Traducido del inglés al español - www.onlinedoctranslator.

com

Manuscrito aceptado del autor

Estudio Landsat de deforestación en la región

amazónica de Colombia: Departamentos de Caquetá
y Putumayo

César Augusto MuradJillian Pearse

www.elsevier.com/locate/rsase

IIP: S2352-9385(18)30167-8
DOI: https://doi.org/10.1016/j.rsase.2018.07.003
Referencia: RSASE151

Aparecer en: Aplicaciones de la Teledetección: Sociedad y Medio Ambiente

Fecha de recepción: 11 de mayo de 2018

Fecha de revisión: 3 de julio de 2018 Fecha

de aceptación: 3 de julio de 2018

Citar este artículo como: Cesar Augusto Murad y Jillian Pearse, Estudio Landsat de
deforestación en la región amazónica de Colombia: Departamentos de Caquetá y
Putumayo,Aplicaciones de la Teledetección: Sociedad y Medio Ambiente, https://
doi.org/10.1016/j.rsase.2018.07.003

Este es un archivo PDF de un manuscrito sin editar que ha sido aceptado para su
publicación. Como un servicio a nuestros clientes, ofrecemos esta primera versión del
manuscrito. El manuscrito se someterá a corrección de estilo, composición tipográfica y
revisión de la prueba de galera resultante antes de que se publique en su forma citable final.
Tenga en cuenta que durante el proceso de producción se pueden descubrir errores que
podrían afectar el contenido, y se aplican todos los avisos legales que se aplican a la revista.
Estudio Landsat de deforestación en la región
amazónica de Colombia: Departamentos de Caquetá
y Putumayo

César Augusto Murad1*, Jillian Pearse2

1Departamento de Geociencias, Universidad de Los Andes, Bogotá 111711, Colombia

2Departamento de Geociencias, Universidad de Los Andes, Bogotá 111711, Colombia

ca.murad968@uniandes.edu.co
j.pearse@uniandes.edu.co

*Autor correspondiente. Teléfono: +57-317-573-3748.

Resumen

La selva amazónica, la más grande del mundo en términos de tamaño y diversidad, es reconocida como una
fuente de servicios ecológicos para las comunidades locales y mundiales. El diez por ciento de su territorio
pertenece a Colombia, cubriendo aproximadamente el 35% de la superficie total del país. A pesar de los esfuerzos
globales, continúa siendo vulnerable a las presiones de la deforestación. En los departamentos de Caquetá y
Putumayo, las actividades humanas como la tala y la ganadería son las principales causas de la deforestación, lo
que aumenta la vulnerabilidad del departamento al cambio climático y los peligros naturales. Sin embargo, existe
una falta de monitoreo cuantitativo consistente en la región amazónica colombiana, no solo de las tasas totales
de deforestación sino también de ubicaciones específicas y causas de deforestación, a pesar de sus altas tasas de
deforestación en comparación con el vecino Ecuador. En este estudio, se utilizaron imágenes Landsat 7 ETM+ y
Landsat 8 durante un período de dieciséis años para mapear los cambios recientes en la cobertura del suelo en
los departamentos afectados por la deforestación. Las clasificaciones supervisadas se realizaron utilizando el
Clasificador de Máxima Verosimilitud (MLC) y el sistema de clasificación experto, utilizando compuestos IR de
color falso que fueron efectivos para identificar la cobertura vegetal de la tierra. A lo largo de dieciséis años, la
cobertura del suelo del Bosque Húmedo Tropical en la región de estudio perdió el 5,2% de su superficie,
correspondiente a 3020,56 kilómetros cuadrados. En general, la región de estudio muestra una tasa anual de
deforestación del 0,46 %, y solo para Caquetá esa tasa es del 0,77 %, aproximadamente el doble de las
estimaciones de estudios anteriores de tasas de pérdida de entre el 0,38 % y el 0,4 % para la región tropical de
América del Sur. No se encontró ningún factor único que impulsara la deforestación; bastante, diferentes
regiones dentro del área de estudio mostraron diferentes tasas y causas. La deforestación particularmente
rápida en el departamento de Caquetá y la invasión de las actividades agrícolas en las reservas del parque
nacional pueden explicarse por las mayores presiones de colonización y la intensificación del cultivo ilegal de
coca.

Palabras clave:Deforestación; Clasificación de imágenes; Detección de cambios; Conflicto Ambiental

1. Introducción
Las selvas tropicales más grandes del mundo se encuentran en Asia, África Central y la Amazonía, y cubren
aproximadamente el 12% de la superficie terrestre de la Tierra (excluyendo áreas cubiertas de hielo como
 2 de 21

Antártida) (Boucher et al., 2011). Aproximadamente el 20 % de esta superficie se utilizó como pastizal o
tierra de cultivo en 2000 (Ramankutty et al., 2008), sin incluir la tierra que había sido cultivada
anteriormente pero que posteriormente fue abandonada (Boucher et al., 2011). Si bien aún existen vastas
áreas de selva tropical intacta, estas se ven amenazadas por la transformación en curso, lo que reduce los
hábitats y los recursos que brindan (Lewis et al., 2015). A pesar de que la tasa de expansión de las tierras
agrícolas se ha desacelerado desde 1960 y las regiones tropicales han mostrado aumentos netos
generales en la cubierta forestal entre 2001 y 2010 (Chazdon y Guariguata, 2016), la deforestación rápida
sigue ocurriendo en algunos países tropicales y la ubicación y extensión de la deforestación, así como su
impacto en importantes servicios ecosistémicos como la biodiversidad, la regulación del clima, el
almacenamiento de carbono, y el suministro de agua, aún no se comprenden bien (Etter et al., 2006c;
Hansen et al., 2013). Se han realizado estudios que evalúan el cambio de la cubierta forestal tropical y sus
causas en regiones tropicales (Grinand et al., 2013; Hansen et al., 2009; Kim et al., 2015; Margono et al.,
2012), sin embargo, la coordinación internacional de Aún se necesitan recursos para aumentar la
capacidad, la cobertura repetida de bosques tropicales, el acceso a datos actualizados de calidad y
protocolos estandarizados para la interpretación y el análisis de datos (Achard et al., 2007), y algunas
regiones continúan recibiendo más atención que otras.
La selva amazónica es la selva tropical más grande del mundo y juega un papel clave como sumidero de
carbono que controla los niveles de carbono atmosférico de todo el planeta, almacenando más de diez
veces las emisiones globales anuales de los combustibles fósiles ("Amazon Rainforest", 2015). A pesar de
su importancia, se ha demostrado que el aumento de la presión antropogénica que invade la Amazonía
asociada con el crecimiento de la población y las altas tasas de migración (conocidas como colonización)
están afectando a la región (Perz et al., 2005). Los factores ambientales que incluyen la geología, la
topografía y la calidad del suelo, los factores climáticos como la sequía y los factores económicos
relacionados con la infraestructura y el desarrollo de carreteras contribuyen a la deforestación; sin
embargo, las presiones demográficas y la agricultura itinerante suelen ser los principales factores detrás
de la deforestación (Armenteras et al., 2013a). Por lo tanto, se requieren acciones conjuntas entre las
instituciones para frenar el ritmo de la deforestación, y las empresas privadas y las comunidades deben
acordar estrategias para reducir la deforestación y conservar la biodiversidad (Leonel, 2016). El Plan de
Restauración de Colombia (Ministerio de Ambiente y Desarrollo Sostenible, 2015) es un buen ejemplo de
tal esfuerzo. Sin embargo, para poder implementar este tipo de estrategia de manera efectiva, se necesita
no solo una cuantificación precisa y continua de las tasas de deforestación, sino una identificación clara de
sus causas, y esto a su vez requiere un análisis de los tipos y distribución. de los cambios en la cobertura
del suelo que se están produciendo. Las diferencias en las tasas de deforestación observadas en los países
vecinos dentro de la misma región sugiere que las causas son complejas, y relacionado no solo con la
idoneidad del clima y el suelo para actividades como la agricultura y la ganadería, sino también con las
condiciones sociales, económicas y políticas específicas de la región. Colombia, por ejemplo, lleva 60 años
en un conflicto armado interno, que ha afectado de manera desproporcionada a ciertas zonas, como
Putumayo y Caquetá. Los cultivos y la tala ilícitos están muy extendidos en la región, pero la violencia y la
inseguridad han hecho que el seguimiento y el control del uso de la tierra sean casi imposibles.

La Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO) ha estado evaluando los
cambios globales en la extensión y distribución de los bosques desde 1947; sin embargo, sus estimaciones de
cobertura forestal y deforestación han sido criticadas por ser poco confiables, en parte porque dependen de
encuestas y modelos nacionales (Grainger, 1996). La teledetección se utiliza cada vez más para mejorar estas
estimaciones; sin embargo, es posible que los resultados no estén disponibles al público, las técnicas no siempre
son uniformes de una región a otra y existen desacuerdos sobre la clasificación de los diferentes bosques. Estos
estudios también tienden a subestimar las tasas de deforestación porque miden sólo la cobertura forestal neta y
no consideran que la destrucción de los bosques naturales se compensa parcialmente con las plantaciones, p. ej.,
Matthews (2001).
Landsat se ha utilizado ampliamente para estudiar la deforestación en la cuenca del Amazonas brasileño
(Alves, 2002; Alves et al., 2009; Bewernick et al., 2015; Guild et al., 2004; Li et al., 2011; Lu et al. ,
 3 de 21

2013; Shimabukuro et al., 2000; Souza et al., 2013), en la Amazonía andina ecuatoriana (Curatola
Fernández et al., 2015; Santos et al., 2017), la Amazonía boliviana (Locklin y Haack, 2003; Marsik et al., 2011)
y la peruana Amazon (Oliveira et al., 2007; Salovaara et al., 2005), y otros sensores con resoluciones más
altas como SPOT han sido utilizados dentro del territorio brasileño (Carreiras et al., 2006; Lu et al., 2012;
Souza et al. al., 2003). El uso de datos de Landsat para documentar tendencias en la deforestación fue
crucial para la formulación e implementación de políticas de conservación de Brasil, y Brasil es el único
país hasta la fecha que produce y comparte información espacial detallada sobre la extensión y el cambio
anual de los bosques (Hansen et al., 2013).
Si bien se han realizado algunos estudios de deforestación utilizando sensores remotos en Colombia, la mayoría
son estudios locales en municipios individuales que no especifican qué tipo de uso de la tierra ha reemplazado a
los bosques (Zuleta, 2015). La evidencia muestra que la mitad de la Amazonía colombiana está experimentando
altas tasas de deforestación (Ruiz, 1989; Sierra, 2000); sustancialmente más altos, de hecho, que los encontrados
en el resto de la Amazonía (Armenteras et al., 2006). Sin embargo, no existen bases de datos geográficas
regionales actualizadas que documenten la dinámica y los patrones de cambio y fragmentación de la cobertura
terrestre en esta región (Sierra, 2000).
La deforestación en el departamento de Putumayo comenzó durante el siglo pasado, y análisis previos de
detección de cambios satelitales han demostrado que las tasas anuales de deforestación son
considerablemente más altas en el lado colombiano de la frontera con Ecuador (Viña et al., 2004). Este
aumento desproporcionado de la deforestación aumenta considerablemente la vulnerabilidad del
departamento a impactos negativos como inundaciones, erosión, pérdida de ecosistemas esenciales,
desplazamiento y pérdida de identidad cultural, entre otros (Gobernación del Putumayo, 2016). Ante este
hecho, sorprende la ausencia de estudios previos de deforestación sistemática en el departamento de
Putumayo.
Los conflictos ambientales complejos asociados en su mayoría al uso de la tierra, expansión de la frontera
agrícola, ganadería, minería ilegal, incendios forestales, cultivos ilícitos, expansión de infraestructura,
urbanización y extracción de madera ha provocado fragmentación del hábitat, reducción en la cantidad y
calidad del suministro de agua y pérdida de la biodiversidad en el departamento de Caquetá. Si bien una
gran fracción del departamento se encuentra dentro de un área de reserva forestal, la explotación de
minas y canteras ilegales y las actividades de construcción y mejora vial descontroladas actualmente están
afectando los recursos hídricos y naturales, causando erosión y deslizamientos de tierra (Gobernación del
Caquetá, 2016). Además, a medida que avanza la deforestación, la estructura forestal en los parches de
vegetación restantes se degrada aún más (Rocha-Santos et al., 2016).
Con el fin de actualizar la información de estudios realizados en décadas anteriores en la Amazonía
colombiana (Armenteras et al., 2013b, 2006; Etter et al., 2006a; Grainger, 1996; IDEAM, 2002; Linares et al.,
2007; Riaño Umbarila et al. al., 2007; Ruiz et al., 2011) y para comprender mejor los impulsores de la
deforestación, se debe realizar un análisis sistemático de los cambios en el uso de la tierra y la cobertura
de la tierra (LULC) a escala local, región por región (Lambin et al., 2003). ). Aquí proporcionamos un análisis
de este tipo para los departamentos de Caquetá y Putumayo dentro de la región amazónica de Colombia,
centrándonos en los cambios que ocurrieron entre 2000 y 2016, utilizando imágenes Landsat para
cuantificar los cambios LULC. Luego, nuestros resultados se utilizan para identificar los factores biofísicos y
socioeconómicos específicos de la región que pueden explicar estos cambios.

2. Materiales y métodos
2.1. Área de estudio
 4 de 21

Elegimos como área de estudio un gran subconjunto de la Amazonía colombiana correspondiente

a los departamentos de Caquetá y Putumayo (ver Figura 1), ambos fuertemente afectados por la actividad
humana.

Figura 1Mapa de ubicación de la zona de estudio. (A) Mapa de Colombia mostrando Caquetá (azul) y Putumayo (rojo)
(B) Zoom del área de estudio con áreas protegidas nacionales mostradas en verde.

El departamento de Putumayo está ubicado al sur de Colombia, limita al sur con Ecuador y Perú
y al norte con el departamento de Caquetá. Putumayo tiene dos unidades morfológicas: el
flanco occidental de la cordillera Oriental que se extiende hasta el piedemonte amazónico; y la
llanura amazónica. (“Gobernación de Putumayo,” 2017). El departamento de Caquetá está
ubicado inmediatamente al norte del Putumayo, y consta de tres unidades morfológicas bien
definidas: el flanco oriental de la cordillera Oriental, el piedemonte y la llanura amazónica
(“Gobernación de Caquetá,” 2017).

Toda el área de estudio tiene un clima de selva tropical de acuerdo con la clasificación actualizada de
Koppen-Geiger (Peel et al., 2007). Con base en datos proporcionados por el Instituto de Hidrología,
Meteorología y Estudios Ambientales (IDEAM), la zona presenta una precipitación total de 3235 mm
anuales con una temperatura promedio de 25,11 °C (IDEAM, 2014). Si bien hay precipitaciones durante
todo el año, se pueden definir temporadas de “verano ecológico” en las que la precipitación mensual es
inferior a la media; de igual forma una temporada de “invierno ecológico” en la que el volumen de
precipitaciones es superior a la media mensual (“Corpoamazonia,” 2013 En este régimen unimodal (Fig. 2),
la estacionalidad es importante ya que la fenología de la vegetación podría afectar los patrones LULC de
un área (Jia et al., 2017).
 5 de 21

450 35
400
30
350
25
300

Temperatura (°C)
Precipitación (mm)

250 20

200 15
150
10
100
5
50
0 0
j F METRO A METRO j j A S O norte D
Mes

Figura 2Histograma de cantidades de precipitación (barras azules), temperatura máxima (línea roja),
temperatura promedio (línea verde) y temperatura mínima (línea amarilla). Las barras resaltadas en azul claro indican
meses en los que se adquirieron escenas Landsat.

2.2. Adquisición de datos y preprocesamiento de imágenes

La prevalencia de las nubes en los trópicos hace que la selección de datos sea un desafío, independientemente de
resolución de datos satelitales. Por lo tanto, encontrar una escena Landsat adecuada para una gran área de
interés (AOI) es especialmente difícil y, a veces, imposible (Knudby et al., 2014). Pudimos encontrar cinco pares
adecuados de escenas satelitales Landsat que cubren el área de estudio, cortesía del Servicio Geológico de EE.
UU., que cubre el período de 2000 a 2016. Las características de estas escenas se muestran en la Tabla 1.

Tabla 1.Especificaciones de datos satelitales que muestran las características de las escenas Landsat elegidas, incluida la ruta y la
fila, la fecha de adquisición y el porcentaje de cobertura de nubes para cada período.

Datos Landsat 7 ETM + Landsat 8

Año 2000 2016
Camino/Fila Fecha de adquisición Cubierto de nubes (%) Fecha de adquisición Cubierto de nubes (%)

7/60 diciembre 13 2.00 01 de febrero 0.28

8/60 30 de agosto 0.00 11 de Marzo 16.52
8/59 30 de agosto 7.00 11 de Marzo 11.07
9/59 09 de noviembre 28.00 09 de agosto 46.78
9/60 09 de noviembre 13.00 09 de agosto 61.23

Incluso durante la temporada ecológica de verano, algo de cobertura de nubes está constantemente
presente en la región, especialmente en las áreas más cercanas al flanco oeste de las cordilleras orientales.
El AOI no tenía suficiente estabilidad temporal para aplicar un enfoque de clasificación de conjuntos de
escenas múltiples como lo hizo Knudby et al., (2014) en ausencia de escenas sin nubes. Por esta razón,
nuestra metodología utiliza imágenes de subconjuntos creadas para enfatizar la unidad morfológica de la
llanura amazónica y omitir áreas fuertemente afectadas por la cobertura de nubes. Se crearon un total de
diez imágenes de subconjunto (Fig. 3), cinco para cada período. La presencia de nubes restantes se mitigó
parcialmente a través de correcciones atmosféricas utilizando la herramienta de corrección atmosférica
ATCOR-2® para la eliminación de neblina, según lo sugerido por Song et al. (2001); la banda QA para
máscara de nube; y datos de reflectancia superficial.
 6 de 21

Fig. 3Mapa que muestra la delineación de las imágenes del subconjunto con una misión de radar topográfico de lanzadera (SRTM)
modelo de elevación digital como fondo y un mapa base de superposición de referencia de terreno mundial.

