ArticlePDF Available

DINAMICA EGO: UNA HERRAMIENTA GRATUITA PARA MODELAR Y BRINDAR SOPORTE EN EL ANÁLISIS DE CCUS

Authors:

Abstract and Figures

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 identificación 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 científica y de investigaciones realizadas por la autora.
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 identicación 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 cientíca 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 scientic 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 modican 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).
Especicar 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 cartográca 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 identicación 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 cartográcas, sistemas de información geográca 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 cientícos. 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 sosticados 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 inuencia 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 identicar 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 denir 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 bibliográcas, 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 dicultad 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 clasicación
numérica que identica la clase de mapa de cobertura mediante un
número, tal como se muestra en el siguiente cuadro:
Cuadro 1: Clasicación numérica utilizada por Dinámica EGO.
Número que identica la
clase Clase de cobertura
1 Bosque
2Pasto
3Tierras agrícolas
4Cuerpos de agua
5Áreas urbanas
Contar con insumos (variables y mapas) denidos 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 denido 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
reeren 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 inuencia 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 denir si una variable
será signicativa o no en el modelamiento de CCUS. Esta signicancia será
obtenida analizando los grácos 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 inuyen en la transición de
una cobertura a otra.
En la Figura 3, se muestra un gráco de líneas de tendencia que arroja
Dinamica EGO para la transición de bosque a pastizal. Ahí, el eje X, está
denido 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 inuencia para que
ocurra esta transición. Un gráco 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: Gráco 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 vericar 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 denidos 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 identicación 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 clasicación 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: Gráco 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 coecientes 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 armar que hay zonas que indican una
regeneración del bosque luego de haber sido degradadas por actividades
agrícolas o agropecuarias. Además, se identicaron 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 dene 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: alsol,
vertisol, molisol y ultisol. Los alsoles 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 inuencia 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, inuenciada 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 inuencia 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 modicar los parámetros en
base a sus conocimientos.
Dinámica EGO, posee una gran variedad de herramientas para elaborar
modelos mucho más complejos y sosticados, 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.
... Dinamica EGO models use combinations of map algebra, cellular automata techniques and tabular data manipulation to represent complex socioeconomic and environmental systems. The transition probability maps are based on the weight of evidence and genetic algorithm methods and simulate landscape dynamics using both Markov chain matrices to determine the quantity of change and a cellular automata approach to reproduce spatial patterns [40][41][42]. According to Mas et al. [43], the Dinamica EGO tool is superior to other programs used for modelling changes in land use coverage due to its flexibility and its possibility of interacting with other tools, so it allows the development of sophisticated models. ...
... The user can create parts of a model (submodels) using the R and Python programming language and then reuse them. Dinamica EGO also provides system and local submodels [42]. This software has been widely used by the scientific community in various studies associated with modelling processes related to deforestation in tropical environments [44][45][46], urban growth [47,48] and land use changes [49,50], among others. ...
... These 15 independent variables were structured in a multidimensional raster layer for efficient spatiotemporal analysis and visualization (raster cube) [42] as input for the next stage. ...
Article
Full-text available
Rapid urban growth has historically led to changes in land use patterns and the degradation of natural resources and the urban environment. Uncontrolled growth of urban areas in the city of Quito has continued to the present day since 1960s, aggravated by illegal or irregular new settlements. The main objective of this paper is to generate spatial predictions of these types of urban settlements and land use changes in 2023, 2028 and 2038, applying the Dinamica EGO cellular automata and multivariable software. The study area was the Machachi Valley between the south of the city of Quito and the rural localities of Alóag and Machachi. The results demonstrate the accuracy of the model and its applicability, thanks to the use of 15 social, physical and climate predictors and the validation process. The analysis of the land use changes throughout the study area shows that urban land use will undergo the greatest net increase. Growth in the south of Quito is predicted to increase by as much as 35% between 2018 and 2038 where new highly vulnerable urban settlements can appear. Native forests in the Andes and forest plantations are expected to decline in the study area due to their substitution by shrub vegetation or agriculture and livestock land use. The implementation of policies to control the land market and protect natural areas could help to mitigate the continuous deterioration of urban and forest areas.
