconalmenostres
escenariosdeuso.Porejemplocontarconunestudioparaelaño1990,otroparaelaño
2000,yotroparaelaño2010.Deestaformaseráposiblebrindarmayorconfiabilidada
nuestros resultados ya que podemos utilizar los datos del 1994‐2004 para calibrar
nuestromodelo,yluegorealizarunapseudo‐simulaciónafuturoal2010.Losresultados
de esta pseudo‐simulación pueden ser comparados con los resultados del estudio
originaldel2010paradarnosunaideaquetanfinoeselpoderdesimulaciónafuturo
de nuestro modelo. Si los resultados se aproximan significativamente entonces
tendremos muchas más confianza en cualquier escenario que hagamos al futuro (al
2020porejemplo)yaquepartimosdeunmodelocalibradoydebidamentevalidado.
10
‐Conrespectoalasvariablesindependientesdebemostambiénprocurarquetengamos:
Documentaciónsoportesobrecadaunadelasvariables
la misma resolución espacial (tamaño de pixel) que nuestra variable de
respuesta
elmismoalineamientogeométrico,y;
suficientementedocumentadaslasfuentes(metadata)delosdatos.
Estonosayudaráenelmomentodeinterpretacióndenuestrosmodelosyaque
seremos capaces de formar enlaces entre las transiciones que han ocurrido en el
espacioconunavariablesquepotencialmentehadeterminadodichastransiciones
4. SIMULACIÓN GEOESPACIAL DE LOS CAMBIOS EN LA COBERTURA FORESTAL
4.1.El Software Propuesto
Despuésderevisardistintasfuentessobresoftwarecapazdehacersimulaciones
a futuro de la cobertura forestal se propone utilizar el algoritmo de modelación de
cambios de la tierra (Land Change Modeler) incluido en el software IDRISI1 que es
desarrollado y mantenido por los Laboratorios Clark2. IDRISI es ampliamente
reconocidocomounsoftwareparadesarrollodeaplicacionescientíficasensistemasde
informacióngeográficos y teledetección.Elmódulode cambiosdeusode la tierraha
sido ya probado con éxito en varias partes del planeta, ya que permite evaluaciones
rápidasde cambio, indicaciones de ganancias y pérdidas en la cobertura boscosa, así
comoestadosdepersistenciaytransiciónquepermitenunrápidoyfielentendimiento
deladinámicadecambiosenlazonadeestudio.
PorotraparteIDRISIysumódulodecambiostienenlacapacidaddeincorporar
losagentesdecambioovariablesdirectricesde tal formaqueestasvariablespuedan
ser relacionadas con las distintas transiciones y/o persistencia identificadas. Esta
relación entre las transiciones (ej. De Bosque en 1990 a Urbano en 2000) y los
1http://www.clarklabs.org/index.cfm2http://www.clarklabs.org/about/index.cfm
11
potencialesmotoresdecambio (ej.Accesibilidadamercadosy zonasdeelevación) le
permiten al software hacer proyecciones sobre el comportamiento que las distintas
clasesdeusotendránenelfuturo.Estasimulaciónserealizaenbasealastransiciones
potencialesquesepuedendaronoenlazonadeestudio.
Para realizar la simulación a futuro el software dispone de dos métodos
estadísticos: Regresión Logística y Redes Neurales Artificiales. Ambos métodos
persiguen elmismo fin de estimar una función de probabilidad para cada una de las
transicionestemporalesa futuroenbasealconocimientohistóricoquehemospodido
desarrollarconnuestrosestudiosdeusode la tierray su relación con losagentesde
cambio.Lasdiferenciasconceptualesentreambosmétodossonvastasyestánfueradel
alcance de este documento. Sin embargo se puede mencionar que hay un par de
criteriossustancialesparautilizarunouotrodelosmétodos.Estosson:
Utilizar la regresión logística si sequiere simular cadaunade las transiciones
por separado. Por ejemplo se deberá hacer una corrida para simular todas
aquellas zonas que potencialmente cambiarán de bosque a agricultura, otra
corrida para las transiciones de bosque a urbano, etc. El analista debería de
utilizar la regresión logística si piensa por ejemplo que la transición bosque‐
urbanoobedeceaungrupodevariablesoagentesdecambio,mientrasque la
transiciónbosque‐agriculturapuedeserexplicadaporotrogrupodevariables
distintas.
Lasredesneuralessepuedenusarparasimularvariasotodas lastransiciones
enunasolacorridadelmodelo.Estoesrazonablesielanalistapiensaque los
agentesdecambioparalastransicionessonlasmismasyqueungrupocomun
devariablesindependientespuedeadecuadamentemodelarosimulartodaslas
transicionesenunasolacorrida.
Como se puede concluir de lo explicado arriba, la selección del método
estadísticodeberáestarbasadaenuncuidadosoexámendelascaracterísticasfísicasy
socioeconómicas de la zona de estudio. Este exámen comprenderá determinar si las
transicionesocurrendemaneraunidimensionalomultidimensionalconrelaciónalos
12
agentesdecambio. Nuestrarecomendaciónaquíesutilizarlasredesneuralesyaque
muydificilmenteunatransiciónpuedeestarseparadadeotrasinunexhaustivoestudio
delascausasyconsecuenciasdeladeforestación.
