Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
1. Introducción
La deforestación es uno de los problemas ambiental más recurrentes que aqueja actualmente a la humanidad. Se ha calculado a nivel mundial que en los primeros veinte años del presente milenio se ha perdido cerca de 47 millones de hectáreas de bosque primario (FAO, 2022). En el Perú, la situación de los bosques es muy similar, en la última década la deforestación ha avanzado a una velocidad impresionante, y en el 2020 durante el tiempo de ais lamiento social a causa de la pandemia, alcanzó un pico histórico de 203272 ha de bosques destruidos en un solo año (MINAM, 2023).
Las Áreas Naturales Protegidas (ANP) constituyen la piedra angular para la conservación de la biodiversidad a nivel mundial (Mi et al., 2023) y han demostrado ser efectivas para controlar la deforestación procedente de actividades antrópicas en la Amazonía (Sousa et al., 2023) y a nivel mundial (Hänggli et al., 2023). Las ANP, abarcan 140 millones de ha en la cuenca amazónica (Da Ponte et al., 2023) y más de 23 millones de hectáreas dentro del territorio peruano (SERNANP, 2023). Sin embargo; a pesar de su importancia para mantener los servicios ecosistémicos, en el Perú las ANP se encuentran en constante amenaza debido al avance de la agricultura y ganadería, la minería ilegal y la construcción de carreteras, lo que impide el cumplimiento a cabalidad de su propósito de creación (Aguirre et al., 2021; Cotrina et al., 2021).
Debido a esta preocupación, muchas instituciones han venido realizando el monitoreo de la cobertura boscosa, la deforestación y el cambio del uso del suelo empleando tecnologías de observación de la Tierra de acceso abierto (Maso et al., 2023), siendo las imágenes del programa Landsat las más utilizadas para el mapeo global de la cobertura y el cambio de cobertura terrestre (Pérez-Cutilla et al., 2023; Pham-Duc et al., 2023). El Programa Copernicus impulsado por la Agencia Espacial Europea (ESA) y la Unión Europea (UE), a través del lanzamiento del Radar de Apertura Sintética (SAR) Sentinel-1 y los satélites multiespectrales Sentinel-2, ha supuesto una valiosa contribución al seguimiento de la Superficie de la Tierra (Mastrorosa et al., 2023). Los satélites Sentinel-2, lanzados por primera vez a mediados de 2015, son excelentes candidatos para el mapeo de uso y cambio de uso de la tierra debido a su alta resolución espacial, espectral y temporal (Karra et al, 2021). A pesar de estas mejoras, existe escasa información cartográfica de la Amazonía derivada de estas imágenes satelitales (Phiri et al., 2020).
Además de la proliferación de satélites de observación de la Tierra, durante el último medio siglo la política de datos abiertos, el acceso a computación de alto rendimiento y sobre todo el rápido desarrollo de algoritmos de aprendizaje automático han revolucionado el monitoreo global del uso y cambio de uso de la tierra. Estos últimos, son métodos complejos y robustos se presentan como una opción efectiva ante las técnicas tradicionales de mapeo del uso y cobertura de la tierra (Song, 2023). Actualmente estos clasificadores basados en métodos no paramétricos están siendo empleados para procesar ingentes cantidades de datos espaciales relacionados con los bosques, siendo los más conocidos y utilizados: Random Forest (Jia et al., 2023; Pérez-Cutilla et al., 2023; Bratic & Brovelli, 2022); Máquinas de vector de soporte (Tariq et al.,2023; Cengiz et al., 2023; Eskandari & Sarab, 2022) y Redes neuronales artificiales (Moharram & Sundaram, 2023; Waldeland et al., 2022).
Finalmente, en todo el mundo se está estimando el nivel de degradación en el que se encuentran sus bosques a través de un análisis de fragmentación. Calculando para ello, métricas del paisaje; que son algoritmos que cuantifican los patrones espaciales que reflejan las características dominantes del pai saje (Peptenatu et al., 2023; Zhen et al., 2023). Estos índices derivados de las herramientas SIG y teledetección nos permiten analizar la relación entre la pérdida de hábitat, la fragmentación y la conectividad del paisaje a partir de los cambios de cobertura (Jaramillo et al., 2023).
