Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTUDIO PARA LA
IDENTIFICACION DE AREAS
DEGRADADAS Y
PROPUESTA DE MONITOREO
1. Introducción .............................................................................................................................................. 4
2. Objetivos ................................................................................................................................................... 6
2.1 Objetivo general ................................................................................................................................. 6
2.1.1 Objetivos específicos .......................................................................................................... 6
3. Área de Estudio ........................................................................................................................................ 7
4. Adquisición de datos y preprocesamiento ................................................................................................ 8
4.1 Indicadores para el análisis de la degradación de la tierra propuestos por UNCCD .......................... 8
4.2 Mapa de Cobertura Terrestre ........................................................................................................... 10
4.3 Datos de observación de la tierra ..................................................................................................... 11
4.3.1 MOD13 ............................................................................................................................. 11
4.3.2 MOD11 ............................................................................................................................. 11
5. Métodos .................................................................................................................................................. 11
5.1 Índices de vegetación ....................................................................................................................... 11
5.2 Series temporales............................................................................................................................. 12
5.3 Procesamiento mediante Google Earth Engine................................................................................ 13
5.4 Tendencias lineales de ST ............................................................................................................... 15
5.5 Técnicas de machine learning y detección de cambio ..................................................................... 17
5.6 Relación entre el NDVI y la Temperatura de Superficie de Suelo .................................................... 17
5.7 Cálculo de pérdida de carbono en suelo del 2000 al 2010 ............................................................... 19
6. Resultados y discusiones ....................................................................................................................... 20
6.1 Cobertura de la tierra 2000-2010 ..................................................................................................... 20
6.1.1 Cambios en la cobertura de la tierra 2000-2010............................................................... 21
6.2 Dinámica de la productividad de la tierra (DPT) ............................................................................... 25
6.2.1 Dinámica de la productividad de la tierra y coberturas de la tierra ................................... 25
6.2.2 Dinámica de la productividad, NDVI y LST ....................................................................... 28
6.3 Tendencias en las reservas de carbono orgánico en el suelo .......................................................... 33
6.3.1 Estimación de los cambios en el COS para las áreas de cambio de la cobertura del 2000
al 2010 35
6.4 Áreas potenciales en degradación ................................................................................................... 35
6.4.1 Áreas degradadas en ecosistemas .................................................................................. 36
7. Conclusiones .......................................................................................................................................... 38
8. Recomendaciones .................................................................................................................................. 39
TABLAS
FIGURAS
Fig. 1. El principio de la histéresis. Al punto A, antes del estrés, la productividad es alta. Como el estrés
se incrementa, la productividad declina al punto B donde el estrés es reducido. Como el estrés esta
reducido, la productividad se incrementa. Un sistema completamente resiliente (curva verde) regresará a
su estado original (A). Un sistema poco resiliente (curva roja) solo regresará hasta el punto C. La
resiliencia del sistema R, está relacionado a la distancia entre A y C: cuanto menos sea el valor, mayor
será la resiliencia. ......................................................................................................................................... 6
Fig. 2. En el panel A se muestra la Serie de Tiempo del índice NDVI. Panel B la componente estacional,
Panel C la componente tendencial y en el Panel D, el ruido o también denominado el resto de la
ecuación. ...................................................................................................................................................... 7
Fig. 3. En el panel A se muestra las precipitaciones para la costa norte de Perú. Panel B, muestra las
precipitaciones medias mensuales para la zona andina central-sur y el panel C muestra la precipitación
para la zona tropical de la Amazonía peruana.............................................................................................. 8
Fig. 4. Se muestra la cobertura de la Tierra con 6 categorías según las directrices del IPCC al año 2000
proporcionados por la Agencia Espacial Europea. ....................................................................................... 9
Fig. 5. Se muestra el mapa de carbono SoildGrids250 al año 2000 elaborado por Hengl et al. (2016). ... 10
Fig. 6. En el panel A se muestra la Serie de Tiempo del índice NDVI. Panel B la componente estacional,
Panel C la componente tendencial y en el Panel D, el ruido o también denominado el resto de la
ecuación. .................................................................................................................................................... 12
Fig. 7. β1 es la pendiente (indicador del proceso degradador). ................................................................ 15
Fig. 8. En el panel A se muestra una serie de tiempo con pendiente negativa, Panel B una pendiente
positiva y Panel C se muestra una serie de tiempo estable, es decir, una pendiente aproximadamente
nula. Los tres tipos de pendientes están rescaldados por un factor multiplicador de 10. ........................... 16
Fig. 9. Simplificado Ts/NDVI adaptado de (Lambin & Ehrlich, 1996). ..................................................... 18
Fig. 10. Cobertura de la tierra al 2000 generado por la agencia espacial europea mediante una
constelación de satélites (NOAA, AVHRR, SPOT-VEGETATION, PROV-V). ............................................ 21
Fig. 11. Cobertura de la tierra al 2010 generado por la agencia espacial europea mediante una
constelación de satélites (NOAA, AVHRR, SPOT-VEGETATION, PROV-V).¡Error! Marcador no
definido.
Fig. 12. Se muestra los cambios de cobertura entre los períodos 2000-2010. Incluye pérdida de bosques,
incremento de la agricultura, incremento de pastizales e incremento de suelos desnudos. ...................... 23
Fig. 13. Se muestra los cambios de cobertura entre los períodos 2000-2010. Panel A: pérdida de
bosques, Panel B: incremento de las tierras de cultivo, Panel C: incremento de arbustos y pastizales. .... 24
Fig. 14. Dinámica de la productividad de la tierra por cobertura. ............................................................... 26
Fig. 15. Se muestra la dinámica de la productividad de la tierra para Perú. Las categorías del análisis
retrospectivo de la productividad muestras niveles de degradación estudiados por Yengoh et al. (2015). 27
Fig. 16. Mapas de pendientes (NDVI y LST) de las regresiones lineales obtenidas de variables biofísicas
durante el rango de tiempo 2000-2013. Las pendientes para el NDVI tienen un factor de multiplicación de
orden de 10. Panel izquierdo muestra las pendientes del NDVI y panel derecho muestra las pendientes
del LST. ...................................................................................................................................................... 28
Fig. 17. Leve incremento de la temperatura superficial (LST) en la banda LST_Day_1km del producto
MOD11A2 del sensor MODIS. .................................................................................................................... 29
Fig. 18. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del
sensor MODIS. ........................................................................................................................................... 29
Fig. 19. Relación de las tendencias entre el NDVI y LST para bosques secos. Tonalidades rojas indican
una alta densidad de puntos, mientras las tonalidades azules indican baja densidad. .............................. 30
Fig. 20. Bosque tropical que pasó a zona de producción de palma aceitera. ............................................ 31
Fig. 21. Degradación por actividad minera en la región de Madre de Dios. Panel A muestra el
comportamiento temporal del NDVI y el panel B muestra la relación entre las tendencias del NDVI y la
LST de los productos MODIS. .................................................................................................................... 31
Fig. 22. Se muestra las tendencias de la productividad de la tierra para las categorías i) bosques – panel
izquierdo superior, ii) arbustos, pastizales y otras áreas – panel derecho superior y iii) tierras de cultivos –
panel izquierdo inferior................................................................................................................................ 32
Fig. 23. Se muestra el carbono el mapa nacional de carbono en suelo proporcionados por Hengl et al.
