Documentos de Académico
Documentos de Profesional
Documentos de Cultura
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/294823761
CITATIONS READS
0 368
5 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Robert Müller on 17 February 2016.
Robert Müllera,*, Daniel Müllerb,c, Florian Schierhornc, Gerhard Gerolda, Pablo Pachecod
* e-mail: robemule@yahoo.com
a
Institute of Geography, Department of Landscape Ecology,
Georg-August-Universität Göttingen, Goldschmidtstr. 5, 37077 Göttingen, Germany
b
Geomatics Lab, Geography Department, Humboldt-Universität zu Berlin,
Unter den Linden 6, 10099 Berlin, Germany
c
Leibniz Institute of Agricultural Development in Central and Eastern Europe (IAMO),
Theodor-Lieser-Str. 2, 06120 Halle (Saale), Germany
d
Center for International Forestry Research (CIFOR), Jalan CIFOR Situ Gede, Bogor Barat
16115, Indonesia
Resumen
Los bosques en las tierras bajas de Bolivia están expuestos a una deforestación muy seria, causada por diferentes
tipos de agentes y usos de suelo. Identificamos las tres causas directas de deforestación más importantes: La
mayor parte de deforestación se debe a la expansión de la agricultura mecanizada, seguida por la ganadería y la
agricultura manual. Aplicamos un modelo de regresión logística multinomial espacial (es decir, un modelo
basado en correlaciones estadísticas) para analizar los factores que influyeron en la expansión de cada una de las
causas directas de deforestación entre 1992 y 2004. Reforzamos estos análisis cuantitativos con un análisis
cualitativo de los procesos históricos que han configurado los patrones de uso de suelo hasta hoy en dia. Los
resultados del modelo de regresión logística sugieren que la expansión de la agricultura mecanizada corresponde
principalmente a un buen acceso a mercados de exportación, suelos fértiles y una precipitación intermedia. La
expansión de la agricultura manual está mayormente asociada con un clima más húmedo, suelos fértiles y la
cercanía de mercados locales. La conversión de bosques en pastizales para la ganadería parece ser bastante
independiente de condiciones ambientales y puede ser explicada en primer plano por el acceso a mercados
locales. Restricciones de uso de suelo – como las áreas protegidas – parecen prevenir la expansión de la
agricultura mecanizada, pero tienen poco efecto en la expansión de la agricultura manual y la ganadería. Un
análisis de tendencias de deforestación hacia el futuro permite identificar posibles centros de expansión de cada
una de las causas directas de deforestación.
El análisis cuantitativo permite entender los patrones espaciales de expansión agrícola entre 1992 y 2004;
mientras la interpretacióon de factores históricos muestra que el momento en el cual ocurre la deforestación, así
como la cantidad de bosques deforestados, depende a menudo de intervenciones políticas y factores históricos.
Publicación original: - Müller R, Müller D, Schierhorn F, Gerold G, Pacheco P (2012): Proximate causes of
deforestation in the Bolivian lowlands – an analysis of spatial dynamics. Regional Environmental Change.
September 2012, Volume 12(3): 445-459, http://link.springer.com/article/10.1007%2Fs10113-011-0259-0
Introducción
La reducción de la deforestación es una tarea de importancia global para mitigar el cambio climático y
conservar la biodiversidad (IPCC 2007). Bolivia se encuentra entre los diez países que perdieron más
bosque en la última década en números absolutos (FAO 2011). Aún así, quedan unos 400.000 km2 de
bosques tropicales de llanura intactos y con una biodiversidad muy alta (Killeen et al. 2007). La
deforestación resulta de diferentes usos de suelo realizados por diversos actores (Killeen et al. 2008).
Para comprender mejor los procesos y patrones de deforestación, analizamos los factores
determinantes de la expansión de los tres usos de suelo que son las primeras causas de la deforestación
en Bolivia, a saber: la agricultura mecanizada, la agricultura manual y la ganadería. A continuación
nos referimos a estas categorías como “causas directas de deforestación”. Estas causas directas
permiten explicar una parte muy importante de la deforestación en Bolivia y son relacionados con los
típicos grupos de actores. En otros estudios en la Amazonía Brasileña se aplicaron categorías similares
(ver por ejemplo Kirby et al. 2006). En el presente estudio aplicamos un análisis de regresión logística
multinomial a la conversión de los bosques en las tierras bajas de Bolivia entre 1992 y 2004,
utilizando las tres causas directas de deforestación como variables dependientes. El modelo permite
cuantificar los efectos de diferentes factores espaciales que influyen sobre la conversión de bosques
mediante la interpretación de coeficientes de correlación (Chomitz and Gray 1996; Müller y Zeller
2002; Munroe et al. 2004). Además, los resultados de la regresión pueden servir de base para elaborar
escenarios de deforestación en el futuro.
Un mejor conocimiento de las tendencias futuras de uso de suelo es importante para la toma de
deciciones políticas e intervenciones de gestión, por ejemplo en el contexto del mecanismo REDD
(Reducción de Emisiones por Deforestación y Degradación, ver Miles y Kapos 2008). No obstante,
hay que tener en cuenta que un análisis de regresión únicamente permite sacar conclusiones acerca de
las asociaciones estadísticas entre variables dependientes e independientes, sin explicar las
interacciones causales subyacentes entre dichas variables. Para ampliar los conocimientos de los
actuales cambios de uso de suelo y de los resultados de la regresión, analizamos el efecto de los
procesos históricos de uso de suelo, como por ejemplo programas estatales dirigidos al desarrollo de la
agricultura en cinco zonas de las tierras bajas de Bolivia.
