Evaluación de cambios en el paisaje y sus efectos sobre los humedales costeros del sistema estuarino de San Blas, Nayarit (México) por medio de análisis de imágenes Landsat

Assessment of landscape changes and their effects on the San Blas estuarine system, Nayarit (Mexico), through Landsat imagery analysis

CA Berlanga-Robles^1,2*, A Ruiz-Luna¹

¹ Centro de Investigación en Alimentación y Desarrollo, AC, Apartado postal 711, Mazatlán, CP 82000, Sinaloa, México. * E-mail: cesar@ciad.mx.

Recibido en noviembre de 2004
Aceptado en mayo de 2006.

Resumen

Se realizó un estudio multitemporal con imágenes Landsat MSS de 1973, 1986 y 1992 y la composición pancromàtica Landsat ETM+ de 2001 para detectar cambios en el paisaje asociado a humedales costeros en el sistema estuarino de San Blas, Nayarit (México). Se definieron siete clases de coberturas de terreno para producir mapas temáticos por medio de clasificación supervisada y digitalización de datos auxiliares. La exactitud de la clasificación, considerando las superficies acuáticas, fue alta (exactitud total > 80%), reduciéndose a moderada cuando esta categoría fue excluida del análisis (exactitud total = 78% coeficiente de Kappa = 0.68), siendo todavía más exacta que una clasificación generada al azar. Los mapas resultantes fueron transpuestos para detectar dirección y proporción de los cambios, incluyendo la evaluación de la estabilidad de localización y residencia a nivel de clase. La proporción de cambio a nivel de paisaje fue significativa, 20% de 1973 a 1986 y 30% de 1986 a 1992, aunque los humedales costeros permanecieron relativamente estables. El paisaje estuvo dominado desde 1973 por coberturas inducidas, desplazando principalmente a la selva, la cual perdió la mitad de su cobertura en 19 años con una tasa media de deforestación anual de 3.4%, presentándose así un proceso de homogenización del paisaje costero. Para 2001 se estimó un total de 1900 ha de estanquería para el cultivo de camarón, alterando principalmente las planicies de inundación e impactando al conjunto de los humedales por la interrupción de la conectividad entre ellos.

Palabras clave: percepción remota, clasificación, detección del cambio, granjas camaronícolas.

Abstract

Key words: remote sensing, classification, change detection, shrimp farming, Nayarit.

Introducción

Los ambientes costeros, tales como lagunas, arrecifes, estuarios y manglares, son sistemas complejos y dinámicos caracterizados por su alta productividad, que proporcionan hábitat para una gran cantidad de fauna silvestre y soportan una rica diversidad biológica (Liu y Cameron 2001). Desempeñan un papel fundamental en la protección de la línea de costa, la prevención de inundaciones, el mantenimiento de la calidad del agua y la recarga de agua de los acuíferos (Mitch y Gosselink 1993). De estos ambientes depende el ciclo de vida de numerosas especies marinas, incluyendo peces de importancia comercial. Sin embargo, estos sistemas se encuentran amenazados por cambios de uso de suelo, vertido de aguas de origen agrícola, industrial y urbano, así como por otras actividades humanas que se llevan a cabo en la parte continental de la zona costera. Más del 50% de los humedales costeros de los Estados Unidos se han perdido directamente por cambios en el uso del suelo (Kennish 2001, Klemas 2001) y a nivel mundial se estima una pérdida de 35% del área de bosque de manglar en las pasadas dos décadas, siendo la camaronicultura el principal agente transformador (Valiela et al. 2001). En México, las cifras sobre la pérdida de manglares en las últimas dos décadas son discordantes, con estimaciones que mencionan hasta el 60% de pérdida de la cobertura nacional, pero en su mayoría tales estimaciones carecen de un adecuado sustento técnico que las valide.

Sumados a la pérdida directa de humedales, los cambios de cobertura y uso del suelo en las cuencas pueden llegar a duplicar la carga fluvial de sedimentos hacia las costas (Neshyba 1987, Rooney y Smith 1999). La transición de coberturas naturales a coberturas antropogénicas modifica radicalmente la contribución relativa de las fuentes de nutrientes y su carga (Valiela y Bowen 2002), trayendo como consecuencia la eutrofización de las aguas litorales (Nixon 1995). Además, estos cambios han provocado la extinción de especies vegetales y animales como consecuencia de la fragmentación, degradación y destrucción de los hábitats y la explotación de recursos (Toledo-Cuarón et al. 1987).

Para revertir la pérdida y degradación de los humedales costeros es necesario desarrollar planes de conservación y manejo que invariablemente deben partir del inventario de cuerpos de agua costeros, coberturas y usos del terreno a nivel regional, así como del estudio de sus tendencias de cambio. En este sentido, la percepción remota se presenta como una técnica que ofrece una visión sinóptica y repetitiva de los rasgos terrestres que permite dar seguimiento a variables ambientales relacionadas con la dinámica y usos de la zona costera en diferentes intervalos de tiempo y espacio (Baily y Nowell 1996, Green et al. 1996, Ozesmi y Bauer 2002).