Además de la arquitectura sólida del software y del fundamento científico del
módulodecambiosdelatierranuestrapropuestaparausarIDRISIsecontemplaen:(a)
su costo relativamente bajo en comparación con otros paquetes, (b) la
transportabilidad de los modelos para que se puedan intercambiar entre paises o
regiones,(c)suficientematerialdeconsultaenlínea,y(d)elsoportecientíficodelos
laboratoriosClark.
4.2. Momentos Importantes durante la Modelación
A. Integracióndelusoenelaño "antes" yenelaño "después": Esta actividadpermite
hacer una consulta geoespacial de tabulación cruzada para determinar tanto en
formato tabular como gráfico las transiciones interanuales que han ocurrido y
reportargananciasypérdidasporclasedeuso.
B. Relacionarlosagentesdecambioconlastransiciones:Esteesunodelosmomentos
más importantes durante la simulación ya que permite hacer una evaluación de
cuales son las variables de mayor importancia y que tienen un mayor poder de
explicacióndelavariabilidadencontradaenlastransiciones.Aquísepuedenutilizar
ciertos factores como correlación u otro coeficiente de asociación como V de
Crammerparadeterminarelsub‐conjuntodevariablesquetienenmayorpoderde
explicacióndelprocesodedeforestación.Unafasequerevistesignificanciadurante
este momento es que se pueden redefinir algunas variables como incentivos o
limitacionesdelprocesodecambiodecobertura.Sedebedetenerunconocimiento
suficiente de cómo puede comportarse cada variable porque su efecto en la
simulaciónpuedeser significativoyafectar los resultadosde formasnodeseadas.
Por ejemplo puede maximizar el efecto de una variable y redundar en una área
deforestadasuperiorqueloqueenrealidadsedeberíaesperar.
C. Identificacióndelastransicionespotenciales:Unavezqueselograrelacionarnuestra
variablederespuesta(cambiosotransiciones)conlosagentesdecambio,entonces
13
se pueden empezar a explorar funciones de probabilidad de las transiciones que
tienenmáspotencial.Enestepuntosepuedenseleccionarsoloaquellastransiciones
que revisten mayor importancia y desechar aquellas que por su magnitud
(incipientesuperficieafectada)notienenunimpactosignificativoenladinámicade
lazonadeestudio.
D. Selección del algoritmo para simular a futuro: Tal y como se explicó antes aquí
tenemos dos opciones: regresión logística y redes neurales. Los criterios para
utilizarunouotroseexplicaronantes.
E. Simulación de la cobertura forestal (Escenarios Tendenciales): A partir del
conocimiento del pasado (transiciones reales) y su relación con las variables
independientes (transicionespotenciales)podemosexperimentara simularcuáles
seríanlascondicionesdecoberturaparaelfuturo.Labasefundamentaldeestetipo
desimulaciónesquelascondicionesdecoberturacontinuaránmodificándoseenel
espacio bajo el mismo patrón que se dieron en el pasado. En otras palabras el
algoritmo tomará los frentes de deforestación identificados y a partir de ahí
comenzaráa simular comocambiarán lascondicionesdecoberturabajo lamisma
intensidad que los agentes de cambio han actuado en el pasado. Los resultados
pueden ser de dos tipos: (1) Predicción dura que representa simplemente las
nuevascondicionesdecoberturaenelfuturo,y(2)Predicciónsuavequeenlugarde
ser una salida temática o descriptiva es una salida contínua que muestra la
vulnerabilidadentérminosdeprobabilidadquesepresentenciertoscambios.
F. Simulaciónde lacobertura forestal(EscenariosAlternativos):Unaparte interesante
de los modelos de simulación es su capacidad para adaptarse a situaciones
hipotéticas que los agentes de cambio podrían adoptar en el futuro. Esta es una
partequepuede seromuy limitadaomuyamplia.Tododependede losusuarios
finales en cuanto qué creen ellos que eventualmente podría pasar en su área de
estudio.Porejemplosiseesperanqueconuncambioenunaleynacionalsepueden
dar fenómenosdemigraciónhacia la zonadeestudio.Otro casopuede serqueel
marcolegalparaunáreaprotegidavaacambiar(másrígidoomásrelajadodesdeel
puntodevistadelasrestriccionesdeusodedichaárea).Tambiénsepuedesuponer
queseaperturaráunanuevavíadecomunicaciónseaterrestre,aéreaofluvialyla
correspondientepresiónqueestanuevavíaacarrearásobrelosrecursosforestales.
14
Enotraspalabraslassituacioneshipotéticaspuedenserinfinitas.Unareuniónentre
variosmiembrosdedistintasdisciplinaspuedeserunarecomendaciónparadefinir
los escenarios alternativos. Asimismo, sería prudente solo simular aquellas
situacionesalternativasqueenrealidadsepodríanpresentarenlazonadeestudio
ya que así se minimiza el tiempo que se puede tomar estar haciendo múltiples
corridasymaximizareltiempoenproveerinterpretacionesdelosresultadospara
sucomprensiónyasimilaciónporpartedelosusuariosfinales.