(2016) a 250m de resolución espacial. Esta información solo se cuenta para el año 2000. ...................... 34
Fig. 24. Se muestra las zonas potenciales en degradación en base a los indicadores de cambio en la
cobertura de la tierra y la dinámica de la productividad de la tierra. ........................................................... 36
1. Introducción
Los esfuerzos mundiales por detener y revertir la degradación de la tierra y por lograr una
degradación neta cero, son requisitos que se necesitan previamente para liberar a millones de
personas de la pobreza, permitir la seguridad alimentaria, salvaguardar las reservas de carbono
y alcanzar los objetivos del milenio y los objetivos de desarrollo sustentable. La tierra se define
como el “conjunto de los constituyentes del suelo, los componentes bióticos dentro y sobre él”,
así como su entorno paisaijístico y sus atributos climáticos (Vlek et al., 2010). La degradación de
la tierra es un concepto que ha sido definido por diversas maneras por investigadores e
instituciones en este campo. Esto podría ser en parte como resultado de la diversidad de
procesos de degradación de la tierra en su tipo, escala, tiempo y extensión; los procesos son
bien conocidos pero no siempre se entienden completamente (Yengoh et al., 2015). La
degradación de la tierra es la pérdida a lo largo plazo de la función y los servicios del
ecosistema, causadas por perturbaciones de las cuales el sistema no puede recuperarse sin
ayuda. La degradación también puede considerarse en términos de componentes específicos de
la tierra afectada. Por ejemplo, la degradación de la vegetación implica la reducción de la
productividad, la disminución de la diversidad de especies y la degeneración del valor nutricional
de las poblaciones de plantas (Yengoh et al., 2015). Estos cambios pueden ser causados por
muchos factores (erosión, contaminación, deforestación y otros). Una vez más, la degradación
de la tierra puede considerarse respecto a sus aspectos físicos, refiriéndose a los cambios en la
composición del suelo, especialmente la pérdida de materia orgánica del suelo y la estructura
como la compactación o la formación de costras. Las actividades locales que contribuyen a la
degradación de la tierra incluyen la minería, las prácticas agrícolas no sostenibles, el
sobrepastoreo, la contaminación de fuentes industriales y no industriales, así como la
modificación del paisaje (Hoeskstra et al., 2005).
Renschler et al. (2010) han argumentado que los recursos ambientales y ecosistémicos podrían
utilizarse como indicadores de la capacidad que tiene sistema ecológico, para poder regresar o
acercarse a los estados previos al choque o previos al evento. La fuerte correlación del
Normalized Difference Vegetation Index (NDVI) con la Net Primary Productivity (NPP) lo
convierte en un indicador útil de la resiliencia de los ecosistemas (Yengoh et al., 2015; Phillips et
al., 2008). Actualmente algunas técnicas de monitoreo de la degradación se centran
principalmente en la evaluación de la reducción de la productividad en relación con el potencial
del sitio, otros programas ven la degradación de la tierra como una disminución en la capacidad
del medio ambiente en satisfacer los bienes y servicios que demandan los usuarios (Kasperson
et al., 1995), permitiendo que la extensión y severidad de la degradación varíe en función de los
diferentes objetivos de gestión (Reed, 2011). El costo oneroso de recolección de los datos de
campo y la necesidad de plantear una metodología consistente que permita monitorear la
pérdida de las funcionalidades de los ecosistemas sugiere la teledetección como una solución
razonable (Reeves & Baggett, 2014). En el contexto del monitoreo de la degradación de la tierra
usando datos de detección remota, se prefiere una definición más precisa de la resiliencia que
puede ser operacionalizada por algo medible (la productividad de la tierra). Un concepto central
en la resiliencia ecológica es la capacidad de un sistema para absorber y recuperarse de la
perturbación o el estrés (Yengoh et al., 2015).
4
Un sistema elástico sujeto a estrés, tal como la sequía, puede reducir su productividad mientras
persista el estrés, pero luego vuelve a su productividad de pretensión (Fig. 1). Desde la década
de los ochenta, se han utilizado extensamente grandes series de datos de NDVI en el estudio de
la degradación de la tierra en el Sahel (Fensholt et al., 2013; Anyamba & Tucker, 2005; Hickler et
al., 2005; Prince et al., 1998), confirmando un patrón general de recuperación de vegetación. Los
índices de vegetación (principalmente el NDVI) obtenida en base a reflectancia del espectro
visible e infrarrojo cercano como el Normalized Difference Vegetation Index (NDVI), o el
Enhanced Vegetation Index (EVI) han demostrado que se correlacionan con la biomasa vegetal,
área foliar y la productividad primaria (Myneni, 1995). Muchos estudios han utilizado índices de
vegetación obtenidos por medio de sensores remotos (LANDSAT, MODIS, AVHRR, Spot-
Vegetation, etc) para monitorear las tendencias de la productividad primaria para la evaluación
en los efectos de la degradación de la tierra (Bastin, 1995; Diouf & Lambin, 2001).
Esfuerzos recientes para estudiar la degradación fueron propuestos por Reeves & Baggett
(2014), Bai (2008), Wessels et al. (2012), Reed (2011), Fensholt et al. (2013), Anyamba &
Turcker (2005), Hickler et al. (2005), Prince et al. (1998) y otros. Estos han utilizado
extensamente largas series de datos de NDVI para el estudio de la degradación de la tierra. El
propósito del NDVI es monitorear la degradación de la tierra en términos de pérdida a largo plazo
de la productividad primaria de los ecosistemas. En esta línea, United Nations Convention to
Combat Desertification (UNCCD) a través del enfoque Land Degradation Neutrality (LDN) o
Neutralidad de la Degradación de la Tierra (NDT), propuso una iniciativa para detener la pérdida
permanente de la tierra saludable. Esta iniciativa plantea el uso de tres indicadores: i) cobertura
de la tierra, ii) dinámica de la productividad de la tierra y iii) stock de carbono en suelo. De estos
tres indicadores, la productividad dinámica de la tierra es de los más importantes por su mayor
aporte (en términos de área) a la detección de la degradación. La dinámica de la productividad
de la tierra propuesto por UNCCD y elaborado por Yengoh et al. (2015) nos proporciona cinco
categorías de clasificación referido a los niveles de degradación (muy declinado, levemente
declinado, estable pero estresado, estable no estresado y en crecimiento). De estas categorías,
las tres primeras permiten cuantificar las áreas degradadas (Yengoh et al., 2015). El concepto de
NDT fue elaborado en base a series históricas de Normalized Difference Vegetation Index
(NDVI) del sensor SPOT-VEGETATION a una resolución de 1.15km y con un rango de análisis
desde 1999 al 2013.
Teniendo en cuenta la necesidad de avanzar hacia la determinación de una línea base nacional
de áreas degradadas, de manera consistente y operativa para los fines y propósitos de reportar
ante la UNCCD, pero más importante aún es, orientar las iniciativas de restauración de los
ecosistemas degradados del país. Por lo tanto, nuestros objetivos fueron: (i) relacionar y analizar
los indicadores propuestos por la NDT complementados con series de tiempo de variables
biofísicas (NDVI y Land Surface Temperature (LST)) para la identificación y la discusión de áreas
potencialmente degradadas a nivel nacional y (ii) proponer un protocolo de monitoreo de áreas
en degradación con el objetivo de mejorar el alcance de la resolución espacial.
5
Productividad
C
B
Perturbación
Fig. 1. El principio de la histéresis. Al punto A, antes del estrés, la productividad es alta. Cuando el estrés
se incrementa, la productividad declina al punto B donde el estrés es reducido. Como el estrés esta
reducido, la productividad se incrementa. Un sistema completamente resiliente (curva verde) regresará a
su estado original (A). Un sistema poco resiliente (curva roja) solo regresará hasta el punto C. La
resiliencia del sistema R, está relacionado a la distancia entre A y C: cuanto menos sea el valor, mayor
será la resiliencia.