2.3. Clasificación de imágenes

Las clasificaciones de imágenes supervisadas se aplicaron a las imágenes de subconjunto de
2000 y 2016 utilizando el algoritmo de Clasificación de Máxima Verosimilitud (MLC). Se aplicó el
enfoque MLC porque se ha utilizado con éxito para clasificaciones anteriores de Landsat en la región
(Etter et al., 2006b; Messina y Delamater, 2006; Reyes, 2017). Para la clasificación supervisada se
definieron nueve clases de Nivel I para ambos períodos según variaciones espectrales de una misma
categoría LULC. El esquema de clasificación se basó en el sistema de clasificación de cobertura y uso
del suelo desarrollado por Anderson (1976) y definido de acuerdo con las características del suelo
presentes en la región (Cuadro 2).

Tabla 2.Esquema de clasificación de usos y coberturas del suelo.

clase LULC Descripción

Bosque tropical Tierra cubierta por una densa selva amazónica
Vegetación natural, predominantemente pastos, parecidos a pastos
Pastizales
plantas, hierbas o arbustos
Agricultura Campos de cultivo, campos desnudos y pastos

Agua Arroyos, ríos, lagos, estanques y embalses

Suelo Áreas de tierra de suelo expuesto
Tierra estéril Arena, roca y área estéril influenciada por la actividad humana
Urbano residencial, comercial, industrial y mixto
Construido
áreas
nubes Áreas cubiertas por nubes
Oscuridad Áreas sombreadas por nubes
 7 de 21

Se utilizó un compuesto IR de color falso, que es la técnica estándar para la interpretación visual en el
mapeo de bosques tropicales porque proporciona una diferenciación clara de las categorías LULC (Duadze,
2004). El esquema de muestreo para el MLC propuesto por Li et al., (2014) se aplicó a cada imagen de
subconjunto: se dibujaron polígonos alrededor de sitios representativos para cada categoría para definir
sus respectivas firmas espectrales. Los píxeles mixtos son un problema común cuando se utilizan datos
con una resolución espacial media como la de Landsat, especialmente en áreas urbanas que tienen una
combinación heterogénea de características que incluyen edificios, césped, caminos, suelo, vegetación y
agua (Butt et al., 2015) . Para mejorar la precisión de la clasificación, el problema de los píxeles mixtos se
abordó mediante la interpretación visual respaldada por Google Earth.
Los efectos atmosféricos persistentes y las similitudes en las respuestas espectrales de algunas
clases causaron mapas LULC ruidosos, por lo que utilizamos el ingeniero de conocimientos de
ERDAS para aplicar un modelo de sistema de clasificación experto basado en reglas de decisión
jerárquicas definidas por el usuario para reducir los errores de clasificación (Geosystems,
2005) . Usando valores de banda individuales y el Índice de vegetación de diferencia
normalizada (NDVI), los píxeles mal clasificados resultantes de la clasificación inicial fueron
reevaluados y reclasificados adecuadamente, luego confirmados usando interpretación visual y
compuestos de colores falsos. Finalmente, se aplicó una función mayoritaria de vecindad 3x3 a
cada clasificación para recodificar píxeles aislados (Yuan et al., 2005) y reducir el efecto sal y
pimienta. En la Figura 4 se muestra un ejemplo del proceso de mejora posterior a la
clasificación. A través del sistema experto,

A B
Clase Bosque tropical Agricultura Suelo Construido Oscuridad

Pastizales Tierra estéril Agua nubes

Geográfico-político Departamento de Putumayo Departamento de Caquetá Sudamerica

fronteras
higo 4Comparación de los resultados de la clasificación de imágenes para la imagen del subconjunto Path 8 Row 60 de 2016. (A) Inicial

Clasificación de máxima verosimilitud supervisada (B) Resultados de la posclasificación del sistema experto.

2.4. Detección de cambios de LULC

Las imágenes satelitales multitemporales se utilizan habitualmente para detectar y
monitorear cambios en los ecosistemas, y los mapas de la evolución de la cobertura terrestre se
producen comparando un par de imágenes clasificadas de dos períodos de tiempo diferentes
(Coppin et al., 2004). Usamos el algoritmo de extracción de cambios Post-Classification Comparison
(PCC) para comparar los pares de imágenes clasificados de 2000 y 2016. Los mapas de cambio están
sujetos a los mismos errores que las clasificaciones de entrada (Hecheltjen et al., 2014), por lo que
usamos un comparación píxel por píxel de los mapas LULC para producir una matriz de cambios que
muestre cambios cuantitativos "de a". Estos cambios también se pueden mostrar visualmente como
un mapa de detección de cambios, lo que facilita la interpretación (Rawat y Kumar, 2015). El análisis
de tabulación cruzada simplifica el cálculo de la cantidad de conversiones de una clase LULC a otra,
 8 de 21

2.5. Evaluación de precisión

El nivel de precisión que se puede obtener en los mapas LULC depende del nivel de clasificación
empleado, la escala del área y la resolución espacial de las imágenes utilizadas en el análisis
(Stabursvik, 2007). En este estudio, la evaluación de la precisión se realizó mediante un muestreo
aleatorio estratificado para los mapas LULC de ambos períodos, así como para el mapa de detección
de cambios. Se consideró un mínimo de 50 puntos de muestra para cada categoría, según lo
recomendado por Manandhar et al. (2009). Se utilizó un total de 1500 puntos de muestreo para cada
mapa LULC y 500 puntos de muestreo para el mapa de detección de cambios para derivar las
precisiones. El coeficiente Kappa, que a menudo se usa como una medida general de precisión
(Congalton, 2004), no se usó en este estudio porque se cuestionó su idoneidad debido al uso de la
aleatoriedad como referencia (Olofsson et al., 2013; Poncio Jr y Millones, 2011). En su lugar, se
produjo un estimador de área ajustado por error después de realizar la evaluación de precisión, para
calcular los intervalos de confianza para las áreas de cambio de suelo.

3. Resultados y discusión
3.1 Clasificación Supervisada
El MLC que usa la combinación de banda IR de color falso resultó en una muy buena
separabilidad entre la selva tropical y la agricultura de otras categorías de LULC. La banda de
aerosoles costeros de Landsat 8 fue especialmente útil para evaluar y corregir errores causados por
las nubes y la interferencia atmosférica, pero solo se pudo aplicar a las escenas de 2016. Para las
escenas de 2000, se utilizó una combinación de varios valores de banda para realizar una corrección
similar. Para ambos periodos las bandas de onda corta e infrarrojo térmico así como el NDVI fueron
útiles para diferenciar entre tipos de cobertura vegetal. Sin embargo, no existía una regla general
que pudiera aplicarse a todas las clasificaciones supervisadas con el sistema experto; cada escena
tenía sus propias bandas adecuadas específicas y valores NDVI que permitían mejorar la
separabilidad entre las categorías LULC.

Se produjeron mapas LULC (Fig. 5) y estadísticas para ambos períodos, y las áreas totales (y
porcentuales) cubiertas por cada categoría LULC se resumen en la Tabla 3.

Tabla 3LULC categoriza la cobertura total en términos de área y porcentaje para ambos períodos, así como la diferencia (
∆) entre ellos expresada en porcentaje de ganancia (+) y pérdida (-).

2000 2016 ∆
kilómetros2 % kilómetros2 % %
Bosque tropical 42244.52 72.59 39223.96 67.40 - 5,19

Pastizales 3813.48 6.55 2920.30 5.02 - 1,53

Agricultura 9658.07 16.60 13918.16 23.92 7,32

Agua 930.53 1.60 794.36 1.37 - 0,23

Suelo 734.45 1.26 424.20 0.73 - 0,53

Tierra estéril 193.34 0.33 273.58 0.47 0,14

Construido 10.12 0.02 15.64 0.03 0,01
nubes 390.52 0,67 496.58 0.85 0,18
Oscuridad 219.94 0.38 127.72 0.22 - 0,16
 9 de 21

higo 5Uso del suelo/Cobertura terrestremapasde la zona conla red de carreteras - caminos de tierra/rurales (rojo oscuro)

y caminos pavimentados (morado).Resultados de la clasificación supervisada:(A) Mapa LULC para el año 2000
(B)Mapa LULC para el año 2016.
 10 de 21

En general, hubo una disminución sustancial en la cobertura de la selva tropical junto con una reducción
en los pastizales y el suelo. La cobertura de suelo de Bosque Lluvioso Tropical presentó la mayor
disminución en área, perdiendo 3020.56 kilómetros cuadrados en dieciséis años, lo que corresponde a una
reducción de 5.2% de su cobertura original. Una tasa de cambio anual promedio de deforestación de
0.46%, calculada según lo sugerido por Abbas et al. (2016), se obtuvo para toda el área de estudio. Las
áreas de pastizales y suelos disminuyeron en 893,18 y 310,25 kilómetros cuadrados, respectivamente. La
agricultura mostró un gran aumento del 7,32%, equivalente a 4260,10 kilómetros cuadrados, mientras que
la tierra urbanizada y estéril aumentó solo en 5,50 y 80,23 kilómetros cuadrados respectivamente (Cuadro
3).
Al observar las categorías de vegetación LULC por separado para cada departamento (Tabla 4), se puede
ver que el Departamento de Caquetá experimentó una deforestación más alta que el promedio general en
ambos departamentos, perdiendo el 7.95% de la cobertura terrestre de la selva tropical en los dieciséis
años. período de estudio, una tasa promedio de 0.77% por año. Los Pastizales también mostraron una
disminución del 1,03%, mientras que la Agricultura aumentó un 10,02%. Por su parte, el Departamento de
Putumayo mostró una disminución de 2,5% en Pastizales, mientras que Agricultura aumentó 2,11% y Selva
Tropical aumentó solo 0,14%.