G. Validación:Esteesunmomentoopcionalyaquedependedesisepudieronobtener
tres o más escenarios de uso (ej. 1990, 2000, y 2010). Si este ha sido el caso
entonces se puede en primera instancia calibrar el modelo con los dos primeros
añosyhacerunasimulacióndeescenariotendencialparaelúltimodelosperíodos
disponibles. El software permite hacer una sobreposición de ambas coberturas
(escenariotendencial2010versususorealen2010)yestimarciertosindicadores
de cuan acertado está el escenario tendencial. Si la magnitud de los aciertos es
significativamentepositivaentoncessetendrámásconfiabilidadenelmodelopara
hacerprediccionestendencialeshaciaelfuturo.
H. Interpretación de resultados: Las salidas del modelo consisten en mapas y tablas
acercadeladistribuciónpotencialdelosusosenelfuturo.Si lavalidaciónhasido
viableentonceslosanalistastendránmayorconfiabilidadenlosresultadosypodrán
socializarlosconlosentesinteresadosydiferentesactoresdelazonadeestudio.Si
la validación no ha sido posible entonces debe de mencionarse las suposiciones
sobre los agentes de cambio así como la incertidumbre que pueden tener los
productos. Un adecuado conocimiento sobre la confiabilidad de los resultados
permitirá a los usuarios finales un mejor aprovechamiento de las simulaciones
desarrolladas.
15
II. ESTUDIOS DE CASO
16
5. BELIZE
5.1. Antecedentes
UnestudiomultitemporaldeladeforestaciónhistóricaenBelizesellevóacabode
manerainterinstitucionalenelaño20103.Lasinstitucionesinvolucradasrecopilarony
analizaron imágenes satelitales Landsat (MSS, TM, y ETM) para los años 1980, 1989,
1994, 2000, 2004, y 2010. En cada uno de estos años se realizó una clasificación de
zonas boscosas, zonas sin bosque, y cuerpos de agua. Esta leyenda de usos permitió
realizarcomparaciones interanualesyevaluar ladinámicade lacoberturaboscosaen
estepaíscentroamericano. Undatocuriosodeesteestudioesqueenningunode los
escenariostemporalesseobservóunatransiciónqueindicararecuperacióndelbosque.
Todolocontrariolabasegráfico‐numericaenSIGindicaqueúnicamenteseobservaron
pérdidasenlacoberturaforestaldurantetodoslosañosqueseanalizaron.
5.2. El Estudio de Caso
Paranuestrocasodeinterésseseleccionóunazonaubicadaenlaseccióncentral
delpaísenlacualsedetectaroncambiossignificativosenlacoberturaforestaldurante
los 30 añosque el estudiomultitemporal abarcó. Los tres usos clasificados y nuestra
zonadeestudiosepuedenobservarenlafigurasiguiente.Estaáreaseleccionadacubre
aproximadamente8557km2yabarcazonasdevallesasí como terrenosde fisiografía
quebrada(zonasmontañosasdelcentrosurdelpaís).
Para aplicar elmétodo discutido en la primera fase de este informe se decidió
extraerinformacióndecoberturaparatresescenariostemporales(1989,2000,y2010)
detalformaqueaproximadamentesetuviera10añosdeseparaciónentreescenario.La
resoluciónespacialdelosdatostrabajadosesde900m2(unpixelde30x30metros),y
estánregistradosusandolaproyecciónUTMZona16NorteDatumWGS1984.
Para efectos de modelación la transición de Bosque a No‐Bosque constituye
3FOREST COVER AND DEFORESTATION IN BELIZE: 1980-2010 (Borrador)
EMIL A. CHERRINGTON1*, EDGAR EK2, PERCIVAL CHO3, BURGESS F. HOWELL4, BETZY E. HERNANDEZ1, ERIC R. ANDERSON1, AFRICA I. FLORES1, BESSY C. GARCIA1, EMILIO SEMPRIS1, AND DANIEL E. IRWIN4 1 Water Center for the Humid Tropics of Latin America and the Caribbean (CATHALAC), Panama 2 Land Information Centre (LIC), Lands & Surveys Department, Ministry of Natural Resources and the Environment, Belize 3 Forest Department, Ministry of Natural Resources and the Environment, Belmopan, Belize 4 Marshall Space Flight Center, National Aeronautics & Space Administration (NASA MSFC), USA
17
MEXICO
GUATEMALA
nuestra variable de respuesta. Como se explicó antes, este estudio tiene la
particularidadquenosedetectaronzonasderestauraciónforestal.Enotraspalabrasla
transición de No‐Bosque a Bosque no fue detectada. Tampoco se reportaron
transicionesconlaclasedeAgua.
