Uso y cobertura de la Tierra

El suelo es uno de los recursos naturales más importantes, del cual dependen tanto la vida como diversas actividades de desarrollo (^{George et al., 2016}). La cobertura edáfica y las conversiones del uso del suelo se deben a las actividades socioeconómicas, que conducen a cambios en aspectos biofísicos y en factores ambientales (^{Overmars et al., 2005}).

Las actividades humanas tienen un impacto considerable sobre la diversidad biótica en todo el mundo, en el clima global y local, en los ciclos biogeoquímicos, en la degradación y calidad del suelo, la hidrología, la seguridad alimentaria y el bienestar humano (^{Trimble et al., 2000}; ^{Foody, 2002}); además afectan a la capacidad de los sistemas biológicos para sustentar las demandas del hombre (^{Tran et al., 2015}). Sin embargo, los cambios de uso del suelo no tienen efectos únicamente negativos, ya que algunos están relacionados con el aumento de los rendimientos de alimentos y fibras con efectos positivos para la salud, el bienestar y la riqueza de los pueblos (^{Lambin y Geist, 2006}). Por lo tanto, es necesario documentar las modificaciones de cobertura del suelo y usos de la tierra, para entender cuáles son sus fuerzas conductoras, así como sus consecuencias, especialmente, en el contexto de los cambios ambientales globales, el crecimiento rápido de la población y el incremento de las demandas hacia la sustentabilidad del ambiente.

El uso de imágenes Landsat Thematic Mapper (TM) en estudios de cambio de uso de suelo en México tiene mucha robustez y es bastante frecuente. Existen estudios en la región central de Chihuahua (^{Alatorre et al., 2015}), en el estado de Hidalgo (^{Sierra-Soler et al., 2015}), Jalisco (^{Morales-Barquero et al., 2015}), Michoacán (^{Ordóñez et al., 2008}; ^{Mas y González, 2015}), Yucatán (^{Colditz et al., 2015}), el Estado de México (^{Galicia y García-Romero, 2007}; ^{Zepeda et al., 2012}), Morelos (^{Trejo y Hernández, 1996}; ^{Vega et al., 2008}), Chiapas (^{Flamenco-Sandoval et al., 2007}) y el estado de Tabasco (^{Guerra y Ochoa, 2006}), entre otros.

Los objetivos del presente trabajo fueron elaborar mapas de uso y cobertura del suelo para analizar los cambios detectados durante un período de 9 años, mediante imágenes Landsat TM de los años 2000 y 2009, en Morelos, México; y analizar los cambios en la cobertura vegetal y uso del suelo, a fin de identificar las zonas con mayor impacto.

Área de estudio

El estado de Morelos, se ubica, aproximadamente, entre los 18^o20´ y 19^o07´ de latitud N y los 98^o37´ y 99^o30´ de longitud O (Figura 1). Tiene una superficie de 4 889 km² y una intervalo altitudinal de 700 a más de 5 000 m, con climas cálidos subhúmedos a semifríos (^{García, 1988}). Con base en la riqueza de su flora vascular, el estado aporta un total de 3 661 especies de plantas, lo que la posiciona como la sexta entidad con mayor riqueza, tan solo por debajo de Veracruz, Michoacán, Chiapas, Puebla y Oaxaca (^{Programa de Ordenamiento Ecológico Regional del Estado de Morelos, 2013}).

Figura 1 Ubicación del área de estudio en la república mexicana. 

Morelos cuenta con áreas considerables de bosques y selvas, las cuales están en constante riesgo de disminución. En México, los ambientes más afectados por actividades agrícolas son los bosques templados y la selva baja caducifolia (^{Challenger, 1998}; ^{Cervantes et al., 2001}); mientras que el maíz es el cultivo más generalizado (^{Challenger, 1998}). Su población es de 1 903 811 habitantes, que representan 1.6 % de todo el país, la población urbana constituye 84 % y 16 % es rural. Las actividades económicas del sector primario son 2.71 %; las actividades secundarias, 31.50 %; y las actividades terciarias, 65.79 % (^{INEGI, 2015}).

Obtención de datos para usos de suelo y mapas de cobertura

Los datos de satélite LANDSAT con porcentajes bajos de nubosidad (geocodificados con proyección UTM, esferoide y datum WGS 1984, 14 Zona Norte) y una resolución espacial de 30 metros de dos años diferentes (febrero del 2000 y 2009), se descargaron desde el sitio web del USGS Earth Explorer (http://earthexplorer.usgs.gov/). Se utilizaron las imágenes del año 2000 y 2009 porque presentaban los porcentajes más bajos de nubosidad, en comparación con otras imágenes de la década (2000-2010).

Los datos obtenidos por teledetección (imágenes aéreas o de satélite) a menudo pueden utilizarse para definir el uso del suelo, a través de observaciones de la cobertura del suelo (^{Brown et al., 2000}; ^{Karl y Maurer, 2010}). Una forma de extraer información del uso del suelo, a partir de datos de teledetección, es a través de la interpretación visual. Sin embargo, esta se limita a una sola banda o una composición de color de tres bandas (RGB); asimismo, la digitalización manual de parches de uso del suelo es muy tediosa y subjetiva (^{Bolstad et al., 1990}). Por lo tanto, la clasificación automática de la teledetección es más precisa para la asignación de usos de suelo en áreas grandes. ArcGIS Spatial Analyst presenta un conjunto completo de herramientas para llevar a cabo procesos de clasificación supervisada y no supervisada.

