Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
Durante las últimas décadas, los humedales han sido reconocidos entre los ecosistemas más productivos y diversos por la variedad de funciones ecológicas que se llevan a cabo en ellos y por los servicios ecosistémicos que brindan, estimándose que ocupan una extensión del 5-7 % de la superficie terrestre. Existen tres atributos que los distinguen de otros ecosistemas acuáticos y de las tierras altas adyacentes: (1) presentan aguas poco profundas o suelos saturados, (2) sustratos únicos que difieren de las tierras altas adyacentes, y (3) especies hidrófitas adaptadas a condiciones de saturación (Mitsch y Gosselink, 2015).
Particularmente, los humedales ubicados en zonas urbanas se consideran elementos importantes en el paisaje, pues son capaces de proveer aprovisionamiento de agua, recarga de acuíferos, regulación climática, secuestro de carbono, hábitat para vida silvestre, control de erosión, entre otros (Alikhani et al., 2021; Camacho-Valdez et al., 2019).
Debido a la degradación y pérdida de los humedales, se considera necesario conocer su extensión y distribución en el paisaje (Wu, 2017); en este sentido, los diversos programas e iniciativas de carácter gubernamental y privado enfocados en la observación de la tierra han permitido llevar a cabo el monitoreo de la composición paisajística en la superficie terrestre a diversas escalas de detalle, obteniendo datos de forma periódica y continua que han facilitado la elaboración de cartografía para la generación de políticas y estrategias enfocadas al manejo adecuado y al uso racional de los recursos naturales.
En las últimas décadas el uso de técnicas de teledetección se ha incrementado, especialmente en humedales, lo cual ha permitido monitorear y analizar la dinámica de cambio de estos ecosistemas a lo largo del tiempo, así como la composición de las diferentes coberturas y usos de suelo que los rodean. Como resultado, se pueden obtener inventarios y cartografía que aportan información crucial para el desarrollo de estrategias que permitan llevar a cabo un mejor manejo de estos ecosistemas, así como marcos de referencia para implementar programas y planes de conservación, enfocados en su protección y restauración (Ozesmi y Bauer, 2002; Wu, 2017).
Los humedales en zonas urbanas juegan un papel importante en el paisaje como consecuencia de las interacciones entre factores sociales y naturales, siendo capaces de proveer diversos sistemas ecosistémicos producto de los procesos hidrológicos, bioquímicos y biológicos que llevan a cabo, por lo que su función ecológica es fundamental en el desarrollo del medio ambiente en donde se encuentran (Aber et al., 2012; Cohen et al., 2016). Dentro de zonas urbanizadas, estos ecosistemas son degradados, convertidos y drenados para dar lugar a entornos que permitan el desarrollo de infraestructura industrial, comercial, vial y residencial (Boyer y Polasky, 2004), creando condiciones aptas para el establecimiento de actividades antropogénicas. Como consecuencia, se presentan afectaciones en los humedales remanentes dentro del tejido urbano, los cuales fragmentan el paisaje, generan cambios geomorfológicos, alteraciones hidrológicas en las fuentes y sumideros de agua, variaciones en cargas de nutrientes y contaminantes hacia el sustrato y la biota, extinción de especies nativas y proliferación de especies invasoras (Boyer y Polasky, 2004; Brinson y Malvárez, 2002).
Particularmente, en la ciudad de San Cristóbal de las Casas (SCLC), Chiapas, se encuentran humedales de montaña, los cuales son escasos no solo en ese Estado, sino en todo el mundo (Santiago-Lastra et al., 2016). De forma concreta, la Convención de Ramsar (2002) reconoce a estos humedales como ecosistemas únicos, debido a que desempeñan un papel crucial en el ciclo hidrológico, al capturar y retener agua para liberarla progresivamente, fungiendo como proveedores y reguladores para las cuencas hidrográficas; además de poseer una rica biodiversidad, con especies endémicas.
En un esfuerzo por preservar estos ecosistemas, la Secretaría de Medio Ambiente e Historia Natural del Estado de Chiapas (SEMAHN), decretó dos áreas naturales protegidas con carácter de zonas sujetas a conservación ecológica en el año 2008: Humedales de Montaña “La Kisst” y “María Eugenia” (Figura 1), y de manera simultánea, la Comisión Nacional de Áreas Naturales Protegidas (CONANP) incluyó estos dos sitios como humedales de importancia internacionales bajo la Convención de Ramsar (2002).
