Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO PROGRAMA DE MAESTRÍA Y DOCTORADO EN GEOGRAFÍA VALIDACIÓN DE UN MODELO DE PERTURBACIÓN FORESTAL POR USO DE LEÑA EN MÉXICO TESIS QUE PARA OPTAR POR EL GRADO DE: MAESTRO EN GEOGRAFÍA PRESENTA: ALEXANDER QUEVEDO CHACÓN DIRECTORES DE TESIS: Dr. ADRIÁN GHILARDI (CIGA - UNAM) Dra. YAN GAO (CIGA - UNAM) Ciudad Universitaria, Cd. Mx. Enero 2018 UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. Resumen La validación de modelos espacialmente expĺıcitos está tomando cada vez mayor relevancia, ante el creciente número de propuesta de modelación de los fenómenos ambientales, y la nece- sidad de los usuarios de conocer su grado de confiabilidad. La presente tesis busca determinar la confianza en un modelo espacio temporal que simula los efectos de la recolección de leña sobre la vegetación (MoFuSS). Para este fin se empleó un análisis de series de tiempo de ı́ndi- ces de vegetación obtenidas de MODIS para evaluar la coincidencia entre áreas que ha sufrido perturbaciones forestales y las predicciones del modelo MoFuSS, para los estados de Yucatán, Michoacán y Jalisco en el periodo comprendido entre 2008 y 2016. Los resultados obtenidos indican que para los dos primeros estados existe una coincidencia espacial entre las perturba- ciones detectadas mediante MODIS y las estimaciones realizadas por el modelo MoFuSS. En el caso de Jalisco, no se encontró coincidencia espacial. La coincidencia espacial mostrada en Yucatán y Michoacán indican que es posible tener confianza en las predicciones hechas por el modelo MoFuSS en cuanto a las áreas que presentan perturbación, siendo que éstas pueden ser ocasionadas por diversos factores, por lo que no se puede atribuir dicha perturbación a un solo factor. El análisis de series de tiempo de imágenes satelitales mostró ser de gran utilidad en el proceso de validación de este modelo. Se recomienda complementar esta técnica con estudios de campo y trabajar a un resolución más detallada, usando sensores como Landsat 8 y Sentinel 2. 3 Agradecimientos Institucionales Al Consejo Nacional de Ciencia y Tecnoloǵıa (CONACYT) por la beca otorgada durante la realización de la maestŕıa. Al Centro de Investigaciones en Geograf́ıa Ambiental (CIGA) de la Universidad Nacional Autónoma de México (UNAM). A mis asesores el Dr. Adrián Ghilardi y a la Dra. Yan Gao, por su constante apoyo y apertura durante el desarrollo de este proyecto. Al Dr. Jean Francois Mas Caussel por su ayuda y sus acertadas observaciones. Al comite sinodal, Dr. Ernesto Vega, Dr. Alberto Gomez-Tagle y al Dr. Robert Bailis. Investigación realizada gracias al Programa UNAM-DGAPA-PAPIIT No IA101513: “Análi- sis geoespacial de la degradación forestal por la extracción de madera para leña y carbón vegetal en el centro de México.” Ene 2013 – Dic 2014. Investigación realizada gracias al Fondo Sectorial CONACYT-SENER Sustentabilidad energéti- ca Proyecto No 246911. Clúster de Biocombustibles Sólidos para la Generación Térmica y Eléctrica (BCS-GTE). Nov 2016 – Oct 2020. Investigación realizada gracias al Programa de Apoyo de Proyectos de Investigación e Inova- ción Tecnológica PAPIIT IA104117, UNAM. Mapeo de la degradación forestal en México uti- lizando datos de serie de tiempo de ı́ndice de vegetación del sensor MODIS. 4 Personales A mis padres y mi hermana por todo su apoyo en la distancia. A Adri por todo su amor, ternura y comprensión. Ale Larrazabal, Renato y Paty por acogerme desde mi llegada a México. A Adrián Ghilrdi por su sinceridad y apoyo mucho más allá de lo académico. A nuestro buen amigo Domingo por toda su generosidad; al sector 7G especialmente a Jose Luis y al Mike Salinas; a Abdul Reyes (Princess) por toda su solidaridad; a mis compañeros de maestŕıa y a todos los que en la cercańıa o la distancia han estado. Y por supuesto a la vida que me ha dado y enseñado tanto. 5 Índice general 1. Introducción 12 1.1. Pregunta de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.2. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3. Objetivos espećıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2. Marco Teórico 15 2.1. Bosque y perturbaciones forestales . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2. Dendroenerǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3. Modelos ambientales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4. Monitoreo de la cubierta vegetal . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3. Metodoloǵıa 22 3.1. Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2. Datos y Sofware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3. Imagenes MODIS - NDVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4. Preprocesamieto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.1. Filtros de calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.2. Interpolación y Filtro Savitzky Golay . . . . . . . . . . . . . . . . . . . . 29 3.5. Bfast monitor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.5.1. Modelo Tendencial y Estacional . . . . . . . . . . . . . . . . . . . . . . . . 32 3.5.2. Monitoreo del cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 6 3.5.3. Peŕıodo de histórico estable . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5.4. Bfast Spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.6. Modelización de escenarios de ahorro de leña - MoFuSS . . . . . . . . . . . . . . 35 3.6.1. Mapas de fricción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.6.2. Componente IDW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.6.3. Demanda y Oferta de leña . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.6.4. Pérdida y ganancia de bosque. . . . . . . . . . . . . . . . . . . . . . . . . 39 3.7. Análisis de puntos calientes y puntos fŕıos . . . . . . . . . . . . . . . . . . . . . . 40 3.8. Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.8.1. Análisis de correlación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.8.2. Contraste de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.8.3. Índice de coincidencia difusa . . . . . . . . . . . . . . . . . . . . . . . . . 42 4. Resultados y discusión 43 4.1. Estimación de pérdida de la cobertura vegetal . . . . . . . . . . . . . . . . . . . . 43 4.2. Impactos proyectados por extracción de leña a partir de MoFuSS . . . . . . . . . 43 4.3. Agrupaciones de áreas con pérdida de NDVI (Puntos calientes - puntos fŕıos) . . 47 4.4. Resultados de las estrategias de validación de MoFuSS . . . . . . . . . . . . . . . 49 4.4.1. Análisis de correlación entre Biomasa No Renovable (NRB) y pérdida del NDVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.4.2. Comparación estad́ıstica . . . . . . . . . . . .. . . . . . . . . . . . . . . . 49 4.4.3. Índice de coincidencia difusa entre áreas de NRB y Agrupaciones de áreas con pérdida de NDVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.5.1. Validación de MoFuSS usando series de tiempo de NDVI . . . . . . . . . 59 4.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.7. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 7 Índice de figuras 2-1. Ciclo de desarrollo de un modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3-1. Flujo de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3-2. Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3-3. Algoritmo de filtrado empleando la capa de calidad de NDVI. . . . . . . . . . . . 29 3-4. Representación gráfica del periodo histórico y de monitoreo empleado para el Análisis de Serie de Tiempo con Bfast. . . . . . . . . . . . . . . . . . . . . . . . . 31 3-5. Ejemplo de la salida gráfica del algoritmo Bfast monitor aplicado en una zona de selva baja subcaducifolia en Michoacán. . . . . . . . . . . . . . . . . . . . . . 35 3-6. Algoritmo MoFuSS simplificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4-1. Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Yucatán (2008 - 2016) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4-2. Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Mi- choacán (2008 - 2016) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4-3. Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Jalisco (2008 - 2016) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4-4. Estimacion de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Yucatán. . . . . 45 4-5. Estimación de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Michoacán. . . . 46 8 4-6. Estimación de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Jalisco. . . . . . 46 4-7. Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Yucatán . . . . . . . . . . . . . . . . . . . . . . . . . 47 4-8. Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Michoacán . . . . . . . . . . . . . . . . . . . . . . . . 48 4-9. Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Jalisco . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4-10. Correlaciones locales entre los valores de NRB y la perdida de NDVI . . . . . . . 50 4-11. Diagramas de cajas para cada uno de los grupos establecidos . . . . . . . . . . . 52 4-12. Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (pa- nel derecho) para el estado de Yucatán . . . . . . . . . . . . . . . . . . . . . . . . 54 4-13. Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (pa- nel derecho) para el estado de Michoacán . . . . . . . . . . . . . . . . . . . . . . 