“PROPUESTAMETODOLÓGICAPARASIMULACIÓNDEESCENARIOSTENDENCIALESYALTERNATIVOSDECAMBIO

DELACOBERTURAFORESTAL”

INFORMEFINALDECONSULTORIAALEXANDERJ.HERNANDEZ.Ph.D.Cand.

ConsultorPercepciónRemotayEcologíadelPaisaje

i

Contenido 

CONTENIDO I

LISTADETABLAS II

LISTADEFIGURAS II

PRESENTACION III

I.MARCOCONCEPTUAL IV

1.INTRODUCCIÓNALMÉTODOPROPUESTO 1

2.SELECCIÓNDELÁREADEESTUDIO 1

3.DETERMINANDOLASVARIABLESPARALAMODELACIÓN 4

3.1.ELCONTEXTOGEOGRÁFICODELAZONADEESTUDIO 43.2.BÚSQUEDADEINFORMACIÓN:LAVARIABLEDERESPUESTA 43.3.BÚSQUEDADEINFORMACIÓN:LASVARIABLESINDEPENDIENTES 53.4.CONTROLDECALIDADSOBRELASVARIABLES 83.5.PREPARACIÓNDELASVARIABLESPREVIOALMODELAJE 9

4.SIMULACIÓNGEOESPACIALDELOSCAMBIOSENLACOBERTURAFORESTAL 10

4.1.ELSOFTWAREPROPUESTO 104.2.MOMENTOSIMPORTANTESDURANTELAMODELACIÓN 12

II.ESTUDIOSDECASO 15

5.BELIZE 16

5.1.ANTECEDENTES 165.2.ELESTUDIODECASO 165.3.LASVARIABLESDEPREDICCIÓN 175.4LAMODELACIÓN 195.5.LACOBERTURAFORESTALEN2010(SIMULADA) 215.6.VALIDACIÓNDELASIMULACIÓNDECOBERTURAFORESTAL 235.7.OBSERVACIONES 25

6.HONDURAS 26

6.1.ANTECEDENTES 266.2.ELESTUDIODECASO 276.3.LASVARIABLESDEPREDICCIÓN 286.4LAMODELACIÓN 296.5.LACOBERTURAFORESTALEN2010(SIMULADA) 306.6.VALIDACIÓNDELASIMULACIÓNDECOBERTURAFORESTAL 326.7.OBSERVACIONES 33

ii

LISTA DE TABLAS Tabla1.Seleccionandoeláreadeestudio.......................................................................................3Tabla2.ListaCortadeVariablesIndependientesSugeridas..................................................7Tabla3.ValoresVdeCramerenBelize........................................................................................19Tabla4.MatrizMarkovianadeTransiciónenBelize.............................................................22Tabla5.ValoresVdeCramerenTawahka.................................................................................30Tabla6.MatrizMarkovianadeTransiciónenTawahka.......................................................31

LISTA DE FIGURAS 

Figura1.CoberturaforestalenBelizeyzonaseleccionadacomopiloto........................17Figura2.AgentesgeoespacialesdecambioconsideradosparaelestudiodecasoBelize............................................................................................................................................................18Figura3.SuperficiedeprobabilidaddequeocurralatransiciónBosqueaNo‐Bosque.........................................................................................................................................................................21Figura4.CoberturaforestalenlazonapilotodeBelizesimuladaalaño2010...........23Figura5.ValidacióndelaprediccióndelatransiciónBosqueaNo‐BosqueenlazonapilotodeBelize:año2010...................................................................................................................24Figura6.HistogramadelasclasesdevalidacióndelaprediccióndelatransiciónBosqueaNo‐BosqueenBelize..........................................................................................................25Figura7.UbicacióndelazonaseleccionadaenelcontextodelarepúblicadeHondurasydelaReservaTawahka................................................................................................28Figura8.AgentesgeoespacialesdecambioconsideradosparaelestudioTawahka29Figura9.CoberturaforestalenlazonapilotodeTawahkasimuladaalaño2010....31Figura10.ValidacióndelaprediccióndelatransicionesdebosqueenlazonapilotodeTawahka:año2010..........................................................................................................................32

iii

PRESENTACION 

Se presenta a continuación el documento contentivo de la propuesta

metodológicapararealizarsimulacionesdecambiodelacoberturaforestalasícomola

aplicacióndedichametodologíaendoszonaspilotodelaregióncentroamericana.Esta

investigación corta se llevó a cabo dentro delmarco de la consultoría "DesarrolloDe

Metodología Y Modelo Para La Simulación De Escenarios Futuros De Cambio De La

CoberturaForestalAplicableParaLosPaísesDeCentroaméricaYRepúblicaDominicana”

queelProgramaReduccióndeEmisionesdelaDeforestaciónyDegradacióndeBosques

enCentroaméricayRepúblicaDominicana(REDD–CCAD–GTZ)contratócomoparte

de sus actividades. La estructurade estedocumento se centraprincipalmente endos

etapas.Laprimeraetapabuscaestablecerelmarcoconceptualquedescribe lospasos

propuestos para: (a) seleccionar una zona de interés donde se pueda impulsar un

estudiodeestanaturaleza, (b) comprender lasvariablesdeterminantesdel fenómeno

de dinámica de cambios forestales en dicha zona, y (c) conducir con éxito una

simulacióngeoespacialde loscambiosquepotencialmentepodríanocurriren lazona

mediante el uso de algoritmos de avanzada. Mientras que en la segunda etapa se

presentandosestudiosdecasoen loscualesseaplicó lametodologíaaquípropuesta.

Las zonas piloto seleccionadas cumplen con la característica de contar con estudios

multitemporalesdelusodelatierraqueabarcanalmenostresescenariostemporales.

Estacaracterísticaseconsideróesencialyaquepermitiósimularunescenariofuturode

lacoberturaforestalenbaseaunescenario"antes"yotro"después",yalmismotiempo

realizarlavalidacióndeestosresultadosconelúltimodelosescenariosdisponibles.En

ambosestudiosde caso las clasificacionesdepatronesdeuso se realizaronmediante

análisis de imágenes satelitales y utilizando estándares metodológicos transparentes

(replicables).Asimismo,elúltimoescenarioparaambosestudiosfueelaño2010porlo

que se contó con información suficientemente actualizada. Los estudios de caso

procedendeBelizeyHonduras.

iv

I. MARCO CONCEPTUAL 

1

1. INTRODUCCIÓN AL MÉTODO PROPUESTO 

La simulación de escenarios dedeforestación conllevauna suposición de gran

significanciayéstaesqueapartirdelconocimientodelpasadoyunentendimientode

lastendenciasquesehanmostradohastaelpresenteesposiblehacerprediccionesal

futuro en las áreas que potencialmente sufrirán cambios tanto cualitativos como

cuantitativos en su cobertura boscosa. Generalmente estas predicciones se realizan

utilizandomodelosorepresentacionessimplificadasdelarealidad.Así,unmodeloque

permite realizar simulaciones a futurodel entorno ambientaldeuna regiónopaisaje

debedeestarcimentadonosoloenunaestructuraestadísticasólida,sinoqueendatos

verificablesquepermitanlaconstruccióndeunmodeloquenosóloseaconfiablesino

que también provea oportunidades para su interpretación. En términos sencillos un

modelo de esta naturaleza se conforma por: (a) una variable de respuesta (zonas

potenciales a sufrir cambios a futuro), (b) los controladores del proceso o variables

independientes (Ej.Agentes físicosy socioeconómicos)quedeterminan los frentesde

explotacióncomolafronteraagropecuaria,extracciónilegal,talacontrolada,asícomola

intensidad de estos frentes, y (c) el componente aleatorio o de incertidumbre que

acompañaacualquiermodelo.