2. Objetivos
Identificar las áreas degradadas en los ecosistemas del país a través de la aplicación de una
metodología con soporte técnico-científico basado en el enfoque de NDT, para el desarrollo de
iniciativas de recuperación o restauración y su monitoreo.
2.1.1 Objetivos específicos
6
3. Área de Estudio
El estudio para el Programa Presupuestal 144 fue conducido en todo el territorio nacional
peruano, a excepción de las Áreas Naturales Protegidas y los Bosques de Producción
Permanente1., El área de estudio está definida por cinco Tiles de imágenes MODIS (h009v009,
h010v009, h011v009, h010v010 y h011v010) con un área total aproximado de 88 millones de
hectáreas (Fig. 2). Las precipitaciones varían en intensidad y periodicidad según las
características físicas del territorio y en función a los vientos y circulación general de masas de
aire. Para aspectos demostrativos, se muestran las precipitaciones medias mensuales para las
zonas tropicales, andinas y costeras obtenidas a partir del Tropical Rainfall Monitoring Mission
(TRMM) para los períodos 1998 al 2016 (Fig. 3).
1 Las Áreas Naturales Protegidas (ANP) y los Bosques de Producción Permanente (NPP) están considerados dentro
de los Programas Presupuestales PP 57 y PP 130 respectivamente. Dos programas presupuestales no pueden
tener acción en una misma área, por lo tanto para el PP 144 se excluye las ANP y BPP.
7
Fig. 3. En el panel A se muestra las precipitaciones para la costa norte de Perú. Panel B, muestra las
precipitaciones medias mensuales para la zona
A andina central-sur y el panel C muestra la precipitación
B
para la zona tropical de la Amazonía peruana.
8
Fig. 4. Se muestra la cobertura de la Tierra con 6 categorías según las directrices del IPCC 2010
proporcionados por la Agencia Espacial Europea.
En cuanto al indicador de la cantidad de carbono orgánico de suelo (COS) todavía sigue siendo
un desafío como fuente de información. Sin embargo, hay esfuerzos de la comunidad científica
por poner a disposición estos datos a nivel global que son inputs para tener una línea base de la
degradación de la tierra. En este sentido, Hengl et al. (2016) puso a disposición una línea base
de stock al año 2000 a nivel global denominado SoildGrids250 (Fig. 5). SoildGrids provee
predicciones globales del carbono de suelo de 0-30 cm. Las predicciones fueron basados en 150
000 perfiles de suelo como entrenamiento y una serie de 158 covariables de suelo basados en la
teledetección (e.g. productos primarios de MODIS, Modelos de Elevación del Terreno y sus
derivados, imágenes climáticas, mapas de litología, etc) (Hengl et al., 2016).
9
Fig. 5. Se muestra el mapa de carbono SoildGrids250 al año 2000 elaborado por Hengl et al. (2016).
10
4.3 Datos de NDVI y LST provenientes de satélites de observación de la tierra
Para la discusión de resultados y una mejor interpretación de los mismos, fue pertinente el uso
de variables biofísicas como el NDVI y LST en la medida que ambas variables brindan relación
sobre la evapotranspiración y fueron estudiados por Carlson et al. (1994), Gillies et al. (1997),
Lambin et al. (1996), Moran et al. (1994); Nemani et al. (1993), Smith et al. (1991), entre otros,
proporcionando una suficiente base de evidencia científica de la utilidad de estas variables.
4.3.1 MOD13
El análisis de las tendencias y estimación de la productividad de la vegetación, biomasa y
secuestro de carbono sobre extensas áreas, requiere adquisiciones de series de tiempo de datos
de observación de la tierra de sensores con alta resolución temporal y que tenga una cobertura
ancha (Li et al., 2013). El sensor MODIS es el instrumento más avanzado que provee cobertura
global cada uno a dos días haciendo posibles largas series de tiempo de alta resolución
temporal. El producto que usamos en este estudio fue MODIS Terra de 16 días. Son
composiciones de 250m de NDVI (MOD13Q1) adquirido de Land Processes Distributed Active
Archive Center (LP DAAC).
El producto MOD13 (Sensor MODIS) presenta dos índices de vegetación (IV): El índice de
vegetación de diferencia normalizada (NDVI), el índice de vegetación mejorado (EVI) y el análisis
de calidad (QA) con datos estadísticos que indican la calidad en la reflectancia de entrada del
producto IV. Se producen actualmente en intervalos de 16 días a 500m y 1km de resolución, y a
250m de resolución espacial.
Los IVs se emiten en unidades de azulejos o también denominados Tiles, que son
aproximadamente 1200 por 1200 km en la proyección sinusoidal. El producto IV se basa en los
productos diarios de reflectancia de la superficie de nivel 2 (MOD09) que se corrigen la
dispersión molecular, la absorción de la capa de ozono y los aerosoles (Vermote et al., 2002). El
algoritmo para generar el producto IV opera sobre múltiples observaciones durante un período
de 16 días.
4.3.2 MOD11
Los productos MOD11 brindan estimaciones de la temperatura y de la emisividad diurna y
nocturna de las coberturas terrestres. La temperatura se mide en grados Kelvin al contacto entre
la cobertura y la atmósfera. La emisividad, es un número adimensional igual al cociente entre la
radiación emitida por un objeto y un cuerpo negro a la misma temperatura.
5. Métodos
11
diferencia con el espectro rojo (RED, (0.620–0.670μm)) (Schultz et al., 2016). Los valores altos
de NDVI se refieren a plantas sanas, mientras que los valores bajos de NDVI se refieren a
ausencia o baja cantidad de vegetación. El NDVI queda definido como:
NIR−RED
NDVI = NIR+RED (1)
Las series de tiempo (ST) en su definición más simplista, es una secuencia cronológica de
observaciones equiespaciadas de una variable en particular (i.e., una sucesión {Xt } para t =
⋯ , −3, −2, −1, 0, 1, 2, 3, ordenadas en el tiempo). Las series temporales en función al
objetivo de análisis, se descompone en: i) tendencia, ii) estacionalidad y iii) el efecto aleatorio
(Fig. 6).
Fig. 6. En el panel A se muestra la Serie de Tiempo del índice NDVI. Panel B la componente estacional,
Panel C la componente tendencial y en el Panel D, el ruido o también denominado el resto de la
ecuación.
12
Los sensores remotos pueden ser útiles en la evaluación de los impactos de las actividades
humanas sobre la superficie terrestre. Los sensores de mediana resolución proporcionan series
de tiempo de imágenes de información de la superficie, aunque la limitada resolución espacial de
estas series de tiempo restringen la gama de cambios que se puede detectar (Coppin, 2004), sin
embargo su alta resolución temporal ofrece la oportunidad de describir la evolución de la
superficie de la tierra. Para los análisis de series de tiempo hay muchas técnicas como la
diferenciación de imagen (Ingram, 2005), cambios vectoriales multitemporales (Bayarjrgal et al.,
2006), los modelos de regresión (Frase et al., 2005), el análisis de componentes principales
(Singh et al., 1985), redes neuronales, wavelets (Woodcock et al., 2001), transformadas de
Fourier (Azzali et al., 2000), entre otros. Todas estas técnicas actualmente son muy usados para
detectar cambios o breakpoints en las series de tiempo (e.g., se usó el método BFAST para
descomponer la serie de tiempo y detectar breakpoints).
Los códigos usados para el procesamiento y obtención de las pendientes de las regresiones
lineales de los índices de vegetación se muestran en el Anexo 1.