54 4-14. Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (pa- nel derecho) para el estado de Jalisco . . . . . . . . . . . . . . . . . . . . . . . . . 55 4-15. Esquema de la comparación espacial entre las áreas de NRB y NRB aleatorio con las áreas definidas como clusters de perdida. . . . . . . . . . . . . . . . . . . 55 4-16. Relación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Yucatán. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4-17. Relación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Michoácan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 9 4-18. ÍRelación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Jalisco. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4-19. Semivariograma de NRB ajustado a un modelo esférico para el estado de Yucatán118 4-20. Semivariograma de NRB ajustado a un modelo esférico para el estado de Michoacán119 4-21. Semivariograma de NRB ajustado a un modelo esférico para el estado de Jalisco 119 10 Índice de cuadros 3-1. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3-2. Descripción de la capa de calidad de los ı́ndices de vegetación. . . . . . . . . . . . 27 3-2. Descripción de la capa de calidad de los ı́ndices de vegetación. . . . . . . . . . . . 28 3-2. Descripción de la capa de calidad de los ı́ndices de vegetación. . . . . . . . . . . . 29 3-3. Descripcion de las fuentes de oferta de leña. . . . . . . . . . . . . . . . . . . . . . 38 4-1. Correlaciones globales entre los valores de NRB y la perdida de NDVI. . . . . . . 49 4-2. Autocorrelación espacial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4-3. Prueba de normalidad a los valores de NRB. . . . . . . . . . . . . . . . . . . . . 51 4-4. Estad́ısticas descriptivas para cada uno de los grupos establecidos. . . . . . . . . 51 4-5. Comparación entre los tres grupos definidos empleando la prueba de Kruskal- Wallis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4-6. Comparación entre los valores de NRB al interior de los clusters y los valores fuera de los cluesters, empleando la prueba U de Mann-Whitney. . . . . . . . . . 53 11 Caṕıtulo 1 Introducción El uso tradicional de leña y carbón vegetal en los páıses en desarrollo es a menudo identificado como una causa de degradación forestal, e inclusive de deforestación [Hosonuma et al., 2012]; lo que a su vez tiene implicaciones ambientales por la pérdida de bienes y servicios ecosistémicos y por las emisiones netas de gases de efecto invernadero [Bailis et al., 2015]. De igual manera, la escasez de estos recursos pone en riesgo la seguridad energética a un tercio de la población mundial, que depende exclusivamente de la leña para cocinar sus alimentos y calentar sus hogares [Legros et al., 2009]. Se espera que la demanda global de leña y carbón vegetal continúe en aumento (en valores absolutos) al menos hasta el año 2030 [Bonjour et al., 2013; Riahi et al., 2012]. Bajo prácticas de manejo sustentable, la leña y el carbón vegetal representan una fuente de enerǵıa renovable y de ingresos para la población rural y urbana de bajos recursos [Masera et al., 2015]. En el ámbito de las poĺıticas públicas se necesitan evaluaciones robustas y precisas que tengan en cuenta los efectos espaciotemporales de la cosecha de leña para mejorar el impacto de las intervenciones, tales como programas de cocinas y hornos de carbón mejorados. En el pasado los aciertos de estos programas se han asumido como una cuestión de confianza en la tecnoloǵıa y no a partir de evaluaciones cient́ıficas. Por lo tanto existe una fuerte necesidad de modelos que permitan evaluar de manerarobusta las decisiones de manejo de este recurso [Ghilardi et al., 2016]. 12 En este contexto entre los años 2011 y 2015, Ghilardi y colaboradores (2016) desarrollaron el modelo MoFuSS (Modeling fuelwood savings scenario, por sus siglas en inglés), el cual es espacialmente expĺıcito y dinámico, y simula el efecto de la recolección de leña en la vegetación local. Este modelo se desarrolló siguiendo tres preguntas gúıas: (1)¿Cuánta leña se cosecha en un lugar determinado dentro de un marco de tiempo espećıfico?, (2) ¿Cómo responde la vegetación a esta presión, medida con la existencia de biomasa y las tasas de crecimiento?, y (3)¿Cómo son los cambios en la demanda de leña (por ejemplo, a través de la implementación de estufas que ahorran combustible), en términos de la alteración en los patrones de cosecha y recrecimiento con el tiempo? [Ghilardi et al., 2016]. Estas preguntas definen el dominio del modelo y por ende la aplicabilidad del mismo. MoFuSS fue diseñado para ser aplicado en áreas donde la leña es una fuente de enerǵıa importante para el sector residencial, en donde este recurso es recolectado para uso propio y para venta local, y no para áreas en que los patrones de cosecha cumplen fines comerciales de gran escala [Masera et al., 2015]. Este modelo fue aplicado en 2015 en cuatro departamentos de Honduras, donde encontraron, mediante juicios de expertos, congruencia entre los resultados del modelo y los patrones esperados basados en el conocimiento de 30 años de estudios, sobre la recolección y cosecha de leña con fines residenciales [Ghilardi et al., 2016]. Dentro los módulos que componen el modelo MoFuSS se encuentra uno destinado a integrar la incertidumbre inherente de algunos parámetros de entrada (i.e. crecimiento de biomasa, pro- porción de zonas visitadas al menos una vez para la cosecha de leña). Sin embargo este modelo no ha sido validado empleando datos independientes [Ghilardi et al., 2016]. La importancia de la validación de los modelos radica en que ésta conlleva una mejora de la comprensión de la capacidad del modelo para simular con precisión los cambios [van Vliet et al., 2016]. La validación de los modelos ambientales permite que éstos se sumen a los avances cient́ıficos y a la aceptación por parte de los actores sociales involucrados y los tomadores de decisiones, quienes se encuentran cada vez más interesados en comprender la incertidumbre de estos mo- delos [O’Hagan, 2012; van Vliet et al., 2016]. Es por esto que esta investigación se centra en la evaluación de MoFuSS, empleando datos independientes obtenidos a partir de series de tiempo 13 de imágenes MODIS, tomando como caso de estudio tres estados del territorio mexicano. 1.1. Pregunta de investigación ¿Existe coincidencia espacial entre la distribución de las zonas susceptibles a la perturbación forestal reportadas en el modelo, y los cambios observados sobre la cubierta forestal a partir de los ı́ndices de vegetación MODIS de 2008 a 2016? 1.2. Objetivo General Validar la distribución espacial de zonas con diferente susceptibilidad a la perturbación forestal por uso de leña, reportadas en el modelo “Modeling Fuelwood Savings Scenario” (Mo- FuSS). 1.3. Objetivos espećıficos Estimar tendencias espacio temporales de pérdida de cobertura vegetal en México utili- zando ı́ndices de vegetación de MODIS entre el periodo 2000-2015; y reclasificarlas en un ı́ndice ordinal. Estimar la degradación forestal por extracción y uso de leña, mediante el modelo “Mode- ling fuelwood savings scenario”. Comparar los resultados obtenidos de los análisis anteriores para evaluar la correspon- dencia espacial. 14 Caṕıtulo 2 Marco Teórico 2.1. Bosque y perturbaciones forestales Existen muchas definiciones de lo que se considera un bosque como exponen Chazdon et al. [2016], algunas de estas definiciones son adoptadas por instituciones gubernamentales y académicas como marco de referencia para el estudio y generación estrategias de manejo y conservación de los bosques. Tal es el caso de la definición empleada por la Organización de las Naciones Unidas para la Alimentación y la Agricultura-FA0; de forma inicial este trabajo se ajusta a esta definición: ”Tierras que se extienden por más de 0,5 hectáreas dotadas de árboles de una altura superior a 5 metros y una cubierta de dosel superior al 10 por ciento, o de árboles capaces de alcanzar esta altura in situ. No incluye la tierra sometida a un uso predominantemente agŕıcola o urbano”[FAO, 2012, pág.3] Dadas las problemáticas ambientales actuales [IPCC, 2014] y los cambios en la cubierta te- rrestre que afectan a los bosques en todo el mundo, se ha hecho crucial comprender las dinámicas de los bosques para su conservación [Anderson-Teixeira et al., 2015]. Parte de estas dinámicas son las perturbaciones antrópicas tales como la deforestación y la degradación forestal, las cuales implican pérdidas de biomasa. En este orden de ideas el presente trabajo emplea la definición de deforestación dada por 15 la FAO [2012, pág.6]: ”la conversión de los bosques a otro tipo de uso de la tierra o la reduc- ción permanente de la cubierta de dosel, por debajo del umbral mı́nimo del 10 por ciento”. Es importante aclarar que esta definición excluye las áreas en las cuales los arboles son extráıdos debido al aprovechamiento forestal y en las cuales se espera que el bosque se regenere de manera natural o bajo manejo silv́ıcola. La degradación forestal por otra parte cuenta con un numero de definiciones más amplio, y que en ocasiones son dif́ıciles de hacer operativas para su evaluación [Ghazoul et al., 2015; Simula, 2011]. Tal es el caso de la definición empleada por la FAO [2012, pág.28]: ”La degradación forestal es la reducción de la capacidad del bosque de proporcionar bienes y servicios.”, por esta razón se decidió tomar como marco de referencia la definición aportada por Ghazoul et al. [2015, pág.630]: ”La degradación es un estado de sucesión detenida o arrestada, que se establece en contraste con los sistemas naturales, los cuales experimentan transiciones constantes sujetas tanto a los efectos de vecindad como a las perturbaciones naturales. El corolario de esto es que un bosque no se degrada siempre y cuando mantenga una dinámica que facilite la recuperación a uno de los estados estables anteriores. Una vez que se presenta un estado de sucesión detenida, se requiere intervención externa para recuperar trayectorias sucesionales, para lo cual pueden estar vinculados los procesos de toma de decisiones y de gestión.” Dicha definición presenta ventajas respecto a la definición de la FAO, ya que abre mayores posibilidades para la estimación de la degradación mediante técnicas de teledetección y por ende amplia las posibilidades de manejo. 