Patrones de cambio de coberturas y usos del suelo en la región costa norte de Nayarit (1973–2000)

Land use and land cover change patterns in the north coast region of Nayarit (1973–2000)

César Alejandro Berlanga Robles*, Rodrigo Ricardo García Campos**, Jorge López Blanco*** y Arturo Ruiz Luna*

* Laboratorio de Manejo Ambiental, Centro de Investigación en Alimentación y Desarrollo A.C., Unidad Mazatlán en Acuicultura y Manejo Ambiental, Av. Sábalo–Cerritos s/n, 82000 Mazatlán, Sinaloa, México. E–mail: cesar@ciad.mx, arluna@ciad.mx.

** Colegio de Geografía, Facultad de Filosofía y Letras, Universidad Nacional Autónoma de México (UNAM).

Recibido: 11 de mayo de 2009.
Aceptado en versión final: 15 de julio de 2009.

Resumen

Se clasificaron imágenes satelitales Landsat de los años 1973, 1990 y 2000 y posteriormente se realizó una comparación post–clasificatoria, con información digital complementaria, para analizar los cambios ocurridos en la cobertura vegetal y los usos del suelo de la región costa del norte de Nayarit (RCNN). Se produjeron mapas temáticos con nueve clases de cobertura y usos del terreno, con exactitudes totales > 85% y estimadores del coeficiente Kappa de 0.85 a 0.99 para las matrices de error espectral, en tanto que para el caso de las matrices de error real las exactitudes totales y Kappa fueron superiores al 87 y 0.85%, respectivamente. El análisis de las matrices de detección de cambio (1973– 1990, 1990–2000 y 1973–2000) indica que el porcentaje general de cambio en el área en estudio fue próximo al 25% entre periodos y del 30% para el periodo completo (1973–2000). En todos los casos existió una marcada tendencia al incremento de la superficie dedicada a las actividades humanas (agricultura, granjas camaronícolas y uso urbano) y una disminución de las superficies con coberturas naturales como los bosques y los manglares.

Palabras clave: Cobertura vegetal, cambio de uso del suelo, ambientes costeros, clasificación supervisada, matrices de error, análisis de cambios, índice de Kappa, Nayarit.

Abstract

Key words: Land cover, land use/cover change, coastal environment, supervised classification, error matrices, change analysis, Kappa index, Nayarit.

INTRODUCCIÓN

Históricamente se han presentado eventos naturales catastróficos, como huracanes e incendios, que han propiciado variaciones importantes en la cobertura natural, sin embargo, en las últimas décadas las actividades humanas se han convertido en el principal desencadenador de la transformación de los ecosistemas, modificándolos o destruyéndolos con el desarrollo de actividades económicas (Bassols, 1993). En el caso particular de las zonas costeras, los cambios de cobertura y uso del suelo han inducido la pérdida directa de entre 35 y 50% de los humedales costeros del planeta y son fuente del 70% de los contaminantes del medio marino, particularmente fertilizantes, plaguicidas, metales pesados, hidrocarburos y aguas negras (Agardy et al., 2005; Gu et al., 2007; Halpern et al., 2008).

El cambio de cobertura vegetal y de uso del suelo es, en mayor medida, consecuencia de las interacciones entre las actividades humanas con el medio natural. La evaluación oportuna y precisa de los patrones de ese cambio permite conocer el impacto de las actividades económicas y de desarrollo sobre el territorio y sus recursos, además de ser el indicador ambiental más claro para identificar problemas relativos a la sustentabilidad en el uso de los bienes y servicios ecosistémicos (Lambin et al., 2003; Lambin y Geits, 2007; Berberoglu y Akin, 2009). Por otro lado, la delimitación y cuantificación de los cambios contribuye a la caracterización del territorio y a la ubicación de áreas de atención prioritarias, así como al establecimiento de políticas correctivas y a la formulación de planes de acción para el mejor manejo de los recursos. También proporcionan la base para conocer las tendencias de los procesos de deforestación, degradación, desertificación y pérdida de la biodiversidad (Palacio et al., 2004).

En este contexto, los avances tecnológicos de las últimas décadas en los campos de la teledetección y los sistemas de información geográfica (SIG) han permitido que los métodos para analizar los cambios de cobertura vegetal y usos del suelo sean cada vez más diversos y con diferentes grados de efectividad (Treitz y Rogan, 2004; Berberoglu y Akin, 2009). Estas geotecnologías permiten colectar, estructurar y analizar información espacial relevante para el manejo de ambientes costeros tropicales (Green et al., 1996; Klemas, 2001).

Partiendo de las consideraciones anteriores, el objetivo de este trabajo fue establecer y analizar los patrones de cambio de cobertura vegetal y uso del suelo en la región de la costa norte de Nayarit (RCNN) en el periodo 1973–2000, mediante el procesamiento digital de imágenes Landsat en el contexto de un SIG. Con lo anterior, se pretendió determinar en qué medida se han afectado los ambientes naturales de esta región.

