1

I. INTRODUCCIÓN

Los estudios de cambio de cobertura y uso de suelos proporcionan la base

para conocer las tendencias de los procesos de deforestación, degradación,
desertificación y pérdida de biodiversidad en un determinado espacio. (García et al.,
2012). Los modelos de cambio de cobertura y uso de suelo han sido desarrollados
para determinar dónde, cómo y por qué ocurren estos cambios (Olivia, 2011).

Siendo importante para el ordenamiento territorial, ya que permiten visualizar

los impactos ya ocurridos y que bien ocurriendo por actividades antrópicas en el uso
de los suelos y realizar modelos predictivos para la búsqueda de estrategias de
regulación de dichos impactos, realizando un manejo adecuado y uso óptimo del
territorio y sus recursos naturales (Lambien et al., 2001).

La limitada información sobre los diferentes tipos de cobertura y uso de suelo

de la cuenca del rio Chumbao, no permite una apropiada planificación de actividades
y proyectos, que conlleven a un adecuado manejo, aprovechamiento y conservación
de los recursos. Con el afán de aliviar este tipo de limitaciones se han venido
desarrollando metodologías con el uso de softwares y protocolos que permiten la
obtención de buenos resultados, a menos costo y en un menor tiempo.

I.1. Hipótesis

¿Cuánta área de cobertura y uso de suelo natural se perdió durante los

últimos 30 años en la cuenca del rio Chumbao?

Los cambios de la cobertura y uso de suelos deben ser reconocidos como

una de las principales causas del deterioro ambiental, su análisis permitirá tomar
razonablemente decisiones para el uso adecuado del territorio.

Se consideró como hipótesis la existencia de cambios de cobertura y uso de

tierra que causan la perdida de cobertura natural en la cuenca del rio Chumbao en el
 2

periodo 1990 - 2020, ante lo expuesto y con la finalidad de contrastar lo planteado,

se ha planteado los siguientes objetivos:

I.2. Objetivo General

 Analizar la influencia antrópica en la dinámica del cambio de

cobertura y uso del suelo de la cuenca del rio Chumbao, entre los
años 1990 y 2020
I.2.1. Objetivos Específicos

 Determinar el cambio de cobertura y uso de suelo para los años

1990, 1995, 2000, 2005, 2010, 2015 y 2020 en la cuenca del río
Chumbao.
 Analizar el cambio de cobertura y uso de suelo en el periodo de 30
años, en la cuenca del río Chumbao.
 Identificar las variables antrópicas de mayor importancia
relacionadas con el cambio de cobertura y uso de suelo en la cuenca
del río Chumbao.
 3

II. REVISIÓN DE LITERATURA

I.3. Antecedentes sobre estudios de cambio de cobertura y uso de suelo

Los estudios sobre el cambio de cobertura y uso de suelo proporcionan una

base para conocer las tendencias de los procesos de deforestación, degradación,
desertificación y perdida de la biodiversidad en un determinado espacio (García et
al., 2012). Los modelos de cambio de cobertura y uso de suelo han sido
desarrollados para determinar dónde, cómo y por qué ocurren estos cambios (Oliva,
2011). Siendo importantes dentro del estudio del ordenamiento ecológico territorial,
ya que permite visualizar los impactos pasados y presentes de las distintas
actividades humanas en los usos de suelo y realizar una prospección tendencial que
permita orientar en la búsqueda de estrategias para regular dichos impactos y tener
un manejo más adecuado del territorio y de sus recursos naturales (Lambin et al.,
2001). Cuando hablamos del uso del suelo nos referimos a aquel uso del territorio
que es destinado por las actividades humanas e influenciado por factores
económicos, culturales, políticos, históricos, ambientales, entro otros (Brown et al.,
2000).

El cambio de uso de suelo constituye uno de los factores fuertemente

impactados en el cambio global, los ecosistemas terrestres han sufrido grandes
cambios, la mayoría debido a la conversión de la cobertura del terreno a la
degradación e intensificación del uso del suelo (Bocco et al., 2001). Es preciso
señalar que la perdida de bosques es considerada actualmente el principal problema
ambiental y es la principal fuente de emisiones de gases de efecto invernadero en el
proceso de cambio climático en el Perú (Reategui y Acre, 2016 y Lambin et al.,
2001). Son los cambios de uso y cobertura del suelo los que representan las
evidencias más claras de intervención humana sobre el medio ambiente y las
modificaciones sobre el ecosistema terrestre (Britos y Barchuk, 2008 y Falcón,
2014). Esos cambios son los que inciden en la estructura y el funcionamiento de los
 4

ecosistemas, afectándolos y modificando los ciclos hidrológicos, regímenes

climáticos, del mismo modo acelera la perdida de la diversidad biológica, favorece la
degradación de los suelos y consecuentemente pone en riesgo la sostenibilidad de
las generaciones futuras (Reyes et al., 2003, Mas et al., 2009 y Pinos, 2016). De
este modo los cambios históricos de la cobertura y el uso de la tierra, en conjunto,
ayuda a explicar la dinámica territorial: los cuales están asociados a los factores
biofísicos (suelo, vegetación, clima, topografía) y a factores humanos, cuyo estudio,
constituye un insumo para diseñar accione inherentes al ordenamiento territorial
(Falcón, 2014).

Numerosos estudios señalan que el monitoreo y análisis de procesos como la

deforestación, expansión urbana y sus consecuentes conversiones de cobertura
naturales y seminaturales se realizan mediante el estudio de los cambios de uso y
cobertura del suelo (Lopez et al., 2001; Azocar et al., 2006 y Mahesh et al., 2008),
sim embargo, la literatura revisada indica, que no basta el monitoreo y análisis
retrospectivo de los cambios de cobertura y uso de suelo, sino que es necesaria la
predicción a mediano y largo plazo de la trasformación del territorio y sus efectos
mediante la aplicación de los modelos de simulación de cambios de uso y cobertura
del suelo (Henrique et al., 2006; Sudhira et al., 2006 y Mahesh et al., 2008). Estos
modelos juegan un papel importante el momento de explorar posibles desarrollos
futuros, se podrían explorar la incógnita de “qué pasaría si” a través de diferentes
escenarios (Henrique et al., 2006; Verburg et al., 2006). La simulación de escenarios
de uso de suelo puede entonces ser tomada como una herramienta o un instrumento
importante sobre el cual apoyarse para diseñar ordenaciones futuras del territorio
(Gallardo, 2013).

Los procesos relacionados con el cambio de cobertura y uso de suelo han

llamado la atención de un amplio grupo de investigadores, que ha impulsado al
desarrollado estudios relacionados con modelos para evaluar los cambios de uso del
terreno como las realizadas por Forester y Machlis (1996) que incluyen diversos
aspectos relacionados con los procesos y patrones de cambio en el terreno, como
estrategia para entender lo que pasa y prevenir y/o mitigar los impactos negativos
derivados de las transformaciones humanas y alcanzar así los objetivos de la
conservación de especies. Sin embargo, y a pesar de los esfuerzos en este campo,
persistía una carencia de datos cuantitativos que no permitían determinar a detalle
 5

los procesos, la ubicación y la magnitud de los cambios en el uso de suelo en

muchas de las regiones alrededor del mundo (Meyer y Turner, 1994).

Dada la magnitud y el impacto que estos cambios representan, y la manera

cómo afectan la estructura y función de los ecosistemas, supone grandes retos en la
ciencia ambiental. Existen diversas investigaciones sobre cambio de uso del suelo
realizados para periodos de análisis que abarcan los últimos 30 años con imágenes
de satélite y también para periodos mayores, las cuales no solo han identificado los
cambios comunes en la vegetación y el uso del suelo, sino que también han
estudiado las causas de dichos cambios (Chowdhury, 2006; Echevarria et al., 2008;
Bhattarai et al., 2009 y Deng et al., 2010). En cuanto a investigaciones sobre los
modelos de cambios de usos del suelo y de simulaciones de escenarios, son muy
numerosos, abarcando temas de deforestación en relación con la expansión de la
agricultura o de los pastizales (Kok et al., 2001; Sangermano et al., 2012), el
abandono de las tierras agrícolas (Rounsevell et al., 2003) así como el crecimiento y
la dispersión urbana (Conway, 2009; Plata Rocha et al., 2010; Jokar et al., 2013).

