12
Recibido: 03/03/2022. Aceptado: 29/05/2023
Publicado el 30 de junio de 2023
Revista Ciencia y Tecnología (2023) 16(1) p 12 - 23 ISSN 1390-4051; e-ISSN 1390-4043
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante
herramientas de teledetección
Dynamics of the agricultural frontier of the zapotal hydrographic basin system using remote sensing tools
Yoansy García Ortega
1,2
, Danilo Valdez Rivera
2
, Daniel Mancero Castillo
1,2
1
Instituto de Investigación Ing. Jacobo Bucaram Ortiz, Ph.D,
2
Facultad de Ciencias Agrarias, Universidad Agraria del Ecuador.
Autor de correspondencia: yogarcia@uagraria.edu.ec
Ciencias Agrarias / Agricultural Sciences
Resumen
L
a deforestación es uno de los problemas más críticos
que enfrenta la humanidad. Ecuador es uno de los
países latinoamericanos con mayor tasa de tala de bosques
en comparación con su tamaño, debido principalmente al
aumento de la supercie agrícola. Este trabajo tuvo como
objetivo determinar la dinámica y cambios ocurridos
en la frontera agrícola en los últimos 30 años en las
cuencas hidrográcas pertenecientes al Zapotal utilizando
herramientas de teledetección. Las imágenes fueron obtenidas
de los satélites Sentinel 2 y Landsat desde 1990 hasta 2020.
Se utilizó el soware libre QGIS para analizar, clasicar
y procesar las imágenes satelitales; a través de una matriz
de confusión y el índice de kappa se evaluó la precisión.
Se obtuvieron y procesaron imágenes satelitales de alta
calidad y resolución correspondientes al periodo de 1990 a
2020. El Índice de Vegetación de Diferencia Normalizada
(NDVI) permitió conocer la dinámica de la conformación
de la vegetación del período estudiado y, en consecuencia,
los usos del suelo en función de la cobertura vegetal. La
dinámica de la frontera agrícola, determinada mediante las
herramientas de teledetección utilizadas en este estudio,
evidencia una disminución de aproximadamente un 15%. La
metodología utilizada en este estudio demostró ser efectiva y
económica para conocer la dinámica de la frontera agrícola,
lo que proporciona una herramienta ecaz para monitorear,
planicar y ejecutar diversos proyectos de ordenamiento
territorial y desarrollo local.
Palabras clave: sistema información geográca, agricultura,
uso de suelo
Abstract
D
eforestation is one of the most critical problems facing
humanity. Ecuador is one of the Latin American countries
with the highest rate of forest clearing compared to its size,
mainly due to the increase in agricultural area. e objective
of this work was to determine the dynamics and changes that
have occurred in the agricultural frontier in the last 30 years
in the hydrographic basins belonging to the Zapotal using
remote sensing tools. e images were obtained from the
Sentinel 2 and Landsat satellites from 1990 to 2020. e free
QGIS soware was obtained to analyze, classify and process
the satellite images; rough a confusion matrix and the kappa
index, precision was evaluated. High-quality satellite images
and resolutions corresponding to the period from 1990 to
2020 will be needed and processed. e Normalized Dierence
Vegetation Index (NDVI) allowed us to know the dynamics
of the vegetation conformation of the studied period and,
consequently, the uses of the soil depending on the vegetation
cover. e dynamics of the agricultural frontier, determined
through the remote sensing tools used in this study, shows a
decrease of approximately 15%. e methodology used in this
study will prove to be eective and economical to understand
the dynamics of the agricultural frontier, which provides an
eective tool to monitor, plan, and execute various territorial
planning and local development projects.
Keywords: geographic information system, agriculture, land
use
https://doi.org/10.18779/cyt.v16i1.637
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23 13Ciencia y Tecnología.
Introducción
Los bosques son conocidos por ser importantes para
el secuestro de dióxido de carbono atmosférico (CO2).
Ellos juegan un papel vital en almacenamiento de carbono
atmosférico (emisiones tanto naturales como antropogénicas)
y así ayudan en la mitigación del cambio climático (Cooray
et al. 2021).
En los últimos años la deforestación y el incremento
del área dedicada a la agricultura han visto un incremento
signicativo. En 2019 se consideró a Ecuador como el país
con la mayor tasa de deforestación de Latinoamérica en
comparación con su tamaño, incluso comparado con Brasil
(Se estima que se talan 70000 ha/año a nivel nacional, la
mayoría para uso en actividades agropecuarias). La falta de
información y de control es uno de los principales problemas
que tiene el país, se estima, según datos de la Secretaría
Nacional de Planicación y Desarrollo (Semplades, 2013),
que el 95 % de los suelos de la costa ecuatoriana ha sido
talados para actividades agropecuarias y, hasta en esa fecha, se
registraba un incremento del 5% anual de la frontera agrícola.
