Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
1. Introducción
Ecuador es reconocido mundialmente como uno de los 13 países más biodiversos del mundo, pero enfrenta una amenaza creciente, ya que entre 1990 y 2000 el país perdió el 15 % de su área de bosques nativos, alcanzando una de las tasas de deforestación más altas en América Latina (, ). Esta dinámica afecta principalmente a la Amazonía, considerada una de las regiones más biodiversas del planeta (, ). La pérdida de bosques compromete la capacidad del país para mantener el calentamiento global por debajo de los 1,5◦C, dado que esta región almacena entre 367 y 733 Gt de CO2 en su vegetación y suelos ( , ).
La deforestación y el cambio de uso del suelo han provocado una acelerada fragmentación de las áreas de vegetación natural en los Andes y la Amazonía ecuatoriana. Entre 1990 y 2018, las zonas más afectadas han sido las áreas de amortiguamiento de las zonas protegidas, donde se perdió el 25,5 % de su cobertura en los alrededores (, ). Estas dinámicas comprometen la efectividad de las estrategias de conservación, incluso en áreas con altos niveles de protección. La fragmentación afecta la provisión de servicios ecosistémicos esenciales, como la regulación hídrica, el almacenamiento de carbono y la conservación de la biodiversidad. En este contexto, se considera crucial implementar medidas integrales que incluyan la conservación de los bosques y el manejo sostenible de las áreas de amortiguamiento (, ).
En la actualidad, herramientas basadas en la teledetección y la inteligencia artificial permiten avanzar en el análisis y la predicción de cambios en el uso y cobertura del suelo (LULC, por sus siglas en inglés), tanto en el espacio como en el tiempo. Técnicas de clasificación como el Random Forest (RF) y las Support Vector Machines (SVM) han demostrado alta precisión en la generación de mapas de uso y cobertura del suelo, facilitando la observación y el análisis de los procesos de deforestación y transformación de LULC (, ; , ; , ; , ).
En este estudio también utilizamos el complemento de QGIS MOLUSCE (Modules for Land Use Change Evaluation), que combina datos espaciales y temporales con técnicas avanzadas de modelado, como autómatas celulares (CA) y redes neuronales artificiales (ANN). Esta herramienta permite simular y predecir cambios en el uso y la cobertura del suelo. MOLUSCE ha demostrado su efectividad en diversos contextos (, ; , ).
El Corredor de Conectividad LlanganatesSangay (CELS) es un vínculo ecológico crítico que conecta el Parque Nacional Llanganates en el norte, el Parque Nacional Sangay en el sur y varias áreas de conservación reconocidas bajo diversos esquemas dentro de sus límites. El CELS abarca un ecotono significativo que conecta las tierras altas andinas con la cuenca amazónica y desempeña un papel fundamental en la preservación de los ecosistemas únicos de la región (, ). En esta área se ha desarrollado investigación científica relevante durante más de 150 años, obteniendo resultados importantes como la identificación de 178 especies de orquídeas y cerca de 200 especies de plantas endémicas, superando incluso a las Islas Galápagos en diversidad botánica (, ). Además, alberga casi 700 especies de aves y 285 especies de reptiles y anfibios, superando los registros del Parque Nacional Yasuní (, ). Sin embargo, las actividades humanas han transformado esta zona. Por ejemplo, los procesos de colonización tardía en ciudades como Baños y Puyo, impulsados por asentamientos humanos y actividades económicas como el turismo y la agricultura, han influido significativamente en los cambios de uso del suelo en la región, llevando a la conversión de áreas naturales en espacios agrícolas y urbanos (, ). La deforestación y el cambio en LULC han incrementado la fragmentación del paisaje y reducido significativamente la conectividad de los ecosistemas, poniendo en riesgo la supervivencia de especies y la provisión de servicios ecosistémicos (, ).
Este estudio tiene como objetivo determinar los cambios en el uso y la cobertura del suelo en el Corredor de Conectividad Llanganates-Sangay (CELS) entre 2018 y 2022, y proyectar tendencias hasta 2030 utilizando la herramienta MOLUSCE. Se centra en cuantificar la pérdida de cobertura forestal durante el período de análisis y prever escenarios futuros de cambio en LULC, basándose en los cambios registrados entre 2018 y 2022.
