(pdf)
SciELO 
SciELO 
Permalink
Introducción
El uso del suelo es el resultado de las actividades socioeconómicas dirigidas a la apropiación del capital natural y la generación de bienes y servicios sobre una cobertura vegetal (Pineda-Pastrana, 20111). Sin embargo, estas actividades están modificando constantemente los patrones de Cobertura y Usos del Suelo (CUS) a diferentes escalas, siendo un importante impulsor del cambio climático global (Zhang et al., 2024), y un motivo de preocupación debido a su impacto en el régimen hidrológico (Garg et al., 2017). La cobertura vegetal puede emplearse como un indicador de los procesos biofísicos, permitiendo así determinar el grado de conservación de los ecosistemas naturales. Por lo tanto, la identificación de la cobertura es fundamental para monitorear la dinámica interna del territorio, lo que a su vez es clave para evaluar el impacto de las políticas ambientales, la toma de decisiones y el desarrollo de sistemas de alerta temprana para prevenir problemas como la desertificación (Reynolds et al., 2007; Saco et al., 2018; Gaitán et al., 2021).
En la actualidad, la teledetección se ha convertido en una herramienta esencial para la clasificación y monitoreo eficiente de los cambios en la CUS (Rwanga y Ndambuki, 2017; Zhang, Wang, Hao, Zhang y Hu, 2017). Esto se debe a diversos factores, como la disponibilidad de conjuntos de datos más amplios y técnicas mejoradas que han optimizado los resultados de clasificación, tanto en términos de discriminación de la CUS como de precisión de las categorías obtenidas durante el procesamiento de datos (Eiumnoh y Shrestha, 2000; Yasin y Kornel, 2024; Din et al., 2022). Los algoritmos de procesamiento también han incrementado el uso de imágenes satelitales (i.e., Landsat, Sentinel, etc.) en estudios relacionados con los cambios de CUS a múltiples escalas (Bunyangha, Majaliwa, Muthumbi, Gichuki y Egeru, 2021; Nay, Burchfield y Gilligan, 2017; Aplin y Atkinson, 2004). Así, la teledetección ha desempeñado un papel crucial en el mapeo y análisis de los cambios reales en la CUS a escala regional y global (Garg et al., 2017; Olokeogun, Iyiola e Iyiola, 2014).
A nivel mundial, diversos estudios han abordado la dinámica de la CUS. Por ejemplo, Zhang et al. (2024) utilizaron la serie temporal completa de Landsat (1982-2022) a través de la plataforma Google Earth Engine (GEE) para analizar la dinámica de cambio en las áreas de cobertura del suelo a nivel global, destacando su relevancia para el desarrollo sostenible y la toma de decisiones. En México, Bonilla-Moheno y Aide (2020) evaluaron los cambios en el uso del suelo entre 2001 y 2014 utilizando imágenes MODIS, mientras que Revuelta-Acosta, Garrido, Escobedo y Alcalá (2023), analizaron los cambios de CUS en Coatzacoalcos, Veracruz, entre 2015 y 2021 usando imágenes Landsat 8. Estos estudios demuestran la aplicabilidad de la teledetección para monitorear cambios en la cobertura del suelo a distintas escalas temporales y geográficas y, su relevancia para la gestión sostenible del territorio.
Sin embargo, en la Cuenca Baja del Río Usumacinta (CBRU), a pesar de su importancia ecológica y cultural, no existe suficiente información actualizada sobre la dinámica de las CUS. Esta región, caracterizada por su rica biodiversidad y recursos hídricos, ha sido objeto de cambios ambientales significativos, como lo indican estudios previos (Gallardo-Cruz, de Oca y Rives, 2019; Peralta-Carreta, Gallardo, Solórzano y Hernández, 2019; Vaca et al., 2019). Ante la falta de datos recientes sobre las CUS en la CBRU, el presente estudio tiene como objetivo evaluar la clasificación de las Coberturas y Usos de Suelo (CUS) de la Cuenca Baja del Río Usumacinta (CBRU) para el año 2021 utilizando imágenes de Landsat 8 OLI. Para ello, se aplicarán dos algoritmos de clasificación: uno paramétrico (Maximum Likelihood Classification, MLC) y otro no paramétrico (ISODATA, Iterative Self-Organizing Data Analysis Techniques), con el fin de obtener un mapa detallado y preciso de las CUS en esta importante región.