El objetivo general de este estudio es comprender los procesos y las condiciones del cambio de uso de
suelo en las tierras bajas de Bolivia, basándonos por un lado en un análisis cuantitativo de regresión
para estudiar los cambios recientes, y por otro en un análisis cualitativo que permite determinar los
cambios históricos de uso de suelo. Los resultados sirven para proyectar patrones de deforestación
futura, que a su vez se pueden utilizar para desarrollar estrategias e instrumentos políticos dirigidos a
reducir la presión sobre los bosques existentes.
Material y métodos
Área de studio y uso de suelo histórico
El area de estudio incluye todos los bosques en las tierras bajas de Bolivia. Las tierras bajas se definen
como áreas por debajo de 500 msnm, cubriendo 670.000 km2 entre los Andes al Oeste y los países
vecinos en todas las demás direcciones. Actualmente, éste área incluye aproximadamente 400.000 km2
de bosque, correspondiendo al 90 % de la cobertura boscosa original. La tasa anual de deforestación
entre 1992 y 2004 se situó cerca del 0,5 % (Killeen et al. 2007), tasa comparable a la deforestación en
la Amazonía Brasileña en el mencionado periodo (FAO 2010). Las áreas sin cobertura natural de
bosque o donde los bosques se cortaron antes del 1992 se excluyeron del análisis (las savanas del Beni
al norte, el Pantanal al sureste así como las formaciones de Cerrado Chiquitano en el este).
Figura 1: Las tierras bajas de Bolivia. Fuente: Adaptado de Killeen et al. (2007) y USGS (2004).
Para el análisis cualitativo de los procesos históricos que han configurado los patrones de uso de suelo,
dividimos los bosques de las tierras bajas en cinco zonas (Figura 1). Previos estudios de Ibisch et al.
(2003), Montes de Oca (2004), Killeen et al. (2008), Navarro y Maldonado (2002) y Pacheco (1998)
proponen divisiones similares, aunque más detalladas.
La zona norte del área objeto de estudio (llamada “Norte Amazónico”) está cubierta por bosques
húmedos amazónicos y cuenta con una densidad poblacional muy baja. Hace 100-150 años, durante el
auge de la explotación de goma, se establecieron barracas gomeras que atrajeron una población
proveniente mayormente de otras zonas de las tierras bajas de Bolivia (Gamarra Téllez 2004).
Recientemente ha tenido lugar una migración desde el altiplano y de los valles del occidente boliviano.
Desde el colapso final de la economía gomera a mediados de los años ochenta, los usos de suelo más
importantes consisten en la extracción de la castaña (nuez de Brasil) y la extracción forestal (Stoian y
Henkemans 2000). La deforestación se debe principalmente a la ganadería en pastos originariamente
forestados (Pacheco et al. 2009).
La zona noroeste del área objeto de estudio (llamada “bosques preandinos del Norte”) comprende
bosques amazónicos muy húmedos. La mayoría de los habitantes son colonizadores nacionales que
llegaron en los últimos 30 años provenientes del occidente boliviano; cultivan arroz y cultivos
perennes tales como el plátano que requieren pocos insumos externos. Se trata de una migración
planeada y apoyada por los gobiernos entre los años 1960 y 1970 (Eastwood y Pollard 1985; Thiele
1995). Después, la migración mayormente ocurrió de manera espontánea por motivos de pobreza, por
ejemplo después del colapso de la minería de estaño en 1985 (Pacheco 2006a).
En la zona de Chapare (al este de Cochabamba, alrededores de Ivirgarzama, Figura 1), también juega
un papel importante el cultivo de la coca. En esta zona existen asimismo varias extensas TCOs
(Tierras Comunitarias de Origen) que pertenecen a diferentes pueblos indígenas de las tierras bajas.
Las áreas alrededor de Santa Cruz de la Sierra (“alrededores de Santa Cruz”) constituyen una zona
heterogénea en cuanto a vegetación, uso de suelo y población. Se encuentra en la zona transicional
entre los bosques amazónicos al norte, los bosques semi-deciduos de la Chiquitania al este y los
bosques secos de Chaco al sur (Navarro y Maldonado 2002). Los suelos aluviales al este del Río
Grande son muy fértiles (Gerold 2004). Tradicionalmente, la caña de azúcar ha sido el cultivo
principal cerca de Santa Cruz (Pacheco 2006a).
Desde 1980, la producción industrializada de soja se ha convertido en el uso de suelo más importante
(Hecht 2005); las condiciones preferenciales en los mercados andinos e incentivos a la exportación en
el contexto del ajuste estructural promovieron su desarrollo (Pacheco 2006a), así como un programa
de desarrollo financiado por donantes multilaterales (Baudoin et al. 1995; Gerold 2007). Otros usos de
suelo incluyen la ganadería y la agricultura manual (Pacheco 1998).
La mayor parte de la población de las tierras bajas vive en esta zona, especialmente dentro y cerca de
la ciudad de Santa Cruz, la ciudad más grande y con mayor crecimiento en Bolivia. Su población es
heterogénea y se compone de gente originaria de las tierras bajas, del occiente asi como de
inmigrantes de diferentes partes del mundo (Sandoval et al. 2003).