... Land use forecasts were created using the land change modeling software Dinamica EGO version 7.1.1. [50]. The Dinamica EGO methodology uses cellular automata to model changes in land use based on biological, physical, and socioeconomic variables obtained from land cover and use maps (for this study between 2016 and 2018). ...
... A similarity percentage of 50% or more between the simulated and actual patterns indicates a good model fit [51]. For a more detailed explanation of the methodology, see [50]. The validation model was performed in 2018, and its results are presented in Appendix B. ...
Article
Full-text available
Ecosystem services contribute significantly to human development, with water production being a crucial component. Climate and land use changes can impact water availability within a basin. In this context, researching water-related areas is essential for formulating policies to protect and manage hydrological services. The objective of this study was to estimate water yield in the sub-basins of the Tabacay and Aguilán rivers under climate change scenarios in 2030, 2040, and 2050, combined with scenarios of changes in land cover and land use. The InVEST model was employed to analyze water yield. The results show that crop areas were identified as the lowest water yield in future scenarios, and forested areas, particularly the region where the Cubilán Protected Forest is located, contribute the most to water yield in the subbasin. Besides, water yield has increased in the historic period (2016–2018) due to the conservation and reforestation initiatives carried out by the Municipal Public Service Company for Drinking Water, Sewerage, and Environmental Sanitation of the city of Azogues in 2018, the so-called Reciprocal Agreements for Water. Additionally, an increase in water yield is projected for future scenarios. This study can serve as a basis for decision-makers to identify areas that should prioritize protection and conservation.
Article
Full-text available
Costa Rica is recognized as the main exporter of fresh pineapple (FAO, 2020), which has required extensive knowledge of the spatial dynamics of crop production on a national scale. This study simulated the spatial behavior of pineapple cultivation in the cantons of Upala and Los Chiles in the Huetar Norte Region of Costa Rica for the year 2028. Through an interview with producers in the area, the driving variables of change were identified in the period 2015-2018: “Climate and soil conditions”, “Other industrial pineapple processing”, and “The demand for pineapple”, “Exports to Europe” and “Distance to packing plants”. With the use of QGis and DINAMICA EGO, the results were specialized and pineapple coverage was simulated for 2028. The comparison with the real map for 2018 (MOCUPP) showed a kappa coefficient of 0.55 and indicated a moderate similarity. The simulation projected 6,096.52 ha of pineapple for Upala and 10,568.78 ha of pineapple for Los Chiles. Zones of change over forest coverage and protected areas were identified for the year 2028.
Chapter
The uncontrolled urban growth in the parish of Machachi in the Municipality of Mejía, Ecuador, has been influenced by different biophysical and socio-environmental factors, presenting a direct influence on the surrounding parishes of Alóag and Aloasí. An alternative solution is to generate a territorial administration system focused on the areas of urban expansion, applying the Social Tenure Domain Model (STDM) based on the ISO 19152 standard, with the purpose to record of rights, restrictions, and responsibilities at the property level. For this purpose, a multi-temporal analysis of land dynamics in eight different periods from 1990 to 2020 was carried out, obtaining an annual growth of 21.94% in anthropic zones; these results made it possible to model urban growth by 2030 with a new total area of 2,150.52 hectares at a rate of 68 hectares/year, through the EGO Dynamic software. Potential areas of urbanization were obtained considering a minimum affectation to the land and its environment. Finally, the information obtained and collected was integrated into the STDM model, including the relationships among land, people, risk, and land use, resulting in a total of 591 rural properties that will be affected by urban expansion, of which 420 correspond to the neighboring parishes of Alóag and Aloasí, and 171 to Machachi. In this paper, the results of the multi-temporal analysis of land dynamics in eight different periods from 1990 to 2020 and the simulation to 2030 are presented.KeywordsUrban growthMulti-temporal analysisSimulation model
Article
Full-text available
La presente investigación tiene como objetivo principal determinar la tasa de deforestación en el distrito de Nueva Requena (Perú), a través del modelo de simulación geoespacial de Dinámica EGO por autómatas celulares; teniendo en cuenta las siguientes variables: distancia a lugares poblados, distancia a vías, distancia a superficies de agua, concesiones forestales, pendiente porcentual, y modelo digital de elevación. Para dicho propósito, en primer lugar, se procedió a calcular los rangos para categorizar variables continuas a través del método geoestadístico de los pesos de evidencia, con el fin de obtener las probabilidades de transición y, posteriormente, los pesos de las variables que poseen mayor influencia en los cambios. En segundo lugar, se realizó el cálculo de correlación de las variables, en aras de comprobar que las variables ingresadas al modelo sean independientes espacialmente. En tercer lugar, se llevó a cabo una simulación previa al 2020 para compararlo con el mapa real del 2020, con la finalidad de evidenciar si el modelo puede predecir los cambios. Esto último, obteniendo una exactitud de 75 %. En cuarto lugar, se realizó la simulación de la deforestación al 2030 del distrito de Nueva Requena (Perú). Finalmente se determinó que para el periodo 2020 al 2030 se deforestaron 35 112,24 ha con una tasa de deforestación de 3,08 %/año.