2.2. Dendroenerǵıa Para el año 2011, el 80% de la maderera extráıda en todo el mundo se usaba con fines energéticos [FAO, 2011], esto implica que más de 2,700 millones de personas dependen de esta fuente de enerǵıa para cocinar y calentarse, y se espera que para el año 2030 el numero de 16 usuarios se incrementará a 2,800 millones de personas. Los hogares consumidores de leña se localizan principalmente en los páıses en v́ıa de desarrollo [FAO, 2011; IEA, 2010]. La extracción de leña puede contribuir a la degradación de los bosques o la deforestación, si la madera es extráıda más rápido de lo que el bosque puede regenerarse (biomasa no renovable). Estos procesos de cambio impactan negativamente sobre las condiciones ambientales a escala local y generan emisiones de CO2 [Bailis et al., 2015; Masera et al., 2015]. Se estima que el mal manejo de este recurso (cosecha insostenible y combustión incompleta), contribuye a cerca del 2% de las emisiones totales de gases de efecto invernadero a nivel mundial. A pesar de la gran importancia de esterecurso se carece de estad́ısticas detalladas de consumo y proyecciones futuras, en gran medida debido a que una alta proporción de la cosecha de leña se realiza en zonas rurales para uso propio y mercados locales. Adicionalmente en algunos páıses la cosecha de leña se realiza de manera ilegal, haciendo dif́ıcil la adquisición de estad́ısticas fiables. Un tercer motivo es que las estad́ısticas generalmente se encuentran dispersas entre diferentes entidades [UNECE/FAO, 2012]. En el año 2016 se desarrolló Mofuss, ante la necesidad de obtener una cuantificación de la biomasa no renovable a través de un método robusto y ampliamente replicable, que permita orientar proyectos de compensación de carbono para cocinas, inventarios nacionales y estrategias sostenibles de manejo forestal [Ghilardi et al., 2016]. 2.3. Modelos ambientales La modificación humana al ambiente es un proceso complejo y multidimensional cuya com- prensión requiere el conocimiento de una amplia gama de disciplinas cient́ıficas. Este proceso es el resultado directo de la toma de decisiones por parte de los seres humanos, teniendo una gran diversidad de causas, que implican varios factores, aśı como entornos/escalas regionales y globales [Magliocca et al., 2015]. En los estudios ambientales, las principales razones para la modelación son la generación y el intercambio de conocimiento para apoyar la toma de decisiones con fines de gestión o de 17 Figura 2-1: Ciclo de desarrollo de un modelo, en cual se indican las etapas y los procesos de validación (Magliocca 2015). El ciclo inicia con la identificación de la entidad del problema, a partir del cual se desarrollan el modelo conceptual y el computacional y finaliza con la aplicación del modelo. desarrollo de poĺıticas publicas estratégicas. El modelado es un proceso cient́ıfico muy común de simplificación de la realidad para mejorar la comprensión del sistema, por lo cual en las ultimas dos décadas se han desarrollado y aplicado una amplia gama de modelos, con estos fines [Jakeman et al., 2006, 2008; van Vliet et al., 2016]. El desarrollo del modelo de un sistema se puede describir como una proceso secuencial de varios pasos, no necesariamente lineal, sino mas bien iterativo, donde las iteraciones resultan esenciales para su generación [Jakeman et al., 2006; Sargent, 2005; Magliocca et al., 2015; van Vliet et al., 2016]. A la luz de esto Magliocca et al. [2015] propone un esquema simplificado del ciclo de vida de un modelo (Figura.2-1), a partir del esquema de Robinson et al. [2006]. A continuación se describen brevemente los pasos que componen el ciclo de desarrollo del 18 modelo, haciendo énfasis en la validación operacional del mismo, debido a que el objetivo de esta investigación se centra en este paso. El punto de inicio en el desarrollo de un modelo según Magliocca et al. [2015], Figura 2-1, es la entidad del problema, se puede definir como el fenómeno que es objeto de investigación. Este paso incluye la selección de posibles variables explicativas, procesos involucrados y los ĺımites del sistema a modelar basándose en preguntas de investigación [Sargent, 2005; van Vliet et al., 2016]. Durante el desarrollo del modelo y con el aumento en la compresión del sistema es altamente probable que el modelador regrese a este punto [Jakeman et al., 2006]. El conocimiento de la identidad del problema permite dar el siguiente paso en el ciclo pro- duciendo el modelo conceptual. En este punto se describe la problemática de investigación en términos de componentes y relaciones (e.g. Factores de control o determinantes de deforestación o de cambio de uso del suelo). La finalidad del modelo conceptual es hacer expĺıcito como se en- tiende el sistema, en la práctica esto puede expresarse mediante una representación matemática, lógica o gráfica [Sargent, 2005; van Vliet et al., 2016]. La validación conceptual evalúa si el modelo conceptual y los procesos, conceptos y supuestos que en éste se representan, son adecuados y lógicos en el contexto del propósito del modelo [van Vliet et al., 2016]. El modelo computacional es la traducción del modelo conceptual en el código informático. Esta implementación puede ser verificada, ya que es posible comprobar exactamente cuán bien el código de software representa cada componente del modelo conceptual [Sargent, 2005]. Según el ciclo presentado Magliocca et al. [2015] la aplicación del modelo se deifne como una instancia del modelo computacional que incluye los datos y parámetros para un caso particular. El proceso para ajustar los parámetros y mejorar el desempeño de un modelo se denomina calibración [van Vliet et al., 2016]. La validación operativa del modelo se define como la determinación de que los resultados de salida del modelo tengan un rango satisfactorio para el propósito previsto[Sargent, 2005]. Los modelos ambientales rara vez pueden ser evaluados completamente, principalmente debido a la heterogeneidad de sus datos y a la gama de factores que influyen en la utilidad de sus productos 19 [Jakeman et al., 2006]. Adicionalmente la validación es un proceso costoso y requiere mucho tiempo para determinar que un modelo es absolutamente válido sobre el dominio completo de su aplicabilidad predeterminada. Debido a esto, en su lugar se realizan pruebas y evaluaciones hasta que se tiene la suficiente confianza, y el modelo puede considerarse valido para aplicación para la que fue previsto [Sargent, 2005]. En cuanto a los métodos de evaluación o validación de modelos ambientales no existe un acuerdo universal sobre un umbral en la bondad de ajuste para considerar un modelo válido o no [Pontius et al., 2004; Jakeman et al., 2006; Uusitalo et al., 2015], sino que este criterio debe ser definido en función del propósito del modelo. Referente a las técnicas de validación se recomienda no emplear aquellas que brinden un solo número para expresar el ajuste, ya que éstas dif́ıcilmente proporcionarán información sobre cómo mejorar el modelo [Pontius et al., 2004]. En el componente espacial la escala es de crucial importancia en la evaluación debido a que los resultados pueden ser sensibles a ciertos patrones, que solo son evidentes en ciertas escalas. [Pontius et al., 2004; Uusitalo et al., 2015]. 2.4. Monitoreo de la cubierta vegetal Las técnicas de percepción remota son una herramienta exitosa para detectar el cambio sobre la superficie terrestre y en la actualidad juegan un papel clave en la estimación de cambios sobre la cubierta vegetal. Esto se debe a dos factores fundamentales: la creciente disponibilidad de repositorios de imágenes satélitales con diferentes resoluciones espaciales y temporales, y el desarrollo de diversos procedimientos de monitoreo para detectar los cambios [Mayaux et al., 2008; Mas, 1999; Kuenzer et al., 2015]. Uno de los procedimientos que está dando mayores resultados en la detección de cambios es el análisis de series de tiempo; éste emplea métodos estad́ısticos para analizar y modelar observaciones equidistantes en el tiempo [Kuenzer et al., 2015]. El análisis de series de tiempo para la percepción remota se entiende como el monitoreo temporalmente denso de la dinámica de la superficie terrestre en un periodo definido. 