A pesar de conocer los diversos servicios ecosistémicos que proveen hacia la Ciudad de SCLC y a la cuenca hidrológica a la que pertenece, estos han sido degradados desmedidamente, como consecuencia de una acelerada expansión urbana que se ha suscitado en las últimas décadas, y ha ocasionado que estos se encuentren inmersos en la mancha urbana (Cruz Morales y Hernández Pérez, 2010), estimándose una pérdida de 206.83 ha tan solo en el periodo 2001-2018 (Camacho-Valdez et al., 2019).
Características de la zona de estudio
El área de estudio abarca la zona urbana de SCLC (Figura 2), ubicada en la región Altos Tsotsil-Tseltal de Chiapas, con una extensión de 3,543.67 ha. Geográficamente, se sitúa en una provincia fisiográfica caracterizada por valles, sierras y mesetas con altitudes de hasta 2,380 m s. n. m. (Instituto Nacional de Estadística y Geografía, 2001). Su geología incluye formaciones de caliza y lutita, que permiten la retención de agua, condiciones propicias para el desarrollo de humedales, de acuerdo con el Servicio Geológico Mexicano (2015).
Fuente: Elaboración propia
Figura 2 Localización de la zona de estudio: San Cristóbal de las Casas, Chiapas, México
El área se localiza dentro la Subcuenca Río Alto Grijalva (RH30Eb), la cual forma parte de la Cuenca Río Grijalva-Tuxtla Gutiérrez (RH30E), dentro de la Región Hidrológica Grijalva-Usumacinta (RH30) (Instituto Nacional de Estadística y Geografía, 2010). La hidrología superficial se conforma de redes de arroyos y corrientes de tipo perennes e intermitente, provenientes de los ríos Chamula, Sumidero, Fogótico y Amarillo, así como de zonas pantanosas, resultado de la dinámica hidrológica superficial de los afluentes que desbordan sus aguas en suelos que permiten la saturación de forma permanente o temporal, formando humedales (Bencala et al., 2006; Comisión Nacional del Agua, 2020; Instituto Nacional de Estadística y Geografía, 2010) (Figura 3).
Fuente: Elaboración propia
Figura 3 Hidrología superficial de San Cristóbal de las Casas, Chiapas, México
De acuerdo con los registros climatológicos de las últimas tres décadas (1991-2020), obtenidos de las estaciones meteorológicas N.° 7114 y N.° 7087, ubicadas dentro del área de estudio; se reporta una temperatura media mensual de 15.18 °C y una precipitación promedio anual de 1,013.13 mm (Comisión Nacional del Agua, 2020) (Figuras 4 y 5).
Fuente: Elaboración propia
Figura 4 Precipitación media mensual de las estaciones N.° 7114 y N.° 7087, correspondientes al periodo 1991-2020
Materiales y métodos
El procedimiento metodológico para llevar a cabo el presente estudio se basó en un enfoque de clasificación supervisada con el Software QGIS versión 3.28.4 y los complementos Semi-Automatic Classification Plugin (SCP) y Accuracy Assessment of Thematic Maps (AcATaMa), desarrollados por Congedo (2021) y Llano (2022), respectivamente. El desarrollo metodológico se dividió en cuatro etapas, las cuales son detalladas en la Figura 6.
Obtención de insumos
En esta etapa se llevó a cabo la adquisición de las escenas derivadas de los satélites multiespectrales Sentinel-2 (S-2), por medio de la plataforma web Copernicus de la Agencia Espacial Europea (https://scihub.copernicus.eu/dhus/#/home). Los insumos obtenidos consistían en capas tipo ráster, con una resolución espacial de 10, 20 y 60 metros, con una frecuencia de adquisición de 10 y 5 días, para el 2016 y el 2022, respectivamente. La selección de datos a utilizar se basó en la recomendación de Lang et al. (2015), quiénes indican que, en zonas tropicales, el periodo óptimo para la identificación de humedales corresponde a la estación húmeda.