Tabla 4Área total de cobertura de las categorías de vegetación en Km.2para cada departamento en ambos periodos.

Departamento de Caquetá Departamento de Putumayo

2000 2016 2000 2016

Bosque tropical 26324.25 23275.51 15920.26 15948.45
Pastizales 2620.55 2224.49 1192.93 695.81
Agricultura 7771.33 11611.85 1886.73 2306.31

Si bien en los municipios del centro y oriente del Putumayo se incrementó claramente la actividad agrícola (aunque no tan sustancialmente como en Caquetá), los municipios del

occidente del departamento mostraron la tendencia opuesta: se observó una disminución en la Agricultura y un aumento en la Selva Tropical. Dado que no se han realizado

proyectos de reforestación en ninguno de los departamentos que puedan explicar el leve aumento de la cobertura del suelo de Bosque Húmedo Tropical en la región occidental del

Departamento del Putumayo, es probable que se deba a la periodicidad del extractivismo y al hecho de que la explotación agrícola la frontera ahora se está expandiendo más hacia

la selva amazónica, donde los recursos aún no se han agotado ni sobreexplotado. Además, parte del aumento de la superficie forestal puede explicarse por la estacionalidad de las

lluvias entre meses. Al comparar esta información con los datos de precipitación promedio del IDEAM, se evidencia que la mayor tasa de deforestación se observa en las épocas más

secas del año, y las mayores tasas de precipitación durante la época lluviosa pueden haber resultado en el aumento aparente de la vegetación en Algunas áreas. Sin embargo, está

claro que la conversión de los bosques a la agricultura no puede explicarse por la estacionalidad. Por lo tanto, la aparente estabilidad en la cobertura total de la selva tropical en

Putumayo puede explicarse por el hecho de que la deforestación en un área ha sido compensada por la reforestación en otra. y las mayores tasas de precipitación durante la

temporada de lluvias pueden haber resultado en el aumento aparente de la vegetación en algunas áreas. Sin embargo, está claro que la conversión de los bosques a la agricultura

no puede explicarse por la estacionalidad. Por lo tanto, la aparente estabilidad en la cobertura total de la selva tropical en Putumayo puede explicarse por el hecho de que la

deforestación en un área ha sido compensada por la reforestación en otra. y las mayores tasas de precipitación durante la temporada de lluvias pueden haber resultado en el

aumento aparente de la vegetación en algunas áreas. Sin embargo, está claro que la conversión de los bosques a la agricultura no puede explicarse por la estacionalidad. Por lo

tanto, la aparente estabilidad en la cobertura total de la selva tropical en Putumayo puede explicarse por el hecho de que la deforestación en un área ha sido compensada por la

reforestación en otra.

En consecuencia, a pesar de que el AOI en su conjunto mostró una gran disminución de la cobertura del
suelo de Bosque Húmedo Tropical y un aumento en la Agricultura (Fig. 5 y Fig. 6), se puede ver que cada
departamento, e incluso los municipios dentro de ellos, tienen afectado de manera diferente a lo largo del
período de estudio. Esto es consistente con las tendencias nacionales descritas por (Armenteras et al.,
2013a), confirmando que el proceso de deforestación en Colombia no es homogéneo, sino que tiene una
alta variabilidad espacial dentro del país tanto en la tasa como en las causas de la deforestación.
deforestación, incluso en departamentos vecinos dentro de la misma región que comparten tipos de
agricultura y políticas nacionales de deforestación.
 11 de 21

3.2 Detección de cambios en el uso del suelo y la cobertura del suelo

En los departamentos de Putumayo y Caquetá, un total de 6382.68 Km.2de la tierra de la

selva tropical se convirtió en otras categorías LULC, de los cuales 4641.76 Km2se convirtieron en
Agricultura. Un total de 6636,10 Km.2Se estableció un nuevo uso de suelo para agricultura. Sin
embargo, 35463.57 Km2de la Selva Tropical se mantuvo sin cambios. La información completa del
cambio “desde – hasta” se presenta en la Tabla 5. Las categorías de cobertura terrestre de nubes y
sombras no se incluyeron en el análisis de detección de cambios.
Los cambios LULC más severos ocurrieron en el Departamento de Caquetá principalmente a lo largo de los ríos y el frente de colonización. En el departamento de Caquetá, una alta tasa de crecimiento poblacional (según

estadísticas del Departamento Administrativo Nacional de Estadística (DANE)) hizo que el frente de colonización avanzara en dirección este hacia la Amazonía. En esta zona, la principal causa de la deforestación es la conversión

de bosque a pastizales para expandir la producción ganadera y la agricultura comercial, en lugar del cultivo ilegal de coca (Dávalos et al., 2016). Junto con la producción ganadera, el potencial de expansión de las plantaciones de

palma aceitera representa una amenaza para los bosques de la zona, ya que Caquetá es muy adecuado para el desarrollo de plantaciones. Los patrones de deforestación a lo largo de los ríos y los frentes de colonización en

Caquetá son claramente diferentes de los patrones de “espina de pescado” observados en la Amazonía brasileña y Ecuador (Sierra, 2000), donde la construcción de carreteras es uno de los principales impulsores de la

deforestación (por ejemplo, Batistella et al. , 2000), determinante que aún no se manifiesta en la Amazonía colombiana. La deforestación observada no está asociada con ninguna construcción de caminos importantes, pero es

posible que la red de caminos rurales/de tierra se haya expandido junto con el desarrollo agrícola. Sin embargo, la resolución de Landsat es demasiado tosca para incluir las carreteras como una categoría separada de cobertura

del suelo porque la mayoría son caminos angostos de tierra y rurales, y no hay carreteras pavimentadas importantes en el área. donde la construcción de carreteras es uno de los principales impulsores de la deforestación (eg

Batistella et al., 2000), determinante que aún no se manifiesta en la Amazonía colombiana. La deforestación observada no está asociada con ninguna construcción de caminos importantes, pero es posible que la red de caminos

rurales/de tierra se haya expandido junto con el desarrollo agrícola. Sin embargo, la resolución de Landsat es demasiado tosca para incluir las carreteras como una categoría separada de cobertura del suelo porque la mayoría

son caminos angostos de tierra y rurales, y no hay carreteras pavimentadas importantes en el área. donde la construcción de carreteras es uno de los principales impulsores de la deforestación (eg Batistella et al., 2000),

determinante que aún no se manifiesta en la Amazonía colombiana. La deforestación observada no está asociada con ninguna construcción de caminos importantes, pero es posible que la red de caminos rurales/de tierra se

haya expandido junto con el desarrollo agrícola. Sin embargo, la resolución de Landsat es demasiado tosca para incluir las carreteras como una categoría separada de cobertura del suelo porque la mayoría son caminos

angostos de tierra y rurales, y no hay carreteras pavimentadas importantes en el área. pero es posible que la red de caminos de tierra/rurales se haya expandido junto con el desarrollo agrícola. Sin embargo, la resolución de

Landsat es demasiado tosca para incluir las carreteras como una categoría separada de cobertura del suelo porque la mayoría son caminos angostos de tierra y rurales, y no hay carreteras pavimentadas importantes en el área.

pero es posible que la red de caminos de tierra/rurales se haya expandido junto con el desarrollo agrícola. Sin embargo, la resolución de Landsat es demasiado tosca para incluir las carreteras como una categoría separada de cobertura del suelo porque la mayoría son cam

En contraste, en la sección sur del área de estudio que corresponde principalmente al

Departamento de Putumayo, la agricultura parece estar migrando de los municipios
occidentales a los centrales y orientales, invadiendo aún más la Amazonía. La mayor parte del
Bosque Húmedo Tropical está preservado, incluso donde no hay zonas de preservación
delineadas, como parques naturales, con la excepción de unas pocas áreas a lo largo de los ríos
y cerca de los principales asentamientos urbanos. Sin embargo, la evidencia de deforestación
en áreas protegidas es preocupante: el parque nacional natural de La Paya en Putumayo perdió
90,42 kilómetros cuadrados de su Bosque Húmedo Tropical. La deforestación de La Paya se
localiza principalmente a lo largo de los ríos Mecaya y Sensella al norte, y al este cerca de
Puerto Leguízamo debido al crecimiento agrícola. Esto es importante porque si bien se presta
mucha atención a la comprensión de los patrones de la biodiversidad, se presta mucha menos
atención a la determinación de las áreas más vulnerables a las amenazas (Wilson et al., 2005).
Los eventos biofísicos ocasionalmente generan cambios adicionales, debido a la combinación
de una mayor erosión del suelo y un aumento de la población: los deslizamientos de tierra y las
inundaciones son los dos principales peligros naturales que enfrenta el Departamento de
Putumayo. Las inundaciones representan la mayor amenaza para el departamento, con un 5%
del territorio sujeto a inundaciones periódicas según el Departamento Nacional de Planeación.
La amenaza de inundación se concentra en los principales cuerpos de agua, particularmente en
los ríos Putumayo y Caquetá. Esto pasa a coincidir con las áreas que presentan deforestación
significativa en el periodo de estudio,
 12 de 21

Tabla 5Matriz de tabulación cruzada. Resultados de la información de cambios "de - a" de LULC entre 2000 y 2016.