Las técnicas de percepción remota permiten analizar indicadores ambientales a nivel de paisaje, tales como los cambios en el tamaño y forma de los hábitat costeros y las coberturas vegetales que tienen relación con la diversidad y condición de los humedales costeros (Klemas 2001, Ramsey et al. 2001). Dado que los humedales costeros son enlaces críticos entre los ecosistemas terrestres y acuáticos y que proporcionan servicios vitales para los ecosistemas marinos de los cuales las comunidades ribereñas obtienen múltiples beneficios sociales y económicos, es necesario conocer la velocidad y tendencias de las perturbaciones de origen humano a fin de contribuir con esta información a las propuestas de manejo costero. Bajo esta perspectiva, en el presente estudio se aprovecharon las ventajas que ofrece la percepción remota para el estudio de la zona costera (Green et al. 1996), con el fin de determinar la magnitud y velocidad de cambio en las coberturas y usos de suelo que componen el paisaje del sistema estuarino de San Blas, Nayarit (México).

El sistema estuarino de San Blas, junto con la Laguna Grande de Mexcaltitán y el sistema Teacapán-Agua Brava, localizados en el norte de Nayarit y sur de Sinaloa conforman el complejo Marismas Nacionales, el ecosistema de manglares más extenso del Pacífico oriental y uno de los de mayor importancia económica y ecológica del país. Este sistema fue designado como sitio Ramsar en 1995, y en 1998 se identificó y decretó como un sitio AICA (Área importante para la Conservación de Aves) por tratarse de un humedal representativo, de reconocida importancia como refugio de aves, que desempeña un papel hidrológico, biológico y económico fundamental para las cuencas hidrográficas y sistemas costeros de Nayarit y Sinaloa.

Por las razones anteriores y dado que el desarrollo de las actividades antropogénicas en el municipio de San Blas están afectando la calidad ambiental de este importante sistema de humedales, provocando reducción de coberturas naturales, contaminación de suelos y de los sistemas acuáticos, erosión y saqueo de flora y fauna (Ramírez-García et al. 1998, Grupo Ecológico El Manglar 2001), se identificó esta zona para realizar el presente estudio. Debido a que los impactos señalados están relacionados con los patrones de uso del terreno, la evaluación de las tendencias, dirección y magnitud de los cambios, objetivo del presente estudio, contribuyen con elementos técnicos para integrar un plan de manejo y conservación de este importante ecosistema costero.

Materiales y métodos

Area de estudio

El sistema estuarino de San Blas, Nayarit, se localiza en las costas del Pacífico mexicano y para efectos del presente estudio, quedó acotado por un polígono regular situado entre 1°20' -21°44׳ N y 105°02׳105°27 - ׳ W; se sitúa dentro de las regiones hidrológicas Lerma-Santiago (RH12) y Huicicila (RH13), en la provincia fisiográfica de la Llanura Costera del Pacífico, en la subprovincia Delta del Río Grande de Santiago (fig. 1). El análisis se llevó a cabo únicamente en la parte continental de la zona costera, que quedó limitada al norte por el poblado de Aután, al sur por Santa Cruz y al este por La Libertad. El sistema está constituido por los esteros Boca Cegada, del Pozo, Rey y San Cristóbal, así como por los cuerpos de agua dulce La Tobara, La Aguada y La Atascada, además de incluir las marismas La Tigra, Zoquipa y La Chayota. Entre sus principales tipos de vegetación se encuentran manglares, selva baja caducifolia, selva mediana subcaducifolia, vegetación halófita y popal (INEGI 2000). La mayoría de los asentamientos humanos en el área corresponden a comunidades rurales con excepción de San Blas, con alrededor de 50,000 habitantes.

Análisis de imágenes

Las imágenes utilizadas en este estudio fueron donadas por el programa North American Landscape Characterization (NALC) de la National Aeronautics and Space Administration (NASA) de los Estados Unidos. Se aplicó parcialmente el protocolo del Coastal Change Analysis Program (C-CAP) de NOAA que ha desarrollado una base de datos estandarizada de la cobertura del terreno y el cambio de hábitat en las regiones costeras de Estados Unidos, incluyendo hábitats sumergidos, humedales y terrenos continentales adyacentes (Dobson et al. 1995).

Los cambios en el paisaje en el sistema estuarino de San Blas fueron analizados a partir de la interpretación de mapas temáticos de coberturas y usos del suelo de distintas fechas, producidos por la clasificación supervisada de imágenes Landsat, utilizando campos de entrenamiento digitalizados a partir de la fotointerpretación de composiciones en falso color de las imágenes con el auxilio de fotografía aérea, cartografía en diferentes escalas y datos de campo. Este procedimiento se utilizó para analizar ocho clases de cobertura del terreno, de las que seis fueron clasificadas y dos digitalizadas (tabla 1). La selección de las clases se hizo con base en estudios previos de caracterización de la zona costera en el noroeste de México (Ruiz-Luna y Berlanga-Robles 1999, Berlanga-Robles y Ruiz-Luna 2002, Ruiz-Luna y Berlanga-Robles 2003), con lo cual se garantiza la compatibilidad y posibilidades de comparación entre regiones. Además de las coberturas naturales, se incluyen usos de suelo (agricultura, acuicultura, poblados), por ser los principales agentes de transformación del paisaje y cuyo impacto sobre los sistemas costeros ha sido ampliamente documentado (Childers y Gosselink 1990)

Se emplearon tres imágenes multiespectrales Landsat MSS path/row: 30/45 del 3 de febrero de 1973, 9 de abril de 1986 y 28 de abril de 1992, todas registradas durante la época de estío con el fin de reducir el efecto de las variaciones naturales en la reflectancia de las distintas clases evaluadas (Sabins 1997). Todas las imágenes proporcionadas por NALC incluyen una corrección geométrica que cambia la resolución espacial original a píxeles de 80 a 60 m, y fueron proyectadas a la zona 13 norte del sistema Universal Transversal de Mercator, utilizando el Datum NAD27 basado en la elipsoide de Clarke 1866.