Article
Full-text available
En la actualidad, las acciones humanas ocasionan notables modificaciones en el paisaje que producen alteraciones en los sistemas naturales y productivos, así como también en los procesos ecológicos. Una de estas alteraciones se puede evidenciar claramente en la Amazonía ecuatoriana, donde la intensa dinámica de cambios de uso del suelo y cobertura vegetal debido a las tendencias de colonización humana que se inició con las actividades petroleras, ha provocado la desaparición de una gran extensión del bosque primario con la consecuente pérdida de miles de especies de plantas y animales.Para determinar el comportamiento de estos fenómenos ocurridos en diferentes espacios de tiempo, en este Proyecto de Grado se utilizó una técnicaconocida como Autómatas Celulares para realizar el modelamiento espacial de la cobertura vegetal y uso del suelo en el sector comprendido entre La Compañía Agrícola Payamino y la Población Callanayacu ubicado en la Provincia de Orellana, que cubre un área de 6.038,22 hectáreas.Para ello, en primer lugar, aplicando la técnica de Interpretación Digital se obtuvo la geoinformación necesaria para el análisis de los períodos comprendidos entre 1965 y 2001. Posteriormente sobre esta base se generó dos escenarios prospectivos a los años 2011 y 2020, que indican que para el año 2011 el 91,39% del bosque primario ha desaparecido y para el año 2020 se indica que desaparecerá el 95,49 %, quedando únicamente el 4,51% de la totalidad del área de bosques primarios, con tendencia a desaparecer por completo de continuar con las mismas condiciones actuales.Revista Ciencias Espaciales, Volumen 8, Número 1 Primavera, 2015; 310-326
Article
Full-text available
A land use and land cover change simulation model (CCUS) was built for a southeastern Mexican region experiencing high deforestation rates. The model was based on two different scenarios: the first one, trend-oriented, was based on the hypothesis that high deforestation rates would remain following the same distribution patterns; the other alternative assumed a decline in the rate of change and a relocalization of forest clearings in secondary areas. Evaluation of prospective maps indicates that the alternate model worked out better suggesting that integration of expertise is a necessary condition for the construction of prospective models, especially in highly dynamic areas.
Article
Full-text available
Introducción México es uno de los países con mayor diversidad biológica del mundo. Sin embargo esta biodiversidad se encuentra amenazada por las altas tasas de deforestación que prevalecen en el país (FAO, 2001). Varios estudios se abocaron a evaluar los cambios de uso/cobertura del suelo (CUCS) en México (Mas et al., 2004). Fuller et al. (2007) examinaron los efectos de los CUCS sobre la distribución de 86 especies endémicas de mamíferos en 1970, 1976, 1993 y 2000. Encontraron que esta fauna hubiera sido protegida de forma mucho más económica, si los planes de conservación hubieran sido implementados en 1970, la conservación actual necesita 90% más de superficie que en 1970, para proteger las mismas especies debido a la conversión de extensas superficies de hábitats naturales a usos antrópicos. Durante las últimas décadas, una gran variedad de modelos fueron desarrollados para predecir la localización de los CUCS (Agarwal et al., 2002). El modelado, particularmente si se desarrolla en forma espacial, permite entender y prevenir los efectos adversos de los CUCS (Xiang y Clarke, 2003; Soares-Filho et al., 2006). Se desarrollaron también métodos para modelar la distribución de especies a partir de observaciones puntuales y mapas de variables que influyen la distribución de los organismos (elevación, pendiente, vegetación potencial, clima y edafología) (Soberón y Paterson, 2005; Sánchez-Cordero et al., 2005). La combinación de modelos de CUCS y de distribución de especies es por lo tanto una herramienta promisoria para evaluar los efectos de los CUCS en la biodiversidad. Los objetivos de este estudio son 1) Desarrollar y aplicar modelos para comprender los procesos de CUCS en el estado de Michoacán y 2) Combinar estos modelos de CUCS y modelos de distribución de la biodiversidad para evaluar el efecto de los CUCS sobre la biodiversidad.