Entre otros ambientes destacan los bosques de encino–pino, selvas mediana y baja, una importante extensión de manglar y vegetación hidrófla, matorrales y praderas, incluyendo áreas agrícolas de riego y de temporal pero, sin lugar a dudas, el sistema lagunar Teacapán–Agua Brava–Marismas Nacionales (integrado por una compleja red de humedales) es uno de los más importantes y por sus características físicas ha sido aprovechado para diversas actividades humanas, encontrándose en situación de riesgo, particularmente ante la posible reactivación económica de la región con la construcción de presas y otra infraestructura hidráulica. El incremento de las actividades antrópicas ha generado patrones espaciales diferenciados de los usos actuales del suelo, que en términos generales, se reflejan en la reducción de las áreas con vegetación natural, como las de los bosques templados y tropicales (López, 2005). Por otro lado, la acuicultura también se ha desarrollado intensamente en la región, en especial durante las últimas décadas, aumentando el área de estanques para cultivo, primordialmente de camarón, provocando la disminución de áreas de humedales como las marismas (Berlanga y Ruiz, 2006, 2007).

Este valioso ecosistema representa entre el 10 y el 15% del total de manglares del país, dependiendo de las estimaciones a nivel nacional (Ruiz et al., 2008), por lo que se puede considerar que es la región más importante en extensión del Pacífico de México y entre las cinco más importantes del Pacífico de América. Esta zona ocupa el sexto lugar en importancia en la lista de los 210 humedales prioritarios de México, los cuales son utilizados por aves acuáticas migratorias; por su valor ambiental está en proceso de declararse Área Natural Protegida, con el carácter de Reserva de la Biosfera. Este trabajo constituye una aportación técnica para la conservación de los ecosistemas.

ÁREA EN ESTUDIO

La región de la costa norte de Nayarit (RCNN), localizada entre los 21°20' N y 22°40' N y los 104°48' W y 105°46' W, incluye siete municipios: Tecuala, Acaponeta, Rosamorada, Tuxpan, Ruiz, Santiago Ixcuintla y San Blas (Figura 1), que en conjunto suman una superficie de alrededor de 7 519 km² y una línea de costa cercana a los 150 km.

En la región confluyen factores biofísicos del paisaje como el clima y la vegetación, y antropogénicos como la agricultura y la pesca, que influyen de manera importante para la transformación de la naturaleza. Algunos cauces, cuyas cabeceras están en la Sierra Madre Occidental, siguen trayectos dentro de la llanura costera y desembocan en las planicies lagunares o en el Océano Pacífico. Los ríos principales en el área son, de sur a norte: San Blas, Río Grande de Santiago, San Pedro, Bejuco, Rosamorada, San Francisco, Acaponeta y Cañas (Anguiano, 1992).

La RCNN se distribuye dentro de tres provincias fisiográficas: Llanura Costera del Pacífico con el 56% de la superficie, Sierra Madre Occidental con el 37% y Eje Neovolcánico Transversal con el 7%. El clima es cálido subhúmedo, con un gradiente de humedad de menor a mayor, de norte a sur, y de lluvias en verano, con temperaturas de 21 a 31°C, respectivamente, y una precipitación invernal inferior al 5%. Al norte del área, la precipitación media anual es de 800 a 1 200 mm, mientras que al sur es de 1 000 a 1 500 mm.

Al este del municipio de Acaponeta existe una cubierta boscosa amplia con bosque de encino y de pino–encino, mientras que en los municipios de Rosamorada y Ruiz se encuentran áreas fragmentadas de encino La selva cubre un área extensa. Destaca la selva mediana subcaducifolia que se extiende en una franja que atraviesa por los municipios de Acaponeta, Rosamorada, Ruiz, Tuxpan, Santiago Ixcuintla y San Blas; asimismo, existen áreas fragmentadas de selva baja caducifolia, en porciones que están próximas a la costa (INEGI, 2000). A lo largo de la planicie costera impera el bosque de mangle con una cobertura próxima a las 70 000 ha (Berlanga y Ruiz, 2007).

Hacia el este de las lagunas de Agua Brava, el Chumbeño y Pescaderos, y en los alrededores de ciudades como Acaponeta, Quimichis y Tecuala, predominan los suelos cambisoles éutricos de textura media. Al sur de la región, en el municipio de San Blas, predominan los acrisoles húmicos, en fase pedregosa, ácidos y pobres en nutrimentos; presentan vegetación de selva o bosque, y acumulaciones de arcilla que son utilizados para agricultura de bajos rendimientos.

MÉTODOS

Preparación y clasificación de imágenes Landsat

Las imágenes fueron georreferidas usando coordenadas en la proyección cartográfica Universal Transversa de Mercator (Zona 13 Norte, Datum NAD 27, elipsoide de Clarke 1866), para su integración dentro del entorno SIG. La resolución espacial fue de 60 m para las imágenes MSS y de 30 m para las TM y ETM+. Este proceso, así como la mayor parte del análisis digital, se llevó a cabo en el SIG Idrisi–Andes (Eastman, 2006). Una vez que las imágenes tuvieron la misma georreferencia, se construyó un mosaico de cada banda espectral de cada escena con el modulo Mosaic de Idrisi Andes, que además de unir las imágenes con base en sus coordenadas geográficas, también iguala los valores numéricos de brillantez; minimizando así las variaciones en la reflectancia registrada entre ambas imágenes debidas a las condiciones atmosféricas, el ángulo del sol y la humedad del suelo (Ibíd.). Posteriormente se realizó un recorte a dicho mosaico para generar una imagen que se constriñera al área en estudio.

Una vez editadas, las escenas multiespectrales de cada año fueron clasificadas en seis clases de cobertura vegetal y usos del suelo, y una clase de píxeles sin clasificar, siguiendo una técnica de clasificación supervisada con el algoritmo de Máxima Verosimilitud (Campbell, 2007). Los campos de entrenamiento para cada clase se digitalizaron sobre composiciones en falso color de las escenas, su selección se realizó con el auxilio de material cartográfico diverso y datos de campo registrados con un sistema de posicionamiento global con precisión de ± 5 m.