La situación ha empeorado con la construcción del
Transvase Chongón San Vicente, donde la actividad agrícola
ha tenido un despegar vertiginoso ya que la disponibilidad de
agua permite sembrar cultivos que antes no se podían.
Junto a ello, el incremento de la plusvalía de esas tierras,
y la alta demanda; ha provocado que se talen extensiones
considerables de bosque sin un estudio ambiental y
agropecuario que avalen estas decisiones.
En Brasil Lopes et al. (2020) usaron una técnica de
teledetección para conocer la dinámica de la frontera agrícola
del periodo de 1985-2017. Esta metodología - según la
conclusión de estos autores- fue “eciente, ágil, imparcial
y precisa”, ya que permitió conocer la dinámica del uso de
suelo a nivel municipal de un estado. Se pudo apreciar en esa
investigación un incremento intenso de las áreas dedicadas a
pastos, cultivos anuales y caña de azúcar, lo que lo convierte
en un agroecosistema frágil. Una de las causas identicadas en
el estudio de esta situación es por malas políticas públicas en
el control de la producción agrícola.
En este sentido, diversas investigaciones han demostrado
la efectividad del uso de las imágenes satelitales para detectar
los cambios de la vegetación en series temporales de tiempo.
Liu et al. (2019) se reeren a las imágenes tipo radar de
apertura sintética (SAR) como una de las más promisorias para
este tipo de estudios, ya que su calidad no se ve afectada por
las condiciones climáticas; también describen su uso en tres
categorías principales: identicación de cultivos y estadísticas
del área de plantación de cultivos, extracción de parámetros
de tierras de cultivo, y estimación de rendimiento de cultivos.
Los estudios sobre los procesos de cambio en la cobertura
y usos del suelo se encuentran en el centro de la atención
de la investigación ambiental actual. La mayor parte de los
cambios ocurridos en los ecosistemas terrestres se deben a:
a) conversión de la cobertura del terreno, b) degradación
del terreno y c) intensicación en el uso del terreno. Estos
procesos, usualmente englobados en lo que se conoce como
deforestación o degradación forestal, se asocian a impactos
ecológicos importantes en prácticamente todas las escalas
(López-Pérez et al., 2015).
Las premisas básicas para usar datos de percepción
remota para la detección de cambios es que los cambios en
los objetos de interés se traducirán en cambios en los valores
de reectancia, y estos cambios dependerán también de
factores como la humedad, las condiciones atmosféricas, la
iluminación y en el ángulo de inclinación solar. El efecto de
algunos de estos factores puede ser minimizado seleccionando
las imágenes adecuadas. Por ejemplo, el uso de imágenes
de la misma época reduce las diferencias en el ángulo de
iluminación y además elimina las diferencias estacionales en
áreas con vegetación (Panuju et al., 2020)
Debido a lo anterior, surge la necesidad de evaluar si con
técnicas de teledetección se puede detectar el incremento de
la frontera agrícola de los últimos 30 años en las cuencas
hidrográcas pertenecientes a Zapotal.
Materiales y métodos
Obtención de la información de teledetección
La información se obtuvo a partir de las imágenes
satelitales provenientes de los satélites Landsat-8 OLI,
Landsat-7 ETM + y Landsat-5 TM para la evaluación de los
cambios de uso de la tierra en la región de las cuencas del
Zapotal, las mismas se obtuvieron desde la página ocial, la
USGS Earth Explorer (en el sitio web ocial earthexplorer.
usgs.gov).
Las imágenes satelitales cumplieron con el requisito
de tener menos del 10% de nubosidad para incrementar la
exactitud de la clasicación supervisada.
Pre-Procesamiento
El preprocesamiento de datos de imágenes es la rama
del procesamiento de imágenes digitales. Es una técnica que
mejora imágenes recibidas de sensores de cámara colocados
en satélites, sondas espaciales y aviones, o imágenes tomadas
en condiciones normales para diversas aplicaciones (Panuju
et al., 2020). En este estudio, el pre-procesamiento se realizó
utilizando la Corrección geométrica y Corrección atmosférica
mediante el uso del complemento Semi-Automatic
Classication Plugin (SCP) (Congedo, 2021) de QGIS v3.26.2
(QGIS Development Team, 2022).
La corrección geométrica es un método esencial
para el pre-procesamiento de las imágenes satelitales
cuyo objetivo es eliminar la distorsión geométrica
(Dr.S.Santhosh & M.Renuka, 2011). La corrección
atmosférica es un método que permite reducir la
reducir la perturbación atmosférica. El objetivo de la
García et al., 2023
2023. 16(1):12-23
14 Ciencia y Tecnología.
corrección atmosférica es recuperar la reectancia de la
supercie de las imágenes de satélite eliminando los efectos
atmosféricos (Cui et al. 2014).
