Printer Friendly

Evaluacion de las tasas de deforestacion en Michoacan a escala detallada mediante un metodo hibrido de clasificacion de imagenes SPOT.

Assessment of deforestation rates in Michoacan at detailed scale through a hybrid classification method of SPOT images

INTRODUCCION

En las ultimas decadas el planeta ha sufrido un acelerado proceso de cambios de cubierta/uso del suelo (CCUS), debido principalmente a la constante expansion urbana y el establecimiento de nuevas zonas agricolas (Grimm et al., 2008). Dicho fenomeno ha impactado de forma negativa la cubierta forestal mundial (deforestacion). Las regiones del planeta que exhiben mayores tasas de deforestacion son los tropicos (Centro y Sur America, Sur y Sureste de Asia y Africa (Keenan et al., 2015).

Mexico no es la excepcion a este fenomeno, pues exhibe altas tasas de CCUS. Segun la Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura [FAO] (2010), las tasas de deforestacion en el pais fueron de 0.5% (354 000 ha/ano) en el periodo 1990-2000 y de 0.2% (155 000 ha/ano) en el periodo 2005-2010. Entre las consecuencias mas importantes de la perdida de cubierta forestal destacan la disminucion del potencial de bienes y servicios ambientales que proporcionan los ecosistemas, el calentamiento global, la alteracion de ciclos hidrologicos y biogeoquimicos y la perdida de habitat (Velazquez et al., 2002).

Para muchas regiones del pais no existe informacion con un nivel de detalle espacial y temporal que permita cuantificar con precision los CCUS, ni en particular la deforestacion. Sin embargo, contar con cartografia de cubierta/uso del suelo (CUS) detallada, reciente y precisa es imprescindible para la toma de decisiones sobre la gestion de los bosques. Los datos de percepcion remota han sido ampliamente utilizados para elaborar cartografia de CUS (Millington y Alexander, 2000; Manakos y Braun, 2014; Camacho-Sanabria et al., 2015; Thenkabail, 2015). Sin embargo, el analisis de imagenes de satelite para la elaboracion de mapas de CUS y el monitoreo de los CCUS en estados como Michoacan no es una tarea facil por varias razones: (1) existe una gran diversidad de tipos de vegetacion y usos del suelo, ademas la vegetacion puede presentar diversos estados fenologicos y diferentes niveles de degradacion (lo que causa confusion espectral al clasificar la CUS), (2) el paisaje presenta un alto grado de fragmentacion (compuesto por pequenos parches y fragmentos de vegetacion secundaria), (3) los usos del suelo son multiples (areas de agricultura de temporal y bosques degradados tambien se emplean para la ganaderia), (4) las cubiertas forestales presentan distintos grados de perturbacion, lo cual dificulta definir su estado de conservacion/degradacion con base en informacion espectral y (5) el paisaje es dinamico y presenta cambios en diferentes escalas de tiempo (cambios fenologicos, quemas, rotaciones de cultivos o cambios permanentes; Mas et al., 2016). Adicionalmente, el empleo de imagenes de baja resolucion espacial no permite detectar parches de deforestacion que se presentan en pequenos fragmentos (Mas y Gutierrez, 2006).

En este articulo se describe un metodo hibrido de clasificacion que emplea procesamiento digital e interpretacion visual de imagenes, mediante el cual se genero cartografia de CUS para el estado de Michoacan a escala 1:50 000, lo que permitio detectar pequenos parches de deforestacion en todo el estado. Adicionalmente, se evaluo la fiabilidad tematica de la cartografia generada, con la finalidad de conocer la confiabilidad de los datos. Finalmente, se analizaron los cambios de CUS a traves del periodo 2004-2014.

OBJETIVOS

Los objetivos de este estudio fueron i) definir y poner en marcha un metodo de clasificacion que combina procesamientos automatizados y manuales para elaborar cartografia de CUS del estado de Michoacan a escala 1:50 000 para 2004, 2007 y 2014, ii) evaluar la fiabilidad tematica de la cartografia generada mediante un metodo estadisticamente robusto y iii) analizar los cambios en la cubierta forestal en Michoacan durante la ultima decada.

MATERIALES Y METODOS

Area de estudio

El estado de Michoacan (Fig. 1) se ubica en la region Centro Occidente de Mexico y tiene una superficie de aproximadamente 60 000 [km.sup.2]. Michoacan es uno de los estados mas diversos del pais en cuanto a tipos de vegetacion (Bocco, Mendoza y Masera, 2001). En las zonas templadas se distribuyen bosques de oyamel, pino, encino y pino-encino, mientras que en las zonas calidas del estado se encuentran selvas caducifolias bajas y medianas. Los bosques del estado de Michoacan han experimentado importantes procesos de CCUS, de los cuales han derivado principalmente pastizales inducidos, pastizales cultivados y cultivos perennes (Bocco et al., 2001; Espana-Boquera y Champo-Jimenez, 2016).