La exactitud de la clasificación de la imagen de 1992 se validó a través de una matriz de error a partir de la cual se estimaron los errores de comisión y omisión, la exactitud total y el coeficiente de Kappa. La matriz de error es un arreglo que expresa el número de unidades de muestra asignados a una clase particular en una clasificación, con relación al número de unidades de muestra asignadas a la misma clase pero en otra clasificación (datos de referencia o prueba). La exactitud de cada clase se describe por los errores de comisión, que se presentan cuando un área se incluye dentro de una clase a la que no pertenece, y los errores de omisión, que ocurren cuando se excluye un área de una clase cuando en realidad pertenece a ella. La exactitud total es estimada dividiendo la suma de los valores de la diagonal mayor de la matriz de error, que representan las unidades de muestreo correctamente clasificadas, entre el número total de unidades muestreadas (Congalton y Green 1999).

Por su parte, el análisis de Kappa determina estadísticamente si una matriz de error es significativamente diferente de otra. El coeficiente de Kappa (K) es una medida de la concordancia o exactitud basada en las diferencias entre los datos de la clasificación y de referencia, y la exactitud de una clasificación debida al azar (Congalton y Green 1999, Richards y Jia 1999).

Si P es el número total de unidades de muestreo (puntos o campos de prueba) de la matriz de error y si x_i+ = (sumatoria de todos los valores de las columnas en el renglón i) y x_+j =(sumatoria de todos los valores de los renglones en la columna j), el estimador del coeficiente de Kappa (K') está definido por:

K' toma valores en el intervalo de cero a uno. Cuando es significativamente diferente de cero el proceso de clasificación es mejor que el de una clasificación debida al azar (Mas 1999). K' tiene una distribución asintótica normal, por lo que su valor puede ser interpretado con una prueba de hipótesis con un estadístico Z, donde H₀: K = 0 y H₁: K Φ 0 (Congalton y Green 1999).

Para construir la matriz de error se registraron al azar 120 puntos de prueba a partir de la carta F-13-8 de usos de suelo escala 1:250,000 de INEGI (1992), lo que se apoyó con datos de campo registrados con GPS durante 1999, considerándose como válidos aquellos puntos que pertenecieran a la misma clase tanto en la carta como en el muestreo; es decir, aquellos puntos que no presentaron cambios de cobertura entre 1992 y 1999. El número de puntos de prueba por clase se asignó siguiendo un criterio estratificado al azar, ponderando la proporción de superficie cubierta por clase, evitándose la selección de puntos cercanos a colindancias entre clases.

Adicionalmente a la clasificación de las imágenes, los polígonos de los poblados fueron digitalizados de la carta topográfica F-13-8, 1:250,000 de INEGI (1971) y de usos de suelo escala 1:250,000 (INEGI 1992) con el fin de complementar los mapas temáticos. Los polígonos de los poblados de 1971 fueron añadidos a las clasificaciones de 1973 y 1986 y los de 1992 a la clasificación del mismo año. Para el análisis de la exactitud, esta clase se excluyó por ser resultado de un proceso de digitalización directa y no de la clasificación, considerando que esto puede aumentar artificialmente los resultados de la evaluación de la exactitud, por no presentar errores de omisión o comisión.

Para la detección de cambio se aplicó un análisis multitemporal postclasificatorio (Dobson et al. 1995, Mas 1999, Ramsey et al. 2001, Berlanga-Robles y Ruiz-Luna 2002), traslapando los mapas temáticos de cada fecha para generar matrices de detección de cambio (Eastman et al. 1995, Jensen et al. 1998), comparando los mapas de 1973 vs 1986 y de 1986 vs 1992. La matriz de detección de cambio permite calcular la conjunción lógica de todas las combinaciones posibles de las clases representadas en dos mapas. En un arreglo similar a la matriz de error, pero comparando mapas de diferentes fechas, la diagonal superior de la matriz representa píxeles de la misma clase en ambas fechas, es decir píxeles sin cambio (Eastman et al. 1995, Jensen et al. 1998). De la matriz de detección de cambio se pueden calcular el porcentaje del área de estudio sin cambio (equivalente a la exactitud total) y un estimador del coeficiente de Kappa, pero que en este caso toma valores en el intervalo de -1.0 a 1.0. Valores cercanos a -1.0 implican un cambio total, valores cercanos a cero denotan cambios próximos al 50% y valores cercanos a 1.0 indican ausencia de cambios (Eastman et al. 1995).

Para cada clase, con los datos de la matriz de detección de cambio, se estimaron las estabilidades de localización y residencia. La estabilidad de localización (EL) mide la proporción (porcentaje) de una clase que permanece como la misma clase en la misma localidad al inicio y al final del periodo de estudio. El valor inferior (0) denota que la clase se desplazó totalmente de su localización original en tanto que el límite superior (100) implicaría cambio nulo.

