Content uploaded by Victoria Em
Author content
All content in this area was uploaded by Victoria Em on Jan 06, 2017
Content may be subject to copyright.
[ 1 ]
En el presente artículo se pretende mostrar las
características y ventajas que posee Dinamica EGO como
una herramienta innovadora en los análisis de CCUS.
RESUMEN
El modelamiento de cambio en la cobertura/uso de suelo (CCUS) ha ido
ganando terreno en las últimas décadas surgiendo diversas herramientas
de modelamiento espacial que han facilitado procesos y han apoyado el
análisis de los cambios multitemporales, así como en la generación de
escenarios futuros de cambio. Una de las herramientas que facilita estos
procesos es Dinamica EGO, un software gratuito desarrollado en Brasil,
el cual cuenta con amplias ventajas en la identicación de impulsores
de cambio, cálculos de tasas de transición, así como en la simulación
de escenarios a futuro para monitorear las trayectorias de los cambios.
En el presente artículo se presenta el desarrollo de un modelo de CCUS
utilizando Dinamica EGO, explicando los principales conceptos empleados
tomando ejemplos de literatura cientíca y de investigaciones realizadas
por la autora.1
* Geógrafa de la Universidad Nacional Mayor de San Marcos con un Master of Science en Manejo
y Conservación de Bosques Tropicales y Biodiversidad del Centro Agronómico Tropical de
Investigación y Enseñanza - CATIE en Costa Rica.
vicempe@gmail.com
DINAMICA EGO: UNA HERRAMIENTA
GRATUITA PARA MODELAR Y BRINDAR
SOPORTE EN EL ANÁLISIS DE CCUS
Victoria Espinoza-Mendoza*
2Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
Palabras claves: modelamiento espacial, Dinamica EGO, CCUS.
ABSTRACT
Modeling cover change/land use, has been gaining ground in recent
decades, emerging several tools of spatial modeling that have facilitated
processes and supported by the analysis of multi-temporal changes, as well
as the generation of future scenarios of change. One tool that facilitates
these processes is Dinamica EGO, free software developed in Brazil, which
has many advantages identifying drivers of change; calculate transition
rates as well as the simulation of future scenarios to monitoring paths
changes. In this article will be developed a model of CCUS by Dinamica EGO,
explaining the main concepts used, taking examples of scientic literature
and research by the author.
Key words: Spatial modeling, Dinamica EGO, CCUS.
I. INTRODUCCIÓN
El cambio en la cobertura/uso de suelo (CCUS) es uno de los componentes
más importantes del cambio global causado principalmente por el rápido
crecimiento de la población humana y las altas tasas de consumo de
recursos (Vitousek 1994; Sala et al. 2000). Actividades como el pastoreo o
la agricultura modican la estructura y el funcionamiento del ecosistema
(Chapin Iii et al. 2000; Cabido et al. 2005), afectando la provisión de servicios
ecosistémicos y por ende la capacidad de estos sistemas de satisfacer
necesidades humanas, las cuales cada vez son más crecientes (Vitousek et
al. 1997; Romijn et al. 2015).
Especicar las trayectorias de cambio de uso de suelo es esencial para
comprender sus impactos sobre el paisaje (Peña 2007). Las investigaciones
en el ámbito de CCUS se han enfocado en mejorar los sistemas de
monitoreo, análisis y validación de los procesos de cambio y de transiciones
(por ejemplo transiciones de pastizales a cultivos o plantaciones forestales
a cultivos) (Johnson y Zuleta 2013).
Uno de los métodos utilizados para evaluar el impacto que poseen
los impulsores de cambio sobre los CCUS es el modelamiento espacial
(Veldkamp y Lambin 2001). Esto permite entender y prevenir los efectos
adversos de los CCUS (Vega et al. 2014), mediante el desarrollo de
modelos para la generación de escenarios futuros, enfocándose en
análisis multitemporales (Turner et al. 1994; Geist y Lambin 2002). Los
3Boletín 03
Victori a espinoz a-Mendoz a
análisis multitemporales permiten detectar cambios entre distintas fechas
de referencia con la nalidad de mostrar las consecuencias de la acción
humana sobre el medio (Ruiz et al. 2014).
Con el advenimiento de las nuevas tecnologías en las últimas décadas,
diversas herramientas han sido desarrolladas para facilitar el análisis de
los procesos acontecidos sobre el paisaje, en especial los CCUS. Estas
herramientas están centradas en las fases de calibración, validación y en
los avances temáticos extraídos de su utilización (Olmedo et al. 2010).
Analizar el proceso de modelación de CCUS implica tres pasos
principales: (a) detección e interpretación cartográca y digital del cambio,
(b) análisis de los patrones de cambio y (c) análisis de la causalidad del
cambio (Bocco et al. 2001). Sin embargo, no existe un único enfoque que
determine o explique los CCUS, elegir un modelo depende de los objetivos
de la investigación, llegando a utilizar más de uno si fuese necesario
(Verburg et al. 2006).