Las imágenes utilizadas corresponden a la cuadrícula 15QWU de la malla de barrido, con nivel de procesamiento 1C y cobertura de nubosidad < 20 %. Como último paso, se seleccionaron las bandas espectrales a utilizar, siendo estas un total de 10, las cuales se encuentran en las regiones del Visible (B2, B3, B4), Infrarrojo Cercano (B5, B6, B7, B8 y B8A) e Infrarrojo de Onda Corta (B11 y B12). Las características de la escena utilizada se presentan en la Tabla 1.
Procesamiento de escenas
En primera instancia, se llevó a cabo la corrección atmosférica de bandas que componen las escenas, mediante el método de substracción de objetos oscuros (DOS) que propone Chávez (1996). Posteriormente, se realizó la interpretación visual de las coberturas de duelo dentro del área de estudio, se identificaron de forma preliminar los objetos presentes en las escenas con información auxiliar obtenida en Google Earth Pro (Tabla 3) y composiciones en falso color de las escenas S-2 (Figura 7). De forma complementaria, se utilizaron datos vectoriales obtenidos a partir de la Red Hidrológica del INEGI (2010), cobertura del duelo del Estado de Chiapas (Comisión Nacional Forestal, 2022), así como una bibliografía referente a la vegetación de la zona, de acuerdo con los trabajos realizados de la Secretaría de Medio Ambiente y Vivienda (Secretaría de Medio Ambiente y Vivienda, 2010, 2011), Chediack et al. (2018) y Galindo-Jaimes et al. (2008). De acuerdo con lo anterior, en el presente estudio se propusieron ocho clases, las cuales se describen en la siguiente tabla.
Tabla 2 Coberturas de suelo propuestas para el estudio
| Clave | Clase | Descripción |
| IA | Infraestructura antropogénicas | Superficies cubiertas por instalaciones de origen humano como calles, carreteras, viviendas, edificios, entre otros equipamientos urbanos. |
| RE | Roca expuesta | Áreas donde la superficie terrestre está predominantemente compuesta por afloramientos o áreas donde la roca es evidente y no está oculta por otras coberturas de suelo. |
| AB | Área boscosa | Zonas que se caracterizan por asociaciones de bosques de coníferas, encinos y de galería. |
| HU | Humedales | Áreas terrestres que exhiben condiciones hídricas donde se desarrollan comunidades vegetales ligadas a medios acuáticos. |
| PA | Pastizales | Áreas donde predomina vegetación herbácea como pastos y hierbas. |
| AG | Área agrícola | Engloba terrenos utilizados para la producción de cultivos agrícolas. |
| SD | Suelo desnudo | Zonas donde la superficie está expuesta y carece de vegetación u otra cobertura de suelo. |
| CA | Cuerpos de agua | Incluye áreas como lagos, ríos, arroyos, estanques, así como zonas de inundación estacionales y perennes. |
Fuente: Elaboración propia.
Tabla 3 Representación visual de las clases propuestas en el estudio
| Clase | Representación visual | Clase | Representación visual |
|---|---|---|---|
| Infraestructura antropogénicas |
|
Pastizales | |
| Roca expuesta |
|
Área agrícola | |
| Área boscosa |
|
Suelo desnudo | |
| Humedales |
|
Cuerpos de agua |
Fuente: Elaboración propia
Fuente: Elaboración propia.
Figura 7 Composiciones en falso color usadas en el estudio. a) RGB: B4, B3, B2; b) RGB: B8, B4, B3; c) RGB: B12, B8, B4; d) RGB: B8, B11, B4
Al utilizar métodos supervisados, es importante considerar la separabilidad espectral entre las clases, pues, al analizar esto se puede corroborar si las áreas de entrenamiento presentan similitud espectral que ocasionaría errores en los procesos de clasificación. Con los resultados obtenidos en este análisis, el intérprete puede decidir si se eliminan y asignan otras áreas de entrenamiento (Schowengerdt, 2007), que permitan tener una mejor precisión durante el proceso de clasificación. Para evaluar la separabilidad espectral de las clases, se puede utilizar la Distancia de Jeffries-Matusita (JM), la cual calcula la distancia entre un par de distribuciones de probabilidad y se define como (Richards, 2013; Schowengerdt, 2007):
1)
donde B es la distancia de Bhattacharyya expresada como (Richards, 2013; Schowengerdt, 2007):
(2)
donde: i = Primer vector de firma espectral; j = Segundo vector de firma espectral; Ci = La matriz de covarianza de la muestra i; Cj = es la matriz de covarianza de la muestra j.