Esnecesariohacerénfasisqueaunquecualquiermodelodeprobabilidadpuede

dar resultados,paraqueestos resultados se considerenconfiables elmodelodebede

tener un par de condiciones. Estas condiciones se relacionan principalmente a las

oportunidades de calibración y afinamiento del modelo y a una validación de los

resultadoscondatos independientes.Elmétodoaquídetallado incluyeunapropuesta

deactividadesquepermitanalcanzarlaconfiabilidadantesmencionada.Noobstantese

reconoce que este no será siempre el caso por oportunidades limitadas en acceso a

datos que no es la excepción sino que la norma en muchos de los países en

CentroaméricaylaregióndelCaribe.

2.SELECCIÓN DEL ÁREA DE ESTUDIO 

Unestudiodesimulacióndelacoberturaboscosaafuturopuedeteoricamente

realizarseencualquierzonageográfica.Esaconsejablerealizarloencualquierzonano

2

importando las condiciones? Probablemente la mejor respuesta sea No. Recordemos

que lasuposición fundamentaldelmodeloaquípropuestoesquepodemossimularel

futuroenbasealconocimientodelpasado.Sisecarecedeesteconocimientoprevioyse

deciderealizarunasimulaciónafuturoconbaseenmerasespeculacioneslomásseguro

seráqueelmodeloysusresultadosnoseantomadosenserioporlosusuariosfinales.

Estoinvariablementeimplicaríaunapérdidaderecursosvaliosos.

Enestecontextoseproponenacontinuaciónalgunospuntosatomarencuenta

previo a la selección del área de estudio en la que se realizará una simulación de

cambiosenlacoberturaforestalafuturo.Estalistacortadecriteriosgeneralizaciertos

puntosqueseponenarevisiónparairpromoviendoladiscusión.

3

Tabla1.Seleccionandoeláreadeestudio

Criterio Descripción Comentario‐Alternativa

Representatibilidaddel

áreaenelcontextodepaís

oregión

Lazonacandidatareuneecosistemasforestales

representativosentérminosdeextensióny

riquezaflorística?Puedenlosresultadosdeesta

zonacandidatareplicarseparaotraszonasdel

paísconcondicionessimilares?

Siexistemásdeunazona

candidatapuedellevarseacabo

unejerciciosimplede

priorizaciónenbasealos

siguientescriterios

Existenciadeinformación

histórica

Lazonacandidatocuentaconestudios

verificablesytransparentes(repetibles)sobrelos

patronesdecambiosdeusodelatierra

Siexistedocumentación,puede

estavalidarse?Sinoexiste

conocimientoprevio,puede

obtenersedeotrossitioscon

condicionessimilares?

Expectativadeladinámica

decambios

Lazonacandidatamuestraprocesosdecambios

delacoberturaforestaldetiposemi‐

determinístico?Ej.Unazonaenlaqueexisten

procesosdocumentadosyconocidoscomo

explotaciónforestalcontrolada,expansión

urbana,crecimientodezonasagropecuarias,

zonasmineras,etc.Oeslazonaregidapor

procesossemi‐estocásticos?Ej.Ladinámicade

talailegal,fronteraagrícolaquesepuede

encontrarenunaáreadeconservaciónozona

protegida.

Esconvenientetratarde

analizarestasexpectativaspor

separadoyaqueeltratamiento

estadísticodifiereparaambas.

Silazonasesdecaráctermixta

siempresepuederealizarel

estudioperodeunaforma

estratificada.Tienequetomarse

encuentaqueestudiosenzonas

conexpectativasemi‐

estocásticatendránmás

desafíos.

Actoresinvolucrados Tenemosunazonacandidataenlaquelosactores

decambiopuedeninvolucrarseparaobtenciónde

información,validacióndelmodelo,y

socializacióndelosresultados?

Unazonacandidataenlaqueel

componenteinstitucionalde

manejoygestiónnose

involucraconduce

generalmenteaestudios

estérilessinaplicabilidad.

Unarevisióndeestoscriteriospermitiráobtenerunconocimientosobrelazonaquese

deseaestudiar.Almismotiempoquecontribuyeconlacaracterizaciónpreviadelazona

deestudio,nospermiteanticiparproblemas,identificardesafíos,yenelcasoqueexista

másdeunazonacomocandidata,nospermitepriorizarparaunaselecciónobjetiva.

4

3. DETERMINANDO LAS VARIABLES PARA LA MODELACIÓN 

Definidaeláreadeestudioydeterminada la factibilidadderealizacióndeuna

simulación a futuro, se pueden esquematizar los siguientes momentos fuertes para

recopilarlosdatosqueserequieren.Estapropuestanoesexhaustivaperotampocose

ajustaalascondicionesenqueladisponibilidaddeinformaciónesmínima.

3.1. El contexto geográfico de la zona de estudio 

Esteprimerpuntodepartida implica lautilizacióndesistemasde información

geográfica para delimitar los límites preliminares de nuestra zona de interés.

Probablementeseaunáreadeconservaciónozonaprotegidaparalacualyasetienen

los límites disponibles o también puede tratarse de una zona circunscrita dentro del

áreadeinfluenciadeciertascomunidades.Cualquieraqueseaelcasosedebedecontar

conestazonapreliminarparaqueguíenuestrabúsquedadeinformaciónexistente.Por

ejemplo una zona preliminar coadyuvará para saber si cierto estudio realizado en el

pasadoabarcalatotalidadosolounafraccióndenuestrazonadeinterés.Tambiénen

loscasosquenoexistanbasesdedatoshistóricas,nosservirácomomarcodereferencia

para adquirir información de otras zonas vecinas con condiciones similares. Este

momento es quizás oportuno para definir estándares de control de los datos como

proyeccióngeográficaautilizar,resoluciónespacialdelosdatosgeoreferenciadosyde

losresultados,asícomonomenclaturabásica.

3.2. Búsqueda de información: La variable de respuesta 

Estafaseimplicaelentendimientodelastendenciashistóricasdeloscambiosen

lacoberturaparaeláreadeinterés.Paralazonadeestudiosepuedenbuscarestudios

que comprendan un análisismultitemporal del uso de la tierra. Por lo general estos

estudios hacen uso de técnicas de teledetección para el tratamiento y análisis de

imágenessatelitalesofotografíaaérea.Losresultadosdedichosestudiosarrojanmapas

de la clasificación de cobertura en un escenario "antes" y en un escenario "después",

que al ser sobreposicionados espacialmente permite ver las distintas combinaciones

interanuales de uso que luego pueden ser caracterizadas como cambios positivos

(ganancias en cobertura forestal) o negativos (sustitución o pérdida de la cobertura

5

boscosaporotrosusos). Este tipodeestudiosmultitemporales constituyen la fuente

fundamentalparaentenderlatendenciaomodahistóricadeloscambiosdecobertura

forestal en la zonao zonaspara las cuales sepretende realizar simulacionesa futuro

conbaseenelconocimientodelpasado.

Sinosepuedecontarconunestudiomultitemporal,entonceslasiguienteopción

esbuscarestudiospuntualese independientesdeclasificacióndeusodelatierra.Por

ejemplounmapadeusoparaelaño"antes",yotroestudioquehayamapeadolamisma

zonaenelaño"después". Ambosestudiospuedendigitalizarse(encasoqueesténen

formatoanálogo)yluegosobreponerseespacialmenteparaidentificarzonasdecambio.

Existeelgraninconvenientequelosestudiosindependienteshayansidoelaboradoscon

fuentesdistintas(ej.unoconfotografíaaéreayotroconimagensatelital),conmétodo

de clasificación diferente (ej. uno con fotointepretación visual y otro con algoritmos

computarizados), así como que también la leyenda sea distinta para cada caso. Lo

esencial es buscar un punto de normalización o estandarización de la leyenda para

podercompararlamismaclasedeusoenelescenario"antes"conidenticaclasedeuso

enelescenario"después".Estepuntoesdiscutibleporquehayriesgosalcomparardos

clasificacionesdefuentesdistintas.Noobstantealnoexistirinformacióndeunestudio

multitemporalintegral,debehacerceacopiodelasfuentesdeinformacióndisponibles.