2016 (Km2)
TR R A W S licenciado en Derecho BU Total
TR 35463.57 1293.67 4641.76 56.27 324.69 53.44 0.44 41833.85

R 1310.02 918.03 1452.48 37.47 28.33 14.66 0.23 3761.22

A 1686.44 604.72 7125.81 37.22 54.61 52.29 4.57 9565.67

2000 (km2)

W 74.88 23.21 84.53 623.48 3.31 114.10 0.10 923.62

S 255.65 42.39 358.81 16.79 8.31 28.39 0,64 710.96

22.01
licenciado en Derecho 8.53 130.89 15.42 1.14 8.38 6.18 192.56

BU 0.35 0.03 1.36 0.03 0.29 0.03 7.99 10.08

Total 38812.91 2890.58 13795.65 786.69 420.68 271.29 15.34 56997.95

Selva tropical (TR), Pastizales (R), Agricultura (A), Agua (W), Suelo (S), Tierra estéril (BL), Urbanización (BU), Nubes
(C), Sombras (SW)

Del total de 100 categorías de cambio “desde-a”, solo se muestran siete clases en el mapa de detección de
cambios de LULC (Fig. 6), para reducir el número de categorías. Los cambios en la cobertura del suelo o el uso del
suelo en una misma categoría se fusionaron, las clases LULC que no cambiaron y los cambios relacionados con
las nubes o las sombras no se muestran.

higo 6Mapa de detección de cambios de LULC de 2000 a 2016 con un mapa base del terreno como fondo. El
cambio más extenso de la selva tropical a otras clases de LULC se puede ver en rojo, resaltando dónde
se produjo una gran deforestación. Los límites políticos se muestran en negro.
 13 de 21

3.3 Evaluación de la precisión

Para mejorar la precisión de las estimaciones del área LULC, las áreas mapeadas de los cambios
de interés (en este caso, cambios en Agricultura y Selva Tropical) se ajustaron para eliminar el
sesgo atribuible al error de clasificación del mapa, y se calcularon los intervalos de confianza
para para cuantificar la variabilidad de muestreo del área estimada (Olofsson et al., 2013). La
mayoría de nuestras precisiones son similares a las del usuario y productor del 80% o más
reportadas por Hansen et al., (2013) en su análisis de series temporales de imágenes Landsat
para caracterizar la extensión y el cambio de los bosques globales. Mientras que las precisiones
en algunas clases eran tan bajas como el 60 %, las precisiones del usuario para los cambios en
la selva tropical y la agricultura fueron altas: 95 % y 96 %, respectivamente. El método sugerido
por Olofsson et al.2, con un intervalo de confianza del 95%. Esto es más pequeño que el área
calculada a partir del cambio de mapa usando el "conteo de píxeles" (6382.68 Km2), pero el área
de conteo de píxeles aún se encuentra dentro del intervalo de confianza del 95 % del área
estimada ajustada por error. Las medidas de precisión con sus incertidumbres asociadas se
muestran en el Apéndice (Tablas 6, 7 y 8).

3.4 Deforestación en los Departamentos de Caquetá y Putumayo

Nuestra comprensión de las causas del cambio de la tierra ha avanzado significativamente en los últimos años e involucra interacciones específicas de la situación

entre una gran cantidad de factores en diferentes escalas espaciales y temporales (Geist et al., 2006). En Colombia las causas de la deforestación son diversas y resultan de una

compleja red de factores ambientales, sociales, económicos y políticos que difieren en cada una de las regiones del país (Lambin et al., 2001), muchas veces potenciados por factores

contextuales como las políticas de ocupación de tierras y desarrollo agrícola, conflicto armado, pobreza y ausencia institucional entre otros (“Coca y Deforestación: Mensajes de

acción para la planeación del desarrollo,” 2017). Si bien la deforestación en la Amazonía brasileña está fuertemente relacionada con factores macroeconómicos, infraestructura de

transporte y presiones demográficas (Fearnside, 2005), en la Amazonía colombiana las actividades ilegales están provocando una importante deforestación. Según la Oficina de las

Naciones Unidas contra la Droga y el Delito, las plantaciones de coca habían estado disminuyendo en Colombia desde 2000, sin embargo, se informó un aumento del 51 % entre

2014 y 2015. Esto puede estar relacionado con la creencia de los agricultores de que aumentar su producción de coca mejoraría. su poder de negociación durante el proceso de paz

(UNODC, 2017). Las tasas anuales promedio de pérdida para nuestro estudio de 16 años de la Amazonía colombiana son más altas que las estimaciones de otros estudios que

sugieren una tasa anual de cambio de la cubierta forestal entre sin embargo, se informó un aumento del 51 % entre 2014 y 2015. Esto puede estar relacionado con la creencia de los

agricultores de que aumentar su producción de coca mejoraría su poder de negociación durante el proceso de paz (UNODC, 2017). Las tasas anuales promedio de pérdida para

nuestro estudio de 16 años de la Amazonía colombiana son más altas que las estimaciones de otros estudios que sugieren una tasa anual de cambio de la cubierta forestal entre sin

embargo, se informó un aumento del 51 % entre 2014 y 2015. Esto puede estar relacionado con la creencia de los agricultores de que aumentar su producción de coca mejoraría su

poder de negociación durante el proceso de paz (UNODC, 2017). Las tasas anuales promedio de pérdida para nuestro estudio de 16 años de la Amazonía colombiana son más altas

que las estimaciones de otros estudios que sugieren una tasa anual de cambio de la cubierta forestal entre

− 0,38% (Achard et al., 2014) y −0,4% en Sudamérica tropical (FAO, 2015).

Los conflictos ambientales que se dan tanto en Caquetá como en Putumayo consisten
principalmente en dos factores: la incompatibilidad del uso actual del suelo en relación con la
capacidad del bosque para sustentarlo, y la sobreexplotación de los recursos a través de
diferentes formas de extractivismo, sin reposición ni regulación alguna (Montoya , 2000). Tanto
los megaproyectos como las iniciativas de extractivismo han resultado en la contaminación de
las fuentes de agua, el aumento exponencial de la deforestación y el aumento de la
vulnerabilidad al cambio climático, ya que se sabe que la deforestación provoca un aumento de
la temperatura superficial y cambios en los patrones de lluvia debido a la pérdida de
evapotranspiración, y alteraciones en el ciclo del carbono (Costa y Foley, 2000; Shukla et al.,
1990). Históricamente, en el Departamento del Putumayo no ha existido una política clara de
conservación ambiental; por lo tanto,

Conclusiones
La economía de la Amazonía colombiana aún depende de la ganadería extensiva, la
extracción de madera, la minería y la producción agrícola. En consecuencia, el
 14 de 21

Los impactos ambientales de estas actividades, junto con otras actividades como la caza y la pesca
comercial, son significativos. Además, la concentración desorganizada de la población en toda la región
debido a viviendas autoconstruidas sin planificación ha provocado la fragmentación de la tierra. Con base
en las altas tasas de deforestación observadas en este estudio, se deben establecer e implementar
estrategias adecuadas de gestión del uso de la tierra y planes de desarrollo para ayudar a proteger la selva
amazónica y evitar más daños a largo plazo debido a las acciones humanas. Esto requerirá el uso de la
variabilidad regional que observamos dentro de cada departamento para ayudar a enfocar futuros
estudios sociales, económicos y ecológicos destinados a mejorar nuestra comprensión de las fuerzas
impulsoras específicas de la región e identificar posibles estrategias de mitigación. La deforestación dentro
de las áreas protegidas debe monitorearse de cerca porque estas son las áreas que han sido identificadas
como prioritarias para la conservación y los resultados de nuestro estudio muestran que son altamente
vulnerables a las presiones que impulsan la deforestación. Las actividades ilegales deben abordarse
específicamente, ya que pueden estar causando los cambios e impactos más importantes en el medio
ambiente de la región: debido a que son ilícitas, ocurren desproporcionadamente dentro de los parques
protegidos, donde pueden ocultarse mejor.
Dado el reciente proceso de paz en Colombia que marcó el fin oficial del conflicto armado interno en 2016, sería
especialmente interesante seguir rastreando la deforestación en Putumayo y Caquetá, ambos fuertemente
afectados por el conflicto armado, para ver si las tasas y los patrones de LULC cambiarán en respuesta. El
seguimiento de los cambios de un año a otro utilizando datos de alta resolución (cuando estén disponibles) sería
especialmente útil para correlacionar condiciones económicas y políticas específicas con las tasas y distribuciones
anuales de deforestación. Sospechamos que una reducción en las nuevas plantaciones de cultivos ilegales en las
reservas de parques nacionales, y posiblemente la reforestación natural que reemplace los cultivos existentes,
puede ser uno de los resultados.

Agradecimientos
Nos gustaría agradecer a la Universidad de los Andes por financiar este proyecto a través del Fondo de
Apoyo de Profesores Asistentes, y al Servicio Geológico de EE. UU. por proporcionar los datos de Landsat
sin costo alguno.