A nivel nacional, Zorogastúa et al., (2011) a través de una clasificación

supervisada, evaluaron el cambio de la cobertura y el uso de la tierra del bosque
seco localizado en la región Piura, indicando que el procesamiento digital e
interpretación visual de imágenes de satélite permiten agilizar este proceso y ser
más precisos. Ibañez y Damman (2014), con el fin de determinar los cambios de
cobertura de los suelos para la elaboración de escenarios en la subcuenca del río
Vilcabamba, elaboraron matrices de cambio de cobertura y proyectaron tendencias
de cambio en la zona baja, media y la parte alta de la subcuenca al año 2016.
Identificaron cuales fueron los impulsores de cambio mediante la revisión
bibliográfica, entrevistas y encuestas, asimismo analizaron tres escenarios y su
probabilidad de ocurrencia. Los resultados mostraron el incremento de las áreas
agrícolas en la parte baja y media de la subcuenca mientras que en la parte alta una
tendencia a la reducción drástica de los nevados. De la misma forma, Alcántara
(2014) determinó los cambios en la cobertura y uso de la tierra en el departamento
de Cajamarca para el periodo 2001 – 2013 con la metodología dispuesta por el
Ministerio del Ambiente (R.M. Nº 135-2013-MINAM) la cual está basada en el
procesamiento digital de imágenes satelitales utilizando los programas ENVI y
 6

ArcGIS, donde la cartografía temática de cobertura y uso de la tierra fue clasificada

de acuerdo a la metodología CORINE Land Cover – CLC.

En un estudio desarrollado por Reátegui y Arce (2016) en la Amazonía

Peruana, registra que el cambio de uso de la tierra ha generado 177.585 hectáreas
deforestadas para la implementación de actividades agrícolas durante el año 2014.
En la Región Amazonas también se ha desarrollado este tipo de estudios como el de
Delgado (2017), quien evaluó los procesos de cambio en el uso de suelo y cobertura
vegetal (CUSV) en el Área de Conservación Privada (ACP) Comunal Hierba Buena-
Allpayaku y su área circundante. Identificando que los CUSV se encuentran
asociados a actividades agropecuarias impulsadas por fuertes procesos migratorios.
Es de importancia mencionar que a este grupo de investigaciones a nivel regional se
suma la investigación realizada por Barboza et al., (2017) sobre calidad
hidrogeomorfológica en la cuenca del Río Utcubamba, y la desarrollada en las
Microcuencas ganaderas de los Ríos Atuén, Timbambo, Pomacochas y Cabildo en
el distrito de Leymebamba y de los Ríos Ventilla y San Antonio en el distrito de
Molinopampa por Rojas (2018) en la que se aplicó el Índice Hidrogeomorfológico
(IHG), y se elaboraron además de manera complementaria mapas de cobertura y
uso de suelo mediante el uso de material cartográfico y satelital, con imágenes
satelitales Landsat y Sentinel 2A.
 7

I.3.1. Cambio de cobertura

La cobertura de la tierra es la cobertura biofísica tal cual se observa sobre la

superficie de la tierra (Di Gregorio 2005), a través de sensores remotos,
independiente de su origen; incluyen la vegetación natural o cultivada, afloramientos
rocosos, depósitos de arena, hielo, agua, construcciones hechas por el hombre, etc.
(Lara et al. 2002).

El conocimiento de la cobertura de la tierra es un paso fundamental para la

gestión sustentable de los recursos naturales, la conservación de la biodiversidad,
mitigación de los impactos en las dinámicas territoriales y en el cambio climático.
(FAO 2015).

I.3.2. Uso de tierra

El uso de la tierra está caracterizado por las funciones que se desarrollan

sobre la cobertura del suelo, actividades realizadas por el hombre para producir,
cambiarla o mantenerla (Herrera et al. 2009), con la finalidad de obtener beneficios
mediante la producción de bienes y servicios. (Lara et al. 2002).

I.4. Percepción remota (Teledetección)

La teledetección es una técnica a través de la cual se obtiene información de

un objeto sin tener contacto directo con él. Esto es posible debido a la relación
sensor – cobertura (Martínez y Díaz 2005), basado en las propiedades de la
radiación electromagnética y en su interacción con la superficie terrestre. (Suárez
2014)

I.4.1. Tipos de sensores

Los sensores de Teledetección son instrumentos que transforman la radiación

electromagnética en información perceptible y analizable. Existen sensores pasivos
y activos (Sánchez 2012), como se explica a continuación:

I.4.1.1. Sensores pasivos

Los sensores pasivos detectan la radiación electromagnética emitida o

reflejada de fuentes naturales. Muchos sensores pasivos tienen sensibilidad
multiespectral, lo cual significa que recogen simultáneamente datos de diferentes
 8

bandas espectrales. Las mediciones sobre diferentes zonas del espectro

electromagnético aportan una amplia información sobre distintos aspectos del medio
ambiente. Por ejemplo, la radiación ultravioleta se utiliza para monitorizar los niveles
de ozono en las capas altas de la atmósfera; las bandas visibles e infrarrojas
permiten determinar la salud de la cubierta vegetal (cultivos, bosques); los
captadores sensibles a la radiación infrarroja térmica sirven para determinar la
temperatura del suelo, de las nubes, y de la superficie de los mares. (Sánchez 2012)

I.4.1.2. Sensores activos

Los sensores activos poseen fuentes internas que generan artificialmente la

radiación. Entre los sensores activos, distinguimos el radar y el lidar. El radar trabaja
en una banda del espectro comprendida entre 1 mm y 1 m. Se basa en el principio
de que las microondas artificiales enviadas en una dirección determinada chocan
con los objetos y son dispersadas. La energía dispersada se recibe, se amplifica y
se analiza para determinar la localización y las propiedades de los objetos. Puesto
que puede medirse también el tiempo que tarda un pulso de radiación en ir y volver,
puede conocerse la distancia recorrida y generar así modelos digitales de
elevaciones. El radar es insustituible en zonas con cobertura nubosa persistente,
debido a su capacidad para atravesar las capas nubosas. El uso de longitudes de
onda mayores, que no se encuentran en los espectros solar o terrestre, implica la
necesidad de utilizar sensores activos, es decir aquellos que generan su propio flujo
de radiación. Su mayor ventaja es que debido a su elevada longitud de onda (muy
superior al tamaño de las gotas de agua en la atmósfera) no resulta absorbida por
esta; además tratándose de un haz artificial puede manipularse la forma en que se
emite para, así, obtener el máximo de información. (Sánchez 2012)

Las señales de radar se usan, entre otras aplicaciones, para el seguimiento

de la retracción de los casquetes polares, como indicador del calentamiento global.
El Lidar (Light Detection And Ranging) es un captador activo, análogo al radar, pero
con tecnología láser. Se utiliza para aplicaciones de topografía de precisión desde
aviones. (Sánchez 2012).

I.4.2. Imágenes satelitales

 9

Las imágenes satelitales son representaciones visuales de la información

capturada por un sensor montado en un satélite artificial (Duarte s.f.).

Estos sensores recogen información valiosa, dentro de rangos específicos de

longitud de onda del espectro electromagnético, que es registrada en distintos
canales o bandas espectrales, de las características de la superficie de la Tierra.
(Canada Center for Remote Sensing, citado por Pérez (2012).