13
Tabla 1. Datasets frecuentemente usados en el catálogo de datos de Earth Engine
14
5.4 Tendencias lineales de ST
Las pendientes de una regresión lineal nos da la inclinación de un conjunto de puntos que están
correlacionados (Eq. 1). La pendiente desde el punto de vista matemático puede ser positiva o
negativa. El análisis de la pendiente de una regresión lineal es muy usada para estudios de
monitoreo de la dinámica de los cambios en la cobertura vegetal de la tierra (Fig. 7). La lógica es
simple, una tendencia decreciente paulatina (Fig. 8A) (e.g., de una variable biofísica) indica una
pendiente lineal negativa. Por otro lado, una tendencia positiva creciente paulatina o abrupta,
indica un incremento en la actividad fotosintética (Fig. 8B), mientras que una tendencia horizontal
con una pendiente casi nula indica la estabilidad del ecosistema (Fig 8C). Las series con
pendientes nulas (𝛽 = 0) son series teóricas, es decir, en realidad las series estable oscilarán
entre +/- 0.
𝑌 = 𝛽0 + 𝛽1 𝑋 (1)
Y: La función de degradación
X: Año
𝛽0 : Intercepto
𝛽1 : Parámetro o influencia asociada a la variable independiente (pendiente)
Armónico
Pendiente la
regresión lineal
(𝜷𝟏 )
Amplitud
Enero 1
Constante
(DOY=0)
15
A
Outlier
Fig. 8. En el panel A se muestra una serie de tiempo con pendiente negativa, Panel B una pendiente
positiva y Panel C se muestra una serie de tiempo estable, es decir, una pendiente aproximadamente
nula. Los tres tipos de pendientes están rescaldados por un factor multiplicador de 10.
16
5.5 Técnicas de machine learning y detección de cambios
En términos generales, la detección de cambios en la cobertura de la tierra está relacionada
cuando la cobertura de un lugar determinado ha experimentado un cambio de un tipo a otro,
estos cambios contribuyen al cambio climático y el desequilibrio ecológico y hacen que la
capacidad de la Tierra como apoyo a las necesidades humanas sean cada vez menos. Por lo
tanto la ubicación de los cambios en la superficie de la tierra y la cuantificación de su tiempo y
magnitud, así como la evaluación de sus efectos sobre los ecosistemas son difíciles (Lambin,
2006). Los cambios pueden consistir en las transformaciones de la superficie de la tierra (los
cambios en las coberturas de la tierra) o de las conversiones y pueden estar relacionados con
las dinámicas naturales o por las actividades humanas. Además puede presentarse cambios
abruptos o graduales (Coppin, 2004).
Hay muchos métodos diferentes para detectar los cambios en las coberturas de la tierra que
fueron desarrollados sobre muchas décadas aplicados a la teledetección (Coppin et al., 2004;
Hussian et al., 2013; Lu et al., 2004; Radke et al., 2005; Warner et al., 2009), sin embargo, los
métodos más amplios y más usados son las detecciones en base a píxeles y objetos (Chen et
al., 2012; Hussian et al., 2013). Se propone una taxonomía de las unidades de detección de
cambio (Tabla 2.)
Tabla 2. Una revisión breve de las unidades de análisis comúnmente usados en la teledetección para
estudios de detección de cambios.
Tipo Descripción
Píxel Píxeles individuales de imágenes son comparados
Kernel Grupo de píxeles son comparados dentro de un
kernel o una ventana móvil
Superposición de objeto de imagen Objetos de imágenes son generados por la
segmentación de una de las imágenes de las
series de tiempo
Por otro lado, el potencial de obtener información sobre el estado de la energía y el agua de una
superficie o para la clasificación de la cubierta vegetal a través de la relación entre la
17
temperatura de superficie (Ts) y el índice de vegetación (por ejemplo, el índice de diferencia
normalizada NDVI) ha sido investigado por varios autores (Carlson et al., 1994; Gillies et al.,
1997; Lambin et al., 1996; Moran et al., 1994; Nemani et al., 1993; Smith et al., 1991). La
información complementaria en la banda térmica y las longitudes de onda del infrarrojo visible ha
demostrado ser muy adecuado para el seguimiento de estado de la vegetación y el estrés,
específicamente el estrés hídrico. El índice de vegetación es un indicador más bien conservador
de estrés hídrico, ya que la vegetación se mantiene verde después de la tensión inicial del agua.
En contraste, la temperatura de la superficie puede aumentar rápidamente con el estrés de agua.
Una variedad de tipos de vegetación y las cosechas se han estudiado bajo una variedad de
condiciones climáticas, la gama de escalas estudiadas van desde metros a lo global (Ingram,
2005). Por tanto, puede que no sea de extrañar que las interpretaciones difieran ampliamente. El
enfoque descrito por Moran, M. S., Clarke, T., Inoue, et al. (1994) representa superficies
parcialmente con vegetación.
𝐓𝐬
No Transpiración
No Evaporación
Suelo
desnudo
Cobertura
parcial
Cubierta
completa
Max. Transpiración
Borde Húmedo
Max. Evaporación
NDVI
18
5.7 Cálculo de pérdida de carbono en suelo del 2000 al 2010
Las estimaciones de los cambios de COS fueron generados aplicando ecuaciones, valores de
referencia predeterminados (𝑆𝑂𝐶𝑟𝑒𝑓 ) y factores de cambio (𝐹𝐿𝑈 , 𝐹𝐼 , 𝐹𝑀𝐺 ) obtenidos de las
directrices del IPCC (2006) volumen 4, el cual brinda orientación para la preparación de los
inventarios anuales de gases de efecto invernadero en el sector de agricultura, silvicultura y otros
usos de la tierra.
𝑆𝑂𝐶0 −𝑆𝑂𝐶0−𝑇
∆𝐶𝑚𝑖𝑛𝑒𝑟𝑎𝑙𝑒𝑠 = (3)
𝐷
Donde,
∆𝐶𝑚𝑖𝑛𝑒𝑟𝑎𝑙𝑒𝑠 = cambio anual en las existencias de carbono de los suelos minerales en ton C
AÑO-1.
D = dependencia temporal de los factores de cambio de existencias, que es el lapso por defecto
para la estimación entre los valores de equilibrio del SOC, año. Habitualmente son 20 años, sin
embargo depende de las hipótesis que se apliquen en el cálculo de los factores FLU, FMG y FI.
Si T es mayor que D, úsese el valor de T para obtener la tasa anual de cambio durante el tiempo
de inventario (0 – T años).
c= representa las zonas climáticas, s los tipos de suelo e i el conjunto de sistemas de gestión
que se dan a un país dado.
FLU = factor de cambio de existencias para sistemas de uso de la tierra o subsistemas de un uso
de la tierra en particular (sin unidades)
A = superficie de tierra del estrato que se estima (ha). Toda la tierra del estrato debe tener
condiciones biofísicas (es decir, clima y el tipo de suelo) y una historia de gestión durante el
período de inventario en común para que se le pueda considerar en su conjunto con fines
analíticos.
19
6. Resultados y discusiones
Se presenta los resultados y discusión de los resultados de los indicadores a escala regional
para la identificación de tierras en degradación a nivel nacional para la población objetivo, es
decir en 87 millones de hectáreas que comprende el Programa Presupuestal 144 “Conservación
y uso sostenible de ecosistemas para la provisión de servicios ecosistémicos”.
Tabla 3. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000.
Por otro lado, los Bosques para el mapa de cobertura de la tierra para el año 2010 ocupan el
50.83%, mientras que la segunda categoría con mayor extensión siguen siendo los Arbustos,
pastizales y áreas de escasa vegetación con el 32.19%. Las tierras de cultivo para el año 2010
ocupó alrededor del 3.98% , mientras que las áreas artificiales ocuparon el 0.22% . Los
humedales y cuerpos de agua categorizados como una sola categoría, y los suelos desnudos y
otras áreas ocuparon el 0.30% y 11.83% respectivamente (Tabla 4).