2. Materiales y Métodos
2.1 Área de estudio
El Corredor de Conectividad Llanganates-Sangay (CELS) abarca las provincias de Tungurahua, Pastaza y Morona Santiago (Figura 1) y comprende una extensión de 92,148 hectáreas (, ). Este corredor actúa como un enlace ecológico que conecta el Parque Nacional Llanganates en el norte con el Parque Nacional Sangay en el sur, constituyendo una zona clave de transición entre los Andes orientales y la Amazonía occidental. En 2002, esta área fue designada como un “Regalo para la Tierra” por el WWF, en reconocimiento a su importancia global para la biodiversidad. El CELS fue oficialmente reconocido como un Corredor de Conectividad en 2023 por el Ministerio del Ambiente y Recursos Naturales de Ecuador (, ).
El CELS tiene una altitud que varía entre los 760 y los 3812 metros sobre el nivel del mar y posee un clima tropical lluvioso (, ), con una precipitación anual que oscila entre los 2500 y los 5500 mm, y temperaturas que fluctúan entre los 9 y los 22◦C. Estas variaciones climáticas y altitudinales favorecen la formación de hábitats que promueven una biodiversidad excepcional ( , ; , ). Esta área desempeña un papel fundamental en la provisión de recursos hídricos para las cuencas de los ríos Pastaza y Napo, los cuales son esenciales para las comunidades locales, las actividades agrícolas y turísticas, así como para la generación de energía hidroeléctrica (, ).
Las principales actividades económicas en esta área incluyen la agricultura, la ganadería, el turismo, la piscicultura y la producción de madera. Aunque estas actividades son fundamentales para la economía local, han tenido un impacto significativo en los ecosistemas, generando deforestación y fragmentación de hábitats ( , ). Durante las últimas dos décadas, se han implementado diversas iniciativas de conservación en esta región, lideradas por organizaciones locales, nacionales e internacionales, como la Fundación EcoMinga, los gobiernos locales, el Ministerio del Ambiente, Agua y Transición Ecológica de Ecuador (MAATE), el WWF, entre otros. Las inciaticas de turismo del CELS se pueden encontrar en el geoportal https://geocels-upsq.hub.arcgis.com/
Las estrategias de conservación han incluido, por ejemplo, el establecimiento de zonas protegidas reconocidas oficialmente, la gestión de zonas de conservación privada no reconocidas oficialmente pero designadas para la conservación de ecosistemas, y la colaboración con las comunidades locales para promover prácticas de gestión sostenible de la tierra. Esto último incluye el apoyo a la adopción de prácticas agroecológicas para evitar la degradación del suelo, mantener la fertilidad y frenar la expansión de la frontera agrícola (, ). Además, se ha impulsado el turismo basado en la naturaleza como estrategia de desarrollo sostenible para mejorar los medios de vida locales y preservar al mismo tiempo los ecosistemas naturales. A pesar de estos esfuerzos, persiste la necesidad de integrar de manera más efectiva a las comunidades locales en estrategias de manejo sostenible que logren un equilibrio entre el desarrollo socioeconómico y la conservación ambiental (, ; , ).
2.2 Recolección de datos
La imagen satelital es fundamental para el monitoreo de precipitaciones, deforestación, cambios en el uso del suelo y los impactos ambientales ( , ). Sin embargo, la alta cobertura de nubes en la Amazonía ecuatoriana, ubicada dentro de la zona de convergencia intertropical, limita la disponibilidad de datos espaciales ( , ). Para abordar este desafío, se seleccionó la Colección 1.0 de MapBiomas (, ), debido a su amplia cobertura temporal (1985-2022) y su capacidad para evitar una categoría de cobertura nubosa que ocupa cerca del 10 % del CELS en otros conjuntos de datos. Esto permite una mejor diferenciación entre las clases de uso y cobertura del suelo.
La Colección 1.0 de MapBiomas proporciona mapas anuales de uso y cobertura del suelo (LULC, por sus siglas en inglés) para Ecuador, con una resolución de 30 metros. Estos mapas se generan mediante clasificación supervisada utilizando el algoritmo Random Forest, aplicado a nivel de píxel sobre mosaicos de imágenes satelitales de las series Landsat 4, 5, 7, 8 y 9. Además, utiliza una leyenda estandarizada adaptada específicamente a la cobertura del suelo de Ecuador, dividiendo el territorio en cinco categorías principales: Formación Forestal, Formación Natural No Forestal, Áreas de Agricultura y Ganadería, Áreas No Vegetadas y Cuerpos de Agua (Tabla 1). Los bosques naturales se incluyen en la categoría de Formación Forestal, mientras que las plantaciones forestales, incluyendo la silvicultura, se clasifican como Áreas de Agricultura y Ganadería. Para obtener definiciones detalladas de las categorías de LULC, consulte ().