Article
Full-text available
The assessment of changes in the landscape is the efficiency key in land management. The goal of this work is to parameterize and calibrate a model of land cover and land use change, and validate the predictive scenarios associated with sugarcane expansion in Arealva-SP, from 2005 to 2010. The initial and final maps were co-registered and, after rasterization, we conducted a cross-tabulation, generating a map of changes and the respective transition matrix. The model adopted was Dinamica EGO and its performance was evaluated by means of a method based on the concept of fuzziness of location, in which the representation of a cell is influenced by itself, and to a lesser extent, by its neighborhood. There is a predominance of pastures and a reduced presence of native vegetation. The most relevant changes are related to sugarcane expansion and reduction of pastures. The value of the fuzzy similarity index extracted for the comparison between the simulated map and the reference-map for a window size of 11x11 pixels and using a constant decay function was 0.52. This simulation experiment enabled us to acquire a deeper knowledge on the drivers of land cover and land use change.
Conference Paper
Full-text available
Land use/cover changes (LUCC) are significant to a range of issues central to the study of global environmental change and have thus have received growing attention by decision makers and scientists. Over the last decades, a range of models of LUCC have been developed to meet land management needs, and to better understand, assess and project the future role of LUCC in the functioning of the earth system. This study intends to compare the possibilities and the limits of four modelling approaches: CLUE, DINAMICA EGO, CA_MARKOV and Land Change Modeler (both available in IDRISI). First, a review of methods and tools available for each model was done taking into account how the model carry out the different procedures involved in the modelling process (Estimation of the quantity of changes, finding of the relationship between the explanatory variables and the changes in order to assess the degree of change potential, change allocation, simulation of spatial patterns of changes, model evaluation). The four models were applied to simple case studies and model outputs were compared.
Article
Full-text available
Human alteration of Earth is substantial and growing. Between one-third and one-half of the land surface has been transformed by human action; the carbon dioxide concentration in the atmosphere has increased by nearly 30 percent since the beginning of the Industrial Revolution; more atmospheric nitrogen is fixed by humanity than by all natural terrestrial sources combined; more than half of all accessible surface fresh water is put to use by humanity; and about one-quarter of the bird species on Earth have been driven to extinction. By these and other standards, it is clear that we live on a human-dominated planet.
Chapter
Full-text available
En el marco de un proyecto de investigación, y como continuación de trabajos precedentes, se está llevando a cabo una labor de comparación de modelos de simulación de cambios de uso del suelo, con el objetivo de obtener conclusiones acerca de los principales avances temáticos y metodológicos que pueden extraerse de su utilización. Aquí se presentan los primeros resultados obtenidos en un área-test de la Región de Murcia de aproximadamente 2300 km² de extensión. Para la fase de calibración (t0 y t1) se han utilizado los mapas de usos del suelo del proyec-to Corine Land Cover 1990 y 2000, y para la simulación de los resultados (T), el año 2006. Las variables descriptivas y explicativas utilizadas proceden de distintas fuentes y bases de datos oficiales, siendo transformadas como facto-res o restricciones de las categorías de ocupación del suelo y de las transiciones detectadas en la fase de calibra-ción. Las herramientas TIGs utilizadas (Land Change Modeller, CA_MARKOV) están incluidas en el software IDRISI 16, versión Taïga. El objetivo es poder conocer las ventajas y limitaciones de estos modelos y comparar la especificidad de cada uno en la fase de calibración (estimación y localización de los cambios, métodos para transformación de variables).