Ante esta situación, surge la necesidad de realizar evaluaciones continuas y periódicas para cartografiar la conservación de la cobertura boscosa dentro de las áreas naturales protegidas y sus zonas de amortiguamiento. Por ende, los objetivos de la presente investigación son calcular la cobertura boscosa del PNTM y su ZA para los años 2017, 2019, 2021 y 2023 a partir de la clasificación de imágenes Sentinel-2 utilizando el algoritmo Random Forest, analizar el cambio de bosque a no bosque durante los periodos 2017-2019, 2019-2021 y 2021-2023 así como estimar el grado de fragmentación de los bosques de la zona de estudio mediante métricas del paisaje.
2. Metodología
2.1 Área de estudio
El Parque Nacional Tingo María está ubicado en el distrito Mariano Dámaso Beraún, provincia Leoncio Prado y región Huánuco, Perú entre los 640 y 1800 msnm. Esta área natural protegida está situada en la margen izquierda del río Huallaga, geográficamente pertenece a la región de la Selva Alta (Figura 1).
2.2 Cobertura boscosa del PNTM para los años 2017, 2019, 2021 y 2023
Se obtuvo gratuitamente productos Sentinel-2 desde la plataforma Copernicus Open Access Hub (ESA, 2023). Se descargó una imágen para cada año evaluado, seleccionando aquellas con la menor cantidad de cobertura nubosa, que se consiguieron durante la época seca de la zona de estudio (Tabla 1).
Figura 1 Ubicación del área de estudio en el Parque Nacional Tingo María, distrito Mariano Dámaso Beraún, provincia Leoncio Prado, región Huánuco, Perú.
Tabla 1 Características de tres imágenes Sentinel-2 empleadas en la clasificación de la Cobertura boscosa del Parque Nacional Tingo María
| Sensor | Fecha de captura | Corrección atmosférica | Fuente |
| Sentinel-2 | 04 de agosto 2017 | No | Copernicus (ESA) |
| Sentinel-2 | 08 de setiembre 2019 | Sí | Copernicus (ESA) |
| Sentinel-2 | 12 de octubre 2021 | Sí | Copernicus (ESA) |
| Sentinel-2 | 04 de junio 2023 | Sí | Copernicus (ESA) |
Se acondicionaron las bandas 12,8A,3; obteniendo un juego de tres bandas con una resolución espacial de 10 m. Para el año 2017 fue necesario realizar la corrección atmosférica, mediante el método Dark Object Subtraction (DOS1). Para la clasificación de las imágenes, se tomó en cuenta el esquema Corin Land Cover (Tabla 2), donde las áreas de entrenamiento se obtuvieron a partir de la combinación de 2,3,4; que nos permitió hacer visualizaciones en RGB (IGNE, 2020). Seguidamente, se realizó la clasificación supervisada en el software SAGA 7.4.0 (Conrad et al., 2015) utilizando el algoritmo Random Forest para agrupar las áreas espectralmente similares y asignarle a una determinada clase de cobertura (Figura 2).
Para medir la exactitud temática de los mapas de coberturas, se compararon las coberturas encontradas en la clasificación con una imagen de alta resolución espacial del mismo año de la evaluación: Spot 6 (2017) y Planet (2019, 2021 y 2023). Para lo cual se verificaron 98 puntos en la imagen; 49 puntos para bosques y 49 para las restantes, que fueron establecidos a través de un muestreo aleatorio sis temático no alineado estratificado (MINAM, 2014). Las coincidencias encontradas fueron transcritas a una matriz de confusión. Posteriormente, se determinó el nivel de concordancia calculando las métricas: Exactitud global y el Índice de Kappa.
Por último, se realizó el ajuste temático de las coberturas, según lo encontrado en las imágenes de alta resolución y se procedió a convertir la clasificación mejorada en formato vectorial, Los polígonos de las diversas coberturas fueron generalizados a una unidad mínima cartografiable (UMC) de 0,2 ha, obteniendo una cartografía forestal a escala 1/25000. Los mapas de coberturas fueron elaborado a escala 1/75000, utilizando Datum WGS 1984 en coordenadas UTM en la zona 18 s.