Encasocontrariosepuedeordenarlaejecucióndeunestudiomultitemporalnuevo.

Una vez que se ha determinado nuestras fuentes de información histórica

entoncessepuedeprocederaidentificarnuestravariablederespuestaqueenuncaso

genérico son las áreas que experimentaron cambios. Este punto se ampliará más

adelanteenlaintroducciónalalgoritmodesimulación.

3.3. Búsqueda de información: Las Variables Independientes 

Esta es una etapa crítica en la cual se buscan aquellas variables o agentes

directrices del cambio observado en la cobertura forestal. Un punto esencial es el

esfuerzo que se debe de realizar para que las variables obtenidas correspondan al

contexto espacial denuestra zonade estudio. En otras palabras quenopretendamos

6

utilizar variablesde zonasdistintas a la quepretendemos analizar. Cualquiermodelo

por más complejo o sólido que parezca tiene intrínseco un componente de

incertidumbre aún utilizando información local. El hecho de tratar de utilizar

información foránea incrementa esta incertidumbre, traduciéndose en una menor

confiabilidaddenuestrassimulaciones.

Cuantasycuálesvariablesutilizarparanuestramodelaciónesunapreguntaque

dependerádeladisponibilidaddelainformación,delaidiosincraciadelaspoblaciones

que afectan la estabilidad de los bosques, y de las oportunidades de capturar nueva

información. Sin embargo, en el mejor de los casos una propuesta genérica de qué

variablesobtenerpuedeserlasiguiente:

7

Tabla2.ListaCortadeVariablesIndependientesSugeridas

Factor Variables Comentarios

Físico‐Ambiental

RangosdeElevación,Pendientes,Exposición

Solar,Geomorfología,ProximidadaFuentes

deAgua,IntensidaddeDrenaje

Estetipodevariablesaunque

porlogeneralnosonlas

mayoresagentesdecambio,

sonlasmasfácilesdeobtenera

travezdeunanálisis

geoespacial,yenalgunoscasos

guardanunaestrecharelación

allimitarofavorecerlos

procesosdedeforestación.

Socio‐Económicos

DistanciaalasCarreteras,Distanciasalos

Mercados,DensidadPoblacional,Desarrollo

Infraestructural,InstitucionalidadPresente,

DinámicaPoblacional(migraciones),Ingreso

Familiar,EscolaridadPromedio,Indicede

DesarrolloHumano,EdadPromediodeLas

Comunidades,Establecimientode

AsentamientosNuevos,PreciosdelaMadera.

Estalistanoescomprensivay

dehechopuedeserinfinita.Los

aspectossocioeconómicosson

lasecciónmáscomplejade

cualquierestudio,yalmismo

tiemposonlosverdaderos

directricesdecambio.Un

estudiopreliminarpara

conocerlanaturalezahumanay

suinteracciónconlosbosques

enlazonadeestudiopuedeser

unbuenpuntodepartida

previoadecidirquevariables

incluir.Lalistadelaizquierda

essolounageneralidaddelo

quelamayoríadelosestudios

hanutilizado.

Dadoqueelenfoquedeestametodologíaeseminentementegeoespacialsedebe

deprocurarobtenerinformaciónrasterizada(enformatodeSIG‐Grilla)paratodaslas

variablesquesedecidan incluirenelmodelo.Esmuyprobablequealgunasvariables

soloseobtengademanerapuntual(ej.númerodeinstitucionesconservacionistaspor

municipio o provincia), y que se piense que tienen un impacto significativo en la

dinamicadeusodelatierradelazonadeestudio.Laformamássimpledeutilizaresta

8

informaciónesrasterizarlayqueencadapixelseutilizenlosvaloresdelmunicipio.Si

existen fondos disponibles, lo ideal sería tratar dedesagregar la informaciónpuntual

poraldeaocaseríosegúnseaelcaso.Silavariablenoseconsideradeunaimportancia

alta, entonces lo más preferible quizás sea dejarla por fuera ya que integrar una

generalización sobre el área de estudio puede redundar en efectos indeseables al

momentodelasimulación.

3.4. Control de Calidad sobre las Variables 

Dependiendo de la región o país donde se decida implementar un estudio de

simulaciónde lacobertura forestal, esdeesperarsequeenelpeorde loscasosnose

encuentren registros históricos de la dinámica de cambios en el bosque. En el otro

extremodelespectro,esposiblequeesténdisponiblesdosomásestudios.Estonodebe

deserextrañoyaqueesconocidoelgradodeduplicacióndeesfuerzosy/oestudiosque

sedanenpaísesenvíasdedesarrollo.Siesel segundocasoenelhayunaplétorade

informacióndisponibleentoncesdebedeaplicarseunciertogradodepriorizaciónde

cualinformaciónutilizar.

Antetododebebuscarselaestandarizacióndelosdatos.Unejemplosencillo:se

encuentrapara lazona"x" tresestudiosdeusode la tierraen losaños1994,2000,y

2002.Elde1994fuepreparadoconLandsatETM,elde2000conLandsatTM,yelde

2002 con IKONOS. Desde este punto podemos identificar diferencias no solo en el

sensorsatelitalutilizadosinoquetambiénenlosalgoritmosdeprocesamientoymapeo.

La primera opción quizás sea utilizar solo los dos estudio preparados con Landsat y

dejarporaparteeldeIKONOS.Sinembargo,tambiénhayquetenerencuentacriterios

adicionales como compatibilidad en la leyenda de los usos identificados, la

transparenciacomosepresentólametodologíaylosresultados,asícomolavalidación

delabondaddeajustedecadaclasificación.Porejemplosielestudiode1994yeldel

2002 ofrecen información sobre la validación, pero el del 2000 no ofrece esta

informaciónentoncesquizásdeberíamosreformularnuestradecisiónyutilizarelaño

1994conel2002.Sicarecemosdeinformaciónsobrelabondaddeajustedelmodelode

clasificación (validación en término de precisión o error), entonces deliberadamente

9

estamos integrando otro factor de incertidumbre en nuestro modelo de simulación

futura.Elmensajeaquídebedeserclaro,ademásdebuscar laestandarizaciónde los

insumosqueutilizaremos,debemostenercontrolquelosestudiosodocumentosausar

seantransparentestantoensumetodologíacomoensusresultados.

3.5. Preparación de las Variables previo al Modelaje 

Aestepuntoelanalistadebedetenerensusistemadeinformacióngeográfico

lossiguientesítemscomomínimo:

‐Estudiosindependientesdelusodelatierraparadistintosescenariosoaños,oensu

defectounanálisismultitemporaldelusode latierra.La leyendapara losañosde los

quesedispongainformacióndebehabersidoestandarizada.Porejemplosiunaclasede

bosquesedenominaba"BosqueConifera"enelaño"antes"y"BosquePinarRalo"enel

año "después" deben de cambiarse para reflejar una sola clase. Esto involucrará

seguramente un proceso de reclasificación o reasignación de valores. Asimismo es

imperativoqueambosusos(antesydespués)cubranexactamentelatotalidaddelárea

paralacualsedesearealizarelestudiodesimulaciónafuturo.

‐Depreferenciaysiempreycuandoseaposibleserápreferiblecontarconalmenostres

escenariosdeuso.Porejemplocontarconunestudioparaelaño1990,otroparaelaño

2000,yotroparaelaño2010.Deestaformaseráposiblebrindarmayorconfiabilidada

nuestros resultados ya que podemos utilizar los datos del 1994‐2004 para calibrar

nuestromodelo,yluegorealizarunapseudo‐simulaciónafuturoal2010.Losresultados

de esta pseudo‐simulación pueden ser comparados con los resultados del estudio

originaldel2010paradarnosunaideaquetanfinoeselpoderdesimulaciónafuturo

de nuestro modelo. Si los resultados se aproximan significativamente entonces

tendremos muchas más confianza en cualquier escenario que hagamos al futuro (al

2020porejemplo)yaquepartimosdeunmodelocalibradoydebidamentevalidado.