Sistema de clasicación de imágenes satelitales
En este estudio, se utilizó el modelo para la clasicación
y evaluación de cambios en el uso del suelo propuesto por
Kumar et al. (2020). El cual consiste en que las imágenes
de satélite pueden examinarse con el n de obtener la
información deseada mediante los métodos de clasicación
de imágenes (Karakus et al., 2015). Las características de
uso de suelo / cobertura vegetal se extrajeron de datos de los
satélites Landsat multiespectrales - temporales utilizando una
clasicación supervisada basada en píxeles (MLC). La técnica
MLC se aplicó para clasicar las imágenes satelitales pre-
procesadas en este estudio, para ello se usó el complemento
Semi-Automatic Classication Plugin (SCP) de QGIS v3.26.2.
Estudios anteriores (Hegazy & Kaloop, 2015; Rawat et al.,
2013) muestran que la mayoría de los investigadores utilizan
el método MLC para píxeles.
La clasicación y evaluación de la detección de cambios
del uso del suelo es más preciso cuando se usan datos de
imágenes satelitales multiespectrales. La cantidad de cambio
en el uso de la tierra se calculó mediante las siguientes
ecuaciones (Islam et al. 2018).
=
(
−
)
∗ 100)/
1
(C= % de Cambio, X= Valor base del año, Y= Valor nuevo
del año)
=
(
−
)
(Fy= valor del año nal, Iy= valor el año inicial, Ny= número
de años)
El MLC es un método de clasicación basado en píxeles
y capaz de detectar cambios en los usos del suelo y cobertura
vegetal utilizando datos de imágenes multitemporales y
multiespectrales con la máxima precisión. En la evaluación de
precisión, los datos primarios (levantamiento de campo, mapa
topográco y datos auxiliares) son útiles para la identicación
y clasicación de objetos en el área de estudio. La matriz
de confusión es un método de clasicación posterior y se
utilizó para el análisis de precisión de imágenes clasicadas
multitemporales. El análisis de precisión de clasicación se
llevó a cabo a través de la referencia de imágenes clasicadas
del periodo de estudio y datos precedentes de fuentes
vericadas. En la clasicación MLC, a menudo numerosos
píxeles permanecen mal clasicados debido a la distribución
irregular de las imágenes. La precisión de la clasicación debe
completarse con datos reales sobre el terreno o mediante un
estudio de campo.
Evaluación de la precisión
El método de las matrices de confusión es el enfoque
más signicativo utilizado en la evaluación de la precisión ya
que reduce el error de la imagen clasicada causado por la
similitud de la respuesta espectral de las clases distribuidas.
En la matriz de confusión, la la representa la categoría de
la imagen clasicada y la columna representa la categoría
reconocida por la evaluación de referencia.
La matriz diagonal representa la consistencia “desde-
hasta” de la categoría de la clasicación y los valores de
referencia. Las líneas no diagonales indican inconsistencias en
la categoría “desde-hasta”, lo que indica errores aún presentes
entre la clasicación y los datos de referencia (errores de
omisión y comisión).
La precisión de la clasicación completa se calculó
mediante el método de matriz de confusión, se distribuyó la
suma de las entradas que constituyen la diagonal principal
por el No total de píxeles examinados (Kaur et al., 2017).
Esto se realizó con el programa SAGA GIS 7.8.2. (Conrad et
al., 2015); los datos referenciales o de control se tomaron de
mapas temáticos interactivos alojados en el sitio web http://
suia.ambiente.gob.ec/.
Resultados
Obtención de la información de los últimos 30 años
mediante herramientas de teledetección
Se lograron obtener las imágenes con los requisitos
descritos en la metodología (nubosidad menor del 10% y que
el rango de fechas coincidiera con la etapa nal de la época
lluviosa de la costa (febrero a mayo)). Las imágenes con su
respectiva identicación se muestran en la Tabla 1. Debido a
que el área es muy grande se tuvieron que usar dos cuadrantes
el 011061 y el 011062, los cuales fueron unidos posteriormente
para conformar la imagen que se iba a procesar.
A posteriori las imágenes fueron corregidas, y se obtuvo
cada cuadrante por cada una de las imágenes satelitales; esto
permitió realizar el proceso posterior de unir dos imágenes de
tipo ráster.
En la Figura 1. se muestran las diferentes imágenes
corregidas correspondientes al año 2019; en este caso se
presentan las principales bandas que conforman la imagen,
ello permitió realizar una clasicación de imágenes con mayor
precisión.