Figura1.CoberturaforestalenBelizeyzonaseleccionadacomopiloto
5.3. Las Variables de Predicción
ParalazonadeestudioselogróobtenerunmodelodigitaldeelevaciónMDEcon
una resoluciónde8100m2 (pixelde90x90metros) cuya fuenteesel ShuttleRadar
Topography Mission SRTM4. Este MDE fue posteriormente convertido a la misma
resolucióndelmapadecoberturaforestalutilizandounalgoritmobilinear.DeesteMDE
4http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp
18
seextrajeronderivativascomopendienteenporcentajeyexposiciónsolar.Tambiénse
logróobtenerdatosenvectordepobladosyvíasdecomunicaciónquefueronobtenidos
deunreservoriodigital5.Apartirdeestasdosfuentesdeinformaciónenconjuntocon
elMDE sedecidió elaborar una superficie contínuade respuesta que asemejara a los
tiemposenquesepuedeaccederaloscentrospoblados(accesibilidadoproximidad).
Se utilizó una función SIG denominada Costo‐Distancia en la que se evalua la
accesibilidad a ciertos puntos de interés (ej. Poblados, Puertos, Mercados, etc.)
tomandoencuentalasvíasdecomunicacióndisponiblesyelrestodelpaisaje.Eneste
análisisdeCosto‐Distanciaesfundamentaldefinirlafuncióndelcosto(entiempo)que
toma cruzar un pixel ocupado por carreteras o por terreno sin comunicación y con
determinadaslimitacionescomopendiente,uso,tenencia,etc.
Así, para este estudio de caso las variables de cambio o factores predictores
consideradosfueronelMDEysusderivadostopográficos,elanálisisdeaccesibilidada
pobladosyladistanciaeuclidianaaunavíadecomunicación.
Figura2.AgentesgeoespacialesdecambioconsideradosparaelestudiodecasoBelize
5http://biological‐diversity.info/Ecosystems.htm
MDE PENDIENTES
ACCESOAPOBLADOS DISTANCIAA
VIASDECOMUNICACION
19
Lasvariablespredictorassonutilizadasdurantelasimulacióndeladinámicade
cobertura forestal como directrices de los procesos de cambio. En otras palabras se
busca una relación de dependencia de la variable de respuesta (en este caso la
transición de bosque a no‐bosque) que pueda ser explicada por uno o varios de los
factorespredictores,detalformaqueapartirdelconocimientodelpasado,ylarelación
con los agentes de cambio se puedan hacer simulaciones a futuro sobre lo que
potencialmentepodríaocurrirconlacoberturaboscosaeneláreadeinterés.
5.4 La Modelación
Tantolavariablederespuestacomolosagentesdecambiofueronimportadosal
formatoRSTdeIdrisielcualeselsoftwareseleccionadopararealizarlasimulaciónde
escenariosdecoberturaforestal.EnIdrisiseintegróenprimerainstancialosescenarios
deusoparaelaño1989yparaelaño2000.Apartirdelaño"antes"yelaño"después"
sepuedenidentificartodasaquellastransicionesqueocurrieronendichoperíodo.Para
elcasodeBelizesoloseobservóunatransición;ladeBosqueaNo‐Bosque.Unavezque
setienenidentificadaslastransicionesdeinterésentoncesconvienerevisarelpoderde
interpretaciónodeasociaciónqueexisteentrelastransicionesylosagentesdecambio.
EstaevaluaciónserealizaobteniendolosvaloresdeasociacióndeVdeCramer6.Los
resultadosobtenidossemuestranenlasiguientetabla.
Tabla3.ValoresVdeCramerenBelize
Variable CramerGeneral CramerAgua
CramerNo‐Bosque
CramerBosque
Elevacion 0.0431 0.3944 0.3942 0.0Pendiente 0.0395 0.3011 0.3010 0.0Accesibilidad 0.0589 0.5396 0.5387 0.0DistanciaCarreteras 0.0428 0.3919 0.3917 0.0
Nóteseque losvaloresgeneralessonbajos.Estonodebedecausarpánicopor
tenervalores tanbajos. Los valores a observarmásdetenidamente son losobtenidos
porclasedeuso.Comosepuedeobservardetodoslosagentesdecambiolasuperficie
6LaVdeCrameresunaformadecalcularlacorrelaciónentrematricesquetienenmasde2x2filas‐columnas(taleselcasodelasimágenessatelitalesonuestrasvariablesgeoespaciales).Regularmenteesutilizadocomounpos‐testparadeterminarlafuerzadeasociaciónunavezqueseharealizadountestChi‐Cuadradoquedeterminasignificanciadelacorrelación.
20
de accesibilidad a poblados tiene los valoresmás altos tantopara agua yNo‐Bosque.
Dado que en esta área de estudio el uso Bosque es predominante en todas las
direcciones posibles, es imposible obtener un coeficiente de asociación. En otras
palabrasnohayun comportamiento (lineal, cuadrático, cúbico, etc.) definido entre la
distribucióndeestaclasedeusoy los factoresdecambio.Estonoesunproblemaya
que loquenos interesaenesteaspectoesquepodamosvisualizarasociacionesentre
los factores de cambio y aquellas clases de uso en las que potencialmente el bosque
puedeconvertirse(enestecasoAguayNo‐Bosque).ApartirdelosvaloresCramerse
puedetomarladecisióndecualesvariablesincluirenelmodelo.Enestecasosedecidió
conservardosagentes:LaElevaciónylaaccesibilidadalospoblados.