Una de las herramientas que ha cobrado importancia debido a su
exibilidad, gratuidad y gran capacidad para modelar procesos complejos
de una manera sencilla es Dinamica EGO. Esta herramienta fue desarrollada
en la Universidad Federal de Minas Gerais en Brasil1 (Soares-Filho et al. 2002;
Soares-Filho et al. 2009) y se aplicó en estudios de modelación en CCUS,
permitiendo el desarrollo de escenarios futuros de cambio (Rodrigues et
al. 2007). También ha sido utilizada para análisis en diferentes países como
Brasil, México, Panamá, Costa Rica, China, Bolivia y Colombia.
En el presente artículo se pretende mostrar las características y ventajas
que posee Dinamica EGO como una herramienta innovadora en los análisis
de CCUS, tomando como base investigaciones realizadas por la autora y
referencias de otros investigadores. Lo que demuestra la gran capacidad
del software para manejar datos complejos y obtener buenos resultados
en la identicación de impulsores de cambio, tasas de cambio, así como la
generación de escenarios futuros.
II. MODELAMIENTO DE CCUS
Tal como lo indican Sandoval y Oyarzum (2004), la modelación
estadística-espacial del CCUS se deriva de la combinación y el uso de
técnicas cartográcas, sistemas de información geográca y modelos
estadísticos multivariantes. Los esfuerzos por modelar los procesos de
cambio responden básicamente a tres preguntas clave que son abordadas
1 Dispopnible en: < http://csr.ufmg.br/dinamica/>
4Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
en estudios de esta índole. Estas preguntas son ¿por qué ocurre el cambio?,
¿dónde ocurre el cambio? y ¿cuándo ocurre el cambio?
Por otro, lado Lambin (1994) indica tres tipos de modelos para explicar
los CCUS: empíricos, algorítmicos y sistémicos. Los modelos empíricos
imitan las relaciones existentes entre las variables que explican el cambio
de uso, asumiendo que estas continuarán de esta misma forma en el futuro.
En los modelos algorítmicos, los procesos individuales de un sistema son
descritos por ecuaciones simples bajo principios cientícos. Finalmente,
los modelos sistémicos están enfocados en explicar el funcionamiento e
interacción de todos los componentes de un ecosistema.
Todos los modelos trabajan en base a comparaciones de dos o más
mapas de cobertura/uso de suelo con fechas diferentes, a través de los
cuales se estiman los patrones y procesos de cambio, en base a variables
explicativas (Mas et al. 2011; Padilla et al. 2015). En la actualidad existen
diversos paquetes de modelación con funciones, herramientas, enfoques
y metodologías diferentes para propósitos variados. Entre ellas destacan:
— CA_MARKOV en IDRISI (Eastman 2009; Eastman 2012)
— CLUE-S (Verburg y Overmars 2009)
— DINAMICA EGO (Soares-Filho et al. 2002; Soares-Filho et al. 2009)
— LAND CHANGE MODELER (LCM), disponible en IDRISI y como
extensión en Arc Gis para la versión 10.2 (Eastman 2012)
III. DINAMICA EGO: UNA POTENTE HERRAMIENTA DE
MODELACIÓN
La herramienta Dinamica EGO, cuyas siglas hacen referencia al concepto
de “Environment for Geoprocessing Objects” (Entorno para Objetos de
Geoprocesamiento) (Padilla et al. 2015) fue desarrollada en la Universidad
Federal de Minas Gerais en Brasil (Soares-Filho et al. 2002; Soares-Filho
et al. 2009), y ha sido aplicada en estudios de modelado de procesos de
deforestación tropical y crecimiento urbano. Es bastante exible y permite
el desarrollo de modelos sosticados de CCUS y desarrollo de escenarios
futuros de cambio (Rodrigues et al. 2007). Esta herramienta opera sobre
una plataforma basada en lenguaje C++ y Java. Dinamica EGO representa
el paisaje como un arreglo regular de celdas que interactúan dentro de
cierta vecindad y en donde el estado de cada celda depende de los estados
previos de las celdas dentro de un mismo vecindario (Soares-Filho et al.
2002; Padilla et al. 2015).
5Boletín 03
Victori a espinoz a-Mendoz a
En Dinamica EGO, no solo podemos realizar análisis multitemporales de
CCUS, también podemos trabajar con análisis multicriterio que se aplica
para evaluaciones de impacto ambiental, planeamiento urbano o regional,
con métricas de paisaje o Landscape metrics, para evaluar la calidad de
hábitats cuando la disponibilidad de inventarios de biodiversidad o de
datos ecológicos es limitada o de muy difícil obtención.También podemos
desarrollar modelos de proyección econométricos, los cuales predicen
las tasas de deforestación basándose en el contexto socioeconómico de
municipios, así como el desarrollo de modelos para monitorear emisiones
de carbono (Soares-Filho et al. 2009).
Mas y Sandoval (2011) destacan algunas de las bondades del software,
desde un punto de vista técnico, indicando que Dinamica EGO posee una
herramienta para optimizar la transformación de variables continuas
en categóricas. Señalan que los pesos de evidencia que representan
la inuencia de cada una de las variables en la probabilidad espacial de
ocurrencia de una transición de cobertura y uso de suelo (Rodrigues et al.
