text new page (beta)
Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
INTRODUCCIÓN
El cambio de cubiertas y uso del suelo (CCUS) tiene impactos en una amplia gama de atributos ambientales, paisajísticos y climáticos, que lo hace uno de los responsables más importantes del cambio global (Lambin, Geist, y Lepers, 2003). En las últimas décadas se ha observado que existe una acentuada pérdida de biodiversidad y que la mayoría de los ecosistemas sufren algún grado de disturbio o alteración humana (Acevedo y DelibesMateos, 2013; Geist y Lambin, 2001). Los procesos de CCUS aún no se entienden completamente ya que las condiciones socioambientales que influyen en ellos son complejas y muchos cambios se basan principalmente en toma de decisiones económicas y políticas. Estudiar los CCUS ayuda a describir relaciones entre el hombre y la naturaleza, a través de una interfaz espacial, como las imágenes de satélites y los sistemas de información geográfica (SIG), lo que permite monitorear los cambios a escala regional y global, observando los patrones de distribución de las cubiertas en el paisaje y los efectos en los recursos disponibles (Loveland et al., 1999).
Una de las principales herramientas que nos permiten identificar cantidades y áreas susceptibles a modificaciones en el paisaje son los modelos predictivos de CCUS. A través del análisis de procesos relacionados con el manejo forestal, las fuerzas biofísicas y económicas que influyen en ellos, es posible realizar proyecciones a futuro (Mas et al., 2004). Los modelos predictivos usan principalmente un enfoque de patrones de cambio y evaluación del uso del suelo mediante datos de percepción remota, censos poblacionales, análisis estadísticos y conocimiento experto, lo que permite generar la parametrización de las transiciones de una categoría a otra (Bicho, 2004; Castella, Trung, y Boissau, 2005; Verburg, 2007).
En general, los modelos recientes simulan los cambios a través de mapas de probabilidad (zonas más propensas al cambio) y variables “explicativas”, permitiendo elaborar los mapas predictivos de CCUS para identificar áreas susceptibles a los cambios (Mas y Sandoval, 2011). Sin embargo, también se puede predecir los cambios de forma numérica, tratando de estimar la cantidad de cambio a través del tiempo de forma matemática o estadística sin ser espacialmente explícitos (Rosete Vergés, Pérez Damián, y Bocco, 2008).
Los modelos de CCUS predictivos estiman la probabilidad de cambio en función de un conjunto de variables explicativas y a través de la comparación de dos mapas de CUS (cubiertas y uso del suelo) y desde una variedad de enfoques (Geist y Lambin, 2001; Rosete-Vergés, 2008, Mas y Sandoval, 2011). Una vez elaborado el mapa prospectivo se puede evaluar la simulación, o veracidad de la predicción, y lo ideal es que se generen métodos estadísticos para conocer la precisión de la predicción de un modelo (Pontius et al., 2001).
Existen ahora modelos de CCUS que han cumplido el tiempo de proyección y por lo tanto es pertinente hacer una revisión del alcance predictivo real que tuvieron (Rosete Vergés, 2008). La posibilidad de validar prospecciones realizadas es de gran importancia ya que, al momento de su elaboración, los modelos no tienen puntos de comparación y es probable que la simulación generada sea una subestimación o una sobreestimación derivada de la falta de comprensión en los procesos de cambio, y que sea ineficiente para acertar en las trayectorias de cambio de cubiertas y uso del territorio generadas.
Actualmente existe un proceso de validación que permite conocer el grado de fiabilidad del modelo prospectivo, así como de los mapas obtenidos (Osorio, Mas, Guerra, y Maass, 2015). Esta validación se basa en la coincidencia espacial entre un mapa de distribución de los elementos del paisaje real y el mapa simulado para una fecha en la que existe cartografía disponible, y posteriormente se generan, en algunos casos, prospecciones a un plazo mayor (Cuevas y Mas, 2008; Chang-Martínez, Mas, Valle, Torres, y Folan, 2015).
En la validación de los modelos se ha encontrado que en la mayoría existe un elevado nivel de incertidumbre; sin embargo, análisis más complejos pueden generar un enfoque útil para estimar la validez de una predicción de CCUS como los coeficientes Kappa, donde valores superiores a 0.80 se toman como un buen poder predictivos de los modelos predictivos; no obstante, es la única forma de validar al momento y tiene un alto grado de incertidumbre (Han, Yang y Song, 2015). Ante esta problemática, existe una nueva forma en la que podemos evaluar un modelo predictivo de CCUS, que aquí se propone, generando cartografía actualizada de las prospecciones que ya cumplieron el tiempo de predicción o casi lo hicieron, como Camacho-Sanabria, Juan-Pérez, y Pineda-Jaimes (2015).
En este estudio evaluamos la capacidad predictiva de los modelos de CCUS de tres sitios de estudio de la península de Baja California, México, lugares donde se ha observado una creciente conversión de la vegetación natural (matorral xerófilo) a áreas agrícolas (desmatorralización) y urbanas (urbanización), así como recuperación de la vegetación natural (Rosete Vergés, 2008).
ÁREA DE ESTUDIO
La península de Baja California se localiza en el noroeste de México y está conformada políticamente por dos estados; Baja California (BC) y Baja California Sur (BCS) ,con una extensión territorial de 71 450 y 75 675 km2, respectivamente. La península limita al norte con los Estados Unidos de América, al este con el Golfo de California y el estado de Sonora, y al oeste y al sur con el océano Pacífico (Figura 1); está conformada fisiográficamente por sierras, lomeríos, planicies, y valles.