Tabla 4. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000.
20
A B
Fig. 10. Cobertura de la tierra al 2000 (panel A) y 2010 (panel B) generado por la agencia espacial
europea mediante una constelación de satélites (NOAA, AVHRR, SPOT-VEGETATION, PROV-V).
2
Terra-i Perú, es una herramienta diseñada para la detección de los cambios de la cobertura y uso del territorio,
capaz de brindar alertas tempranas sobre el aumento y disminución de la cobertura de la tierra en el Perú a 250m
de resolución espacial en base al producto MOD13Q1. Esta herramienta, es producto del Convenio de Cooperación
Interinstitucional suscrito entre el Ministerio del Ambiente del Perú – MINAM y el Centro Internacional de Agricultura
Tropical – CIAT de Colombia; instituciones que se han unido con el objetivo de aunar esfuerzos para generar
propuestas y acciones orientadas al desarrollo estratégico de los recursos naturales y a la gestión ambiental del
país.
21
coberturas del territorio nacional. El enfoque NDT tiene como inputs a 1.15𝑘𝑚, Terra-i genera
cambios a 250𝑚.
Tabla 5. Porcentaje de cambio en la cobertura de la tierra entre los años 2000 y 2010.
Por otro lado, los cambios en los bosques tropicales del Programa Nacional de Conservación de
Bosques (PNCB) (Fig. 11C) del Ministerio del Ambiente desde el 2001 al 2010 fue de
8015.80 𝐾𝑚2 . Estos cambios superan en 4970 𝐾𝑚2 a las detecciones de Terra-i. Las
detecciones de PNCB fueron solo para los bosques tropicales, lo cual este número podría ser
mayor si consideramos todos los cambios que pudieron haber ocurrido en todo el territorio
nacional entre el 2000-2010. Tanto PNCB como Terra-i detectaron mayores cambios en la
cobertura de la tierra debido a que sus procesos de detección usan imágenes de mayor
resolución espacial (250m para Terra-i y 30m para PNCB).
22
Fig. 11. En el panel A se muestra los cambios en la cobertura desde el 2004-2010 detectados por Terra-i,
panel B muestra los cambios de cobertura entre los períodos 2000-2010 para el enfoque NDT, mientras
que el panel C muestra los cambios durante los periodos 2001-2010 por el PNCB.
23
La pérdida de bosques del 2000 al 2010, pasaron a ser i) arbustos, pastizales y áreas de escasa
vegetación, ii) tierras de cultivos y iii) suelos desnudos y otras áreas (Fig. 12). Para la ganancia
de arbustos y pastizales y áreas de escasa vegetación entre el 2000-2010, estos provinieron de
bosques. Mientras que para la ganancia de tierras de cultivo, estas provinieron de la categoría
bosques también (Fig. 12). Por último, el 0.0001% de bosques pasó a suelos desnudos y otras
áreas (Tabla 5).
Fig. 12. Se muestra los cambios de cobertura entre los períodos 2000-2010. Panel A: pérdida de
bosques, Panel B: incremento de arbustos y pastizales, Panel C incremento de las tierras de cultivo.
24
6.2 Dinámica de la productividad de la tierra (DPT)
La dinámica de la productividad de la tierra, obtenido a partir de imágenes de Normalized
Difference Vegetation Index (NDVI) del sensor Spot-Vegetation con una resolución temporal de
10 días, proporciona la tendencia de la biomasa de la cobertura vegetal durante 10 años (2000-
2010) para Perú (Fig. 14). Las estadísticas sobre las tendencias que abarca cada categoría de la
DPT muestran que el 5.68% del territorio nacional presenta una tendencia “declinado o en
deterioro”, lo cual es un indicador de la pérdida de la biomasa para el período de análisis, y por
ende, un estado de degradación. La categoría “señal temprano de declive” abarcó solo el
2.37% , mientras que la categoría “estable pero estresado” representa un 5.82% a nivel
nacional. Por otro lado, la mayor extensión con un 71.11% fue “estable no estresado” y el
“incremento de la productividad” entre el 2000-2010 fue de 5.50% (Tabla 6). Las tres primeras
categorías que suman en total 13.87. %, conducen a un estado de deterioro de la PDT, lo cual
implica indirectamente una señal de degradación de la tierra.
El área total de los humedales propiamente definidos fue de 1537.13 𝐾𝑚2 . La mayor
tendencia en Declinación o deterioro se dieron en “arbustos, pastizales y áreas de escasa
vegetación” con 24486.9 𝑘𝑚2 , mientras que la mayor extensión para la tendencia “señal
temprano en declive” se dio para los bosques (Tabla 7). Las zonas de bosque seco están dentro
de las denominadas “tierras secas”, que según el índice de aridez están clasificadas en i)
hiperáridas, ii) áridas, iii) semiáridas y iv) sub húmedas secas. Estas áreas son las más
susceptibles a la degradación por sus características esporádicas de precipitación. Por otro lado,
para la tendencia “estable pero estresado” y “estable pero no estresado” se dieron con mayor
proporción en la categoría de bosque. La tendencia del “incremento en la productividad” también
se dio para la categoría bosques (Tabla 7). Existe una mayor proporción en términos de áreas
25
cuya dinámica de la productividad de la tierra se encuentra entre “Estable no estresado” y
“Productividad en Aumento” a nivel de la población objetivo (Fig. 13). Sin embargo, aunque en
menor proporción, existe una tendencia en la reducción de la productividad de la tierra para las
categorías de bosques, arbustos pastizales y áreas de escasa vegetación, que podría ser una
consecuencia de la degradación que tienen estas coberturas debido a factores antrópicos
principalmente, aunque factores naturales sin duda también son parte de la ecuación (Fig. 13).
Señal Incremento de
Clase Categorías Declinado temprano de Estable pero Estable no la
declive estresado estresado productividad
(km2)
1 Bosque 15421.9 11127.9 22621.5 365761.8 27073.5
Por otro lado, la Fig. 13 nos da una idea que porcentaje de cada categoría tiene productividad
declinada, señal temprana de declive, estable pero estresada y estable no estresada.
Área artificial
Humedales
Tierras de cultivo
Bosque
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
1-Declinado 2-Señal temprano de declive 3-Estable pero estresado
4-Estable no estresado 5-Incremento de la productividad
26
Fig. 14. Se muestra la dinámica de la productividad de la tierra para Perú. Las categorías del análisis
retrospectivo de la productividad muestras niveles de degradación estudiados por Yengoh et al. (2015).
27
6.2.2 Dinámica de la productividad (LDP), NDVI y LST
La dinámica de la productividad de la tierra nos dio las áreas en posible degradación,
específicamente las categorías que nos dieron esa representatividad fueron: la clase declinada,
ligeramente declinada y estable pero estresada. Sin embargo, los indicadores globales solo nos
proporcionan el área, más no la dinámica temporal que ocurrió en dicho período. Bajo este
criterio y con la finalidad de discutir con rigurosidad técnico científico los datos de LDP, fue
necesario procesar las mismas áreas con variables biofísicas y climáticas, es decir, usando el
NDVI y LST obtenidos del producto MODIS a 250m y 1000km de resolución espacial
respectivamente.
LDP fue analizado entre los períodos 1999-2013, este mismo período fue tomado en
consideración para procesar series históricas de NDVI y LST. Las pendientes de las regresiones
lineales se muestran en las Fig. 15.
Fig. 15. Mapas de pendientes (NDVI y LST) de las regresiones lineales obtenidas de variables biofísicas
durante el rango de tiempo 2000-2013. Las pendientes para el NDVI tienen un factor de multiplicación de
orden de 10. Panel izquierdo muestra las pendientes del NDVI y panel derecho muestra las pendientes
del LST.