20 Este método presenta ventajas sobre el método tradicional, en el cual se evalúan dos fechas ya que permite conocer con mayor precisión temporal la ocurrencia del cambio; adicionalmente permite establecer si el cambio se produce debido a una variabilidad en la estacionalidad o es producto de un cambio abrupto en la tendencia de la cubierta[Verbesselt et al., 2010a]. Los datos procedentes de los sensores pueden ser series de valores de reflectancia o valores derivaros como el Índice Normalizado de Vegetación (NDVI, por sus siglas en ingles). La idea básica detrás de los diferentes ı́ndices de vegetación existenteses que la combinación algebraica de bandas espectrales detectadas de forma remota, tiene la capacidad de revelar información de gran utilidad sobre el estado de cubierta vegetal, la capacidad fotosintética, densidad y distribución foliar, contenido de agua en las hojas, deficiencias minerales, entre otros datos relevantes para diferentes estudios de monitoreo de la cubierta vegetal. [Yengoh et al., 2015b]. 21 Caṕıtulo 3 Metodoloǵıa Este capitulo describe la metodoloǵıa de esta investigación. La Figura 3-1 representa de manera simplificada el flujo de trabajo que se siguió para alcanzar el objetivo planteado. Esta metodoloǵıa es la fusión de métodos y técnicas empleadas en estudios previos de monitoreo de la vegetación y de modelos de cambio de cobertura y uso del suelo. 3.1. Área de estudio El área de estudio se seleccionó con base en el trabajo realizado por Ghilardi [2008], en el cual se desarrolla un ı́ndice de prioridad por consumo de leña. En la presente tesis se seleccionaron estados en cuyos municipios predomina una de las categoŕıas este ı́ndice (alto, medio y bajo), siendo Yucatán, Michoacán de Ocampo y Jalisco los estados seleccionados (Figura 3-2), los cuales se describen brevemente a continuación: Yucatán: Estado localizado en el sur de México, con un área de 39,524 km2. Según el Instituto Nacional de Estad́ıstica y Geograf́ıa INEGI [2013] la cobertura predominante en este estado es la vegetación de selva mediana caducifolia con un 41% del área total, seguida de pastizales inducidos y cultivados con 18%; en tercer lugar se encuentra la vegetación de selva mediana caducifolia con 15%, el restante 26% es ocupado por otras 25 categoŕıas. En cuanto a población, en el año 2010 [INEGI, 2010] Yucatán contaba con 22 Figura 3-1: Flujo de trabajo, en el cual se detallan los datos, procesos y resultados de la metodologia utilizada. 23 / Imagenes / MODIS Construcción de mosaicos, cambio de sistema de referencia Aplicación de un filtro de calidad Aplicación un filtro de señales Detección iterativa de cambio sobre la cobertura forestal / Area de perdida~~ sobre la cobertura forestal Estadistica Getis-Ord Gi* ,"cluesters " de cambio !rametros de enttrada ie Mofuss, caso México I Mofuss I / Biomasa no Renovable / (NRB) ~ Análisis de correlación 11--------1 ~--If....-II Cómparacion I l estadística II--------...j / Hot spots y Cold ~---L--+------+---------l1 índice de I spots de cambio I coincidencia difusa Resultato de la evaluación ~/ Datos I 1’955,577 habitantes, de los cuales el 84% se encontraba en localidades urbanas y el%16 en localidades rurales. Michoacán de Ocampo: Localizado en la región central de México. Contaba para el año 2010 con una población de 4’584,471 habitantes, el 69% de ellos concentrados en zonas urbanas y un 31% en zonas rurales [INEGI, 2010]. El Estado tiene un área total de 58,599 km2, el principal uso del suelo es el agŕıcola alcanzado a cubrir un 29% del área total. La segunda cobertura con mayor extensión es la vegetación de selva baja caducifolia con un 28%, seguida de Bosque de pino encino con un 13%, el restante 30% se divide en otros usos y coberturas [INEGI, 2013]. Jalisco: Es el estado con mayor población de los seleccionados, contando en el 2010 con 7’844.830 habitantes distribuidos un 87% en áreas urbanas y 13% en áreas rurales [INEGI, 2010]. El principal uso del suelo es el agŕıcola ocupando un 28% de los 78,588 km2 con los que cuenta el estado. En segundo lugar se encuentra la vegetación de selva baja caducifolia con un 19%, en el tercer lugar se encuentran las coberturas de bosque de encino y bosques de encino pino, ambas con 14% del área total. El restante 25% se encuentra distribuido en 33 coberturas y usos del suelo adicionales a los ya mencionados [INEGI, 2013]. 3.2. Datos y Sofware Los datos empleados para este estudio se resumen en el Cuadro 3-1. Los detalles de las fuentes de datos se encuentran en el Anexo 1, el cual contiene las direcciones url que correspon- den. Los datos en formato raster fueron remuestreados a una resolución de 250m. En el caso de los datos continuos se empleó una interpolación bilineal. Para los datos categóricos se usó el método del vecino más cercano. El software empleado para gran parte de este estudio fue R [R Development Core Team, 2008], especialmente los paquetes Bfast [Verbesselt et al., 2012a,b] y Bfast spatial [Dutrieux, 2016]. Adicionalmente se emplearon Dinamica Ego 4.0, Postgis 2.1 y ArcGis 10.5. 24 Figura 3-2: Área de estudio 3.3. Imagenes MODIS - NDVI El sensor MODIS 1, abordo de los satelites TERRA y AQUA, es un instrumento que cuenta con 36 bandas espectrales, que van desde los 0.4 µm a los 14.4µm y con una resolución ra- diométrica de 12 bits. Estas caracteŕısticas han permitido al equipo cient́ıfico detrás del proyec- to generar diferentes productos con diferentes niveles de procesamiento, como los denominados productos de valor agregado derivados de variables geof́ısicas mapeadas [Yengoh et al., 2015b]. Entre estos productos se encuentra el MOD13Q1 el cual contiene la capa de NDV I (́Indice de Vegetación de Diferencia Normalizada, por sus siglas en inglés). El NDV I es posiblemente el ı́ndice vegetación más usado, siendo éste la proporción de diferencia entre la banda del infra- rrojo cercano -NIR (por sus siglas en ingles) y la banda roja-R, y la suma de estas dos bandas (Ecuación 3-1) . [Chuvieco Salinero, 2010; Yengoh et al., 2015a]). 1 Sensor espectroradiómetro para imágenes de resolución moderada, MODIS por sus siglas en ingles. 25 Cuadro 3-1: Datos No Dato de entrada Tipo Fuente Descripción 1 MOD13Q1-NDVI Raster NASA Composición de 16 d́ıas de NDVI - 250m 2 MOD13Q1-QA Raster NASA Capa de calidad del NDVI - 250m 3 MDE Raster INEGI Modelo Digital de Elevación - 90m 4 Cubierta arbórea Raster Hansen et al. [2013] Capa de cobertura arbórea global - 30m 5 Pérdida de bos- que Raster Hansen et al. [2013] Capa de eventos de pérdida de bos- que (2000 - 2013) - 30m 6 Ganancia de bos- que Raster Hansen et al. [2013] Capa de eventos de ganancia de bos- que (2000 - 2012) - 30m 7 CUS Vector INEGI Uso de suelo y vegetación serie V - 1:250,000 8 Localidades Vector INEGI Localidades urbanas y rurales 9 Red vial Vector INEGI Datos vectoriales de carreteras y vialidades 1:50,000 10 Ŕıos Vector INEGI Red hidrográfica escala 1:50,000 11 Crecimiento Tabla [Ghilardi, 2008] Tasas de crecimiento asociadas a las coberturas del mapa de CUS. NDV I = NIR�RED NIR+RED (3-1) La capacidad de este ı́ndice se deriva del comportamiento radiométrico de la vegetación sana, la cual refleja en la banda roja del espectro (0,6 a 0,7 µm) y en la banda del infrarrojo cercano (0.7 a 1.1 µm). El MOD13Q1 es la composición de los mejores valores observados por pixel en un periodo de 16 d́ıas, con un tamaño de pixel de 250m. El algoritmo empleado considera que los pixe- les contaminados por nubes y tomados cuando el sensor se encuentra fuera del nadir, tienen menor calidad. Por tanto, un pixel libre de nubes, tomado sobre el nadir y sin contaminación atmosférica residual es un pixel con buena calidad [NASA]. El algoritmo implementado solo conserva los datos filtrados de buena calidad, sin embargo no todas las anomaĺıas son filtradas por este algoritmo motivo por el cual existe una capa de calidad, que resume estas anomaĺıas (QA-DSDs). 26 3.4. Preprocesamieto 3.4.1. Filtros de calidad El preprocesamiento de las imágenes MODIS se realizó siguiendo metodoloǵıas empleadas en estudios previos realizados en regiones como Sudamérica, Mongolia y China [Chuvieco, 2008; Julien and Sobrino, 2010; Geng et al., 2014]. El primer paso del preprocesamiento consistió en filtrar los datos de cada imagen, usando la información contenida en la capa QA-DSDs. Esta capa contiene 16 bits, que describen la calidad de cada pixel,como se puede observar en el Cuadro 3-2. Los bits de 0 a 5 describen los parámetros generales de la calidad de cada ṕıxel, y en los bits de 6 a 15 se describen de manera más especifica. Para este estudio se empleó un filtro que considera la calidad general, utilizando una mezcla de nubes, máscara de tierra/agua y sombras. En la Figura 3-3 se detalla el procedimiento utilizado. Cuadro 3-2: Descripción de la capa de calidad de los ı́ndices de vegetación. Fuente: http://www.ctahr.hawaii.edu/grem/mod13ug/sect0005.htm. Bits Parámetro Valor Descripción 0-1 Calidad general 00 Producido con alta calidad 01 Producido con alta calidad revisar otros aspectos 10 Producido pero probablemente con nubes 11 Ṕıxel no producido por razones distintas a las nubes 2-5 Utilidad 0000 Perfecto 0001 Alta calidad 0010 Buena calidad 0011 Calidad aceptable 0100 Calidad aceptable mı́nima 0101 Calidad intermedia 0110 Inferior a calidad intermedia 0111 Calidad promedio 27 Cuadro 3-2: Descripción de la capa de calidad de los ı́ndices de vegetación. Fuente: http://www.ctahr.hawaii.edu/grem/mod13ug/sect0005.htm. Bits Parámetro Valor Descripción 1000 Inferior a la calidad promedio 1001 Calidad dudosa 1010 Calidad superior a datos excluidos 1011 Datos excluidos 1100 Baja calidad 1101 Sin corrección atmosférica 1110 Calidad demasiado baja para ser útil 1111 No es útil por otras razones, no se generó. 