Como se mencionó anteriormente, se tuvieron que utilizar
dos cuadrantes; en la Figura 2 se observan las imágenes del
cuadrante 011062 y las imágenes ya corregidas, las cuales
fueron usadas en el proceso de clasicación de imágenes y
en el proceso del cálculo del NDVI, se usaron las bandas del
rojo e infrarrojo cercano (banda 3 y banda 4 respectivamente).
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23 15Ciencia y Tecnología.
Tabla 1. Resumen de las imágenes satelitales descargadas
Fecha de la imagen Código de referencia de la imagen
26 de abril de 2019 LC08_L2SP_011061_20190426_20200829_02_T1
26 de abril de 2019 LC08_L2SP_011062_20190426_20200829_02_T1
8 de mayo de 2003 LE07_L2SP_011061_20030508_20200915_02_T1
8 de mayo de 2003 LE07_L2SP_011062_20030508_20200915_02_T1
19 de abril de 1999 LT05_L2SP_011061_19990419_20200908_02_T1
19 de abril de 1999 LT05_L2SP_011062_19990419_20200908_02_T1
21 de febrero de 1990 LT05_L2SP_011061_19900221_20200916_02_T1
21 de febrero de 1990 LT05_L2SP_011062_19900221_20200916_02_T1
Figura 1. Juego de bandas del cuadrante 011061 de la imagen del 26 de abril de 2019
García et al., 2023
2023. 16(1):12-23
16 Ciencia y Tecnología.
Figura 2. Juego de bandas del cuadrante 011062 de la imagen del 26 de abril de 2019
Figura 3. Mapas posteriores a su procesamiento
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23 17Ciencia y Tecnología.
Posteriormente, se unieron los cuadrantes de las imágenes
satelitales para cada banda, el conjunto de todas las bandas se
utilizó para realizar la clasicación de las imágenes, donde se
usaron dos clases. La clase 1 corresponde a los pixeles de la
imagen ráster que contiene la rma espectral de la vegetación,
la clase 2 corresponde a los pixeles que no contenían
vegetación. Esto se hizo con la nalidad de detectar cual fue
la dinámica de la vegetación en el periodo analizado.
Por otro lado, con las bandas correspondientes al rojo e
infrarrojo cercano (estas bandas son diferentes para cada tipo
de satélite), se realizó el proceso del NDVI, cabe mencionar
que posteriormente a ese paso se realizó la extracción mediante
capa, la reclasicación de imágenes y la conversión de ráster
a vectorial; además, se calculó el área mediante la utilización
de las bases de datos en SQL.
En la Figura 3 se muestra un ejemplo de los mapas que
fueron obtenidos en el proceso de reclasicación de imágenes.
Se observa el mapa en formato ráster y su posterior conversión
a vectorial.
Identicación del uso de los suelos de las zonas de estudio
en el periodo de tiempo asignado
La identicación de los usos de suelo se realizó mediante
la conformación de los índices de NDVI, para ello se usó la
escala propuesta por López-Pérez et al. (2015) y Merg et al.
(2011) la cual se detalla en la Figura 4.
En el mapa de NDVI del año 1990 (Figura 5) se procesaron
573617.16 ha de un total de 573628.15 ha lo que representa
el 99.99%. La distribución del NDVI estuvo conformada por:
vegetación alta 8.31 %, mediana el 44.31%, vegetación ligera
el 24.95%, sin vegetación 20.54%, y nubes y agua el 2.45%.
En la Figura 6 se evidencia un análisis del NDVI del año 1990
más detallado donde se aprecia que la vegetación más alta fue
de 1.08%.
En el siguiente mapa de NDVI del año 1999 (Figura 7)
se procesaron 573601.05 ha de un total de 573628.15 ha lo
que representa el 99.99%. La distribución del NDVI estuvo
conformada por: vegetación alta 48.55 %, mediana el 38.03%,
vegetación ligera el 5.68%, sin vegetación 5.07%, y nubes
y agua el 2.37%. En la Figura 8 se evidencia un análisis del
NDVI del año 1999 más detallado donde se aprecia que la
vegetación más alta fue de 26.48%.
En el siguiente mapa de NDVI del año 2003 (Figura 9)
se procesaron 573624.99 ha de un total de 573628.15 ha lo
que representa el 99.99%. La distribución del NDVI estuvo
conformada por: vegetación alta 14.33 %, mediana el 48.97%,
vegetación ligera el 23.66%, sin vegetación 9.86%, y nubes y
agua el 3.18%.
En la Figura 10 se evidencia un análisis del NDVI más
detallado del año 2003 donde se aprecia que la vegetación más
alta fue de 2.84%.