2007) se calculan de manera independiente para cada variable, permitiendo
elaborar funciones muy complejas de manera sencilla.
Existen diversas investigaciones que han utilizado Dinamica EGO con la
nalidad de proveer análisis históricos de los CCUS y generar escenarios
futuros de deforestación y degradación de los bosques a diferentes
niveles. Imbach. et al. (2013), realizó un estudio en el que analizó el cambio
de uso de la tierra para los períodos 1992, 2000 y 2008, formulando
escenarios de deforestación futura en los bosques de Panamá. Osorio et
al. (2014), modela y analiza procesos de deforestación en México, para un
período comprendido entre 1986 y 2011, detectando que el incremento
de los pastizales inducidos fue la principal causa de la pérdida de las
cubiertas forestales. Padilla et al. (2015) analiza los cambios de uso de
suelo utilizando los autómatas celulares de Dinámica EGO en una región
de Ecuador, trabajando en el período comprendido entre 1965 y 2001
generando escenarios hacia el 2020, obteniendo como resultado la posible
desaparición del bosque primario en más del 90 % de su cobertura original.
Espinoza-Mendoza (2016b) utiliza Dinamica EGO para obtener las tasas de
cambio de diferentes coberturas y modelar espacialmente los CCUS con el
n de identicar los principales impulsores de cambio y generar escenarios
futuros hacia el 2030 en la región Central y Caribe de Nicaragua.
IV.- ¿CÓMO FUNCIONA DINAMICA EGO?
El modelamiento de CCUS en Dinamica EGO se desarrolla a través de
una secuencia de diez pasos consecutivos (Figura 1). Los modelos son
expresados a través de functors, formando diagramas de ujo (Figura 2)
6Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
para producir un resultado que represente la solución a una pregunta
sobre un determinado tema (Soares-Filho et al. 2009).
Figura 1. Secuencia de pasos utilizados por Dinamica EGO
A simple vista, el software puede ser algo complicado de manejar
debido a la gran cantidad de cajas, echas y parámetros. Pero, en realidad
su manejo es bastante sencillo, permitiendo representar modelos bastante
complejos de manera simple, rápida y con muy buenos resultados.
Figura 2 Interface del software Dinámica EGO
Fuente: captura de pantalla realizada por la autora desde interface.
7Boletín 03
Victori a espinoz a-Mendoz a
Para llevar a cabo la modelación se deben denir las variables (posibles
impulsores de cambio) y los mapas de cobertura de suelo con diferentes
fechas. Las variables deberán ser elegidas en base a criterios basados en
referencias bibliográcas, opiniones de expertos, dependiendo del tipo
de estudio que se quiere realizar. Para algunos estudios las variables
biofísicas presentarán mayor disponibilidad de acceso que las variables
socioeconómicas, debido a la dicultad de representar espacialmente
algunas de estas últimas. El número de variables que se incluyan en
el modelo depende de cada investigador, no existe un límite, pero es
aconsejable tomar en cuenta que el análisis para modelos con más de
veinte variables tomará mucho más tiempo y los requerimientos del
sistema serán mayores.
La preparación de las variables y de los mapas, incluye la generación de
información ráster homologada, es decir, cada variable y mapa plasmado
en un raster deberá contar con el mismo número de las, columnas, píxeles
y sistemas de proyección. Dinámica EGO, maneja datos en diferentes
formatos, incluyendo raster (ER Mapper, GeoTi, ASCII), tablas en Excel y
matrices. Se debe tener en cuenta que el software, utiliza una clasicación
numérica que identica la clase de mapa de cobertura mediante un
número, tal como se muestra en el siguiente cuadro:
Cuadro 1: Clasicación numérica utilizada por Dinámica EGO.
Número que identica la
clase Clase de cobertura
1 Bosque
2Pasto
3Tierras agrícolas
4Cuerpos de agua
5Áreas urbanas
Contar con insumos (variables y mapas) denidos y homologados
permite generar un archivo que contiene su futura inclusión en el modelo;
este archivo se denomina Cubo Raster o “cubo de mapas”. Este archivo es
una serie de mapas estáticos, denominados de esta forma debido a que sus
atributos no cambian a lo largo de las iteraciones del modelo (Soares-Filho
et al. 2002). Una vez denido el Cubo Raster, explicaremos cómo trabaja el
software Dinamica EGO en los diez pasos señalados anteriormente.
8Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
1.- CalCulando las matriCes de transiCión (Paso 1)
La matriz de transición describe los cambios de un sistema a través de
períodos discretos de tiempo, en los cuales el valor de cualquier variable
en un período dado (por ejemplo hectáreas de bosque en el año 2012) es
la suma de porcentajes jos del valor de las variables en el periodo previo
(Rodrigues et al. 2007). Las matrices de cambio con las que trabaja Dinamica
EGO pueden ser simples o múltiples. Las matrices de cambio simples están
referidas a tasas de transición para un determinado período de tiempo
(por ejemplo 12 años), mientras que las matrices de cambio múltiples, se
reeren a tasas anuales de cambio. Calcular estas matrices es importante
porque serán tomadas en cuenta para la validación y la generación de
escenarios futuros.