Fuente: elaboración propia con base en INEGI (2017).
Figura 1 Sitios de estudio en la península de Baja California.
La región se encuentra dentro del Centro Semipermanente de Alta Presión del Pacífico norte (CSAP), manteniendo condiciones de aridez, generando climas secos semicálidos, cálidos con subregiones templadas en la parte norte y zonas serranas; cuenta principalmente con un régimen pluviométrico mediterráneo, con lluvias invernales y veranos secos (Zavala, Contreras, Belda, y Rivera, 2009). La precipitación media anual es de 169 mm, en general las lluvias son muy escasas y variadas, en la parte norte varian de 200 a 400 mm, mientras que en el centro van de 100 a 600 mm (Sierra San Pedro Mártir) y en la porción sur de 100 a 200 mm (Conagua, 2010). En cuanto al escurrimiento superficial las cuencas más importantes son Punta Eugenia y San Ignacio (CONAGUA, 2010).
La vegetación de la península de Baja California se puede agrupar en vegetación costera (marismas y dunas costeras), matorral costero suculento, matorrales semiáridos, chaparral, bosque de coníferas, matorral desértico sonorense, vegetación hidrófila, y bosque tropical caducifolio (Lorca, Ariza, Delgadillo, y Suárez, 1993; Riemann y Ezcurra, 2005). Existen diversos tipos de matorrales semiáridos como: rosetófilo, sacocaule, sarcocrasicaule de neblina y desértico micrófilo, además de vegetación de desierto arenoso. Este tipo de matorrales son clasificados como “matorral xerófilo” (Rzedowski, 1981; Rzedowski y Huerta, 1994). La península se caracteriza por un elevado grado de endemismo, por lo que la contribución a la diversidad biológica de México es importante (Riemann y Ezcurra, 2005).
La presión antrópica se encuentra focalizada hacia sus extremos (Tijuana y Mexicali, en BC, y La Paz y Los Cabos en BCS), donde la frontera con los EE. UU. representa la mayor zona de congregación humana (Rosete Vergés et al., 2008). La región tenía casi cuatro millones de habitantes en el 2010, 50.56% hombres y 49.44% mujeres (INEGI, 2011). La densidad poblacional es baja, con 25.36 personas por km2. El estado de Baja California presenta altos niveles de migración, al recibir anualmente170 000 personas, 14 000 nuevos residentes al mes, y de estos le corresponden a la ciudad de Tijuana 4000 familias cada año (Partida Bush, 2006).
En el ámbito económico destacan dos giros, los servicios turísticos y la industria de alimentos, ambos vinculados a la disponibilidad de agua (CONAGUA, 2010; INEGI, 2017). Los sectores estratégicos son procesamiento e industrialización de productos agropecuarios, acuacultura intensiva y maricultura. Los cultivos de exportación son tomate, espárrago, chile, hierbas orgánicas y sal para uso y consumo humano, así como mariscos y crustáceos en varias presentaciones (Secretaria de Economia, 2018).
Tomando como base el estudio de CCUS realizado por Rosete Vergés (2008) y derivado de las actividades económicas, se seleccionamos tres localidades de estudio: Santo Domingo, BCS, Tijuana y San Quintín, BC (Figura 1).
Santo Domingo tiene distintas actividades económicas que generan CCUS, las principales son la agricultura y la ganadería, según INEGI durante el 2016 sus exportaciones representaron el 0.1 % nacional. Considerado como el valle agrícola más grande del estado, con un 73.6 % de la superficie sembrada en BCS, en los años cincuenta fue altamente productivo y derivado de la sobreexplotación de los acuíferos tres décadas después declinó su productividad. Actualmente, a través del procesos de concienciación y un reglamento sobre el uso del recurso hídrico, así como la modernización y tecnificación de los sistemas de riego, se logró disminuir las extracciones y estabilizar la producción (Troyo-Diéguez et al., 2010).
San Quintín se considera una de las zonas rurales con mayor desarrollo económico en Baja California, dentro de la cual un gran porcentaje de la población depende de la actividad agrícola. La carencia de los recursos hidrológicos en esta región, catalogada como árida por su escasa precipitación pluvial, afecta a este tipo de producción (Garduño, García, y Morán, 1989).
Finalmente, Tijuana, una ciudad que ha sido ampliamente transformada por la expansión urbana, se encuentra en la línea fronteriza entre México y los EE. UU., y se ha convertido en una de las principales áreas de migración, donde se promueve el comercio y el crecimiento industrial con una gran captación de mano de obra, y de generación de riquezas, con un crecimiento poblacional 8% por encima de la media del país (Garza, 2002).
METODOLOGÍA
Materiales
Los modelos predictivos de CCUS de la península de Baja California realizados por Rosete Vergés (2008) fueron sometidos a evaluación para conocer su asertividad, y para ello utilizamos una base cartográfica 1:50 000 elaborada a partir de datos del periodo 1978-2003.