En los compuestos en falso color se delimitaron, en promedio, quince campos de entrenamiento por clase, con 12 a 14 píxeles por campo para cada imagen, lo que representa áreas mayores a cinco hectáreas en las imágenes MSS y mayores a una hectárea en las imágenes TM y ETM, respectivamente. Para la agrupación de un conjunto de píxeles, dentro de un campo de entrenamiento, se buscó que sus patrones espectrales fueran homogéneos, considerando su distribución estadística. Asimismo, los valores medios de esos patrones debían coincidir con la media de los campos de entrenamiento de la misma clase, de manera que la desviación estándar entre los campos de la clase debe ser la mínima posible.

Al resultado de la clasificación se le aplicó un fltro de generalización con el fin de homogenizar las coberturas representadas en el mapa, eliminando parches aislados formados por pocos píxeles embebidos dentro de otra clase de mayor tamaño, con ello fueron transformados a la clase dominante. Se utilizó la moda como medida de generalización y una ventana de nueve por nueve pixeles (Gibson y Power, 2000).

A los mapas temáticos resultantes, uno por fecha, se les añadieron los polígonos de las clases poblados y granjas acuícolas para obtener tres mapas temáticos finales, cada uno con nueve clases, siete resultado de la clasificación y dos de la digitalización de rasgos (Tabla 1). La clase poblados para el año 1973 se digitalizó a partir de las cartas topográficas a escala 1:50 000 del INEGI, producidas con fotografías aéreas de esa época.

Para el año 1990, la imagen Landsat en falso color de esa fecha, permitió digitalizar los poblados directamente en pantalla, asimismo, la clase granjas acuícolas. Para el 2000, la clase poblados fue incluida directamente de un archivo digital de vectores (INEGI, 2000), en este caso, al igual que en la clasificación de 1990, las granjas camaronícolas fueron digitalizadas directamente de la imagen del año 2000.

Evaluación de las exactitudes de las clasificaciones

La exactitud total de una clasificación puede ser evaluada a través de un estimador del coeficiente de Kappa (K'), una técnica discreta multivariada que determina estadísticamente si una matriz de error es significativamente diferente de otra. El coeficiente es una medida de la concordancia o exactitud basada en las diferencias entre los datos de la clasificación y los de referencia, comparada con la exactitud proveniente de una clasificación debida al azar (Congalton y Green, 1999; Richards y Jia, 1999). Toma valores en el intervalo de –1.0 a 1.0, pero como existe una correlación mínima debida al azar entre los datos de referencia y clasificados, se esperan valores positivos de K', acotándose el intervalo de cero a uno. Si los valores de K' son significativamente diferentes de cero, indican un proceso de clasificación mejor a una clasificación debida al azar. Asumiendo una distribución normal para K', con el estadístico Z se puede probar la hipótesis nula K' = 0 y la hipótesis para la diferencia de dos K' independientes K1–K2 = 0 (Congalton y Green, op. cit.).

Para conocer el nivel de confiabilidad de la información incluida en los mapas de cobertura vegetal y usos del suelo, se realizó el análisis de las matrices de error. La matriz de error es una forma de representar la exactitud de un mapa en el sentido de que la exactitud de cada categoría está descrita por medio de los errores de comisión y omisión (Ibid.). En el primer caso, es la inclusión de un área a una categoría en particular cuando no pertenecía originalmente a la muestreada dentro de los campos de entrenamiento. Un error de omisión es la exclusión de un área que fue muestreada originalmente dentro de una clase y al final de la clasificación quedó integrada dentro de otra.

En primer instancia se construyeron matrices de error espectral, las cuales indican qué tan bien fueron categorizados los patrones de respuesta espectral en el momento de realizar los campos de entrenamiento. Las exactitudes son altas cuando los campos de entrenamiento han sido suficientemente homogéneos por categoría, pero espectralmente distinguibles con respecto a las otras categorías (Lillesand y Kiefer, 1994). Después se construyeron matrices de error real comparando el mapa resultante de la clasificación, con respecto a las clases de información reales obtenidas mediante corroboración en campo, mapas existentes, fotografías aéreas (Muñoz y López, 2008). Para 1990 se tomaron en cuenta las clases de información incluidas en las cartas de uso del suelo y vegetación a escala 1:250 000, Escuinapa (F13–5) y Tepic (F13–8), del INEGI.

Para el mapa del año 2000 se obtuvieron datos de referencia a partir de diversos recorridos realizados durante los años 2000, 2001 y 2004, en el área en estudio. Con ello se obtuvo la localización exacta de las clases de información por medio de puntos georreferidos con GPS, en coordenadas UTM. Se obtuvo un total de 600 puntos de corroboración, de los cuales se eligieron 30 puntos al azar por clase espectral.

Evaluación de los cambios de cobertura y usos del suelo

La evaluación de los cambios de cobertura y uso del suelo en la RCNN se realizó a través de un análisis multitemporal post–clasificatorio (Mas, 1999; Ramsey III et al., 2001; Berlanga y Ruiz, 2002, 2006, 2007; Muñoz y López, 2008) a partir de matrices de detección de cambios. Esto mediante una tabulación cruzada de dos clasificaciones de fechas distintas, que lista las frecuencias de coincidencias y diferencias de las clases involucradas obtenidas a través de la comparación de dos mapas, de fechas distintas (Eastman, 1995).