2.3 Cambio de bosque a no bosque en los periodos 2017-2019; 2019-2021 y 2021-2023
A partir de las coberturas 2017, 2019, 2021 y 2023 se conoció la dinámica del bosque, en el que se utilizó matrices de transición de primer orden para determinar las pérdidas y ganancias del bosque y las demás coberturas del suelo en los periodos 2017 - 2019; 2019 - 2021 y 2021 - 2023. Además, se calculó las tasas de cambio entre cada periodo, utilizando la siguiente fórmula (FAO, 1996):
Donde TC: tasa de cambio (en %); 𝑆1: superficie en la fecha inicial; 𝑆2: superficie en la fecha final; n: diferencia de años entre fecha inicial y final.
2.4 Cálculo del grado de fragmentación de bosques
Para conocer el grado de fragmentación de los bosques del PNTM y su ZA en el 2017 y 2023, se utilizaron métricas del paisaje:
Índice de continuidad de Vogelmann (FCI) = ln (Σ A /Σ P)
Donde Σ A: Área total de parches de bosque del paisaje, en metros cuadrados (m2); y, Σ P: Perímetro total de parches de bosque del paisaje en metros (m). Valores altos implicaron mayor continuidad del bosque y valores bajos reflejaron mayor fragmentación y discontinuidad de los parches de bosque.
Distancia media al fragmento vecino más cercano (MNN): Se calculó sumando la distancia que separa un fragmento de su vecino más cercano, dividiendo luego el resultado por el número de fragmentos. El indicador se aproxima a cero cuando todos los fragmentos en que está dividido un ecosistema, en un área de interés y en un tiempo dado, están cercanos unos de otros, y aumenta, MNN ≥ 0, cuando dichos fragmentos están separados.
Grado de fragmentación (F): La fragmentación total del PNTM se estimó a través de la relación entre la cobertura boscosa y el área total. F = Área de cobertura boscosa (ha) / Área total (ha).
La Figura 2 muestra el flujograma con base la preprocesamiento, procesamiento y análisis de la exactitud para evaluar la cobertura en el PNTM y su ZA.
3. Resultados y discusión
3.1 Cobertura boscosa del PNTM y su ZA para los años 2017, 2019, 2021 y 2023
La Figura 3 muestra los mapas de coberturas de los cuatro años de evaluación, donde se muestra cómo están distribuidos espacialmente los bosques, siendo esta cobertura la más representativa dentro el PNTM y su ZA. Además, se puede observar las coberturas de vegetación secundaria, tierras desnudas y población que reemplazan a los bosques, así como la hidrografía de la zona.
Durante los cuatro años de evaluación, la cobertura boscosa dentro del PNTM se ha mantenido muy similar, ocupando más del 90% de la superficie total del área natural protegida (Tabla 3). Lo mismo ocurre con la vegetación secundaria y las tierras desnudas que se ubican principalmente en la parte noroeste del parque, próxima a la comunidad río Oro. Este lugar cuenta con escasa vegetación boscosa originaria y según la zonificación del PNTM propuesta en el Plan Maestro 2022-2026 (SERNANP, 2022) corresponde a parte de la zona de uso especial, que es un espacio donde se desarrolla actividad agrícola por la población que se encuentra asentada con mucha anterioridad a la creación del PNTM.
Por el contrario, los bosques de la ZA han experimentado una disminución considerable en su extensión; en el 2017 cubrían 76,66% del área total de la ZA, y en el 2023 se redujo al 64,46% (Tabla 4). Esta dinámica es producto de la constante presión antrópica por parte de las poblaciones asentadas en los alrededores del PNTM quienes practican la agricultura itinerante convirtiendo los bosques en tierras agrícolas. A nivel de Latinoamérica las áreas naturales protegidas están siendo amenazadas constantemente por actividades antrópicas provenientes de la agricultura y la minería (Bonacic, 2022).
Tabla 3 Superficie (ha) y ocupación (%) de las coberturas encontradas en el Parque Nacional Tingo María
Figura 3 Mapas de coberturas del Parque Nacional Tingo María y su Zona de Amortiguamiento (escala 1/25000).