Materiales

Se emplearon 32 imagenes SPOT 5 multi-espectrales de 10 m de resolucion con nivel de procesamiento 1B tomadas durante la estacion de sequia (diciembre-marzo) de 2004, 2007 y 2014 y datos de campo del Inventario Nacional Forestal y de Suelos (Infys) 2004-2010 de la Comision Nacional Forestal (Conafor). Las imagenes SPOT corresponden a la estacion seca de cada ano debido a que en dicha epoca se presenta menor nubosidad en las imagenes. Las imagenes SPOT de 2004 y 2014 fueron ajustadas espacialmente respecto a las del ano base (2007) mediante correcciones geometricas, empleando una transformacion polinomial y el metodo de re-muestreo del vecino mas cercano. Los procesamientos de imagenes se llevaron a cabo en la plataforma de modelado espacial DINAMICA (Soares-Filho, Cerqueira y Pennachin, 2002), el programa de segmentacion de imagenes BIS Cloud (Berkeley Image Segmentation, 2015), el Sistema de Informacion Geografica QGIS (QGIS Development Team, 2015) y el ambiente para analisis estadisticos R (R Core Team, 2014; RStudio Team, 2015).

Metodo de clasificacion

En este trabajo se desarrollo un metodo hibrido que combina procesamiento digital e interpretacion visual para generar mapas de diferentes fechas con base en procesos de mejora de la escala de cartografia existente, actualizacion y desactualizacion cartografica, similar al metodo de clasificacion interdependiente de la FAO (1996). Como primer paso, mediante la foto-interpretacion de las imagenes SPOT de 2007, se genero un mapa escala 1:100 000 del estado de Michoacan en QGIS. La escala de dicho mapa no fue mas detallada debido a que este entraria posteriormente a un proceso semi-automatizado de afinacion de su resolucion. El sistema clasificatorio empleado fue una adaptacion del sistema de las series de vegetacion y uso de suelo del Instituto Nacional de Estadistica, Geografia e Informatica (Inegi), basado en informacion estructural, floristica y fenologica, tomando en cuenta los elementos discernibles en imagenes multi-espectrales. La cartografia utilizada estuvo compuesta por 16 categorias de CUS: agricultura de riego, agricultura de temporal, cultivo perenne, asentamientos humanos, pastizal inducido/cultivado, bosque de encino, bosque de oyamel, bosque de pino, bosque mesofilo, bosque de pino-encino, selva baja caducifolia, selva mediana caducifolia, cuerpos de agua, manglar, popal-tular y areas sin vegetacion aparente. Ademas, se diferenciaron las categorias correspondientes a cubiertas forestales en dos clases dependiendo del estado de conservacion de la vegetacion (primario y secundario). Este mapa fue revisado por foto-interpretes del Inegi y posteriormente corregido para mejorar su precision.

Posteriormente, se detallo la escala del mapa de CUS de 2007 escala 1:100 000 obtenido mediante interpretacion visual (Fig. 2a), con la finalidad de obtener un mapa escala 1:50 000. Para ello, se segmentaron las imagenes SPOT 2007 mediante la plataforma de segmentacion en linea BIS Cloud, obteniendo grupos de pixeles espectralmente homogeneos, con un area minima de una hectarea (Fig. 2b). Como siguiente paso, en QGIS se intersectaron el mapa 2007 de CUS 1:100 000 y los segmentos obtenidos con las imagenes SPOT del mismo ano, asignando una categoria del mapa a cada segmento, con base en la categoria del mapa que cubriera mayor proporcion de cada segmento (Fig. 2c). Posteriormente se calculo en R una funcion de densidad para cada categoria (Li y Racine, 2003; Hayfield y Racine, 2008), la cual indica la probabilidad para un segmento con un valor espectral especifico de pertenecer a una categoria particular del mapa. Para estimar la densidad de probabilidad, se utilizo el metodo de estimacion de Kernel propuesto por Aitchison y Aitken (1976). Este es un metodo de estimacion de densidad de probabilidad no parametrico que no considera ningun supuesto sobre el tipo de distribucion de los datos. En este caso, permite estimar la probabilidad de que un segmento pertenezca a una categoria de CUS con base en su valor en una o varias bandas espectrales (Fig. 2d).

De esta forma, se identificaron los segmentos que presentaron una respuesta espectral que no correspondio a la categoria que recibieron del mapa (respuesta atipica). Adicionalmente, se genero en R una clasificacion digital supervisada mediante un algoritmo de arbol C5 (Quinlan, 1993), el cual asigna una categoria a cada segmento con base en su respuesta espectral unicamente. Dicha categoria sirve como referencia de la confusion espectral de los segmentos que son verificados visualmente (Fig. 2e). Finalmente, se realizo la interpretacion visual de los segmentos atipicos y de aquellos a los que la clasificacion automatizada asigno una categoria diferente a la del mapa en QGIS. El interprete decidio si el segmento permanecia con la categoria del mapa o representaba un cambio respecto al mapa mediante criterios de interpretacion visual: textura, patron, tamano, forma y tonalidad de los segmentos de la imagen. De esta forma se genero el mapa de 2007 a escala 1:50 000 (Fig. 2f). En una etapa siguiente, se realizo la segmentacion de las imagenes de 2004 y 2014 que permitieron desactualizar (hacia el pasado, para generar el mapa 2004) y actualizar (mapa 2014) el mapa de 2007, empleando el mismo metodo.