Conflictos de interés
Los autores declaran no tener conflicto de intereses

Referencias
Abbas, S., Nichol, JE, Fischer, GA, 2016. Una perspectiva de 70 años sobre la regeneración de los bosques tropicales.
ciencia Entorno Total. 544, 544–552. https://doi.org/10.1016/j.scitotenv.2015.11.171 Achard,
F., Beuchle, R., Mayaux, P., Stibig, H., Bodart, B., Brink, A., Carboni, S ., Desclée, B.,
Donnay, F., Eva, HD, Lupi, A., Raši, R., Seliger, R., Simonetti, D., 2014. Determinación de las tasas
de deforestación tropical y pérdidas de carbono relacionadas entre 1990 y 2010. Glob. Cambio
Biol. 20, 2540–2554. https://doi.org/10.1111/gcb.12605
Achard, F., DeFries, R., Eva, H., Hansen, M., Mayaux, P., Stibig, H.-J., 2007. Pantropical
seguimiento de la deforestación. Reinar. Res. Letón. 2, 045022. https://doi.org/
10.1088/1748-9326/2/4/045022
Alves, DS, 2002. Un análisis de los patrones geográficos de deforestación en el Brasil
Amazonía en el período 1991-1996. Deforestación Uso de la Tierra Amaz. 95–106.
Alves, DS, Batistella, M., Linhares, CA, 2009. Un análisis de la fragmentación del paisaje en el
Amazonía brasileña en base a datos de deforestación derivados de imágenes Landsat.
Amazonas Rainforest [Documento WWW], 2015. . Greenpeace Estados Unidos. URL https://
www.greenpeace.org/usa/forests/amazon-rainforest/ (consultado el 23 de marzo de 2018).
Anderson, JR, 1976. A Land Use and Land Cover Classification System for Use with Remote
Datos del sensor. Imprenta del Gobierno de los Estados Unidos.
 15 de 21

Armenteras, D., Cabrera, E., Rodríguez, N., Retana, J., 2013a. nacional y regional
determinantes de la deforestación tropical en Colombia. registro Reinar. Cambio 13, 1181– 1193.
https://doi.org/10.1007/s10113-013-0433-7
Armenteras, D., Cabrera, E., Rodríguez, N., Retana, J., 2013b. nacional y regional
determinantes de la deforestación tropical en Colombia. registro Reinar. Cambio 13, 1181– 1193.
https://doi.org/10.1007/s10113-013-0433-7
Armenteras, D., Rudas, G., Rodriguez, N., Sua, S., Romero, M., 2006. Patrones y causas de
deforestación en la amazonía colombiana. Ecol. índico 6, 353–368. https://doi.org/
10.1016/j.ecolind.2005.03.014
Batistella, M., Brondizio, ES, Moran, EF, 2000. Análisis comparativo del paisaje
fragmentación en Rondônia, Amazonia brasileña. En t. Arco. Fotograma. Sensores remotos 33,
148–155.
Bewernick, T., de Tanago Meñaca, JG, Herold, M., Verbesselt, J., 2015. Mapping Post
Deforestación Uso de la Tierra en la Amazonía Brasileña Utilizando Series Temporales de Teledetección.
Boucher, D., Elias, P., Lininger, K., May-Tobin, C., Roquemore, S., Saxon, E., 2011. La raíz de
el problema: ¿qué está impulsando la deforestación tropical hoy? problema raíz ¿Qué es Driv? trop. La
deforestación hoy.
Butt, A., Shabbir, R., Ahmad, SS, Aziz, N., 2015. Mapeo y análisis del cambio de uso de la tierra usando
Teledetección y SIG: un estudio de caso de la cuenca hidrográfica de Simly, Islamabad, Pakistán. Egipto. J.
Sensor Remoto Ciencia Espacial. 18, 251–259. https://doi.org/10.1016/j.ejrs.2015.07.003
Carreiras, JMB, Pereira, JMC, Shimabukuro, YE, 2006. Mapeo de la cobertura del suelo en Brasil
Amazon utiliza datos de vegetación SPOT-4 y métodos de clasificación de aprendizaje automático.
Fotograma. Ing. Sensores remotos 72, 897–910. https://doi.org/10.14358/PERS.72.8.897 Chazdon, RL,
Guariguata, MR, 2016. La regeneración natural como herramienta para los bosques a gran escala
restauración en los trópicos: perspectivas y desafíos. Biotrópica 48, 716–730. https://
doi.org/10.1111/btp.12381
Coca y Deforestación: Mensajes de acción para la planeación del desarrollo, 2017. Congalton, RG,
2004. Putting the map back in map precision Assessment. SIG de sensores remotos
Evaluación de precisión. 1–11.
Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., Lambin, E., 2004. Detección de cambios digitales
métodos en el monitoreo de ecosistemas: una revisión. En t. J. Remote Sens. 25, 1565–1596.
https://doi.org/10.1080/0143116031000101675
Corpoamazonia [WWW Documento], 2013. . Clima. URL
http://www.corpoamazonia.gov.co/region/Jur_Clima.htm (consultado el 22.11.17). Costa,
MH, Foley, JA, 2000. Efectos combinados de la deforestación y la duplicación atmosférica
Concentraciones de CO2 en el Clima de la Amazonia. J. Clim. 13, 18–34. https://doi.org/
10.1175/1520-0442(2000)013<0018:CEODAD>2.0.CO;2
Curatola Fernández, GF, Obermeier, WA, Gerique, A., López Sandoval, MF, Lehnert, LW,
Thies, B., Bendix, J., 2015. Cambio de cobertura terrestre en los Andes del sur de Ecuador:
patrones y factores determinantes. Sensores remotos 7, 2509–2542. https://doi.org/10.3390/
rs70302509 Dávalos, LM, Sanchez, KM, Armenteras, D., 2016. Deforestación y Cultivo de Coca Arraigados
en Proyectos de Desarrollo del Siglo XX. Biociencia 66, 974–982. https://doi.org/10.1093/
biosci/biw118
Dewan, AM, Yamaguchi, Y., 2009. Uso de la tierra y cambios en la cobertura de la tierra en el Gran Dhaka,
Bangladesh: uso de sensores remotos para promover la urbanización sostenible. aplicación Geogr. 29,
390–401. https://doi.org/10.1016/j.apgeog.2008.12.005
Duadze, SEK, 2004. Estudio de Uso y Cobertura del Suelo del Ecosistema de Sabana en el Alto
Región Oeste (Ghana) usando sensores remotos. Cuvillier Verlag.
Etter, A., Mcalpine, C., Phinn, S., Pullar, D., Possingham, H., 2006a. Caracterizando un trópico
ola de deforestación: un análisis espacial dinámico de un punto crítico de deforestación en el
 16 de 21

amazonia colombiana. globo Cambio Biol. 12, 1409–1420. https://doi.org/10.1111/j.1365-

2486.2006.01168.x
Etter, A., McAlpine, C., Phinn, S., Pullar, D., Possingham, H., 2006b. Desmonte no planificado de terrenos
Selvas colombianas: ¿Se propagan como una enfermedad? Landsc. Plan Urbano. 77, 240–254.
https://doi.org/10.1016/j.landurbplan.2005.03.002
Etter, A., McAlpine, C., Wilson, K., Phinn, S., Possingham, H., 2006c. Patrones regionales de
Uso de suelo agrícola y deforestación en Colombia. agricola ecosistema Reinar. 114, 369– 386.
https://doi.org/10.1016/j.agee.2005.11.013
FAO, 2015. Evaluación de los recursos forestales mundiales 2015.
Fearnside, PM, 2005. Deforestación en la Amazonía brasileña: Historia, Tasas y Consecuencias.
Conservar Biol. 19, 680–688. https://doi.org/10.1111/j.1523-1739.2005.00697.x
Geist, H., McConnell, W., Lambin, EF, Moran, E., Alves, D., Rudel, T., 2006. Causas y
Trayectorias del cambio de uso/cobertura del suelo, en: Cambio de uso y cobertura del suelo.
Springer, Berlín, Heidelberg, págs. 41–70. https://doi.org/10.1007/3-540-32202-7_3 Geosystems,
L., 2005. Guía de campo ERDAS. Imágenes geoespaciales de Leica Geosystems de Norcross Ga.
LLC.
gobernacion Delaware Caquetá [WWW Documento], 2017. . hist. Caquetá. URL
http://www.caqueta.gov.co/departamento/historia-del-caqueta (consultado el
16.10.17). Gobernación de Putumayo [Documento WWW], 2017. . información URL general
https://www.putumayo.gov.co/informacion-general.html (consultado el 10.10.17).
Gobernación del Caquetá, 2016. Plan de Desarrollo Departamental del Caquetá: Plan De
Desarrollo “Con Usted Hacemos Mas Por El Caquetá 2016-2019.”
Gobernación del Putumayo, 2016. Plan de Desarrollo Departamental: Putumayo territorio de
paz, biodiverso y ancestral.
Grainger, A., 1996. Evaluación de la evaluación de los recursos forestales tropicales de la FAO, 1990.
Geogr. J. 162, 73–79. https://doi.org/10.2307/3060217
Grinand, C., Rakotomalala, F., Gond, V., Vaudry, R., Bernoux, M., Vieilledent, G., 2013.
Estimación de la deforestación en bosques tropicales húmedos y secos en Madagascar desde 2000 hasta 2010
utilizando imágenes satelitales Landsat de fechas múltiples y el clasificador de bosques aleatorios. Sensores
Remotos Entorno. 139, 68–80. https://doi.org/10.1016/j.rse.2013.07.008
Guild, LS, Cohen, WB, Kauffman, JB, 2004. Detección de deforestación y conversión de tierras en
Rondônia, Brasil utilizando técnicas de detección de cambios. En t. J. Remote Sens. 25, 731–750.
https://doi.org/10.1080/01431160310001598935
Hansen, MC, Potapov, PV, Moore, R., Hancher, M., Turubanova, SA, Tyukavina, A., Thau,
D., Stehman, SV, Goetz, SJ, Loveland, TR, Kommareddy, A., Egorov, A., Chini, L., Justice,
CO, Townshend, JRG, 2013. Mapas globales de alta resolución de los bosques del siglo
XXI Cambio de portada. Ciencia 342, 850–853. https://doi.org/10.1126/science.1244693
Hansen, MC, Stehman, SV, Potapov, PV, Arunarwati, B., Stolle, F., Pittman, K., 2009.
Cuantificación de los cambios en las tasas de tala de bosques en Indonesia de 1990 a 2005 utilizando
conjuntos de datos de detección remota. Reinar. Res. Letón. 4, 034001. https://doi.org/
10.1088/1748-9326/4/3/034001
Hecheltjen, A., Thonfeld, F., Menz, G., 2014. Avances recientes en el cambio de sensores remotos
Detección: una revisión, en: Cartografía del uso y la cobertura del suelo en Europa,
teledetección y procesamiento digital de imágenes. Springer, Dordrecht, págs. 145–178.
https://doi.org/10.1007/978-94-007-7969-3_10
IDEA, [WWW
2014. Atlas climatológico de Colombia http://www.ideam.gov.co/web/tiempo-
Documento]. URL
yclima/atlas#_48_INSTANCE_xoDpvO7rhD5O_%3Dhttp%253A%252F%252Fwww.idea
m.gov.co%252FAtlasWeb%252Findex.html%253F (consultado el 19.6.18).