10

‐Conrespectoalasvariablesindependientesdebemostambiénprocurarquetengamos:

Documentaciónsoportesobrecadaunadelasvariables

la misma resolución espacial (tamaño de pixel) que nuestra variable de

respuesta

elmismoalineamientogeométrico,y;

suficientementedocumentadaslasfuentes(metadata)delosdatos.

Estonosayudaráenelmomentodeinterpretacióndenuestrosmodelosyaque

seremos capaces de formar enlaces entre las transiciones que han ocurrido en el

espacioconunavariablesquepotencialmentehadeterminadodichastransiciones

4. SIMULACIÓN GEOESPACIAL DE LOS CAMBIOS EN LA COBERTURA FORESTAL 

4.1.El Software Propuesto 

Despuésderevisardistintasfuentessobresoftwarecapazdehacersimulaciones

a futuro de la cobertura forestal se propone utilizar el algoritmo de modelación de

cambios de la tierra (Land Change Modeler) incluido en el software IDRISI1 que es

desarrollado y mantenido por los Laboratorios Clark2. IDRISI es ampliamente

reconocidocomounsoftwareparadesarrollodeaplicacionescientíficasensistemasde

informacióngeográficos y teledetección.Elmódulode cambiosdeusode la tierraha

sido ya probado con éxito en varias partes del planeta, ya que permite evaluaciones

rápidasde cambio, indicaciones de ganancias y pérdidas en la cobertura boscosa, así

comoestadosdepersistenciaytransiciónquepermitenunrápidoyfielentendimiento

deladinámicadecambiosenlazonadeestudio.

PorotraparteIDRISIysumódulodecambiostienenlacapacidaddeincorporar

losagentesdecambioovariablesdirectricesde tal formaqueestasvariablespuedan

ser relacionadas con las distintas transiciones y/o persistencia identificadas. Esta

relación entre las transiciones (ej. De Bosque en 1990 a Urbano en 2000) y los

1http://www.clarklabs.org/index.cfm2http://www.clarklabs.org/about/index.cfm

11

potencialesmotoresdecambio (ej.Accesibilidadamercadosy zonasdeelevación) le

permiten al software hacer proyecciones sobre el comportamiento que las distintas

clasesdeusotendránenelfuturo.Estasimulaciónserealizaenbasealastransiciones

potencialesquesepuedendaronoenlazonadeestudio.

Para realizar la simulación a futuro el software dispone de dos métodos

estadísticos: Regresión Logística y Redes Neurales Artificiales. Ambos métodos

persiguen elmismo fin de estimar una función de probabilidad para cada una de las

transicionestemporalesa futuroenbasealconocimientohistóricoquehemospodido

desarrollarconnuestrosestudiosdeusode la tierray su relación con losagentesde

cambio.Lasdiferenciasconceptualesentreambosmétodossonvastasyestánfueradel

alcance de este documento. Sin embargo se puede mencionar que hay un par de

criteriossustancialesparautilizarunouotrodelosmétodos.Estosson:

Utilizar la regresión logística si sequiere simular cadaunade las transiciones

por separado. Por ejemplo se deberá hacer una corrida para simular todas

aquellas zonas que potencialmente cambiarán de bosque a agricultura, otra

corrida para las transiciones de bosque a urbano, etc. El analista debería de

utilizar la regresión logística si piensa por ejemplo que la transición bosque‐

urbanoobedeceaungrupodevariablesoagentesdecambio,mientrasque la

transiciónbosque‐agriculturapuedeserexplicadaporotrogrupodevariables

distintas.

Lasredesneuralessepuedenusarparasimularvariasotodas lastransiciones

enunasolacorridadelmodelo.Estoesrazonablesielanalistapiensaque los

agentesdecambioparalastransicionessonlasmismasyqueungrupocomun

devariablesindependientespuedeadecuadamentemodelarosimulartodaslas

transicionesenunasolacorrida.

Como se puede concluir de lo explicado arriba, la selección del método

estadísticodeberáestarbasadaenuncuidadosoexámendelascaracterísticasfísicasy

socioeconómicas de la zona de estudio. Este exámen comprenderá determinar si las

transicionesocurrendemaneraunidimensionalomultidimensionalconrelaciónalos

12

agentesdecambio. Nuestrarecomendaciónaquíesutilizarlasredesneuralesyaque

muydificilmenteunatransiciónpuedeestarseparadadeotrasinunexhaustivoestudio

delascausasyconsecuenciasdeladeforestación.

Además de la arquitectura sólida del software y del fundamento científico del

módulodecambiosdelatierranuestrapropuestaparausarIDRISIsecontemplaen:(a)

su costo relativamente bajo en comparación con otros paquetes, (b) la

transportabilidad de los modelos para que se puedan intercambiar entre paises o

regiones,(c)suficientematerialdeconsultaenlínea,y(d)elsoportecientíficodelos

laboratoriosClark.

4.2. Momentos Importantes durante la Modelación 

A. Integracióndelusoenelaño "antes" yenelaño "después": Esta actividadpermite

hacer una consulta geoespacial de tabulación cruzada para determinar tanto en

formato tabular como gráfico las transiciones interanuales que han ocurrido y

reportargananciasypérdidasporclasedeuso.

B. Relacionarlosagentesdecambioconlastransiciones:Esteesunodelosmomentos

más importantes durante la simulación ya que permite hacer una evaluación de

cuales son las variables de mayor importancia y que tienen un mayor poder de

explicacióndelavariabilidadencontradaenlastransiciones.Aquísepuedenutilizar

ciertos factores como correlación u otro coeficiente de asociación como V de

Crammerparadeterminarelsub‐conjuntodevariablesquetienenmayorpoderde

explicacióndelprocesodedeforestación.Unafasequerevistesignificanciadurante

este momento es que se pueden redefinir algunas variables como incentivos o

limitacionesdelprocesodecambiodecobertura.Sedebedetenerunconocimiento

suficiente de cómo puede comportarse cada variable porque su efecto en la

simulaciónpuedeser significativoyafectar los resultadosde formasnodeseadas.

Por ejemplo puede maximizar el efecto de una variable y redundar en una área

deforestadasuperiorqueloqueenrealidadsedeberíaesperar.

C. Identificacióndelastransicionespotenciales:Unavezqueselograrelacionarnuestra

variablederespuesta(cambiosotransiciones)conlosagentesdecambio,entonces

13

se pueden empezar a explorar funciones de probabilidad de las transiciones que

tienenmáspotencial.Enestepuntosepuedenseleccionarsoloaquellastransiciones

que revisten mayor importancia y desechar aquellas que por su magnitud

(incipientesuperficieafectada)notienenunimpactosignificativoenladinámicade

lazonadeestudio.

D. Selección del algoritmo para simular a futuro: Tal y como se explicó antes aquí

tenemos dos opciones: regresión logística y redes neurales. Los criterios para

utilizarunouotroseexplicaronantes.

E. Simulación de la cobertura forestal (Escenarios Tendenciales): A partir del

conocimiento del pasado (transiciones reales) y su relación con las variables

independientes (transicionespotenciales)podemosexperimentara simularcuáles

seríanlascondicionesdecoberturaparaelfuturo.Labasefundamentaldeestetipo

desimulaciónesquelascondicionesdecoberturacontinuaránmodificándoseenel

espacio bajo el mismo patrón que se dieron en el pasado. En otras palabras el

algoritmo tomará los frentes de deforestación identificados y a partir de ahí

comenzaráa simular comocambiarán lascondicionesdecoberturabajo lamisma

intensidad que los agentes de cambio han actuado en el pasado. Los resultados

pueden ser de dos tipos: (1) Predicción dura que representa simplemente las

nuevascondicionesdecoberturaenelfuturo,y(2)Predicciónsuavequeenlugarde

ser una salida temática o descriptiva es una salida contínua que muestra la

vulnerabilidadentérminosdeprobabilidadquesepresentenciertoscambios.