De manera análoga, la estabilidad (ER) de residencia es una medida de cambio de cada clase con respecto al área total durante el periodo de estudio, por lo que toma valores negativos cuando hay pérdida de cobertura, toma valores positivos cuando la clase aumenta con respecto al año inicial y es cero cuando la clase no presenta cambios (Ramsey et al. 2001).

Adicionalmente, se estimó la tasa media de deforestación anual (dn) para las clases manglar y selva con la relación propuesta por Palacio-Prieto et al. (2004):

que puede ser expresada en porcentaje (dn χ 100).

Finalmente, para evaluar el desarrollo de la camaronicultura en la región, con la composición pancromática de una imagen Landsat ETM+ del 21 de diciembre de 2001 con una resolución espacial de 15 m, se digitalizaron en pantalla los polígonos de las granjas camaronícolas. Estos vectores fueron transformados a formato raster con las mismas dimensiones espaciales que los mapas temáticos y se traslaparon al mapa temático de 1973 para generar una matriz de detección de cambio y estimar la conversión de los diferentes ambientes a camaronicultura.

Resultados

Los mapas temáticos resultantes de la clasificación supervisada de cada imagen se muestran en la figura 2, considerándose como fondo a la superficie correspondiente al Océano Pacífico. La proporción de píxeles sin clasificar fue de 0.8% para la imagen de 1973, 0.3% para la de 1986 y 1.1% para la de 1992. La imagen de 1992 se clasificó con una exactitud total de 78%, con 94 de 120 puntos de prueba correctamente clasificados (tabla 2). El valor estimado del coeficiente de Kappa (K ׳) fue de 0.69, significativamente diferente de cero (desviación estándar = 0.054, Zc = 12.72, P > 0.05), por lo que la clasificación resultante fue mejor que una generada al azar.

Para las clases poblados, camaronicultura y superficies acuáticas no se evaluó la exactitud de producción o de usuario por ser la resultante de digitalización en pantalla o por contar con una firma espectral completamente segregable del resto. En las clases restantes, la correspondiente a planicie de inundación generó la menor exactitud de producción (29%) mientras que las coberturas vegetales naturales (selva y manglar) fueron las mejor clasificadas con exactitudes de 88% y 83%. Las clases manglar y planicies de inundación no presentaron error de omisión, por lo que obtuvieron 100% en términos de la exactitud del usuario (tabla 2).

En los tres mapas temáticos resultantes dominaron las coberturas de origen antropogénico presentando una tendencia creciente y ocupando, en conjunto, el 50% del área de estudio en 1992, aproximadamente. Por otra parte, la clase con menor representatividad dentro del área fue la correspondiente a superficies acuáticas que, sin considerar los ambientes propiamente marinos, ocupó una superficie inferior a 1000 ha (tabla 3). Esta clase estuvo representada por los esteros El Rey, Pericos, El Pozo y El Conchal y por la desembocadura y parte del cauce del Río Grande de Santiago, que presentó cambios radicales con el tiempo (fig. 3).

En la comparación píxel por píxel, de 1973 a 1986 80% de los píxeles no presentaron cambios, situándose estos valores sobre la diagonal principal de la matriz de detección de cambio, generando un valor de 0.74 para K ׳, que pondera el cambio total considerando las variaciones individuales de cada clase (tabla 3). De 1986 a 1992 el cambio, tanto a nivel de paisaje como de clases, fue mayor que en el periodo anterior, manteniéndose 70% de los píxeles sin cambio y un valor de K de 0.58.

Durante el primer periodo la clase superficies acuáticas presentó una EL de 60%, que indica que 40% del área que cubría en 1973 pasó a otra clase en 1986. Sin embargo esta pérdida fue compensada con área ganada a otras clases, inclusive en mayor proporción, por lo que mostró una tendencia de crecimiento que se reflejó en una ER de 63%. Para el siguiente periodo de análisis (1986-1992), esta clase observó una ligera disminución (ER = -7%), aunque en términos de localización sí presentó variaciones considerables resultando en una EL de 52%.

En ambas matrices de detección de cambio se aprecia una fuerte interacción entre las superficies acuáticas y las coberturas inducidas antropogénicamente, que señalan que 40% y 37% de las pérdidas de superficies acuáticas se debieron a conversión a terrenos agrícolas y de manera similar el 35% y 46% del área ganada por la superficies acuáticas fueron a expensas de la clase agricultura.

La clase selva, que representó poco menos de la tercera parte del paisaje en 1973, disminuyó de manera importante hacia 1992 aportando un 15% a la totalidad del paisaje analizado. Esta cubierta vegetal fue la principal subsidiaria de coberturas antropogénicas, aportando más de 3000 ha de 1973 a 1986 y más de 6000 ha de 1986 a 1992, reduciéndose prácticamente en 50% de la superficie estimada para 1973 (tabla 3).

Finalmente, con relación al crecimiento de las granjas camaroneras, se estimó una superficie de 1900 ha a partir de la composición pancromática de la imagen ETM+ de 2001, lo que representa aproximadamente 4% del área analizada, desplazando principalmente a las planicies de inundación sobre las que se construyó 58% de la estanquería (tabla 4). Por otro lado, se estima que aproximadamente 230 ha de manglar (3.1% de la superficie en 1992) se perdieron por la construcción de las granjas (fig. 4).