28
Del mapa de tendencias del NDVI, se identificó tres tipos de degradación. Primero, una caída
gradual del NDVI al norte de la región de Piura, que en términos generales muestra un estrés
hídrico en la vegetación, especialmente en los bosques secos. El comportamiento de la
temperatura superficial muestra un leve incremento en la tendencia originado por la liberación de
calor latente por medio de la evaporación (Fig. 16). Este incremento en la temperatura implica
menos humedad en el suelo que conducirá a una disminución en el verdor de la vegetación
captada en los índices de vegetación (Fig. 17). Las condiciones de humedad del suelo y la
evapotranspiración entre el NDVI y LST queda representado por un gráfico de dispersión 1:1
mostrado en la Fig. 18. Segundo, las zonas agrícolas que sufrieron pérdida de suelo por la
salinización, también muestran una caída leve pero paulatina en los índices de vegetación (Fig.
19). Gran parte de los valles agrícolas de la costa de Perú tienen problemas de salinización
debido a la topografía y el mal manejo de riego no tecnificado. Tercero, los bosques
deforestados para convertirlas en zon-
(°K)
Tiempo
Fig. 16. Leve incremento de la temperatura superficial (LST) en la banda LST_Day_1km del producto
MOD11A2 del sensor MODIS.
Fig. 17. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del
sensor MODIS.
29
Fig. 18. Relación de las tendencias entre el NDVI y LST para bosques secos. Tonalidades rojas indican
una alta densidad de puntos, mientras las tonalidades azules indican baja densidad.
nas agrícolas de producción (e.g., palma aceitera) también se encuentran en degradación, así lo
demuestra la serie de tiempo del índice NDVI (Fig. 20). En esta serie notamos dos rupturas o
“breakpoint” entre el período 2000-2013. El cambio en el bosque se produjo a finales del 2010
mermando el valor del índice NDVI a inicios del 2011.Por otro lado, las zonas degradadas por la
minería ilegal en la región de Madre de Dios son fácilmente detectadas por los cambios abruptos
que estos presentan en las series NDVI (Fig. 21). Estas zonas degradadas, inicialmente eran
bosques primarios antes de la perturbación antrópica, luego de la intervención se inicia un
proceso rápido de pérdida de cobertura boscosa a finales del 2003.
Fig. 19. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del
sensor MODIS.
30
Fig. 20. Bosque tropical que pasó a zona de producción de palma aceitera.
Sin embargo, la actividad minera se incrementa para finales del año 2005 acrecentando una
caída en el valor del índice y por consiguiente esto significó una pérdida de la cobertura vegetal.
De la misma manera que ocurre en los casos anteriores, Las condiciones de humedad del suelo
y la evapotranspiración entre el NDVI y LST queda representado por un gráfico de dispersión 1:1
mostrado en la Fig. 21 – Panel B.
A B
Fig. 21. Degradación por actividad minera en la región de Madre de Dios. Panel A muestra el
comportamiento temporal del NDVI y el panel B muestra la relación entre las tendencias del NDVI y la
LST de los productos MODIS.
31
Fig. 22. Se muestra las tendencias de la
productividad de la tierra para las categorías i)
bosques – panel izquierdo superior, ii) arbustos,
pastizales y otras áreas – panel derecho superior
y iii) tierras de cultivos – panel izquierdo inferior.
32
6.3 Tendencias en las reservas de carbono orgánico en el suelo
Perú no dispone de información de tendencias de SOC a nivel nacional espacialmente bien
distribuidas. Sin embargo, los conjuntos de datos globales que puso a disposición el programa
UNCCD fueron utilizados para el estudio de una línea base de las áreas degradadas, puesto que
las estimaciones de SOC de dicha fuente son adecuadas con la definición de las metas NDT, lo
cual corresponde a nivel 13 (Fig. 23).
Tabla 8. Resumen estadístico del carbono del año 2000 por tipo de cobertura.
Código Categorías SOC min SOC max SOC media SOC desv.stan
(Tn/ha) (Tn/ha) (Tn/ha) (Tn/ha)
1 Bosque 8.0 261.0 79.78 33.86
2 Arbustos, pastizales y áreas de escasa vegetación 1.0 248.0 74.41 31.62
3 Tierras de cultivo 4.0 227.0 83.40 31.52
4 Humedales y Cuerpos de agua 1.0 237.0 74.57 29.41
5 Área artificial 1.0 187.0 40.66 23.85
6 Suelos desnudos y otras áreas 1.0 189.0 29.49 25.35
La Tabla 8 muestra las estadísticas del mapa de carbono extraídas de SoildGrid250 del año
2000 por cada tipo de cobertura de la tierra. Las reservas de carbono de los bosques tiene un
valor máximo de 261 y una media de 79.78 tn/ha, mientras que los arbustos, pastizales y las
tierras de cultivo presentan una media de 74.41 y 83.40 tn/ha. Como era de esperarse, las tierras
de cultivo presentan los valores más altos de carbono almacenado con 83.40 como media,
mientras que los bosques 79.78 tn/ha. Esto se debe al manejo y la dinámica productiva
característicos de estos tipos de cobertura. Las áreas agrícolas presentan gran cantidad de
materia orgánica en el suelo, lo cual es un indicador clave de la calidad del suelo, tanto en sus
funciones agrícolas como en sus funciones ambientales entre ellas la captura de carbono y
calidad del aire. Mientras que los bosques, pastizales la cantidad de materia orgánica es menor,
afectando la cantidad de carbono en suelo que pueda existir.
3 Los métodos del Nivel 1 están diseñados para que resulten los más simples de usar, para lo cual se suministran
las ecuaciones y los valores de los parámetros de cambio por defecto. En este nivel, a menudo se dispone
mundialmente de fuentes de estimaciones de datos de la actividad (e.g. tasas de deforestación, mapas de cobertura
de la tierra a nivel global, uso de fertilizantes, datos sobe la población ganadera, etc.) aunque, en general, estos
datos son poco preciso a nivel de espacio. En el Nivel 2 se emplea el mismo abordaje metodológico que en el Nivel
1, pero se aplican factores de emisión y de cambio en las existencias que se basan en datos específicos del país o
de la región a lo referido a las categorías más importantes de uso de la tierra o de ganado. Los factores de emisión
definidos por país son más apropiados para las regiones climáticas, los sistemas de uso de la tierra y las categorías
de ganado del país de que se trata. El Nivel 3, se utilizan métodos de orden superior, incluidos modelos y sistemas
de medición de inventario, hechos a medida para satisfacer las circunstancias nacionales que se repiten con el
tiempo, basados en datos de la actividad de alta resolución y desagregados a nivel sub-nacional. Estos métodos de
orden superior ofrecen estimaciones de mayor certeza que los niveles más bajos.
33
Fig. 23. Se muestra el carbono el mapa nacional de carbono en suelo proporcionados por Hengl et al.
(2016) a 250m de resolución espacial. Esta información solo se cuenta para el año 2000.
6.3.1 Categorías y áreas del cambio en la cobertura de la tierra del 2000 al 2010
Las categorías de cambio del 2000 al 2010 se dio de bosque a tres usos de suelo: i) arbustos,
pastizales y áreas de vegetación escasa, ii) tierras de cultivos y iii) terrenos desnudos y otras
áreas.
El mayor porcentaje de cambio del total del área de bosques fue al uso del suelo por arbustos,
pastizales y áreas de vegetación escasa con un 70.37% tierras de cultivo con 29.38% y otras
áreas con 0.25% (Tabla 9).