En el mapa de NDVI del año 2019 (Figura 11) se
procesaron 573606.63 ha de un total de 573628.15 ha, lo
que representa el 99.99%. La distribución del NDVI estuvo
conformada por: vegetación alta 30.40%, mediana el 41.37%,
vegetación ligera el 19.44%, sin vegetación 5.07%, y nubes
y agua el 3.71%.En la Figura 12 se evidencia un análisis del
NDVI más detallado del año 2019 donde se aprecia que la
vegetación más alta fue de 2.84%.
Clasicación Valor
Nubes y agua <0.01
Suelo sin vegetación 0.01-0.1
Vegetación ligera 0.1 – 0.2
Vegetación mediana 0.2 – 0.4
Vegetación alta >0.4
Figura 4. Escalas de NDVI propuestas por López-Pérez et al. (2015) y Merg et al. (2011)
García et al., 2023
2023. 16(1):12-23
18
Ciencia y Tecnología.
Figura 5. Mapa NDVI del año 1990 Figura 6. Mapa NDVI detallado del año 1990
Figura 7. Mapa NDVI del año 1999 Figura 8. Mapa NDVI detallado del año 1999
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23
19
Ciencia y Tecnología.
Figura 9. Mapa NDVI del año 2003 Figura 10. Mapa NDVI detallado del año 2003
Figura 11. Mapa NDVI del año 2019 Figura 12. Mapa NDVI detallado del año 2003
García et al., 2023
2023. 16(1):12-23
20 Ciencia y Tecnología.
En la Tabla 2. se resume la dinámica de los tipos de
vegetación en el periodo evaluado, en cuanto a la vegetación
alta se denota que el año 1999 tuvo el mayor valor; sin
embargo, en el año 2003 hubo una disminución circunstancial
y un aumento signicativo en el año 2019.
Por contraparte, al analizar la dinámica de la vegetación
mediana se denota una tendencia homogénea. El año 2003
destaca con el mayor valor y algo similar con la vegetación
ligera, por lo que puede considerarse que hubo un cambio
de vegetación, y el año 2003 es el año de transición hacía un
incremento de la explotación agrícola. Lo anterior se puede
visualizar en la Figura 13.
Los valores de precisión (Tabla 3.) fueron aceptables
para las diferentes clases; las clases 1 (Nubes y agua), y la
5 (Vegetación Alta) fueron los más elevados; sin embargo,
la clase 2 (Suelo sin vegetación) presentó los resultados
más bajos; el índice de Kappa estuvo en un rango de débil a
moderado y la precisión total fue del 62%. La clase 2 inuyó
sobre la disminución de la precisión; esto indica que se debe
tener en cuenta la época del año para la realización de estos
estudios, debido a que la cobertura del suelo es modicada de
manera signicativa por las condiciones climáticas.
Tabla 2. Usos de suelo por año (%)
Vegetación 1990 1999 2003 2019
Nubes y agua 2.45 2.67 3.18 3.71
Suelo sin vegetación 20.54 5.07 9.86 5.07
Vegetación Ligera 24.95 5.68 23.66 19.44
Vegetación Mediana 44.31 38.03 48.97 41.37
Vegetación Alta 8.17 48.55 14.33 30.40
Tabla 3. Resultados de la evaluación de la precisión mediante la matriz de confusión con el software SAGA GIS
Class SumRef AccProd SumClassied AccUser
5 86081 0.569742 68209 0.719025
4 94052 0.822098 130599 0.592041
2 17029 0.194433 11267 0.293867
1 19784 0.277750 6871 0.799738
Kappa 0.379321
Overall Accuracy .623058
Nubes y agua
Suelo sin vegetación
Vegetación Ligera
Vegetación Mediana
Vegetación Alta
%
0
10
20
30
40
50
60
1990
1999
2003
2019
Figura 13. Gráco de tendencia de la vegetación en el periodo evaluado
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23 21Ciencia y Tecnología.
D
iscusión
La disponibilidad de imágenes satelitales de acceso libre -
junto con un análisis en un Sistema de Información Geográca
- constituye una herramienta ecaz para detectar cambios en
la vegetación; además, representan una ventaja respecto a
los métodos tradicionales o de campo - los cuales - son muy
costosos y requieren mucho tiempo (Li et al., 2020). En el
presente estudio se lograron obtener imágenes satelitales con la
calidad y resolución adecuada. Esto permitió las correcciones
y procesamientos requeridos para este tipo de investigaciones.
Lo anterior, concuerda con estudios realizados por Almeida
de Souza et al. (2020), donde usaron imágenes satelitales para
conocer la dinámica del desbroce de sabana y la degradación
del suelo en la región de MATOPIBA, una de las fronteras
agrícolas más recientes de Brasil.