Discusión

El resultado final de la clasificación de 1992 generó un estimado de K significativamente diferente de cero (0.69), pero cuyo nivel de exactitud es moderado de acuerdo a la propuesta de Landis y Koch (1977). Sin embargo, esta estimación se obtuvo sin considerar las superficies acuáticas, que normalmente son incluidas y cuya respuesta espectral es evidentemente distinta de otras clases, por lo que se supuso que esta categoría fue clasificada sin errores de comisión u omisión. La inclusión de esta categoría genera mayor concordancia con los datos de referencia en la evaluación de la exactitud global (>0.8), pero no es indicativa de la clasificación en su conjunto.

Aún así, el resultado se considera robusto ya que en la selección de los puntos de prueba se siguió un proceso estratificado al azar, evitando además las fronteras entre clases, lo que permitió por un lado minimizar errores asociados a la resolución del equipo de posicionamiento global utilizado durante la captura de los puntos de prueba, y por el otro, que estos puntos representaran a la totalidad de los parches en que estaban embebidos, por lo que de manera implícita en el análisis de la exactitud quedó involucrado un número mayor de píxeles a los puntos de prueba (Congalton 2004).

Bajo esas consideraciones, las clases con mayor error de confusión fueron las planicies de inundación y vegetación arbustiva, que se confundieron ambas con la principal cobertura antropogénica en la región que es la agrícola. Esto se debe principalmente a que la agricultura es una clase heterogénea que incluye terrenos expuestos cuya firma espectral genera traslapes con la de las planicies de inundación, además, de terrenos con cultivos con baja densidad de siembra que se confunden con vegetación arbustiva.

Un procedimiento que en términos generales permite disminuir la confusión entre la respuesta espectral de las clases y mejorar la exactitud de las clasificaciones es incorporar datos auxiliares, procedentes de modelos digitales de elevación (MDE) o de fotografía aérea y cartografía (Klemas 2001, Ramsey et al. 2001). En este estudio, los polígonos de los poblados fueron digitalizados e integrados a los mapas temáticos sin errores de comisión u omisión. La clase fue excluida del análisis de exactitud ya que con su incorporación se sobres-timaría la exactitud atribuible únicamente a la clasificación.

Con las consideraciones anteriores, los resultados del presente estudio indican que los principales cambios en el paisaje del sistema estuarino de San Blas se dieron entre 1986 y 1992, pero durante todo el periodo que se abarcó las clases con menor estabilidad de localización fueron la vegetación arbustiva y las superficies acuáticas. La fuerte interacción mostrada en las matrices de detección de cambio entre superficies acuáticas y agricultura se reflejan en los cambios radicales en el cauce del Río Grande de Santiago, los cuales no se aprecian en el análisis numérico a nivel de paisaje pero si cuando se analiza la clase de manera aislada, pues los cuerpos de agua representaron un mínimo porcentaje del área total, siendo esto una limitación del método.

Estos cambios en general son importantes, ya que al modificar la velocidad de flujo del agua y el transporte de materiales sólidos, interfieren en la dinámica de los deltas impactando las tasas de sedimentación y erosión, el aporte de nutrientes, los periodos de inundación de las marismas y la disponibilidad de hábitat. A pesar del aumento de las superficies acuáticas registrado en los mapas de 1986 y 1992 con respecto al de 1973, se ha reportado la reducción de los esteros El Pozo, El Rey y El Conchal, las marismas Zoquipa y La Tigra, así como la obstrucción de la boca del Estero El Rey en 1990 (Páez 2000). Estos cambios en los patrones hidrológicos repercuten sobre la conectividad del sistema estuarino El Pozo-El Rey al reducir o impedir la movilidad de diversos organismos acuáticos, modificando así procesos fundamentales para el mantenimiento de la biodiversidad tales como los equilibrios contemporáneos entre colonización y extinción (Wiens 2002), así como las interacciones biológicas y las cadenas alimenticias (Taylor 1997). La disminución de los cuerpos de agua antes mencionados tiene relación con la dirección y características del cambio de coberturas y usos de suelo registrados aquí.

Se evidenció una fuerte reducción de la clase selva, favoreciendo el crecimiento de la frontera agrícola, siendo ésta la causa de más del 80% de la pérdida de áreas forestales y que posteriormente se traduce en incremento de escorrentía y tasas de sedimentación. Durante 19 años las selvas baja y mediana subcaducifolia de la planicie costera y de la región montañosa de San Blas perdieron casi la mitad de su extensión en 1973, con una tasa media de deforestación anual mayor a la reportada por Flores y Gerez (1994) para todo el estado de Nayarit (2.7%). Para el periodo de 1973 a 1986, además de la reducción del área forestal, con una tasa media de deforestación anual de 1.1%, se observó una tendencia a la fragmentación que se manifiesta en la pérdida total para el periodo siguiente. De 1986 a 1992 la clase selva fue desplazada a tasas más aceleradas, perdiendo más de 5000 ha con una tasa media de deforestación anual superior a 8%.