Materiales y Métodos
Área de estudio
La cuenca transfronteriza del río Usumacinta comprende una superficie de 772 65 km2, alberga el río más largo y caudaloso de Mesoamérica, con 1100 km de longitud (Kauffer, 2021) y 1700 m3 s-1 de caudal (Mifsut y Castro, 2010). Esta cuenca pertenece a un territorio hídrico compartido por las fronteras administrativas de México, Guatemala y Belice. El río Usumacinta corre en la cuenca alta y media de Guatemala hasta llegar a la Cuenca Baja del Río Usumacinta (CBRU). El área de estudio de este trabajo comprende solo la porción mexicana con una superficie de 14 291.75 km2, distribuidas entre los estados de Chiapas (14.3%), Campeche (30.8%) y Tabasco (54.9%) antes de desembocar en el Golfo de México como se muestra en la Figura 1, Gallardo-Cruz et al. (2021). El área de estudio utilizada, fue delimitada en el estudio realizado por Gallardo-Cruz et al., (2019) quienes, para ello, se basaron en criterios topográficos, cartográficos y geomorfológicos.
El cauce principal en la CBRU posee una elevación promedio de 50 m de altitud y su fisiografía se compone de las Llanuras Costera del Golfo Sur (95.67%) y Sierra de Chiapas y Guatemala (2.02%), (INEGI, 2001). El clima se clasifica como Af (m) w’(i’) g (García, 1988), correspondiente a un clima cálido húmedo con altas temperaturas (26.9 °C) y precipitaciones (2274 mm) durante todo el año, donde el mes de mayo es el más cálido (35.5 °C), enero es el más frío (18.6 °C) y la temporada de lluvia se presenta durante los meses de junio a noviembre, siendo septiembre el más lluvioso con 351.2 mm (CONAGUA, 2023). Respecto a la edafología (Palma-López, Cisneros, Moreno y Rincón, 2007; Castillo-Cruz y Medrano-Pérez, 2023) reportan que los suelos predominantes en la CBRU son Acrisols (3.25%), Arenosols (4.22%), Cambisols (2.42%), Cuerpo de agua 7.13%, Ferralsols (2.32%), Fluvisols (10.48%), Gleysols (19.97%), Histosols (4.51%), Leptosols (12.64%), Luvisols (13.11%), Solonchaks (2.64%) y Vertisols (17.31%).
Estas características influyen en la diversidad de especies de la CBRU, donde la vegetación es heterogénea, predominado los pastizales cultivados, agricultura de temporal, pesca y entre las actividades económicas, la industria petrolera y agroindustria. Además, existen ecosistemas representativos del bosque tropical perennifolio, humedales, manglares y bosque sub-perennifolio (Rzedowsky, 2006), dónde se encuentran, la Reserva de la Biosfera Pantanos de Centla y el Área de Protección de Flora y Fauna, Cañón del Usumacinta y el Área Natural Protegida de Laguna de Términos que albergan una población de 201 548 habitantes distribuida en 1185 localidades (SERNAPAM, 2013).
El enfoque metodológico utilizado en esta investigación se dividió en las siguientes fases: (i) recopilación de datos de imágenes de satélite y vectorial; (ii) procesamiento de datos a través del algoritmo para la clasificación no supervisada (ISODATA) y para la clasificación supervisada por el método de Máxima Verosimilitud (MLC, por sus siglas en inglés); y (iii) evaluación de la precisión de las clasificaciones. El flujo general metodológico del tratamiento de datos se ilustra en la Figura 2, posteriormente se describen a detalle los pasos seguidos en las diferentes secciones.