Estas imágenes son matrices de celdas llamadas pixeles, formadas por un

determinado número de filas y columnas. Cada una de esas celdas representa un
área geográfica indivisible, determinando así el detalle espacial mínimo que se
puede distinguir dentro de la imagen. El tamaño del pixel varía dependiendo del
satélite y de los sensores que tomen la imagen. Cada pixel contiene un valor
numérico, que representa en promedio la cantidad de energía solar que esa
superficie emite o refleja. Como la energía que refleja la superficie depende de lo
que haya sobre ella, los sensores ubicados en los satélites captan distintos niveles y
calidades de energía, que luego pasan a ser distintos colores en una imagen ya
formada. (Chuvieco, citado por Pérez 2012). Para visualizar estas imágenes
satelitales se combina las distintas bandas digitales mediante los tres colores
primarios (azul, verde y rojo) que capta el ojo humano. (Canada Center for Remote
Sensing, citado por Pérez 2012)
 10

I.4.3. Resolución de imágenes satelitales

El número de pixeles que posee un sensor de satélite define la resolución del

mismo; es decir, la capacidad de apreciar detalles de un determinado tamaño en una
imagen captada por dicho sensor. (Sánchez 2012)

Una imagen satelital se caracteriza por las siguientes resoluciones:

I.4.3.1. Resolución espacial

La resolución espacial hace referencia al objeto más pequeño que se puede

distinguir en la imagen. Está constituida por el tamaño del pixel que se puede
observar en la imagen medida en metros sobre el terreno, esto depende de la altura
del sensor con respecto a la tierra, el ángulo de visión, la velocidad de escaneado y
las características ópticas del sensor. (Sánchez 2012).

De acuerdo a la finalidad, precisión del análisis y disponibilidad de recursos

con que se cuenta existen sensores: de alta resolución (0.5 – 1 m.), media
resolución (15 – 30 m.) y baja resolución (250 – 1000 m.) (REDD – GTZ 2010).

I.4.3.2. Resolución temporal

La resolución temporal indica cuál es la frecuencia de revisita del satélite; es

decir, cuánto tiempo debe pasar para que el satélite pueda obtener una nueva
imagen sobre un área particular. (Chuvieco, citado por Sánchez 2009)

I.4.3.3. Resolución espectral

La resolución espectral indica el número y el ancho de las bandas espectrales

que son registradas por un sensor. (Sánchez 2009) La banda es una región del
espectro electromagnético en el que un conjunto de detectores del sensor satelital
es sensible; cuanto más estrechas sean estas bandas mayores será la resolución
espectral. (Núñez et al. s.f.)
 11

I.4.3.4. Resolución radiométrica

Nos indica la medida en bits (dígitos binarios), es la gama de valores de brillo

disponibles, que en la imagen se corresponde con el alcance de máximo de niveles
digitales; por ejemplo, una imagen con una resolución de 8 bits tiene 256 niveles de
brillo (Richards y Jia, 2006).

I.5. Programa Landsat

Antes de 1972, la idea de utilizar datos de satélite para la vigilancia terrestre,

la cartografía o la exploración era un concepto visionario. Esto se convierte en
realidad con la aparición del Programa Landsat, el cual se constituye en una serie de
misiones de observación de la Tierra por satélite gestionadas conjuntamente por la
NASA y el Servicio Geológico de Estados Unidos (USGS). El programa Landsat ha
revolucionado la forma de ver y estudiar nuestro planeta. Esta serie de datos, que se
inició en 1972, es la más larga de la historia y continúa registrando los cambios en la
superficie terrestre desde el espacio. Landsat ha sido el único sistema de satélite
diseñado y operado para observar repetidas veces la cubierta de la tierra con una
resolución moderada. En la actualidad el programa se encuentra en su octava
versión denominada: “Landsat Data Continuity Mission” (LDCM). Se trata del octavo
satélite de observación de la serie Landsat y continuará el legado de archivo de los
anteriores satélites, convirtiéndose de esta manera en el futuro de los satélites de
observación de la tierra de mediana resolución con más historia. Este programa
amplía, mejora y avanza el registro de imágenes multiespectrales, manteniendo la
misma calidad de sus siete predecesores. (IGAC 2013)

I.5.1. Lansat 5

El satélite LANDSAT-5 fue lanzado el 07 de marzo de 1984 y se convertido en

el satélite de observación de la tierra que más tiempo ha estado operativo.
Finalmente fue dado de baja el 5 de junio de 2013. Sus aplicaciones se extendían en
campos como la detección de cambios globales, agricultura, calidad del agua y
administración de recursos.

El satélite tiene dos sensores: Escaner Multiespectral (MSS) y el Mapeo

temático (TM).
 12

MSS tiene una resolución espacial de 60 m y el TM tiene una resolución

espacial de 30 m, ambas con una resolución temporal de 16 días.

I.5.2. Landsat 8

El satélite Landsat 8 incorpora dos instrumentos de recolección de datos: el

Operational Land Imager (OLI), y un sensor térmico infrarrojo llamado Thermal
Infrared Sensor (TIRS).

Las bandas espectrales del sensor OLI proporcionan una mejora de los
instrumentos, debido a la incorporación de dos nuevas bandas espectrales: un canal
profundo en el azul visible (banda 1), diseñado específicamente para los recursos
hídricos e investigación en zonas costeras, y un nuevo canal infrarrojo (banda 9)
para la detección de nubes cirrus. Adicionalmente una nueva banda de control de
calidad se incluye con cada producto de datos generado. Esto proporciona
información más detallada sobre la presencia de características tales como las
nubes, agua y nieve. Por otra parte, el sensor TIRS recoge dos bandas espectrales
en longitudes de onda incluidas por la misma banda en los sensores TM y ETM+.
(IGAC 2013).

Tabla 1

Bandas del Lansat 8

Banda Sensor Longitud de Resolución Resolución

Onda (µm) Espacial Radiométrica
(m)

1 - Ultra azul (costero / aerosol) OLI 0.43 – 0.45 30 16 bits

2 - Azul OLI 0.45 – 0.51 30 16 bits

3 - Verde OLI 0.53 – 0.59 30 16 bits

4 - Rojo OLI 0.64 – 0.67 30 16 bits

5 - Infrarrojo cercano (NIR) OLI 0.85 – 0.88 30 16 bits

 13

6 - Onda corta infrarroja (SWIR) 1 OLI 1.57 – 1.65 30 16 bits

7 - Onda corta infrarroja (SWIR) 2 OLI 2.11 – 2.29 30 16 bits

8 - Pancromática OLI 0.50 – 0.68 15 16 bits

9 - Cirrus OLI 1.36 – 1.38 30 16 bits

10 - Infrarrojo térmico 1 TIRS 10.60 – 11.19 100* (30) 16 bits

11- Infrarrojo térmico 2 TIRS 11.50 – 15.51 100* (30) 16 bits

I.5.3. Combinación de bandas

Para la visualización de los datos de teledetección es mejor tener una

representación en colores, ya que el ojo humano capta mejor el color que los niveles
de gris. (Melh y Peinado s.f.)

Según BIODAMAZ (2004), con el conocimiento del comportamiento espectral

de los materiales es posible su identificación a través de las composiciones de color.
En una composición de color se utilizan los tres colores primarios (rojo, verde y
azul). Cuando estos tres colores son combinados en diversas proporciones
producen diferentes coloraciones en la región visible del espectro. Asociando cada
banda espectral (no necesariamente del visible) a un color primario por separado,
para que finalmente resulte una imagen con combinaciones de color.

Banda: Grupo de datos que representan valores de intensidad de la luz

reflejada o del calor emitido en una zona o fracción específica del espectro
electromagnético (rojo, verde, azul, infrarrojo cercano e infrarrojo térmico). También
se le conoce como “canal”.

I.6. Softwares

I.6.1. QGIS

Sistema de información geográfica (SIG) de código abierto licenciado bajo

GNU - General Public License. QGIS es un proyecto oficial de Open Source
Geospatial Foundation (OSGeo). Corre sobre Linux, Unix, Mac OSX, Windows y
Android y soporta numerosos formatos y funcionalidades de datos vector, datos
ráster y bases de datos.
 14

I.6.2. R

Es un entorno de software libre para gráficos y computación estadística. Se

compila y se ejecuta en una amplia variedad de plataformas UNIX, Windows y
MacOS.