Article
Monitoring of forest cover and forest functions provides information necessary to support policies and decisions to conserve, protect and sustainably manage forests. Especially in the tropics where forests are declining at a rapid rate, national forest monitoring systems capable of reliably estimating forest cover, forest cover change and carbon stock change are of vital importance. As a large number of tropical countries had limited capacity in the past to implement such a system, capacity building efforts are now ongoing to strengthen the technical and political skillsets necessary to implement national forest monitoring at institutional levels. This paper assesses the current status and recent changes in national forest monitoring and reporting capacities in 99 tropical countries, using the Food and Agriculture Organization of the United Nations (FAO) Forest Resources Assessment (FRA) 2015 data, complemented with FRA 2010 and FRA 2005 data. Three indicators "Forest area change monitoring and remote sensing capacities", "Forest inventory capacities" and "Carbon pool reporting capacities" were used to assess the countries' capacities for the years 2005, 2010 and 2015 and the change in capacities between 2005-2010 and 2010-2015. Forest area change monitoring and remote sensing capacities improved considerably between 2005 and 2015. The total tropical forest area that is monitored with good to very good forest area change monitoring and remote sensing capacities increased from 69% in 2005 to 83% in 2015. This corresponds to 1435. million. ha in 2005 and 1699. million. ha in 2015. This effect is related to more free and open remote sensing data and availability of techniques to improve forest area change monitoring. The total tropical forest area that is monitored with good to very good forest inventory capacities increased from 38% in 2005 to 66% in 2015. This corresponds to 785. million. ha in 2005 and 1350. million. ha in 2015. Carbon pool reporting capacities did not show as much improvement and the majority of countries still report at Tier 1 level. This indicates the need for greater emphasis on producing accurate emission factors at Tier 2 or Tier 3 level and improved greenhouse gases reporting. It is further shown that there was a positive adjustment in the net change in forest area where countries with lower capacities in the past had the tendency to overestimate the area of forest loss. The results emphasized the effectiveness of capacity building programmes (such as those by FAO and REDD+ readiness) but also the need for continued capacity development efforts. It is important for countries to maintain their forest monitoring system and update their inventories on a regular basis. This will further improve accuracy and reliability of data and information on forest resources and will provide countries with the necessary input to refine policies and decisions and to further improve forest management.
Article
Human actions are altering the terrestrial environment at unprecedented rates, magnitudes, and spatial scales. Land-cover change stemming from human and uses represents a major source and a major element of global environmental change. An international and interdisciplinary agenda is currently being developed to address these issues, through several closely-connected foci of study. A division of the world according to common situations of environment, human driving forces, and land-cover dynamics will be followed by detailed study of the processes at work within each situation. The results will form the basis for a concurrent effort to develop a global land model that can offer projections of patterns of land transformation. -from Authors
Article
La modelación estadístico-espacial del cambio en el uso del suelo, se deriva de la combinación y uso de técnicas cartográficas, sistemas de información geográfica y modelos estadísticos multivariantes. Su objetivo principal es identificar la magnitud y distribución espacial del cambio, proyectar y desplegar cartográficamente su probabilidad de ocurrencia en el futuro cercano, bajo el supuesto que las técnicas de manejo del suelo continuarán siendo similares al pasado cercano. Las variables independientes más utilizadas en este tipo de modelos son: distancia a los mercados, infraestructura vial, topografía, calidad de suelos, precipitación, fragmentación del bosque, etc. En el presente artículo se discuten aspectos teóricos y prácticos utilizados en el proceso de modelamiento espacial del uso de la tierra. The statistical-space modeling of the change in the use of the ground are derived from the combination and use of cartographic techniques, GIS and multivariant statistical models. Its primary objective is to identify the magnitude and space distribution of the change, cartographically to project and to unfold its probability of occurrence in the near future, under if the techniques of handling of the ground will continue being similar to the near past. The more independent variables used in this type of models are: distance to the markets, road infrastructure, topography, quality of grounds, precipitation, forest fragmentation, etc. In the present article are discussed theoretical and practical aspects used in the process of space modelamiento of the earth use.