Tomadaladecisiónsobrelosagentesdecambioaincluirenelmodelo,entonces
se puede escoger el algoritmo a usar. Como se apuntó en el marco conceptual de la
metodologíaexistendosopciones:RedesNeuralesyRegresiónLogística.Dadoqueeste
ejercicio de Belize solo cuenta con una transición posible (Bosque a No‐Bosque)
entonces existe la libertad de escoger cualquiera de los dos. Curiosamente ambos
algoritmos produjeron exactitudes muy similares (valores que rondaron 78% de
precisión)porloqueresultóinvariableutilizarunouelotro.Unavezquesehacorrido
el modelo con uno de los algoritmos entonces se puede extraer una superficie de
probabilidaddequeocurralatransicióndeinterés.
En la siguiente figura se muestra una de las corridas correspondientes a la
probabilidaddequeocurra la transicióndeBosqueaNo‐Bosque.Observesequemuy
bajas probabilidades se encuentran en aquellas zonas que están particularmente
alejadasdeloscentrospoblados.Asimismo,seasignaunvalordeprobabilidaddeceroa
aquellaszonascuyousoenelaño2000eradeNo‐BosqueoAgua.Laexplicaciónaesto
essencillayaquealnohaberotrotipodetransicionespotenciales(ej.BosqueaAgua,
AguaaNo‐Bosque,etc.)identificadas,entonceselalgoritmodebeforzosamenteasignar
una probabilidad nula a dichas áreas. Por otra parte se puede observar que aquellas
zonasqueseencuentrancercanasaunaciudadounpobladosonmássusceptiblesde
cambiarenelfuturo.
21
Figura3.SuperficiedeprobabilidaddequeocurralatransiciónBosqueaNo‐Bosque
5.5. La cobertura forestal en 2010 (simulada)
Una vez que se ha aceptado la superficie de probabilidad de la transición o
transiciones de interés entonces puede procederse a generar las condiciones de uso
paraundeterminadoañoenparticular.Ennuestrocasosefijóelaño2010yaquepara
dicho año se contaba con un mapa de cobertura del mismo estudio multitemporal
anteriormentedescrito.Estaselecciónnoesarbitrariayaquesepersiguerealizaruna
comparaciónentrelosresultadosdelasimulación,ylosresultadosrealesdetalforma
quesepuedaobtenerunavalidacióndelpoderajustedelmodelo.
En primera instancia se tiene que evaluar las probabilidades generales de
transición que serán integradas en la matriz Markoviana. Estas probabilidades se
muestranenelsiguientecuadro.
22
Tabla4.MatrizMarkovianadeTransiciónenBelize
Dado: Probabilidaddecambiara:
Bosque No‐Bosque Agua
Bosque 0.9408 0.0592 0.0000
No‐Bosque 0.0000 1.0000 0.0000
Agua 0.0000 0.0000 1.0000
Estamatrizeslapropuestaporelsoftwareenbasealadistribucióndelosdatos,
esencialmente las transiciciones posibles. Si el analista considera que estos valores
debenserdiferentesentoncestienelaopcióndecambiarlosasudiscreción.Nóteseque
únicamente la clase de bosque tiene probabilidades diferentes a 0.0 o 1.0. Esto es
particulamente característico de este estudio en el que no se contemplaron o no
observaron(cualquieraqueseaelcaso)recuperacionesdelacoberturaboscosaenlos
30añoscubiertosporelestudio.
Elmapaconlascondicionesdecoberturasimuladasalaño2010sepresentaen
lafigurasiguiente.
23
Figura4.CoberturaforestalenlazonapilotodeBelizesimuladaalaño2010
5.6. Validación de la simulación de cobertura forestal
La cobertura simulada puede ser comparada con una cobertura real (si está
disponible)parapoderevaluarquetanbienfuncionaelmodeloenpredecirescenarios
independientes. Este fue el caso para Belize. Los resultados se proporcionan en la
siguiente figura. Es necesario aclarar que las clases de validación que este mapa
contieneocupanintegramentezonasenlasquelatransicióndeBosqueaNo‐Bosquefue
simulada.Porestarazónnoapareceinformaciónparaelrestodelárea.
24
Figura5.ValidacióndelaprediccióndelatransiciónBosqueaNo‐Bosqueenlazonapiloto
deBelize:año2010
Las clases en la figura se explican a continuación: Los Fallos corresponden a
situacionesen lasqueelmodelopredijoqueseconservaría laclasedebosque(1)del
2000al2010,massinembargoenelmapadecoberturarealseobservóunatransición
aNo–Bosque(2).Lasfalsasalarmassonaquelloslugaresenlosqueelmodelopredijo
quesedaríaunatransicióndeBosqueaNo‐Bosque(de1en2000a2en2010)peroque
al comparar con elmapa real no se produjo ningún cambio. Finalmente, los aciertos
corresponden a aquellas celdas en las que el modelo predijo que se realizaría una
transicióndeBosqueaNo‐Bosqueyalcompararloconelmapadeusorealseobservó
queenefectosiseprodujodichatransición.