I.6.3. Preprocesamiento digital de imágenes satelitales

El pre-procesamiento es un conjunto de técnicas que se aplican a las

imágenes satelitales con el objetivo de mejorar la calidad de los resultados.
(BIODAMAZ 2004)

I.6.4. Corrección radiométrica

Las anomalías radiométricas son distorsiones que afectan a los Niveles

Digitales (ND) de los pixeles. Estos Niveles Digitales (ND), que son la traducción
digital de un flujo energético recibido por el sensor para una determinada banda del
espectro (Suárez 2014), pueden evidenciar fallos en los sensores, que generan
pixeles incorrectos (Pérez 2012). Estas anomalías deben ser corregidas para que la
información que nos proporcionen estos ND sea lo más fiel posible a la realidad que
se estudia. (Suárez 2014)

Las correcciones radiométricas son un conjunto de operaciones destinadas a

modificar los ND para aproximarse a los valores obtenidos en condiciones ideales
(Chuvieco, citado por REDD – GTZ 2010). Comprenden la restauración de líneas o
píxeles perdidos y la corrección del bandeado de la imagen. (Lozano y Sierra 2005)

I.6.5. Ajuste Geométrico

El ajuste geométrico consiste en la transformación de las coordenadas de los

píxeles de una imagen para coincidir de manera precisa con otra de referencia. Se
realiza mediante una transformación polinomial de segundo o tercer grado
(dependiendo de la cantidad de puntos) que se obtiene a partir de un conjunto de
pares de puntos de control homólogos ubicadas en ambas imágenes. Este proceso
de selección de pares homólogos resulta menos complicado que la corrección
geométrica, ya que rasgos comunes como características peculiares de la cobertura
vegetal, intersección de infraestructura vial o hidrográfica, visibles en las escenas,
pero no geolocalizables en campo. Ahora, la elección de la ubicación de los puntos
de control dependerá de la resolución espacial de las imágenes.
 15

I.6.6. Correcciones atmosféricas

Las interferencias de la atmosfera alteran de forma sistemática los valores de

los pixeles (Sánchez 2012). Esta corrección atenúa los efectos de dispersión,
refracción y absorción de la energía causado por las concentraciones de aerosoles y
vapor de agua obteniendo como resultado final una imagen de reflectividad a nivel
de superficie. Los tipos de corrección atmosférica pueden ser agrupados en modelos
basados en la imagen y los modelos de transferencia radiactiva.

- Dark Object Subtraction, propuesto en su versión mejorada por

Chávez (1988).

- Quick Amospheric Correction (AuAC), propuesto por Bernstein, Jin,

Gregor, & M. (2012).

- Fast line-of-sight atmosheric analysis of hypercubes (FLAASH),

propuesto por Matthew et al. (2000).

- Codigo 6s, propuesto por Vermote, Tanre, Deuze, Herman, &

Morcrette (1997).

I.6.7. Corrección topográfica

Las distorsiones que producen las principales fuentes de error en el momento

de la adquisición de la imagen son: el movimiento en el sistema de escaneo y de la
plataforma que sustenta al sensor, perspectiva de los elementos ópticos del sensor,
cambios en la altitud de la plataforma, relieve del terreno, curvatura y rotación de la
Tierra. Estas distorsiones ocasionadas por las variaciones en la geometría del
sensor y de la Tierra son corregidas geométricamente (Sánchez 2012).

I.7. Procesamiento digital de imágenes satelitales

Conjunto de procedimientos para manipular las imágenes digitales a través de

la ejecución de diversas técnicas y operaciones de clasificación, facilitando su
análisis e interpretación (BIODAMAZ 2004). Existen muchos programas de software
desarrollado para este fin, el cual incorpora diversas aproximaciones (entre las
cuales se hallan presentadas en este documento).

I.7.1. Clasificación digital multivariable orientada a objetos

 16

En la mayoría de los procesos de análisis digital de imágenes satelitales, la

clasificación supone la fase culmínate. Es por ello que la mayor parte de los filtros y
correcciones realizados previamente tratan de orientarse a esta última etapa.

Toda metodología aplicada en la clasificación tiene que ser confiable,

replicable, robusta, escalable y objetiva (Cihlar, Latifovic, Huang, & Dixon 1998),
donde la participación del especialista sea parcial y que los resultados no estén
marcados, en su totalidad, por sus decisiones. Por otra parte, la clasificación no
pretende definir espectralmente cada cobertura, sino caracterizarla relativamente
para un sensor, escena, área de estudio y fecha en concreto (Robinove, Chavez,
Gehring, & Holmgren, 1981).

I.7.2. Índice de Vegetación de Diferencia Normalizada (NDVI)

El índice de vegetación de diferencia normalizada (NDVI) ha sido el más

empleado para el monitoreo de ecosistemas, condiciones favorables para la
ocurrencia de incendios forestales, clasificación de coberturas, monitoreo de
bosques y demás aplicaciones durante las dos últimas décadas. Este índice fue
propuesto por Rouse et al. (1974).

El comportamiento de la radiación solar en su interacción con la cobertura

vegetal, ya que estas tienden a ser reflejadas y absorbidas con mayor intensidad en
los rangos de longitudes de onda del infrarrojo cercano y rojo respectivamente.
Llegando a la conclusión que a una mayor distancia espectral entre los valores de
reflectividad exponen un estado de vigorosidad de la vegetación y caso contrario un
estado de alerta debido a la caída de la actividad fotosintética como consecuencia
de su comportamiento estacional o la intervención antrópica.

La principal ventaja del NDVI frente al tradicional cociente entre bandas

espectrales es que este sume una variabilidad entre -1 y 1, lo cual facilita en gran
medida su análisis e interpretación. Además, el NDVI ha sido utilizado para distintas
variables relacionadas con la vegetación como el flujo neto de dióxido de carbono
(CO2), contenido de clorofila, humedad de cubierta vegetal, variabilidad fenológica,
índice de área foliar (LAI), evapotranspiración y muchos más.

I.7.3. Transformación Tasseled Cap (TTC)

 17

La Transformación Tasseled Cap (TTC) es producto de la combinación lineal

de bandas espectrales, con el objetivo de resaltar rasgos particulares en la imagen.
La principal diferencia de la TTC frente al Análisis de Componente Principales (PCA)
reside en el significado físico que representa. Fue propuesta por Kauth & Thomas
(1976) bajo el marco del proyecto “Large Area Crop Inventory Experiment - LACIE”
desarrollado por la Agencia Aeroespacial de los Estados Unidos (NASA) y el
Departamento de Agricultura Estadunidense (USDA) durante la década de los 70’s,
con el objetivo de optimizar la productividad en la etapa de cosecha. En este
proyecto se toma una serie de imágenes multiespectrales de áreas agrícolas, a partir
de los cuales se intentó sintetizar la variación espectral en un gráfico tridimensional,
obteniéndose una figura con aspecto similar a un sombrero con borlas (Tasseled
Cap) (Figura 1).

Figura 1

Figura jbadlkhfbshdb

En este gráfico, la base del sombrero, representada por las bandas del
infrarrojo cercano (NIR) y rojo, define el tipo de suelo por su color y brillo. Además,
según la vegetación vaya ganando mayor vigorosidad comienza a alejarse de la
base del sombrero y tiende a aproximarse al eje del NIR, convergiendo en un punto
al alcanzarse la madurez máxima. Sin embargo, cuando la vegetación pierde
 18

vigorosidad, después de haber alcanzado un clímax, retorna a la base del sombrero,

traduciéndose como la marchitez del cultivo.

I.8. Proyecto CORINE Land Cover

En 1985, la “Unión Europea - UE” da inicio al proyecto CORINE (Coordination

of Information on the Environment) Land Cover (CLC) con el objetivo de implementar
una base de datos cartográfica acerca de la cobertura y uso de tierra a partir del
procesamiento de imágenes satelitales registradas por la colección Spot y Landsat
principalmente. Desde 1995, el proyecto es dirigido por la “Agencia Europea de
Medio Ambiente - AEMA” (European Environment Agency, 1994). Este proyecto
vincula diferentes niveles de detalle temático y espacial basado en una leyenda
jerárquica.

Asimismo, esta metodología fue adaptada por el Ministerio del Ambiente del
Perú (MINAM) en el marco del proyecto “Análisis de las Dinámicas de Cambio de
Cobertura de la Tierra en la Comunidad Andina” (MINAM, 2014) impulsado por la
Comunidad Andina de Naciones (CAN) en la elaboración de una leyenda
Subregional de coberturas terrestres (Tabla 2), siendo la adaptación colombiana del
“Instituto de Hidrología Meteorología y Estudios Ambientales - IDEAM” el principal
marco de comparabilidad internacional en la región. Actualmente, esta leyenda es de
utilidad en el marco de la “Zonificación Ecológica Económica – ZEE” a través de los
“Estudios Especializados de Dinámicas de Cambio de Cobertura y Uso de Tierra”.

