Introducción

Los incendios son uno de los factores más importantes que impactan a los recursos forestales; ya que, por ejemplo, afectan la cobertura vegetal (^{Gallegos et al., 2014}; ^{Bautista y Rodríguez, 2017}), la estructura de los ecosistemas forestales (^{Alanís et al., 2018}), así como la regeneración natural del arbolado (^{Juárez-Martínez y Rodríguez-Trejo, 2003}).

Aunque sus causas son diversas, en México son el resultado de la interacción de actividades antropogénicas con factores ambientales que definen su comportamiento (^{Ibarra-Montoya y Huerta-Martínez, 2016}). Más aun, se estima que 97 % de los incendios en México son ocasionados como consecuencia de actividades humanas (^{Cruz et al., 2017}). Entre estas predominan los incendios que se derivan de quemas relacionadas con actividades agrícolas y ganaderas, en las cuales se utiliza el fuego para preparar las tierras para el cultivo y el pastoreo (^{Flores et al., 2016}). Ello implica que en la medida que se tengan mayores superficies dedicadas a esas actividades, se tienen más probabilidades de propiciar incendios.

Sin embargo, los modelos para evaluar la incidencia de incendios en México no incluyen a las actividades antrópicas, ya que se enfocan, principalmente, a la carga de combustibles forestales y algunos consideran variables ambientales (^{Chávez et al., 2016}).

No obstante, se han generado modelos que involucran variables agropecuarias, como el número de cabezas de ganado (densidad), para determinar superficies con potencial para el desarrollo de incendios (^{Ibarra-Montoya y Huerta-Martínez, 2016}). Sin embargo, actualmente no se tienen estudios que relacionen la dinámica de las superficies agropecuarias y forestales con la incidencia de incendios. La integración de datos de campo con tecnologías como los Sistemas de Información Geográfica y la Teledetección permitiría modelar esta tendencia (^{Gollberg et al., 2001}).

De acuerdo con lo anterior, el objetivo del presente trabajo fue analizar si existe una relación espaciotemporal entre las superficies agrícolas, pecuarias (pastizales) y forestales con la incidencia de puntos de calor. Con base en esto, se plantea la hipótesis de que el aumento de la superficie dedicada a las actividades agropecuarias está relacionado con el incremento del número de puntos de calor y la variación de las áreas forestales en el estado de San Luis Potosí.

Materiales y Métodos

El estudio se desarrolló en el estado de San Luis Potosí, centro-norte de México, entre las coordenadas 21°10’ y 24°32’ latitud norte y 98°20’ y 102°18’ longitud oeste (Figura 1). Donde la superficie forestal, según cifras del Inventario Nacional Forestal y de Suelos (^{Conafor, 2014}), es de 4 314 6321 ha (71 % de la superficie del estado); cuya vegetación corresponde a tres grandes ecosistemas: bosques, selvas y vegetación de zonas áridas y semiáridas. Por otra parte, se tienen 851 004 ha dedicadas a las actividades agrícolas (^{INEGI, 2015}), que corresponden a 14 % de la superficie total del estado. Mientras que, los pastizales representan 725.9993 ha (12 %).

Figura 1 Localización geográfica del estado de San Luis Potosí y ubicación de las áreas de evaluación. 

Para el análisis de la relación entre cambios de coberturas e incidencia de puntos de calor, se definieron cinco áreas de evaluación que cumplieran dos aspectos primordiales: 1) que se tengan detectados puntos de calor (PC), y 2) que se ubique vegetación forestal, así como áreas agrícolas o pecuarias (pastizales).

Referente a incendios (Figura 2), San Luis Potosí anualmente registra en promedio 72 eventos, que afectan una superficie de 3 821 ha, con un tamaño promedio por conflagración de 53 ha (^{Conafor, 2014}). La temporada de incendios coincide con la época de estiaje, con periodos prolongados de sequía, que comprende principalmente los meses de enero a junio.

Fuente: ^{Conafor (2014)}.