2.- CálCulo de rangos Para Categorizar variables y CálCulo de
CoefiCientes de Pesos de evidenCia (Pasos 2 y 3)
Dinamica EGO trabaja con el método geoestadístico de los pesos de
evidencia, con el n de obtener las probabilidades de transición y luego los
pesos de las variables que poseen mayor inuencia en los cambios (Soares-
Filho et al. 2009). Este es uno de los pasos más sustanciales e interesantes
del software y a su vez el que toma más tiempo para interpretar, debido
a que categoriza cada una de las variables ponderando mediante un valor
los pesos que cada una de ellas tiene sobre una determinada transición.
A partir de este punto tendremos la capacidad de denir si una variable
será signicativa o no en el modelamiento de CCUS. Esta signicancia será
obtenida analizando los grácos de líneas de tendencia generados por el
software para cada transición (Figura 3). Las variables que obtengan valores
negativos o iguales a 0 no tienen ningún peso en la transición. Mientras
que las variables con valores mayores a 0 sí inuyen en la transición de
una cobertura a otra.
En la Figura 3, se muestra un gráco de líneas de tendencia que arroja
Dinamica EGO para la transición de bosque a pastizal. Ahí, el eje X, está
denido por la distancia en metros a una determinada variable, en este
caso a centros poblados, mientras que el eje Y está referido al peso o valor
que posee dicha variable en la transición.
En el ejemplo de Espinoza-Mendoza (2016b), la línea de tendencia inicia
con un valor mayor a 0.75 (eje Y) a una distancia entre 0 a 250 m (eje X) de los
centros poblados y va disminuyendo mientras la distancia se hace mayor.
Esto indica que los centros poblados más cercanos a las áreas de transición
de bosque a pastizales son los que han tenido mayor inuencia para que
ocurra esta transición. Un gráco similar es creado e interpretado de la
9Boletín 03
Victori a espinoz a-Mendoz a
misma manera para cada una de las variables incluidas en el modelo, las
cuales pueden ser distancia a cuerpos de agua, distancia a áreas naturales
protegidas, tipos de suelo, nivel de erosión, nivel de pobreza, riesgos a
inundaciones, entre otras.
Figura 3: Gráco de líneas tendenciales
Fuente: captura de pantalla realizada por la autora desde interface.
3.- análisis de CorrelaCión (Paso 4)
El análisis de correlación se realiza con el n de comprobar el supuesto
de independencia de las variables. Es necesario que las variables incluidas
en el modelo sean independientes espacialmente, para lo cual Dinámica
EGO incluye en el modelo el índice de Cramer (Bonham-Carter 1994;
Soares-Filho et al. 2009) para vericar esta independencia. Este índice
opera en valores reales entre 0 y 1. Mientras las variables comparadas
se encuentren más cercanas a 1 poseen mayor correlación y son menos
independientes, por lo que una de ellas debe ser eliminada del proceso
de modelación. No se indica un límite de tolerancia del índice de Cramer,
pero existen algunos estudios que consideran el valor de 0.50 (Macedo et
al. 2013; Rosseti. et al. 2013; Tramontina. et al. 2015).
4.- simulaCión Previa mediante el PatCher y el exPander (Paso 5)
Esta es otra de las características fundamentales del software que simula
un mapa ya existente denominado “mapa real observado” con la nalidad
de compararlo con el mapa simulado para determinar la capacidad del
modelo de predecir los cambios de tal forma que sea lo más parecido
posible a la realidad. Dinámica EGO trabaja con modelos de autómatas
celulares (Ramírez-Mejía et al. 2011), que son denidos como sistemas
10 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
espaciales dinámicos muy simples capaces de demostrar comportamientos
complejos en los que el estado de cada celda (o píxel) va a depender de los
estados previos de las celdas vecinas (Aguilera Benavente 2006).
Los autómatas celulares denominados expander y patcher se componen
de un mecanismo de asignación responsable de la identicación de celdas
con mayores probabilidades de cambios. El expander se dedica a expandir o
contraer parches de una clase de cobertura de suelo ya existente, mientras
que el parcher está diseñado para generar o formar nuevos parches de
una cobertura de suelo través de un mecanismo “semilla”. Cabe indicar
que sí es posible controlar el tamaño promedio, la varianza y la isometría
(parámetros incluidos en el modelo) de los patcher (Mas et al. 2012); estas
variaciones pueden realizarse basándose en un criterio experto.
5.- validaCión del modelo (Pasos 6 y 7)
Con base en la simulación previa del modelo se lleva a cabo una
validación del mapa simulado con el mapa real observado. Esta validación
utiliza índices de similitud difusa, los cuales permiten comparar los mapas
de cambio de uso de suelo simulado y observado, tomando en cuenta la
coincidencia espacial bajo distintos niveles de tolerancia (diversos tamaños
de ventana o píxeles). Estos índices se enfocan en las áreas de cambio
teniendo en cuenta no solo la clasicación de un píxel, sino del vecindario
(píxeles vecinos) en el que se encuentra (Mas et al. 2011; González et al.
2014).