6-7 Cantidad de aerosoles 00 Clima 01 Bajo 10 Intermedio 11 Alto 8 Detección de nubes adyacentes 0 No 1 Si 9 Corrección atmosférica BRDF 0 No 1 Si 10 Mezcla de nubes 0 No 1 Si 11-13 Máscara tierra/agua 000 Océano superficial 001 Solo tierra 010 Costa de océanos y orilla de lagos 011 Aguas continentales superficiales 100 Aguas ef́ımeras 101 Aguas profundas continentales 110 Océano próximo a la costa 28 Cuadro 3-2: Descripción de la capa de calidad de los ı́ndices de vegetación. Fuente: http://www.ctahr.hawaii.edu/grem/mod13ug/sect0005.htm. Bits Parámetro Valor Descripción 111 Océano profundo 14 Posibilidad de hielo o nieve 0 No 1 Si 15 Posibilidad de sombras 0 No 1 Si Figura 3-3: Algoritmo de filtrado empleando la capa de calidad de NDVI. 3.4.2. Interpolación y Filtro Savitzky Golay Una vez filtrados los datos de cada ṕıxel, encontramos vaćıos en las series de tiempo, produc- to de los valores que no alcanzan un grado de calidad suficiente. Por este motivo se completaron los valores faltantes utilizando una interpolación ”spline”, esto soluciona el problema de vaćıos 29 en las series de tiempo, aunque continúa la contaminación de nubes, variabilidad atmosférica y efectos bidireccionales [Chen et al., 2004]. Por esta razón se han formulado, aplicado y compa- rado una serie de métodos orientados a la reducción del ruido, encontrando que el filtro para señales Savitzky Golay presenta un gran desempeño [Chen et al., 2004; Julien and Sobrino, 2010; Wei et al., 2016]. El filtro Savitzky Golay se puede interpretar como un filtro de media móvil ponderada, con una ponderación dada como un polinomio de cierto grado. Cuando se aplica a una señal, se realiza un ajuste polinomial de mı́nimos cuadrados dentro de la ventana del filtro. Este polinomio está diseñado para preservar momentos máximos dentro de los datos y para reducir el sesgo introducido por el filtro. Este filtro se puede aplicar a cualquier dato consecutivo cuando los puntos de los datos están en un intervalo fijo y uniforme a lo largo de la abscisa [Chen et al., 2004]. Las series de tiempo de NDVI tienen estas propiedades. La Ecuación 3-2 corresponde al filtro Savitzky Golay, donde Y es el valor original de NDVI, Y ⇤ es el valor resultante de NDVI filtrado, Ci es el coeficiente para el i-ésimo valor NDVI del filtro (ventana de suavizado), N es el numero de convoluciones y es igual a la ventana de suavizado de tamaño (2m+1). El ı́ndice j es el ı́ndice de ejecución de la tabla de datos original. Y ⇤j = Pi=m i=�mCiY j+i N (3-2) 3.5. Bfast monitor Esta investigación detectó los cambios sobre la cubierta vegetal empleando el algoritmo Bfast monitor, el cual fue diseñado para el monitoreo de cambios en tiempo cuasi-real [Verbesselt et al., 2012b,a]. Este algoritmo es una evolución del algoritmo Breaks For Additive Seasonaland Trend - BFAST desarrollado por Verbesselt et al. [2010a,b], el cual tiene como propósito la detección de perturbaciones en una serie temporal observada t = 1, ..., n. En contraste, Bfast monitor busca si las nuevas observaciones t = n, n + 1, . . . mantienen el comportamiento esperado de la muestra histórica t = 1, ...n. En otras palabras el método es capaz de identificar y modelar 30 Figura 3-4: Representación gráfica del periodo histórico y de monitoreo empleado para el Análi- sis de Serie de Tiempo con Bfast. automáticamente un historial estable, y luego detectar los cambios en los datos más recientes Verbesselt et al. [2012b]. El intervalo de la serie de tiempo que se analiza para detectar los cambios abruptos se denomina periodo de monitoreo. Tal como se mencionó anteriormente los cambios abruptos se identifican en función del periodo histórico, el cual corresponde al intervalo que precede al periodo de monitoreo. Sin embargo, en muchas ocasiones la totalidad del periodo histórico puede no representar un comportamiento estable o normal. Por lo tanto se define un periodo histórico representativo o estable como un intervalo del periodo histórico que esta libre de cambios abruptos y se utiliza para detectar el cambio en el periodo de monitoreo. Este estudio toma como periodo histórico el intervalo 2000 - 2007 y como periodo de moni- toreo el intervalo 2008 - 2016 (Figura 3-4). En resumen el BFAST monitor se puede explicar como un procedimiento de tres pasos sucesivos: Identificar un peŕıodo de histórico estable. Modelar el peŕıodo histórico estable. Analizar el periodo de monitoreo en búsqueda de cambios abruptos. 31 3.5.1. Modelo Tendencial y Estacional Bfast monitor parte del modelo creado por [Verbesselt et al., 2012a,b], en el cual una serie de tiempo es modelada mediante tres componentes, un componente estacional, un componente tendencial y un término de error. 3-3 Yt = Tt+ St + "t (3-3) Donde: Tt = ↵1 + ↵2t (3-4) La Ecuación 3-4 corresponde al componente tendencial, siendo ↵1 el intercepto y ↵2t la pendiente de un modelo lineal a trozos. St = kX j=1 � sin( 2⇡jt f + �j) (3-5) La Ecuación 3-5 corresponde a la función armónica que representa el componente estacional, siendo �1, ..., �k la amplitud, �1, ..., �n la fase, f la frecuencia por unidad de tiempo (e.g f =23 observaciones anuales para una series de tiempo de 16 d́ıas) y k es el término de la función armónica. "t es un término de error que no puede ser observado en el tiempo t, es decir que no puede ser explicado por ninguno de los componentes previamente mencionados. Con la finalidad de ajustar el modelo a los datos del periodo histórico estable, la Ecuación 3-3 se reescribe como un modelo de regresión lineal [Verbesselt et al., 2012b]. yt = xTt � + "t, xt = {1, t, sin(2⇡1tf ), cos( 2⇡1t f ), ..., sin( 2⇡kt f ), cos( 2⇡kt f )} T � = {↵1,↵2, �1 cos(�), �1 sin(�), ..., �k cos(�), �k sin(�)}T (3-6) Donde � puede ser estimado usando mı́nimos cuadrados ordinarios. 32 3.5.2. Monitoreo del cambio Empleando las ecuaciones vistas anteriormente es posible estimar un modelo de tendencia y estacionalidad estable en un peŕıodo de tiempo observado. Ahora el punto central es determinar si esta estabilidad se mantiene para nuevas observaciones [Verbesselt et al., 2012b]. Con esta finalidad y dado que el modelo se puede formular como una regresión lineal (ver Ecuación 3-6), los desarrolladores integraron técnicas de monitoreo de cambios estructurales empleando sumas móviles acumuladas (MOSUM - por sus siglas en ingles.) sobre los residuos del periodo de monitoreo t = n +1, .., n. Cuando el resultado de la Ecuación 3-7 se aleja de cero más allá de un nivel de significancia estad́ıstica del 95%, Bfast monitor identifica éste como un punto de ruptura. MOt = 1 �̂ p n tX s=t�h+1 (Ys � Ŷs) (3-7) Donde �̂ es el estimado de varianza, Ys la observación actual, Ŷs la observación esperada, n el número de observaciones en el periodo histórico y h el ancho de banda MOSUM definido como fracción de n. Independientemente de si detecta o no cambio Bfast monitor calcula la magnitud de cambio, la cual se define como la mediana entre los valores esperados y los observados en el periodo de monitoreo. 3.5.3. Peŕıodo de histórico estable El éxito del enfoque de monitoreo descrito radica en que el periódico histórico t = 1, ..., n, se encuentra libre de perturbaciones y puede ser empleado para modelar el comportamiento normal esperado, empleando la Ecuación 3-3. En la practica esto ocurre con poca frecuencia, por lo que en muchos casos no se usarán todas las observaciones disponibles y se empleará un periodo histórico estable, inmediatamente anterior al inicio del periodo de monitoreo. BFAST monitor permite identificar un peŕıodo histórico estable de manera manual o au- tomática. La selección manual se puede realizar eligiendo un intervalo de tiempo antes del periodo de monitoreo, de esta manera los datos desde el momento elegido hasta el comienzo del 33 periodo de monitoreo, se utilizan como un peŕıodo de historia estable. Este procedimiento se re- comienda exclusivamente cuando se cuenta con conocimiento experto [Verbesselt et al., 2012a]. En los casos en los que no se cuenta con un conocimiento a priori sobre el comportamiento de la variable objeto de estudio, o se cuenta con un gran numero de series de tiempo (como es el caso de la imágenes de satélite), Bfast monitor tiene la capacidad de identificar un periodo histórico estable automáticamente con un enfoque basado en datos. Para definir de manera automáticamente el periodo de monitoreo se emplea una suma acumulada de residuos en orden inverso (ROC-por sus siglas en inglés), que evalúa el error en la predicción de la ecuación 3-3 al retroceder en el tiempo t = n, n � 1, n � 2, . . . hasta que se presenta una ruptura. La Figura 3-5 es el resultado del algoritmo Bfast monitor para una serie de tiempo extráıda del NDVI del productor MOD13Q1. En esta gráfica se puede observar los datos del periodo histórico (linea negra continua), el modelo ajustado en función del periodo histórico estable (linea azul), el inicio del periodo de monitoreo (linea negra discontinua), los nuevos datos para el periodo de monitoreo (linea roja continua) y un punto quiebre detectado en el mes de abril de año 2011. 