La zona al este del área objeto de estudio se llama “Chiquitania”; se caracteriza por bosques semi-
deciduos en suelos pobres del Escudo Precámbrico. Muchos de los asentamientos actuales los
fundaron los Jesuitas hace unos 300 años (Tonelli Justiniano 2004). El uso de suelo predominante en
el presente y el pasado es la ganadería, que se realiza tanto en pastizales naturales como en pastizales
que originariamente eran bosques (Killeen et al. 2008). La industria maderera también es un sector
económico importante. La población se compone mayormente de descendentes de indígenas de las
tierras bajas.
La parte sur del área objeto de estudio (“Chaco”) está escasamente poblada, con excepción del pie de
monte andino al oeste. La vegetación predominante consiste en los bosques secos de Chaco. Una gran
parte de la zona pertenece al parque nacional “Kaa-Iya del Gran Chaco”. Únicamente en el oeste hay
suficientes precipitaciones para permitir la ganadería y la agricultura (Killeen et al. 2008).
1
Estimamos que existen unas 1,5 miliones de cabezas de ganado en pastizales sembreados, basado en (CAO
2008).
“Cerrado” y “Deforestation in Cerrado” definidos por Killeen et al. (2007), porque estos tipos de
vegetación no cuentan con un dosel continuo, lo que complica la percepción de la deforestación.
Killeen et al. (2007) usaron una clasificación no-supervisada de imágenes Landsat manualmente
corregida, y validaron los resultados con videografía aérea. Para la zona del departamento de Santa
Cruz usamos un mapa existente de uso de suelo (Museo Noel Kempff y Prefectura de Santa Cruz
2008) para clasificar todas las áreas deforestadas entre 1992 y 2004; el mencionado mapa distingue
siete clases de usos agrícolas en reemplazo de bosques en 2005, que reclasificamos a las tres causas
directas de deforestación definidas en el presente estudio. El mapa tiene características similares al
mapa de Killeen et al. (2007) y fue preparado por la misma institución, el Museo de Historia Natural
Noel Kempff Mercado en Santa Cruz. Se basa en la clasificación de 20 imágenes de satélite Landsat y
fue mejorado en cooperación con las asociaciones mas importantes de productores agrícolas (Museo
Noel Kempff y Prefectura de Santa Cruz 2008). Fuera del departamento de Santa Cruz, utilizamos
diferentes fuentes para la localización de las causas directas de deforestación. Una primera
clasificación preliminar se basa en la descripción de los usos de suelo tradicionales referidos en la
descripción del área de estudio y en las estadísticas agrícolas de la CAO (2008). Las áreas
deforestadas en los Bosques Preandinos del Norte se atribuyeron a la agricultura a pequeña escala, las
áreas deforestadas en otras zonas (fuera de Santa Cruz) a la ganadería. Las estadísticas agrícolas de la
CAO (2008) demuestran que en 2004 prácticamente no existía agricultura mecanizada fuera del
departamento de Santa Cruz y que la producción de cultivos fue muy baja en el Norte Amazónico.
Delinear las áreas deforestadas entre 1992 y 2004 Teledetección por Kiilleen et al. (2007)
Atribuir las áreas deforestadas dentro del Mapa de uso de suelo en 2005 en Santa Cruz
departamento de Santa Cruz a las tres causas (Museo Noel Kempff y Prefectura de Santa Cruz
directas de deforestación 2008)
Atribuir las áreas deforestadas en el resto del área Uso de suelo tradicional prevaleciente (ver sección
de studio a las tres causas directas de deforestación sobre el área de estudio) y estadísticas agrícolas del
CAO (2008)
Figura 2 Procedimiento para elaborar un mapa de las causas directas de deforestación. Fuente:
Autores.
Esta clasificación inicial se perfeccionó con datos espaciales no publicados del INRA (Instituto de
Reforma Agraria) que muestran el proceso de saneamiento en las tierras bajas (ver Pacheco 2006b) y
distinguen las tierras de producción de cultivos y ganaderas. Los resultados se ampliaron incorporando
datos de un sondeo no publicado del SENASAG que indica el número de cabezas de ganado por cada
propiedad en Bolivia. Finalmente, realizamos una evaluación visual de áreas críticas (Bosques
Preandinos del Norte y Norte Amazónico) usando imágenes satelitales CBERS (China-Brazil Earth
Resource Satellite, INPE 2010). La banda pancromática de CBERS (HRC, high-resolution camera)
tiene una resolución de 2,5 m y permite distinguir entre pastizales y agricultura mediante un análisis
visual cualitativo de criterios como forma, uniformidad y reflectancia de áras deforestadas. Los
patrones de deforestación por agricultura a pequeña escala generalmente consisten en muchas
pequeñas “manchas” rectangulares con diferentes densidades de vegetación. En cambio, las áreas
deforestadas para ganadería suelen ser más grandes y uniformes, frecuentemente con árboles
singulares remanentes y pequeños estanques de agua (ver ejemplos en el anexo).
Realizamos una validación cuantitativa del mapa final para el área dentro del departamento de Santa
Cruz, donde el mapa se basa en Museo Noel Kempff y Prefectura de Santa Cruz (2008). Se utilizaron
18 escenas CBERS HRC distribuidas en todo el departamento de Santa Cruz. Para cada una de las
causas directas de deforestación identificada en el mapa final, se seleccionaron 150 píxeles de manera
aleatoria dentro del área cubierta por las 18 imágenes de satélite. Las causas directas de deforestación
en los 450 píxeles se identificaron mediante una interpretación visual de las imágenes de satélite, y los
resultados se compararon con el mapa final. Encontramos una coincidencia del 88 % (promedio
ponderado del user's accuracy; el allocation disagreement fue del 6,5 % y el quantity disagreement
del 5,5 %, ver Pontius y Millones (2011) y detalles en el anexo).