Un factor crítico para este tipo de estudios es identicar el
tipo de vegetación; para superar esta problemática se usaron
las escalas de NDVI mencionadas anteriormente (Figura 4.).
Con esta escala se asoció el tamaño de la vegetación con el
tipo de vegetación. La vegetación alta se asoció a Bosques,
la mediana a Vegetación Arbustiva y la vegetación ligera
con Tierras Agropecuarias, el resto de las clases se mantuvo
igual. En este sentido, (Pang et al., 2017) usaron el NDVI para
identicar la variación de la vegetación producto al cambio
climático en la Meseta tibetana del año 1982 al 2012; en
esta investigación se realizó la clasicación de los valores de
NDVI de las especies vegetales mediante una reclasicación
supervisada sobre un mapa de vegetación de China.
La clase nubes y agua presentó una media de 3.00% y un
C.V de 18.72%, suelo sin vegetación una media de 10.14%
y un C.V de 71.98 % (la mayor parte de la variabilidad se
reeja en el año 1990). En la Vegetación Ligera la media fue
de 18.43% y C.V de 47.86% (el año 1999 inuyó de manera
signicativa en el error). La Vegetación Mediana arrojó una
media de 43.17% y C.V de 10.75% (el comportamiento de
esta clase fue homogéneo); y la Vegetación Alta obtuvo una
media de 25.36% y C.V de 71.27 % (en esta clase no hubo una
tendencia consistente).
La variabilidad, antes descrita, se puede explicar por la
inuencia del cambio climático y las precipitaciones ocurridas
en cada año. Para ello, se utilizaron las precipitaciones
comprendidas en los meses lluviosos de la costa ecuatoriana
(noviembre a mayo). Se tomaron datos de las estaciones
meteorológicas M175 y M152 del INAMHI (Instituto
Nacional de Meteorología e Hidrología), y se correlacionaron
con los valores provenientes del sitio de la NASA, Prediction
of Worldwide Energy Resources (https://power.larc.nasa.gov/
data-access-viewer/), el error fue menor al 5%. Al tener un
error muy bajo, se usó este sitio para obtener la precipitación
promedio por cada año; se tomaron tres puntos representativos
del área de estudio por cada año, y se promedió la precipitación.
La precipitación promedio en el año 1990 fue de 197.28
mm, en 1999 fue de 699.76 mm, en 2003 fue de 354.18 mm
y en 2019 fue de 464 mm. Estos datos reejan con claridad el
comportamiento de la vegetación. El año 1990 fue muy seco y
es por lo que la Vegetación Alta tiene un valor muy bajo, y el
suelo sin vegetación presentó valores elevados.
En el año 1999 las precipitaciones fueron extremas
debido a la inuencia de la corriente del niño en el año 1997-
1998, ya que los sistemas hidrográcos, y las cuencas que
corresponden a la provincia de Santa Elena, fueron afectados
con anomalías en la precipitación por inundaciones y crecidas
de ríos (Memoria, 1999; Serrano Vincenti et al., 2016).
Debido a estos factores climáticos, no se consideraron
los años 1990 y 1999 para el cálculo de la dinámica de la
frontera agrícola. La suma de todos los tipos de vegetación del
año 2003 fue de 86.96%, y del año 2019 fue de 91.21%. La
vegetación Alta (la que se relaciona con los bosques) presenta
un aumento, lo que indica que existe una tendencia a la
disminución de la deforestación. Lo anterior coincide con las
investigaciones realizadas por Sierra (2013), donde evidencia
que existe una disminución de la deforestación en 59.12% en
el periodo de 1990 a 2008, y esta tendencia se mantendría –
pero en una proporción del 1% - en los siguientes 10 años. Este
autor maniesta que el incremento de la deforestación en la
costa ecuatoriana ocurre cerca y dentro de áreas agropecuarias
existentes, por lo que no existe una amenaza preocupante.
Aunque, la ejecución del Proyecto Integral para el
desarrollo agrícola, ambiental y social de forma sostenible en
el Ecuador (PYDAASSE), el cual fue aprobado y ejecutado
por el gobierno del Ecuador en el año 2009 (Drouet-Candel
et al., 2021); contribuyó a que exista un auge del desarrollo
agrícola en cuanto a la producción del cultivo de banano,
pitahaya, aguacate, mango, maíz y otros cultivos, y que
exista a un incremento acelerado de la frontera agrícola de la
provincia de Santa Elena y parte del Guayas.
La vegetación alta (Clase 5) tuvo una alta precisión (71
%), lo que coincide con los reportes de Naja et al. (2019)
para estudios similares. La diferencia entre los años 2019 y
2003 fue de aproximadamente 15%, entonces se puede inferir
que la disminución de la deforestación es del 15 % y, por ende,
existe una contracción de la frontera agrícola.