34
6.3.2 Estimación de los cambios en el COS para las áreas de cambio de la cobertura del
2000 al 2010
El mayor porcentaje en el cambio del COS del 2000 al 2010 está dado por el uso del suelo de
bosque a arbustos, pastizales y áreas de vegetación escasa con un 82.06%, le sigue las tierras
de cultivo con un 17.94% y finalmente terrenos desnudos y otras áreas con un 0.0%. Por lo
tanto, la mayor pérdida del COS se da por el cambio del uso de bosques a arbustos, pastizales y
áreas de vegetación escasa (Tabla 10).
Tabla 10. Pérdida anual y total del SOC por cambio de uso del suelo del 2000 al 2010 para la población
objetiva del PP 144.
35
Fig. 24. Se muestra las zonas potenciales en degradación en base a los indicadores de cambio en la
cobertura de la tierra y la dinámica de la productividad de la tierra.
36
Tabla 11. Degradación por tipo de cobertura vegetal
37
7. Conclusiones
Este estudio permitió utilizar y comprobar la consistencia del enfoque NDT en la detección de
tierras potenciales en degradación4 usando tres indicadores medibles como: i) la cobertura de la
tierra, ii) la productividad dinámica de la tierra y iii) el carbono en suelo. Respecto al primer
indicador, este permitió identificar 377.95𝐾𝑚2 de áreas potenciales en degradación debido al
cambio en el uso de la tierra entre los períodos 2000 y 2010, sin embargo, los cambios
detectados por este enfoque fueron solo el 12.4% respecto a los cambios detectados por Terra-i,
mientras que solo el 4.7% respecto a los cambios detectados por PNCB. La resolución espacial
de 250m y 30m de Terra-i y PNCB respectivamente jugó un papel importante en la precisión de
la cuantificación de los cambios en las coberturas. No así, el enfoque NDT tiene imágenes con
inputs a 1.15km, lo cual implica detectar menos áreas de cambio. De otro lado, los tipos de
cambios obtenidos con el primer indicador permitieron obtener las pérdidas de carbono que
fueron calculados con el tercer indicador mediante las directrices del IPCC.
El segundo indicador relacionado al uso de series históricas del índice NDVI utilizado
implícitamente como la productividad primaria neta debido a la alta correlación con el NPP,
permitió detectar el 99% del total de áreas potenciales en degradación. Principalmente, las
categorías de este indicador que permitieron identificar la degradación fueron: i) muy inclinado, ii)
levemente inclinado y iii) estable pero estresado. Por tanto, la resiliencia de un ecosistema,
entendida como la capacidad de este de regresar a su punto inicial luego de ser afectado por
una perturbación, pudo ser operacionalizada a través del uso de variables biofísicas como el
NDVI. Sin embargo, es importante señalar que las tendencias lineales de la productividad
dinámica de la tierra son influenciadas por el inicio del período de análisis. Si este inicio coincide
con el fin o inicio de un periodo de variabilidad climática, entonces la tendencia no será
representativa. De la misma manera, la componente estacional presente en las series de tiempo
puede ser confundida con un proceso degradador. Por lo tanto, se recomienda usar los Máximos
Compuestos Anuales5para calcular las tendencias lineales de manera que se minimice el efecto
estacional en las series de NDVI.
Por otro lado, el gran potencial de adquirir información sobre el estado de la energía y el agua de
una superficie a través de la información complementaria en la banda térmica y las longitudes de
onda del infrarrojo visible ha demostrado ser muy adecuado para el monitoreo del estado de la
vegetación y el estrés, específicamente el estrés hídrico. Esta relación entre el NDVI y LST
permitió discutir el comportamiento de las tendencias negativas graduales del índice NDVI al
norte de Perú, sobre todo en los bosques secos donde la productividad presenta una caída leve
pero constante y donde las características físicas y climáticas se ajustan al comportamiento entre
el NDVI y LST.
4
Entiéndase como zonas potenciales en degradación a aquellas zonas que siendo identificadas como áreas
degradadas bajo indicadores y criterios técnicos científicos, presentan todavía una incertidumbre. Estas zonas
potenciales en degradación podrían ser consideradas áreas degradadas si se realizara una categorización y
caracterización, lo cual implica un riguroso trabajo de campo.
5 La disponibilidad de algoritmos complejos que detecten perturbaciones en las series temporales que trabajen con
las componentes de las series temporales son muchos. Sin embargo, eliminar la componente estacional
maximizaría la posibilidad de detectar con mayor precisión el comportamiento de las perturbaciones que dan origen
a la degradación de la tierra. Estos son representan el máximo verdor anual de un índice de vegetación (e.g. para el
sensor MODIS tendríamos un máximo anual de un total de 26 datos anuales de índices de vegetación)
38
Respecto al tercer indicador (i.e., el carbono en suelo) que está relacionado directamente con la
cobertura de la tierra, la mayor pérdida fue para el cambio en la cobertura de bosques a arbustos
pastizales y áreas de vegetación escasa con un 81.38%, a tierras de cultivo un 18.25% y a otras
áreas con un 0.37%. La pérdida total de COS por el cambio en la cobertura del 2000 al 2010 fue
de -224, 387.97 tn, siendo anualmente -22, 438.80 tn. Sin embargo, no es imprescindible contar
con este indicador debido a que no suma áreas degradadas al total detectado, pero sí permitió
caracterizar de algún modo el nivel de degradación en función a la pérdida de carbono para los
cambios en la cobertura.
Los tres indicadores usados para la identificación de las tierras degradadas a nivel nacional, así
como las ecuaciones y factores recomendados por el IPCC son de un nivel 1 (i.e., escala
regional) y que permitió identificar las tierras degradadas como línea base a nivel nacional.
Finalmente, es necesario mencionar que la teledetección por satélite sigue siendo el único medio
asequible y no oneroso para el seguimiento de la dinámica de la cobertura a diferentes escalas,
por ello el análisis tendencial resulta hasta ahora un enfoque accesible y oportuno para el
monitoreo de la degradación a escala regional o global.
8. Recomendaciones
Primero, el programa UNCCD puso a disposición indicadores globales para el monitoreo de la
degradación con la finalidad de tener una línea base del estado de degradación de cada país.
Sin embargo, se recomienda el uso de información más fina en lo posible que ayude a evitar la
omisión en la detección de la degradación. En esta línea, se dispone de información de series
históricas de NDVI a una resolución espacial de 250m lo que permitiría aterrizar las detecciones
a nivel más detallado en cuanto a la productividad dinámica de la tierra o productividad primaria
de la vegetación, asimismo se dispone de un mapa nacional de cobertura vegetal al 2011 que
debería usarse como el segundo indicador (cobertura de la tierra), sin embargo, es necesario
contar con dos mapas de este tipo en tiempos distintos.
Segundo, se recomienda también calcular las pendientes de las regresiones lineales de las
series históricas de índices NDVI del producto MOD13Q1 del sensor MODIS), usando la
plataforma Google Earth Engine, siendo estas series de variables biofísicas, siendo este un
indicador que juega un rol importante en el monitoreo de la degradación. En esta misma línea, se
recomienda también tener en consideración, el cálculo de las pendientes de las regresiones
lineales usando los índices NDVI proporcionados por Terra-i debido a que estas presentan un
nivel de limpieza y suavizado más óptimo a diferencia de los índices usados en la plataforma de
Google Earth Engine.
39
Finalmente, para efectos de la categorización de la degradación, se recomienda calcular las
pendientes seguido de su nivel de confiabilidad, ya que estudios recientes muestran que la
confiabilidad de las pendientes de las regresiones lineales permite establecer niveles de
categorización bajo un criterio técnico científico.
Agradecimientos
Anexo 1
Se muestra los códigos utilizados para calcular las pendientes de las regresiones lineales en
Google Earth Engine a partir de series históricas de NDVI-MODIS.