Estos cambios contribuyen a la reducción del nivel de intersección de agua por el dosel de la vegetación, reduciendo el tiempo de residencia del agua dentro de las cuencas y modifican los periodos de inundación y sequía de muchos humedales (Richarson y McCarthy 1994). Asimismo, el análisis de los registros históricos de sedimentos suspendidos, turbidez y concentración de nutrientes ha demostrado que la calidad del agua declina en humedales dentro de cuencas que han perdido gran parte de su cobertura vegetal (Childers y Gosselink 1990).

Con respecto a la cobertura de manglar, para 1992 ésta se estimó en 7353 ha, similar a lo registrado por otros autores que también hicieron uso de la percepción remota y estimaron una extensión de 7214 ha (Grupo Ecológico El Manglar 2001). Sin embargo, ha sido imposible contrastar estos resultados con los obtenidos por Ramírez-García et al. (1998), quienes también llevaron a cabo una evaluación con imágenes Landsast (TM) pero exclusivamente para el área de la desembocadura del Río Grande de Santiago y en la que estimaron una extensión de 724 ha, aproximadamente 10% de lo calculado en el presente estudio.

Considerando las estimaciones obtenidas para las otras dos fechas del presente estudio, la cobertura de manglar se mantuvo relativamente constante (ER = -3% y 0%, respectivamente), registrando los mayores valores de localización junto con los poblados y la agricultura. La deforestación de esta cubierta, aunque importante por el desplazamiento total (aproximadamente 300 ha), se considera marginal en términos de deforestación media anual (0.2%), contrastando con la tendencia mundial (Valiela et al. 2001) y también con otras regiones del mundo donde se ha desarrollado la camaronicul-tura (Terchunian et al. 1986, Boyd y Clay 1998) ya que en el sistema estuarino de San Blas la cobertura de manglar no ha sido desplazada por estanques camaronícolas en forma significativa.

En Nayarit la camaronicultura inició en 1979 con un sistema rústico en el Estero El Conchal. En 1988, antes de la publicación oficial de la Ley General de Protección al Ambiente (LGEEPA), había 30 granjas en la zona de San Blas con una superficie total de 257 ha. Para 1996 se construyeron 15 granjas más, adicionando 593 ha a las ya existentes (SEPLADE 1996). Recientemente, Ponce-Palafox et al. (2003) reportaron 63 granjas camaronícolas, de las cuales 58 están en operación alcanzando una superficie de espejo de agua de casi 1300 ha. En este estudio se estimó una superficie de 1900 ha de estanquería y al traslapar los polígonos de las granjas sobre el mapa temático de 1992 fue posible apreciar que las planicies de inundación fueron las principales subsidiarias de esta actividad, mientras que el manglar representó aproximadamente el 12% de la superficie dedicada a estanquería.

La mayoría de las granjas detectadas están localizadas en las proximidades de las marismas La Tigra y Las Horquetas y en los márgenes de los esteros El Conchal y el Pozo. Considerando que las marismas son componentes esenciales de los ecosistemas costeros y que el equilibrio en las tasas relativas de acreción sedimentaria e inmersión determinan la estabilidad de estos ambientes (Mitch y Gosselink 1993, Kennish 2001), la expansión de la camaronicultura se torna en un riesgo no sólo por cambios directos en el uso del terreno, sino también por otros efectos. Los impactos de esta actividad se extienden por la construcción de canales, bordes, caminos y otras infraestructuras que alteran la hidrología de las marismas, interfiriendo sobre los patrones normales de inundación y drenaje de las mareas, modificando el flujo superficial terrestre del agua, reduciendo el suministro de sedimentos y deteniendo la acreción vertical (Kennish 2001).

Además de los impactos directos como la pérdida de hábitat y la alteración de los patrones hidrológicos por cambios en el uso del terreno, el desarrollo de la camaronicultura conlleva un impacto adicional por el incremento en la carga de nutrientes a los sistemas acuáticos. Considerando las estimaciones de Páez-Osuna (2001) con relación al aporte anual de nutrientes procedente de granjas que operan con sistemas semi-intensivos (74.6 kg N ha^-1 y 19.9 kg P ha^-1) y suponiendo que éste es el sistema más común en el área, se estima que la camaronicultura regional aportaría anualmente una carga de nutrientes de alrededor de 142 toneladas de nitrógeno y 38 toneladas de fósforo al sistema. De acuerdo con el mismo autor, la descarga generada por la camaronicultura aporta 0.8% del nitrógeno y 0.5% del fósforo de las cargas totales que drenan a los ambientes costeros de Nayarit.

En particular para la cobertura de manglar, los resultados del presente trabajo indican pérdidas marginales por efecto de la deforestación y desplazamiento para la construcción de estanquería para el cultivo de camarón, aunque los efectos reales sobre la estructura de esta cobertura vegetal pueden ser mayores, ya que el desarrollo de la camaronicultura sobre las planicies de inundación, junto con la infraestructura complementaria como caminos y canales, ponen en riesgo al conjunto de humedales costeros, por lo que es necesario realizar estudios con mayor nivel de resolución para determinar el impacto real sobre esta cobertura y sobre los humedales costeros en general.