Puede haber pequeños errores debido al tamaño diminuto de algunos claros para la agricultura a
pequeña escala o por cambios de usos agrícolas dentro del periodo analizado (1992-2004), por
ejemplo cuando desbosques por agricultura a pequeña escala fueron cubiertos por bosque secundario
antes del 2004.
Figura 3 Causas directas de deforestación y permanencia de bosque entre 1992 y 2004. Fuente:
Autores, basado en Fuentes indicadas en figura 2.
El mapa resultante (Figura 3) aproxima el cambio de uso de suelo en las tierras bajas basado en el
mejor nivel de datos e información actualmente disponibles. La Tabla 1 resume las contribuciones de
cada una de las causas directas a la deforestación entre 1992 y 2004.
La agricultura mecanizada causó el mayor impacto (54 %), seguida por la ganadería (27 %) y la
agricultura a pequeña escala (19 %). Killeen et al. (2008) encontraron una contribución mucho mayor
de la agricultura a pequeña escala, principalmente porque atribuyeron la deforestación en el noreste de
Bolivia a comunidades indígenas. En base a las diferentes fuentes mencionadas y nuestro
conocimiento del área, nosotros la atribuimos mayormente a la ganadería.
Tabla 1: Contribuciones de las tres causas directas a la deforestación entre 1992 and 2004. Fuente:
Autores.
Variables independientes
Las variables independientes incluyen factores geofísicos, costos de transporte y restricciones de uso
de suelos (tabla 2). La selección de variables se basa en el análisis de diversos estudios de
deforestación tropical (por ejemplo Geist y Lambin 2002; Kaimowitz y Angelsen 1998; Kirby et al.
2006; Mertens et al. 2004) y nuestra experiencia de campo en el área de estudio. Para reducir posibles
sesgos de endogenidad, es decir, sesgos causados por una influencia de la variable dependiente sobre
variables independientes, todas las variables independientes fueron definidas según su estado al inicio
del periodo evaluado. Cuando no disponemos de datos exactos de 1992, utilizamos la información mas
apta disponible, por ejemplo un mapa de concesiones forestales de 1997.
Variables geofísicas
Precipitación
Las variables con referencia a precipitación (Figura 4) se basan en un mapa de la precipitación anual
presentado en Soria-Auza et al. (2010). Este mapa se generó con una modelación que combina datos
de promedios a largo plazo de estaciones pluviométricas con topografía. Tranformamos los datos de
precipitación y creamos dos variables para representar mejor las condiciones climáticas que ponen
límites a la producción agrícola (Müller et al. 2011). La variable exceso de lluvia indica la cantidad de
lluvia que sobrepasa los 1.700 mm en pasos de 100 mm, es decir, un área con 1.800 mm de
precipitación recibe el valor de uno y un área con 2.000 mm recibe un valor de tres. Áreas con
precipitación por debajo de 1.700 mm reciben un valor de cero. La variable riesgo de sequía se
aproxima por el monto de precipitación por debajo de 1.100 mm en pasos de 100 mm, es decir un área
con 800 mm recibe un valor de tres. Áreas con una precipitación por encima de 1.100 mm reciben un
valor de cero.
Fertilidad de suelo
La fertilidad de suelo se representa por dos variables binarias basadas en tres categorías generalizadas
de suelo (Figura 4). Primero, definimos una variable llamada suelos ferralíticos con el valor uno para
los suelos del Escudo Precámbrico en la Chiquitania y los suelos pobres en el Norte Amazónico. En
estas áreas, los procesos de ferralización y deslave de arcilla formaron mayormente Ferralsols,
Plinthosols and Acrisols (Gerold 2001; Gerold 2004), con baja disponibilidad de nutrientes y bajos
contenidos de materia orgánica. Delimitamos la zona correspondiente en base al mapa geológico de
Bolivia (Servicio Geológico de Bolivia 1978) y el mapa de vegetación de Navarro y Ferreira (2007).
Después generamos una variable binaria llamada suelos fértiles donde el valor uno se refiere a una
zona de suelos aluviales entre el Río Grande y el Escudo Precámbrico hasta el sur de Bolivia; aquí se
encuentran Fluvisols con alta disponibilidad de nutrientes y altos contenidos de materia orgánica
(Gerold 2001). Los límites de esta zona se definieron siguiendo el criterio de expertos (Gerold 2001;
Gerold 2004; ver Müller et al. 2011). Las áreas donde ambas variables binarias tienen el valor cero
corresponden a los suelos aluviales con una fertilidad intermediaria que tienen una importante
influencia de ríos de aguas blancas (várzea); aquellas áreas fueron delimitadas según el criterio de los
autores con apoyo del mapa de Navarro y Ferreira (2007).
Figura 4 Riesgo de sequía, exceso de lluvia y fertilidad de suelos. Fuente: Autores; datos
pluviométricos de Soria-Auza et al. (2010).
Pendiente
Utilizamos el modelo digital de elevación Shuttle Radar Topography Mission (SRTM, USGS 2004)
para calcular los valores de la variable pendiente en grados en cada celda de cuadrícula. Los valores de
elevación del modelo SRTM se basan en la altura de la vegetación. Por esto, los valores de pendiente
en el borde de bosques parecen muy altos por la diferencia en alturas entre el piso y las copas de los
árboles. Para evitar este sesgo, juntamos todos los valores de pendiente entre 0-5° en un sola clase
(denominada “5°”) y agrupamos valores superiores en pasos de 1° de 6° - 46° (ver Müller et al. 2011).