I.9. Modelo de clasificación Randon Forest

Random forest (RF), propuesto por (L. Breiman, 2001), es un modelo de

regresión y clasificación que consiste de una colección de clasificadores
estructurados por árbol (decision tree), donde cada uno trabaja en función a los
valores de un vector (Ecu. 12A11B). Asimismo, estos vectores de entrada para cada
árbol gozan de la misma distribución de datos de las variables predictoras. En
resumen, este modelo está dado por la predicción promedio del embolsamiento o
“bagging” de una gran cantidad de árboles de decisión no correlacionados.

Cada árbol de decisión en un RF se construye usando una muestra de

arranque de los datos (Yeh, Huang, & Wang, 2014). El “aprendizaje” del árbol crece
en el proceso de capacitación de datos usando la metodología llamada CART
 19

(Classification and Regression Tree). El principio operativo de RF se resume paso a

paso, y se ilustra en la Figura 6.

Figura 2

asfgfdgnlkjhblkjgdhñh

I.10. Indicadores de validación

La validación de la exactitud temática permite definir el grado de fidelidad de

los valores obtenidos en el análisis de cobertura y uso de la tierra, producido por la
metodología aplicada con respecto a su verdadera característica encontrada en el
mundo real y su clasificación correcta. (Llactayo et al. 2013).

Para ésta validación se emplea un conjunto de datos de campo y datos al

azar para evaluar la consistencia del mapa, a través de métricas cuantitativas de
evaluación: la matriz de confusión, el índice Kappa (IK) y el porcentaje
correctamente clasificado (PCC). (MINAM 2014).

I.10.1. Matriz de confusión

La matriz de confusión, también llamada matriz de error o de contingencia es
una herramienta que permite evaluar la precisión de una clasificación, contrastando
los resultados de la clasificación con información de referencia. Está compuesta por
filas y columnas. Las filas corresponden a las clases reinterpretadas a partir de las
imágenes base; mientras que las columnas corresponden a las clases provenientes
de la clasificación (mapa). En la diagonal de la matriz se computa el número de
puntos de verificación donde concuerdan ambas fuentes (reinterpretación y mapas);
los puntos ubicados fuera de la diagonal suponen errores de asignación que se
computan en los márgenes de la matriz, ya sea como errores de omisión y como
errores de comisión. Los residuales en filas indican tipos de cubierta reinterpretadas
 20

que no se incluyeron en el mapa; los residuales en columnas representan las

categorías del mapa que no se ajustan con la reinterpretación. A partir de la matriz
de confusión se puede calcular un indicador de precisión global del mapa, que
considera la relación entre el número de puntos correctamente asignados (sumatoria
de la diagonal) y el total de los lugares de referencia. (Molinero 2001)

I.10.2. Índice de Kappa

El índice Kappa es otra forma de medir la exactitud de un mapa, ya que
incluye dentro del cálculo todos los valores de la matriz y no solamente de los
extremos. (Sánchez 2009)

A continuación, según Congalton, citado por Sánchez (2009), se muestra

como se calcula el índice Kappa:

Po−Pe
Kappa=
1−Pe

Donde:

𝑷𝒐 es la coincidencia relativa observada entre los datos evaluados y

𝑷𝒆 es la probabilidad hipotética de coincidencia por azar, utilizando los datos

observados para calcular las probabilidades de los datos clasificados a cada
categoría.

En caso exista coincidencia 𝑘𝑎𝑝𝑝𝑎 = 1, de otro modo 𝑘𝑎𝑝𝑝𝑎 = 0.

 21

II. MATERIALES Y MÉTODOS

a. Lugar de ejecución

i. Área de estudio

La cuenca del rio Chumbao esta geográficamente situada entre las

coordenadas, las altitudes varían desde los 2000 a 4800 m.s.n.m. abarcando un
área bruta de 767.3 Km2.

Políticamente se encuentra en la sierra sur del Perú en el departamento de

Apurímac, provincia de Andahuaylas y Chincheros. Comprende los distritos de San
Jerónimo, Andahuaylas, Santa María de Chicmo, Talavera, Ranracancha y
Ocobamba.

La cuenca del rio Chumbao, perteneciente al sistema hidrográfico del rio

Pampas, presenta un patrón de drenaje dentrítico espaciado. El rio Chumbao actúa
como colector de las aguas drenadas por las lagunas de la zona alta de la cordillera,
situadas a 4.400 m.s.n.m. siendo las más importantes las lagunas Huachaccocha,
Pacoccocha, Antaccocha y Pamapahuasi.
 22

Tabla 2

Limite de cuenca

Dirección Limites

Norte Con la quebrada Toxama

Este Con la quebrada Toxama

Sur Con la cuenca del rio Huancaray

Oeste Con la cuenca del rio Pampas

Cuadro 1. Límites de la cuenca del rio Chumbao

Figura 1

Mapa de ubicación del área de estudio

Nota. Descripción de la figura

ii. Fisiografía

En la cuenca del rio Chumbao se puede diferenciar tres paisajes: el

montañoso, colimoso y el aluvial, siendo el predomínate el paisaje montañoso con
un 58%, así mismo la cuenca presenta una topografía de relieve accidentado, donde
 23

se observan pendientes suaves en el valle propiamente dicho que varían de 0 – 6 %

siendo más pronunciadas en las colinas de 6 – 30 % y haciéndose fuertemente
pronunciadas en el sistema montañoso alcanzando valores mayores de 30 %.

iii. Ecología

De acuerdo al mapa ecológico del Perú (ONERN-1976) la cuenca del rio

Chumbao se encuentra comprendida dentro de tres zonas de vida, a saber:

Bosque Seco-montano bajo sub-tropical (bs-MBS)

Bosque húmedo-montano sub-tropical (bh-MS)
Paramo muy húmedo sub-alpino sub-tropical (pmh-SAS)

iv. Climatología

Según los registros de la estación meteorológica de Andahuaylas la

temperatura promedio en la zona oscila entre los 10.8 ºC y 14.3 ºC. la temperatura
mínima promedio entre los 3.2 ºC y 8.6 ºC, la temperatura máxima promedio entre
18.7 ºC y 21.3 ºC. las temperaturas más bajas se presentan entre los meses de
junio, julio y agosto; los promedios varían entre -1.1 ºC y -0.1 ºC dando lugar a
presencia de heladas.

La precipitación en la cuenca del rio Chumbao, tiene un promedio anual de

737.3 mm que varían entre 920 y 660 mm. La época de lluvias es de diciembre a
marzo representando el 69 % de la precipitación anual, con 452.8 mm, mientras que
la época de estiaje se presenta entre marzo y agosto representa el 6 % de la
precipitación anual con 41.9 mm.