La validación del modelo se lleva a cabo utilizando dos tipos de función
de decaimiento. La primera es la prueba de la función de decaimiento
exponencial, aplicada por defecto a un tamaño de ventana de 11
píxeles (330m x 330 m2). La segunda prueba de validación trabaja con la
función constante del decaimiento con ventanas múltiples generando
comparaciones desde una ventana de tamaño de un píxel (30*30 m o 900
m2 en la realidad), lo que se incrementa de dos en dos hasta 15 píxeles
(450*450m o 202, 500 m2 en la realidad).
Lo provechoso del tema de validación en Dinamica EGO es que
tendremos la capacidad de conocer el desempeño de nuestro modelo
comparando lo simulado con lo real de manera sencilla. Por ejemplo, la
Figura 4 ilustra como el software valida los resultados del modelo. Los
conceptos de mínima similaridad están referidos a la comparación que
hace el software entre el mapa 1 versus el mapa 2, mientras que la máxima
similaridad, es la comparación del mapa 2 versus el mapa 1.
2 Tomando en cuenta que cada píxel tiene el valor de 30 m.
11Bo letín 03
Victori a espinoz a-Mendoz a
En nuestro caso, el ejemplo mostrado corresponde a una comparación
entre un mapa simulado del año 2014 y un mapa real observado ese
mismo año en una región de Nicaragua (Espinoza-Mendoza 2016b). El eje X
representa la distancia en metros y el eje Y el porcentaje de similitud. En un
área de 30*30 metros o 0.09 ha (tamaño de ventana de 1 píxel), la similitud
fue entre 42 a 57%, mientras que en un área de 450*450 metros o 20.25 ha
(tamaño de ventana de 15 pixeles), la similitud fue 90-91%.
Piontekowski et al. (2012) sugiere que la obtención de valores por encima
de un 50 % de similitud entre los mapas comparados sería satisfactoria
para la validación del modelo.
Figura 4: Gráco de validación de la simulación en base al mapa real
observado
Validación de ventanas múltiples
Fuente: elaborado por la autora.
6.- ejeCuCión del modelo y ProyeCCión de las trayeCtorias de deforestaCión
(Pasos 8, 9 y 10) y análisis de resultados
Luego de calibrar y validar el modelo se generan los escenarios de
deforestación con la nalidad de entender y anticipar los cambios para
mejorar la toma de decisiones (Cuevas 2008). En el modelo se incluyen
las variables insumo, el mapa a partir del cual se proyectará el modelo, las
12 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
matrices de transición del periodo estudiado y los coecientes de pesos de
evidencia de las variables. Las guras 5 y 6 muestran resultados obtenidos
en los estudios de Espinoza-Mendoza (2016b) desarrollado en la región
Centro y Caribe de Nicaragua y Espinoza-Mendoza (2016a) desarrollado en
el distrito de Padre Abad, Perú ambos utilizando Dinamica EGO.
A partir de los datos arrojados por Dinámica EGO (Figura 5) en el
estudio de Espinoza-Mendoza (2016b) en Nicaragua se pudieron analizar
las trayectorias de los cambios y los principales causantes de estos.
Según los resultados se podría armar que hay zonas que indican una
regeneración del bosque luego de haber sido degradadas por actividades
agrícolas o agropecuarias. Además, se identicaron a los impulsores de
cambio relacionados con la pérdida de coberturas, los cuales fueron
distancia a centros poblados, distancia a vías, tipo de suelo, erosión y
elevación. Mientras que los impulsores que favorecieron la recuperación
de coberturas como el bosque fueron áreas con presencia de cultivos de
café, cacao y algunos tipos de suelo.
Es interesante subrayar como Dinámica EGO dene al tipo de suelo
en el estudio de Espinoza-Mendoza (2016b) como un factor importante
en la pérdida/ganancia de la cobertura forestal y cómo se puede llegar a
explicar de manera simple el porqué de estos resultados que son acordes
a la realidad de la zona.
En el área de estudio están presentes cuatro tipos de suelo: alsol,
vertisol, molisol y ultisol. Los alsoles son suelos considerados como uno
de los mejores para actividades agropecuarias, en el estudio obtuvieron
fuertes pesos de evidencia (0.89) en la transición de bosque a pastos,
explicando así el porqué de su inuencia sobre la pérdida de la cobertura
de bosque.
Por otro lado, los ultisoles y vertisoles estuvieron relacionados con el
abandono de cultivos agrícolas, debido a su baja calidad de aprovechamiento
en actividades agrícolas, apoyando en la regeneración de áreas de bosque.
Mientras que los molisoles, fueron considerados como indicadores de
pérdida de la cobertura de bosque, debido a que poseen una alta fertilidad
siendo idóneos para el cultivo de productos como maíz y frijol (cultivos
básicos en la alimentación nicaragüense).
13Bole tín 03
Victori a espinoz a-Mendoz a
Figura 5. Mapas reales observados (2014) y mapas simulados (2030) para
la región central y Caribe nicaragüense utilizando Dinamica EGO
Figura 06: Mapas de Bosque y No Bosques del distrito de Padre Abad
(Ucayali, Perú) para los años 2000, 2014 (mapas reales observados) y
2030 (mapa simulado) utilizando Dinámica EGO.