Base de datos
Se utilizaron datos ráster del Modelo digital de elevación (DEM, por sus siglas en inglés) con resolución de 50 × 50 m (INEGI, 2012), datos vectoriales de la cartografía shapefiles de Uso del suelo y vegetación, escala 1:250000, Serie VII nacional (INEGI, 2013), como referencia para identificar los tipos de coberturas y usos del suelo. Además, para evitar el error de temporalidad, se utilizaron imágenes multiespectrales de la nube de Google Earth Engine (2022). registradas por los sensores LandSat 8 Operational Land Imager (OLI) + Thermal Infrared Sensor (TIRS) de una resolución de píxel de 30 metros para la CBRU. La consulta se realizó mediante el analisis de las colecciones de imágenes de mayor calidad (Tier 1), y para mitigar la limitación que surge debido a la nubosidad (Tziolas et al., 2020), se aplicó el criterio de selección de nubes (<10%) y para obtener la imagen compuesta a partir de los promedios mensuales del año 2021 se utilizó una imagen por mes.
Preprocesamiento
Posteriormente se llevó a cabo el preprocesamiento de imágenes de satélite en el software ArcMap v. 10.8 (ESRI, 2011) (Figura 2). Para el análisis de las firmas espectrales se realizaron combinaciones de bandas B6-B5-B2 que corresponden al (uso agrícola); B4-B3-B2 (color natural); B6-B5-B2 (vegetación vigorosa) y B5-B4-B3 (color verdadero). Además, se realizó la revisión de literatura para identificar los grupos de coberturas y usos de suelo representativos de la CBRU (Meave et al., 2022) Cuadro 1.
Selección de algoritmos
Dada su robustez y amplio uso en la teledetección, fueron seleccionados los algoritmos Maximum Likelihood Classification (MLC) e Iterative Self-Organizing Data Analysis Techniques (ISODATA) para la clasificación de la cobertura y usos del suelo (CUS) en la Cuenca Baja del Río Usumacinta (CBRU), (Gallardo-Cruz et al., 2019; Makandar y Kaman, 2021; Ramírez-García et al., 2022). El algoritmo MLC es un método paramétrico bien establecido que considera la variabilidad espectral entré clases, además permite incorporar información complementaria (puntos de entrenamiento) Yasin y Kornel (2024), lo cual mejora la precisión de la clasificación supervisada. De acuerdo con (Wu y Murray, 2003; Shalaby y Tateishi, 2007) el algoritmo no paramétrico ISODATA, no requiere conocimiento previo de las firmas espectrales permitiendo un ajuste automático según el número de clasificación y número de clases de manera iterativa y eficiente. Ambos algoritmos superan a otros métodos (i. e.: K-Means, Mínima Distancia o Paralelepípedo) en términos de precisión y manejo de valores atípicos. Existen técnicas avanzadas (i. e.: Random Forest, Redes Neuronales y Máquinas de Vectores de Soporte) que ofrecen resultados más precisos, pero demandan una mayor cantidad insumos y de datos de entrenamiento para un ajuste más complejo de hiperparámetros, lo cual representa un desafío en el contexto de la CBRU donde los recursos y datos de referencia pueden ser limitados (Guzmán, Bezada y Rodríguez, 2023; Rodríguez-Valero y Alonso-Sarria, 2022; Fernández-Fierro, Rosero, Beltrán y Echeverría, 2020).
Clasificación no Supervisada
La clasificación no supervisada (CNS) se presenta como un primer acercamiento del conocimiento de un territorio permitiendo describir variaciones y patrones de cambio en el paisaje (Cotler, Garrido, Bunge y Cuevas 2010; Zhao et al., 2012; Trujillo et al., 2022), lo que resulta fundamental para la planificación a mediano y largo plazo del territorio a través del ordenamiento territorial y planes de conservación (Mulatu, Hundera y Senbeta 2024).
El algoritmo ISODATA (Iterative Self-Organizing Data Analysis Techniques), que considera la distancia espectral mínima para la agrupación de conglomerados en función a la distancia euclidiana (ecuación 1), y no requiere conocimientos previos del área de estudio (Lemenkova, 2021a).
Donde: n = número de bandas; i = número de banda; c = clases especifica; X xyi = valor del archivo de datos del píxel X, y en banda i; μ ci = media de los valores del archivo de datos (números digitales); en i para la muestra de clase c; SD xyc = Distancia espectral de los píxeles x , y, el valor medio de la clase c.