2.3 Análisis y predicción del cambio LULC para 2030
Para alcanzar los objetivos de este estudio, se obtuvieron mapas de uso y cobertura del suelo (LULC, por sus siglas en inglés) correspondientes al período 2018-2022 desde la plataforma MapBiomas, y se generaron variables explicativas relevantes relacionadas con los cambios en LULC utilizando fuentes oficiales de datos. Los mapas de LULC de 2018 a 2022 se emplearon para realizar el análisis de cambios en LULC. Además, los mapas de LULC de 2018, 2020 y 2022, junto con mapas de variables explicativas, se utilizaron para desarrollar y validar un modelo diseñado para predecir cambios en LULC mediante simulaciones hasta 2030. El análisis de cambios en LULC, el modelado, la validación y las simulaciones se llevaron a cabo utilizando la herramienta MOLUSCE (Figura 2).
2.2.1 Análisis de los cambios LULC
Para describir los cambios en el uso y cobertura del suelo (LULC, por sus siglas en inglés) entre 2018 y 2022 se analizaron los mapas de LULC de MapBiomas en intervalos anuales. Este análisis permitió identificar cambios históricos en LULC, detectar tendencias y calcular la tasa anual de cambio de LULC. Se utilizó la herramienta MOLUSCE para calcular la matriz de transición entre 2018 y 2022, y la tasa anual de cambio se estimó mediante la Ecuación 1 (, ), originalmente propuesta para estudios de deforestación, pero aplicable a cualquier cambio de LULC debido a su formulación general (, ). Dónde q es la tasa de variación anual (1/año or%/año), A1 es la superficie LULC en el año t1 y A2 es la superficie LULC en el año t2, con t2 > t1.
2.3.2 MOLUSCE
Se utilizó la herramienta MOLUSCE para analizar y simular los cambios en el uso y cobertura del suelo (LULC) hasta el año 2030. Este complemento de QGIS permite calcular matrices de transición e incorporar algoritmos ampliamente aceptados para modelado y simulaciones, como Redes Neuronales Artificiales (ANN), Autómatas Celulares (CA) y el coeficiente Kappa para la validación de la precisión. Este índice varía de 0 a 1, interpretándose como pobre y casi perfecto, respectivamente ( , ; , ; , ). Estos algoritmos han sido ampliamente aplicados en estudios de modelado de LULC, como los realizados por (); ().
El algoritmo ANN aprende patrones espaciales y relaciones entre datos históricos y variables explicativas, modelando el potencial de transición. Por su parte, los Autómatas Celulares (CA) simulan procesos espaciales dinámicos, aplicando reglas de transición basadas en condiciones de vecindad (, ; , ).
Para predecir mapas de LULC utilizando la herramienta MOLUSCE, es necesario recopilar información cartográfica que represente variables explicativas relacionadas con los cambios en LULC. Esto permite que el algoritmo de Redes Neuronales Artificiales (ANN) dentro de MOLUSCE considere estas variables durante el entrenamiento, replicando comportamientos aprendidos e identificando patrones espaciales (, ). Se generaron cinco variables explicativas en formato raster relacionadas con los cambios de LULC, las cuales fueron integradas en la herramienta MOLUSCE. Estas variables se presentan en la Tabla 2.
Estudios previos han identificado la proximidad a carreteras y centros urbanos como factores determinantes en los cambios de uso y cobertura del suelo (LULC, por sus siglas en inglés), ya que las áreas cercanas a estas características tienden a experimentar mayores tasas de pérdida de cobertura natural debido a la mayor accesibilidad y actividad humana (, ). La vegetación cercana a carreteras y áreas pobladas es más susceptible a la remoción debido a la expansión de la frontera agrícola y la creación de pastizales para la ganadería (, ).
Las características topográficas como la altitud y la pendiente desempeñan un papel importante en la determinación de la idoneidad del terreno para la agricultura y el desarrollo, dado que las actividades humanas se ven restringidas o enfrentan dificultades en áreas de gran altitud o con pendientes pronunciadas (, ). Una parte significativa del Corredor de Conectividad Llanganates-Sangay (CELS) se encuentra bajo algún tipo de conservación legal, lo que actúa como una barrera importante contra el avance de actividades antropogénicas.
Estas variables explicativas son comúnmente utilizadas en el modelado de LULC debido a que pueden obtenerse de fuentes cartográficas accesibles. En contraste, los factores socioeconómicos, de aplicación de la ley o relacionados con políticas son menos utilizados debido a la escasez de datos, la complejidad de su representación espacial y las discrepancias temporales. A pesar de estas limitaciones, varios estudios han demostrado buenos resultados de modelado utilizando únicamente variables topográficas y de infraestructura, como lo señalan (); (); ().