Las áreas de color verde representan el bosque y las áreas de color rojo representan las
de no bosque.
14 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
Dinámica EGO fue muy útil para detectar áreas donde existe recuperación
del bosque, inuenciada por la presencia antrópica en la zona central de
Nicaragua, en donde se cultiva café bajo sombra (Figura 7). La variable
elevación también jugó un papel clave en la regeneración del bosque, las
zonas de menor elevación estuvieron relacionadas directamente a las
áreas cultivadas con café, y fue justamente ahí en donde aumento el área
boscosa.
Figura 7. Áreas cultivadas con café bajo sombra.
El color verde oscuro representa las áreas de bosque, el color verde claro señala las áreas
de pastizales, el amarillo muestra las áreas agrícolas y los polígonos grises representan las
áreas cultivadas con café.
Dinamica EGO también fue capaz de apoyar en la detección de grandes
pérdidas de bosque y evidenciar las alarmantes proyecciones -nada
favorables- en áreas naturales protegidas (Figuras 8, 9 y 10), incluyendo
parte de la única reserva de biósfera presente en Centroamérica(Reserva
de Biósfera de Bosawas).
Figura 8. Pérdida real de bosque en el Parque Nacional Cerro Saslaya
(Nicaragua) y proyección de pérdida hacia el 2030.
El color verde oscuro representa a las áreas de bosque, el color amarillo las tierras
agrícolas y el color verde claro áreas de pastizales.
Figura 9. Pérdida real de bosque en un área de la Reserva Natural Cerro
Banacruz (Nicaragua) y proyección de pérdida hacia el 2030.
El color verde oscuro representa las áreas de bosque y el color verde claro áreas de
pastizales.
15Bole tín 03
Victori a espinoz a-Mendoz a
Figura 10. Pérdida real de bosque en un área del cerro Guabule en la
Reserva de Biósfera Bosawas (Nicaragua) y proyección de pérdida hacia
el 2030.
El color verde oscuro representa a las áreas de bosque, el color amarillo a las tierras
agrícolas y el color verde claro a las áreas de pastizales.
Finalmente, Dinamica EGO ayudó en la detección de procesos de
regeneración natural del bosque luego de una perturbación natural como
el Huracán Félix, que azotó la Costa Caribe de Nicaragua el 2007 con una
categoría 5 (Figura 11).
Figura 11. Procesos de regeneración en el bosque afectado por el
huracán Félix en el municipio de Puerto Cabezas, Nicaragua.
El color verde oscuro representa a las áreas de bosque, el color amarillo a las áreas de
sabanas y el color rojo representa a las áreas afectadas por el huracán.
V.- CONCLUSIONES Y CONSIDERACIONES FINALES
Dinámica EGO es un software gratuito de modelamiento espacial que
simula exitosamente proyecciones hacia futuro, de manera sencilla e
incluyendo tasas anuales de transición de cambio y los diversos pesos que
posee cada una de las variables incluidas en la modelación.
16 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
El uso de Dinámica EGO para modelar cambios en la cobertura de
suelo se vuelve relevante entre otros puntos porque incluye un valor
numérico de la inuencia que las variables poseen sobre las transiciones
de cobertura, esto muestra de forma clara y sencilla los valores para su
posterior interpretación. Además, una de las cualidades del programa
es su gran exibilidad, permitiendo incorporar el conocimiento experto,
según los intereses del usuario y pudiendo modicar los parámetros en
base a sus conocimientos.
Dinámica EGO, posee una gran variedad de herramientas para elaborar
modelos mucho más complejos y sosticados, ofreciéndole al usuario la
posibilidad de crear modelos acorde a sus requerimientos. También brinda
la posibilidad de trabajar en conjunto con una amplia gama de software
tales como Fragstats, Arc GIS, Maxent y R.
Debemos tomar en cuenta que ningún software de modelamiento puede
predecir exactamente lo que sucederá en un corto, mediano o largo plazo,
pero sí puede ayudarnos a conocer las tendencias que podrían seguir los
cambios bajo distintos escenarios.
Algunos de los datos mostrados en este artículo corresponden a los
resultados de tesis de la autora para optar el grado de Magister Scientiae
en el Centro Agronómico Tropical de Investigación y Enseñanza CATIE de
Costa Rica. Esta tesis fue nanciada por el fondo para investigaciones
del CGIAR Consortium Research Centre a través del programa Forests, Trees
and Agroforestry del ICRAF - World Agroforestry Centre y por la Cátedra de
Ecología de CATIE.
REFERENCIAS BIBLIOGRÁFICAS
— Aguilera Benavente, F. 2006. Predicción del crecimiento urbano
mediante sistemas de información geográfica y modelos basados en
autómatas celulares. Geofocus 6: 81-112.
— Bocco, G.; Mendoza, M.; Masera, O.R. 2001. La dinámica del cambio
del uso del suelo en Michoacán: Una propuesta metodológica para el
estudio de los procesos de deforestación. Investigaciones geográficas
(44): 18-36.