La distancia JM varía entre 0 y 2, con un comportamiento asintótico hacia 2, indicando una separabilidad entre las clases espectrales, y teniendo a 0 cuando estas son idénticas (Richards, 2013); por lo tanto, tener valores cercanos a 2 incrementa la precisión del proceso de clasificación, por lo que es recomendable emplear umbrales mínimos ≥1.8, como lo sugieren López-Caloca et al. (2021).
Una vez concluida la digitalización de las áreas de entrenamiento, se realizó un análisis de separabilidad espectral en SCP, mediante el método de distancia de Jeffries-Matusita (Richards, 2013), considerando un valor mínimo de 1.8, de acuerdo con lo que sugiere Richards (2013), pues los valores cercanos a 2.0 indican que las clases están diferenciadas, minimizando los errores de clasificación. Seguidamente, al determinar que estas presentaban buena separabilidad espectral (J-M > 1.8), se procedió a realizar la clasificación temática de las escenas con el algoritmo de máxima verosimilitud en SCP, obteniéndose así dos archivos tipo rásters, uno correspondiente al año 2016 y otro al 2022.
Posprocesamiento
Obtenidos los archivos tipo ráster de los procesos de corrección, se efectuó al análisis de la calidad temática de forma cuantitativa, por medio de matrices de error. Para tal fin, se llevaron a cabo dos análisis, correspondientes a los periodos clasificados (2016 y 2022), empleando el complemento AcATaMa (Llano, 2022), el cual permitió llevar a cabo el diseño de muestreo, protocolo de respuesta y obtención de las estadísticas de precisión.
Para el diseño del muestreo, se utilizó el método aleatorio estratificado (Olofsson et al., 2014; Stehman y Foody, 2009), considerando como estratos las clases de los mapas, que para este estudio, fueron un total de ocho (Tabla 2). Respecto al tamaño de la muestra para cada ráster, se determinó la cantidad necesaria empleando la fórmula de Cochran (1977), considerado un error estándar de 0.01, de acuerdo con Olofsson et al. (2014).
La distribución de las unidades muestrales por estrato fue de forma proporcional, considerando un tamaño mínimo de 30 para las clases con menor proporción dentro de los mapas (por ejemplo, cuerpos de agua), de acuerdo con Congalton y Green (2019), para garantizar una representación estadística. La generación de los puntos de validación se hizo con base en el módulo de diseño de muestreo de AcATaMa, lo cual facilitó la creación de puntos vectoriales para cada estrato, según el tamaño de determinado previamente.
Por último, una vez ejecutada la validación temática, en el módulo de análisis de AcATaMa se obtuvieron las matrices de error, así como las estadísticas de precisión para cada ráster utilizando un estimador estratificado, con un intervalo de confianza del 95 % (Z=1.96), acorde con lo que sugiere Olofsson et al. (2014).
Análisis de cambio de coberturas de suelo
Se realizó una matriz de transición y estadísticas de cambio para analizar e identificar los cambios espaciales de las coberturas del suelo que tuvieron lugar en el periodo analizado, esta fue obtenida por medio del módulo de posprocesamiento, usando la herramienta de cambio de coberturas de suelo (Land Cover Change), en la cual, se ingresaron los rásters correspondientes al 2016 (t 1) y el 2022 (t 2), para obtener un mapa que evidencia las áreas que cambiaron durante el periodo analizado y aquellas que permanecieron iguales.
Las métricas para cuantificar y analizar los cambios en la distribución y composición de las coberturas de suelo fueron obtenidas a partir de los rásters de t 1 y t 2 , con el módulo de R-Studio dentro de QGIS, por medio del Script “Estadísticas de Cambio” (Change Stadistics) desarrollado por Mas et al. (2022), obteniéndose como resultado la tasa de cambio y el cambio relativo de cada clase.
Resultados
El procesamiento de las imágenes satelitales resultó en dos archivos tipo rásters con una resolución espacial de 10 m, identificando ocho clases de coberturas de suelo: infraestructura antropogénica (IA), rocas expuestas (RE), áreas boscosas (AB), humedales (HU), pastizales (PA), áreas agrícolas (AG), suelos desnudos (SD) y cuerpos de agua (CA) usando el algoritmo de máxima verosimilitud (Figuras 9 y 10).