Evaluacion de la fiabilidad tematica y de los CCUS

Esta evaluacion se enfoco en el mapa de 2007 debido a que fue el mapa base para generar los de 2004 y de 2014 y, por lo tanto, la calidad de estos ultimos dependeria del primero. De acuerdo con lo sugerido por Olofsson et al. (2014), se determino el tamano de la muestra con base en una aproximacion normal, presumiendo un mapa con una fiabilidad global de 80% y un intervalo de confianza inferior a 3%. Se seleccionaron 946 sitios de verificacion con base en un muestreo aleatorio estratificado. La estratificacion del muestreo, utilizando las categorias del mapa, permitio escoger el numero de sitios para cada categoria. Para corregir los sesgos de representacion entre categorias se aplico el metodo propuesto por Card (1982) y Olofsson et al. (2014) utilizando el complemento AccurAssess en QGIS (Mas et al., 2014). Este metodo permite evaluar el valor de varios indices de fiabilidad, asi como su certidumbre (intervalo de confianza). Los indices calculados fueron: (1) la fiabilidad global (proporcion del mapa correctamente clasificada), (2) la fiabilidad del usuario (relacionada con los errores de comision de la categoria) y (3) la fiabilidad del productor (relacionada con los errores de omision de la categoria).

Se fotointerpreto cada sitio de verificacion en imagenes con resolucion espacial de 2.5 m, resultado de la fusion entre la banda pancromatica (2.5 m) y las bandas multi-espectrales (10 m) de SPOT y en imagenes de muy alta resolucion de GoogleEarth. La categoria obtenida por foto-interpretacion para cada sitio se comparo con la informacion del mapa escala 1:50 000 para construir una matriz de confusion. Finalmente, se realizaron salidas de campo para apoyar la interpretacion de 110 sitios de verificacion dificiles de interpretar en las imagenes, ubicados principalmente en areas de selva baja caducifolia, bosque de encino y bosque mesofilo. Debido a que dichos sitios fueron clasificados en imagenes de 2007, se verifico en imagenes de 2014 que no exhibieran cambios para evitar errores debido a la fecha del trabajo de campo respecto a la del mapa evaluado. Adicionalmente, con la finalidad de realizar una segunda evaluacion de la cartografia, se llevo a cabo un ejercicio de comparacion con los datos de campo del Infys 2004-2010. Dicha evaluacion consistio en intersectar los puntos de muestreo de campo del Infys con el mapa de 2007 y cuantificar las coincidencias (aciertos) y los errores de clasificacion.

Finalmente, se realizaron estadisticas de cambio con base en la cartografia generada, enfocadas en cuantificar la deforestacion en el estado de Michoacan durante la ultima decada (area neta deforestada anualmente y tasas de deforestacion). Dichas estadisticas fueron calculadas a nivel estatal y municipal para ambos periodos (2004-2007 y 2007-2014), con base en la formula propuesta por la FAO (1995):

[expresion matematica irreproducible]

Donde:

[S.sub.1]: Superficie del mapa fecha 1

[S.sub.2]: Superficie del mapa fecha 2

n: numero de anos entre ambas fechas

RESULTADOS y discusion

El metodo de hibrido de clasificacion desarrollado en este trabajo permitio obtener mapas de CUS del estado de Michoacan para 2004, 2007 y 2014, a escala 1:50 000, con una unidad minima cartografiable de una hectarea. Una vez obtenido el mapa base de 2007, generar los mapas de 2004 y 2014 requirio el trabajo de tres personas durante un periodo de tres meses. Parte de este tiempo fue dedicado a editar manualmente los mapas para corregir incongruencias en los limites entre imagenes. Lo anterior equivale aproximadamente a una semana de trabajo por escena SPOT completa o bien 0.7 minutos por kilometro cuadrado cartografiado.

Existe una gran variedad de metodos de deteccion de cambios con imagenes de satelite (Hussain, Chen, Cheng, Wei y Standley, 2013). Las principales ventajas del metodo son: i) la segmentacion de imagen permite generar objetos (segmentos) que corresponden a unidades del paisaje (fragmentos de bosques, parcelas agricolas) y evita la obtencion de pixeles aislados en la imagen clasificada (efecto sal y pimienta), ii) la deteccion de los cambios no se basa en la comparacion de los valores espectrales entre fechas, lo cual implica el uso de imagenes de fechas similares y la aplicacion de correcciones radiometricas, sino en la deteccion de segmentos con una respuesta espectral atipica en comparacion con los demas objetos de la misma imagen y iii) el metodo se basa en clasificaciones interdependientes, similar al metodo de clasificacion interdependiente propuesto por la FAO (1996), lo cual evita la creacion de cambios erroneos por clasificaciones independientes y permite elaborar mapas de distintas fechas que son congruentes en el tiempo.