Del mismo modo, se puede observar que en el periodo 2019 - 2021 se ha registrado la mayor pérdida de bosques dentro de la ZA, esto debido que durante el aislamiento social ocasionado por la pandemia del Covid-19, la actividad en el campo no se ha detenido; contrariamente, ha sido aprovechada por la población para ampliar la frontera agrícola y pecuaria, siendo el 2020 el año donde el Perú sufrió una importante pérdida de cobertura boscosa por la deforestación (Céspedes et al., 2022; Tafur et al., 2022).
En la Tabla 5 se muestra los números de aciertos entre la clasificación encontrada versus la imagen de resolución espacial alta, así como las métricas Índice de Kappa y Exactitud global calculadas para cada año de evaluación. Según el Índice de Kappa calculado, se encontró un grado de concordancia considerable para los cuatro años evaluados (Landis & Koch, 1977) y de acuerdo con la exactitud global calculada, los cuatro valores han superado el 80%; lo que demuestra un desempeño satisfactorio en la clasificación de coberturas boscosas.
La literatura científica manifiesta que es muy común encontrar exactitud temática alta cuando se usa productos Sentinel-2 con el algoritmo Random Forest para identificar bosques. Los usuarios de los productos S-2 han encontrado valores altos de concordancia al medir la exactitud temática de la cartografía forestal (Zhang et al., 2023; Gutkin et al., 2023). Inclusive si es comparada con imágenes de otros sensores, los productos S-2 han obtenido mayor exactitud temática, como por ejemplo frente a su mayor competidor Landsat 8 (Bera et al., 2023).
Del mismo modo, cuando se trata de comparar algoritmos que consigan la mayor fiabilidad posible, los clasificadores basados en aprendizaje automático tales como Random Forest y Máquinas de Vector de Soporte superan a los demás clasificadores cuando se trata de discriminar bosques y otro tipo de coberturas (Phiri et al., 2020).
3.2. Cambio de bosque a no bosque en los períodos 2017-2019; 2019-2021 y 2021-2023
El cambio de bosque a otro tipo de coberturas dentro del PNTM durante el 2017 - 2019 fue poco diná mico, con una tasa anual de cambio de -0,26%; es decir, en dos años se han perdido sólo 25,88 ha de bosques. Por el contrario, durante el 2019-2021 el análisis demostró que fue un periodo de transición muy dinámico. En este lapso la tasa de cambio dentro del PNTM se ha incrementado a -1,24%, lo que significa que se ha perdido 152,74 ha de bosques, que en su gran mayoría han pasado a convertirse en vegetación secundaria (125,87 ha) y en tierras desnudas (21,53) además de pasar a formar parte de las coberturas de río y población, pero en menor proporción (Figura 4). Esta transición abrupta de la cobertura boscosa se debe a los fenómenos naturales como deslizamientos de tierras producidas por las fuertes precipitaciones ocurridas durante el 2021 en la zona de estudio.
En el último periodo de evaluación el bosque dentro del PNTM ha permanecido casi intacto, con una tasa de cambio de -0,02%. En efecto, los valores de las tasas de cambio en los tres periodos evaluados son bajos en comparación a los mencionado por Fritz et al., (2022) quienes encontraron dentro de las áreas naturales protegidas de América Latina la tasa de deforestación fue de 3,4%.
Dentro del parque no todo ha sido pérdida, también se ha registrado ganancias. Por ejemplo, en el periodo 2019-2021 a la cobertura boscosa se le añadió 39,25 ha procedentes de la vegetación secundaria (35,56 ha), tierras desnudas (3,33 ha) y río (0,32 ha), esta ganancia de bosque y vegetación secundaria es producto de la regeneración natural, aunque es muy poco para compensar con lo deforestado.