25
Lasmagnitudesdelasclasesantesdescritassepresentanenlasiguientefigura.
LasunidadesdelejeYsonnúmerodeceldasde900m2.
Figura6.HistogramadelasclasesdevalidacióndelaprediccióndelatransiciónBosquea
No‐BosqueenBelize
5.7. Observaciones
LavalidacióndelmodelodetransicióndeBosqueaNo‐Bosquearrojóresultados
esencialmente pobres en cuanto a los aciertos. La clase de validación de fallos está
concentrada principalmente en la zona de montaña centro‐oeste del área piloto
mientras que los aciertos se concentraron en las zonas cercanas a los núcleos
poblacionales. Esta distribución sesgada de los fallos y aciertos, junto con el
conocimientoquelaredvialestáactualizadahastaelaño2003hacesuponerquequizás
lavariabledeaccesibilidadnoeslamásapropiadaparasimularelprocesodetransición
o que esta variable de accesibilidad necesita revisarse y actualizarse al año 2010.
También cabe laposibilidadqueunanuevavariable como ladistancia a las zonasde
perturbacionesidentificadasduranteelperíodo1989‐2000podríautilizarsejuntoala
26
accesibilidad o en sustitución de esta. Cualquiera que sea el caso, es claro que otras
variables(esencialmentesocioeconómicas)yquepuedanrepresentarapropiadamente
el proceso de deforestación necesitan ser incluidas en este modelo. También debe
recordarsequeelestudiomultitemporalarrojóúnicamenteunatransición(deBosquea
No‐Bosque)despreciandocompletamente laposibilidaddequeenelpaisajeocurra la
transición de No‐Bosque a Bosque. Este comportamiento espacial reportado en el
estudiomultitemporalpuedeoscurecersituacionesquepotencialmentepodríanayudar
acalibrarmejorelmodelo.
6. HONDURAS
6.1. Antecedentes
No existe un estudio multitemporal de la deforestación histórica para todo el
contextoespacialdelarepúblicadeHondurasenlaquesehayanutilizadolasmismas
fuentes(ej.Imágenessatelitales)ylosmismosmétodosdeclasificacióntalycualfueel
casodelarepúblicadeBelize.Unestudiocondatosymétodosestandarizadosimplica
mayorconfiabilidadenlosresultadosobtenidos.Sinembargoexistenalgunosestudios
puntualesen losquesehaanalizado ladinámicade lacobertura forestalparaciertos
años.Estosestudiosgeneralmentecorrespondenazonasdereservaoáreasprotegidas.
Para esta investigación corta se seleccionó dos estudios que se han realizado en la
ReservadeBiósferaRBTawahkaubicadaen lazonacentro‐orientaldelpáis.EnlaRB
Tawahkaserealizóunestudioenelaño20057conimágenessatelitalesLandsatETMde
los años1994 y 2003. En este estudio se realizaron clasificaciones individuales de la
cobertura forestal y se estimaron tasas dedeforestación interanuales a la par que se
identificaron zonas o frentes de mayor actividad. Por otra parte en el año 20108 se
realizóotroestudioenlamismazonaquepudierapartirdelestudiode2005yrealizar
una nueva clasificación de la cobertura forestal en el año 2010. Ambos estudios
partierondelanálisisdeimagensatelitalymétodosdeclasificaciónsimilaresporloque
7Hernández, Alexander.Estudio de análisis multitemporal en el Parque Nacional Patuca, Reserva de la Biósfera Tawahka y Zona Propuesta Rus-Rus. Financiado por PROBAP-AFE-COHDEFOR. 8Hernández, Alexander.Estudio de análisis multitemporal en la Reserva de la Biósfera Tawahka y Zona Sur de la Biósfera del Río Plátano. Financiado por ICADE-TROCAIRE
27
sepuedenconsiderarestandarizadosparasucomparación.Lasclasesdeusoutilizadas
en estos dos estudios fueron Bosque Latifoliado, Bosque Secundario, Usos
Agropecuarios,yCuerposdeAgua.AdiferenciadelestudiorealizadoenBelizeenestos
dosestudiosademásdelatransicióndeBosqueaNo‐Bosqueseencontraronresultados
paraotrostiposdetransicionescomorecuperacióndebosqueloquepermitiórealizar
comparaciones interanualesy evaluar ladinámicade la coberturaboscosaparaestas
zonasprotegidas.