Figura 2 Dinámica de los incendios en el estado de San Luis Potosí  

Para el período 2010-2017, se obtuvo por área de evaluación la información geográfica de cada uno de los PC del reporte que genera la Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (Conabio); los cuales se generaron a partir del procesamiento de imágenes AVHRR y MODIS (^{Muñoz-Robles y Santana-Arias, 2018}). De esta forma se determinó la ocurrencia espaciotemporal de los PC y se relacionó con la dinámica en las variaciones de superficies forestales, agrícolas y pecuarias.

Los cambios de uso de suelo en las áreas de evaluación se analizaron determinando los cambios en las superficies forestales, agrícolas y pecuarias, para lo cual se emplearon las imágenes de satélite correspondientes a row/path: 27/44, 27/45, 28/44 y 29/44), que se descargaron del servidor del Servicio Geológico de Estados Unidos de América: a) Landsat 5TM, para los años 2010 y 2011; y b) Landsat 8 OLI, para 2013 a 2018. No se trabajó con la imagen del 2012 debido a que presentó muchas áreas con falta de información. Dado que la diferencia entre áreas forestales, agrícolas y pecuarias se puede apreciar mejor en la época de secas, las imágenes Landsat incluidas fueron de los meses de enero a marzo.

Asimismo, la combinación de bandas 5-4-3 fue la que permitió discriminar con más detalle las áreas agrícolas, forestales y pecuarias, lo cual facilitó establecer las áreas de entrenamiento (^{Cartaya et al., 2015}) para aplicar la clasificación supervisada.

Para la definición de áreas de entrenamiento, se utilizó como base la información de coberturas y usos de suelo registrados en la Serie VI de ^{INEGI (2016)}, y a partir de esos datos se diferenciaron las siguientes coberturas: 1) cuerpos de agua; 2) agricultura; 3) pastizales; 4) zonas urbanas; 5) vegetación o zona forestal; y 6) sin vegetación. Una vez realizada la clasificación supervisada, se determinó la superficie de cada categoría en las áreas de evaluación, y posteriormente se estableció la dinámica anual de las cubiertas examinadas. Las clases “zonas urbanas” y “cuerpos de agua” se eliminaron con el propósito de realizar el análisis solo sobre las coberturas de interés.

Para establecer la dinámica de las tendencias en las variaciones anuales de las superficies de las áreas forestales, agrícolas y pecuarias, se definieron los modelos de regresión simple que mejor se ajustaron, así como las ecuaciones correspondientes. Por ejemplo, se analizó si el incremento de áreas agrícolas repercutía en un decremento de las forestales. Posteriormente, mediante un análisis multivariado se definieron las tendencias de los puntos de calor con respecto a las variaciones de las superficies de las áreas forestales, agrícolas y pecuarias, por medio de modelos de regresión múltiple lineal y no lineal.

Resultados y Discusión

En principio, se analizó la distribución espacial de la incidencia de puntos de calor (Figura 3).

Figura 3 Variación anual de la densidad y distribución de puntos de calor, detectados en AE-4 (adaptado de ^{Conabio, 2018}). 

Respecto al número de puntos de calor, estos varían anualmente. En cuanto a su distribución espacial en el presente estudio, se determinó que existe una tendencia en su concentración en determinadas zonas.

En México, los incendios son provocados, de manera recurrente, por las actividades desarrolladas por el ser humano (^{Pérez-Verdín et al., 2013}), cuyo riesgo y peligro puede relacionarse con eventos hidrometeorológicos (^{Gutiérrez et al., 2015}), en los cuales la superficie afectada varía anualmente. En el área de estudio, durante 2011, hubo un importante incremento en la superficie afectada por incendios, lo que coincide con lo presentado por ^{Gutiérrez et al. (2015)}, quienes citan un aumento del área afectada por incendios en el Estado de México, para el mismo año. Estos incendios se asocian con la detección de puntos de calor; al respecto en el presente estudio se observó una tendencia en su concentración en determinadas zonas, como lo señalan ^{Zúñiga-Vásquez et al. (2017)} y ^{Ávila-Flores et al. (2010)}, cuando modelan espacialmente los incendios forestales en México y en el estado de Durango, respectivamente.

En el trabajo que aquí se documenta, no obstante que hubo variaciones, se evidenció la existencia de ciertos patrones en la localización de los puntos de calor, hecho que coincide con lo indicado por ^{Pompa y Hernández (2012)} para el estado de Durango.