Acceso a mercados
Calculamos costos de transporte como indicador del acceso a mercados (ver Figura 5). Para evitar
problemas originados por la endogeneidad de caminos (es decir, cuando se construyen caminos para
desarrollar ciertas áreas todavía forestadas, ver Müller y Zeller 2002), únicamente incluimos carreteras
mayores que conectan asentamientos principales (ver Müller et al. 2011). Para calcular los costos de
transporte, utilizamos una red de caminos de los 1990s que distingue entre carreteras pavimentadas y
caminos de tierra (Figura 5, basado en datos no publicados de la autoridad Boliviana de infraestructura
caminera Servicio Nacional de Caminos).
Los costos de transporte aplicados ascienden a 0,05 US$/(t km) para carreteras pavimentadas, 0,1 para
caminos de ripio y tierra y 0,5 para áreas sin caminos (Müller et al. 2011). Estimamos unos costos
promedios para transportar productos agrícolas desde el lugar de producción hasta los mercados
locales y los mercados de exportación. La variable coste de transporte a mercados locales se define
como costos de transporte en US$ por tonelada hasta el asentamiento más cercano con más de 5.000
habitantes.
La variable coste de transporte a mercados de exportación se define por los costos de transporte en
US$ por tonelada a los puertos principales de exportación de productos agrícolas, es decir la
“Hidrovía” por el Río Paraguay hacia el Atlántico y la carretera al Pacífico por las tierras altas de
Bolivia.
Para calcular la probabilidad de una futura deforestación, modificamos la red de caminos cambiando
la clase de determinados caminos de ripio y tierra a carretera pavimentada según la construcción de
caminos observada en los últimos años o planes de pavimentación en un futuro cercano (Figura 5).
También incluimos los costos de transporte a través de la carretera bi-oceánica en el Norte Amazónico
para incluir la futura accesibilidad a mercados de exportación.
Resultados
Dinámicas de cambio de uso de suelo
Los resultados de la regresión multinomial caracterizan las dinámicas de expansión de las tres causas
directas de deforestación (Tabla 3). Para nueve de las once variables independientes, los valores de
coeficientes estandarizados más altos corresponden a la agricultura mecanizada, lo que indica que el
poder explicativo del conjunto de variables independientes es el más alto para esta causa directa de
deforestación. Esta observación es también respaldada por el hecho de que el valor AUC es más alto
para el modelo de agricultura mecanizada (AUC=0,97, ver también anexos).
Los resultados de nuestro modelo sugieren que la agricultura mecanizada se expandirá principalmente
en áreas con un buen acceso a los mecardos de exportación y condiciones ambientales favorables.
Suelos fértiles incrementan la probabilidad de expansión de la agricultura mecanizada por el factor 15
(odds ratio = 14,77), mientras que en suelos pobres, resulta casi 50 veces menos probable que en el
resto del área. Un incremento de la precipitación anual en 100 mm en áreas húmedas reduce la
probabilidad de expansión de la agricultura mecanizada en un 50 %, y una reducción de la
precipitación por 100 mm en áreas áridas tiene un efecto similar.
Un aumento de la pendiente en un grado reduce la probabilidad de expansión de la agricultura
mecanizada en un 32 %. Las áreas con restricciones de uso de suelo frenan la agricultura mecanizada
de forma muy clara; se observa poca expansión en ANMIs, concesiones forestales o TCOs.
Prácticamente no hay agricultura industrializada en parques nacionales – esto explica el valor tan alto
del coeficiente. Este fenómeno también puede indicar que las áreas protegidas se establecieron en
regiones con baja aptitud para la agricultura mecanizada.
Tabla 3: Coeficientes logit estandarizados y odds ratios (en paréntesis). Fuente: Autores.
Conclusiones
Investigamos las dinámicas espaciales de la expansión de las tres principales causas directas de
deforestación en las tierras bajas de Bolivia. La agricultura mecanizada fue la primera causa de
deforestación, seguida por la ganadería y la agricultura a pequeña escala. Para el periodo entre 1992 y
2004 estimamos un modelo multinomial de regresión logística con las tres causas directas de
deforestación como categorías de variables dependientes. El conjunto de variables independientes
incluye la aptitud agrícola de las diferentes áreas debida a factores ambientales, la accesibilidad y las
restricciones de uso de suelo. Los resultados de la regresión se aplican para pronosticar la futura
expansión agrícola hacia los bosques en todas las tierras bajas. En un análisis cualitativo
complementario analizamos los factores históricos que han formado los patrones de uso de suelo. De
esta manera, los resultados de la regresión se pusieron en un contexto más amplio, enriqueciendo la
discusión de los resultados de la regresión y permitiendo un análisis más profundo del riesgo futuro de
deforestación.