40
Bibliografía
Anyamba, A., & Tucker, C. J. (2005). Analysis of Sahelian vegetation dynamics using NOAA-
AVHRR NDVI data from 1981–2003. Journal of Arid Environments, 63, 596–614.
Bai, Z. D. (2008). Proxy global assessment ofland degradation. Soil Use and Management(24),
223-234.
Bastin, G. N. (1995). Utility of AVHRR data for land degradation assessment:A case study.
International Journal of Remote Sensing, 16, 651-672.
Boegh, E., Soegaard, H., Hanan, N., Kabat, P., & Lesch, L. (1998). A remote sensing study of the
NDVI–Ts relationship and the transpiration from sparse vegetation in the Sahel based on
high resolution satellite data. Remote Sensing of Environment, 69 (3), 224-240.
Carlson, T. N., Gillies, R. R., & Perry, E. M. (1994). method to make use of thermal infrared
temperature and NDVI measurements to infer surface soil water content and fractional
vegetation cover. Remote Sensing Reviews, 9, 161-173.
Chen, G., Hay, G.J., Carvalho, L.M.T., & Wulder, M.A. (2012). Object-based change detection.
International Journal of Remote Sensing, 33(14), 4434-4457.
Coppin, P., Jonckheere, I.,Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital change detection
methods in ecosystem monitoring: A review. International Journal of Remote Sensing,
25, 1565-1596.
Diouf, A., & Lambin, E. (2001). Monitoring land-cover changes in semi-arid regions:Remote
sensing data and field observations in the Ferlo, Senegal. Journal of Arid Environments,
48, 129-148.
Fensholt, R., Rasmussen, K., Kaspersen, P., Huber, S., Horion, S., Swinnen, E. (2013).
Assessing land degradation/recovery in the African Sahel from long-term earth
observation based primary productivity and precipitation relationships. Remote Sensing,
5(2), 664-686.
Gillies, R. R., Carlson, T. N., Gui, J., Kustas, W. P., & Humes, K. S. (1997). A verification of the
‘triangle’ method for obtaining surface soil water content and energy fluxes from remote
measurements of the Normalized Difference Vegetation Index (NDVI) and surface radiant
temperature. International Journal of Remote Sensing, 15, 3145-3166.
Goetz, S., & Dubayah, R. (2011). Advances in remote sensing technology and implications for
measuring and monitoring forest carbon stocks and change. Carbon Management, 2,
231-244.
Gorelick, N., Hancher, M., Dixon, M., Ilyshchenko, S., Thau, D., Moore, R. (2017). Google Earth
Engine: Planetary-scale geoespatial analysis for everyone. Remote Sensing of
Environment.
41
Hengl, T., de Jesus, J. M., Heuvelink, G. B., Ruiperez, M., Gonzalez, M. K., Blagotic, A., ... &
Guevara, M. A. . (2016). SoilGrids250m: Global Gridded Soil Information Based on
Machine Learning. PLOS One .
Hickler, T., Eklundh, L., Seaquist, J.W., Smith, B., Ardö, J., Olsson, L., Sykes, M.T., Sjöström, M.
(2005). Precipitation controls Sahel greening trend. Geosphys Res Lett, 32(21).
Hoekstra, J.M., Boucher, T.M., Ricketts, T.H., Roberts, C. (2005). Confronting a biome crisis:
global disparities of habitat loss and protection. Ecol Lett, 8(1), 23-29.
Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D. (2013). Change detection from remotely
sensed images: From pixel-based to object-based approaches. ISPRS Journal of
Photogramemetry and Remote Sensing, 80, 91-106.
Kasperson, J.X., Kasperson, R.E., Turner II, B.L. (Eds.). (1995). Regions at Risk: Compar-isons
of Threatened Environments. United Nations University Press, Tokyo/NewYork/Paris.
Lambin, E. F., & Ehrlich, D. (1996). The surface temperature –vegetation index space for land
cover and land-cover change analysis. International Journal of Remote Sensing, 17, 463-
487.
Li, Z., Huffman, T., McConkey, B., Townley-Smith, L. (2013). Monitoring and modeling spatial and
temporal patterns of grassland dynamics using time-series MODIS NDVI with climate and
stocking data. Remoet Sensing of Environment, 138, 232-244.
Lu, D., Mausel, P., Brondizio, E.S., & Moran, E. (2004). Change detection techniques.
International Journal of Remote Sensing, 25(12), 2365-2401.
Moran, M. S., Clarke, T. R., Inoue, Y., & Vidal, A. (1994). Estimating crop water deficit using the
relation between surface-air temperature and spectral vegetation index. Remote Sensing
of Environment, 49, 246-263.
Nemani, R., Pierce, L., Running, S., & Goward, S. (1993). Developing satellite-derived estimates
of surface moisture status. Journal of Applied, 32, 548-557.
Prince, S.D., Colstoun, D., Brown, E., Kravitz, L. (1998). Evidence from rain‐use efficiencies does
not indicate extensive Sahelian desertification. Glob Chang Biol, 4(4), 359-374.
Radke, R.J., Andra, S., Al-Kofahi, O., & Roysam, B. (2005). Image change detection algorithms:
A systematic survey. IEEE Transactions on Image Processing, 14(3), 294-307.
42
Reed, M. B.-S. (2011). Cross-scale monitoringand assessment of land degradation and
sustainable land management: amethodological framework for knowledge management.
Land Degradation & Development, 22, 261-271.
Reeves, M.C., Baggett, L.S. (2014). A remote sensing protocol for identifying rangelands with
degraded productive capacity. Ecological Indicators, 43, 172-182.
Renschler, C.S., Frazier, A., Arendt, L., Cimellaro, G.P., Reinhorn, A.M., Bruneau, M. (2010). A
framework for defining and measuring resilience at the community scale: the PEOPLES
resilience framework. MCEER, Buffalo.
Schultz, M., Clavers, J.G.P.W., Carter, S., Verbeselt, J., Avitabile, V. (2016). Performance of
vegetation indices from Landsat time series indeforestation monitoring. International
Journal of Applied Earth Observation and Geoinformation, 52, 318-327.
Smith, R. C. G., & Choudhury, B. J. (1991). Analysis of normalized difference and surface
temperature observations over southeastern. International Journal of Remote Sensing,
10, 2021-2044.
Smith, R. C. G., & Choudhury, B. J. (1991). Analysis of normalized difference and surface
temperature observations over southeastern. International Journal of Remote Sensing,
12 (10), 2021–2044.
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring
vegetation. Remote Sensing of Environment, 150, 127-150.
Vermote, E., El Saleous, N., & Justice, C. (2002). Atmospheric correction of the MODIS data in
the visible to middle infrared: First results. Remote Sensing of Environment, 83, 97-111.
Vlek, P., Le, Q., Tamene, L. (2010). Assessment of land degradation, its possible causes and
threat to food security in Sub-Saharan Africa. In: Lal R, Stewart BA (eds) Food security
and soil quality, Advances in soil science. Taylor & Francis, 57-86.
Warner, T., Almutairi, A., & Lee, J.Y. (2009). Remote sensing of land cover change. In T.A.
Warner, D.M. Nellis, & G.M. Foody (Eds.),. The SAGE handbook of remote sensing, 459-
472.
Wessels K., F. v. (2012). Limits to detectability of land degradation by trend analysis of vegetation
index data. Remote Sensing of Evironment, 125, 10-22.
Yengoh, G.T., Dent, D., Olsson, L., Tengberg, A.E., Tucker III, C.J. (2015). Use of the Normalized
Difference Vegetation Index (NDVI) to Assess Land Degradation at Multiple Scales.
Current Status, Future Trends, and Practical Considerations. London: Springer.
43