Por lo que corresponde a la variación espacial de coberturas (Figura 4), en general, las áreas forestales permanecieron relativamente constantes; mientras que, los pastizales (considerados de uso pecuario) resultaron con mayor variación. Como es el caso del área de evaluación 1 (AE-1), que registró un ligero aumento de las áreas de pastizales en el año 2015; en el AE-2 (Figura 4) se observó un ligero aumento, pero constante, de las áreas agrícolas. Sin embargo, es importante señalar que en algunos casos, las áreas con pastizales se incrementaron notablemente de un año a otro. Así en el AE-3 al comparar los años 2011 y 2013, se obtuvo un aumento en la región noreste. Posteriormente, esta región evidenció una tendencia a incrementar las coberturas agrícolas. Por otra parte, las áreas de pastizales en el AE-4 fueron relativamente similares entre los años 2010 y 2015, y en el periodo 2011-2016. Aunque se apreció una disminución de esta cobertura, debido a un aumento de las zonas agrícolas.

Verde = Forestal; Amarillo = Agrícola; Rojo = Pastizal.

Figura 4 Ejemplo de la variación espacio-temporal de las coberturas de suelo en el área de evaluación 2 (AE-2). 

Al respecto, los resultados sugieren que el incremento de los puntos de calor se relaciona con el aumento de las superficies agrícolas y ganaderas; aun más, la correspondencia se define mejor con la inclusión de las variables referentes a las superficies pecuarias (pastizales) y las forestales en modelos multivariados, lo que podría asociarse con la ocurrencia de sequías (^{Núñez-López et al., 2007}).

Referente a la dinámica de las extensiones por coberturas, en las gráficas de las relaciones de las áreas por cobertura se observa que las superficies se mantuvieron relativamente constantes (Figura 5); en particular, la cobertura forestal, aunque en los casos de las AE-3 y AE-5 se presentó una disminución. En cuanto a las áreas agrícolas, en general, se incrementaron; aunque en el caso del AE-4 hubo un ligero descenso. En relación con las áreas de pastizales se observó una ligera reducción, cuando aumentaron las superficies agrícolas.

Figura 5 Tendencias de la dinámica de superficies de las coberturas forestales, agrícolas y pecuarias (pastizales), por AE. 

En el Cuadro 2 se muestra la dinámica de las coberturas analizadas.

En las áreas evaluadas se registró que al disminuir la superficie forestal, se incrementan las relacionadas con las actividades antropogénicas (pecuarias y agrícolas), lo cual coincide con lo citado por ^{Gordillo-Ruiz y Castillo-Santiago (2017)} en un análisis del cambio de uso de suelo en la cuenca del río Sabinal, en el estado de Chiapas, así como con lo documentado por ^{Escandón et al. (2018)}, quienes estudiaron el cambio de cobertura vegetal y uso de suelo en el estado de Morelos, para lo cual emplearon el método de la clasificación supervisada en imágenes Landsat. En particular, en algunas zonas se evidenció una disminución de áreas pecuarias y un incremento en las agrícolas, lo que concuerda con lo presentado por ^{Ramos-Reyes et al. (2016)}, quienes realizaron un análisis de cambio de uso de suelo en Comalcalco, Tabasco.

El análisis de las variaciones temporales de la superficie agrícola y los PC mostró, de forma general, que son similares (Figura 6). Lo anterior implica que al aumentar la superficie agrícola (SA), también se incrementa el número de PC. Sin embargo, la proporción de esas variaciones fue diferente entre las áreas de evaluación; por ejemplo, en el AE-4 se registró mayor similitud, a diferencia de las AE-3 y AE-4, donde la variación temporal de los PC resultó más acentuada.

Eje ordenada izquierda= Superficie en miles de hectáreas; Eje ordenada derecha= Número de puntos de calor; Abcisa= Año, donde 10= 2010, 12= 2012, 13=2013, 14= 2014, 15= 2015, 16= 2016 y 17= 2017.

Figura 6 Relación temporal entre las superficies de las coberturas de suelo (línea continua) y los puntos de calor (línea punteada), correspondientes a cada una de las áreas de evaluación (AE).  