De acuerdo al sistema de Thonthwaite se ha establecido que el clima del rio

Chumbao es húmedo, presentando dos regiones: Semi húmeda (C 2 rB’1 a’) y
ligeramente húmeda (B1r C2 a’).

b. Materiales, equipos y programas

i. Materiales

El conjunto de datos que se emplearan en la investigación estará basado

principalmente en los productos satelitales ópticos y de radar (imágenes satelitales y
modelos de elevación digital), mientras la caracterización de tipos de coberturas y
 24

uso de suelos se realizaran mediante salidas de campo en el cual se emplearan los

siguientes materiales: cartas nacionales y fichas de campo.

ii. Equipos

Entre los equipos se va considerar el uso de una cámara fotográfica, un

receptor GPS (sistema de posicionamiento global), un ordenador portátil, ordenador
o estación de trabajo y una impresora.

iii. Software y programas

Se utilizarán únicamente softwares open source: QGIS como softwar de

sistema de información geográfica, R para procesamiento digital de imágenes,
asimismo Google Earth Pro y SASPlanet.

c. Generalidades de la investigación

i. Tipo de investigación

El tipo de investigación que se va a realizar es descriptivo, por el periodo de

secuencia de del estudio es longitudinal y por la ocurrencia de los hechos respecto
al estudio es Ex post facto o retrospectivo.

ii. Nivel de investigación

El nivel de investigación que se va a desarrollar es aplicado.

d. Metodología

Se utilizará la herramienta CLC (Corine Land Cover) adaptada para Perú, con
la finalidad de clasificar y analizar los cambios de cobertura y uso de suelo,
evidenciando perdidas de cobertura vegetal (cobertura de bosque, cambios por
pérdida natural, deforestación y degradación de bosques) de la cuenca del rio
Chumbao.

i. Selección y adquisición de las imágenes digitales

Las imágenes digitales multiespectrales provenientes de los sensores ópticos

TM y OLI de la misión Landsat, serán seleccionadas, tomando en cuenta criterios de
calidad como es el porcentaje de nubosidad que cubran el área de interés no sea
 25

mayor al 20%, asimismo dichas imágenes provendrán de la misma época del año y
no presenten errores ni distorsiones.
 26

ii. Preprocesamiento de imágenes digitales

La obtención de las imágenes digitales está sometida a una serie de

interferencias se procederá a realizar las calibraciones radiométricas, correcciones
atmosféricas y topográficas

1. Calibración radiométrica

Transformación de los datos crudos en nivel digital a valores físicos de

radiancia espectral y reflectividad aparente.

2. Corrección atmosférica

Utilizaremos el modelo basado en la imagen, Dark Object Subtraction,

propuesto en su versión mejorada por Chávez (1988).

3. Corrección topográfica

Con el objetivo de minimizar los efectos de las sombras, causadas por con las
condiciones de iluminación en el instante de la captura de cada imagen digital. Esta
corrección se realizará utilizando el Modelo Civco, 1989; Colby, 1991.

iii. Generación de variables complementarias

Con el propósito de mejorar la discriminación entre los tipos de coberturas en

la clasificación digital, es necesario contar con variables predictoras
complementarias, generadas a partir de las imágenes multiespectrales y el modelo
de elevación digital.

1. Índice de Vegetación de Diferencia Normalizada (NDVI)

El NDVI (Rouse et al., 1974) para cada imagen será calculado a partir de la
función spectralIndices del paquete RStoolbox (Benjamin, Horning,
Schwalbwillmann, Hijmans, & Leutner, 2018) de R v3.4.2. Teniendo en
consideración que el orden de las bandas espectrales tanto para las escenas del
sensor TM y OLI son distintos.

2. Transformación espectral Tasseled Cap

 27

La función de transformación tasseledCap del paquete RStoolbox (Benjamin

et al., 2018), del software R v3.4.2, fue utilizada para la obtención de los índices de
brillo, verdor y humedad (bright, green y wet) (Figura 24) para cada escena. Usando
los coeficientes de Eric P. Crist (1985) y Baig, Zhang, Shuai, & Tong (2014) para las
imágenes Landsat 5TM y 8OLI respectivamente.

3. Modelo de elevación digital y modelo de pendientes

A partir del MED se calculó el modelo de pendiente, mediante la función

slopeAspect del paquete raster (Hijmans et al., 2017) en R v3.4.2. Este último
modelo fue calculado en unidades de grados sexagesimales

Al final, con un total de seis variables predictoras complementarias, de las

cuales, cuatro de ellas se obtuvieron a partir de cada escena Landsat TM y OLI y los
otros dos a partir del modelo de elevación digital, se procedió con la etapa de
clasificación digital multivariables.

iv. Clasificación digital multivariable

Se realizará la clasificación de imágenes digitales utilizando como base de

datos las firmas espectrales obtenidas en campo.

Para la determinación del cambio de cobertura y uso de suelo se identificará

las clases de uso de suelo (CUS) ínsito y se tomará en cuenta la leyenda de Corine
Land Cover (CLC) adaptada al Perú, para mejorar la clasificación de CUS.

1. Evaluación de exactitud temática

Para validar la precisión de la clasificación de CUS se tendrá en cuenta los

sitios verificados en campo, obtenidos de acuerdo con la fórmula señalada por
Chuvieco (1998). La verificación de los puntos se realizará mediante imágenes
satelitales de alta resolución.

Posterior a ello se elaborará matrices de confusión (Chuvieco, 2002), sobre

las que se hará el cálculo de métricas de precisión (error de omisión y comisión), con
la finalidad de evaluar la exactitud a nivel de clases (exactitud del usuario y del
productor) (Story y Congalton, 1986; MINAM, 2014).
 28

Figura 3

Figura 2

Índice de Kappa

También, se validará la clasificación con el calculó el Índice Kappa (𝑘)

(Ecuación 1), medida de la concordancia basada en las diferencias entre los datos
de la clasificación y los de referencia; (Congalton y Green, 2009).

Po−Pc
K=
1−Pc

En donde K es el índice de Kappa; Po la proporción de área correctamente

clasificada (confiabilidad global) y Pc la confiabilidad resultante del azar. A la hora de
interpretar el valor de “k”, se tomó en cuenta la valoración del índice de Kappa (k)
(Tabla 5), donde permitió medir la fuerza de concordancia de la clasificación para
poder saber si se encuentra en un rango óptimo.
 29

Tabla 3

Índice de Kappa

v. Análisis de cambio de cobertura y uso de tierra

1. Tasa de cambio matriz de transición

Se utilizará la matriz de transición de uso de los suelos (MTUS) ya que es la

representación del cambio de una categoría de uso de suelos entre una fecha inicial
y una fecha final (Briceño, 2005; Ramírez y Zubieta, 2005; Pérez y Valenzuela,
2007; Rosete et al., 2008; Salmerón et al., 2009).

El cálculo de la tasa de cambio se realizó con la ecuación planteada por la

FAO (1996)

1
S 2 t 2−t 1
S= −1
S1

Donde, 𝑆1 y 𝑆2 son las superficies de CUS en la fecha 𝑡1 y 𝑡2. Un valor

negativo de “S” indica una disminución de la cobertura y, si “S” es mayor que cero,
hay un aumento de la misma.
 30

vi. Identificación de factores relacionadas con los cambios de

cobertura y uso de suelo.

Para determinar los factores de mayor importancia que tuvieron influencia

sobre los cambios ocurridos de un periodo a otro en el área de estudio, se tomara en
cuenta la clasificación de uso de suelo, y como estos usos fueron variando y
transformándose a lo largo del tiempo (UNIBA, 2018) haciendo un contraste con las
principales actividades que desarrolla la población, para lo cual se realizó la visita a
campo y la consulta a la base de datos de fuentes como el INEI para obtener
información que se correlacione con dichos cambios (SEMARNAT, 2002), asimismo
se revisó diferentes investigaciones relacionadas con la temática para extraer las
principales variables que estos consideraron como impulsores del cambio de uso de
suelo y pérdida de cobertura vegetal en función de las características similares al
área de estudio (Ibáñez y Damman, 2014).
 31

vii. Esquema metodológico

 32

III. PLAN DE EJECUCIÓN

Cuadro 1. Actividades a realizar durante el periodo de ejecución del proyecto de

tesis.
Meses del año 2022
Actividades
Ene Feb Mar Abr May Jun
Emisión de resolución de ejecución X
Búsqueda y selección de datos X X
Obtención de datos X X X
Toma de puntos de apoyo y control X X
Procesamiento de datos X X
Contrastación de mapa en campo X X
Redacción del informe final X X X
 33

IV. PRESUPUESTO

Cuadro 2. Inversión presupuestaría estimada para la ejecución del proyecto de tesis.