Rosete Vergés (2008) a partir de las cartas de la serie I de INEGI en el 1978, y de imágenes de satélite Landsat ETM de 1990-91 y 2003 así como el Inventario Nacional Forestal (INF) del 2000, elaboró los mapas de cambio y los modelos predictivos (matemáticos lineales). El mapa de CCUS del año 2003 para cada sitio fue la base cartográfica usada para realizar la validación de los modelos predictivos de CCUS en el Valle de Santo Domingo, el Valle de San Quintín y Tijuana. Se retomó la cartografía de cubierta y uso de suelo (CUS) del año 2003 para esas tres localidades y se generó cartografía actualizada para el año 2018, lo que permitió obtener mapa de cambios (20032018). Finalmente, se analizó la asertividad de las superficies de los cambios proyectadas en los modelos generados en el año 2008.
En el procedimiento de elaboración de la cartografía 2018 se requirieron cuatro escenas Landsat-8, con una resolución espacial de 30 metros con procesamiento L1T y una corrección topográfica por desplazamiento del terreno debido al relieve. Adicionalmente, se realizó una corrección radiométrica rescaldando los valores de radiancia en el techo de la atmósfera (TOA) para todas las escenas. En Santo Domingo se generó un mosaico de la zona de estudio con dos escenas (LC80350422018025LGN00, path 35, row 42, fecha: 06-02-2018, con 0.78% de nubosidad y LC80350432018041LGN00, path 35, row 43, fecha: 10-02-2018, con 1.4% de nubosidad). Utilizamos una escena para Tijuana (LC804037201828LGN00, path 40, row 37, fecha: 28-01-2018, con 0.05% de nubosidad), y una para San Quintín (LC8039039218005LGN00, path 39, row 39, fecha: 05-01-2018, con 0.03% de nubosidad).
Las imágenes de satélite fueron ajustadas espacialmente respecto a las del año base 2003 a través de remuestreo y fusión de bandas espectrales para obtener cartografía escala 1:50 000 para 2018 (Rico et al., 2006). Se utilizaron herramientas para el posterior procesamiento de las imágenes, como el sistema de información geográfica QGIS (Q-GIS Development Team, 2015), y SPRING (Câmara, Souza, Freitas, y Garrido, 1996). También se utilizaron ambientes para análisis estadísticos R (R Core Team, 2013), mediante su entorno integrado Rstudio (RStudio Team, 2015). La obtención de los cambios se obtuvo a través de la comparación de los mapas de CCUS del 2003 y 2018 mediante la plataforma de modelado espacial DINAMICA EGO (Soares-Filho, Cerqueira, y Penachin, 2002).
Modelos predictivos
Se retomaron los modelos predictivos de cada sitio de estudio realizados por Rosete-Vergés (2008), quien, a partir de un análisis de correlación canónica (véase Rosete Vergés, Velázquez, Bocco y Espejel, 2014), desarrolló modelos de regresión lineal no espaciales para predecir los cambios en la superficie ocupada por el matorral xerófilo (variable dependiente) a partir de la principal variable independiente que explicaba ese cambio en cada sitio (Tabla 1).
Tabla 1 Modelos lineales de predicción de la superficie de matorral xerófilo (y) a partir de las variables independientes (x) que mejor describen el cambio identificado en cada uno de los sitios estudiados.
| SITIO | Variable independiente | MODELO (y=mx +b) | r2 |
| Santo Domingo | Agricultura de riego y humedad (ARH) | y = (-0.8901444*x) + 795530.024 | r2 = 0.761692014 |
| San Quintín | Agricultura de riego y humedad (ARH) | y = (-1.19031676*x) + 368426.422 | r2 = 0.994316228 |
| Tijuana | Poblacion total (PobTot) | y = (-0.01976532*x) + 60688.4254 | r2 = 0.94013673 |
Fuente: Elaboración propia con base en Rosete-Vergés (2008).
Obtención de los mapas del 2018
Utilizamos el método híbrido de actualización de cartografía de CCUS propuesto por Mas, Lemoine-Rodríguez, González-López et al. (2017a). Este método genera segmentos que corresponden a unidades del pasaje y evita la obtención de pixeles aislados. A través de estos segmentos se realiza la detección de los cambios, con base en las respuestas atípicas en comparación con otros objetos de la imagen. Este procedimiento combina el procesamiento digital de clasificación de imagen e interpretación visual para generar mapas de distintas fechas con base en procesos de mejora de la cartografía existente. El sistema de clasificación tomó en cuenta elementos confusos en las escenas multiespectrales. La cartografía fue compuesta por un total de 13 categorías de CUS; asentamientos humanos, agricultura de riego y humedad, agricultura de temporal, matorral xerófilo, mezquital, otros tipos de vegetación, pastizal, vegetación hidrófila, bosque de latifoliadas, bosque de coníferas y latifoliadas, cuerpos de agua y área sin vegetación aparente. El método se basa en clasificaciones interdependientes, similar al propuesto por la FAO (1996), disminuyendo los errores por clasificación independiente y permitiendo elaborar mapas de distintas fechas que son congruentes en el tiempo, esto debido a que los errores generados por interpretación se mantienen y no se suman nuevos errores (Mas et al. 2017a).
Inicialmente se generaron recortes de las imágenes previamente procesadas para generar cartografía a una escala 1:50 000 de cada localidad. Una vez obtenidos los recortes, se introdujeron al proceso de segmentación, ahí se extrajeron los objetos que tenían regiones homogéneas en el espectro, asignándoles contornos definidos obteniendo como resultado polígonos con la misma respuesta espectral, denominados segmentos (Gigandet, Bach Cuadra, y Thiran, 2004).