IDEAM, 2002. Primera Generación de Indicadores de la Línea Base de la Información Ambiental

de Colombia.
 17 de 21

Jia, Y., Tang, L., Wang, L., 2017. Influencia de los factores ecológicos en la estimación de la impermeabilidad
Área de superficie utilizando imágenes Landsat 8. Sensor Remoto 9, 751. https://
doi.org/10.3390/rs9070751
Kim, D.-H., Sexton, JO, Townshend, JR, 2015. Deforestación acelerada en los trópicos húmedos
desde la década de 1990 hasta la década de 2000. Geofísico. Res. Letón. 42, 2014GL062777.
https://doi.org/10.1002/2014GL062777
Knudby, A., Nordlund, LM, Palmqvist, G., Wikström, K., Koliji, A., Lindborg, R., Gullström,
M., 2014. El uso de múltiples escenas de Landsat en un clasificador de conjunto reduce el error de clasificación
en un entorno estable cerca de la costa. En t. Aplicación J. Observación de la Tierra Geoinformación 28, 90–
101. https://doi.org/10.1016/j.jag.2013.11.015
Lambin, EF, Geist, HJ, Lepers, E., 2003. Dynamics of Land-Use and Land-Cover Change in
Regiones tropicales. año Rev. Medio Ambiente. recurso 28, 205–241. https://doi.org/
10.1146/annurev.energy.28.050302.105459
Lambin, EF, Turner, BL, Geist, HJ, Agbola, SB, Angelsen, A., Bruce, JW, Coomes, OT,
Dirzo, R., Fischer, G., Folke, C., George, PS, Homewood, K., Imbernon, J., Leemans, R., Li,
X., Moran, EF, Mortimore, M., Ramakrishnan, PS, Richards, JF, Skånes, H., Steffen, W.,
Stone, GD, Svedin, U., Veldkamp, TA, Vogel, C., Xu, J., 2001. Las causas del uso de la
tierra y la Cambio de portada: más allá de los mitos. globo Reinar. Cambio 11, 261–269.
https://doi.org/10.1016/S0959-3780(01)00007-3
Leonel, C., 2016. Parar la deforestación en el Putumayo, una necesidad y un reto para todos.
Revista Inf. Dígito. Putumayo.
Lewis, SL, Edwards, DP, Galbraith, D., 2015. Aumento del dominio humano de los bosques tropicales.
Ciencia 349, 827–832. https://doi.org/10.1126/science.aaa9932
Li, C., Wang, J., Wang, L., Hu, L., Gong, P., 2014. Comparación de algoritmos de clasificación y
Capacitación de tamaños de muestra en clasificación de suelos urbanos con imágenes Landsat
Thematic Mapper. Sensores remotos 6, 964–983. https://doi.org/10.3390/rs6020964
Li, G., Lu, D., Moran, E., Hetrick, S., 2011. Clasificación de la cobertura terrestre en una región tropical húmeda de
Brasil con imágenes Landsat Thematic Mapper. En t. J. Remote Sens. 32, 8207–8230. https://
doi.org/10.1080/01431161.2010.532831
Linares, JR, Cárdenas, W., Baquero, C., 2007. Cambio de la cobertura boscosa como sucedáneo
de la dinámica colonizadora en el Departamento del Caquetá, 1986-20001. Rev. Investigador. 7,
95–104.
Locklin, CC, Haack, B., 2003. Medidas de deforestación en la carretera en el área amazónica de
bolivia Reinar. Administrar. 31, 774–783. https://doi.org/10.1007/s00267-002-2867-4 Lu,
D., Batistella, M., Li, G., Moran, E., Hetrick, S., Freitas, C. da C., Dutra, LV, Sant'Anna,
SJS, 2012. Clasificación del uso/cobertura del suelo en la Amazonía brasileña utilizando imágenes
de satélite. Pesquí. Agropecuária Bras. 47, 1185–1208. https://doi.org/10.1590/
S0100-204X2012000900004
Lu, D., Li, G., Moran, E., Hetrick, S., 2013. Detección de cambios en la vegetación en Brasil
Amazon con Imágenes Landsat Multitemporales. Sensores Remotos Nat. recurso 127–140.
Manandhar, R., Odeh, IOA, Ancev, T., 2009. Mejorar la precisión del uso de la tierra y la
Cubrir la clasificación de los datos de Landsat utilizando la mejora posterior a la clasificación. Sensor
remoto 1, 330–344. https://doi.org/10.3390/rs1030330
Margono, BA, Turubanova, S., Zhuravleva, I., Potapov, P., Alexandra Tyukavina, Baccini, A.,
Goetz, S., Hansen, MC, 2012. Mapeo y monitoreo de la deforestación y la degradación forestal en
Sumatra (Indonesia) utilizando conjuntos de datos de series temporales de Landsat de 1990 a
2010. Environ. Res. Letón. 7, 034010. https://doi.org/10.1088/1748-9326/7/3/034010 Marsik, M.,
Stevens, FR, Southworth, J., 2011. Deforestación amazónica: tasas y patrones de
cambio y fragmentación de la cobertura del suelo en Pando, norte de Bolivia, 1986 a 2005. Prog.
física Geogr. Entorno terrestre. 35, 353–374. https://doi.org/10.1177/0309133311399492
Matthews, E., 2001. Understanding the FRA 2000. Oceanía 88, 129.
 18 de 21

Messina, JP, Delamater, PL, 2006. Deshoje y guerra contra las drogas en Putumayo, Colombia.
En t. J. Remote Sens. 27, 121–128. https://doi.org/10.1080/01431160500293708 Ministerio de
Ambiente y Desarrollo Sostenible, 2015. Plan Nacional de Restauración Ecológica,
Rehabilitación y Recuperación de Áreas Degradadas.
Montoya, C., 2000. Municipio de Leguízamo. Plan De Ordenamiento Territorial.
Oliveira, PJC, Asner, GP, Knapp, DE, Almeyda, A., Galván-Gildemeister, R., Keene, S.,
Raybin, RF, Smith, RC, 2007. La asignación del uso de la tierra protege la Amazonía peruana.
Ciencia 317, 1233–1236. https://doi.org/10.1126/science.1146324
Olofsson, P., Foody, GM, Stehman, SV, Woodcock, CE, 2013. Hacer un mejor uso de la precisión
datos en estudios de cambio de suelo: estimación de la precisión y el área y cuantificación de la
incertidumbre mediante estimación estratificada. Sensores Remotos Entorno. 129, 122–131.
https://doi.org/10.1016/j.rse.2012.10.031
Peel, MC, Finlayson, BL, Mcmahon, TA, 2007. Mapa mundial actualizado de Köppen-Geiger
clasificación climática. Hidrol. Sistema Tierra ciencia Conversar. 4, 439–473.
Perz, SG, Aramburú, C., Bremner, J., 2005. Población, Uso del Suelo y Deforestación en el Pan
Cuenca Amazónica: Comparación de Brasil, Bolivia, Colombia, Ecuador, Perú y Venezuela.
Reinar. desarrollo Sostener. 7, 23–49. https://doi.org/10.1007/s10668-003-6977-9 Pontius Jr,
RG, Millones, M., 2011. Muerte a Kappa: nacimiento del desacuerdo de cantidad y
desacuerdo de asignación para la evaluación de la precisión. En t. J. Remote Sens. 32, 4407–4429.
https://doi.org/10.1080/01431161.2011.552923
Ramankutty, N., Amato T., E., Monfreda, C., Foley, JA, 2008. Farming the planet: 1.Geographic
distribución de las tierras agrícolas mundiales en el año 2000. Glob. Biogeoquímica. Ciclos 22.
https://doi.org/10.1029/2007GB002952
Rawat, JS, Kumar, M., 2015. Monitoreo del uso de la tierra/cambio de cobertura usando sensores remotos y GIS
técnicas: un estudio de caso del bloque Hawalbagh, distrito de Almora, Uttarakhand, India.
Egipto. J. Sensor Remoto Ciencia Espacial. 18, 77–84. https://doi.org/10.1016/j.ejrs.2015.02.002
Reyes, MC, 2017. Evaluación de la deforestación en las sabanas del Yarí a partir de un análisis
multitemporal de imágenes de satélite Landsat años 2010 y 2017 por medio del
procesamiento digital de imágenes (Tesis). Universidad Militar Nueva Granada. Riaño
Umbarila, E., Duarte, V., Júnior, RS, 2007. Aplicación de la metodología de PRODES
Digital y detalle de su leyenda en el área de la frontera Leticia (Colombia)-Tabatinga (Brasil).
Perspectiva. Geográfica 13.
Rocha-Santos, L., Pessoa, MS, Cassano, CR, Talora, DC, Orihuela, RLL, Mariano-Neto, E.,
Morante-Filho, JC, Faria, D., Cazetta, E., 2016. La reducción de un bosque: la deforestación a escala
del paisaje conduce a cambios generales en la estructura del bosque local. Biol. Conservar 196, 1–
9. https://doi.org/10.1016/j.biocon.2016.01.028
Ruiz, J., 1989. Desarrollo regional en Colombia: ordenamiento ambiental y desarrollo regional.
Cuád. Economía Ind. Rural 22.
Ruiz, J., Cárdenas, W., Baquero, C., 2011. Deforestación y Dinámica del Bosque Secundario en la
Amazonia Colombiana 1986-2000. Rev. Acad. colombino Cienc. Exactas Físicas Nat. 35, 531–
545.
Salovaara, KJ, Thessler, S., Malik, RN, Tuomisto, H., 2005. Clasificación de especies amazónicas
vegetación de la selva tropical primaria utilizando imágenes satelitales Landsat ETM+. Sensores
Remotos Entorno. 97, 39–51. https://doi.org/10.1016/j.rse.2005.04.013
Santos, F., Dubovyk, O., Menz, G., 2017. Monitoreo de la Dinámica Forestal en la Amazonía Andina:
La aplicabilidad de los métodos de detección de puntos de quiebre mediante el uso de algoritmos
genéticos y series temporales de Landsat. Remote Sens. 9, 68. https://doi.org/10.3390/rs9010068
Shimabukuro, YE, Duarte, V., Santos, JR dos, Batista, GT, 2000. Mapeo y monitoreo
áreas de deforestación en la región amazónica usando clasificación semiautomática de imágenes
Landsat Thematic Mapper, en: IGARSS 2000. IEEE 2000 Simposio Internacional de Geociencias y
Sensores Remotos. Tomando el pulso del planeta: el papel del control remoto
 19 de 21