La relación entre las superficies pecuarias (SP) y los PC variaron entre áreas de evaluación. Al respecto, en el AE-5 se apreció una alta similitud; mientras que, en el AE-2 las relaciones fueron contrarias (al aumentar la SP disminuyeron los PC). En AE-4 la similitud fue variada, ya que en los primeros años hubo una alta similitud, pero posteriormente fueron opuestas. Es importante remarcar que en el 2017, las correspondencias resultaron contrarias; es decir, al disminuir la SP, aumentó el valor de PC. En cuanto a la superficie forestal (SF) se tuvo una ligera similitud con la tendencia de PC; asimismo en el 2017, se observó el mismo comportamiento que en el caso de las SP.

Los porcentajes de la variación de PC con relación a la superficie agrícola (SA) fueron, en general, bajos (R²) (Cuadro 3). No obstante, a excepción del AE-5, en la mayoría de las áreas de evaluación (AE) se identificó un efecto significativo (F) de la relación lineal entre la superficie agrícola (SA) y los PC.

Con base en lo anterior, la prueba de modelos no lineales de la correlación entre SA y PC se mejoró, aunque solo ligeramente (Cuadro 4).

Sin embargo, la integración de la SA con la de pastizales (SP) y la forestal (SF), en modelos multivariados para estimar PC resultó en un incremento sustancial de los coeficientes de determinación correspondientes (Cuadro 5).

En todos los casos, la variable SF fue la más significativa, a excepción de la AE-5 donde la probabilidad de que no ser significativa fue de 54.3 %. En cuanto a la SA y la SP, ambas fueron significativas en las AE-1 y AE-1, y contrariamente no tuvieron significancia en la AE-5. Mientras que, en las AE-3 la significancia fue baja, tanto para SA como paras SP, P= 0.44 y P= 0.38 respectivamente. En AE-4, la significancia fue baja solo para el caso de SA (P= 0.47).

Respecto a los valores de R² obtenidos en el presente análisis resultaron superiores a los consignados por ^{Bucini y Lambin (2002)}, quienes emplearon modelos multivariados para determinar el impacto de los incendios en la vegetación en África Central. Por otra parte, los valores de R² se comportaron de manera similar a los que registran ^{Vega-Nieva et al. (2018)}, autores que desarrollaron modelos para predecir puntos de calor, a partir de la cantidad de combustibles. Estos autores señalan que los valores de este indicador se consideran buenos e indican que los modelos predicen satisfactoriamente los puntos de calor con las variables empleadas.

Conclusiones

Los resultados sugieren la existencia de una relación entre la presencia de los PC con la variación de las superficies agrícolas, pecuaria y forestales en el estado de San Luis Potosí; por lo que se acepta la hipótesis planteada, ya que a excepción de la AE-2, la cantidad de PC se incrementa de manera considerable de 2010 a 2018 y se observa un incremento de las superficies agrícolas y pecuarias. Mientras que la tendencia a la baja se presenta en la cobertura forestal. De esta forma, se recomienda que en la generación de modelos de peligro de incendios forestales se incluyan los puntos de calor asociados a quemas agropecuarias. También, se puede predecir la ocurrencia de los PC con base en las variaciones de las superficies agrícolas, pecuarias y forestales. Si se asume que existe una correlación entre los y la ocurrencia de incendios forestales, los resultados del presente trabajo pueden usarse para estimar la tendencia del número de incendios. Las cantidades de PC en la zona de estudio varían año con año, aunque, su distribución espacial se presenta principalmente en áreas dedicadas a actividades agrícolas, seguida de áreas pecuarias (pastizales). Fue posible establecer una correlación lineal significativa entre las superficies agrícolas y los puntos de calor; sin embargo, esto no fue constante en todas las áreas estudiadas. Finalmente, los análisis multivariados resultan en un mejor modelaje de la tendencia de los puntos de calor, dado que los valores R² son significativos.

Con el conocimiento de las áreas de concentración de incendios se apoyaría la regulación del uso del fuego, e incluso se justificaría la implementación de programas de capacitación sobre estrategias alternativas para remplazar estas quemas.