La segmentación fue realizada con “Spring” para cada una de las localidades de estudio utilizando una similitud de 10 y un área mínima de 270 pixeles por segmento. Se utilizaron las imágenes Landsat 8 del 2018 descritas anteriormente, con las bandas 6-5-4 en las tres áreas de estudio, las cuales son equivalentes a las usadas en los mapas de CCUS del 2003 realizados por Rosete Vergés et al. (2008), esto con la finalidad de que tuvieran correspondencia de interpretación visual.
Posteriormente, calculamos estadísticas zonales para cada uno de los segmentos generados. En este enfoque se compara la imagen de satélite recortada y el mapa de CUS generado en el año 2003, detectando discrepancias entre el mapa categórico y la respuesta espectral de la imagen. La detección de la discrepancia se realiza través de una función de densidad. Esta función calcula la probabilidad de pertenencia de cada segmento a cada una de las cubiertas del mapa de CUS del año 2003 (Hayfield y Racine, 2008). La función de densidad indica qué tan probable es que un segmento con un valor espectral específico pertenezca a una categoría particular del mapa. Esta probabilidad es estimada usando “kernel”, un método de estimación no paramétrico que no considera ningún supuesto sobre el tipo de distribución de los datos (Aitchison y Aitken, 1976).
Adicionalmente, se realizó una clasificación automática utilizando el algoritmo de árbol C5 (Quinlan y Cameron-Jones, 1993); este algoritmo asigna una categoría a cada segmento basado solo en su respuesta espectral, con base en las categorías de los mapas del 2003 y que cubriera la mayor porción de cada segmento. Finalmente, algunos de los segmentos fueron inspeccionados con interpretación visual a partir de imágenes de satélite Landsat 8 y con imágenes de muy alta resolución de Google Earth, tomando en cuenta criterios como textura, color, patrón, tamaño, forma y tono.
Método de evaluación de la fiabilidad de los mapas de CCUS de 2018
Se evaluó la fiabilidad global de los mapas resultantes para 2018, así como la fiabilidad del usurario y del productor de cada mapa con el método recomendado por Olofsson et al. (2014), este método evalúa la asertividad de los mapas del año 2018 a través de puntos de verificación en una malla sobrepuesta en imágenes de muy alta resolución de Google del año 2018 (Google). El tamaño de la muestra fue determinado con la siguiente ecuación (1):
Donde:
n= |
número de muestra |
Wi = |
proporción mapeada del área de la clase |
Si = |
desviación estándar de la fiabilidad del usurario (0.7-0.9) |
Ô = |
error estándar de la fiabilidad global estimada que nos gustaría alcanzar. |
En el caso de Santo Domingo la muestra de puntos de verificación fue de 905 puntos, la mitad de los puntos se distribuyeron de forma equitativa entre las clases y la otra mitad se distribuyó de acuerdo con la proporción que ocupaba cada clase en el mapa. En San Quintín la muestra fue de 997 puntos de verificación y para Tijuana fue de 662 puntos. Se generó una corrección de sesgos debido a la representación entre las categorías mediante la evaluación de los índices de fiabilidad global (proporción del mapa correctamente clasificada), fiabilidad del usuario (errores de comisión de las clases), y fiabilidad del productor (errores de omisión de las clases), propuesto por Olofsson et al. (2014).
Finalmente, se realizó una salida de campo para apoyar la interpretación visual de las imágenes, ubicados principalmente en lugares difíciles de interpretar, seis en Santo Domingo, 14 en San Quintín y seis en Tijuana.
Método de validación de modelos predictivos
Los cambios encontrados entre el mapa elaborado en el 2003 y el mapa actualizado para 2018 fueron evaluados para cada sitio de estudio. Posteriormente, se generaron matrices de cambio de cubiertas entre un año y otro (2003-2018) en DINAMICA EGO, que permitió conocer las hectáreas de cambio por categoría para cada sitio, y el total de pérdida por categoría entre un año y otro, obteniendo así la superficie de cambio del matorral xerófilo que corresponde a la variable dependiente en todos los modelos. Finalmente, fueron comparados los datos actuales de cambio para cada modelo con la predicción realizada en cada sitio de estudio. En el caso de Santo Domingo y San Quintín la validación fue realizada con la cubierta de la categoría agricultura de riego y humedad.
En el caso de Tijuana, debido a que el modelo predictivo estima a partir de la variable población total, fue necesario estimar la población para el 2018 en el área de Tijuana. Esto se realizó a partir de los datos del censo del 2010 (INEGI, 2011), con una proyección de población hasta el año 2018, mediante la ecuación 2:
RESULTADOS
A través del método híbrido de actualización cartográfica se obtuvieron los mapas de CCUS de Santo Domingo, San Quintín y Tijuana para el año 2018, a escala 1:50 000 con una unidad mínima cartografiarle de una hectárea. La verificación en campo permitió corroborar un posible error en categorías erróneamente clasificadas. En Santo Domingo se pudo observar que las categorías asignadas en la clasificación eran correctas. En el caso de San Quintín, de los 14 sitios se encontró que cuatro no correspondían a la clasificación asignada, estos sitios erróneamente clasificados presentan características que dificulta la interpretación visual al confundirse una categoría con otra debido a su respuesta espectral, siendo muy similar entre ellas. En Tijuana todos los sitios correspondieron a su categoría asignada.