Conclusiones
Se lograron obtener y procesar imágenes satelitales de alta
calidad y resolución correspondientes a los últimos 30 años
mediante herramientas de teledetección con una precisión
aceptable. La herramienta de NDVI permitió conocer la
dinámica de la conformación de la vegetación del periodo
estudiado y por consiguiente los usos de suelo basados en
la cobertura vegetal. La dinámica de la frontera agrícola,
determinada mediante las herramientas de teledetección
utilizadas en este estudio, evidencia una disminución de
aproximadamente un 15%.
García et al., 2023
2023. 16(1):12-23
22 Ciencia y Tecnología.
Referencias bibliográcas
Almeida de Souza, A., Galvão, L. S., Korting, T. S., & Prieto,
J. D. (2020). Dynamics of savanna clearing and land
degradation in the newest agricultural frontier in Brazil.
GIScience & Remote Sensing, 57(7), 965-984. https://
doi.org/10.1080/15481603.2020.1835080
Congedo, L. (2021). Semi-Automatic Classication Plugin:
A Python tool for the download and processing of
remote sensing images in QGIS. Journal of Open
Source Software, 6(64), 3172. https://doi.org/10.21105/
joss.03172
Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E.,
Gerlitz, L., Wehberg, J., Wichmann, V., & Böhner, J.
(2015). System for Automated Geoscientic Analyses
(SAGA) v. 2.1.4. Geoscientic Model Development, 8(7),
1991-2007. https://doi.org/10.5194/gmd-8-1991-2015
Cui, L., Li, G., Ren, H., He, L., Liao, H., Ouyang, N., & Zhang,
Y. (2014). Assessment of atmospheric correction methods
for historical Landsat TM images in the coastal zone:
A case study in Jiangsu, China. European Journal of
Remote Sensing, 47(1), 701-716. https://doi.org/10.5721/
EuJRS20144740
Drouet-Candel, A. E., Pérez-Castro, T., Cruz-La Paz, O. V.,
Drouet-Candel, A. E., Pérez-Castro, T., & Cruz-La Paz,
O. V. (2021). Los sistemas de producción agrícola de
las parroquias del norte de la provincia Santa Elena,
Ecuador. Cultivos Tropicales, 42(4). http://scielo.
sld.cu/scielo.php?script=sci_abstract&pid=S0258-
59362021000400002&lng=es&nrm=iso&tlng=es
Dr.S.Santhosh, B., & M.Renuka, D. (2011). Geometric
Correction in Recent High Resolution Satellite Imagery:
A Case Study in Coimbatore, Tamil Nadu. International
Journal of Computer Applications, 14(1), 32-37.
Hegazy, I. R., & Kaloop, M. R. (2015). Monitoring urban
growth and land use change detection with GIS and
remote sensing techniques in Daqahlia governorate
Egypt. International Journal of Sustainable Built
Environment, 4(1), 117-124. https://doi.org/10.1016/j.
ijsbe.2015.02.005
Islam, K., Jashimuddin, M., Nath, B., & Nath, T. K. (2018).
Land use classication and change detection by using
multi-temporal remotely sensed imagery: e case of
Chunati wildlife sanctuary, Bangladesh. The Egyptian
Journal of Remote Sensing and Space Science, 21(1), 37-
47. https://doi.org/10.1016/j.ejrs.2016.12.005
Karakus, C. B., Cerit, O., & Kavak, K. S. (2015). Determination
of Land Use/Cover Changes and Land Use Potentials
of Sivas City and its Surroundings Using Geographical
Information Systems (GIS) and Remote Sensing (RS).
Procedia Earth and Planetary Science, 15, 454-461.
https://doi.org/10.1016/j.proeps.2015.08.040
Kaur, I., Kaur, P., & Verma, A. (2017). Natural Terrain
Feature Identication using Integrated Approach of
Cuckoo Search and Intelligent Water Drops Algorithm.
International Journal of Computer Science and
Information Security (IJCSIS), 15(2), 17.
Kumar, S., Shwetank, & Jain, K. (2020). A Multi-Temporal
Landsat Data Analysis for Land-use/Land-cover Change
in Haridwar Region using Remote Sensing Techniques.
Procedia Computer Science, 171, 1184-1193. https://doi.
org/10.1016/j.procs.2020.04.127
Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X., & Zhang, C. (2020).
A Review of Remote Sensing for Environmental
Monitoring in China. Remote Sensing, 12(7), Article 7.
https://doi.org/10.3390/rs12071130
Liu, C., Chen, Z., Shao, Y., Chen, J., Hasi, T., & Pan, H.