Para esta clasificación se adoptó un mínimo de cuatro y un máximo de ocho clases permitiendo realizar una clasificación completa y su validación del índice kappa (Reynoso-Santos, Valdez, Escalona y de los Santos, 2015). Los parámetros asignados para cada mapa de clasificación se mantuvieron iguales, incluido el número máximo de 4 grupos propuestos en el cuadro 1 (Lemenkova, 2021b).
Una de las ventajas de la CNS es su rapidez en el procesamiento de datos. Rullán-Silva, Gama, Galindo y Olthoff (2011), clasificaron las coberturas de suelo de la región Sierra de Tabasco mediante una CNS e imágenes LandSat ETM+, que requieren bajos insumos técnicos y económicos (Vimala, Marimuthu, Venkateswaran y Poongodi, 2020). Con el objetivo de optimizar recursos, Ma et al., (2020) utilizaron la CNS para la clasificación de cultivos, considerándola una herramienta útil para el monitoreo, diagnóstico e incidencia en la ejecución de políticas públicas o planes de desarrollo en la gestión del territorio.
Posprocesamiento
Las clases grupos formados se reagruparon con la técnica de agrupamiento jerárquico de Ward, que está diseñado para optimizar la varianza mínima en los grupos (Ward, 1963; Krishna-Bahadur, 2012). Esta técnica calcula las medias para cada variable dentro de cada grupo y la distancia euclidiana al cuadrado de las medias del grupo para cada caso (Langford y Bell, 1997). Las distancias se suman para todos los casos y en cada paso, los dos grupos que se fusionan son aquellos que dan como resultado el menor aumento en la suma general de las distancias al cuadrado dentro del grupo. Las clases resultantes se identificaron sobre la base del conocimiento extraído de la revisión de literatura, del análisis de la Serie VII de INEGI y procesos en Google Earth (Ramírez-García et al., 2022).
Clasificación supervisada
La clasificación supervisada (CS) utilizando el algoritmo de Máxima Verosimilitud (MLC), por sus siglas en inglés) es el método más utilizado entre los enfoques de clasificación paramétrica (Maselli, Conese, Petkov y Resti, 1992; Sisodia, Tiwari y Tiwari, 2014). Esta metodología supone que los datos se distribuyen de acuerdo al modelo de probabilidad predefinido y los parámetros de esta distribución dependen de los datos de entrada de los sitios de entrenamiento (Ahmad y Quegan, 2012). Para ayudar al MLC a discriminar la densidad y verdor de la vegetación expresada numéricamente entre -1 y 1, se calculó el Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés) con la ecuación 2 (Zhang et al., 2006), además y se utilizó el DEM (Eiumnoh y Shrestha, 2000, Kassahun, Hundera y Senbeta, 2024) y evitar la confusión del valor espectral del bosque tropical y plantaciones forestales comerciales (Wang y Yao, 2024).
Después de obtener una clasificación adecuada de una discriminación satisfactoria entre las clases durante la evaluación de precisión, se realizó la clasificación final para producir un mapa de coberturas y uso de suelo 2021.
Según Palaniswami, Upadhyay y Maheswarappa (2006), la combinación de NDVI, DEM, número de puntos de entrenamiento y extracción del valor de firmas garantiza una buena clasificación de imágenes y facilita la discriminación de firmas espectrales (Bendib y Boutrid, 2024; Eiumnoh y Shrestha, 2000), aumentando la precisión de la clasificación entre 10 y 20 por ciento.
Los índices espectrales se utilizan para mejorar la detección de la presencia o ausencia de cobertura vegetal, generando relaciones con las bandas normalizadas (Mohammed, Ghazi y Mustafa, 2013). El índice de vegetación normalizada (NDVI) es un indicador de la cobertura vegetal a gran escala y de la productividad (Sun y Quin, 2016), que refleja la salud de la vegetación en función de cómo las plantas reflejan rangos específicos del espectro electromagnético. A través de la teledetección, los SIG y el uso del NDVI (Peters et al., 2002,Makandar y Kaman, 2021, Nay et al., 2017) mejoraron significativamente la precisión de la clasificación de coberturas vegetales obtenidas para la CBRU.