F. Simulaciónde lacobertura forestal(EscenariosAlternativos):Unaparte interesante

de los modelos de simulación es su capacidad para adaptarse a situaciones

hipotéticas que los agentes de cambio podrían adoptar en el futuro. Esta es una

partequepuede seromuy limitadaomuyamplia.Tododependede losusuarios

finales en cuanto qué creen ellos que eventualmente podría pasar en su área de

estudio.Porejemplosiseesperanqueconuncambioenunaleynacionalsepueden

dar fenómenosdemigraciónhacia la zonadeestudio.Otro casopuede serqueel

marcolegalparaunáreaprotegidavaacambiar(másrígidoomásrelajadodesdeel

puntodevistadelasrestriccionesdeusodedichaárea).Tambiénsepuedesuponer

queseaperturaráunanuevavíadecomunicaciónseaterrestre,aéreaofluvialyla

correspondientepresiónqueestanuevavíaacarrearásobrelosrecursosforestales.

14

Enotraspalabraslassituacioneshipotéticaspuedenserinfinitas.Unareuniónentre

variosmiembrosdedistintasdisciplinaspuedeserunarecomendaciónparadefinir

los escenarios alternativos. Asimismo, sería prudente solo simular aquellas

situacionesalternativasqueenrealidadsepodríanpresentarenlazonadeestudio

ya que así se minimiza el tiempo que se puede tomar estar haciendo múltiples

corridasymaximizareltiempoenproveerinterpretacionesdelosresultadospara

sucomprensiónyasimilaciónporpartedelosusuariosfinales.

G. Validación:Esteesunmomentoopcionalyaquedependedesisepudieronobtener

tres o más escenarios de uso (ej. 1990, 2000, y 2010). Si este ha sido el caso

entonces se puede en primera instancia calibrar el modelo con los dos primeros

añosyhacerunasimulacióndeescenariotendencialparaelúltimodelosperíodos

disponibles. El software permite hacer una sobreposición de ambas coberturas

(escenariotendencial2010versususorealen2010)yestimarciertosindicadores

de cuan acertado está el escenario tendencial. Si la magnitud de los aciertos es

significativamentepositivaentoncessetendrámásconfiabilidadenelmodelopara

hacerprediccionestendencialeshaciaelfuturo.

H. Interpretación de resultados: Las salidas del modelo consisten en mapas y tablas

acercadeladistribuciónpotencialdelosusosenelfuturo.Si lavalidaciónhasido

viableentonceslosanalistastendránmayorconfiabilidadenlosresultadosypodrán

socializarlosconlosentesinteresadosydiferentesactoresdelazonadeestudio.Si

la validación no ha sido posible entonces debe de mencionarse las suposiciones

sobre los agentes de cambio así como la incertidumbre que pueden tener los

productos. Un adecuado conocimiento sobre la confiabilidad de los resultados

permitirá a los usuarios finales un mejor aprovechamiento de las simulaciones

desarrolladas.

15

II. ESTUDIOS DE CASO 

16

5. BELIZE 

5.1. Antecedentes 

UnestudiomultitemporaldeladeforestaciónhistóricaenBelizesellevóacabode

manerainterinstitucionalenelaño20103.Lasinstitucionesinvolucradasrecopilarony

analizaron imágenes satelitales Landsat (MSS, TM, y ETM) para los años 1980, 1989,

1994, 2000, 2004, y 2010. En cada uno de estos años se realizó una clasificación de

zonas boscosas, zonas sin bosque, y cuerpos de agua. Esta leyenda de usos permitió

realizarcomparaciones interanualesyevaluar ladinámicade lacoberturaboscosaen

estepaíscentroamericano. Undatocuriosodeesteestudioesqueenningunode los

escenariostemporalesseobservóunatransiciónqueindicararecuperacióndelbosque.

Todolocontrariolabasegráfico‐numericaenSIGindicaqueúnicamenteseobservaron

pérdidasenlacoberturaforestaldurantetodoslosañosqueseanalizaron.

5.2. El Estudio de Caso 

Paranuestrocasodeinterésseseleccionóunazonaubicadaenlaseccióncentral

delpaísenlacualsedetectaroncambiossignificativosenlacoberturaforestaldurante

los 30 añosque el estudiomultitemporal abarcó. Los tres usos clasificados y nuestra

zonadeestudiosepuedenobservarenlafigurasiguiente.Estaáreaseleccionadacubre

aproximadamente8557km2yabarcazonasdevallesasí como terrenosde fisiografía

quebrada(zonasmontañosasdelcentrosurdelpaís).

Para aplicar elmétodo discutido en la primera fase de este informe se decidió

extraerinformacióndecoberturaparatresescenariostemporales(1989,2000,y2010)

detalformaqueaproximadamentesetuviera10añosdeseparaciónentreescenario.La

resoluciónespacialdelosdatostrabajadosesde900m2(unpixelde30x30metros),y

estánregistradosusandolaproyecciónUTMZona16NorteDatumWGS1984.

Para efectos de modelación la transición de Bosque a No‐Bosque constituye

3FOREST COVER AND DEFORESTATION IN BELIZE: 1980-2010 (Borrador)

EMIL A. CHERRINGTON1*, EDGAR EK2, PERCIVAL CHO3, BURGESS F. HOWELL4, BETZY E. HERNANDEZ1, ERIC R. ANDERSON1, AFRICA I. FLORES1, BESSY C. GARCIA1, EMILIO SEMPRIS1, AND DANIEL E. IRWIN4 1 Water Center for the Humid Tropics of Latin America and the Caribbean (CATHALAC), Panama 2 Land Information Centre (LIC), Lands & Surveys Department, Ministry of Natural Resources and the Environment, Belize 3 Forest Department, Ministry of Natural Resources and the Environment, Belmopan, Belize 4 Marshall Space Flight Center, National Aeronautics & Space Administration (NASA MSFC), USA

17

MEXICO

GUATEMALA

nuestra variable de respuesta. Como se explicó antes, este estudio tiene la

particularidadquenosedetectaronzonasderestauraciónforestal.Enotraspalabrasla

transición de No‐Bosque a Bosque no fue detectada. Tampoco se reportaron

transicionesconlaclasedeAgua.

Figura1.CoberturaforestalenBelizeyzonaseleccionadacomopiloto

5.3. Las Variables de Predicción 

ParalazonadeestudioselogróobtenerunmodelodigitaldeelevaciónMDEcon

una resoluciónde8100m2 (pixelde90x90metros) cuya fuenteesel ShuttleRadar

Topography Mission SRTM4. Este MDE fue posteriormente convertido a la misma

resolucióndelmapadecoberturaforestalutilizandounalgoritmobilinear.DeesteMDE

4http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp

18

seextrajeronderivativascomopendienteenporcentajeyexposiciónsolar.Tambiénse

logróobtenerdatosenvectordepobladosyvíasdecomunicaciónquefueronobtenidos

deunreservoriodigital5.Apartirdeestasdosfuentesdeinformaciónenconjuntocon

elMDE sedecidió elaborar una superficie contínuade respuesta que asemejara a los

tiemposenquesepuedeaccederaloscentrospoblados(accesibilidadoproximidad).

Se utilizó una función SIG denominada Costo‐Distancia en la que se evalua la

accesibilidad a ciertos puntos de interés (ej. Poblados, Puertos, Mercados, etc.)

tomandoencuentalasvíasdecomunicacióndisponiblesyelrestodelpaisaje.Eneste

análisisdeCosto‐Distanciaesfundamentaldefinirlafuncióndelcosto(entiempo)que

toma cruzar un pixel ocupado por carreteras o por terreno sin comunicación y con

determinadaslimitacionescomopendiente,uso,tenencia,etc.

Así, para este estudio de caso las variables de cambio o factores predictores

consideradosfueronelMDEysusderivadostopográficos,elanálisisdeaccesibilidada

pobladosyladistanciaeuclidianaaunavíadecomunicación.