Aunque numerosos estudios han explorado cómo las áreas protegidas ayudan a prevenir la deforestación, son pocos los que han integrado los niveles de protección como una variable en los modelos de cambio de uso del suelo (, ). Dado que el CELS incluye diversos tipos de áreas de protección y conservación, el nivel de protección fue integrado al análisis para evaluar su influencia en las dinámicas de LULC. Este nivel fue determinado mediante encuestas realizadas a tres expertos, quienes evaluaron, en una escala de 1 a 5, la efectividad de las diferentes categorías de protección dentro del CELS para prevenir la deforestación. En esta escala, 1 representa un bajo nivel de protección, mientras que 5 indica un alto nivel de protección frente a la deforestación.
Con fines de modelado y predicción, se calculó una matriz de transición para el periodo 2018-2020 (intervalo de dos años) utilizando la herramienta MOLUSCE. Esta matriz fue empleada por MOLUSCE para crear un mapa de cambio, el cual, junto con los raster de variables explicativas, sirvió como insumo para el entrenamiento del modelo ANN, que evalúa iterativamente la precisión de sus predicciones y ajusta su estructura para minimizar errores. Por otro lado, los Autómatas Celulares (CA) generan simulaciones basadas en el modelo ANN entrenado (, ). En este estudio, cada iteración del algoritmo CA produce un mapa LULC proyectado con dos años de adelanto.
La primera iteración generó un mapa LULC para 2022, el cual se comparó con el mapa LULC real de 2022 obtenido de MapBiomas para validar el modelo. Posteriormente, se realizaron cuatro iteraciones adicionales para producir un mapa LULC proyectado para 2030. A partir del mapa LULC proyectado para 2022 y el de 2030, se calculó una matriz de transición para analizar los cambios en LULC y estimar las tasas anuales de cambio utilizando la Ecuación 1.
Tras el entrenamiento del modelo ANN y la generación de un mapa LULC proyectado para 2022 mediante el algoritmo CA, es esencial verificar que las predicciones realizadas por el algoritmo de Autómatas Celulares y el modelo ANN sean lo suficientemente confiables para respaldar la toma de decisiones (, ). Para garantizar esto, el modelo fue validado comparando el mapa LULC proyectado para 2022 generado por el algoritmo con el mapa LULC real de MapBiomas para el mismo año. La comparación se realizó utilizando el coeficiente Kappa de Cohen, una métrica ampliamente utilizada para la comparación de datos espaciales (, ). MOLUSCE permite múltiples iteraciones de cálculo del coeficiente Kappa, reduciendo errores causados por el muestreo aleatorio. La interpretación del coeficiente Kappa sigue los criterios establecidos por ().
3. Resultados y Discusión
3.1 Análisis de cambios de LULC de 2018 a 2022
Las dinámicas de cambio en el uso y cobertura del suelo (LULC, por sus siglas en inglés) en el Corredor de Conectividad Llanganates-Sangay (CELS) entre 2018 y 2022 (Figura 3) muestran una disminución gradual de las áreas de Formación Forestal, especialmente en las zonas de amortiguamiento del CELS. Esto sugiere un proceso de deforestación, probablemente asociado a actividades humanas como la expansión agrícola y ganadera, dado que este tipo de uso presenta un notable incremento en la misma área, indicando que las zonas periféricas al CELS están sometidas a una mayor presión antrópica. Este cambio implica una transformación significativa de los ecosistemas forestales hacia usos más intensivos.
La pérdida gradual de las áreas de Formación Forestal sugiere un aumento en la fragmentación del paisaje, lo que afecta la conectividad ecológica entre los ecosistemas montanos y amazónicos (, ). Los Cuerpos de Agua y las Áreas No Negetadas permanecen relativamente constantes, sin cambios perceptibles en su extensión, mientras que las Formaciones Naturales No Forestales muestran variaciones menores, las cuales podrían estar relacionadas con procesos de degradación o regeneración.
La Tabla 3 y la Figura 4 destacan los cambios en el uso y cobertura del suelo (LULC, por sus siglas en inglés) en el Corredor de Conectividad Llanganates-Sangay (CELS) entre 2018 y 2022, cuantificando la transformación del paisaje. La categoría de Formación Forestal experimentó una pérdida acumulada de 1 147,33 hectáreas, con una tasa promedio anual de cambio de -0,37 %, alcanzando su valor máximo de disminución entre 2021-2022 con -515.03 hectáreas (-0,67 %/año).
Esta dinámica de disminución en las categorías relacionadas con la vegetación natural confirma que la agricultura es el principal impulsor del cambio en el uso del suelo, contribuyendo significativamente a la deforestación y a la presión sobre los ecosistemas forestales, que pierden su función ecológica en el mantenimiento de la diversidad y la conectividad del paisaje. La expansión agrícola, a su vez, responde a la estabilidad económica, la cual genera fluctuaciones a corto plazo en el mercado.