El arreglo de la matriz de detección de cambios permite, en los mapas que se están evaluando, el cálculo de los cambios, tanto en conjunto como por categorías. Los datos en la diagonal principal representan píxeles sin cambio en el tiempo. Aquéllos que se encuentran fuera de la diagonal representan los cambios entre las dos fechas, de una clase a otra en forma de ganancia, si se encuentran en las hileras, o pérdida, si se encuentran en las columnas.

Al igual que la matriz de error, esta matriz de detección de cambios arroja un valor del índice de concordancia de Kappa que evalúa, al mismo tiempo, la coincidencia total de ambas clasificaciones y la coincidencia con base en cada clase, toma valores –1.0 a 1.0, que implican cambio total con valores próximos a –1.0 y ningún cambio con valores cercanos a 1.0 (Eastman et al., 1995).

También se obtuvieron las medidas de estabilidad de localización y de residencia definidas por Ramsey III et al. (2001) como:

donde:

ER la estabilidad de residencia,

Cb cobertura en el año base,

PCb pérdida de cobertura en el año base y Cf cobertura final.

La estabilidad de localización se refiere al porcentaje de una clase que no sufre alteración espacial, es decir, que durante el periodo analizado conserva la misma ubicación. Adquiere valores de cero, que indica cambio total, a 100, sin cambio. La estabilidad de residencia se refiere al porcentaje de cambio en cada clase dentro del área en estudio durante el periodo de seguimiento. Valores de cero asociados a una clase indican cambio neto nulo en su área de cobertura dentro del área total, en el periodo de seguimiento. Valores positivos indican un incremento en la cobertura final comparada con el año base y valores negativos, disminución en la cobertura (Ibid.). Asimismo, con la estabilidad de localización puede derivarse una medida del porcentaje de pérdida de cobertura: 100–estabilidad de localización (Berlanga, Ruiz, 2007).

RESULTADOS Y DISCUSIÓN

Generación de mapas de cobertura vegetal y usos del suelo

A partir de la edición de escenas multiespectrales de 1973, 1990 y 2000 de la región costera del norte de Nayarit y su posterior clasificación supervisada con el algoritmo de Máxima Verosimilitud y adición de datos auxiliares, se generaron tres mapas temáticos que cubren una extensión de 752 000 ha y representan cinco coberturas del suelo (lagunas y esteros, marismas, manglar, bosques y vegetación secundaria), tres usos del suelo (agricultura, poblados y granjas camaronícolas) y una clase de píxeles sin clasificar (Figura 2).

Para la clasificación de las escenas se definieron clases generales que conjuntaron coberturas o usos más específicos (Tabla 1), lo que trajo como consecuencia que los datos contenidos en los campos de entrenamiento de algunas clases presentaran gran variabilidad y distribuciones de frecuencia polimodales, lo cual le resta eficacia al algoritmo de Máxima Verosimilitud (Campbell, 2007), por lo que en algunos casos fue necesario definir subclases con el fin de generar distribuciones con tendencia normal para conferir mayor robustez al proceso de clasificación. Para la clasificación de 1973 se identificaron cuatro patrones espectrales distintos para la cobertura de manglar, tres para bosques y siete para la agricultura. Para 1990 el manglar se dividió en tres subclases, una de ellas de manglar muerto, los bosques en tres y la agricultura en cinco. En tanto que para el 2000 se utilizaron cuatro subclases de manglar, tres de bosques y cinco de agricultura.

Por lo que se refiere a la evaluación de la exactitud con datos de referencia, el mapa temático de 1990 se produjo con una exactitud total del 90% y K' de 0.89, mientras que el mapa de 2000 presentó una exactitud total de 87% y K' de 0.85, ambos para 240 puntos de prueba (Tabla 3). En los dos mapas las clases que fueron incorporadas por la digitalización de datos auxiliares (poblados y camaronicultura) se clasificaron con una exactitud del 100%. Dentro de las clases propiamente clasificadas, la correspondiente a esteros fue la de mayor exactitud tanto del productor como del usuario.

En 1990 las clases con menores niveles de exactitud fueron bosques y vegetación secundaria, la primera presentó errores de comisión con la clases marismas y vegetación secundaria, y errores de omisión con la vegetación arbustiva y agricultura, en tanto que la segunda presentó errores de comisión con las clases bosques y agricultura, y de omisión con la clase agricultura. En el mapa de 2000 la exactitud del productor de la clase vegetación secundaria disminuyó significativamente con respecto a la de 1990, de 30 puntos evaluados sólo 16 estuvieron correctamente clasificados, y la clase agricultura fue la de menor exactitud del usuario presentando errores de comisión con la clases marismas, manglar, bosques y vegetación secundaria (Tabla 3).

La exactitud global alcanzada en la producción de los mapas de 1990 y 2000 se debe en gran medida a la exactitud individual obtenida para las clases esteros, poblados y camaronicultura, las cuales presentaron exactitudes del productor del 100% y del usuario entre 91 y 100%. En el caso de la clase esteros, los niveles de exactitud obtenidos en su clasificación se deben por ser la única superficie acuática incluida en las clasificaciones, estas superficies absorben la mayor parte de la radiación electromagnética emitida por el sol y sus firmas espectrales se caracterizan por presentar valores de reflectancia media en las longitudes de onda del visible y cercanos a cero en las longitudes de onda de los infrarrojos (Lillesand y Kiefer, 1994; Campbell, 2007).