La verificacion en campo de sitios que representaban altos niveles de confusion espectral permitio mejorar la cartografia. De los 110 sitios verificados en campo 23 presentaban errores de categoria, 12 correspondian a errores entre primario y secundario de la misma categoria y 66 estaban correctamente clasificados. La evaluacion del mapa de 2007 basada en el muestreo aleatorio estratificado indica que la fiabilidad global es de 83.3%, con un intervalo de confianza de 3.1%. Los demas indices se encuentran en la tabla 1.

La mayoria de las categorias del mapa de 2007 presentaron indices de fiabilidad satisfactorios salvo el bosque mesofilo, el bosque de oyamel secundario y el bosque de pino secundario. Sin embargo, la mayor parte de los errores de clasificacion se presentaron entre categorias cercanas (primario y secundario de un mismo tipo de bosque). Estos errores tematicos pueden deberse principalmente a la dificultad para detectar un tipo de vegetacion tan fragmentado, como por ejemplo, el bosque mesofilo que se encuentra en el estado de Michoacan. En cuanto a los errores entre categorias de vegetacion secundaria, estas pueden presentar respuestas espectrales muy similares y ser dificiles de diferenciar incluso en las imagenes de alta resolucion. Debido a lo anterior, la cartografia elaborada permite un monitoreo fiable de la deforestacion, pero no de la degradacion forestal.

De acuerdo con la comparacion con datos del Infys, las categorias de CUS coinciden en la mayoria de sitios (> 72% del total de puntos). Parte de la incongruencia existente podria atribuirse a diferencias de temporalidad entre los datos de campo y el mapa aqui generado, ya que los datos del Infys corresponden a levantamientos en el periodo 2004-2010 y este mapa esta basado en imagenes de 2007. A pesar de que los datos de campo del Infys incluyen informacion detallada sobre las comunidades forestales, sus datos no presentan informacion respecto a otros tipos de cubiertas y usos del suelo. Ademas, los sitios de muestreo fueron seleccionados mediante una estratificacion basada en el mapa de uso del suelo y vegetacion del Inegi y no en el mapa aqui generado, por lo que este ultimo ejercicio de comparacion con la cartografia generada en el presente trabajo no permite corregir el sesgo relacionado con el muestreo (Card, 1982) para calcular los indices de fiabilidad tematica.

Evaluacion de los cambios en la cubierta forestal

Los mapas elaborados para 2004, 2007 y 2014 permitieron realizar un seguimiento detallado de las ganancias y perdidas de la superficie boscosa en el estado de Michoacan. En la ultima decada, la superficie cubierta tanto por bosques tropicales como templados en Michoacan ha disminuido de forma constante (Tabla 2).

Durante el periodo 2004-2007 (Fig. 3), se perdieron en promedio 6600 ha de bosque por ano. Esta tasa de deforestacion disminuyo a alrededor de 3000 ha anuales durante el periodo siguiente (2007-2014; Tabla 3). La deforestacion se presento en pequenos parches, con superficie media de 2.7 ha; Fig. 4).

La deforestacion en Michoacan durante el periodo de estudio se ha concentrado principalmente en la region sierra-costa y en el centro del estado (zona aguacatera). Tambien se observaron procesos de recuperacion de la cubierta forestal en varias regiones del estado, aunque estos procesos de ganancia son menores que los de perdida. En particular, se detectaron numerosos parches de perdida de bosques templados en los municipios de Taretan, Uruapan y Ziracuaretiro, en los cuales ahora estan establecidas huertas de aguacate (Fig. 5; Tabla 4). Durante el periodo 2004-2007, se observaron importantes procesos de deforestacion de bosques tropicales en Aquila y Chinicuila, relacionados con el establecimiento de pastizales (Fig. 4; Tabla 4). La mayor proporcion de los municipios del estado presentan perdida forestal durante ambos periodos (2004-2007 y 2007-2014). Sin embargo, la superficie deforestada es menor en el segundo periodo (Fig. 5 y 6).

Las tasas de deforestacion que se identificaron son inferiores a las encontradas con base en cartografia a escala 1:250 000 para periodos anteriores. Por ejemplo, Bocco et al. (2001) encontraron tasas de deforestacion de 1.8% y 1% por ano para bosques templados y tropicales respectivamente durante el periodo 1976-1993. Mas, Velasquez-Montes y Fernandez-Vargas (2005) identificaron tasas de 0.47% y 0.65% por ano durante el periodo 1976-2000. La tendencia a la baja de las tasas de deforestacion ha continuado durante la ultima decada (Rosete-Verges et al., 2014). En general, la disminucion de las tasas de deforestacion en Michoacan y en Mexico pueden deberse a la puesta en marcha de distintos programas; como Pro-arbol o pago por servicios ambientales, en el cual, segun la FAO (2015), Mexico ocupa el tercer lugar mundial. Ademas, en las ultimas decadas han ocurrido intensos procesos de abandono del campo en Mexico y de migracion a zonas urbanas (Programa de la Naciones Unidas para los Asentamientos Humanos, 2011), lo que tambien puede haber fomentado la disminucion de las tasas de deforestacion.