Las Áreas No Negetadas aumentaron en 250,84 hectáreas (+8.50 %/año), mostrando su mayor crecimiento entre 2021-2022 (+107,31 ha, +13,52 %/año). Este aumento puede reflejar procesos de degradación del suelo relacionados con la erosión, urbanización y abandono de tierras, los cuales alteran la funcionalidad del corredor y generan una creciente amenaza para los ecosistemas naturales. Esta tendencia es consistente con otros estudios realizados en la Amazonía ecuatoriana (, ; , ; , ). Por su parte, los Cuerpos de Agua mostraron fluctuaciones significativas, con pérdidas entre 2020-2021 (-3,09 %/año) y una recuperación parcial entre 2021-2022 (+3,58 %/año). Estas dinámicas, probablemente influenciadas por variaciones estacionales y procesos de sedimentación, requieren monitoreo hidrológico continuo para comprender sus causas y efectos en el corredor.
La Tabla 4 corresponde a la matriz de transición de uso y cobertura del suelo (LULC, por sus siglas en inglés) entre 2018 y 2022. El 96,93 % (75.577,18 ha) del área ocupada por la categoría de Formación Forestal permaneció estable, mientras que el 2,49 % cambió a Áreas de Agricultura y Ganadería, y el 0,15 % a Áreas No Vegetadas. Esto refleja que la expansión agrícola es el principal impulsor de la deforestación.
La categoría de Formación Natural No Forestal presentó una permanencia del 88,57 % (578,7 ha), mientras que el 7,55 % se transformó en Formación Forestal y el 3,19 % en Áreas de Agricultura y Ganadería. En contraste, el 87,17 % (8629,23 ha) permaneció como Áreas de Agricultura y Ganadería, las cuales se expandieron en 1058,96 ha (10,7 %) a partir de la Formación Forestal y en 100,9 ha (1,02 %) a partir de Áreas No Vegetadas. Esto confirma que la agricultura es el principal factor de transformación del paisaje. En las Áreas No Vegetadas, el 93,95 % (610,72 ha) se mantuvo sin cambios, registrándose un incremento de 120,57 ha (0,15 %) provenientes de la Formación Forestal y de 64,49 ha (2,17 %) provenientes de los Cuerpos de Agua. Este aumento podría asociarse a procesos de degradación y urbanización.
Figura 4 Evolución de las tasas de cambio de LULC anuales (q%/año) a intervalos de un año desde 2018 hasta 2022.
En cuanto a los Cuerpos de Agua, el 87,04 % (2589,5 ha) permaneció como tal, mientras que 64,49 ha (2,17 %) se redujeron a Áreas No Vegetadas y 130,54 ha (4,39 %) se transformaron en Formación forestal, posiblemente debido a cambios en la dinámica hídrica, procesos de sedimentación, la temporalidad estacional de las imágenes satelitales Landsat utilizadas en la clasificación de MapBiomas o errores inherentes al algoritmo.
La matriz de transición evidencia que la deforestación y la conversión a tierras agrícolas son las dinámicas predominantes en el CELS, impulsadas por la expansión agrícola. Adicionalmente, el aumento de las Áreas No Vegetadas refleja procesos de degradación que podrían intensificarse si no se implementan medidas de manejo sostenible.
Dado que las tasas anuales de cambio en la Formación Forestal son bajas, resulta difícil observar la disminución de su área (deforestación). Para mejorar esta comprensión, la Figura 5 destaca las diferencias en los cambios de la Formación Forestal entre 2018 y 2019, así como entre 2018 y 2022.
3.2 Variables explicativas para la predicción de LULC en 2030
Los rásteres que representan las variables explicativas para el modelo de predicción se presentan en la Figura 6 y la Figura 7. Los rásteres de proximidad a carreteras, proximidad a asentamientos, altitud y pendiente se generaron a partir de información oficial del Instituto Geográfico Militar (IGM). El ráster del nivel de protección se elaboró con base en información proporcionada por el Ministerio del Ambiente, Agua y Transición Ecológica (MAATE), una ONG de conservación que apoya áreas privadas en el CELS, y las opiniones de expertos sobre el nivel efectivo de protección de los diferentes tipos de áreas protegidas.
Figura 5 Deforestación representada como la transición de la clase Formación forestal a cualquier otra categoría LULC entre 2018-2019 (izquierda) y 2018-2022 (derecha).