Metodología

Las imágenes satelitales fueron sometidas a algoritmos de preprocesamiento y procesamiento estándar, para corregir errores geométricos, atmosféricos y topográficos. Los datos espectrales crudos de reflectancia registrados en las diferentes bandas que conforman las imágenes, además de combinaciones diversas de bandas (índices espectrales de vegetación), se extrajeron de las imágenes y empataron, espacialmente, con los datos de las variables biofísicas disponibles (figuras 2 y 3).

Figura 2 Escena correspondiente al año 2000. 

Figura 3 Escena correspondiente al año 2009. 

En seguida, se hicieron los cortes correspondientes a los límites administrativos del estado de Morelos para su posterior comparación (figuras 4 y 5).

Figura 4 Escena del 2000 cortada con límites administrativos del estado de Morelos. 

Figura 5 Escena del 2009 cortada con límites administrativos del estado de Morelos. 

Se identificaron 14 clases diferenciadas de cobertura vegetal y uso del suelo (^{Trejo y Hernández, 1996}):

Se generó un primer mapa con una clasificación no supervisada (^{Richards, 1986)} en Arcgis10, a partir del algoritmo de iso clusters de la imagen del 2009, que sirvió de base para identificar en campo a qué tipo de vegetación y uso del suelo correspondían. Se le sobrepuso una cuadricula de 500 × 500 m, con cada línea referida a coordenadas UTM. El trabajo de campo se llevó a cabo durante los meses de febrero y marzo, con un muestreo de 93 sitios, para cubrir todas las categorías de uso de suelo. Cada sitio de entrenamiento se delineó en las imágenes con polígonos que abarcan múltiples píxeles (^{Tran et al., 2015}).

Con la información de campo, se procedió a reclasificar las imágenes mediante el algoritmo de máxima verosimilitud en Arcgis10. Una vez obtenidos los mapas de las imágenes clasificadas, se construyó una matriz de confusión para cada uno de los mapas (2000 y 2009), con el propósito de valorar qué tan acertada resultó la agrupación y con qué fidelidad la clasificación representa a lo observado en campo. Una vez obtenidas las matrices de confusión, se procedió a evaluar la precisión general y los índices de Kappa de ambas imágenes.

El proceso de clasificación de imágenes consiste en asignar los píxeles de una imagen reticulada a clases de cobertura del suelo predefinidas. La forma básica de la clasificación de imágenes es por interpretación visual, en la que se consideran tono, textura, tamaño, forma y asociación (^{Lillesand et al., 2004}; ^{Serra et al., 2008}; ^{Qasim et al., 2011}).

Para el presente estudio, la clasificación supervisada utilizó un clasificador de máxima verosimilitud (MLC), que se eligió porque tiene la capacidad de incorporar las estadísticas de las muestras de entrenamiento antes de asignar las coberturas del suelo a cada píxel. El MLC es un clasificador paramétrico que asume que los datos correspondientes a las clases individuales se distribuyen normalmente. Este evalúa la varianza y covarianza de los patrones de respuesta de categoría espectral, al clasificar un píxel desconocido (^{Nguyen et al., 2012}). MLC requiere suficientes muestras de entrenamiento de datos espectrales por clase para estimar con precisión los estadísticos que necesita el algoritmo de clasificación. Con el uso de los archivos de firma espectral de las 13 clases, se llevó a cabo la clasificación supervisada.

Evaluación de la precisión

La precisión de un proceso de clasificación se refiere al grado de concordancia entre las clases de la imagen y un conjunto de datos de referencia (^{Congalton y Green, 1999}). Para hacer una estimación cuantitativa, se construyó una matriz de error difusa (^{Congalton y Green, 2009}; ^{Lunetta y Lyon, 2004}), la cual es un arreglo cuadrado de números ordenados en columnas e hileras. Las primeras corresponden al conjunto de referencia, y las segundas a las clases generadas en el proceso de clasificación. La matriz de error se construyó a partir de los resultados de la clasificación y los datos tomados del muestreo de campo fueron los de referencia.

Adicionalmente, la exactitud total de una clasificación puede evaluarse a través del índice de concordancia de Kappa (K), una técnica discreta multivariada que determina estadísticamente si una matriz de error es significativamente diferente de otra. Es una medida de la correspondencia entre los datos de la clasificación y de referencia, con relación a la exactitud de una clasificación generada al azar (^{Congalton y Green 1999}; ^{Richards y Jia 1999}; ^{Congalton, 2004}).

Análisis de cambio

Se realizó un análisis de cambio de uso del tipo “posclasificación” (^{Chuvieco, 2000}). Se generó una matriz de cambio que indica la dinámica del uso de suelo y de cobertura vegetal en el intervalo de tiempo analizado. Se estimó, además, la tasa de deforestación para el periodo de interés mediante una variación a la fórmula referida por ^{Palacio-Prieto et al. (2004)}:

Donde:

Td = Tasa de deforestación anual en porcentaje

S2 = Área arbolada del año final

S1 = Área arbolada del año inicial

n = Años del periodo de análisis