6.2. El Estudio de Caso
Ennuestrocasoparticularseseleccionóunazonaubicadaenlasecciónsuroeste
delareservaTawahka.Lazonaidentificadaconcentraáreasdemuchadinámicaforestal
asícomoregionesdebosqueprimarioquenohansufridocambiosenlosúltimosaños
(1994 ‐ 2010). Al abarcar ambos límites del contínuo de cambios en la cobertura
forestal esta zona seleccionada se convierte en una buena muestra para probar el
modelo de simulación. En la figura siguiente se ilustra la ubicación de las zonas
protegidasenelcontextodelarepúblicadeHonduras.Asimismo,sedetallalacobertura
delazonaseleccionada.Nótesequeseencuentracompletamenteintegradadentrodela
Reserva Tawahka aunque existe información para el 2010 en una zona mayor. La
justificaciónesqueparaelestudiodel2005nosecontócondatosparalaZonaSurdela
BiósferaRíoPlátano.Losusosclasificadosduranteelestudiodel2010seincluyenenla
figuratambién.Puedenotarsequelazonaoestedelareservaeslaquemayordinámica
tiene en cuanto a cobertura de usos agropecuarios. El área seleccionada cubre
aproximadamente 945 km2 y abarca zonas ribereñas, valles, y terrenos de fisiografía
irregular en regiones montañosas y generalmente inaccesibles. Para efectos de
modelaciónlasclasesdeBosqueLatifoliadoydeBosqueSecundariofueroncolapsadas
enunasolaclasedeuso:Bosque,mientrasque laclasedeusosagropecuariosy lade
agua fueron integradas en otra clase de uso: No‐Bosque. En este orden de ideas las
transicionesBosqueaNo‐BosqueyNo‐BosqueaBosqueconstituyennuestravariable
derespuestadurantelasimulación.
28
Figura7.UbicacióndelazonaseleccionadaenelcontextodelarepúblicadeHondurasyde
laReservaTawahka
6.3. Las Variables de Predicción
Esta región de Honduras se caracteriza por una densidad poblacional
relativamente baja, así comode una limitada accesibilidad terreste. En este ordende
ideas la información geoespacial existente es limitada comparada con otras zonas de
Hondurasparalascualesexistenredesdeproyectosquegeneraninformaciónbiofísica
y socioeconómica. Pese a estas limitaciones se logró obtener un modelo digital de
elevaciónMDEconunaresoluciónde2500m2(pixelde50x50metros)cuyafuentees
el Instituto de Conservación Forestal ICF deHonduras. EsteMDE fue posteriormente
convertido a la misma resolución del mapa de cobertura forestal utilizando un
algoritmobilinear.DeesteMDEseextrajo laderivadadependienteenporcentaje.La
información de asentamientos humanos y de vías de comunicación terrestre no
estuvieron disponibles por lo que un análisis de costo‐distancia para estimar
accesibilidadnopudorealizarseenestazonatalycomofueelcasodeBelize.Frenteala
situacióndelimitadainformacióngeoespacialquesirvieracomoagentesdecambiose
extrajounavariableacercadeladistanciaeuclidianahastaloscentrosdeperturbación
29
identificadosenelperíodo1994al2003.Estoscentrosdeperturbaciónnosonmásque
aquellaszonasenlasquesedetectópérdidadelacoberturaforestalenelperíodoantes
mencionado.
Así, para este estudio de caso las variables de cambio o factores predictores
considerados fueron el MDE, la pendientes, y la distancia euclidiana a las zonas de
perturbaciónidentificadasenelestudioPROBAP1994‐2003.
Figura8.AgentesgeoespacialesdecambioconsideradosparaelestudioTawahka
Al igual que el estudio de caso de Belize, aquí las variables independientes
fueronusadascomodirectricesde losprocesosdecambio.Asísebusca larelaciónde
dependenciade lavariablederespuesta(lastransicionesdebosqueano‐bosqueyde
no‐bosqueabosque)quepuedaserexplicadaporuno,dosotresfactorespredictores.
6.4 La Modelación
Lavariablederespuesta(transiciones)ylosagentesdecambiofueron
importadosalformatoRSTdeIdrisi.Enestesoftwareseintegróprimerolosescenarios
deusoparaelaño1994yparaelaño2003.Apartirdelaño"antes"yelaño"después"
seidentificaronlasdostransicionesqueocurrieronendichoperíodo.Unavezquese
tienenidentificadaslastransicionesdeinterésentoncesconvienerevisarelpoderde
interpretaciónodeasociaciónqueexisteentrelastransicionesylosagentesdecambio.
EstaevaluaciónserealizaobteniendolosvaloresdeasociacióndeVdeCramer.Los
resultadosobtenidossemuestranenlasiguientetabla.
MDE DISTANCIAADISTURBIOS PENDIENTES%
30
Tabla5.ValoresVdeCramerenTawahka
Variable CramerGeneral
CramerBosque
CramerNo‐Bosque
Elevacion 0.0267 0.0 0.2967Pendientes 0.0161 0.0 0.1807DistanciaPerturbaciones 0.0434 0.0 0.4873
Al igual que en Belize los valores generales son bajos, pero esto no debe ser
motivodepreocupación.Losvaloresaobservarmásdetenidamentesonlosobtenidos
porclasedeuso.El factordeDistanciaaPerturbacionesexhibe losvaloresmásaltos.
SimilaraBelize,dadoqueenestaáreadeestudioelusoBosqueespredominanteen
todaslasdireccionesposibles,esimposibleobteneruncoeficientedeasociaciónypor
lotantosereportanvaloresdecero.ApartirdelosvaloresCramersepuedetomarla
decisióndecualesvariablesincluirenelmodelo.EnestecasoespecíficodeTawahkase
decidióconservardosagentes:Ladistanciaaperturbacionesylaelevación.