Santo Domingo
Actualización cartográfica y evaluación del mapa 2018
El mapa de Santo Domingo (Figura 2), presentó una fiabilidad global de 98%, sin embargo, la fiabilidad del usuario y del productor varió para cada categoría siendo el pastizal la categoría con menor fiabilidad del productor con 0.66 (Tabla 2). El resto de las categorías tienen valores satisfactorios de fiabilidad. Desde el 2003 al 2018 podemos observar que el Valle de Santo Domingo sigue siendo de uso principalmente agrícola, y se encuentra asociado a las áreas con mayor densidad poblacional en la región de Baja California Sur. El mapa de cambios, que se realizó comparando el mapa actualizado del 2018 y el mapa de CUS 2003, mostró pocos cambios en la porción correspondiente al valle agrícola, y se pudieron observar algunos cambios en la dinámica costera (Figura 2).
Fuente: Elaboración propia.
Figura 2 Mapa de cambios de valle de Santo Domingo 2018, Baja California Sur, México.
Tabla 2 Valores de fiabilidad de las categorías en los mapas del año 2018.
| Santo. Domingo | San Quintín | Tijuana | |||||||
| CATEGORÍA | FU | FP | CATEGORÍA | FU | FP | CATEGORÍA | FU | FP | |
| MX | 0.99 | 0.99 | MX | 1.00 | 0.99 | MX | 0.99 | 0.97 | |
| MZ | 0.88 | 0.79 | MZ | 1.00 | 1.00 | MZ | 0.97 | 1.00 | |
| PZ | 1.00 | 0.66 | PZ | 1.00 | 1.00 | PZ | 0.94 | 0.98 | |
| ARH | 1.00 | 1.00 | ARH | 0.93 | 0.98 | ARH | 0.83 | 0.96 | |
| AH | 1.00 | 0.91 | AH | 1.00 | 0.57 | AT | 0.89 | 1.00 | |
| OV | 0.94 | 1.00 | OV | 0.94 | 1.00 | BL | 1.00 | 1.00 | |
| VH | 0.96 | 1.00 | BC | 1.00 | 1.00 | - | - | - | |
| - | - | - | BCL | 1.00 | 1.00 | - | - | - | |
| - | - | - | ASVA | 0.94 | 1.00 | - | - | - | |
| - | - | - | at | 0.96 | 0.99 | - | - | - | |
MX=Matorral xerófilo, MZ= Mezquital, PZ= Pastizal, ARH= Agricultura de riego y humedad, AH=Asentamiento humano, OV= Otros tipos de vegetación, VH= Vegetación hidrófila, BC= Bosque de coníferas, BCL= Bosque de coníferas y latifoliadas, ASVA= Área sin vegetación Aparente, BL= Bosque de latifoliadas. FU= Fiabilidad del usurario y FP=Fiabilidad del productor.
Fuente: Elaboración propia.
Validación del modelo predictivo
La matriz de cambio del 2003 al 2018 muestra las principales transformaciones de las categorías (Tabla 3). Comparando las estimaciones realizadas en los modelos predictivos propuestos por Rosete Vergés (2008), podemos observar que la categoría matorral xerófilo, es la cubierta que tuvo mayor pérdida, y con respecto al modelo en esta localidad, el modelo estimó una pérdida de 89 hectáreas de matorral xerófilo por cada 100 ha nuevas de agricultura de riego. El análisis de validación mostró que existe una pérdida de 115.48 ha de matorral xerófilo por cada 100 ha nuevas de agricultura de riego. Esto indica que el proceso de desmatorralización, en el sitio, tuvo asertividad de 77%, indicando que se desmontó 30% más matorral del que se tenía estimado para este caso (Tabla 6).
Tabla 3 Matriz de cambio de clases para Santo Domingo durante el periodo 2003-2018.
| CATEGORÍA | MX | MZ | PZ | ARH | AH | OV | VH | PT |
| MX | 690942 | 0 | 6 | 1816 | 155 | 136 | 356 | 2469 |
| MZ | 380 | 21015 | 0 | 165 | 0 | 0 | 0 | 545 |
| PZ | 0 | 49 | 541 | 145 | 0 | 0 | 0 | 194 |
| ARH | 395 | 241 | 0 | 118486 | 70 | 0 | 0 | 706 |
| AH | 0 | 1 | 0 | 12 | 2727 | 0 | 2 | 15 |
| OV | 845 | 7 | 0 | 0 | 74 | 41718 | 881 | 1807 |
| VH | 1078 | 0 | 0 | 0 | 6 | 193 | 20072 | 1277 |
| GT | 2698 | 3272 | 6 | 2138 | 305 | 329 | 1239 | 895501 |
MX=Matorral xerófilo, MZ= Mezquital, PZ= Pastizal, ARH= Agricultura de riego y humedad, AH=Asentamiento humano, OV= Otros tipos de vegetación, y VH= Vegetación hidrófila, GT=Ganancia total y PT= Perdida total. En negritas la permanencia de la categoría entre un año y otro.