3.5.4. Bfast Spatial Bfast Spatial es una herramienta desarrollada en el año 2016 [Dutrieux, 2016], la cual aplica el enfoque de Bfast monitor, en un contexto de imágenes de satélite, donde en potencia cada ṕıxel corresponde a una serie de tiempo. El resultado de BFAST Spatial es una pila de tres capas: 1) Los puntos de ruptura detectados para cada ṕıxel, con información sobre la temporalidad de ocurrencia en formato de año decimal; 2) La magnitud de cambio para cada ṕıxel; y 3) Un indicador de error - posibles valores de 1 si se ha encontrado un error en un ṕıxel particular o NA donde el algoritmo tuvo éxito. Para detectar los cambios sobre la cubierta vegetal se consideran sólo la magnitud de los ṕıxeles donde ocurrió una ruptura, las magnitudes negativas están asociadas con procesos defo- 34 Figura 3-5: Ejemplo de la salida gráfica del algoritmo Bfast monitor aplicado en una zona de selva baja subcaducifolia en Michoacán. restación y degradación, mientras que las magnitudes positivas están asociadas a revegetación o reforestación. Sin embargo la presencia o ausencia de puntos de ruptura para definir los cam- bios no es suficiente, ya que los puntos de ruptura asociados a magnitudes positivas o negativas, pero los próximos a cero no se traducen directamente en cambios [Dutrieux et al., 2016, 2015]. Para evitar la detección de falsos positivos es necesario establecer un umbral. Este estudio empleará un umbral de 0.05 (unidades de NDVI) de acuerdo a lo sugerido por Dutrieux [2016]. Los resultado obtenidos en 3.4.2, fueron procesados con Bfast spatial, para encontrar los cambios sobre la cubierta vegetal. 3.6. Modelización de escenarios de ahorro de leña - MoFuSS MoFuSS es un modelo dinámico que tiene como objetivo simular el efecto espacio temporal de la recolección de leña sobre la vegetación local, y que representa el ahorro de biomasa no renovable debido a una reducción en el consumo por alteración en los patrones de cosecha y 35 recrecimiento en el tiempo [Ghilardi et al., 2016]. MoFuSS está compuesto por cuatro módulos (ver Figura 3-6): 1) un componente de fricción que crea mapas de impedancia; 2) un algoritmo modificado de distancia inversa ponderada (IDW - por sus siglas en inglés), que crea mapas de presión sobre la propensión a los eventos de cosecha de leña; 3) un componente de oferta/demanda que proyecta la cantidad esperada de leña que se va a cosechar en cada peŕıodo de tiempo para cada ṕıxel, y la respuesta de la vegetación a esa perturbación; y 4) un módulo de pérdida y ganancia de bosque que proyecta el desmonte o la ganancia en eventos esperados. Figura 3-6: Algoritmo MoFuSS simplificado, En el cual se observan las entradas y procesos principales dentro de cada uno de los módulos, y los resultados finales. Fuente: Ghilardi et al. [2016] 3.6.1. Mapas de fricción La fricción o impedancia fue abordado inicialmente dentro de las ciencias de la información geográfica para realizar modelos de redes, en donde ésta es una medida de la resistencia o coste, requerida para recorrer una ruta en una red. Esta resistencia puede ser una medida de 36 la distancia de viaje, el tiempo, la velocidad de viaje multiplicado por la distancia, etc., por mencionar algunas [Djokic and Maidment, 1993]. Los valores de impedancia más altos indican más resistencia al movimiento y un valor de cero indica que no hay resistencia. Para MoFuSS el mapa de fricción caracteriza en cada ṕıxel el tiempo que puede necesitar un recolector de leña para alcanzar un punto de cosecha a pie o en automóvil (dependiendo de las rutas utilizadas en una localidad determinada). Los datos requeridos para construir estos mapas de fricción son las velocidades de desplazamiento de los recolectores de leña para caminar y conducir, afectados por caracteŕısticas topográficas tales como la pendiente, las condiciones de las carreteras, los ŕıos y los cuerpos de agua, o los tipos de cubierta terrestre. 3.6.2. Componente IDW El componente IDW crea un mapa de presión, representando la probabilidad o propensión de cada ṕıxel a ser cosechado para leña, para dos tipos de colectores de leña: 1) personas que viajan a pie y recogen leña para uso doméstico, y 2) vendedores de leña comercial que usan veh́ıculos, lo que les permite acceder a áreas distantes y transportar grandes volúmenes de leña (ver Ecuación 3-8). P(t)k = ⇣ nX i=1 Cik dnik ⌘ (t) (3-8) Donde P(t)k es un ı́ndice de la presión por la colecta de leña k para cualquier momento en el tiempo t, C es el consumo de leña residencial en tDM por localidad; y n es número positivo real que controla la función de decadencia de la interpolación, en otras palabras define el peso de los puntos vecinos. La gran ventaja de este ı́ndice es que cada ṕıxel dentro del área de estudio esta influenciado por los centros de consumo, es decir que a cada ṕıxel que aloja cualquier cantidad de leña cosechable se le asigna una probabilidad de cosecha, que es directamente proporcional a la demanda de leña de todas las localidades dentro del área de estudio, e inversamente proporcional a la proximidad basada en la fricción. 37Fuente Descripción Bosques Leña que se obtiene mediante la poda o tala de árboles vivos o la recolección de ramas cáıdas y madera muerta. Árboles fuera de los bosques (TOF) Incluye árboles en tierras de cultivo, com- puestos domésticos y bienes comunes al borde de las carreteras, a los que se acce- de mediante la poda de árboles vivos y/o la recolección de ramas muertas o descen- dientes. Actividades de desmonte Incluye la tala de bosques o matorrales para nuevos cultivos o pastos y constitu- ye una importante fuente de suministro de madera. Cuadro 3-3: Descripcion de las fuentes de oferta de leña. 3.6.3. Demanda y Oferta de leña La demanda de leña es calculada por MoFuSS empleando la Ecuación 3-9. Ct = ( nX i=1 nX i=j hhijujfci)t + ( nX i=1 nX i=j hhijujfbi)t (3-9) Donde Ct es el total de leña residencial en toneladas de masa seca (tDM - por sus siglas en inglés) para cualquier momento en el tiempo t, hhij es el numero de hogares que usan leña por comunidad i, utilizando un dispositivo de cocción j, uj es el consumo de los hogares en tDM, fci y fbi el promedio de leña cosechada y comprada, respectivamente. En cuanto a la oferta de leña se consideran principalmente de tres fuentes, Bosques, Árboles fuera de los bosques (TOF - por sus siglas en inglés) y Actividades de desmonte (ver Cuadro 3-3) . La localización de estas fuentes se obtienen de un mapa de cobertura y uso del suelo, el cual es uno de los insumos requeridos por MoFuSS. 38 3.6.4. Pérdida y ganancia de bosque. MoFuSS supone que el crecimiento de la biomasa leñosa se da en función de tres factores: 1) El almacén de biomasa en el estado anterior, 2) la tasa de crecimiento máxima (rmax) y 3) la densidad máxima de biomasa o capacidad de carga (K) [Bailis et al., 2015]. rmax y K dependen directamente de factores biof́ısicos como el tipo de suelo, la precipitación, la insolación y la altitud, entre otros. Estos parámetros raramente están disponibles, por lo que MoFuSS recibe los parámetros rmax y K como una tabla asociada a las clases del mapa de cobertura y uso del suelo. En la Ecuación 3-10 se puede observar la relación entre los parámetros mencionados. AGB(t+1)i = AGB(t)i +AGB(t)irmax ⇣ 1� AGB(t)i Ki ⌘ (3-10) Donde AGB(t)i 2 y AGB(t+1)i corresponden a la biomasa leñosa sobre el suelo disponible para leña en cada clase i del mapa de cobertura y uso del suelo, en el tiempo t y t + 1, respectivamente. Para AGBt=0 se recomienda emplear mapas que contengan una distribución espacial conti- nua de biomasa tales como las producidas por Avitabile et al. [2016]; Baccini et al. [2015], ya que estos ofrecen mayor precisión y se encuentran calculados por ṕıxel. Adicionalmente un ṕıxel puede volverse incosechable si la AGB cae por debajo del umbral determinado por el modelador, hasta que su tasa de recrecimiento lo lleve a superar este um- bral. Para definir dicho umbral en la actualidad se carece de estudios detallados, por lo que usualmente es definido mediante conocimiento experto. Ghilardi et al. [2016] Se recomienda un umbral de 5.0 tDMha para colectores tipo 2 y 0.1 tDM ha para colectores tipo 1. MoFuSS emplea simulaciones de Monte Carlo (MC), para introducir la incertidumbre aso- ciada a los parámetros de crecimiento de la AGB. Con cada iteración de MC los parámetros de crecimiento de AGB vaŕıan de manera aleatoria. Las simulaciones de MC se emplean también sobre la distribución espacial de ṕıxeles visitados por los menos una vez, y un factor de corte que regula el grado de aleatoriedad del mecanismo de siembra, el cual es empleado por un 2 AGB - biomasa aérea por sus siglas en inglés 39 algoritmo genético para simular la cosecha. En esencia el modelo genera tres resultados: 1) la AGB restante (crecimiento menos cosecha, para t = n), 2) NRB calculado por ṕıxel donde se han producido disminuciones en la AGB y 3) fNRB fracción del consumo total de leña no renovable. Como se mencionó en el capitulo 1 este estudio tomará el NRB calculado para la validación del modelo MoFuSS. 