— Bonham-Carter, G. 1994. Geographic information systems for
geoscientists: Modelling with GIS, Elsevier. 398 p. (13).
— Cabido, M.; Zak, M.R.; Cingolani, A.; Cáceres, D.; Díaz, S.; Oesterheld,
M.; Aguiar, M.; Ghersa, C.; Paruelo, J. 2005. Cambios en la cobertura
de la vegetación del centro de Argentina ¿Factores directos o
17Bole tín 03
Victori a espinoz a-Mendoz a
causas subyacentes? La heterogeneidad de la vegetación de los
agroecosistemas, Universidad Nacional de Buenos Aires, Buenos
Aires: 271-300.
— Cuevas, G. 2008. Aplicación de un modelo espacial para la elaboración
de escenarios de uso/cobertura del suelo en la Huacana, Michoacán.
Maestría en Geografía. Morelia, Michoacán, Mexico., Universidad
Nacional Autónoma de México. Facultad de Filosofía y Letras. División
de estudios de postgrado.
— Chapin III, F.S.; Zavaleta, E.S.; Eviner, V.T.; Naylor, R.L.; Vitousek, P.M.;
Reynolds, H.L.; Hooper, D.U.; Lavorel, S.; Sala, O.E.; Hobbie, S.E. 2000.
Consequences of changing biodiversity. Nature 405(6783): 234-242.
— Eastman, J. 2012. IDRISI selva: guide to GIS and image processing
— Eastman, J.R. 2009. IDRISI Taiga guide to GIS and image processing.
Clark Labs Clark University, Worcester, MA.
— Espinoza-Mendoza, V.E. 2016a. Identificación de ecosistemas de
bosque amenazados en el distrito de Padre Abad, utilizando modelos
espaciales para el período 2001 – 2014 y simulaciones futuras al año
2030. In Congreso Nacional Forestal (XII, Lima) 2016a. Universidad
Nacional Agraria La Molina, UNALM. p.
— Espinoza-Mendoza, V.E. 2016b. Impulsores de cambio en el uso
de suelo y almacenamiento de carbono sobre un gradiente de
modificación humana de Paisajes en Nicaragua. Magister Scientiae.
Turrialba, Costa Rica, CATIE. 170 p.
— Geist, H.J.; Lambin, E.F. 2002. Proximate Causes and Underlying Driving
Forces of Tropical Deforestation Tropical forests are disappearing
as the result of many pressures, both local and regional, acting in
various combinations in different geographical locations. Bioscience
52(2): 143-150.
— González, J.; Cubillos, A.; Arias, M.; Zapata, B. 2014. Resultados de la
simulación de la deforestación para el ajuste del nivel de referencia
del área subnacional A8. Bogotá, Colombia.,
— Imbach., P.; Robalino., J.; Brenes., C.; Zamora., J.C.; Cifuentes., M.;
Sandoval., C.; Beardsley., M. 2013. Análisis de cambio de uso de la
tierra (1992–2008) y formulación de escenarios de deforestación
futura de los bosques de Panamá Turrialba, Costa Rica, CATIE. 41 p.
— Johnson, B.G.; Zuleta, G.A. 2013. Land-use land-cover change and
ecosystem loss in the Espinal ecoregion, Argentina. Agriculture,
18 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
ecosystems & environment 181: 31-40.
— Lambin, E.F. 1994. Modelling deforestation processes. FAO.
— Macedo, R.; Almeida, C.; Santos, J.; Rudorff, B. 2013. Modelagem
dinâmica espacial das alterações de cobertura e uso da terra
relacionadas à expansão canavieira. Boletim de Ciências Geodésicas
19(2): 313-337.
— Mas, J.-F.; Sandoval, A.F. 2011. Modelación de los cambios de
coberturas/uso del suelo en una región tropical de México.
GeoTrópico 5(1): 1-24.
— Mas, J.-F.; Pérez-Vega, A.; Clarke, K.C. 2012. Assessing simulated land
use/cover maps using similarity and fragmentation indices. Ecological
Complexity 11: 38-45.
— Mas, J.; Kolb, M.; Houet, T.; Paegelow, M.; Camacho Olmedo, M. 2011.
Una comparación de programas de modelación de cambios de
cobertura/uso del suelo.
— Olmedo, M.T.C.; Melgarejo, E.M.; Paegelow, M. 2010. Modelos
geomáticos aplicados a la simulación de cambios de usos del suelo.
Evaluación del potencial de cambio. In La información geográfica
al servicio de los ciudadanos [Recurso electrónico]: de lo global a lo
local 2010. Secretariado de Publicaciones. p. 658-678.
— Osorio, L.; Caussel, J.; Mass, J.; Guerra, F.; Maass, M. 2014. Análisis
y modelación de los procesos de deforestación: un caso de estudio
en la cuenca del río Coyuquilla, Guerrero, México. Investigaciones
Geográficas, Boletín del Instituto de Geografía: 15. dx.doi.
org/10.14350/rig.43853
— Padilla, O.; Pérez, P.; Cruz, M.; Huilcamaigua, S.; Astudillo, S. 2015.