Fuente: Elaboración propia
Tabla 4 Matriz de cambio de clases para San Quintín en el periodo 2003-2018.
| Elba | BC | BCL | MX | MZ | OV | PZ | ARH | AT | AH | ASVA | PT |
| BC | 2196 | 11 | 58 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 68 |
| BCL | 759 | 234 | 48 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 812 |
| MX | 0 | 0 | 318452 | 299 | 38 | 475 | 541 | 1173 | 132 | 162 | 2820 |
| MZ | 126 | 0 | 969 | 4216 | 5 | 1 | 91 | 44 | 29 | 37 | 1302 |
| OV | 0 | 0 | 22 | 7 | 8731 | 148 | 58 | 43 | 45 | 3 | 326 |
| PZ | 101 | 33 | 329 | 38 | 1 | 8460 | 150 | 10 | 1 | 0 | 663 |
| ARH | 0 | 0 | 899 | 68 | 68 | 197 | 48521 | 568 | 254 | 105 | 2159 |
| AT | 0 | 0 | 699 | 44 | 59 | 24 | 1853 | 29758 | 169 | 78 | 2926 |
| AH | 0 | 0 | 21 | 7 | 4 | 0 | 116 | 19 | 3077 | 0 | 167 |
| ASVA | 0 | 0 | 60 | 0 | 2 | 0 | 54 | 29 | 0 | 1293 | 145 |
| GT | 986 | 44 | 3105 | 463 | 177 | 850 | 2863 | 1886 | 630 | 385 | 424938 |
BC= Bosque de coníferas, BCL= Bosque de coníferas y latifoliadas, MX=Matorral xerófilo, MZ= Mezquital, OV= Otros tipos de vegetación, PZ= Pastizal, ARH= Agricultura de riego y humedad, AT=Agricultura de temporal, AH=Asentamiento humano, ASVA=Área sin vegetación aparente, GT=Ganancia total y PT= Perdida total. En negritas la permanencia de la categoría entre un año y otro.
Fuente: Elaboración propia.
Tabla 5 Matriz de cambio de clases para Tijuana en el periodo 2003-2018.
| CATEGORÍA De/a | BL | MX | MZ | PZ | ARH | AT | AH | ASVA | PT |
| BL | 3879 | 186 | 0 | 16 | 0 | 20 | 0 | 0 | 222 |
| MX | 297 | 34546 | 19 | 373 | 9 | 312 | 1745 | 7 | 2762 |
| MZ | 0 | 78 | 390 | 20 | 16 | 27 | 0 | 193 | 334 |
| PZ | 6 | 983 | 68 | 13039 | 2 | 123 | 2661 | 15 | 3858 |
| ARH | 0 | 58 | 1 | 22 | 806 | 17 | 729 | 1 | 828 |
| AT | 24 | 1245 | 17 | 221 | 25 | 18531 | 8178 | 168 | 9878 |
| AH | 0 | 22 | 0 | 13 | 8 | 59 | 21911 | 0 | 102 |
| ASVA | 0 | 48 | 0 | 0 | 0 | 14 | 4964 | 568 | 5026 |
| GT | 327 | 2620 | 105 | 665 | 60 | 572 | 18277 | 384 | 90670 |
BL=Bosque de latifoliadas, MX=Matorral xerófilo, MZ= Mezquital, PZ= Pastizal, ARH= Agricultura de riego y humedad, AT=Agricultura de temporal, AH=Asentamiento humano, ASVA=Área sin vegetación aparente, GT=Ganancia total y PT= Perdida total. En negritas la permanencia de la categoría entre un año y otro.
Fuente: Elaboración propia.
Tabla 6 Asertividad de los modelos predictivos sobre los procesos de desmatorralización en los sitios de estudio.
| Lugar/Desmatorralización | Perdida de matorral Predicho en 2008 (ha) | Perdida de matorral Calculado (ha) | Asertividad de predicción % |
| Santo Domingo | 89 | 115.48 | 77 |
| San Quintín | 119 | 102.43 | 86 |
| Tijuana | 19.8 | 7 | 35 |
Fuente: Elaboración propia
San Quintín
Actualización cartográfica y evaluación del mapa 2018
La evaluación del mapa de San Quintín (Figura 3) presentó una fiabilidad global de 99%. Todas las categorías tienen valores satisfactorios de los índices de fiabilidad a excepción del asentamiento humano, quien presenta una fiabilidad del productor de 0.57 (Tabla 2). Es posible que en esta clase la fiabilidad del productor presenta posibles errores de omisión debido a la conformación espacial que tienen los asentamientos en la región, ya que las viviendas se encuentran divididas en el espacio y, por lo tanto, se encuentra suelo desnudo en una amplia zona, aunado que encontramos la mayor parte de las zonas agrícolas en la periferia de estas zonas urbanas, donde en muchas ocasiones sus límites no son claramente identificables.
Validación del modelo predictivo
En la matriz de cambio del 2003 al 2018 podemos observar que gran parte de la agricultura que era tradicionalmente de temporal se ha convertido en agricultura de riego y humedad con 1853 ha que eran principalmente de temporal y que ahora tienen algún sistema de riego (Tabla 4). De acuerdo con el modelo de Rosete Vergés (2008), la estimación de pérdida para el matorral xerófilo era de 119 ha por cada 100 ha nuevas de agricultura de riego, y la pérdida encontrada fue de 102.43 ha de matorral xerófilo, esto indica que el modelo fue acertado en un 86% (Tabla 6). Otro resultado interesante, es que varias categorías han pasado a ser matorral xerófilo, en total 2820 ha.
Tijuana
Actualización cartográfica y evaluación del mapa 2018
La evaluación del mapa de Tijuana (Figura 4), presentó una fiabilidad global de 97%. A diferencia de las otras dos localidades, para todas las categorías presentes en Tijuana la fiabilidad del usuario y del productor presentó valores satisfactorios (Tabla 2). Desde el 2003 al 2018 podemos observar que Tijuana representa el caso de una ciudad con un gran crecimiento urbano, la cantidad de espacio ocupado por el asentamiento humano aumentó en 18 277 ha, que representa casi un 50% de la superficie que existía en el 2003 (Tabla 5).