Esta clasificación se caracteriza por extraer información espectral de los píxeles de la imagen satelital, siendo el algoritmo más utilizado el de máxima verosimilitud (Richards y Jia, 2006; Ahmad y Quegan, 2012; Yang et al., 2020; Richards, 2022). Este algoritmo utiliza datos de entrenamiento a través de estimaciones de varianza media de las clases y matrices de covarianza (Perumal y Bhaskaran, 2010). Los resultados de precisión alcanzados para la CBRU superan los obtenidos por Padilla-Romero y Hernández-Juárez (2023) y Jiménez, Vilchez, González y Flores (2018) en estudios sobre cambios de uso de suelo en el Estado de México y en la zona metropolitana de Tepic, Nayarit, respectivamente.
Evaluación
Los resultados de cada mapa de clasificación se compararon por separado con la matriz de confusión y precisión general (ERDAS, 1999). Finalmente, se seleccionó el mapa de clasificación que mostró resultados aproximados o superiores al índice kappa, como técnica multivariada discreta en la evaluación de la precisión temática, que utiliza todos los elementos de la matriz de confusión durante la CNS (Cohen, 1960; ecuación 3).
Donde: K = índice kappa; N = Número de datos muestreados; Xij = Número de observaciones; Xi+X+i = Concordancia esperada.
Para evaluar el índice kappa se utilizaron los criterios de Landis y Koch (1977), donde los valores menores a 0.4 representan una concordancia pobre; valores entre 0.4 y 0.8 una concordancia moderada; y, valores mayores a 0.8 una concordancia fuerte (Guzmán, Bezada y Rodriguez, 2023).
La precisión del mapa de CUS 2021 se evaluó utilizando la metodología de Congalton y Green (2019) a través de muestreo en campo. Se establecieron 948 puntos de control y 330 puntos de verificación de forma aleatoria, las coordenadas geográficas (UTM, Zona 15N, datum WGS84), se almacenaron en un GPS Trimble Geo 7X®; considerando los criterios de accesibilidad (propiedad privada o ejidal) y distancia de la carretera al punto de muestreo por cada categoría, describiendo los tipos de coberturas y usos observado de acuerdo con Meave et al. (2022) (Cuadro 2).
Table 2: Types of land cover and land uses.
| Grupo | Clave | Coberturas y usos de suelo | Descripción |
| Actividades antropogénicas | PF | Plantaciones forestales | Plantaciones forestales de caoba, teca, melina y hule |
| PA | Palma de aceite | Establecimiento de palma de aceite | |
| AGP | Agropecuario | Sistemas de agropecuario, pastizal cultivado, cultivos agrícolas, ganadería intensiva | |
| URB | Urbano | Asentamientos humanos e Infraestructura carretera, ejidos, ciudades | |
| Cuerpo de agua | CA | Cuerpo de agua | Sistemas estuarios, lagunas costeras, canales, cauces de ríos, excluyendo el Océano Pacífico y estanques de actividad acuícola |
| Humedales | HUM | Humedales | Pueden presentarse con o sin vegetación (vegetación hidrófila en asociación con la especie de Quercus oleoides, Thali geniculata, typha latifolia, Haematoxylum campechianum) |
| Vegetación arbórea | BI | Bosque inundado | Asociaciones de hidrófilas dominadas por especies de manglar (Laguncularia racemosa, Rhizophora mangle, Avicennia germinans, Pachira aquatica). |
| BT | Bosque tropical | Vegetación segundaría de selva baja y mediana subcaducifolia, asociaciones de arbustos y vegetación perturbada. |
Adaptado de Meave et al. (2022) y Ramírez-García et al. (2022).
Adapted from Meave et al. (2022) and Ramírez-García et al. (2022).
La precisión de la clasificación se evaluó mediante una matriz de confusión, que permitió confrontar la información de los sitios de muestreo y la imagen clasificada (García-Mora y Mas, 2008) e identificar diferentes clases de cobertura, tales como agropecuario, bosque inundado, bosque tropical, cuerpos de agua, humedal, palma de aceite, plantaciones forestales y urbano.