No todas las áreas de conservación poseen el mismo nivel de protección contra la deforestación, y el tipo de área de conservación varía significativamente. Algunas forman parte del Sistema Nacional de Áreas Protegidas (SNAP) regulado por el Código Orgánico del Ambiente, el cual proporciona un marco legal sólido que respalda la conservación de estas áreas. Además, cuentan con una mayor capacidad financiera y técnica, lo que incrementa su nivel de protección. Sin embargo, su efectividad puede verse comprometida por actividades extractivas permitidas bajo excepciones legales, como la explotación minera en ciertas áreas protegidas.
Las áreas gestionadas por los Gobiernos Autónomos Descentralizados (GAD) disponen de menos recursos y apoyo técnico, lo que limita su capacidad para implementar medidas de conservación efectivas. En el caso de las áreas de propiedad privada, en algunos casos representan modelos exitosos de conservación que dependen principalmente del compromiso de sus propietarios, pero carecen de un marco consolidado de monitoreo ( , ; , ).
Para tener en cuenta estas diferencias, se consultaron a tres expertos para evaluar el nivel de protección contra la deforestación en diversos tipos de áreas de conservación. Los expertos seleccionados tienen al menos cinco años de experiencia en conservación y provienen de distintas instituciones en Ecuador que han trabajado en corredores de conectividad oficialmente reconocidos (MAATE y dos ONG diferentes), proporcionando perspectivas diferentes y un entendimiento amplio de las prácticas y desafíos de conservación en el país. Los resultados se presentan en la Tabla 5. Cada nivel de protección se calificó en una escala de 1 a 5, asignándose un valor de 0 a las áreas no protegidas.
La importancia de incorporar el nivel de protección de un área protegida en el modelo ( , ; , ) se demuestra en la Tabla 6, la cual evidencia su influencia significativa en las tasas de deforestación. Las tasas de cambio anual se calcularon utilizando la ecuación 1. Como era de esperarse, las áreas sin ninguna forma de protección (nivel de protección 0) presentan las tasas de deforestación más altas, seguidas por el Área Ecológica de Desarrollo Sostenible Provincial del GAD de Pastaza (AEDSP), donde se permiten actividades productivas sostenibles (nivel de protección 2). En contraste, las áreas protegidas como ACMUS, APH y los Bosques Protectores (nivel de protección 3) presentan las tasas de deforestación anual más bajas, seguidas por las áreas protegidas privadas (nivel de protección 1).
Las áreas protegidas privadas muestran una notable diferencia entre el nivel de protección reportado por los expertos y las bajas tasas de deforestación calculadas en este análisis. Dos de los expertos entrevistados fundamentan sus opiniones en la falta de garantías legales para la protección a largo plazo, ya que el estatus de conservación en áreas privadas puede cambiar dependiendo de la visión de los propietarios. Sin embargo, estas áreas suelen alcanzar resultados de conservación más elevados debido a su enfoque específico, adaptabilidad y gestión por parte de organizaciones no gubernamentales, familias o consorcios, los cuales implementan prácticas rigurosas de conservación y reducen la presión antropogénica directa. A pesar de estas ventajas, persisten desafíos, entre ellos las tensiones con las comunidades locales debido al acceso restringido a recursos tradicionales y la vulnerabilidad de los enfoques de conservación frente a cambios en las prioridades de los propietarios (, ).
3.3 Entrenamiento del modelo de Red Neuronal Artificial
El algoritmo de Red Neuronal Artificial (ANN) en la herramienta MOLUSCE se configuró con un tamaño de vecindad de 2 píxeles y una tasa de aprendizaje de 0.002. Además, se estableció un momento (momentum) de 0,002, que son parámetros que ayudan a estabilizar el aprendizaje y acelerar la convergencia. La Figura 8 muestra la curva de aprendizaje que ilustra el proceso de entrenamiento del algoritmo a lo largo de 2000 iteraciones, en las cuales se utilizaron 40,000 puntos de muestreo estratificado para entrenar y validar la red neuronal. El error mínimo alcanzado por la red neuronal fue de 8,46 %.
Tabla 5 Resultados de la encuesta para evaluar el nivel de protección contra la deforestación, con 1 representando un nivel bajo de protección y 5 un nivel alto.
3.4 Simulación con autómatas celulares
Los mapas de uso y cobertura del suelo (LULC, por sus siglas en inglés) proyectados para el período 2022-2030, con intervalos de dos años, se ilustran en la Figura 9, mientras que la Tabla 7 detalla la transición de las predicciones de LULC entre 2022 y 2030 en hectáreas, con porcentajes en paréntesis.