Utilización de autómatas celulares como técnica de modelamiento
espacial para determinación el cambio de uso de suelo y cobertura
vegetal. Ciencias Espaciales 8(1): 310-326.
— Peña, J. 2007. Efectos ecológicos de los cambios de coberturas y usos
del suelo en la Marina Baixa (Alicante). University of Alicante, Alicante,
Spain. 539 pp. p.
— Piontekowski, V.; da Silva, S.; Mendoza, E.; de Souza Costa, W.;
Ribeiro, F.; Ribeiro, C. 2012. Modelagem do desmatamento para o
Estado do Acre utilizando o programa DinamicaEGO. Simpósio de
Geotecnologias no Pantanal 4: 1064-1075.
— Ramírez-Mejía, D.; Cuevas, G.; Mendoza, E. 2011. Escenarios de
19Bole tín 03
Victori a espinoz a-Mendoz a
cambio de cobertura y uso del suelo en el Corredor Biológico
Mesoamericano-México.
— Rodrigues, H.; Soares-Filho, B.; Costa, W. 2007. Dinamica EGO, uma
plataforma para modelagem de sistemas ambientais. Simpósio
Brasileiro de Sensoriamento Remoto 13: 3089-3096.
— Romijn, E.; Lantican, C.; Herold, M.; Lindquist, E.; Ochieng, R.; Wijaya,
A.; Murdiyarso, D.; Verchot, L. 2015. Assessing change in national
forest monitoring capacities of 99 tropical countries. Forest Ecology
and Management 352: 109-123.
— Rosseti., L.A.F.G.; Almeida., C.M.d.; Pinto., S.d.A.F. 2013. Analise de
mudancas no uso do solo urbano e rural com aplicacao de modelagem
dinamica espacial. In XVI Simpósio Brasileiro de Sensoriamento
Remoto - SBSR (Foz do Iguazu, Paraná, Brazil.) 2013. INPE. p.
— Ruiz, V.; Savé, R.; Herrera, A. 2014. Análisis multitemporal del cambio
de uso del suelo en un área protegida de Nicaragua, Centroamérica.
Revista Ecosistemas 22(3): 117-123.
— Sala, O.E.; Chapin, F.S.; Armesto, J.J.; Berlow, E.; Bloomfield, J.; Dirzo,
R.; Huber-Sanwald, E.; Huenneke, L.F.; Jackson, R.B.; Kinzig, A. 2000.
Global biodiversity scenarios for the year 2100. Science 287(5459):
1770-1774.
— Sandoval, V.; Oyarzum, V. 2004. Modelamiento y prognosis espacial
del cambio en el uso del suelo. Quebracho 11: 9-21.
— Soares-Filho, B.; Coutinho Cerqueira, G.; Lopes Pennachin, C. 2002.
Dinamica-a stochastic cellular automata model designed to simulate
the landscape dynamics in an Amazonian colonization frontier.
Ecological modelling 154(3): 217-235.
— Soares-Filho, B.; Rodrigues, H.; Costa, W. 2009. Modelamiento
de dinámica ambiental con Dinamica EGO. Giudice, R. trad. Belo
Horizonte, Brazil, Centro de Sensoriamento Remoto/Universidade
Federal de Minas Gerais. 119 p.
— Tramontina., J.; Pedrali., L.; Alba., E.; Mello., E.; Silva., E.A.; Pereira., R.S.
2015. Modelagem Dinâmica do uso e cobertura da terra do município
de Sobradinho-RS. In XVII Simpósio Brasileiro de Sensoriamento
Remoto - SBSR ( João Pessoa-PB, Brasil) 2015. INPE. p. 4239-4246.
— Turner, B.; Meyer, W.B.; Skole, D.L. 1994. Global land-use/land-cover
change: towards an integrated study. Allen Press on behalf of Royal
Swedish Academy of Sciences 23(1): 91-95.
20 Colegio de geógra fos del Perú
dinamiC a ego: una herr amien ta gratuita Par a modela r y brindar so Porte en el a nálisis d e CCus
— Vega, A.P.; Mas, J.-F.; López-Carr, D. 2014. Modelado de los cambios
de uso/cobertura del suelo y conservación de la biodiversidad en
Michoacán.
— Veldkamp, A.; Lambin, E. 2001. Predicting land-use change. Agriculture,
ecosystems & environment 85(1): 1-6.
— Verburg, P.H.; Kok, K.; Pontius Jr, R.G.; Veldkamp, A. 2006. Modeling
land-use and land-cover change. In. 2006. Land-use and land-cover
change. Springer. p. 117-135.
— Verburg, P.H.; Overmars, K.P. 2009. Combining top-down and bottom-
up dynamics in land use modeling: exploring the future of abandoned
farmlands in Europe with the Dyna-CLUE model. Landscape Ecology
24(9): 1167-1181.
— Vitousek, P.M. 1994. Beyond global warming: ecology and global
change. Ecology 75(7): 1861-1876.
— Vitousek, P.M.; Mooney, H.A.; Lubchenco, J.; Melillo, J.M. 1997. Human
domination of Earth's ecosystems. Science 277(5325): 494-499.