Resultados y Discusión
La clasificación de las imágenes satelitales de la cuenca baja del río Usumacinta se realizó utilizando dos metodologías diferentes: clasificación no supervisada (CNS) y clasificación supervisada (CS). A continuación, se presentan los resultados de cada método.
Clasificación no supervisada de la CBRU
Mediante la aplicación del algoritmo de clasificación ISODATA, de CNS se identificaron los patrones iniciales de la cobertura del suelo basados en la agrupación de píxeles similares, permitiendo así una primera aproximación a la distribución de los diferentes tipos de cobertura de la CBRU. Las clases de cobertura identificadas fueron: Cuerpos de Agua, Humedales, Vegetación arbórea y Actividades antropogénicas (Cuadro 2).
En la Figura 3 se muestra la distribución de estas clases, observándose que el 55% está ocupado por actividades antropogénicas, seguido por el 16% de los humedales, los cuales se distribuyen principalmente en la parte norte de la cuenca, mezclándose con zonas de vegetación arbórea que se encuentran de norte a sur de la zona de estudio y ocupan el 21% del territorio, seguido del 8% de cuerpos de agua. El uso de algoritmos de clasificación basados en las características espectrales, como el ISODATA, ha demostrado ser altamente efectivos en la identificación de coberturas de suelo (Yuan et al., 2019; Dai, Zhou, Ning, Xu, y Wang, 2024). De acuerdo con Abbas, Minallh, Ahmad, Abid, y Khan (2016) tanto el ISODATA y K-means son capaces de agrupar píxeles con características similares para discriminar diferentes clases de cobertura de suelo.
Este método de CNS obtuvo un bajo porcentaje de precisión (67%), quedando por debajo de los valores de referencia sugeridos por Chuvieco (2022) (80%). En este sentido, la baja precisión de esta clasificación (67% de precisión y un índice kappa de 0.51), se puede atribuir a la heterogeneidad tropical del área (Gallardo et al., 2019; Meave et al., 2022) y la fragmentación de la CBRU (Tudela, 1989).
Clasificación supervisada de la CBRU
En la Figura 4 se muestra la distribución de las clases de cobertura, destacando la clase agropecuaria con el 41.46% de la superficie, que representa zonas de agricultura y ganadería.
Los humedales ocupan el 21.17% de la superficie y son principalmente zonas de vegetación herbácea (Figura 5). Los bosques inundados se localizan principalmente en los municipios de Centla, E. Zapata, y Jonuta, Tabasco representando el 13.15% y están compuestos por especies arbóreas como el mangle. El bosque tropical ocupa el 10.76% de la superficie de la cuenca y se caracteriza por la presencia de árboles de tinto. Hacia la zona oeste, en los municipios de Balancán y Emiliano Zapata, se distribuyen principalmente las plantaciones forestales, que ocupan el 4.09% de la zona de estudio.
De acuerdo con Camacho-Valdez, Rodiles, Navarrete y Valencia (2022) en los últimos años el cultivo de Palma de Aceite ha incrementado en la zona baja del Usumacinta (0.96%); la CS estimo el 2.34% de la CBRU de este cultivo respecto a la CNS que no permitió identificarlo (Cuadro 3). Estos datos coinciden con Ramírez-García et al. (2022) quienes determinaron que el uso agropecuario se ha incrementado de un 14% a un 61% en un periodo de 72 años, siendo la clase predominante en la CBRU.
Table 3: Distribution of 2021 CUS of the CBRU.