Los valores de variación positiva indican ganancias de área, mientras que los valores negativos representan pérdidas. Además, la Figura 9 muestra la evolución de las tasas anuales de cambio proyectadas de LULC (%/año) en intervalos de dos años entre 2022 y 2030, y la Tabla 7 presenta la matriz de transición correspondiente. Por otro lado, la Figura 10 muestra las tendencias futuras proyectadas y las variaciones en las tasas anuales de cambio de las categorías de LULC durante el período 2022-2030.
La Formación Forestal, el mayor uso del suelo, muestra una disminución de área (tasas de cambio negativas), que va de 77025,39 ha en 2022 a 75396,42 ha en 2030, lo que indica una reducción continua pero moderada en la cobertura forestal, probablemente debido a la deforestación (, ). La conversión de bosques en pastizales, tierras agrícolas e infraestructura es un impulsor clave de la deforestación, causando efectos significativos en los ecosistemas y el clima. Este proceso acelera la pérdida de biodiversidad, interrumpe los sistemas hídricos y libera carbono almacenado, intensificando el cambio climático y alterando las condiciones ambientales locales y regionales (, ). Aunque la mayoría de las Áreas de Formación Forestal (95,59 %, 73628,13 ha) permanecieron intactas en la simulación, un 3,72 % se convirtió en Áreas de Agricultura y Ganadería.
De manera similar, el 59,7 % de las Formaciones Naturales No Forestales de 2022 persistieron, mientras que el 21,04 % se transformó en tierras agrícolas, lo que refleja una presión significativa sobre estos ecosistemas debido al crecimiento agrícola (Tabla 7).
La disminución de las Formaciones Naturales No Forestales puede tener consecuencias ecológicas significativas, incluyendo la pérdida de biodiversidad y la degradación de ecosistemas. Por ejemplo, la reducción de humedales naturales se ha relacionado con una disminución en la calidad del hábitat y la fragmentación, agravando aún más la degradación ambiental (, ).
Las Áreas de Agricultura y Ganadería se expanden de manera constante, pasando de 10804,52 ha en 2022 a 12582,78 ha en 2030, reflejando la incursión agrícola. Aunque estas áreas permanecieron predominantemente estables en la simulación (83,72 %, 9045,19 ha), 1412,07 ha se transformaron en Formación Forestal. Este cambio puede indicar la influencia de esfuerzos de conservación e iniciativas implementadas en el CELS, como la promoción de prácticas agroecológicas que pueden facilitar la restauración forestal (, ). Las Áreas de Agricultura y Ganadería muestran tasas de cambio positivas, pero ligeramente desaceleradas, lo que indica un aumento continuo de tierras agrícolas, aunque a un ritmo más lento con el tiempo.
En contraste, las Áreas No Vegetadas exhiben tasas de cambio positivas y crecientes, reflejando una expansión gradual, probablemente asociada al crecimiento periurbano (, ) y otras actividades antropogénicas. Esta expansión también podría estar influenciada por deslizamientos de tierra y el aumento de bancos de arena expuestos en ríos, visibles debido a la disminución en los cuerpos de agua. Aunque las Áreas No Vegetadas mantuvieron el 71,77 % de su cobertura, la conversión de 163,84 ha en Áreas de Agricultura y Ganadería podría atribuirse a esfuerzos de recuperación de tierras y restauración ecológica que facilitan su transición hacia paisajes agrícolas productivos (, ).
Los Cuerpos de Agua, aunque mantuvieron una estabilidad del 77,93 %, experimentaron pérdidas hacia la Formación Forestal y Áreas de Agricultura y Ganadería, probablemente impulsadas por procesos de sedimentación y alteraciones en la dinámica hidrológica. Además, esta tendencia puede reflejar la influencia de los datos utilizados para entrenar la red neuronal artificial (ANN), ya que la disminución observada en los Cuerpos de Agua entre 2018 y 2022 parece haber guiado al modelo a predecir reducciones similares en escenarios futuros. Se requieren estudios adicionales para comprender mejor los factores detrás de estos cambios y evaluar si representan fluctuaciones temporales, tendencias a largo plazo o posibles errores en el proceso de modelado. La Figura 11 muestra una comparación entre los cambios de Formación Forestal a cualquier otra categoría de LULC en los períodos 2022-2024 y 2022-2030.
3.5 Validación del modelo
Mediante cinco iteraciones con 40000 puntos de muestra estratificados, se obtuvo un coeficiente Kappa promedio de 0,95, con valores estables observados en todas las iteraciones. Esto indica un excelente nivel de concordancia entre el mapa predicho y el mapa de 2022 de MapBiomas, lo que sugiere que el modelo tiene un desempeño consistente y puede ser una herramienta útil en los procesos de toma de decisiones.