Superficie y distribución de coberturas
Los resultados muestran cambios importantes en la distribución de las diferentes clases, lo cual indica una tendencia hacia la expansión de IA, mientras que las áreas naturales como AB y HU tuvieron una reducción significativa. Por otro lado, se observó crecimiento en PA, lo cual podría indicar la transformación e inducción de cambio de uso de suelos.
En la Tabla 4 se presentan las áreas obtenidas por clase para cada año, las clases que presentaron una mayor proporción dentro del área de estudio fueron infraestructura IA, AB y HU, mientras que las que menos ocupación tuvieron fueron SD y CA (Figura 8).
Tabla 4 Superficie y proporción ocupada por clases en el área de estudio
| Clase | 2016 | 2022 | ||
| Superficie (ha) | Proporción (%) | Superficie (ha) | Proporción (%) | |
| IA | 1,879.88 | 53.54 | 2,083.17 | 59.33 |
| RE | 53.12 | 1.51 | 53.19 | 1.51 |
| AB | 878.38 | 25.02 | 754.61 | 21.49 |
| HU | 477.02 | 13.59 | 407.66 | 11.61 |
| PA | 80.44 | 2.29 | 104.86 | 2.99 |
| AG | 94.56 | 2.69 | 81.02 | 2.31 |
| SD | 46.20 | 1.32 | 24.63 | 0.70 |
| CA | 1.82 | 0.05 | 2.28 | 0.06 |
| Total | 3,511.42 | 100.00 | 3,511.42 | 100.00 |
Donde: IA - infraestructura antropogénica, RE - roca expuesta, AB - área boscosa, HU - humedales, PA - pastizales, AG - agricultura, SD - suelo desnudo, CA - cuerpos de agua
Fuente: Elaboración propia.
Fuente: Elaboración propia
Figura 9 Coberturas de suelo en la ciudad de San Cristóbal de las Casas, Chiapas, México, 2016
Precisión temática
El análisis cuantitativo de la clasificación temática se realizó para las dos capas ráster generadas usando matrices de error (Tablas 5 y 6), y sus respectivas métricas de precisión, con lo cual se obtuvo la precisión general, que, para ambos años fue alta, con 98.60 % y 99.29 %, para el 2016 y el 2022, respectivamente.
De acuerdo con el análisis de las matrices de error, se tuvo un aumento en la precisión general entre el 2016 y el 2022. La mayoría de las clases mejoraron significativamente, tanto en PP como PU; sin embargo, las clases PA y SD experimentaron una ligera disminución para el 2022. A pesar de estos descensos, la precisión general mejoró, lo que sugiere una mejora global en la exactitud del modelo de clasificación.
Tabla 5 Matriz de error para el año 2016
| Matriz de error de 2016 | |||||||||||
| Clase | Datos de validación | Total | PU (%) | ||||||||
| IA | RE | AB | HU | PA | AG | SD | CA | ||||
| Datos de Clasificación | IA | 148 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 150 | 98.67 |
| RE | 1 | 49 | 0 | 0 | 0 | 0 | 0 | 0 | 50 | 98.00 | |
| AB | 0 | 0 | 147 | 3 | 0 | 0 | 0 | 0 | 150 | 98.00 | |
| HU | 0 | 0 | 0 | 135 | 0 | 0 | 0 | 0 | 135 | 100.00 | |
| PA | 0 | 0 | 0 | 0 | 49 | 1 | 0 | 0 | 50 | 98.00 | |
| AG | 0 | 0 | 1 | 1 | 0 | 48 | 0 | 0 | 50 | 96.00 | |
| SD | 0 | 0 | 0 | 0 | 0 | 0 | 30 | 0 | 30 | 100.00 | |
| CA | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 30 | 30 | 100.00 | |
| Total | 149 | 49 | 149 | 140 | 49 | 49 | 30 | 30 | 645 | ||
| PP (%) | 99.94 | 100.00 | 98.35 | 93.72 | 100.00 | 98.26 | 100.00 | 100.00 | |||
| Precisión general: 98.60 % | |||||||||||
Fuente: Elaboración propia.