Figura2.AgentesgeoespacialesdecambioconsideradosparaelestudiodecasoBelize

5http://biological‐diversity.info/Ecosystems.htm

MDE PENDIENTES

ACCESOAPOBLADOS DISTANCIAA

VIASDECOMUNICACION

19

Lasvariablespredictorassonutilizadasdurantelasimulacióndeladinámicade

cobertura forestal como directrices de los procesos de cambio. En otras palabras se

busca una relación de dependencia de la variable de respuesta (en este caso la

transición de bosque a no‐bosque) que pueda ser explicada por uno o varios de los

factorespredictores,detalformaqueapartirdelconocimientodelpasado,ylarelación

con los agentes de cambio se puedan hacer simulaciones a futuro sobre lo que

potencialmentepodríaocurrirconlacoberturaboscosaeneláreadeinterés.

5.4 La Modelación 

Tantolavariablederespuestacomolosagentesdecambiofueronimportadosal

formatoRSTdeIdrisielcualeselsoftwareseleccionadopararealizarlasimulaciónde

escenariosdecoberturaforestal.EnIdrisiseintegróenprimerainstancialosescenarios

deusoparaelaño1989yparaelaño2000.Apartirdelaño"antes"yelaño"después"

sepuedenidentificartodasaquellastransicionesqueocurrieronendichoperíodo.Para

elcasodeBelizesoloseobservóunatransición;ladeBosqueaNo‐Bosque.Unavezque

setienenidentificadaslastransicionesdeinterésentoncesconvienerevisarelpoderde

interpretaciónodeasociaciónqueexisteentrelastransicionesylosagentesdecambio.

EstaevaluaciónserealizaobteniendolosvaloresdeasociacióndeVdeCramer6.Los

resultadosobtenidossemuestranenlasiguientetabla.

Tabla3.ValoresVdeCramerenBelize

Variable CramerGeneral CramerAgua

CramerNo‐Bosque

CramerBosque

Elevacion 0.0431 0.3944 0.3942 0.0Pendiente 0.0395 0.3011 0.3010 0.0Accesibilidad 0.0589 0.5396 0.5387 0.0DistanciaCarreteras 0.0428 0.3919 0.3917 0.0

Nóteseque losvaloresgeneralessonbajos.Estonodebedecausarpánicopor

tenervalores tanbajos. Los valores a observarmásdetenidamente son losobtenidos

porclasedeuso.Comosepuedeobservardetodoslosagentesdecambiolasuperficie

6LaVdeCrameresunaformadecalcularlacorrelaciónentrematricesquetienenmasde2x2filas‐columnas(taleselcasodelasimágenessatelitalesonuestrasvariablesgeoespaciales).Regularmenteesutilizadocomounpos‐testparadeterminarlafuerzadeasociaciónunavezqueseharealizadountestChi‐Cuadradoquedeterminasignificanciadelacorrelación.

20

de accesibilidad a poblados tiene los valoresmás altos tantopara agua yNo‐Bosque.

Dado que en esta área de estudio el uso Bosque es predominante en todas las

direcciones posibles, es imposible obtener un coeficiente de asociación. En otras

palabrasnohayun comportamiento (lineal, cuadrático, cúbico, etc.) definido entre la

distribucióndeestaclasedeusoy los factoresdecambio.Estonoesunproblemaya

que loquenos interesaenesteaspectoesquepodamosvisualizarasociacionesentre

los factores de cambio y aquellas clases de uso en las que potencialmente el bosque

puedeconvertirse(enestecasoAguayNo‐Bosque).ApartirdelosvaloresCramerse

puedetomarladecisióndecualesvariablesincluirenelmodelo.Enestecasosedecidió

conservardosagentes:LaElevaciónylaaccesibilidadalospoblados.

Tomadaladecisiónsobrelosagentesdecambioaincluirenelmodelo,entonces

se puede escoger el algoritmo a usar. Como se apuntó en el marco conceptual de la

metodologíaexistendosopciones:RedesNeuralesyRegresiónLogística.Dadoqueeste

ejercicio de Belize solo cuenta con una transición posible (Bosque a No‐Bosque)

entonces existe la libertad de escoger cualquiera de los dos. Curiosamente ambos

algoritmos produjeron exactitudes muy similares (valores que rondaron 78% de

precisión)porloqueresultóinvariableutilizarunouelotro.Unavezquesehacorrido

el modelo con uno de los algoritmos entonces se puede extraer una superficie de

probabilidaddequeocurralatransicióndeinterés.

En la siguiente figura se muestra una de las corridas correspondientes a la

probabilidaddequeocurra la transicióndeBosqueaNo‐Bosque.Observesequemuy

bajas probabilidades se encuentran en aquellas zonas que están particularmente

alejadasdeloscentrospoblados.Asimismo,seasignaunvalordeprobabilidaddeceroa

aquellaszonascuyousoenelaño2000eradeNo‐BosqueoAgua.Laexplicaciónaesto

essencillayaquealnohaberotrotipodetransicionespotenciales(ej.BosqueaAgua,

AguaaNo‐Bosque,etc.)identificadas,entonceselalgoritmodebeforzosamenteasignar

una probabilidad nula a dichas áreas. Por otra parte se puede observar que aquellas

zonasqueseencuentrancercanasaunaciudadounpobladosonmássusceptiblesde

cambiarenelfuturo.

21

Figura3.SuperficiedeprobabilidaddequeocurralatransiciónBosqueaNo‐Bosque

5.5. La cobertura forestal en 2010 (simulada) 

Una vez que se ha aceptado la superficie de probabilidad de la transición o

transiciones de interés entonces puede procederse a generar las condiciones de uso

paraundeterminadoañoenparticular.Ennuestrocasosefijóelaño2010yaquepara

dicho año se contaba con un mapa de cobertura del mismo estudio multitemporal

anteriormentedescrito.Estaselecciónnoesarbitrariayaquesepersiguerealizaruna

comparaciónentrelosresultadosdelasimulación,ylosresultadosrealesdetalforma

quesepuedaobtenerunavalidacióndelpoderajustedelmodelo.

En primera instancia se tiene que evaluar las probabilidades generales de

transición que serán integradas en la matriz Markoviana. Estas probabilidades se

muestranenelsiguientecuadro.

22

Tabla4.MatrizMarkovianadeTransiciónenBelize

Dado: Probabilidaddecambiara:

Bosque No‐Bosque Agua

Bosque 0.9408 0.0592 0.0000

No‐Bosque 0.0000 1.0000 0.0000

Agua 0.0000 0.0000 1.0000

Estamatrizeslapropuestaporelsoftwareenbasealadistribucióndelosdatos,

esencialmente las transiciciones posibles. Si el analista considera que estos valores

debenserdiferentesentoncestienelaopcióndecambiarlosasudiscreción.Nóteseque

únicamente la clase de bosque tiene probabilidades diferentes a 0.0 o 1.0. Esto es

particulamente característico de este estudio en el que no se contemplaron o no

observaron(cualquieraqueseaelcaso)recuperacionesdelacoberturaboscosaenlos

30añoscubiertosporelestudio.

Elmapaconlascondicionesdecoberturasimuladasalaño2010sepresentaen

lafigurasiguiente.

23

Figura4.CoberturaforestalenlazonapilotodeBelizesimuladaalaño2010

5.6. Validación de la simulación de cobertura forestal 

La cobertura simulada puede ser comparada con una cobertura real (si está

disponible)parapoderevaluarquetanbienfuncionaelmodeloenpredecirescenarios

independientes. Este fue el caso para Belize. Los resultados se proporcionan en la

siguiente figura. Es necesario aclarar que las clases de validación que este mapa

contieneocupanintegramentezonasenlasquelatransicióndeBosqueaNo‐Bosquefue

simulada.Porestarazónnoapareceinformaciónparaelrestodelárea.