Validación del modelo predictivo
La matriz de cambio del 2003 al 2018 muestra las principales transformaciones de las categorías, en ellas podemos observar que las aportaciones a asentamientos humanos provienen de casi todas las categorías, excepto del mezquital (Tabla 5). Sin embargo, al parecer todas las áreas sin vegetación que encontramos en el 2003 ahora son asentamientos humanos (Tabla 5 y Figura 4). También observamos que gran parte del área agrícola y pastizales ahora se encuentran ocupadas por viviendas, ocupándose 11 568 ha para asentamientos humanos del 2003 al 2018. Se observó un incremento de la población de 27 778 personas al año entre 2003 (1 432 694 hab.) y 2010 (1 638 885 hab.), por lo que para el año 2018 se estimó una población de 1 833 332 personas en el área. Comparando las estimaciones realizadas en los modelos predictivos propuestos por Rosete Vergés (2008), en donde se menciona que por el incremento de 1000 habitantes en la población total representaba una disminución de 19.8 ha de matorral xerófilo, con la cuantificación para 2018, resultó que por cada 1000 habitantes disminuyó siete hectáreas el matorral xerófilo, teniendo un porcentaje de acierto de 35% (Tabla 6).
DISCUSIÓN
Los modelos de CCUS son una de las herramientas más poderosas para comprender y explicar las causas y efectos de la dinámica de las actividades antrópicas sobre el suelo, conforman un respaldo de gestión del suelo y de toma de decisiones y pueden capturar las interacciones entre humano-ambiente ya sean espaciales o no (Ren et al., 2019). Aunque los modelos de CCUS son tan importantes a la fecha los métodos de validación comúnmente utilizados para probar la asertividad de los modelos de predicción de CCUS, no son capaces de demostrar totalmente la capacidad de un modelo para generar las predicciones, debido a que la validaciones resultan insuficiente o en algunos casos inexistentes (Kucsicsa et al., 2019; Verburg et al., 2019).
Las validaciones actuales se basan en los cambios que ocurrieron en el tiempo presente con respecto a una prospección de tiempo pasado, comparando la coincidencia espacial entre las probabilidades de cambio o los CCUS simulados con los cambios observados reales del presente. La evaluación de este tipo de modelos es posible a través de un análisis ROC (acrónimo de Receiver Operating Characteristics, o Característica Operativa del Receptor), que compara el cambio real con mapas de idoneidad modelada para el CCUS (Pontius y Schneider, 2001; Mas y Flamenco, 2011). También es posible el uso del índice de diferencia de potencial de cambio (DCP) para evaluarlo (Eastman et al., 2005). Actualmente, no existen trabajos en los cuales se haya evaluado la predicción de modelos de CCUS en donde el tiempo de predicción se haya cumplido y se compare con los valores reales en el tiempo futuro ósea con los cambios reales ocurridos (Verburg et al., 2019). Las validaciones que incluyen un análisis de incertidumbre, verificación del modelo, análisis de sensibilidad y evaluación comparativa con otros modelos, son un paso esencial para incrementar la calidad de los modelos, sin embargo, no permiten el cien por ciento de la certidumbre de los modelos.
Por tal motivo, en este trabajo realizamos y proponemos una nueva forma de evaluar los modelos de CCUS predictivos a través de la observación de los cambios reales, una vez que haya pasado el tiempo de predicción y donde es posible observar la asertividad de los modelos. Los resultados obtenidos mostraron una asertividad mayor al 75%, sin embargo, es claro que cada sitio de estudio tiene particularidades en las actividades que propician el cambio que se expresan en el porcentaje de asertividad calculado. En las validaciones típicas que se hacen a los modelos de predicción cuando las hay, es difícil detectar los factores de cambios de índole socio-económico, que en ocasiones son los principales conductores y que son determinantes para saber la dirección que tomara el cambio (Verburg et al., 2004; Verburg et al., 2019), a través de esta evaluación no solo es posible conocer la asertividad sino que bajo una investigación más exhaustiva y rigurosa será posible conocer los factores directos e indirectos que llevaron al cambio incrementando el conocimiento experto para posteriores predicciones (Chang-Martínez et al., 2015).
En Santo Domingo, el modelo subestimó el porcentaje de desmatorralización generándose 30% más pérdida de lo esperado, debido a que el incremento de agricultura de riego y humedad está estrechamente relacionado con el cambio de tecnología del sistema de riego por aspersión con pivote central. Estos nuevos sistemas ayudan a obtener mejores rendimientos con menos recursos, y hace posible abrir nuevos sitios de uso agrícola (Troyo-Diéguez et al., 2010; SIAP, 2018). Sabemos también que existe un control del uso hídrico en la zona que limita el uso desmesurado del recurso hídrico, por lo que la tendencia es a la optimización del recurso hídrico mediante la implementación de nuevos sistemas tecnológicos, como ocurre en el valle de Santo Domingo (Álvarez Morales et al., 2014).