Los resultados del modelo sugieren que la agricultura mecanizada se expandirá en áreas con un buen
acceso a los mercados internacionales y condiciones ambientales favorables, mientras restricciones de
uso de suelo efectivamente previenen la expansión de la agricultura mecanizada. La futura conversión
de bosques en agricultura mecanizada se dará probablemente al norte y sur de su extensión actual,
pero también se podrían abrir nuevas fronteras de agricutura mecanizada cerca de Puerto Suarez y San
Buenaventura. La expansión de la agricultura a pequeña escala es pronosticada para áreas con un
clima húmedo, suelos fértiles y un buen acceso a los mercados locales. Las restricciones de uso de
suelo tienen poco efecto sobre esta categoría. En el futuro, la agricultura a pequeña escala
probablemente seguirá expandiéndose en los Bosques Preandinos del Norte. La conversión de bosques
en pastizales para la ganadería se muestra relativamente independiente de factores ambientales; el
factor determinante es el buen acceso a los mercados locales. Las restricciones de uso de suelo
tampoco tienen mucho efecto sobre la ganadería. Su expansión futura probablemente afectará los
bosques accesibles en prácticamente todas las tierras bajas.
Nuestros resultados pueden servir para desarrollar políticas destinadas a la reducción de la
deforestación, por ejemplo en el contexto de REDD. Un elemento importante para tales políticas
podría ser un plan nacional de uso de suelo que permite la expansión hacia ciertas áreas aptas y lo
restringe en otras áreas. Así se podría evitar la apertura de nuevas fronteras agrícolas, especialmente
en el caso de la agricultura mecanizada.
La regulación de la agricultura a pequeña escala, que en el pasado causó una deforestación mucho
menor, podría ser incluso mas difícil dado que las restricciones de uso de suelo se respetan poco y los
costos de monitoreo pueden llegar a ser altos debido al gran número de actores. La mitigación de la
deforestación causada por la agricultura a pequeña escala puede ser importante en el Norte
Amazónico, donde existe el riesgo de una expansión significativa a pesar de la baja aptitud de suelos.
Para reducir la conversión de bosques a pastizales para la ganadería, que amenaza bosques en muchas
partes de las tierras bajas, la aplicación consecuente de las leyes existentes parece ser una medida
adecuada y podría evitar grandes desbosques ilegales (Superintendencia Forestal 2006).
El análisis de regresión presentado aquí ayuda a distinguir dinámicas específicas de conversión de
bosques por diferentes causas directas. El modelo también permite calcular la probabilidad de una
futura expansión agrícola. Sin embargo, se destaca también la importancia de tomar en cuenta el
contexto histórico. Especialmente los momentos y las cantidades de deforestación se explican mejor
por factores históricos como la implementación de programas políticos, que no se pueden incluir en
modelos. Los modelos de regresión constituyen herramientas importantes para analizar los patrones de
recientes cambios de uso de suelo de manera cuantitativa. Pero un análisis complementario dentro de
un contexto histórico puede aumentar considerablemente el valor de los resultados para aplicaciones
políticas y una gestión eficaz.
Agradecimientos
Estamos agradecidos al Museo de Historia Natural Noel Kempff Mercado en Santa Cruz de la Sierra y
a Conservación Internacional Bolivia por compartir sus extensos datos de deforestación. Varias
instituciónes bolivianas y personas individuales ayudaron con datos y apoyo durante el trabajo de
campo, especialmente el Centro de Investigación y Promoción del Campesinado (CIPCA), la
Fundación Amigos de la Naturaleza (FAN), la Fundación NATURA Bolivia y la Fundación para la
Conservación del Bosque Seco Chiquitano (FCBC). Peter Böhner contribuyó con un mapa de
precipitación promedia anual. Dos revisores anónimos ayudaron a mejorar el artículo con comentarios
valiosos. También agradecemos a la Deutsche Forschungsgemeinschaft (DFG) por el financiamiento.
Referencias
Baudoin M, Gerold G, Hecht S, Quintanilla O, Roca C (1995) Evaluación del Proyecto Tierras Bajas del Este:
Proyecto de Manejo de Recursos Naturales y de Producción Agropecuaria. World Bank; Kreditanstalt fur
Wiederaufbau, CORDECRUZ. World Bank, Washington DC
Besag JE (1974) Spatial interaction and the statistical analysis of lattice systems. Journal of the Royal Statistical
Society Series B 36: 192-236
CADEX (Cámara de Exportadores de Santa Cruz) (2008) Statistical information on Bolivia exports, available on
request. CADEX, Santa Cruz, Bolivia
CAO (Cámara Agropecuaria del Oriente) (2008) Números de nuestra tierra. Statistical agricultural information
available on CD-ROM at the Cámara Agropecuaria del Oriente, Santa Cruz, Bolivia
Chomitz K, Gray D (1996) Roads, land use and deforestation: A spatial model applied to Belize. Word Bank
Economic Review 10 (3): 487-512
Eastwood D, Pollard H (1985) The Development of Colonization in Lowland Bolivia: Objectives and
Evaluation. Boletín de Estudios Latinoamericanos y del Caribe 38: 61-83
FAO (Food and Agriculture Organization of the United Nations) (2010). Global Forest Resources Assessment
2010. Food and Agriculture Organization of the United Nations, Rome www.fao.org/forestry/fra/fra2010/en/.
Accessed November 2009
Gamarra Téllez M. (2004) Amazonía Norte de Bolivia - Economía Gomera. Colección Colegio Nacional de
Historiadores de Bolivia, producciones CIMA editores. La Paz, Bolivia.
Geist HJ, Lambin EF (2002) Proximate Causes and Underlying Driving Forces of Tropical Deforestation.