24

Figura5.ValidacióndelaprediccióndelatransiciónBosqueaNo‐Bosqueenlazonapiloto

deBelize:año2010

Las clases en la figura se explican a continuación: Los Fallos corresponden a

situacionesen lasqueelmodelopredijoqueseconservaría laclasedebosque(1)del

2000al2010,massinembargoenelmapadecoberturarealseobservóunatransición

aNo–Bosque(2).Lasfalsasalarmassonaquelloslugaresenlosqueelmodelopredijo

quesedaríaunatransicióndeBosqueaNo‐Bosque(de1en2000a2en2010)peroque

al comparar con elmapa real no se produjo ningún cambio. Finalmente, los aciertos

corresponden a aquellas celdas en las que el modelo predijo que se realizaría una

transicióndeBosqueaNo‐Bosqueyalcompararloconelmapadeusorealseobservó

queenefectosiseprodujodichatransición.

25

Lasmagnitudesdelasclasesantesdescritassepresentanenlasiguientefigura.

LasunidadesdelejeYsonnúmerodeceldasde900m2.

Figura6.HistogramadelasclasesdevalidacióndelaprediccióndelatransiciónBosquea

No‐BosqueenBelize

5.7. Observaciones 

LavalidacióndelmodelodetransicióndeBosqueaNo‐Bosquearrojóresultados

esencialmente pobres en cuanto a los aciertos. La clase de validación de fallos está

concentrada principalmente en la zona de montaña centro‐oeste del área piloto

mientras que los aciertos se concentraron en las zonas cercanas a los núcleos

poblacionales. Esta distribución sesgada de los fallos y aciertos, junto con el

conocimientoquelaredvialestáactualizadahastaelaño2003hacesuponerquequizás

lavariabledeaccesibilidadnoeslamásapropiadaparasimularelprocesodetransición

o que esta variable de accesibilidad necesita revisarse y actualizarse al año 2010.

También cabe laposibilidadqueunanuevavariable como ladistancia a las zonasde

perturbacionesidentificadasduranteelperíodo1989‐2000podríautilizarsejuntoala

26

accesibilidad o en sustitución de esta. Cualquiera que sea el caso, es claro que otras

variables(esencialmentesocioeconómicas)yquepuedanrepresentarapropiadamente

el proceso de deforestación necesitan ser incluidas en este modelo. También debe

recordarsequeelestudiomultitemporalarrojóúnicamenteunatransición(deBosquea

No‐Bosque)despreciandocompletamente laposibilidaddequeenelpaisajeocurra la

transición de No‐Bosque a Bosque. Este comportamiento espacial reportado en el

estudiomultitemporalpuedeoscurecersituacionesquepotencialmentepodríanayudar

acalibrarmejorelmodelo.

6. HONDURAS 

6.1. Antecedentes 

No existe un estudio multitemporal de la deforestación histórica para todo el

contextoespacialdelarepúblicadeHondurasenlaquesehayanutilizadolasmismas

fuentes(ej.Imágenessatelitales)ylosmismosmétodosdeclasificacióntalycualfueel

casodelarepúblicadeBelize.Unestudiocondatosymétodosestandarizadosimplica

mayorconfiabilidadenlosresultadosobtenidos.Sinembargoexistenalgunosestudios

puntualesen losquesehaanalizado ladinámicade lacobertura forestalparaciertos

años.Estosestudiosgeneralmentecorrespondenazonasdereservaoáreasprotegidas.

Para esta investigación corta se seleccionó dos estudios que se han realizado en la

ReservadeBiósferaRBTawahkaubicadaen lazonacentro‐orientaldelpáis.EnlaRB

Tawahkaserealizóunestudioenelaño20057conimágenessatelitalesLandsatETMde

los años1994 y 2003. En este estudio se realizaron clasificaciones individuales de la

cobertura forestal y se estimaron tasas dedeforestación interanuales a la par que se

identificaron zonas o frentes de mayor actividad. Por otra parte en el año 20108 se

realizóotroestudioenlamismazonaquepudierapartirdelestudiode2005yrealizar

una nueva clasificación de la cobertura forestal en el año 2010. Ambos estudios

partierondelanálisisdeimagensatelitalymétodosdeclasificaciónsimilaresporloque

7Hernández, Alexander.Estudio de análisis multitemporal en el Parque Nacional Patuca, Reserva de la Biósfera Tawahka y Zona Propuesta Rus-Rus. Financiado por PROBAP-AFE-COHDEFOR. 8Hernández, Alexander.Estudio de análisis multitemporal en la Reserva de la Biósfera Tawahka y Zona Sur de la Biósfera del Río Plátano. Financiado por ICADE-TROCAIRE

27

sepuedenconsiderarestandarizadosparasucomparación.Lasclasesdeusoutilizadas

en estos dos estudios fueron Bosque Latifoliado, Bosque Secundario, Usos

Agropecuarios,yCuerposdeAgua.AdiferenciadelestudiorealizadoenBelizeenestos

dosestudiosademásdelatransicióndeBosqueaNo‐Bosqueseencontraronresultados

paraotrostiposdetransicionescomorecuperacióndebosqueloquepermitiórealizar

comparaciones interanualesy evaluar ladinámicade la coberturaboscosaparaestas

zonasprotegidas.

6.2. El Estudio de Caso 

Ennuestrocasoparticularseseleccionóunazonaubicadaenlasecciónsuroeste

delareservaTawahka.Lazonaidentificadaconcentraáreasdemuchadinámicaforestal

asícomoregionesdebosqueprimarioquenohansufridocambiosenlosúltimosaños

(1994 ‐ 2010). Al abarcar ambos límites del contínuo de cambios en la cobertura

forestal esta zona seleccionada se convierte en una buena muestra para probar el

modelo de simulación. En la figura siguiente se ilustra la ubicación de las zonas

protegidasenelcontextodelarepúblicadeHonduras.Asimismo,sedetallalacobertura

delazonaseleccionada.Nótesequeseencuentracompletamenteintegradadentrodela

Reserva Tawahka aunque existe información para el 2010 en una zona mayor. La

justificaciónesqueparaelestudiodel2005nosecontócondatosparalaZonaSurdela

BiósferaRíoPlátano.Losusosclasificadosduranteelestudiodel2010seincluyenenla

figuratambién.Puedenotarsequelazonaoestedelareservaeslaquemayordinámica

tiene en cuanto a cobertura de usos agropecuarios. El área seleccionada cubre

aproximadamente 945 km2 y abarca zonas ribereñas, valles, y terrenos de fisiografía

irregular en regiones montañosas y generalmente inaccesibles. Para efectos de

modelaciónlasclasesdeBosqueLatifoliadoydeBosqueSecundariofueroncolapsadas

enunasolaclasedeuso:Bosque,mientrasque laclasedeusosagropecuariosy lade

agua fueron integradas en otra clase de uso: No‐Bosque. En este orden de ideas las

transicionesBosqueaNo‐BosqueyNo‐BosqueaBosqueconstituyennuestravariable

derespuestadurantelasimulación.

28

Figura7.UbicacióndelazonaseleccionadaenelcontextodelarepúblicadeHondurasyde

laReservaTawahka

6.3. Las Variables de Predicción 

Esta región de Honduras se caracteriza por una densidad poblacional

relativamente baja, así comode una limitada accesibilidad terreste. En este ordende

ideas la información geoespacial existente es limitada comparada con otras zonas de

Hondurasparalascualesexistenredesdeproyectosquegeneraninformaciónbiofísica

y socioeconómica. Pese a estas limitaciones se logró obtener un modelo digital de

elevaciónMDEconunaresoluciónde2500m2(pixelde50x50metros)cuyafuentees

el Instituto de Conservación Forestal ICF deHonduras. EsteMDE fue posteriormente

convertido a la misma resolución del mapa de cobertura forestal utilizando un

algoritmobilinear.DeesteMDEseextrajo laderivadadependienteenporcentaje.La

información de asentamientos humanos y de vías de comunicación terrestre no

estuvieron disponibles por lo que un análisis de costo‐distancia para estimar

accesibilidadnopudorealizarseenestazonatalycomofueelcasodeBelize.Frenteala

situacióndelimitadainformacióngeoespacialquesirvieracomoagentesdecambiose

extrajounavariableacercadeladistanciaeuclidianahastaloscentrosdeperturbación

29

identificadosenelperíodo1994al2003.Estoscentrosdeperturbaciónnosonmásque

aquellaszonasenlasquesedetectópérdidadelacoberturaforestalenelperíodoantes

mencionado.