Descripción Unid. Cant. Unit. (S/) Parcial (S/)
Libreta de campo Unidad 1 8.5 8.5
Machete Unidad 1 10 10
Pilas alcalinas AAA Par 2 2.5 5
Ploteo de mapas und 24 3 72
Porta planos unidad 1 35 35
Papel bond millar 2 22 44
Tablero unidad 1 10 10
Pasajes Pasaje 10 18 180
Impresión del informe de tesis Volumen 7 15 105
Impresión del artículo científico volumen 2 6 12
Empaste del informe de tesis volumen 7 15 105
Alquiler de GPS Unidad 2 25 50
Alquiler de cámara fotográfica Dia 2 15 30
Alquiler de Workstation Dia 15 50 750
Asesoría en campo Día 2 100 200
Subtotal (S/) 1616.5
Imprevistos (10%) 161.65
Presupuesto total (S/) 1778.15
 34

V. REFERENCIAS BIBLIOGRÁFICAS

AGROACTIVO. 2018. Yaramila. s.n.t. [En línea]: Crop Science,

(http://agroactivocol.com/producto/abonos-y-fertilizantes-integrador-yaramila-
fertilizante-completo-con-fuentes-solubles/), documentos, 05 Dic. 2018.

AGRORURAL, 2009. El guano de isla. [En línea]: Andina,

(http://minagri.gob.pe/portal/download/pdf/novedades/presentacion-
agrorural.pdf, documentos, 31 Oct. 2018).

ALVARADO, C. 1980. Utilización del guano de islas, como reemplazante de la

harina de pescado en raciones de engorde de ovinos. Tesis Ing. Zootecnista.
UNALM. Lima, Perú. 61 p.

ANDINA. 2010. Incautan más de una tonelada de guano de islas adulterado en

Arequipa. Arequipa, Perú. [En línea]: Andina, (http://www.
andina.com.pe/agencia/noticia-incautan-mas-una-tonelada-guano-islas-
adulterado-arequipa-294649.aspx, documentos, 19 Oct. 2018).

BAYER. 2018. Bayfolan. s.n.t. [En línea]: Crop Science,

(https://www.cropscience.bayer.pe/es-PE.aspx, documentos, 30 Nov. 2018).

BENEDETTI, S., SAAVEDRA, J. s.d. Guía práctica para el establecimiento, manejo

y cuidados de plantaciones de castaño. Instituto Forestal (INFOR), gobierno
de Chile. Chile. 8 p.

BROWN, P., WELCH, R., CARY, E. 1987. Nickel: A micronutrient essential for
higher plants. Plant Physiology. 803 p.

CALZADA, J. 1970. Métodos estadísticos para la investigación. 3 ed. Lima, Perú,

Jurídica. 643 p.

CHALLCO, R. 2016. La Convención: productor de café denuncia adulteración de

guano. Cusco, Perú. 1 p. [En línea]: Rpp, (http://rpp.pe/peru/cusco/la-
 35

convencion-productor-de-cafe-denuncia-adulteracion-de-guano-noticia-
944791, documentos, 14 Oct. 2018).

Cultivos de medianías

DURYEA, M.L. 1985. Evaluating seedling quality; importance to reforestation.

Principles, Procedures and Predictive Abilities of Major Tests. Forest Rev.
Lab., Oregon State Univ. Corvallis, OR. 6 p.

EIBNER, R. 1986. Foliar fertilization, importance and prospects in crop production.

pp. 3-13. In: A. Alexander (ed.). Foliar fertilization. Proceedings of the First
International Symposium of Foliar Fertilization by Schering Agrochemical
Division. Berlin. s.p.

FINCA y CAMPO. 2018. Fertilización edáfica. s.n.t. [En línea]: Finca y Campo;
(http://www.fincaycampo.com/2014/12/fertilizacion-edafica/, documentos, 30
Nov. 2018).

FLORES, L., GUERRA, J., OLIVERA, P. 1996. Boletín técnico; Manejo de viveros y
plantaciones forestales. Universidad nacional Agraria de la Selva; Facultad
de Recursos Naturales Renovables. Tingo María, Perú. 54 p.

FRANKE, W. 1986. The basis of foliar absorption of fertilizers with special regard to
the mechanism. pp. 17-25. In: A. Alexander (ed.). Foliar fertilization.
Proceedings of the First International Symposium of Foliar Fertilization by
Schering Agrochemical Division. Berlin. s.p.

GONZÁLEZ-RÍO, F., CASTELLANOS, A., FERNÁNDEZ, Ó., GÓMEZ, C. 2005.

Eucalipto. Manual de selvicultura. 59 p.

GRATEROL, Y., GONZÁLEZ, R., AVILA, J., DE LA CRUZ, R., LÓPEZ, A.,
VELÁSQUEZ, L., ALMEIDA, N., PIERUZZINI, N. 2006. Abono foliar en
variedades de frijol y épocas de aplicación del glifosato en siembra directa del
frijol ‘Pico negro’ en el estado Portuguesa. INIA Divulga 9. p. 30-33.

GUERRERO, A. 2000. El suelo, los abonos y la fertilización de los cultivos. Ed.

Mundi Prensa México, S.A. de C.V. Bilbao, España. 206 p.

GUERRERO, J. 1993. Abonos orgánicos. Red de Acción en Agricultura Alternativa

- RAAA. Lima, Perú. s.p.

HERNÁNDEZ, R., FERNÁNDEZ, C., BAPTISTA, M.P. 2010. Metodología de la

investigación. 5 ed. México, Mc Graw Hill/ Interamericana Editores, S.A. de
 36

C.V. 613 p.

HOLDRIDGE, R. 1987. Ecología basada en zonas de vida. 3 ed. San José, Costa
Rica, Servicio editorial IICA. 216 p.

HYDROENVIRONMENT, 2018. Tipos de poda. [En línea]: Andina,

(https://www.hydroenv.com.mx/catalogo/index.php?main_page=page&id=275,
documentos, 20 Nov. 2018).

INFOREGION. 2009. Denuncian que inescrupulosos vendedores del VRAE ofrecen

guano de la isla adulterado. Huamanga, Perú. 1 p. [En línea]: Inforegion,
(http://www.inforegion.pe/38551/denuncian-que-inescrupulo sos-vendedores-
del-vrae-ofrecen-guano-de-la-isla-adulterado/, documentos, 05 Nov. 2018).

LAMPRECHT, H. 1990. Silvicultura en los trópicos; Los ecosistemas forestales en

los bosques tropicales y sus especies arbóreas – posibilidades y métodos
para un aprovechamiento sostenido. Trad. Por Antonio Carrillo. Ed. Deutsche
Gesellschaft fur Technise Zusammenarbeit (GTZ) Gmbh. Cooperación
Técnica. Eschborn, República federal de Alemania. 335 p.

MARSCHNER, E.R. 1986. Mineral nutrition of higher plants. Academic Press,

Belfast, Ireland.

MILLS, T.M., BEHBOUDIAN, M.H., TAN P.Y., CLOTHIER B.E. 1994. Plant water
status and fruit quality in ‘Braeburn’ apple. HortScience. 29:1274-1278.

MONTERO, G., CISNEROS, O., CAÑELLAS, I. 2003. Manual de selvicultura para

plantaciones de especies productoras de madera de calidad. Instituto
Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Edic.
Mundi-Prensa. Madrid, España. 284 p.

PALOMINO, J y BARRA, M. 2003. Especies forestales nativas con potencial para

reforestación en la provincia de Oxapampa y fichas técnicas de las especies
de mayor prioridad. Oxapampa, Perú. 104 p.

PROABONOS. 2008. Características del Guano. 2008. [En línea]: Agrojunin,

(http://www.agrojunin.gob.pe/opds/proabonos/caracteristicas.php.,
documentos, 14 Oct. 2018).

PULGAR, J. 1987. Geografía del Perú. Lima, Perú. 26 p

RAMÍREZ, D. 1999. Consumo de fertilizantes en el Perú. [En línea]: Fao,

(http://www.fao.org/agl/agll/gateway/recurso_nutrientes.pdf., documento, 03
 37

Nov. 2018).

REÁTEGUI, J., VARGAS, Y. 2011. Caracterización morfológica del aguaje

(Mauritia flexuosa L.f.) bajo aplicación de abonos orgánicos en suelos
temporalmente inundados del CIPTALD. Artículo científico. Universidad
Nacional Agraria de la Selva. Tingo María, Perú. 20 p.

RODRIGUEZ, P. 1984. Eficiencia del guano de islas, rico como fertilizante

nitrogenado y fosforado en el cultivo de papa. Tesis Ing. Agrónomo. UNALM.
Lima, Perú. 71 p.