(2019). Research advances of SAR remote sensing for
agriculture applications: A review. Journal of Integrative
Agriculture, 18(3), 506-525. https://doi.org/10.1016/
S2095-3119(18)62016-7
Cooray, P.L.I.G.M., Kodikara, K.A.S., Kumara, M.P.,
Jayasinghe, U.I., Madarasinghe, S.K., Dahdouh-
Guebas, F., Gorman, D., Huxham, M., Jayatissa, L.P.,
2021. Climate and intertidal zonation drive variability
in the carbon stocks of Sri Lankan mangrove forests.
Geoderma 389, 114929. http://dx.doi.org/10.1016/j.
geoderma.2021.114929.
Lopes, V. C., Parente, L. L., Baumann, L. R. F., Miziara,
F., & Ferreira, L. G. (2020). Land-use dynamics in a
Brazilian agricultural frontier region, 1985-2017. Land
Use Policy, 97, 104740. https://doi.org/10.1016/j.
landusepol.2020.104740
López-Pérez, A., Martínez-Menes, M. R., & Fernández-
Reynoso, D. S. (2015). Priorización de áreas de
intervención mediante análisis morfométrico e índice
de vegetación. Tecnología y ciencias del agua, 6(1), 121-
137.
Memoria, R. Y. S. (1999). El fenómeno de El Niño 1997—
1998. Memoria, retos y soluciones: Vol. Volumen IV:
Ecuador. Corporación Andina de Fomento. https://
scioteca.caf.com/bitstream/handle/123456789/675/
Las%20lecciones%20de%20El%20Ni%C3%B1o.%20
Ecuador.pdf?sequence=1&isAllowed=y
Merg, C., Petri, D., Bodoira, F., Nini, M., Díez, M. J. F.,
Schmindt, F., Montalva, R., Guzmán, L., Rodríguez, K.,
Blanco, F., & Selzer, F. (2011). Mapas digitales regionales
de lluvias, índice estandarizado de precipitación e índice
verde. Pilquen - Sección Agronomía, 11, 5.
Naja, P., Navid, H., Feizizadeh, B., Eskandari, I., & Blaschke,
T. (2019). Fuzzy Object-Based Image Analysis Methods
Using Sentinel-2A and Landsat-8 Data to Map and
Characterize Soil Surface Residue. Remote Sensing,
11(21), Article 21. https://doi.org/10.3390/rs11212583
Pang, G., Wang, X., & Yang, M. (2017). Using the NDVI to
identify variations in, and responses of, vegetation to
climate change on the Tibetan Plateau from 1982 to
2012. Quaternary International, 444, 87-96. https://doi.
Dinámica de la frontera agrícola del sistema de cuencas hidrográcas del zapotal mediante herramientas de teledetección
2023. 16(1): 12-23 23Ciencia y Tecnología.
org/10.1016/j.quaint.2016.08.038
Panuju, D. R., Paull, D. J., & Grin, A. L. (2020). Change
Detection Techniques Based on Multispectral Images for
Investigating Land Cover Dynamics. Remote Sensing,
12(11), Article 11. https://doi.org/10.3390/rs12111781
QGIS Development Team. (2022). QGIS Geographic
Information System. Open Source Geospatial Foundation.
http://qgis.osgeo.org
Rawat, J. S., Biswas, V., & Kumar, M. (2013). Changes in land
use/cover using geospatial techniques: A case study of
Ramnagar town area, district Nainital, Uttarakhand,
India. The Egyptian Journal of Remote Sensing and
Space Science, 16(1), 111-117. https://doi.org/10.1016/j.
ejrs.2013.04.002
Semplades. (2013). Plan Nacional del Buen Vivir (Primera
edición). https://siteal.iiep.unesco.org/sites/default/
files/sit_accion_files/plan-nacional-para-el-buen-
vivir-2013-2017.pdf
Serrano Vincenti, S., Reisancho Puetate, A., Borbor-Córdova,
M. J., & Stewart-Ibarra, A. M. (2016). Análisis de
inundaciones costeras por precipitaciones intensas,
cambio climático y fenómeno de El Niño. Caso de estudio:
Machala. La Granja, 24(2). https://doi.org/10.17163/lgr.
n24.2016.04
Sierra, R. (2013). Patrones y factores de deforestación en el
Ecuador continental, 1990-2010. Y un acercamiento
a los próximos 10 años. Conservación Internacional
Ecuador y Forest Trends.
Copyright (2023) © Yoansy García Ortega, Danilo Valdez Rivera, Daniel Mancero Castillo.
Este texto está protegido bajo una licencia internacional Creative Commons 4.0. Usted es libre para compartir, copiar y redistribuir el material
en cualquier medio o formato. También podrá adaptar: remezclar, transformar y construir sobre el material. Ver resumen de la licencia.