3.7. Análisis de puntos calientes y puntos fŕıos El análisis de puntos calientes y puntos fŕıos se realiza mediante el cálculo de la medida de asociación espacial Getis-Ord (ecuación 3-11) Gi⇤ [Getis and Ord, 1992; Ord and Getis, 1995; Chun and Gri�th, 2013], cuya idea fundamental es la de encontrar clusters espacialmente expĺıcitos, buscando valores altos que se encuentren rodeados de valores altos (puntos calientes) y valores bajos rodeados de valores bajos, en el caso de los puntos fŕıos. Gi⇤ = Pn j=1wijxj � X̄ Pn j=1wij S s⇥ nw2ij � �Pn j=1wij �2⇤ n� 1 (3-11) Donde S es la desviación estándar de la variable x y w es el peso de que tiene la localiza- ción de i sobre la variable en la localización j [Chun and Gri�th, 2013]. Los valores positivos estad́ısticamente significativos, indican que cuanto mayor es el valor Gi⇤ más fuerte será el clus- ter de valores altos (puntos calientes). Para los valores negativos estad́ısticamente significativos, cuanto menor sea el valor, será mas fuerte el cluster de los valores bajos (puntos fŕıos) [Chun and Gri�th, 2013; Reddy et al., 2016]. Aplicar este análisis a las capas de pérdida de NDVI tiene como finalidad reclasificar esta información de forma categórica, y de esta manera facilitar la evaluación del desempeño del modelo MoFuSS. 40 3.8. Validación La validacíıon de MoFuSS se realizo siguiendo tres estrategias la primera de ellas consiste en aplicar análisis de correlaciones globales y locales, la segunda estrategia es una comparación estad́ıstica empleando pruebas de hipótesis; finalmente la tercera estrategia es una comparación espacial empleando un ı́ndice de coincidencia difusa. 3.8.1. Análisis de correlación El análisis de correlación es el primer análisis aplicado con la finalidad de comparar los resultados de pérdida de NDVI obtenidos del algoritmo Bfast Spatial y MoFuSS (3.5.4 y 3.6.4 respectivamente). El resultado esperado este análisis es conocer el grado o la intensidad de la asociación [Steel et al., 1985] entre las capas mencionadas anteriormente [Steel et al., 1985]. Las pruebas empleadas fueron las Pearson y Spearman, de manera global y usando ventanas móviles de diferentes tamaños. Estos análisis de correlación se emplearon como análisis exploratorios ya que las evaluaciones de modelos espaciales ṕıxel a ṕıxel son poco recomendadas [Hagen, 2003; van Vliet et al., 2016; Koch et al., 2015; Homolová et al., 2014; Mas et al., 2012]. 3.8.2. Contraste de hipótesis Las pruebas de contraste de hipótesis son pruebas comunes en el análisis estad́ıstico, estas tienen como propósito comparar muestras aleatorias de dos poblaciones con finalidad de deter- minar si las poblaciones son estad́ısticamente iguales. En los casos en los cuales las muestras de ajustan a una distribución normal se emplean pruebas como la t-student para comparar las medias, la hipótesis nula para esta prueba indica que H0 : µ1 = µ2 y como hipótesis alternativa se tiene que HA : µ1 6= µ2. Cuando la muestra o la población a analizar no presenta una distribución normal se recurre entonces a pruebas no parametricas tales como el estad́ıstico kruskal wallis o la U de Mann- Whitney. Estas pruebas en esencia buscan lo mismo que las pruebas paramétricas, pero modifi- can la hipótesis realizando la comparación sobre la mediana y no sobre la media. Adicionalmente 41 las pruebas no paramétricas son menos potentes que las pruebas paramétricas [Burt, 2009]. 3.8.3. Índice de coincidencia difusa Los análisis de similitud entre capas raster categóricas, tradicionalmente se generaban rea- lizando análisis de coincidencia ṕıxel por ṕıxel. Este método puede registrar una discrepancia entre ṕıxeles, incluso ante desplazamientos menores entre los ṕıxeles y donde los mapas ca- tegóricos representan en esencia un mismo patrón espacial[Yan and Li, 2015]. Para resolver este problema Hagen [2003], desarrolló una métrica de coincidencia difusa (fuzzy), la cual ha sido empleada ampliamente en la evaluación de modelos espacialmente expĺıcitos, como los mo- delos de cambio de cobertura y uso del suelo, hidrológicos y de servicios ecosistémicos [van Vliet et al., 2016; Koch et al., 2015; Homolová et al., 2014; Mas et al., 2012]. El objetivo de esta métrica es obtener un análisis espacial y gradual de la similitud entre dos raster categóricos dentro de un contexto de vecindad. Esta prueba se fundamenta en el concepto de difuminación (fuzzines) espacial, donde la representación de un ṕıxel es influenciada por el propio ṕıxel y por los ṕıxeles de su vecindad [Mas et al., 2012; Hagen, 2003]. Una prueba de coincidencia difusa bidireccional está implementada en el software DINAMICA Ego, aplicando teoŕıa de conjuntos difusos y una función de decaimiento constante dentro de un tamaño de ventana variable. Si el mismo número de celdas de una categoŕıa determinada se encuentra dentro de la ventana, el ajuste será 1 independientemente de su ubicación. Esto representa una manera conveniente de evaluar la aptitud del modelo a través de la disminución de la resolución espacial. Los modelos que no coinciden bien en alta resolución pueden tener un ajuste apropiado a una resolución más baja. 42 Caṕıtulo 4 Resultados y discusión 4.1. Estimación de pérdida de la cobertura vegetal La Figuras 4-1, 4-2 y 4-3 muestran los resultados del algoritmo Bfast monitor (Ecuación 3-3) aplicada a las series de tiempo para los estados de Yucatán, Michoacán y Jalisco. En estas figuras se pueden observar las magnitudes de NDVI negativas menores a -0.05, que coinciden con ṕıxeles en los cuales ocurrió una ruptura en las series de tiempo, representando una pérdida sobre la cobertura para el peŕıodo 2008 - 2016. Adicionalmente con la finalidad de evitar sobrestimar los cambios, se aplicó una máscara que excluye las coberturas no susceptibles a la cosecha de leña (e.g. agricultura, plantaciones forestales, áreas urbanas). 4.2. Impactos proyectados por extracción de leña a partir de MoFuSS Las simulaciones en MoFuSS se realizaron para el periodo 2008 - 2016. En las Figuras 4-4, 4-5 y 4-6 se observan los valores de NRB expresados en toneladas por ṕıxel. Los resultados adicionales del modelo se pueden consultar el en Anexo 2, el cual contiene los informes generados por MoFuSS para cada una de las tres simulaciones (estados de Yucatán, Michoacán y Jalisco). 43 Figura 4-1: Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Yucatán (2008 - 2016) Figura 4-2: Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Michoacán (2008 - 2016) 44 Figura 4-3: Pérdida sobre la cubierta vegetal en unidades de NDVI para el estado de Jalisco (2008 - 2016) Figura 4-4: Estimacion de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Yucatán. 45 Figura 4-5: Estimación de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Michoacán. Figura 4-6: Estimación de la extracción de biomasa leñosa a tasas que exceden la regeneración natural (NRB) dentro del peŕıodo 2008 - 2016, para el estado de Jalisco. 46 4.3. Agrupaciones de áreas con pérdida de NDVI (Puntos ca- lientes - puntos fŕıos) Previamente al cálculo de los clusters (puntos calientes y fŕıos) de pérdida se aplicó un cálculo de valor absoluto con la finalidad de facilitar posteriormente la interpretación de los resultados. La Figuras 4-7, 4-8 y 4-9 muestran los resultados del ı́ndice Getis-Ord con un p < 0.05. Figura 4-7: Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Yucatán 47 Figura 4-8: Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Michoacán Figura 4-9: Puntos fŕıos y puntos calientes de pérdida de NDVI, calculados mediante el ı́ndice Getis-Ord para el estado de Jalisco 48 4.4. Resultados de las estrategias de validación de MoFuSS 4.4.1. Análisis de correlación entre Biomasa No Renovable (NRB) y pérdida del NDVI El primer paso de la validación fue la comparación entre los valores de NRB obtenidos de MoFuSS y los valores de pérdida de NDVI. Este paso consistió en buscar correlaciones globales y locales entre estos dos raster. En el caso de las correlaciones globales los coeficientes de correlación son cercanos a 0 (ver Cuadro 4-1). En cuanto a las correlaciones locales éstas se pueden observar en la Figura 4-10, y se emplearon en ellas cuatro diferentes tamaños para las ventanas móviles. Estado Coeficiente Yucatán 0.06 Michoacán 0.02 Jalisco 0.13 Cuadro 4-1: Correlaciones globales entre los valores de NRB y la perdida de NDVI. 4.4.2. Comparación estad́ıstica Se realizó un análisis de autocorrelación espacial de NRB, con la finalidad de tomar mues- tras no autocorrrelacionadas espacialmente, para posteriormente comparar los valores de NRB al interior de los clusters de pérdida con los valores fuera de éstos. Los resultados de los semi- variogramas ajustados a un modelo esférico se pueden observar en el Cuadro 4-2, los resultados obtenidos indican una alta autocorrrelación espacial por lo cual no es posible obtener una muestra no autocorrelacionada. Ante esto se decidió emplear una muestra de 15,000 ṕıxeles de NRB. Estado Nugget Modelo Sill Rango (m) Yucatán 3.749622 Sph 2.802967 81,739.73 Michoacán 1.494724 Sph 3.513463 110,795.00 Jalisco 0.2443015 Shp 0.3095379 109,238.40 Cuadro 4-2: Autocorrelación espacial. 