Para la ZA el cambio de bosque a no bosque fue bastante dinámico; con una tasa de cambio de -2,97% en el primer periodo, es decir; se han eliminado 188,78 ha de cobertura boscosa, de los cuales 123,75 ha pasaron a ser vegetación secundaria y 65,03 ha a tierras desnudas. Mientras que para el segundo periodo la tasa de cambio fue de -4,39%. De un total de 369,23 ha perdidas de bosques; 282,48 ha se han convertido en vegetación secundaria y 72,53 ha fueron talados para dar paso a cultivos y pastos, eliminando 216,49 ha más en comparación al periodo 2017 - 2019. Finalmente, en el periodo 2021-2023 la tasa de cambio descendió a -1,15% (Figura 5). A pesar de lo dinámico que fueron las transiciones, son valores bajos en comparación a los 5,4% de tasa de deforestación encontrado en zonas fuera de las áreas naturales protegidas en América Latina (Fritz et al., 2022). Durante el aislamiento social por la pandemia del Covid-19 los hogares que practican la agricultura itinerante en la Amazonía han ampliado la frontera agrícola, estableciendo cultivos mediante tala, rozo y quema, lo que se ha visto reflejado en el periodo 2019-2021 en la que se ha eliminado la mayor superficie fores tal dentro de la ZA.
3.3 Grado de fragmentación de los bosques
Los valores encontrados referentes al grado de fragmentación señalan que los bosques del PNTM tanto para el 2017 y 2023 se encuentran menos fragmentados que los de su ZA. Es así, que el PNTM presenta valores más altos de Índice de Vogelmann (FCI), lo que refleja mayor continuidad entre sus fragmentos.
Figura 4 Ganancias y pérdidas (ha) de coberturas dentro del Parque Nacional Tingo María durante los periodos 2017-2019; 2019-2021 y 2021-2023. BO = Bosque; VS= Vegetación secundaria; TD = Tierras desnudas; RI = Ríos; PO = Población.
Figura 5 Ganancias y pérdidas (ha) de coberturas dentro de la Zona de Amortiguamiento del Parque Nacional Tingo María durante los periodos 2017-2019; 2019-2021 y 2021-2023. BO = Bosque; VS= Vegetación secundaria; TD = Tierras desnudas; RI = Ríos; PO = Población.
Tabla 6 Métricas de fragmentación del bosque dentro del Parque Nacional Tingo María y su Zona de Amortiguamiento para el 2017 y 2023
Respecto a la distancia media al fragmento vecino más cercano (MNN), el PNTM presenta valores más bajos, señalando que los fragmentos de bosques dentro del área natural protegida se encuentran más cercanos uno de otros, considerando que éste es uno de los mejores índices para medir fragmentación (Toosi et al., 2022). Finalmente, según la métrica que calcula el grado de fragmentación (F) nos sugiere que la cobertura boscosa del PNTM se encuentra en una categoría de fragmentación moderada, mientras que los bosques de su ZA se encuentran altamente fragmentados (Tabla 6).
Las zonas de amortiguamiento en el Perú son mucho más vulnerables a la deforestación en comparación a las áreas naturales protegidas (Rojas et al., 2021), es así que el avance de la agricultura mediante patrones migratorios dentro la ZA, representa una potencial amenaza a la integridad del PNTM.
4. Conclusiones
A partir de la clasificación de las imágenes Sentinel2 utilizando el algoritmo Random Forest se ha conseguido elaborar mapas de coberturas del Parque Nacional Tingo María y su zona de amortiguamiento correspondiente a los años 2017, 2019, 2021 y 2023 consiguiendo en cada mapa una exactitud temática considerable. Los resultados encontrados en la cartografía forestal indican que la cobertura boscosa es la más representativa en ambas zonas de estudio. Durante el periodo de evaluación, la tasa de cambio dentro del PNTM se ha incrementado de -0,26% (2017 - 2019) a -1,24% (2019 - 2021) como consecuencia de fenómenos naturales ocurridos en el último periodo, sin embargo; en el periodo (2021 - 2023) la cobertura boscosa se ha mantenido relativamente estable. Mientras que los bosques de la ZA han sufrido una transición muy dinámica, con tasas de cambio de -2,97%; -4,39% y -1,15% derivado de la deforestación generada por comuneros para ampliar la frontera agrícola. Las métricas del paisaje utilizadas sugieren que los bosques del PNTM se encuentran moderadamente fragmentados y los bosques de la ZA se encuentran fuertemente fragmentados, por lo que se concluye que el área natural protegida ha cumplido con el objetivo de mantener la cobertura vegetal del bosque de selva alta. A futuro, es recomendable analizar las métricas del paisaje asociándolas a las variables de infraestructura de transporte, variables físico-naturales y variables socioeconómicos a fin de establecer los motores de deforestación en la zona de estudio.