El algoritmo de Máxima Verosimilitud se basa únicamente en información espectral para identificar clases discretas y no tiene capacidad para identificar formas, por lo que no fue posible diferenciar a los poblados de las marismas, suelos desnudos o agricultura y a las granjas camaronícolas de los esteros o marismas. Así, fue necesario incorporar (posteriormente al proceso de clasificación) los polígonos de estas clases, que fueron digitalizados mediante fotointerpretación de las imágenes de satélite o del material cartográfico disponible, con la ventaja de hacerlo sin errores de comisión u omisión.

Aun cuando se obtuvieron altos valores de exactitud global en la producción de los mapas, la exactitud de las clases vegetación arbustiva y agricultura fue moderada, por lo que la interpretación de los mapas debe considerar los diferentes niveles de exactitud. La exactitud del mapa de 1973 no se pudo evaluar por carecer de datos de referencia históricos, pero supone un nivel de exactitud menor en relación con los mapas de las otros años, toda vez que los indicadores estimados de la matriz de error espectral para este año fueron menores (Tabla 2).

Un aspecto fundamental en los análisis de detección de cambio con el uso de técnicas de teledetección, es proporcionar información cuantificable de la exactitud temática y espacial de los mapas derivados con estas técnicas (Skirvin et al., 2004). En este sentido, los valores de exactitud global obtenidos de las matrices de error espectrales y reales indican una fuerte coincidencia entre los datos de referencia y los mapas temáticos. De acuerdo con la interpretación de Landis y Koch (1977) de los valores del índice de Kappa, tanto para 1990 como para 2000, los resultados obtenidos en este estudio corresponden con una concordancia elevada, denominada por dichos autores como casi perfecta. Cabe resaltar, sin embargo, que la clase de vegetación secundaria fue la que más error generó debido a que mostró la exactitud de productor más baja en el 2000, y para 1990 de las menos exactas (0.53 y 0.83, respectivamente).

Análisis de los patrones de cambio

A partir de las matrices de detección de cambio generadas por la sobreposición de los mapas de la Figura 2 (1973–1990, 1990–2000 y 1973–2000), se estimaron los porcentajes de cambio a nivel regional: 25% de 1973 a 1990 y de 1990 a 2000, con K' asociados de 0.63 y 0.64, respectivamente, mientras que para todo el periodo de 27 años fue de 30% y K' de 0.57 (Tabla 4).

La comparación postclasificatoria ha sido considerada como un método deficiente para la detección de cambio, por generar la propagación multiplicativa del error de cada uno de los mapas sobrepuestos (Singh, 1989; Rogan et al., 2002). Esta propagación se vio reflejada en las matrices de detección de cambio con cambios inverosímiles, como el paso de humedales (esteros, marismas y manglar) a bosques y viceversa, que en la matriz de 1973–1990 fueron de 2 750 y 1 853 ha, respectivamente, y en la matriz de 1973–2000 de 2 008 y 2 250 ha (Tabla 4).

Los cambios inverosímiles representaron un porcentaje mínimo de las áreas totales de las clases estimadas en los diferentes años, entre el 0.2 y el 3%, de tal forma que las tendencias generales de cambio de la RCNN fueron correctamente detectadas con la técnica empleada a pesar de este tipo de errores.

Adicional a la posibilidad de obtener niveles de exactitud adecuados, la comparación postclasificatoria, el emplear mapas con clases discretas y no imágenes de satélite directamente, posibilita la comparación de imágenes con diferente resolución radiométrica sin la necesidad de ser estandarizadas y rectificadas (Jensen et al., 1993; Muñoz y López, 2008). En este estudio se usaron imágenes Landsat MSS, TM y ETM+ sin corrección radiométrica, únicamente geométrica. Asimismo, con este método no se tienen que interpretar los cambios de radiancia en términos de los cambios de cobertura y usos del suelo, ya que su resultado, la matriz de detección de cambio, ofrece de manera directa un sumario de las similitudes y diferencias en el paisaje en un intervalo de tiempo: superficies de transición (ganancia–pérdida), estables (sin cambio) y de cada una de las clases de cobertura y uso del suelo en t₁ y t₂ (Eastman et al., 1995; Jensen et al., 1993; Mas, 1999).

En 1973 y 1990 la clase dominante fue la de bosques, cubriendo el 48 y 40% del área total, respectivamente, esta condición cambió para 2000, pasando la agricultura a ser la clase dominante con el 41%. Los humedales naturales (esteros, marismas y manglar) cubrieron alrededor del 19% del área total en todos los años, en tanto que los humedales artificiales, representados en este caso por la camaronicultura, se registraron a partir de 1990, cubriendo un pequeño porcentaje de la región, lo mismo que en 2000 (Tabla 4).

La clase con menor capacidad para mantenerse en un mismo sitio, es decir, con un porcentaje menor en la estabilidad de localización, en los tres periodos analizados, fue la vegetación secundaria. Por el contrario, las clases agricultura y poblados de 1973 a 1990, esteros y camaronicultura de 1990 a 2000 y poblados y camaronicultura de 1973 a 2000, fueron las más estables en cuanto a localización. Aun cuando la vegetación secundaria presentó porcentajes considerables de pérdida (100 – estabilidad de localización), también fue una de las clases con mayor capacidad para crecer a partir de nuevos parches. Con respecto a los humedales naturales, la clase marismas fue la más inestable pero la única con tendencia de cambio positiva. Para la camaronicultura, por no estar representada en el mapa de 1973, sólo se estimaron las estabilidades de 1990 a 2000, las cuales indican que la clase se mantuvo sin cambios (87% de su cobertura inicial) y adicionalmente registró un crecimiento mayor a 1 000%, siendo sus principales subsidiarias las clases agricultura y marismas, de las 3 900 ha de estanquería detectadas en 2000, únicamente 232 se construyeron sobre bosque de mangle (Tabla 4).