49 F ig u ra 4- 10 : C or re la ci on es lo ca le s en tr e lo s va lo re s d e N R B y la p ér d id a d e N D V I. V en ta n as m óv il es d e a) 3x 3 ṕ ıx el es , b ) 7x 7, c) 9x 9 y d ) 11 x 11 50 e '" 'ro "O U ::> ro o .~ -I:: .3 .~ ~ ~ § ~ <i " ci -: ~ ~ ª z z z z z f<l :¡, ~ :¡, e ~ ~ apn¡I¡Bl "' ~ ~ 8 .~ ~ ~ o ro ...J 2- o ~ ~ <i o ~ -: ~ ~ ;: ~ z ~ z z 1::: f<l apn¡I¡Bl '" e "O '2 ::> .~ ro u .3 ::J e ;: iil ~ ::i ~ ~ ¡¡i ~ z z z z z :¡, N :¡, :¡, N ¡;j ~ apn¡!¡el La prueba de normalidad Kolmogorov–Smirnov arrojó que la distribución de NRB para ninguno de los estados se ajusta a una distribución normal (ver Cuadro 4-3). Los grupos a comparar son los valores de NRBpf (valores de NRB en el cluster de puntos fŕıos de pérdida), NRBpc (valores de NRB en el cluster de puntos calientes) y los valores de NRB que se en- cuentran fuera de estos clusters. Una comparación descriptiva de estos grupos compuesto por 5,000 ṕıxeles, se puede observar en los diagramas de cajas de la Figura 4-11. Adicionalmente en el Cuadro 4-4 se encuentran las estad́ısticas descriptivas para cada uno de ellos. La comparación entre los grupos se realizó inicialmente empleando la prueba Kruskal-Wallis la cual tiene como hipótesis nula H0 : ⌘1 = ⌘2. Los resultados de esta prueba que se presentan en el cuadro 4-5 indican que existe diferencia en al menos 2 de los 3 grupos comparados. Una prueba U de Mann-Whitney fue empleada para comprobar la diferencia entre los clusters y los valores de NRB fuera de estos (Cuadro 4-6). Se encontró en los tres estados analizados, que existen diferencias estad́ısticamente significativas entre NRB fuera de los clusters y los valores de NRB al interior de los clusters de puntos fŕıos (NRBpf). Estado Estad́ıstico Valor de p Yucatán 0.14688 < 2.2e� 16 Michoacán 0.14754 < 2.2e� 16 Jalisco 0.18922 < 2.2e� 16 Cuadro 4-3: Prueba de normalidad a los valores de NRB. Estado Grupo Media Desviación estándar Mediana Yucatán NBR 1.91 1.82 1.35 NRBpc 1.87 1.82 1.27 NRBpf 3.38 2.79 2.75Michoacán NBR 5.61 3.42 5.57 NRBpc 5.65 3.44 5.63 NRBpf 3.42 2.53 2.91 Jalisco NBR 1.06 0.89 0.78 NRBpc 1.05 0.9 0.74 NRBpf 0.75 0.74 0.44 Cuadro 4-4: Estad́ısticas descriptivas para cada uno de los grupos establecidos. NRBpf ) valores de NRB al interior del cluster de punto fŕıos de perdida, NRBpc ) valores de NRB al interior cluster de puntos calientes, NRB) valores de NRB fuera de los clusters. 51 (a) Yucatán (b) Michoacán (c) Jalisco Figura 4-11: Diagramas de cajas para cada uno de los grupos establecidos. NRBpf ) valores de NRB al interior del cluster de punto fŕıos de perdida, NRBpc ) valores de NRB al interior cluster de puntos calientes, NRB) valores de NRB fuera de los clusters. 52 Estado Estad́ıstico Grados de libertad Valor de p Yucatán 1184 2 < 2.2e� 16 Michoacán 1397.5 2 < 2.2e� 16 Jalisco 494.77 2 < 2.2e� 16 Cuadro 4-5: Comparación entre los tres grupos definidos empleando la prueba de Kruskal-Wallis. Estado Grupos Estad́ıstico Valor de p Yucatán NRBpf - NRB 16741000 < 2.2e� 16 NRBpc - NRB 12331000 0.2408 Michoacán NRBpf - NRB 7877200 < 2.2e� 16 NRBpc - NRB 12637000, 0.3423 Jalisco NRBpf - NRB 9653200 1.821e� 08 NRBpc - NRB 12360000 0.3313 Cuadro 4-6: Comparación entre los valores de NRB al interior de los clusters y los valores fuera de los cluesters, empleando la prueba U de Mann-Whitney. 4.4.3. Índice de coincidencia difusa entre áreas de NRB y Agrupaciones de áreas con pérdida de NDVI Mediante el ı́ndice de coincidencia difusa, se comparó la coincidencia espacial entre los clusters de pérdida (PEDRDIDApf y PERDIDApc) contra las áreas de NRB. Adicionalmente se generaron capas raster aleatoriamente que siguen la misma distribución estad́ıstica de NRB, incluyendo máximos y mı́nimos. Estos datos aleatorios fueron comparados con los clusters para evaluar si la coincidencia de espacial de las zonas de cosecha presentan una mejor coincidencia que los datos aleatorios (Ver Figura 4-15). Para evitar falsas coincidencias se emplearon diferentes umbrales para los valores de NRB y se eliminaron agrupaciones de ṕıxeles inferiores 0.5 km2. Este procedimiento se aplicó sobre las capas resultantes de MoFuSS (NRB) y sobre los valores generados aleatoriamente (NRBa); encontrando el mejor desempeño para NRB > 2Tn en el caso de Yucatán y Michoacán. Estos resultados se puede observar en las Figuras 4-16, 4-17. En el caso del estado de Jalisco no se encontró un umbral en el cual el desempeño del modelo sea mejor que el desempeño de los datos aleatorios como se puede observar en la Figura 4-18. 53 Figura 4-12: Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (panel derecho) para el estado de Yucatán Figura 4-13: Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (panel derecho) para el estado de Michoacán 54 Figura 4-14: Comparación NRB generado por MofuSS (panel izquierdo) y NRB aleatorio (panel derecho) para el estado de Jalisco Figura 4-15: Esquema de la comparación espacial entre las áreas de NRB y NRB aleatorio con las áreas definidas como clusters de perdida. 55 Figura 4-16: Relación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Yucatán. 56 Figura 4-17: Relación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Michoácan. 57 Figura 4-18: ÍRelación entre el ı́ndice coincidencia difusa (eje Y) y las comparaciones entre el NRB de MoFuSS y los clústers de pérdida de NDVI, y entre el NRB aleatorio (NRBa) y los clústers de pérdida de NDVI; en función de la distancia (eje X), para el estado de Jalisco. 58 4.5. Discusión Los insumos usados para la evaluación de un modelo se asumen como los más cercanos a la realidad posible. En este caso el análisis de series de tiempo permitió identificar zonas en las cuales las variaciones en el NDVI indican perturbaciones forestales, que no se deben únicamente a la cosecha de leña e involucra otros factores tales como la ganaderia, agricultura, la extracción de madera con fines no energéticos, entre otros. Adicionalmente el cálculo de la disminución de NDVI se realizó de manera genérica, es decir no se realizaron ajustes a la función armónica para cada tipo vegetación. Estas consideraciones son importantes para discutir la validez del modelo, ya que el umbral de cambio del NDVI podŕıa corresponder a un valor diferente de acuerdo al tipo de vegetación. 4.5.1. Validación de MoFuSS usando series de tiempo de NDVI Como se mencionó en el Capitulo 2 la validación del modelo se realizó siguiendo tres estrate- gias. La primera de ellas fue el análisis de correlación entre los valores de NRB y los de pérdida de NDVI. Los resultados eran hasta cierto punto esperados, ya que este tipo de evaluación ṕıxel a ṕıxel ha demostrado ser poco eficaz en la validación de modelos espacialmente expĺıcitos [van Vliet et al., 2016; Koch et al., 2015; Homolová et al., 2014; Mas et al., 2012; Hagen, 2003]. Este análisis se realizó de forma exploratoria. La segunda estrategia fue la comparación estad́ıstica de las medianas de NRB, mediante pruebas de hipótesis. En éstas pruebas se demostró que existe una diferencia entre la respuesta de la vegetación a la cosecha mediana de leña al interior de los clusters de puntos fŕıos, y los valores de NRB fuera de éstos. Es decir, existe una asociación entre los valores de bajas perturbaciones sobre la vegetación y los valores de cosecha predichos por el modelo. Para los estados de Yucatacán y Michoacán las medianas indican una diferencia de 1.4tn y 2.66tn, entre los valores de NRB al interior de los clusters de puntos fŕıos y los valores fuera de éstos. En el caso de Jalisco esta diferencia es 0.34tn, por lo que a pesar de ser estad́ısticamente diferentes, en términos prácticos esta diferencia no es representativa. 59 Por otra parte los resultados de la comparación entre los valores de NRB al interior de los clusters de puntos calientes y los valores de NRB fuera de éstos, demostraron que no existe diferencia entre las medianas de estos grupos. Es decir que no existe una asociación entre los lugares de mayor perturbación y las predicciones realizadas por el modelo. La tercera y última estrategia fue la comparación espacial usando el ı́ndice de coinciden- cia difusa. El resultado de esta comparación para el estado de Yucatán indica que el modelo está generando predicciones con una alta coincidencia con las zonas de baja perturbación ob- servadas en los ı́ndices de vegetación. Para el estado de Michoacán los resultados indican una baja coincidencia entre los clusters de puntos fŕıos y las áreas de cosecha, sin embargo esta coincidencia es mayor que la generada por el modelo aleatorio. Esto concuerda con el conocimiento previo que se tiene sobre el impacto de la cosecha de leña con fines residenciales en América Latina, es decir que este tipo de cosecha no es un factor determinante de deforestación [Masera et al., 2015]. En cambio el rendimiento del modelo en el estado de Jalisco tiene otro comportamiento ya que la coincidencia de NRBa, es mayor que las estimaciones realizadas por el modelo. Esto se puede deber a lo siguiente: Estudios anteriores han llegado a la conclusión de que en México la cosecha de leña tiene una alta heterogeneidad espacial [Ghilardi et al., 2007], en otras palabras el patrón de cosecha de leña puede variar ampliamente en función de la localización del fenómeno. De acuerdo con esto puede ser que los patrones de cosecha en Jalisco generen impactos sobre la cubierta vegetal a
Compartir