Para San Quintín, el modelo mostró diferencias pequeñas entre lo predicho y lo observado, con un porcentaje de certeza del 87%, habiendo menos desmatorralización de lo que se pronosticaba. Por lo que consideramos que el modelo prospectivo indico la tendencia de cambio muy cercano a la realidad, indicando que el sitio continúa siendo un polo de desarrollo agrícola (Rosete Vergés et al., 2008). En la actualidad, San Quintín muestra un gran número de parcelas abandonadas y la vegetación que se ha establecido en estos lugares, corresponde a vegetación secundaria de matorral xerófilo, con suelos mayormente degradados, por lo que es muy escasa y difícil de diferenciar en la interpretación visual (Mercado Mancera, 2011). Es posible que en este caso particular, la degradación de los suelos, afecte el procesos de sucesión de la vegetación natural lo que indica un posible cambio futuro en la trayectoria del modelo predictivo (Beltrán Morales et al., 2005). Actualmente, San Quintín es una ciudad principalmente productora de hortalizas, basando su economía en la actividad agrícola con empresas agroexportadoras que compiten a nivel mundial (Anguiano, 1991; Velasco Ortiz, 2011).
Finalmente, Tijuana es una ciudad con una dinámica de crecimiento poblacional elevado, derivado de factores como la migración y con una alta tasa de natalidad esto puede ser debido a su condición fronteriza (PEACC-BC, 2012). Generando condiciones más complejas de lo que el modelo predice, la predicción de desmatorralización fue de un 35%, indicando que la vegetación de matorral xerófilo no se ha visto afectada de manera importante por el crecimiento poblacional. Esto se puede atribuirse a que el matorral se encuentra en sitios menos accesibles para la expansión urbana que otras cubiertas como los pastizales o áreas agrícolas. Las zonas cercanas al asentamiento urbano principal son en su mayoría sitios con pastizales, suelo desnudo y agricultura de temporal. Aun cuando el proceso de desmatorralizacion no se llevó a cabo de manera intensiva, la expansión urbana tiene un incremento de más del 50% de lo esperado. Este resultado es un ejemplo de una tendencia global al incremento de la población en los centros urbanos (Mosammam et al., 2017). La cantidad de hectáreas que son transformadas de otras categorías a asentamientos humanos son más del doble de la estimación realizada por el modelo de Rosete Vergés (2008).
Como podemos observar existen una interconexión de factores biofísicos y socioeconómicos que en muchas ocasiones los modelos no son capaces de replicar, pero, que en la simplificación de la realidad en la que están basados, puede llevar a probabilidades de cambio muy cercanos a la realidad y estas aproximaciones en conjunto con conocimiento experto son una herramienta con supuestos que permiten planificar los territorios y ayudar en la toma de decisiones (Mosammam et al., 2017; Nielsen et al., 2019).
El método de evaluación de la asertividad aquí propuesto presenta ventajas en su elaboración, debido a que toma en cuenta la clasificación anterior, por lo tanto no genera dobles errores de interpretación, algo común en las clasificaciones independientes (Mas, Lemoine-Rodríguez, González et al., 2017b). También podemos observar que trabajar sobre los cambios reales, nos permite hacer conjeturas de los verdaderos factores de cambio directos e indirectos (Lambin, Rounsevell, y Geist, 2000).
CONCLUSIONES
Este estudio representa el primer trabajo en el cual se valida la proyección de un modelo de CCUS para el cual ya se ha cumplido la fecha de proyección. De los tres modelos de CCUS validados, dos mostraron un porcentaje de asertividad mayor al 75%, mientras que el tercero fue de 35%.
El trabajo presentado generó aportes científicos y tecnológicos importantes, por un lado, la metodología empleada es una propuesta que ayuda a conocer el grado de certidumbre de los modelos predictivos de CCUS y la generación de cartografía actualizada. Mientras que los hallazgos encontrados en la comparación de los modelos (2003-2018) y lo observado en la realidad, muestran que existen factores directos e indirectos que generan un proceso de desmatorralización a partir de expansión de la agricultura de riego y humedad en Santo Domingo y San Quintín, mientras que en Tijuana existen otras fuerzas motrices que generan el cambio y que no fueron consideradas en la construcción del modelo validado.
La metodología que se propone en este trabajo es novedosa, debido a que muestra el patrón espacial actual, que permite hacer estimaciones reales de los cambios y cotejarlo con los cambios esperados, además de crear un marco de análisis sobre los cambios a través de cartografía confiable actualizada. Sin embargo, es importante resaltar que existen limitaciones que hay que tomar en cuenta a la hora de aplicar este método para validar modelos predictivos de CCUS. Por ejemplo, el cambio en las tecnologías empleadas para realizar los modelos de CCUS entre el tiempo uno y el tiempo dos en el que se realiza la evaluación de los modelos predictivos, puede ser diferente y en su mayoría mejor en la fecha más reciente, también es verdad que no siempre se tienen disponible los mismo tipos de insumos, por lo que será necesario equiparar con lo existente para generar las validaciones.
Finalmente, hay que considerar que los modelos son una simplificación de la realidad, pero que sería importante evaluar distintos enfoques de modelación predictiva para conocer el grado de incertidumbre o certidumbre real que existe de acuerdo con diversas metodología que podrán comparar, ya que este ejercicio muestra una nueva alternativa de evaluación solo para un tipo de modelación.
Aun así, es importante remarcar que este tipo de evaluación permitirá enriquecer el conocimiento y los alcances de los modelos de CCUS, haciendo posible integrar mayor conocimiento a modelos prospectivos en el futuro.