Los cambios en el paisaje costero de San Blas por el desarrollo de las actividades antropogénicas se oponen a los principios de sustentabilidad del ambiente. Para revertir esta tendencia negativa y garantizar la continuidad de las condiciones estables en la región es necesario implementar estrategias de ordenamiento ecológico que deben estar sustentadas en programas de investigación para la clasificación, inventario y monitoreo de los humedales costeros y los ambientes terrestres adyacentes (Bartlett 1993, Berlanga-Robles y Ruiz-Luna 2002, Ozesmi y Bauer 2002). Los resultados de este estudio son una contribución en ese sentido al presentar las tendencias generales de cambio de los principales componentes del paisaje de 1973 a 1992. A pesar de la exactitud moderada de los mapas producidos por la aplicación de técnicas de percepción remota, éstos representan una caracterización inédita del paisaje del sistema estuarino de San Blas y constituyen un diagnóstico que, debidamente actualizado y complementado con información de otros programas de investigación, puede ser la base para la elaboración de los planes de manejo costero para preservar los ambientes de San Blas junto con los beneficios ecológicos, económicos y culturales que el sistema ofrece.

Agradecimientos

Los autores agradecen a CONACYT y al gobierno del Estado de Nayarit por el apoyo a los proyectos FOMIX Nayarit 2003 (C019420, C019593, C019594 y C019595) así como el apoyo de SEMARNAT-CONACYT (Ref. 2002-C01-0044/A1).

Referencias

Baily B, Nowell D. 1996. Techniques for monitoring coastal change: A review and case study. Ocean Coast. Manage. 32(2): 85-95.         [ Links ]

Bartlett D. 1993. GIS and the coastal zone: An overview. In: St. Martin K (ed.), Explorations in Geographic Information Systems Technology. Vol. 3. Applications in Coastal Zone Research and Management. Clark Labs for Cartographic Technology and Geographic Analysis, Clark University, USA, pp. 3-23.         [ Links ]

Berlanga-Robles CA, Ruiz-Luna A. 2002. Land-use mapping and change detection in the coastal zone of northwest Mexico using remote sensing techniques. J. Coast. Res. 18(3): 514-522.         [ Links ]

Boyd CE, Clay JW. 1998. Acuicultura de camarones y ambiente. Invest. Cienc. 236: 22-44.         [ Links ]

Campbell JB. 1996. Introduction to Remote Sensing. Taylor and Francis, London, 622 pp.         [ Links ]

Childers DL, Gosselink JG. 1990. Assessment of cumulative impacts to water quality in a forested wetland landscape. J. Environ. Qual. 19: 454-463.         [ Links ]

Congalton RG. 2004. Putting the map back in map accuracy assessment. In: Lunetta RS, Lyon JG (eds.), Remote Sensing and GIS Accuracy Assessment. CRC Press, Florida, pp. 1-11.         [ Links ]

Congalton RG, Green K. 1999. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Lewis Publisher, Boca Raton, Florida, 137 pp.         [ Links ]

Currie DJ. 1994. Sustainable aquaculture in developing countries. World Aquacult. 25(4): 20-25.         [ Links ]

Dobson J, Bright E, Ferguson R, Field D, Wood L, Haddad K, Iredale III H, Jensen J, Klemas V, Orth R, Thomas J. 1995. NOAA's coastal change analysis program, guidance for regional implementation. National Marine Fisheries Service, National Oceanic and Atmospheric Administration, Tech. Rep. 123, Seattle, USA. http://www.csc.noaa.gov/products/ak/html/proto.htm.         [ Links ]

Eastman JR, McKendry JE, Fulk MA. 1995. Change and Time Series Analysis. United Nations Institute for Training Research/GRID, Geneva, Switzerland, 119 pp.         [ Links ]

Flores VO, Gerez P. 1994. Biodiversidad y Conservación en México: Vertebrados, Vegetación y Uso del Suelo. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad y Universidad Nacional Autónoma de México, México, 439 pp.         [ Links ]

Green EP, Mumby PJ, Edwards AJ, Clark CD. 1996. A review of remote sensing for the assessment and management of tropical coastal resources. Coast. Manage. 24: 1-40.         [ Links ]

Grupo Ecológico El Manglar. 2001. Diagnóstico socioambiental de la zona estuarina y de manglar del municipio de San Blas, Nayarit. http://www.elmanglar.com/docs/DiagnosticoManglar.pdf.         [ Links ]

INEGI. 2000. Síntesis de Información Geográfica del Estado de Nayarit. Instituto Nacional de Estadística, Geografía e Informática, México, 140 pp.         [ Links ]

Jensen JR, Cowen DJ, Althausen JD, Narumalani S, Weatherrbee O. 1998. An evaluation of coast watch change detection protocol in South Carolina. In: Lunetta RS, Elvidge CD (eds.), Remote Sensing Change Detection: Environmental Monitoring Methods and Applications. Ann Arbor Press, USA, pp. 75-88.         [ Links ]

Kennish MJ. 2001. Coastal salt marsh systems in the US: A review of anthropogenic impacts. J. Coast. Res. 17(3): 731-748.         [ Links ]

Klemas VV. 2001. Remote sensing of landscape-level coastal environmental indicators. Environ. Manage. 27: 47-57.         [ Links ]

Landis J, Koch G. 1977. The meassurements of observer agreements for categorical data. Biometrics 33: 159-174.         [ Links ]