3.6 Limitaciones del estudio
Las principales limitaciones de este estudio incluyen la baja disponibilidad de imágenes satelitales debido a la alta cobertura de nubes presentes durante el período de análisis. Por esta razón, se utilizaron los mapas de uso y cobertura del suelo generados por MapBiomas. Aunque esta herramienta emplea técnicas avanzadas de filtrado y corrección de imágenes, su cartografía presenta un margen de error con una precisión del 80 %. Asimismo, el uso de la herramienta MOLUSCE, a pesar de su robustez y frecuente aplicación para generar tendencias, incluye un margen de error asociado, con un coeficiente Kappa de 0,95.
El enfoque naturalista del artículo priorizó el análisis de los cambios en la cobertura natural y las diferentes formas de conservación dentro del CELS. Los factores socioeconómicos, políticos, de políticas públicas y de disponibilidad de recursos no se incluyeron en el análisis debido a la falta de datos disponibles y a las complejidades asociadas con la integración de estas variables en modelos geoespaciales. Esto representa una oportunidad para realizar investigaciones complementarias que aborden esta limitación mediante la incorporación de datos sobre crecimiento poblacional, actividades económicas, implementación de políticas, disponibilidad de recursos y capacidades de gestión de áreas protegidas, con el fin de capturar de manera más integral las dinámicas que influyen en los cambios de LULC.
A pesar de estas limitaciones, los resultados presentados en este estudio reflejan de manera confiable las dinámicas observadas en el CELS. Las variables utilizadas son ampliamente aplicadas en el modelado de LULC, y el modelo fue entrenado y validado utilizando diferentes conjuntos de datos, alcanzando un alto nivel de precisión.
4. Conclusiones
Este estudio examinó mapas de uso y cobertura del suelo (LULC, por sus siglas en inglés) obtenidos de la plataforma MapBiomas para el período 2018-2022. Los mapas predictivos de LULC para el período 2022-2030 se generaron utilizando la herramienta MOLUSCE en QGIS. La deforestación se representó como la transición de la clase Formación Forestal a cualquier otra categoría de LULC. Los hallazgos confirman la tendencia esperada de reemplazo de las áreas de cobertura natural por usos antropogénicos, destacándose la expansión de las Áreas de Agricultura y Ganadería en los límites oriental y occidental del CELS. Para mitigar este fenómeno, se recomienda promover prácticas antropogénicas sostenibles, como la agroecología.
Además, se observó que las áreas de conservación presentan tasas de deforestación más bajas, mientras que la mayor parte de la deforestación ocurre en áreas sin ningún estatus de conservación. Por lo tanto, se sugiere fortalecer las áreas de conservación existentes, establecer nuevas áreas y abordar la proporción significativa de cobertura natural sin protección dentro del CELS como estrategias prioritarias.
Las tasas relativamente bajas de deforestación identificadas plantearon desafíos para detectar cambios en los mapas de LULC. Este desafío también se reflejó en el algoritmo de red neuronal artificial (ANN), donde los intervalos de entrenamiento tuvieron que extenderse a dos años debido a los mínimos cambios observados anualmente. Utilizando el modelo ANN y el algoritmo de simulación de autómatas celulares, el estudio estimó las tasas anuales de cambio entre 2018 y 2022 de la siguiente manera: una disminución de 0,37 % por año, equivalente a 1147,33 hectáreas para la Formación Forestal; una reducción del 1,17 % por año, o 30,01 hectáreas, para la Formación Natural No Forestal; un incremento del 2,21 % por año, correspondiente a 906,19 hectáreas, para las Áreas de Agricultura y Ganadería; un aumento del 8,50 % por año, equivalente a 250,84 hectáreas, para las Áreas No Vegetadas; y un ligero incremento del 0,17 % por año, o 30,31 hectáreas, para los Cuerpos de Agua.
En contraste, las simulaciones de LULC para el período 2022-2030 predicen: una disminución anual de 0,27 %, equivalente a 1628,97 hectáreas para la Formación Forestal; una reducción del 1,39 % por año o 63,49 hectáreas para la Formación Natural No Forestal; un aumento del 1,92 % por año, correspondiente a 1778,26 hectáreas, para las Áreas de Agricultura y Ganadería; un incremento del 0,97 % por año, sumando 30,38 hectáreas, para las áreas no vegetadas; y un leve descenso del 0,63 % por año, equivalente a 146,18 hectáreas, para los Cuerpos de Agua. La precisión predictiva del modelo, evaluada mediante el coeficiente Kappa, indicó un gran desempeño.