Bioscience 52: 143–150
Gerold G (2001) The pedo-ecological consequences of different land use-systems in the Lowlands of Bolivia
(Dep. of Santa Cruz). In: García-Torres L, Benites J, Martinez-Vilela A (Eds.) Conservation Agriculture, A
Worldwide Challenge, vol 2, ECAF-Madrid, pp 275-279
Gerold G (2004) Soil: The foundation of biodiversity. In: Ibisch PL, Mérida G (eds.) Biodiversity: the richness
of Bolivia. Fundación Amigos de la Naturalzea, Santa Cruz, Bolivia, pp 17-31
Gerold G (2007) Agrarkolonisation – Entwicklungschancen durch Globalisierung oder Raubbau natürlicher
Ressourcen. Kieler Geographische Schriften 117: 23-52
Hecht S (2005) Soybeans, Development and Conservation on the Amazon Frontier. Development and Change 36
(2): 375–404
Hilbe JM (2009) Logistic Regression Models. Chapman & Hall/CRC, Boca Raton
Hosmer D, Lemeshow S (2000) Applied Logistic Regression (2nd Edition). John Wiley & Sons Inc., New York
Ibisch PL, Beck SG, Gerkmann B, Carretero A (2003) Ecorregiones y ecosistemas. In: Ibisch PL, Mérida L (eds)
Biodiversidad: La riqueza de Bolivia. Editorial FAN, Santa Cruz de la Sierra, Bolivia, pp. 47–88
INPE (Instituto Nacional de Pesquisas Espaciais) (2010): Collection of CBERS satellite images.
http://www.inpe.br/index.php. Accessed December 2010
INRA (Instituto Nacional de Reforma Agraria) (2010) Notas de Prensa. http://www.inra.gob.bo. Accessed
February 2011
IPCC (Intergovernmental Panel on Climate Change) (2007) Climate Change 2007: The Physical Science Basis.
http://www.ipcc.ch/ipccreports/ar4-wg1.htm. Accessed February 2010
Kaimowitz D, Angelsen A (1998) Economic Models of Tropical Deforestation: A Review. Center for
International Forestry Research. Bogor, Indonesia
Killeen TJ, Calderon V, Soria L, Quezada B, Steininger MK, Harper G, Solórzano L, Tucker C (2007) Thirty
Years of Land-Cover Change in Bolivia. AMBIO 36 (7): 600-606
Killeen TJ, Guerra A, Calzada M, Correa L, Calderon V, Soria L, Quezada B, Steininger MK (2008) Total
Historical Land-Use Change in Eastern Bolivia: Who, Where, When, and How Much? Ecol Soc 13 (1): 36.
http://www.ecologyandsociety.org/vol13/iss1/art36/. Accessed June 2009
Kirby KR, Laurance WF, Albernaz AK, Schroth G, Fearnside PM, Bergen S, Venticinque EM, da Costa C
(2006) The future of deforestation in the Brazilian Amazon. Futures, 38 (4): 432-453
Long JS, Freese J (2006) Regression Models for Categorical Dependent Variables Using Stata. Stata Press,
College Station, TX
Liu J, Dietz T, Carpenter SR, Alberti M, Folke C, Moran E, Pell AN, Deadman P, Kratz T, Lubchenco J, Ostrom
E, Ouyang Z, Provencher W, Redman CL, Schneider SH, Taylor WW (2007) Complexity of Coupled Human
and Natural Systems. Science 317: 1513-1516
Malky A, Ledezma J (2010) Factibilidad económica y financiera de la producción de caña de azúcar y derivados
en el norte del departamento de La Paz. Conservation Strategy Fund, Serie Técnica 18, La Paz, Bolivia
Menard S (2002) Applied logistic regression analysis (2nd edition). Thousand Oaks, CA.
Mertens B, Kaimowitz D, Puntodewo A, Vanclay J, Mendez P (2004) Modeling Deforestation at Distinct
Geographic Scales and Time Periods in Santa Cruz, Bolivia. International Regional Science Review 27 (3):
271-296
Merry FD, Hildebrand PE, Pattie P, Carter DR (2002) An analysis of land conversion from sustainable forestry
to pasture. A case study in the Bolivian Lowlands. Land Use Policy, 19(3): 207–219
Miles L, Kapos V (2008) Reducing Greenhouse Gas Emissions from Deforestation and Forest Degradation:
Global Land-Use Implications. Science 320: 1454-1455
Montes de Oca I (2004) Enciclopedia Geográfica de Bolivia. Editora Atenea. La Paz, Bolivia
Morton DC, DeFries RS, Shimabukuro YE, Anderson LO, Arai E, del Bon Espirito-Santo F, Freitas R, Morisette
J (2006) Cropland expansion changes deforestation dynamics in the southern Brazilian Amazon. Proceedings
of the National Academy of Sciences 103(39): 14637 - 14641
Müller R, Müller D, Schierhorn F, Gerold G (2011) Spatiotemporal modeling of the expansion of mechanized
agriculture in the Bolivian lowland forests. Applied Geography 31(2): 631-640
Müller D, Zeller M (2002) Land-use dynamics in the Central Highlands of Vietnam: A spatial model combining
village survey data with satellite imagery interpretation. Agricultural Economics 27 (3): 333-354
Munroe DK, Müller D (2007) Issues in spatially explicit statistical land-use/cover change (LUCC) models:
Examples from western Honduras and the Central Highlands of Vietnam. Land Use Policy (24): 521-530
Munroe DK, Southworth J, Tucker CM (2004) Modeling Spatially and Temporally Complex Land Cover
Change: The Case of Western Honduras. Professional Geographer 56(4): 544-559
Museo Noel Kempff and Prefectura de Santa Cruz (2008) Cobertura y Uso Actual de la Tierra. Land use map of
the Santa Cruz department. Santa Cruz, Bolivia.