La estabilidad de residencia de 1973 a 2000 para el manglar fue de –5.7, es decir, sin grandes cambios de cobertura a nivel general. Sin embargo, el cambio puede ser más aparente en áreas específicas, como es el caso de la desembocadura del río Santiago, en donde para un total de aproximadamente 1065 ha de manglar se encontraron pérdidas de esta cobertura de hasta 32% entre 1970 y 1993 (Ramírez et al., 1998). Una región más amplia, dentro de la cual se incluyó a la mencionada, fue evaluada posteriormente por Berlanga y Ruiz (2006), encontrándose que en conjunto el manglar presentó una tasa media de deforestación anual reducida, de aproximadamente 0.2%, provocada por la construcción de estanques acuícolas en la región de San Blas.

La tasa de deforestación media anual del manglar de 1973 a 2000, estimada con la fórmula de tasa de conversión propuesta por Velázquez et al. (2003) fue de 0.35%, menor a la estimada por Berlanga y Ruiz (2007) de 0.64% en el sistema lagunar Teacapán–Agua Brava, que en su mayoría se localiza dentro de la RCNN, para el mismo intervalo de tiempo. Esta diferencia se debe en buena medida por la inclusión en este estudio de parches de mangle muerto dentro de la clase manglar, sobreestimándose así la superficie de este tipo de vegetación en 1990 y 2000. Basándose en los trabajos de los autores arriba citados, alrededor del 11% de la superficie de manglar estimada en 2000 corresponde a mangle muerto, pasando la tasa de deforestación media anual a 0.7%.

Si bien las marismas fueron la clase con el valor más bajo de estabilidad de residencia de 1973 a 1990 (Tabla 4), fue la clase bosques la que mayor pérdida de cobertura neta registró (poco más de 90 000 ha), que aunado a su capacidad limitada para ganar suelo, únicamente un tercio de lo que perdió, llevaron a la clase a presentar una tendencia negativa de cambio con una estabilidad de residencia de –16%. De 1990 a 2000 la clase presentó valores de estabilidad de localización y residencia similares a los del periodo anterior (Tabla 4).

En 1973 se contaba con una superficie de bosques y selvas de poco más de 355 000 ha, el 47% del total del suelo, sin embargo, casi tres décadas después esta cobertura disminuyó alrededor de 247 700 ha, registrando estabilidades de localización y residencia del 63 y –30%, respectivamente. La tasa de deforestación media anual fue de –1.3%, mayor a las estimadas por Velásquez et al. (2002) para bosques y selvas a nivel nacional en intervalos de tiempo similares, de 0.25 y 0.76%, respectivamente. Por su parte, Mas et al. (2004), también en un estudio a nivel nacional de 1976 a 2000, hacen la distinción entre bosques primarios y secundarios y estiman pérdidas netas del 40% y tasas de deforestación del 1.5%, tanto para bosques templados como tropicales primarios, similares a la estimada en este estudio.

Las actividades agrícolas fueron las que influyeron en mayor medida para propiciar la disminución de la cobertura forestal ya que se utilizaron 99 834 ha que antes pertenecían a la cobertura natural para el uso agropecuario. En este sentido, el municipio de San Blas, al sur del área en estudio, es una de las zonas en la que más claramente se pueden observar dichos cambios.

En este sentido, los resultados obtenidos en esta investigación, concuerdan con los obtenidos por Berlanga (1999), Páez et al. (2000) y Ramírez et al. (1998), los cuales demuestran que la frontera agrícola y pecuaria ha avanzado sobre otras coberturas naturales, incidiendo principalmente en la cobertura de selvas y bosques.

CONCLUSIONES

Considerando el nivel de exactitud obtenido (>85%) en la generación de los mapas de coberturas y usos del suelo de la Región Costa Norte de Nayarit, mediante el análisis digital de imágenes de satélite, se concluye que la presencia de cobertura de bosques (bosques templados y selva) y de suelos para usos agropecuarios, son los rasgos distintivos de esta región.

Sin embargo, existe un proceso de cambio y reposición de coberturas y usos del suelo, en donde el mayor crecimiento se está dando en los usos relacionados con agricultura, incluyendo procesos dinámicos como la conversión a vegetación secundaria, a expensas de las áreas de bosques y selvas, observándose la mayor tasa de deforestación en fechas recientes (1990–2000), en comparación con el periodo comprendido en este estudio.

El crecimiento de la frontera agrícola ha generado la mayor presión ambiental en esta región, sin embargo, la presencia de otros indicadores de transformación del paisaje, como el crecimiento de población y la construcción de las granjas para producción acuícola, determinados a partir del uso de la teledetección y la aplicación de los SIG, tiene también un impacto creciente que deberá considerarse en futuros planes de desarrollo a nivel estatal y regional, a fin de armonizar este desarrollo con las políticas vigentes de crecimiento sustentable.