La detección en la gestión del medio ambiente. Procedimientos (Cat. No. 00CH37120).

Presentado en el IGARSS 2000. Simposio Internacional de Geociencias y Teledetección IEEE
2000. Tomando el pulso del planeta: el papel de la teledetección en la gestión del medio
ambiente. Procedimientos (Cat. No. 00CH37120), págs. 1999–2001 vol.5. https://doi.org/
10.1109/IGARSS.2000.858226
Shukla, J., Nobre, C., Sellers, P., 1990. Deforestación amazónica y cambio climático. ciencia 247,
1322-1325. https://doi.org/10.1126/science.247.4948.1322
Sierra, R., 2000. Dinámica y patrones de deforestación en la Amazonía occidental: el Napo
frente de deforestación, 1986–1996. aplicación Geogr. 20, 1–16. https://doi.org/10.1016/
S0143-6228(99)00014-4
Song, C., Woodcock, CE, Seto, KC, Lenney, MP, Macomber, SA, 2001. Clasificación y
Detección de cambios utilizando datos de Landsat TM: ¿Cuándo y cómo corregir los efectos
atmosféricos? Sensores Remotos Entorno. 75, 230–244. https://doi.org/10.1016/
S0034-4257(00)00169-3
Souza, C., Firestone, L., Silva, LM, Roberts, D., 2003. Mapeo de la degradación forestal en el Este
Amazon desde SPOT 4 a través de modelos de mezcla espectral. Remote Sens. Environ.,
Experimento de atmósfera de biosfera a gran escala en Amazonia 87, 494–506. https://
doi.org/10.1016/j.rse.2002.08.002
Souza, J., Siqueira, JV, Ventas, MH, Fonseca, AV, Ribeiro, JG, Numata, I., Cochrane, MA,
Barber, CP, Roberts, DA, Barlow, J., 2013. Clasificación Landsat de diez años de
deforestación y degradación forestal en la Amazonía brasileña. Sensor Remoto 5, 5493–
5513. https://doi.org/10.3390/rs5115493
Stabursvik, EM, 2007. El desafío de identificar y conservar ecosistemas valiosos close
a los asentamientos humanos en una zona norte. Un enfoque basado en datos de campo y de satélite.
UNODC, 2017. Colombia: Levantamiento de territorios afectados por cultivos ilícitos – 2016.
Viña, A., Echavarria, FR, Rundquist, DC, 2004. Análisis de detección de cambio satelital de
Tasas y patrones de deforestación a lo largo de la frontera entre Colombia y Ecuador. AMBIO J.
Hum. Reinar. 33, 118–125. https://doi.org/10.1579/0044-7447-33.3.118
Wilson, K., Newton, A., Echeverría, C., Weston, C., Burgman, M., 2005. Un análisis de vulnerabilidad
de los bosques templados del centro sur de Chile. Biol. Conservar 122, 9–21. https://
doi.org/10.1016/j.biocon.2004.06.015
Yuan, F., Sawaya, KE, Loeffelholz, BC, Bauer, ME, 2005. Clasificación de cobertura terrestre y
análisis de cambio del Área Metropolitana de Twin Cities (Minnesota) por teledetección
multitemporal Landsat. Sensores Remotos Entorno. 98, 317–328. https://doi.org/
10.1016/j.rse.2005.08.006
Zuleta, AMP, 2015. Estudio Multitemporal de la Deforestación en Colombia Utilizando
Procesamiento de Imágenes. Rev. Ingenio UFPSO 8, 159–175.

Apéndice

Medidas de precisión con sus incertidumbres asociadas para las clasificaciones supervisadas de ambos
periodos y para el análisis de detección de cambios.

Tabla 6Medidas de precisión de la clasificación supervisada para el año 2000 con intervalos de confianza
del 95%.

MEDIDAS DE PRECISIÓN
CLASE Precisión del usuario Precisión del productor Precisión general
TR 0,99 ± 0,01 0,99 ± 0,04 0,98 ± 0,01
R 0,90 ± 0,04 0,96 ± 0,03
 20 de 21

A 0,95 ± 0,02 0,96 ± 0,02

W 0,95 ± 0,03 0,98 ± 0,02
S 0,92 ± 0,04 0,89 ± 0,03
licenciado en Derecho 0,93 ± 0,04 0,60 ± 0,04
BU 0,98 ± 0,03 0,64 ± 0,02
C 0,98 ± 0,02 0,69 ± 0,05
SUDOESTE 0,97 ± 0,03 0,72 ± 0,03

Selva tropical (TR), Pastizales (R), Agricultura (A), Agua (W), Suelo (S), Tierra estéril (BL), Urbanización (BU), Nubes
(C), Sombras (SW)

Tabla 7Medidas de precisión de la clasificación supervisada para el año 2016 con intervalos de confianza
del 95%.

MEDIDAS DE PRECISIÓN
CLASE Precisión del usuario Precisión del productor Precisión general
TR 0,98 ± 0,02 1,00 ± 0,03
R 0,89 ± 0,04 0,87 ± 0,02
A 0,98 ± 0,01 0,94 ± 0,02
W 0,95 ± 0,03 0,97 ± 0,03
0,97 ± 0,01
S 0,94 ± 0,03 0,87 ± 0,03
licenciado en Derecho 0,90 ± 0,04 0,74 ± 0,03
BU 0,96 ± 0,03 0,81 ± 0,02
C 1,00 ± 0,01 0,97 ± 0,05
SUDOESTE 0,97 ± 0,03 0,98 ± 0,01
Selva tropical (TR), Pastizales (R), Agricultura (A), Agua (W), Suelo (S), Tierra estéril (BL), Urbanización (BU), Nubes
(C), Sombras (SW)

Tabla 8Medidas de precisión del análisis de detección de cambios presentadas con un intervalo de confianza del 95 %.

MEDIDAS DE PRECISIÓN
CAMBIO Precisión del usuario Precisión del productor Precisión general
1 0,95 ± 0,05 0,72 ± 0,02
2 0,91 ± 0,04 0,99 ± 0,06
3 0,96 ± 0,05 0,90 ± 0,03
4 0,97 ± 0,04 0,68 ± 0,05
0,92 ± 0,02
5 0,96 ± 0,04 1,00 ± 0,06
6 0,95 ± 0,04 0,65 ± 0,04
7 0,95 ± 0,05 0,72 ± 0,03
A la selva tropical (1), a los pastizales (2), a la agricultura (3), a las masas de agua (4), al suelo (5), a la tierra estéril
(6), A Construido (7).

DESTACAR

- La deforestación en curso en la Amazonía colombiana tiene una red diversa de causas

- La deforestación tiene una alta variabilidad espacial tanto en términos de tasas como de causas

- Las actividades ilegales pueden estar provocando cambios importantes en la región

- Las actividades humanas que causan la deforestación han avanzado más en la Amazonía