| Coberturas y uso de suelo | Clave | Superficie | Precisión Usuario | |
| ha | - - - - - % - - - - - | |||
| Agropecuario | AGP | 592 621.80 | 41.46 | 95 |
| Bosque inundado | BI | 187 928.22 | 13.15 | 90 |
| Bosque tropical | BT | 153 774.94 | 10.76 | 88 |
| Cuerpo de agua | CA | 92 417.63 | 6.47 | 92 |
| Humedales | HM | 302 616.30 | 21.17 | 92 |
| Palma de aceite | PA | 33 475.67 | 2.34 | 94 |
| Plantaciones forestales comerciales | PFC | 58 529.47 | 4.09 | 93 |
| Urbano | URB | 8005.38 | 0.56 | 95 |
| Precisión Producto (%) | 0.92 | |||
| Índice kappa (%) | 0.90 | |||
| Superficie Total | 1 429 369.41 | 100 | ||
Por otro lado, la CS mostró una alta precisión del 92%, con un índice kappa de 0.90, superior a lo obtenido por Duan et al. (2024) en el estudio de clasificación de imágenes multiespectrales, al utilizar datos auxiliares, se logró una precisión superior al 80% en todas las categorías identificadas: agropecuario (95%), bosque inundado (90%), bosque tropical perennifolio (88%), cuerpos de agua (92%), humedales (92%), palma de aceite (94%), plantaciones forestales comerciales (93%) y urbano (95%). Estos resultados son consistentes con los reportados por Yacouba, Guangdao y Xingping (2009); Sahebjalal y Dashtekian (2013).
Conclusiones
Los resultados de este estudio validan la efectividad de utilizar imágenes satelitales de LandSat 8OLI del 2021, junto con datos auxiliares como el NDVI y el DEM, para realizar un mapeo preciso de las coberturas y usos de suelo (CUS) en la Cuenca Baja del Río Usumacinta (CBRU). Este enfoque resalta la importancia de aplicar técnicas avanzadas de teledetección en regiones de alta biodiversidad, donde la gestión sostenible es crucial.
La clasificación no supervisada mediante el algoritmo ISODATA identificó rápidamente cuatro clases generales: humedales, vegetación arbórea, cuerpos de agua y actividades antropogénicas, logrando una precisión moderada del 67% con un índice kappa de 0.51. Sin embargo, esta metodología presentó limitaciones en la diferenciación de clases específicas como bosques tropicales, bosques inundados y plantaciones de palma de aceite, lo que sugiere que los resultados deben interpretarse con cautela.
Por otro lado, la clasificación supervisada utilizando el algoritmo de Máxima Verosimilitud (MLC), apoyada en 948 puntos de entrenamiento y datos auxiliares del NDVI y DEM, permitió un mapeo más detallado y preciso. Esta metodología logró discriminar clases específicas como agricultura (41.46%), humedales (21.17%), plantaciones forestales comerciales (4.09%) y áreas urbanas (0.56%), alcanzando una excelente precisión con un índice kappa de 0.90, validado por 330 puntos de control terrestre.
La integración del Modelo Digital de Elevación (DEM) mejoró significativamente la precisión en la clasificación al facilitar la diferenciación entre plantaciones forestales y el bosque tropical perennifolio. Además, el uso combinado del NDVI y DEM fue clave para mejorar la discriminación espectral en coberturas complejas como el bosque tropical y los humedales.
Estos resultados subrayan el potencial de combinar información espectral, estructural y topográfica para lograr una clasificación más precisa de las CUS. El mapeo detallado permite identificar patrones de uso del suelo y cambios en el paisaje, lo cual es fundamental para la planificación territorial y la conservación de recursos naturales.
La integración de datos como el NDVI y el DEM, junto con algoritmos avanzados en software de SIG, mejora la precisión de los resultados y contribuye a decisiones informadas en contextos locales complejos, especialmente en regiones tropicales vulnerables como la CBRU. Esta investigación genera información actualizada que sirve como base para implementar estrategias efectivas para el desarrollo sostenible y la gestión de áreas naturales protegidas.
Finalmente, se recomienda explorar técnicas de clasificación basadas en objetos, utilizar imágenes de alta resolución e integrar una mayor densidad de datos de campo para validación. Además, se sugiere analizar series temporales para monitorear dinámicas en las CUS a lo largo del tiempo. En este contexto, los Sistemas de Información Geográfica (SIG) y las técnicas de percepción remota son herramientas eficientes para identificar coberturas y usos del suelo.
Los resultados representan una contribución para tomadores de decisiones y partes interesadas en planificación territorial y manejo sostenible de recursos naturales, contribuyendo así a los esfuerzos por conservar la biodiversidad en la CBRU.
Consentimiento para Publicación
Todos los autores han leído y aprobado el manuscrito final y han dado su consentimiento para su publicación.