Una vez finalizado el proyecto que dio sustento a esta investigación no se ha continuado con la evaluación del total del área de la RCNN, es por ello que se considera que este estudio no está actualizado para la región en su conjunto. Sin embargo, experiencias de campo en algunas localidades ubicadas dentro de la misma área en estudio, inclinan a pensar que las conclusiones siguen siendo vigentes, con cambios puntuales de usos del suelo, pero regionalmente siguen las tendencias que se manifestaron en el periodo estudiado.

AGRADECIMIENTOS

REFERENCIAS

Agardy, T., J. Alder, P. Dayton, S. Curran, A. Kitchingman, M. Wilson, A. Catenazzi, M. Wilson, A. Catenazzi, J. Restrepo, C. Birkeland, S. Blaber, S. Saifullah, G. Brach, D. Boersma, S. Nixon, P. Dungan, N. Davidson and C. Vörösmarty (2005), "Coastal systems", Ecosystems and human well–being: current state and trends, Island Press, London, pp. 513–549.        [ Links ]

Anguiano, M. (1992), Nayarit. Costa y Altiplanicie en el Momento del Contacto, Instituto de Investigaciones Antropológicas UNAM, México.        [ Links ]

Bassols B., Á. (1993), Geografía económica de México. Teoría, Fenómenos Generales, Análisis Regional, Trillas, México.        [ Links ]

Berberoglu, S. and A. Akin (2009), "Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean", International Journal of Applied Earth Observation and Geoinformation, no. 11, pp. 46–53.        [ Links ]

Berlanga–Robles, C. A. (1999), Evaluación de las condiciones actuales y del cambio en los paisajes de humedales de la costa sur de Sinaloa, México: una aproximación con el uso de datos provenientes de sensores remotos, tesis, Facultad de Ciencias UNAM, México.        [ Links ]

Berlanga–Robles, C. A. and A. Ruiz–Luna (2002), "Land–use mapping and change detection in the coastal zone of northwest Mexico using remote sensing techniques", Journal of Coastal Research, no. 18, pp. 514–522.        [ Links ]

Berlanga–Robles, C. A. and A. Ruiz–Luna (2006), "Assessment of change in the landscape of the San Blas estuarine system, Nayarit, Mexico through the analysis of Landsat MSS images", Ciencias Marinas, núm. 32, pp. 523–538.        [ Links ]

Berlanga–Robles, C. A. y A. Ruiz–Luna (2007), "Análisis de las tendencias de cambio del bosque de mangle del sistema lagunar Teacapán–Agua Brava, México. Una aproximación con el uso de imágenes de satélite Landsat", Universidad y Ciencia, núm. 23, pp. 29–46.        [ Links ]

Campbell, J. B. (2007), Introduction to Remote Sensing, Guilford, New York.        [ Links ]

Congalton, R. G. and K. Green (1999), Assessing the accuracy of remotely sensed data: principles and practices, Lewis Publisher, Boca Raton.        [ Links ]

Eastman, J. R., J. E. McKendry and M. A. Fulk (1995), Change and time series analysis, United Nations Institute for Training Research/GRID, Geneva, Switzerland.        [ Links ]

Eastman, J. R. (2006), IDRISI Andes. Guide to GIS and Image Processing, Clark University, Worcester, Massachusetts.        [ Links ]

Green, E. P. , P. J. Mumby, A. J. Edwards and C. D. Clark (1996), "A review of remote sensing for the assessment and management of tropical coastal resources", Coastal Management, no. 24, pp. 1–40.        [ Links ]

Gibson, P. J. and C. H. Power (2000), Introductory remote sensing: digital image processing and applications, Routledge, New York.        [ Links ]

Gu D., Y. Zhang and J. Fu (2007), "The landscape pattern characteristics of coastal wetlands in Jiaozhou bay under the impact of human activities", Environmental Monitoring and Assessment, no. 124 pp. 361–370.        [ Links ]

Halpern, B. S., S. Walbridge, K. A. Selkoe, C. V. Kappel, F. Micheli, C. D'Agrosa, J. F. Bruno, K. S. Casey, C. Ebert, H. E. Fox, R. Fujita, D. Heinemann, H. S. Lenihan, E. M. P. Madin, M. T. Perry, E. R. Selig, M. Spalding, R. Steneck and R. Watson (2008), "A global map of human impact on marine ecosystems", Science, no. 319, pp. 948–952.        [ Links ]

INEGI (2000), Síntesis de Información Geográfica del Estado de Nayarit, Instituto Nacional de Estadística, Geografía e Informática, México.        [ Links ]

Jensen, J., J. D. Cowen, J. D. Althausen, S. Narumalani and O. Weatherbee (1993), "An evaluation of Coast–watch change detection protocol in South Carolina", Photogrammetric Engineering and Remote Sensing, no. 59, pp. 1093–1044.        [ Links ]

Klemas, V. V. (2001), "Remote sensing of landscape–level coastal environmental indicators, Environmental Management", no. 27, pp. 47–57.        [ Links ]

Lambin E. F. , H. J. Geist and E. Lepers (2003), "Dynamics of land use and land cover change in tropical regions", Annual Reviews of Environment and Resources, no. 28, pp. 205–231.        [ Links ]

Lambin E. F. and H. J. Geist (2007), "Causes of land–use and land cover change", Encyclopedia of Earth, Environmental Information Coalition, National Council for Science and the Environment, Washington D. C. [http://www.eoearth.org/article/Land–use_and_land–cover_change: 6 de mayo de 2009].        [ Links ]