www.museonoelkempff.org/sitio/descargar_archivo.php?id=3134. Accessed June 2011
Navarro G, Ferreira W (2007) Mapa de Vegetación de Bolivia a escala 1:250.000. On CD-ROM. The Nature
Conservancy (TNC), RUMBOL. Cochabamba, Bolivia
Navarro G, Maldonado M (2002) Geografía ecológica de Bolivia. Vegetación y ambientes acuáticos. Fundación
Simón I. Patiño. Cochabamba, Bolivia
Nepstad DC, Stickler CM, Almeida OT (2006) Globalization of the Amazon soy and beef industries:
opportunities for conservation. Conserv. Biol. 20: 1595–1603
Pacheco P (1998) Estilos de desarrollo, deforestación y degradación de los bosques en las tierras bajas de
Bolivia. CIFOR, CEDLA, TIERRA. La Paz, Bolivia
Pacheco P (2006a) Agricultural expansion and deforestation in lowland Bolivia: the import substitution versus
the structural adjustment model. Land Use Policy 23: 205-225
Pacheco P (2006b) Acceso y uso de la tierra y bosques en Bolivia: sus implicaciones para el desarrollo y la
conservación. UDAPE, La Paz, Bolivia
Pacheco P, Ormachea E, Cronkleton P, Albornoz MA, Paye L (2009) Trayectorias y tendencias de la economía
forestal extractiva en el norte amazónico de Bolivia. CIFOR, CEDLA, RRI. La Paz, Bolivia
Pontius RG, Batchu K (2003) Using the relative operating characteristic to quantify certainty in prediction of
location of land cover change in India. Transactions in GIS 7(4): 467-484
Pontius RG, Millones M (2011) Death to Kappa: birth of quantity disagreement and allocation disagreement for
accuracy assessment. International Journal of Remote Sensing 32 (15): 4407-4429
Pontius RG, Pacheco P (2004) Calibration and validation of a model of forest disturbance in the Western Ghats,
India 1920 - 1990. GeoJournal 61(4): 325-334
Pontius RG, Schneider L (2001) Land-cover change model validation by an ROC method for the Ipswich
watershed, Massachusetts, USA. Agriculture, Ecosystems and Environment 85: 239–248
Sandoval CD, Sandoval AV, del Río MA, Sandoval F, Mertens C, Parada C (2003) Santa Cruz – Economía y
poder. Fundación PIEB. La Paz, Bolivia
Soria-Auza RW, Kessler M, Bach K, Barajas-Barbosa PM, Lehnert M, Herzog S, Böhner J (2010) Impact of the
quality of climate models for modelling species occurrences in countries with poor climatic documentation: a
case study from Bolivia. Ecological Modelling 221: 1221-1229
Stoian D, Henkemans AB (2000) Between Extractivism and Peasant Agriculture: Differentiation of Rural
Settlements in the Bolivian Amazon. International Tree Crops Journal 10 (4): 299-319
Servicio Geológico de Bolivia (1978) Mapa Geológico de Bolivia, 1:1,000000. Servicio Geológico de Bolivia.
La Paz, Bolivia
Superintendencia Forestal (2006) Avance de la deforestación en Bolivia. Tasa anual de deforestación en los años
2004 y 2005. Superintendencia Forestal, Santa Cruz de la Sierra, Bolivia
Thiele G (1995) La dinámica del asentamiento campesino en la frontera agrícola en Santa Cruz. Revista Ruralter
(13/14): 109-146
Tonelli Justiniano O (2004) Reseña histórica social y económica de la Chiquitania. Editorial El País. Santa Cruz,
Bolivia
USGS (U.S. Geological Survey) (2004) 3 Arc Second SRTM Elevation model, Unfilled Unfinished 2.0. Global
Land Cover Facility, University of Maryland, Maryland. http://www.landcover.org/data/srtm/. Accessed
November 2009
Verburg PH, Veldkamp A (2004) Projecting land use transitions at forest fringes in the Philippines at two spatial
scales. Landscape Ecology 19 (1): 77-98
Verburg PH, Kok K, Pontius RG, Veldkamp A (2006) Modeling land-use and landcover change. In: Lambin EF,
Geist HJ (Eds.) Land-use and land-cover change: local processes and global impacts, Springer, Berlin, pp. 117-
135
Anexo
Validación del mapa de las causas directas de deforestación (figura 3)
Dentro del area del departamento de Santa Cruz, se realizó una validación cuantitativa del mapa final,
ya que en esta área el mapa se basa en Museo Noel Kempff y Prefectura de Santa Cruz (2008). La
validación utilizó 18 escenas del satélite CBERS HRC (China-Brazil Earth Resource Satellite, High
Resolution Camera), con una resolución de 2,5 metros. Las imágenes están distribuídas sobre todo el
departamento de Santa Cruz. Para cada una de las causas directas de deforestación identificada en el
mapa final, se seleccionaron 150 píxeles de manera aleatoria, dentro de las 18 escenas CBERS HRC.
En este conjunto de 450 píxeles, se identificaron las causas directas de deforestación mediante una
evaluación visual de las imágenes de satélite, y los resultados se compararon con el mapa final. Se
encontró una coindicendia de 88% (como promedio ponderado del user’s accuracy). El allocation
disagreement fue de 6.5% y el quantity disagreement de 5.5% (ver Pontius and Millones 2011).
Tabla 5: Evaluación de a exactitud (accuracy assessment, según Pontius and Millones 2011)