Tomadaladecisiónsobrelosagentesdecambioaincluirenelmodelo,entonces
se puede escoger el algoritmo a usar. Como se apuntó en el marco conceptual de la
metodologíaexistendosopciones:RedesNeuralesyRegresiónLogística.Dadoqueeste
ejercicio de Tawahka se contaron con dos transiciones (Bosque a No‐Bosque y No‐
BosqueaBosque)entoncessedecidióautilizar lasRedesNeurales.La justificaciónse
basa, tal y como se explicó en elmarco conceptual, en que con las redes neurales se
puedenmodelarvariastransicionesalavez,siempreycuandoseconsiderequetodas
losagentesdecambiosafectenporigualatodaslastransiciones.Laexactitudpromedio
obtenidausandoredesneuralesfuedel91%.
6.5. La cobertura forestal en 2010 (simulada)
Aceptada la superficie de probabilidad (nomostrada aquí) de las transiciones
entoncesseprocedióaelaborarunasimulacióndelacoberturadeusoparaelaño2010.
Al igualqueel casodeBelize,paradichoañose contó conunmapade coberturadel
segundoestudiomultitemporalanteriormentemencionado.SimilaralcasodeBelize,en
primer lugar se evaluaron las probabilidades generales de transición que están
31
integradasenunamatrizdeMarkov.Estasprobabilidadessemuestranenelsiguiente
cuadro.
Tabla6.MatrizMarkovianadeTransiciónenTawahka
A diferencia de la matriz encontrada para Belize se puede observar que la
probabilidaddequelacoberturaforestalsearemovidaesmenorenTawahka(casi6%
enBelize).Sinlugaradudaslamayordiferenciaradicaenqueparaestazonasiseesta
brindando oportunidadde que zonas sin bosque se recuperen y puedan volver a ser
ocupadasporusosforestales.Estaesunacualidadintrínsecadecualquierpaisajeenel
que zonas agropecuarias se dejan en descanso y pasan a un regimendebarbecho. El
mapaconlascondicionessimuladasalaño2010sepresentaenlafigurasiguiente.
Figura9.CoberturaforestalenlazonapilotodeTawahkasimuladaalaño2010
Dado: Probabilidaddecambiara:
Bosque No‐Bosque
Bosque 0.9768 0.0232
No‐Bosque 0.4665 0.5335
32
6.6. Validación de la simulación de cobertura forestal
Lacoberturasimuladaparael2010fuedirectamentecomparadaconlacobertura
forestalrealobtenidaapartirdeimágenessatelitales.Larepresentaciónespacialdela
validaciónesprovistaenlafigura10.Unaexplicacióndelaleyendapuedeencontrarse
enladescripcióndelestudiodecasoBelizequeseproporcionóantes.
Figura10.Validacióndelaprediccióndelatransicionesdebosqueenlazonapilotode
Tawahka:año2010
Unadistribuciónespacialmásequilibradadelasfalsasalarmas,fallosyaciertos
la podemos encontrar para el estudio de caso realizado enHonduras. De un total de
3774hectáreasanalizadascomotransicionesseobtuvoun42%paralasfalsasalarmas,
un 14% para los aciertos, y un 43% para los fallos. Esto aún no son resultados
prometedores pero de cierta forma son cuantitativamente más aceptables que los
obtenidosparalazonadeBelize.Unahipótesisparaestosresultadospuedeserelhecho
que en Tawahka se permitió al modelo integrar más transiciones que pueden
potencialmente ocurrir en paisajes tropicales. Esto sin embargo no pasa de ser una
teoríaporconfirmar.
33
6.7. Observaciones
Los resultados obtenidos en Tawahka para las transiciones evaluadas son
similarmente pobres a los de Belize, con la excepción que hay más equilibrio entre
fallos,aciertosy falsasalarmas. Al igualqueelprimerestudiodecaso los resultados
reflejan el bajo poder de explicación del proceso de deforestación por parte de los
agentesdecambioconsiderados.Unavariablequepodríaserincluidaeslaaccesibilidad
a poblados tanto por vías terrestes como por medios fluviales. La accesibilidad
desarrollada a partir de navegación de los ríos de esta zona constituye uno de los
medios principales de transporte, y por ende de expansión de focos de colonización
agrícola y pecuaria. De esta forma la disponibilidad de información geoespacial
actualizada de carreteras y senderos, así como de la red hídrica podría ser utilizada
paraelaborardichasuperficiedeaccesibilidad.
Por otra parte, en los últimos 5 años en la zonadeTawahka se han instalado
proyectos de desarrollo con el fin primordial de brindar oportunidades sociales y
económicasen losasentamientosexistentesparadetener los frentesdeexpansiónde
frontera agrícola y de extracción ilegal de madera. La inclusión de este tipo de
información (si fuera disponible) podría también arrojar luz sobre la simulación de
cobertura forestal a futuro.Al igual que el primer estudiode caso, es claroqueotras
variables(tantobiofísicascomosocioeconómicas)quepuedanrepresentarsedemanera
geoespacialnecesitanserincluidasenelmodelo.