Landis J. R. and G. G. Koch (1977), "The measurement of observer agreement for categorical data", Biometrics", no. 33 pp. 159–174.        [ Links ]

Lillesand, T. M. and R.W. Kiefer (1994), Remote sensing and image interpretation, Wiley, New York.        [ Links ]

López–Blanco, J. (2005), Sistemas de Información Geográfica en Estudios de Geomorfología Ambiental y Recursos Naturales, Serie Seminarios, Facultad de Filosofía y Letras, UNAM, México.        [ Links ]

Mas, J. F. (1999), "Monitoring land–cover changes: a comparison of change detection techniques", International Journal of Remote Sensing, 20(1), pp. 139–152.        [ Links ]

Mas, J. F. , A. Velázquez, J. Díaz–Gallegos, R. Mayorga–Saucedoa, C. Alcántara, G. Bocco, R. Castro, T. Fernández and A. Pérez–Vega (2004), "Assessing land use/cover changes: a nationwide multidate spatial database for Mexico", International Journal of Applied Earth Observation and Geoinformation, no. 5, pp. 249–261.        [ Links ]

Muñoz–Villers L. and J. López–Blanco (2008), "Land use/cover changes using Landsat TM/ETM images in a tropical and biodiverse mountainous area of Central–Eastern Mexico", International Journal of Remote Sensing, no. 29, pp. 71–93.        [ Links ]

Páez B., L. P. , A. Ruiz–Luna y C. A. Berlanga–Robles (2000), "Evaluación de cambios de paisaje del sistema estuarino de San Blas, Nayarit y su área adyacente a la desembocadura del río Santiago con aplicación de percepción remota", Boletín CIAD, núm. 9, pp. 5–6.        [ Links ]

Palacio–Prieto, J. L., M. T. Sánchez–Salazar, J. M. Casado, E. Propín, J. Delgado, A. Velázquez, L. Chías, M. I. Ortíz, J. González, G. Negrete, J. Gabriel y R. Márquez (2004), Indicadores para la Caracterización y el Ordenamiento Territorial, Instituto de Geografía, UNAM, México.        [ Links ]

Ramírez–García P. , J. López–Blanco and D. Ocaña (1998), "Mangrove vegetation assessment in the Santiago River Mouth, Mexico, by means of supervised classification using Landsat TM imagery", Forest Ecology and Management, no. 105, pp. 217–229.        [ Links ]

Ramsey III, E. W., G. A. Nelson and S. K. Sapkota (2001), "Coastal change analysis program implemented in Louisiana", Journal of Coastal Research, no. 17, pp. 53–71.        [ Links ]

Richard, J. A. and X. Jia (1999), Remote Sensing Digital Image Analysis, Springer, Berlin.        [ Links ]

Ruiz–Luna, A., J. Acosta–Velázquez and C. A. Berlanga–Robles (2008), "On the reliability of the data of the extent of mangroves; a case study in Mexico", Ocean and Coastal Management, no. 51, pp. 342–351.        [ Links ]

Singh, A. (1989), "Digital change detection techniques using remotely–sensed data", International Journal of Remote Sensing, no. 10, pp. 989–1003.        [ Links ]

Rogan, J., J. Franklin and D. A. Roberts (2002), "A comparison of methods for monitoring multitem–poral vegetation change using Tematic Mapper imagery", Remote Sensing of Environment, no. 80, pp. 143–156.        [ Links ]

Skirvin, S. M., W. G. Kepner, S. E. Marsh, S. E. Drake, J. K. Maingi, C. M. Edmons, C. J. Watts and D. R. Williams (2004), "Assessing the accuracy of satellite–derived land–cover classification using historical aerial photography, digital orthophoto quadrangles, and airbone video data", in Lunetta R. S. and J. G. Lyon (eds.), Remote Sensing and GIS Accuracy Assessment, CRC Press, Boca Raton, pp. 115–131.        [ Links ]

Treitz, P. and J. Rogan (2004), "Remote sensing for mapping and monitoring land–cover and land–use change", Progress in Planning, no. 61, pp. 269–279.        [ Links ]

Velázquez, A., J. F. Mas, J. R. Díaz–Gallegos, R. Mayorga–Saucedo, P. C. Alcántara, R. Castro, G. Bocco, E. Escurra y J. L. Palacio (2002), "Patrones y tasas de cambio de uso de suelo en México", Gaceta Ecológica, núm. 62, pp. 21–37.        [ Links ]

Velázquez, A., E. Durán, I. Ramírez, J. F. Mas, G. Bocco, G. Ramírez and J. L. Palacio (2003), "Land use–cover change processes in highly biodiverse areas: the case of Oaxaca, Mexico", Global Environmental Change, no. 13, pp. 175–184.        [ Links ] ]]> 2005 513-549 1992 1993 2009 11 46-53 1999 2002 18 514-522 2006 32 523-538 2007 23 29-46 2007 1999 1995 2006 1996 24 1-40 2000 2007 124 361-370 2008 319 948-952 INEGI 2000 1993 59 1093-1044 2001 27 47-57 2003 28 205-231 2007 1977 33 159-174 1994 2005 1999 20 1 1 139-152 2004 5 249-261 2008 29 71-93 2000 9 5-6 2004 1998 105 217-229 2001 17 53-71 1999 2008 51 342-351 1989 10 989-1003 2002 80 143-156 2004 115-131 2004 61 269-279 2002 62 21-37 2003 13 175-184