CONCLUSIONES

El metodo de clasificacion desarrollado permitio generar en un tiempo razonable cartografia de CCUS detallada (escala 1:50 000) para el estado de Michoacan y detectar la deforestacion, con un nivel de fiabilidad aceptable. Lo anterior fue posible debido a que dicho metodo se beneficia de las virtudes de los procesamientos automatizados (generar grandes cantidades de datos en poco tiempo) y retoma la fortaleza de los metodos cartograficos tradicionales (interpretacion visual de las imagenes). De modo que se obtuvieron poligonos de CUS de forma automatica y todos los cambios que presenta la cartografia aqui generada fueron supervisados visualmente. En trabajos futuros, se integrara informacion bioclimatica para afinar este sistema, ya que existe una fuerte relacion entre patrones climaticos y de vegetacion (Gopar-Merino, Velazquez y de Azcarate, 2015). Ademas, el metodo de clasificacion interdependiente permitio obtener mapas congruentes entre las distintas fechas. Se monitoreo la deforestacion a escala espacial y temporal detallada, detectando pequenos parches de deforestacion que no hubieran sido detectados mediante otros metodos o insumos. Se puede tambien recalcar que todos los procesamientos se llevaron a cabo con programas de codigo abierto (R, QGIS) y de acceso libre (DINAMICA), a excepcion de la segmentacion de imagenes. Sin embargo, este ultimo proceso podria realizarse con programas de codigo abierto como SPRING (Camara, Souza, Freitas y Garrido, 1996), lo cual vuelve todo el metodo totalmente reproducible.

Aunque la tasa de deforestacion en el estado de Michoacan disminuyo en la ultima decada, es necesario continuar monitoreando los cambios en la cubierta forestal, con particular enfasis en los focos de deforestacion identificados en este estudio. Contar con insumos con este nivel de detalle puede ser de gran utilidad para generar planes de ordenamiento y conservacion forestal tanto a nivel regional como local. El metodo propuesto permite tambien llevar a cabo un monitoreo continuo y detallado de las cubiertas y usos del suelo para evaluar el efecto de politicas de conservacion forestal ambientales.

RECONOCIMIENTOS

Este estudio fue financiado por el proyecto "Monitoreo de la cubierta del suelo y la deforestacion en el Estado de Michoacan: un analisis de cambios mediante sensores remotos a escala regional" (Fondo Mixto Conacyt-Gobierno del Estado de Michoacan, clave 192429). Las imagenes SPOT fueron obtenidas mediante el convenio ERMEXS-UNAM. Tambien agradecemos a los expertos del Instituto Nacional de Estadistica y Geografia (Inegi) por la revision de la cartografia aqui generada.

REFERENCIAS

Aitchison, J. y Aitken, C. G. G. (1976). Multivariate binary discrimination by the kernel method. Biometrike, 63(3), 413-420. doi: 10.1093/biomet/63.3.413

Berkeley Image Segmentation. (2015). BIS Cloud. Disponible en linea: http://www.imageseg.com

Bocco, G., Mendoza, M. y Masera, O. (2001). La dinamica del cambio del uso del suelo en Michoacan: Una propuesta metodologica para el estudio de los procesos de deforestacion. Investigaciones Geograficas, 44, 18-38.

Camacho-Sanabria, J. M., Perez, J., Isabel, J., Pineda-Jaimes, N. B., Cadena-Vargas, E. G., Bravo-Pena, L. C. y Sanchez, M. (2015). Cambios de cobertura/uso del suelo en una porcion de la Zona de Transicion

Mexicana de Montana. Madera y Bosques, 21(1), 93-112. doi: 10.21829/ myb.2015.211435

Camara, G., Souza, R. C. M., Freitas, U. M. y Garrido, J. (1996). SPRING: Integrating Remote Sensing and GIS by object-oriented data modelling. Computers and Graphics, 20(3), 395-403. doi: 10.1016/0097-8493(96)00008-8

Card, D. H. (1982). Using known map category marginal frequencies to improve estimates of thematic map accuracy. Photogrammetric Engineering & Remote Sensing, 48(3), 431-439. Recuperado de https://www.asprs.org/wp- content/uploads/pers/1982journal/mar/1982_mar_431-439. pdf

Espana-Boquera, M. L. y Champo-Jimenez, O. (2016). Proceso de deforestacion en el municipio de Cheran, Michoacan, Mexico, (2006-2012). Madera y Bosques, 22(1), 141-153. doi: 10.21829/myb.2016.221482

Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura [FAO]. (1995). Evaluacion de los recursos forestales mundiales 1990 (Informe Principal). Roma, Italia: FAO.

Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura [FAO]. (1996). Forest resources assessment 1990. Survey of tropical forest cover and study of change processes. FAO Forestry Papers. Roma, Italia: FAO

Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura [FAO]. (2010). Evaluacion de los recursos forestales mundiales 2010 (Informe Principal 163). Roma, Italia: FAO.

Organizacion de las Naciones Unidas para la Alimentacion y la Agricultura [FAO]. (2015). Evaluacion de los recursos forestales mundiales 2015. Compendio de datos. Roma, Italia: FAO.

Gopar-Merino, L. F., Velazquez, A. y de Azcarate, J. G. (2015). Bioclimatic mapping as a new method to assess effects of climatic change. Ecosphere, 6(1), 1-12. doi: 10.1890/ ES14-00138.1

Grimm, N. B., Faeth, S. H., Golubiewski, N. E., Redman, C. L., Wu, J., Bai, X. y Briggs, J. M. (2008). Global change and the ecology of cities. Science, 31 9(5864), 756-760. doi: 10.1126/science.1150195

Hayfield, T. y Racine, J. S. (2008). Nonparametric Econometrics: The np Package. Journal of Statistical Software, 27(5). doi: 10.18637/jss.v027.i05

Hussain, M., Chen, D., Cheng, A., Wei, H. y Stanley, D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91-106. doi: 10.1016/j.isprsjprs.2013.03.006

Keenan, R. J., Reams, G. A., Achard, F., de Freitas, J. V., Grainger, A. y Lindquist, E. (2015). Dynamics of global forest area: results from the FAO Global Forest Resources Assessment 2015. Forest Ecology and Management, 352, 9-20. doi: 10.1016/j.foreco.2015.06.014

Li, Q. y Racine, J. S. (2003). Nonparametric estimation of distributions with categorical and continuous data. Journal of Multivariate Analysis, 18, 69-100. doi: 10.1016/S0047259X(02)00025-8 Manakos, I. y Braun, M. (2014). Land use and land cover mapping in Europe. Holanda: Springer. doi: 0.1007/978-94007-7969-3.

Mas, J.-F., Velazquez-Montes, A. y Fernandez-Vargas, T. (2005). Monitoreo de los cambios de cobertura del suelo en Michoacan. En L.E. Villasenor G. La biodiversidad en Michoacan: Estudio de Estado (204-206). Morelia, Mich.:Conabio.

Mas, J.-F. y Gutierrez, I. G. (2006). Evaluacion de Imagenes MODIS para el monitoreo de la deforestacion en Mexico/ Evaluation of modis images to monitor deforestation in Mexico. Ambiencia, 2(3), 19-27. Recuperado de http://revistas.unicentro.br/index.php/ambiencia/article/view/254/330

Mas, J.-F., Perez-Vega, A., Ghilardi, A., Martinez, S., Loya-Carrillo, J. O. y Vega, E. (2014). A Suite of Tools for Assessing Thematic Map Accuracy. Geography Journal, 2014, 10. doi: 10.1155/2014/372349

Mas, J.-F., Couturier, S., Paneque-Galvez, J., Skutsch, M., Perez-Vega, A., Castillo-Santiago, M. A. y Bocco, G. (2016). Comment on Gebhardt et al. MAD-MEX: automatic wall-to-wall land cover monitoring for the Mexican REDD-MRV Program using all Landsat data. Remote Sens. 2014, 6, 3923-3943. Remote Sensing, 8(7), 533. doi: 10.3390/rs6053923

Millington, A. C. y Alexander, R. W. (2000). Vegetation mapping in the last three decades of the twentieth century. En R. Alexander y A. C. Millington. Vegetation Mapping, (321-331). Chochester, England: John Wiley & Sons.

Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E. y Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42-57. doi: 10.1016/j.rse.2014.02.015

Programa de la Naciones Unidas para los Asentamientos Humanos. (2011). El estado de las ciudades de Mexico 2011. Mexico: Programa de la Naciones Unidas para los Asentamientos Humanos.

QGIS Development Team. (2015). QGIS Geographic Information System [Software de computo]. Recuperado de http:// www.qgis.org/

Quinlan, R. (1993). C4.5: Programs for machine learning. San Mateo. CA: Morgan Kaufmann Publishers.

R Core Team. (2014). R: A language and environment for statistical computing. Viena, Austria: R Foundation for Statistical Computing.