Tabla 6 Matriz de error para el año 2022
| Matriz de error de 2022 | |||||||||||
| Clase | Datos de validación | Total | PU (%) | ||||||||
| IA | RE | AB | HU | PA | AG | SD | CA | ||||
| Datos de Clasificación | IA | 140 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 140 | 100.00 |
| RE | 0 | 50 | 0 | 0 | 0 | 0 | 0 | 0 | 50 | 100.00 | |
| AB | 0 | 0 | 137 | 1 | 2 | 0 | 0 | 0 | 140 | 97.86 | |
| HU | 0 | 0 | 0 | 135 | 0 | 0 | 0 | 0 | 135 | 100.00 | |
| PA | 0 | 0 | 2 | 0 | 47 | 1 | 0 | 0 | 50 | 94.00 | |
| AG | 0 | 0 | 1 | 0 | 0 | 49 | 0 | 0 | 50 | 98.00 | |
| SD | 1 | 0 | 0 | 0 | 0 | 0 | 29 | 0 | 30 | 96.67 | |
| CA | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 30 | 30 | 100.00 | |
| Total | 141 | 50 | 140 | 136 | 49 | 50 | 29 | 30 | 625 | ||
| PP (%) | 99.96 | 100.00 | 99.22 | 98.70 | 90.14 | 97.43 | 100.00 | 100.00 | 99.96 | ||
| Precisión general: 99.29 % | |||||||||||
Fuente: Elaboración propia.
Cambios de coberturas de suelo
Los resultados de la matriz de transición (Tabla 7) muestran un notable aumento en la infraestructura antropogénica entre el 2016 y el 2022, al pasar de 1,879.88 ha a 2,083.17 ha, ganando 204.20 ha, principalmente sobre las áreas boscosas y humedales. En contraste, las áreas de bosque y los humedales sufrieron importantes disminuciones, con una pérdida de 129.65 ha en AB y 84.42 ha en HU, principalmente por el avance de IA y la conversión a otras clases como suelos desnudos (SD), pastizales (PA) y agricultura (AG). Sin embargo, los HU también mostraron una leve recuperación de 14.71 ha, posiblemente debido a procesos naturales de sucesión ecológica en suelos degradados.
En cuanto a las otras clases, los pastizales (PA) aumentaron de 80.44 ha en el 2016 a 104.86 ha en el 2022, con una ganancia de 40.26 ha sobre áreas boscosas y suelo desnudo, aunque también hubo una pérdida de 15.84 ha por expansión de infraestructura antropogénica. La agricultura y los suelos desnudos registraron disminuciones importantes, con pérdidas de 16.84 ha y 21.57 ha, respectivamente. Estos resultados reflejan el impacto del crecimiento urbano en las distribuciones de las coberturas naturales y destacan la vulnerabilidad de ecosistemas como los humedales.
Tabla 7 Matriz de transición para el periodo 2016-2022
| Clase | 2022 | Total | Pérdida | ||||||||
| IA | RE | AB | HU | PA | AG | SD | CA | ||||
| 2016 | IA | 1,878.97 | 0.02 | 0.35 | 0.00 | 0.52 | 0.00 | 0.02 | 0.00 | 1,879.88 | 0.91 |
| RE | 1.53 | 51.38 | 0.00 | 0.00 | 0.19 | 0.00 | 0.02 | 0.00 | 53.12 | 1.74 | |
| AB | 81.87 | 1.65 | 748.73 | 0.35 | 32.33 | 2.02 | 11.10 | 0.33 | 878.38 | 129.65 | |
| HU | 77.29 | 0.00 | 0.84 | 392.60 | 0.00 | 0.95 | 5.21 | 0.13 | 477.02 | 84.42 | |
| PA | 11.92 | 0.14 | 3.73 | 0.00 | 64.60 | 0.05 | 0.00 | 0.00 | 80.44 | 15.84 | |
| AG | 12.44 | 0.00 | 0.93 | 0.00 | 3.46 | 77.72 | 0.01 | 0.00 | 94.56 | 16.84 | |
| SD | 19.15 | 0.00 | 0.03 | 14.71 | 3.76 | 0.28 | 8.27 | 0.00 | 46.20 | 37.93 | |
| CA | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 1.82 | 1.82 | 0.00 | |
| Total | 2,083.17 | 53.19 | 754.61 | 407.66 | 104.86 | 81.02 | 24.63 | 2.28 | 3,511.42 | ||
| Ganancia | 204.20 | 1.81 | 5.88 | 15.06 | 40.26 | 3.30 | 16.36 | 0.46 | |||
Fuente: Elaboración propia.