RUBILAR, R., FOX, T., ALLEN, L., ALBAUGH, T., CARLSON, C. 2008. Manejo
intensivo al establecimiento de plantaciones forestales de Pinus sp. y
Eucalyptus sp. En Chile y Argentina. Informaciones agronómicas del cono sur
N° 40. Instituto internacional de nutrición de plantas (IPNI). Acassuso,
Argentina. 6 p.

SANTOS, B., SAAVEDRA, O., SUÁREZ, T., ÁGUEDA, C., SOLAZ, C. 2017.
¿Cómo muestrear un suelo?, información técnica. [En línea]: Andina,
(http://www.agrocabildo.org/publica/Publicaciones/otro_537_diptico.pdf,
documentos, 01 Dic. 2018).

SEMIFOR. 2018. Moena. s.n.t. [En línea]: Semifor,

(https://www.semiforeirl.com/pdf/ficha-tecnica.pdf, documentos, 30 Nov.
2018).

SENAMHI (Servicio Nacional de Meteorología e Hidrología del Perú). 2018.

Condiciones Climáticas, Hidrológicas y Ambientales en la región Huánuco,
Ucayali y la Provincia de Tocache. Boletines hidroclimáticos regionales desde
el número BH-01-2017 hasta BH-12-2017. s.p.

SOTO, M. 2006. Efecto del guano de isla en el crecimiento de Leucaena

leucocephala Lan. de wil. “Lucaena” y Cassia grandis L.f. “palo coboy” en un
suelo degradado en el valle de Monzón. Tesis Mag. En Recursos Naturales
Renovables. Tingo María, Perú. Universidad Nacional Agraria de la Selva.
67 p.

SUPO, J. 2014. Seminarios de investigación científica: Metodología de la

investigación para las ciencias de la salud. Arequipa, Perú, Bioestadístico.
270 p.
 38

VELA, F. 2005. Efecto de dos tipos de abonos orgánicos en una plantación

asociada de Calycophyllum spruceanum. Benth. “capirona” y Mauritia
flexuosa L. “Aguaje” en Tingo María. Tesis Ing. Recursos Naturales
Renovables. Tingo María, Perú. Universidad Nacional Agraria de la Selva.
90 p.

VILLAR - SALVADOR, P. 2003. Importancia de la calidad de planta en los

proyectos de revegetación. Universidad de Alcalá. Asociación Española de
Ecología Terrestre. Alcalá de Henares, España. 86 p.

WILLIAMSON, J y COSTON D. 1989. The relationship among root growth, shoot

growth, and fruit growth of peach. J. Amer. Soc. Hort. Sci. 114(2):180-183.

WILLIAMSON, J., COSTON, D., CORNELL, J. 1992. Root restriction affects shoot
development of peach in a highdensity orchard. J. Amer. Soc. Hort. Sci.
117(3): 362-367.

ZAMUDIO, F y ALVARADO, A. 1996. Análisis de diseños experimentales con igual

número de submuestras. Chapingo, México, Universidad Autónoma
Chapingo. 58 p.
 39

VI. ANEXO
 40

Panel fotográfico

Figura 3.

Interfaz de R Studio.

Figura 4.

Interfas de QGis.
 41

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE RECURSOS NATURALES RENOVABLES

ESCUELA PROFESIONAL DE INGENIERÍA AMBIENTAL

PROYECTO DE TESIS Y/O INVESTIGACIÓN

Titulo : “INFLUENCIA ANTRÓPICA EN LA DINÁMICA
DEL CAMBIO DE COBERTURA Y USO DE SUELO
EN LA CUENCA DEL RIO CHUMBAO,
ANDAHUAYLAS - APURÍMAC”
Programa de investigación : Gestión ambiental
Línea de investigación : Modelización ambiental
Eje temático : Modelización de variables geoespaciales
Autor : Bach. CHOCCE OSCCO, Edison
Asesor (es) :
Lugar de ejecución : Distrito de San Jerónimo.
Duración del trabajo :
Financiamiento : S/
FEDU : No
Propio : Si
Otros : No

Tingo María – Perú Agosto, 2022

 42

ÍNDICE

Página

Contenido
I. INTRODUCCIÓN...........................................................................................1

1.1. Hipótesis...............................................................................................1

1.2. Objetivo General..................................................................................2

1.2.1. Objetivos Específicos...............................................................2

II. REVISIÓN DE LITERATURA.........................................................................3

2.1. Antecedentes sobre estudios de cambio de cobertura y uso de suelo

...............................................................................................................3

2.1.1. Cambio de cobertura................................................................7

2.1.2. Uso de tierra..............................................................................7

2.2. Percepción remota (Teledetección)...................................................7

2.2.1. Tipos de sensores....................................................................7

2.2.2. Imágenes satelitales.................................................................8

2.2.3. Resolución de imágenes satelitales.....................................10

2.3. Programa Landsat.............................................................................11

2.3.1. Lansat 5....................................................................................11

2.3.2. Landsat 8.................................................................................12

2.3.3. Combinación de bandas........................................................13

2.4. Softwares............................................................................................13

2.4.1. QGIS.........................................................................................13
 43

2.4.2. R................................................................................................13

2.4.3. Preprocesamiento digital de imágenes satelitales.............14

2.4.4. Corrección radiométrica........................................................14

2.4.5. Ajuste Geométrico..................................................................14

2.4.6. Correcciones atmosféricas....................................................14

2.4.7. Corrección topográfica..........................................................15

2.5. Procesamiento digital de imágenes satelitales..............................15

2.5.1. Clasificación digital multivariable orientada a objetos......15

2.5.2. Índice de Vegetación de Diferencia Normalizada (NDVI)....16

2.5.3. Transformación Tasseled Cap (TTC)....................................16

2.6. Proyecto CORINE Land Cover.........................................................18

2.7. Modelo de clasificación Randon Forest..........................................18

2.8. Indicadores de validación.................................................................19

2.8.1. Matriz de confusión................................................................19

2.8.2. Índice de Kappa......................................................................20

III. MATERIALES Y MÉTODOS........................................................................21

3.1. Lugar de ejecución............................................................................21

3.1.1. Área de estudio.......................................................................21

3.1.2. Fisiografía................................................................................22

3.1.3. Ecología...................................................................................23

3.1.4. Climatología.............................................................................23

3.2. Materiales, equipos y programas.....................................................23

3.2.1. Materiales.................................................................................24

3.2.2. Equipos....................................................................................24

3.2.3. Software y programas............................................................24

3.3. Generalidades de la investigación..................................................24

 44

3.3.1. Tipo de investigación.............................................................24

3.3.2. Nivel de investigación............................................................24

3.4. Metodología........................................................................................24

3.4.1. Selección y adquisición de las imágenes digitales............25

3.4.2. Preprocesamiento de imágenes digitales............................26

3.4.3. Generación de variables complementarias.........................26

3.4.4. Clasificación digital multivariable.........................................27

3.4.5. Análisis de cambio de cobertura y uso de tierra.................29

3.4.6. Identificación de factores relacionadas con los cambios de

cobertura y uso de suelo.......................................................30

3.4.7. Esquema metodológico.........................................................31

IV. PLAN DE EJECUCIÓN................................................................................32

V. PRESUPUESTO..........................................................................................33

VI. REFERENCIAS BIBLIOGRÁFICAS.............................................................35

VII. ANEXO.........................................................................................................40

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA......................................42

ÍNDICE................................................................................................................43

ÍNDICE DE TABLAS...........................................................................................46

ÍNDICE DE FIGURAS.........................................................................................47
 45

ÍNDICE DE TABLAS

Tabla 1 Bandas del Lansat 8.....................................................................................12

Tabla 2 Limite de cuenca...........................................................................................22

Tabla 3 Índice de Kappa............................................................................................29

 46

ÍNDICE DE FIGURAS

Figura 1 Mapa de ubicación del área de estudio........................................................22

Figura 2 Índice de Kappa...........................................................................................28

Figura 3. Interfaz de R Studio.....................................................................................41

Figura 4.Interfas de QGis............................................................................................41