Soares-Filho, B. S., Cerqueira, G. C. y Pennachin, C. L. (2002). Dinamica--a stochastic cellular automata model designed to simulate the landscape dynamics in an amazonian colonization frontier. Ecological Modelling, 154(3), 217-235. doi: 10.1016/S0304-3800(02)00059-5

Rosete-Verges, F. A., Perez-Damian, J. L., Villalobos-Delgado, M., Navarro-Salas, E. N., Salinas-Chavez, E. y Remond-Noa, R. (2014). El avance de la deforestacion en Mexico 1976-2007. Madera y Bosques, 20, 21-35. doi: 10.21829/ myb.2014.201173

RStudio Team. (2015). RStudio: Integrated Development for R. Boston, MA: RStudio, Inc. Recuperado de L http://www. rstudio.com/.

Thenkabail, P. S. (2015). Remotely sensed data characterization, classification, and accuracies. Florida, EUA: CRC Press.

Velazquez, A., Mas, J.-F., Mayorga-Saucedo, R., Diaz, J. R., Alcantara, C., Castro, R., Fernandez, T., Palacio, J. L., Bocco, G., Gomez-Rodriguez, G., Luna-Gonzalez, L., Trejo, I., Lopez-Garcia, J., Palma, M., Peralta, A., Prado-Molina, J. y Gonzalez-Medrano, F. (2002). Estado actual y dinamica de los recursos forestales de Mexico, Biodiversitas, 41, 8-15. Recuperado de http://www.biodiversidad.gob.mx/Biodiversitas/Articulos/biodiv41art2.pdf

Manuscrito recibido el 8 de diciembre de 2016.

Aceptado el 24 de abril de 2017.

doi:10.21829/myb.2017.2321472

Jean-Francois Mas (1) *, Richard Lemoine-Rodriguez (1), Rafael Gonzalez (1), Jairo Lopez-Sanchez (2), Andres Pina- Garduno (2) y Evelyn Herrera-Flores (2)

(1) Universidad Nacional Autonoma de Mexico. Centro de Investigaciones en Geografia Ambiental. Morelia, Michoacan, Mexico.

(2) Universidad Nacional Autonoma de Mexico. Escuela Nacional de Estudios Superiores. Morelia, Michoacan, Mexico.

* Autor de correspondencia: jfmas@ciga.unam.mx

Leyenda: Figura 1. Ubicacion geografica del estado de Michoacan.

Leyenda: Figura 2. Etapas del metodo hibrido de clasificacion: a) Mapa foto-interpretado de 2007 escala 1:100 000, b) Segmentos generados a partir de la imagen SPOT de 2007, c) Interseccion entre el mapa 1:100 000 y la segmentacion, d) Histograma de densidad de segmentos para la categoria bosque de pino-encino primario (banda 4), los valores de densidad menores a 0.02 corresponden a segmentos con una respuesta espectral atipica para dicha categoria, e) Se resaltan en azul los segmentos que exhiben una respuesta atipica para su categoria del mapa y f) Mapa de 2007 escala 1:50 000.

Leyenda: Figura 3. Areas de perdida (rojo) y ganancia forestal (azul) durante el periodo 2004-2007 en el estado de Michoacan. Las areas forestales y no forestales en 2004 estan representadas en verde y gris respectivamente.

Leyenda: Figura 4. Areas de perdida (rojo) y ganancia forestal (azul) durante el periodo 2007-2014 en el estado de Michoacan. Las areas forestales y no forestales en 2007 estan representadas en verde y gris respectivamente.

Leyenda: Figura 5. Areas de perdida (circulos rojos) y ganancia (circulos verdes) forestal por municipio (2004-2007) en hectareas por ano en el estado de Michoacan.

Leyenda: Figura 6. Areas de perdida (circulos rojos) y ganancia (circulos verdes) forestal por municipio (2007-2014) en hectareas por ano en el estado de Michoacan.
Tabla 1. Indices de fiabilidad del mapa de 2007.

            Fiabilidad     Intervalo      Limite     Limite
Categoria   del usuario   de confianza   inferior   superior

Agr r          0.72           0.13         0.59       0.85
Agr t          0.72           0.13         0.59       0.85
Cult P         0.93           0.07         0.86       1.00
  AH           0.95           0.06         0.89       1.00
  Pz           0.93           0.08         0.85       1.00
  B Q          0.65           0.14         0.51       0.79
B Q sec        0.70           0.14         0.56       0.83
  B A          0.86           0.10         0.76       0.96
B A sec        0.56           0.15         0.41       0.71
  B P          0.81           0.12         0.70       0.93
B P sec        0.51           0.15         0.36       0.66
  B M          0.35           0.14         0.21       0.49
B M sec        0.33           0.38         0.00       0.71
  B PQ         0.91           0.09         0.82       0.99
B PQ sec       0.65           0.14         0.51       0.79
  SBC          0.91           0.08         0.82       0.99
SBC sec        1.00           0.00         1.00       1.00
  SMC          0.79           0.12         0.67       0.91
SMC sec        0.64           0.14         0.50       0.79
  Agua         0.88           0.10         0.79       0.98
Manglar        1.00           0.00         1.00       1.00
  PT           0.74           0.13         0.61       0.87
  SVA          0.84           0.11         0.73       0.95