Liu AJ, Cameron GN. 2001. Analysis of landscape patterns in coastal wetlands of Galveston Bay, Texas (USA). Landscape Ecol. 16: 581-595.         [ Links ]

Mas JF. 1999. Monitoring land-cover changes: A comparison of change detection techniques. Int. J. Remote Sens. 20: 139-152.         [ Links ]

Mitch WJ, Gosselink JG. 1993. Wetlands. Van Nostrand-Reinhold, New York, 722 pp.         [ Links ]

Neshyba S. 1987. Oceanography. Perspectives on Fluid Earth. John Wiley, New York, 506 pp.         [ Links ]

Nixon SW. 1995. Coastal marine eutrophication: A definition, social causes, and future concerns. Ophelia 41: 199-219.         [ Links ]

Ozesmi SL, Bauer ME. 2002. Satellite remote sensing of the wetlads. Wetlands Ecol. Manage. 10: 381-402.         [ Links ]

Páez BLP. 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. Tesis de grado, Centro de Investigación en Alimentación y Desarrollo, México, 76 pp.         [ Links ]

Páez-Osuna F. 2001. Descarga de nutrientes procedente de la camaronicultura, agricultura y las aguas municipales en la zona costera del Golfo de California. En: Páez-Osuna F (ed.), Camaronicultura y Medio Ambiente. Instituto de Ciencias del Mar y Limnología, UNAM, Programa Universitario de Alimentos y El Colegio de Sinaloa, México, pp. 192-206 pp.         [ Links ]

Palacio-Prieto JL, Sánchez-Salazar MT, Casado IJM, Propin FE, Delgado CJ, Velázquez MLA, Chias B, Ortiz AMI, González SJ, Negrete FG, Gabriel MJ, Márquez HR. 2004. Indicadores para la caracterización y el ordenamiento territorial. Secretaría del Medio Ambiente y Recursos Naturales, Instituto Nacional de Ecología, Universidad Nacional Autónoma de México, Instituto de Geografía y Secretaría de Desarrollo Social, México, 161 pp.         [ Links ]

Ponce-Palafox JT, Cancino JM, Lara G, Pérez R. 2003. Atlas Acuícola del Estado de Nayarit. UAN, ASANAY y SEDECO, México, 235 pp.         [ Links ]

Ramírez-García P, López-Blanco J, Ocaña D. 1998. Mangrove vegetation assessment in the Santiago River mouth, Mexico, by means of supervised classification using Landsat TM imagery. Forest Ecol. Manage. 105: 217-229.         [ Links ]

Ramsey III EW, Nelson GA, Sapkota SK. 2001. Coastal change analysis program implemented in Louisiana. J. Coast. Res. 17: 53-71.         [ Links ]

Richards JA, Jia X. 1999. Remote Sensing Digital Image Analysis: An Introduction. Springer-Verlag, Berlin, 363 pp.         [ Links ]

Richardson CJ, McCarthy EJ. 1994. Effect of land development and forest management on hydrologic response in southeastern coastal wetlands: A review. Wetlands 14: 56-71.         [ Links ]

Rooney JJ, Smith SV. 1999. Watershed landuse and bay sedimentation. J. Coast. Res. 15(2): 478-485.         [ Links ]

Ruiz-Luna A, Berlanga-Robles CA. 1999. Modifications in coverage patterns and land use in the landscape around the Huizache-Caimanero Lagoon System, Sinaloa, Mexico: A multitemporal analysis of Landsat images. Est. Coast. Shelf Sci. 49: 37-44.         [ Links ]

Ruiz-Luna A, Berlanga-Robles CA. 2003. Mapping changes derived from urban growth in a coastal landscape and associated aquatic ecosystems in northwest Mexico. Landscape Ecol. 18: 159-171.         [ Links ]

Sabins FF. 1997. Remote Sensing. Principles and Interpretation. WH Freeman, New York, 494 pp.         [ Links ]

SEPLADE. 1996. Diagnóstico y Perspectivas del Sector Acuícola de la Llanura Costera Centro Norte de Nayarit, Gobierno del Estado de Nayarit, México, 100 pp.         [ Links ]

Taylor PD. 1997. Empirical explorations of landscape connectivity. In: Cooper A, Power J (eds.), Proc. Sixth Annual Conference of IALE (UK), The UK Region of the International Association for Landscape Ecology, University of Ulster, pp. 11-18.         [ Links ]

Terchunian A, Klemas V, Segovia A, Alvarez A, Vasconez B, Guerrero L. 1986. Mangrove mapping in Ecuador: The impact of shrimp pond construction. Environ. Manage. 10: 345-350.         [ Links ]

Toledo-Cuarón A, Botello AV, Herzig M. 1987. El Pantano: Una riqueza que se destruye. Cuadernos del Centro de Ecodesarrollo XII, México, 140 pp.         [ Links ]

Valiela I, Bowen JL. 2002. Nitrogen sources to watersheds and estuaries role of land cover mosaics and losses within watersheds. Environ. Pollut. 118: 239-248.         [ Links ]

Valiela I, Bowen JL, York JK. 2001. Mangrove forest: One of the world's threatened major tropical environments. BioScience 51: 807-815.         [ Links ]

Wiens JA. 2002. Riverine landscapes: Taking landscape ecology into the water. Freshwater Biol. 47(4): 501-515.         [ Links ]