Así, para este estudio de caso las variables de cambio o factores predictores

considerados fueron el MDE, la pendientes, y la distancia euclidiana a las zonas de

perturbaciónidentificadasenelestudioPROBAP1994‐2003.

Figura8.AgentesgeoespacialesdecambioconsideradosparaelestudioTawahka

Al igual que el estudio de caso de Belize, aquí las variables independientes

fueronusadascomodirectricesde losprocesosdecambio.Asísebusca larelaciónde

dependenciade lavariablederespuesta(lastransicionesdebosqueano‐bosqueyde

no‐bosqueabosque)quepuedaserexplicadaporuno,dosotresfactorespredictores.

6.4 La Modelación 

Lavariablederespuesta(transiciones)ylosagentesdecambiofueron

importadosalformatoRSTdeIdrisi.Enestesoftwareseintegróprimerolosescenarios

deusoparaelaño1994yparaelaño2003.Apartirdelaño"antes"yelaño"después"

seidentificaronlasdostransicionesqueocurrieronendichoperíodo.Unavezquese

tienenidentificadaslastransicionesdeinterésentoncesconvienerevisarelpoderde

interpretaciónodeasociaciónqueexisteentrelastransicionesylosagentesdecambio.

EstaevaluaciónserealizaobteniendolosvaloresdeasociacióndeVdeCramer.Los

resultadosobtenidossemuestranenlasiguientetabla.

MDE DISTANCIAADISTURBIOS PENDIENTES%

30

Tabla5.ValoresVdeCramerenTawahka

Variable CramerGeneral

CramerBosque

CramerNo‐Bosque

Elevacion 0.0267 0.0 0.2967Pendientes 0.0161 0.0 0.1807DistanciaPerturbaciones 0.0434 0.0 0.4873

Al igual que en Belize los valores generales son bajos, pero esto no debe ser

motivodepreocupación.Losvaloresaobservarmásdetenidamentesonlosobtenidos

porclasedeuso.El factordeDistanciaaPerturbacionesexhibe losvaloresmásaltos.

SimilaraBelize,dadoqueenestaáreadeestudioelusoBosqueespredominanteen

todaslasdireccionesposibles,esimposibleobteneruncoeficientedeasociaciónypor

lotantosereportanvaloresdecero.ApartirdelosvaloresCramersepuedetomarla

decisióndecualesvariablesincluirenelmodelo.EnestecasoespecíficodeTawahkase

decidióconservardosagentes:Ladistanciaaperturbacionesylaelevación.

Tomadaladecisiónsobrelosagentesdecambioaincluirenelmodelo,entonces

se puede escoger el algoritmo a usar. Como se apuntó en el marco conceptual de la

metodologíaexistendosopciones:RedesNeuralesyRegresiónLogística.Dadoqueeste

ejercicio de Tawahka se contaron con dos transiciones (Bosque a No‐Bosque y No‐

BosqueaBosque)entoncessedecidióautilizar lasRedesNeurales.La justificaciónse

basa, tal y como se explicó en elmarco conceptual, en que con las redes neurales se

puedenmodelarvariastransicionesalavez,siempreycuandoseconsiderequetodas

losagentesdecambiosafectenporigualatodaslastransiciones.Laexactitudpromedio

obtenidausandoredesneuralesfuedel91%.

6.5. La cobertura forestal en 2010 (simulada) 

Aceptada la superficie de probabilidad (nomostrada aquí) de las transiciones

entoncesseprocedióaelaborarunasimulacióndelacoberturadeusoparaelaño2010.

Al igualqueel casodeBelize,paradichoañose contó conunmapade coberturadel

segundoestudiomultitemporalanteriormentemencionado.SimilaralcasodeBelize,en

primer lugar se evaluaron las probabilidades generales de transición que están

31

integradasenunamatrizdeMarkov.Estasprobabilidadessemuestranenelsiguiente

cuadro.

Tabla6.MatrizMarkovianadeTransiciónenTawahka

A diferencia de la matriz encontrada para Belize se puede observar que la

probabilidaddequelacoberturaforestalsearemovidaesmenorenTawahka(casi6%

enBelize).Sinlugaradudaslamayordiferenciaradicaenqueparaestazonasiseesta

brindando oportunidadde que zonas sin bosque se recuperen y puedan volver a ser

ocupadasporusosforestales.Estaesunacualidadintrínsecadecualquierpaisajeenel

que zonas agropecuarias se dejan en descanso y pasan a un regimendebarbecho. El

mapaconlascondicionessimuladasalaño2010sepresentaenlafigurasiguiente.

Figura9.CoberturaforestalenlazonapilotodeTawahkasimuladaalaño2010

Dado: Probabilidaddecambiara:

Bosque No‐Bosque

Bosque 0.9768 0.0232

No‐Bosque 0.4665 0.5335

32

6.6. Validación de la simulación de cobertura forestal 

Lacoberturasimuladaparael2010fuedirectamentecomparadaconlacobertura

forestalrealobtenidaapartirdeimágenessatelitales.Larepresentaciónespacialdela

validaciónesprovistaenlafigura10.Unaexplicacióndelaleyendapuedeencontrarse

enladescripcióndelestudiodecasoBelizequeseproporcionóantes.

Figura10.Validacióndelaprediccióndelatransicionesdebosqueenlazonapilotode

Tawahka:año2010

Unadistribuciónespacialmásequilibradadelasfalsasalarmas,fallosyaciertos

la podemos encontrar para el estudio de caso realizado enHonduras. De un total de

3774hectáreasanalizadascomotransicionesseobtuvoun42%paralasfalsasalarmas,

un 14% para los aciertos, y un 43% para los fallos. Esto aún no son resultados

prometedores pero de cierta forma son cuantitativamente más aceptables que los

obtenidosparalazonadeBelize.Unahipótesisparaestosresultadospuedeserelhecho

que en Tawahka se permitió al modelo integrar más transiciones que pueden

potencialmente ocurrir en paisajes tropicales. Esto sin embargo no pasa de ser una

teoríaporconfirmar.

33

6.7. Observaciones 

Los resultados obtenidos en Tawahka para las transiciones evaluadas son

similarmente pobres a los de Belize, con la excepción que hay más equilibrio entre

fallos,aciertosy falsasalarmas. Al igualqueelprimerestudiodecaso los resultados

reflejan el bajo poder de explicación del proceso de deforestación por parte de los

agentesdecambioconsiderados.Unavariablequepodríaserincluidaeslaaccesibilidad

a poblados tanto por vías terrestes como por medios fluviales. La accesibilidad

desarrollada a partir de navegación de los ríos de esta zona constituye uno de los

medios principales de transporte, y por ende de expansión de focos de colonización

agrícola y pecuaria. De esta forma la disponibilidad de información geoespacial

actualizada de carreteras y senderos, así como de la red hídrica podría ser utilizada

paraelaborardichasuperficiedeaccesibilidad.

Por otra parte, en los últimos 5 años en la zonadeTawahka se han instalado

proyectos de desarrollo con el fin primordial de brindar oportunidades sociales y

económicasen losasentamientosexistentesparadetener los frentesdeexpansiónde

frontera agrícola y de extracción ilegal de madera. La inclusión de este tipo de

información (si fuera disponible) podría también arrojar luz sobre la simulación de

cobertura forestal a futuro.Al igual que el primer estudiode caso, es claroqueotras

variables(tantobiofísicascomosocioeconómicas)quepuedanrepresentarsedemanera

geoespacialnecesitanserincluidasenelmodelo.