Entre el 2016 y el 2022, las estadísticas de cambio indican variaciones significativas en varias clases de coberturas de suelo (Figura 11). La IA experimentó un aumento considerable, con un cambio relativo (CRe) de 10.81 % y una tasa anual de cambio (TAC) de 1.73 %; este crecimiento indica una expansión de la zona urbana. En contraste, una de las clases que experimentó un crecimiento imperceptible fue RE, presentando un CRe de 0.13 % y un TAC de 0.02 %, lo cual indica una estabilidad en esta clase.
Las AB sufrieron una disminución considerable, reportando un CRe de -14.09 % y TAC de -2.50 %, esto refleja una pérdida considerable de las zonas forestales. Otra de las clases naturales que presentó una transición significativa fue HU, con un CRe de -14.54 %, lo cual indica una pérdida de estas áreas, principalmente para el desarrollo de áreas urbanas, en cuanto a su TAC, indica una pérdida constante de estas zonas, con -2.58 %.
Tabla 8 Tasa de cambio anual y relativo
| Clase | Cambio relativo (%) | Tasa anual de cambio (%) |
| Infraestructura antropogénica | 10.81 % | 1.73 % |
| Roca expuesta | 0.13 % | 0.02 % |
| Áreas boscosas | -14.09 % | -2.50 % |
| Humedales | -14.54 % | -2.58 % |
| Pastizales | 30.36 % | 4.52 % |
| Agricultura | -14.32 % | -2.54 % |
| Suelo desnudo | -46.69 % | -9.95 % |
| Cuerpos de agua | 25.27 % | 3.83 % |
Los resultados de este estudio demuestran que el uso de escenas del satélite Sentinel-2 es altamente efectivo para el mapeo de las coberturas de suelo principalmente por la resolución espacial, espectral y temporal (Belenok et al., 2021; Mancino et al., 2023; Phiri et al., 2020; Sánchez-Espinosa y Schröder, 2019). En cuanto al desempeño del algoritmo de clasificación, MV mostró una precisión general alta para ambos años, con 98.60 % y 99.29 % en el 2016 y el 2022, respectivamente.
Durante el periodo analizado, se tuvo un aumento de las áreas artificiales por sobre coberturas naturales, lo cual refleja una tendencia continua por la expansión urbana, con una ganancia de 204.20 Ha de IA. Estos resultados son similares a los hallazgos de Hideyah et al. (2022), quieres reportan la expansión urbana y disminución de áreas naturales, principalmente por deforestación.
Conclusiones
Estos resultados sugieren que el uso de escenas S-2 es adecuado para la identificación precisa de diversas coberturas de suelo en un paisaje urbano. Sin embargo, futuras investigaciones podrían considerar la integración de otras fuentes de datos, como escenas obtenidas por sensores activos que permitan una mejor discriminación en las coberturas de suelo, así como la implementación de series temporales para mejorar la clasificación y permitir un análisis más detallado de las variaciones estacionales en humedales.
La conversión de humedales a otros usos de suelo es motivo de preocupación, pues en el periodo estudiado, se reportó una pérdida de 84.42 ha (aproximadamente el 17.69 % del área total que existía en el 2016) en solo seis años. Esto indica una presión constante sobre estos ecosistemas, principalmente por la expansión de zonas urbanas. Esta tasa de pérdida, que equivale a 14.07 ha/año, sugiere que, de continuar esta tendencia, se podrían perder las 407.66 ha, en aproximadamente 29 años. Esto subraya la urgencia de abordar la degradación de estos ecosistemas, antes de que se presenta una pérdida más significativa.
La reducción de los humedales no solo disminuye la capacidad del paisaje para brindar servicios ecosistémicos, sino también aumenta la vulnerabilidad ante los efectos del cambio climático. Estos hallazgos destacan la necesidad urgente de estrategias enfocadas en la conservación y restauración de humedales y la promoción de políticas públicas enfocadas en el uso racional de los recursos naturales, que permitan garantizar la sostenibilidad ecológica y la resiliencia ante desafíos ambientales futuros