             Fiabilidad      Intervalo      Limite     Limite
Categoria   del productor   de confianza   inferior   superior

Agr r           0.93            0.08         0.84       1.00
Agr t           0.83            0.10         0.72       0.93
Cult P          0.97            0.04         0.93       1.00
  AH            0.86            0.21         0.66       1.00
  Pz            0.68            0.10         0.59       0.78
  B Q           0.76            0.16         0.59       0.92
B Q sec         0.86            0.08         0.78       0.95
  B A           0.78            0.32         0.46       1.00
B A sec         0.07            0.11         0.00       0.18
  B P           0.78            0.14         0.64       0.92
B P sec         0.79            0.22         0.57       1.00
  B M           1.00            0.00         1.00       1.00
B M sec         0.00            0.00         0.00       0.00
  B PQ          0.83            0.08         0.75       0.92
B PQ sec        0.91            0.08         0.82       0.99
  SBC           0.92            0.04         0.87       0.96
SBC sec         0.86            0.09         0.77       0.95
  SMC           0.46            0.17         0.29       0.63
SMC sec         0.88            0.15         0.73       1.00
  Agua          0.83            0.24         0.59       1.00
Manglar         1.00            0.00         1.00       1.00
  PT            0.77            0.32         0.45       1.00
  SVA           0.26            0.37         0.00       0.63

Agr r=Agricultura de riego, Agr t=Agricultura de temporal, Cult
P=Cultivo perenne, AH=Asentamientos humanos, Pz=Pastizal, B=Bosque;
Q=Encino, A=Oyamel, P=Pino, M=mesofilo, PQ=Pino-encino,
sec=Secundario, SBC=Selva baja caducifolia, SMC=Selva mediana
caducifolia, PT=Popal-tular y SVA=Sin vegetacion aparente.

Tabla 2. Superficie de cada tipo de bosque para el estado de
Michoacan.

Comunidad forestal   2004 (ha)   2007 (ha)   2014 (ha)

Bosques templados    1794 700    1 786 243   1775 087
Bosques tropicales   2 114 855    2105246    2 096 208

Tabla 3. Ganancia, perdida y tasa de deforestacion en Michoacan por
tipo de bosque.

                                Periodo 2004-2007

                                                Tasa de
Comunidad forestal   Ganancia     Perdida    deforestacion
                     neta (ha)   neta (ha)     anual (%)

Bosques templados      1 004       8 443         0.16
Bosques tropicales     1 976      11 326         0.18

Total                  2 980      19 769         0.17

                                Periodo 2007-2014

                                                Tasa de
Comunidad forestal   Ganancia     Perdida    deforestacion
                     neta (ha)   neta (ha)     anual (%)

Bosques templados      1 144      11 156         0.09
Bosques tropicales     1 947       9 047         0.06

Total                  3 091      20 203         0.07

Tabla 4. Municipios con mayor perdida y ganancia forestal en el
periodo 2004-2014.

                           Bosques tropicales

Municipio      Ganancia                       Perdida
               neta (ha)      Municipio      neta (ha)

Tanhuato          182          Aquila          2 718
Maravatio         75         Chinicuila        2 137

Chucandiro        34       Lazaro Cardenas     1 403
Zacapu            21           Arteaga         1 204
Copandaro         20          Coalcoman        1 176

Chilchota         18         La Huacana        1 132
Tlalpujahua       17         Apatzingan         932
Jose Sixto        15          Caracuaro         849
  Verduzco
Jacona             9        Tepalcatepec        779
Angamacutiro       6          Aguililla         690

                                   Bosques templados

Municipio                      Ganancia                     Perdida
                 Municipio     neta (ha)     Municipio     neta (ha)

Tanhuato        Puruandiro        23         Coalcoman       2 176
Maravatio         Marcos          20          Uruapan        2 007
                 Castellanos
Chucandiro       Caracuaro        20           Ario          1 091
Zacapu          Coahuayana        17        Tingambato        899
Copandaro         Jacona          14         Salvador         752
                                             Escalante
Chilchota        La Piedad        13          Cotija          740
Tlalpujahua      Angangueo         5          Taretan         723
Jose Sixto        Jimenez          4       Ziracuaretiro      672
  Verduzco
Jacona          Cojumatlan         4         Aguililla        660
Angamacutiro     Huaniqueo         2        Chinicuila        660
COPYRIGHT 2017 Instituto de Ecologia, A.C.
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2017 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Author:Mas, Jean-Francois; Lemoine-Rodriguez, Richard; Gonzalez, Rafael; Lopez-Sanchez, Jairo; Pina-Garduno
Publication:Madera Y Bosques
Date:Jun 22, 2017
Words:6239
Previous Article:Dinamica de fragmentacion en la Sierra Madre Oriental y su impacto sobre la distribucion potencial de la avifauna.
Next Article:Dinamica del uso y cobertura del suelo en las dehesas de Sierra Morena (Parque Natural Sierra Norte de Sevilla, Espana), 1956-2007.

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters