MODELIZACION DE CAMBIO DE COBERTURA DEL SUELO EN LA PROVINCIA DE NAPO PARA EL PERIODO 1990 2000, UTILIZANDO REGRESION LOGSTICA Y MAXENT.

JORGE HURTADO PIDAL Email:jorgerene_9@hotmail.com

1. INTRODUCCION. La modelacin estadstico-espacial del cambio en el uso del suelo, se deriva de la combinacin y uso de tcnicas cartogrficas, sistemas de informacin geogrfica y modelos estadsticos multivariantes. Su objetivo principal es identificar la magnitud y distribucin espacial del cambio, proyectar y desplegar cartogrficamente su probabilidad de ocurrencia en el futuro cercano, bajo el supuesto que las tcnicas de manejo del suelo continuarn siendo similares al pasado cercano (V. Sandoval y V. Oyarzun, 2003). Por tanto la idea de este ensayo es modelizar la suceptibilidad o probabilidad que tiene la provincia de Napo para el Cambio de Cobertura del Suelo (CCS), de coberturas naturales (ej: Bosque o pramos) hacia coberturas de origen antrpico (ej: silvopastorial o cultivos). Las tcnicas que se usaran son las de regresin logstica multivariada apoyados en SPSS y utilizando el modelo MAXENT. Nos apoyaremos en un mapa de cobertura del suelo de la provincia, del ao 90, realizado por nosotros a partir de imgenes del sensor TM (LandSat 4y5), y tambin de un mapa de cobertura del suelo del ao 2000 recopilado, que corresponde a la base INFOPLAN (250.000). La importancia de este ensayo es que vamos a poder determinar qu zonas son ms propensas al cambio de cobertura del suelo (deforestacin) y que variables son las determinantes en este proceso, adems modelizar el cambio de uso de suelo nos permitira en un futuro evaluar por ejemplo la respuesta hidrolgica de la cuenca ante eventos de precipitacin extrema que pueden producir inundaciones por desbordamiento de ros. 2. OBJETIVOS. Modelizar la probabilidad de CCS a partir de Regresion Logstica Multivariada con SPSS. Modelizar la probabilidad de CCS a partir de MAXENT. Determinar las zonas ms susceptibles de CCS y que variables son ms importantes en este proceso. 3. METODOLOGIA. 3.1. Generacin de presencias y ausencias de CCS. La generacin de las presencias y ausencias se realizo a partir de la generacin randomica de puntos dentro de los polgonos de presencia y ausencia respectivamente. Los polgonos Jorge Hurtado Pidal Pgina 1

de presencia son aquellos que identifican las zonas que cambiaron de coberturas naturales en el 90 hacia coberturas antropizadas en el 2000, para esto se hace una interseccin espacial en GIS entre los dos mapas de cobertura del suelo. La siguiente figura muestra los polgonos de presencia y ausencia.

Figura1. Polgonos de Presencias y Ausencias.

Figura2. Puntos de Presencias y Ausencias. Jorge Hurtado Pidal Pgina 2

3.2. Seleccin de variables independientes para modelizar el CCS. Las variables independientes utilizadas se indican a continuacin.

N Variable 1 Distancia a Vias 2 Distancia a Rios 3

Fuente Cartografia de vias (levantamiento GPS) Cartografia de rios.

Tamao de Tipo celda(m) 100 antropica 100 ambiental

Distancia a Cartografia de centros 100 antropica Centros Poblados poblados 4 Altitud SRTM 90 ambiental 5 Pendiente SRTM 90 ambiental 6 Saturacion SRTM 90 ambiental 7 Temperatura WORLD CLIM 1000 ambiental 8 Precipitacion WORLD CLIM 1000 ambiental 9 NDVI TM LandSat (4-5) 30 ambiental Tabla1. Caractersticas de las variables independientes consideradas.
Debido a que el CCS es un proceso antrpico los factores que lo determinan son principalmente de este origen y es por esto que consideramos variables como las distancias tanto a vas como a centros poblados para considerar de alguna forma, la influencia que la presencia humana, y la accesibidad que tiene en el bosque, pueden influenciar en el CCS. Sin embargo adems de existir las condiciones antrpicas favorables a este cambio, tambin deben existir condiciones ambientales que lo favorezcan, es por esto que consideramos la distancia ros ya que de alguna forma ofrece accesibildad en el territorio por la navegabilidad. La altitud porque la ocupacin humana y sus actividades agroproductivas son en las partes media y baja de las cuencas en Napo, debido a que las partes altas en los pramos son en su gran mayora reservas protegidas como Cayambe Coca, Antisana y Llanganates. La pendiente es importante en este modelo porque las zonas de alta pendiente son ms difciles de acceder y por tanto de cambiar de cobertura, sin embargo no es imposible y lo hemos visto, como por ejemplo en la via desde Papallacta hasta Baeza y Cosanga, como zonas de bosque se han transformado en usos silvopastoriles y pastos. Por otro lado tenemos la saturacin y se refiere a la acumulacin del flujo superfial de agua que se puede concentrar en un lugar determinado por la topografa o morfologa del terreno, se calcul este ndice con el modelo Geodinmico SINMAP, esta variable tambin la consideramos importante porque zonas de alta saturacin, con baja pendiente y suelos de texturas finas (condiciones que se dan en la parte baja de la cuenca en la rivera del Napo), son terrenos enpantanados especialmente en la poca ms lluviosa. La temperatura media anual y precipitacin acumulada anual, son las variables climticas de nuestro modelo, y se las incluy para verificar si este fenmeno de CCS podra estar Jorge Hurtado Pidal Pgina 3

influenciado por estas variables. Por ltimo el NDVI o ndice normalizado de vegetacin que nos ofrece una medida cuantitativa de la cantidad de biomasa forestal, esta capa se la construyo a partir de imgenes del sensor TM de los LandSat 4 y 5, pensamos importante incluirla porque estamos modelando un proceso de deforestacin. La siguiente figura muestra los mapas que corresponden a las diferentes variables.

a. Distancia a vas.

b. Distancia a ros.

c. Distancia poblados.

d. Altitud.

e. Pendiente.

f.

Saturacin.

h. Precipitacin. g. Temperatura. i. NDVI. Figura3. Variables independientes de la modelacin. 3.3. Regresin Logstica Multivariada con SPSS.

Se justifica el uso de la regresin logstica para este ensayo ya que sta tcnica ha sido utilizada principalmente para modelar el proceso de deforestacin ocurrida en bosques tropicales (Chomitz y Gray, 1996). Jorge Hurtado Pidal Pgina 4

Para la modelizacin con regresin logstica se preparo una tabla con las variables independientes que corresponden a cada presencia y ausencia, esto se lo hizo con la herramienta Hawths Tools de ArcGis. Lo que se obtiene es una tabla como se ve a continuacin.
temp sat prec pend ndvi dvias drios dpob alt presaus 226 0.534 3984.000 0.154 196.000 1118.034 1000.000 1726.268 627 1 180 3.000 2322.000 0.065 177.000 806.226 200.000 1612.452 1384 1 137 3.000 1412.000 0.359 199.000 2262.742 1272.792 4965.884 2690 1 209 3.000 4238.000 0.054 185.000 9408.507 600.000 9508.417 1069 1 245 3.000 3150.000 0.000 135.000 5215.362 670.820 3189.044 330 1 202 0.259 4195.000 0.351 172.000 632.456 282.843 5600.893 1163 1 234 0.263 4062.000 0.177 182.000 2692.583 1700.000 3956.008 519 1 182 0.452 2823.000 0.588 139.000 8405.355 200.000 10327.633 1687 1 202 3.000 3944.000 0.092 169.000 200.000 500.000 761.577 1208 1 221 3.000 4063.000 0.100 196.000 2140.094 2280.351 2416.609 630 1 225 0.543 3984.000 0.100 208.000 1044.031 1236.932 1640.122 707 1 235 0.650 4214.000 0.196 193.000 100.000 707.107 1170.470 521 1

Tabla2. Valores de las variables. La tabla 2 es un pequeo extracto de la tabla original, ya que la tabla original tiene 2000 registros o filas, porque tenemos 1000 presencias y 1000 ausencias, es decir el ajuste del modelo de regresin logstica multivariada se realiz con 2000 ecuaciones. Des pues de tener la tabla lista se la ingresa en SPSS para obtener el modelo.

Figura4. Ingreso de Datos en SPSS para hacer la RLM. La tabla de clasificacin que se obtiene es:

Jorge Hurtado Pidal

Pgina 5

Lo que nos esta indicando esta tabla es que el modelo clasifico correctamente 82% de las presencias y 72% de las ausencias, en promedio el modelo predice las observaciones en un 77% de los casos con un punto de corte de 0.5 en el modelo de probabilidad obtenido. Lo que nos indica que es un modelo BUENO. Los coeficientes de las variables obtenidos son: VARIABLE COEFICIENTE TEMP 0.00500 PREC 0.00027 NDVI 0.00620 DVIAS 0.00010 DPOB 0.00007 ALT 0.00058 CONSTANTE 0.98500 Tabla3. Coeficientes de las variables. Si la ecuacin general o funcin logstica es:

(Ecuacion 1) Donde: P; probabilidad de presencia. ; Constante 1,2; Coeficientes X1,2; Variables Exp; funcin exponencial (numero e). 3.3.1. Resultados Con La Regresin Logstica. Aplicando los valores de la tabla3 en la ecuacin1 se obtiene el siguiente mapa que representa la probabilidad de cambiar de cobertura de suelo.

Jorge Hurtado Pidal

Pgina 6

Figura5. Modelo de Probabilidad de Cambio con RLM. Colores azules indican alta probabilidad de cambio y los rojos baja probabilidad de cambio. Ahora bien, si usamos como punto de corte o Threshold para el modelo un valor de 0.5 (50%) reclasificamos el mapa de probabilidad en zonas suceptibles de cambiar y zonas no suceptibles de cambiar (ao 2000). El mapa con este punto de corte es el siguiente:

Figura6. Zonas susceptibles de cambiar de cobertura de suelo. Jorge Hurtado Pidal Pgina 7

3.4. Modelizacin con MAXENT. Maxent es un programa para modelamiento de distribucin de especies a partir de presencias solamente. Los modelos de distribucin de especies estiman la relacin entre los lugares a de muestreo de las especies y el medio ambiente o caractersticas espaciales de estos sitios (J.Elith, J.Phillips y otros 2011). En este proceso de modelizacin la variable dependiente es dicotmica (presencia/ausencia) y las independientes pueden ser cuantitativas (ej: temperatura o elevacin) o nominales (ej: litologa o uso del suelo) (R.Mateo, A.Felicsimo, J.Muoz 2001). En este sentido la idea de usar Maxent es para evaluar si este procedimiento donde se modela la distribucin a partir de presencias y un background, podra servir o no para el modelamiento del cambio de cobertura del suelo. Los datos de ingreso a maxent fueron: Presencias en formato *.csv (1000 puntos)con informacin de la ubicacin y de las variables. Background (corresponde a las ausencias de la RLM, 1000 puntos) en formato *.csv con informacin de la ubicacin y de las variables. Grids en formato ascci para la proyeccin del modelo. Estas vendran a ser las 9 variables de la figura3. La siguiente figura muestra el ingreso de datos en Maxent.

Figura7. Entrada de datos en Maxent.

Jorge Hurtado Pidal

Pgina 8

La prevalescencia se estableci en 0.5 (tenemos 1000 presencias y el background tiene 1000 puntos) y la regularizacin en 1 para evaluar como arroja el modelo las curvas de respuesta (curvas que muestran como cada variable afecta a la prediccin de Maxent). 3.4.1. Resultados en Maxent. A continuacin se enuncian los principales grficos del reporte de salida de Maxent.

Figura7. Area de Omisin y prediccin de background. Este grfico muestra las omisiones calculadas a partir de los puntos de entrenamiento y los de test. Vemos que la fraccin de brackground predicha no es muy buena. Por ejemplo para un punto de corte de 60%, hay una fraccin de 0.2 del background, entonces mientras mas pegada a la esquina inferior izquierda este la curva roja (fractional background predicted) mejor ser el modelo. El siguiente grfico es la curva ROC.

Figura8. Curva ROC Bsicamente este grfico indica que tan bueno es el modelo respecto a un modelo randmico, el modelo randmico tiene un AUC de 0.5 y el obtenido para Napo es 0.7, por tanto el modelo no es tan bueno, mientras el AUC se acerque a 1 sera mejor. La lnea roja muestra como los datos del muestreo se ajustan al modelo.

Jorge Hurtado Pidal

Pgina 9

El siguiente mapa es la proyeccin del modelo en las variables de entrada.

Figura9. Proyeccin del modelo en las variables independientes de entrada. Este mapa es anlodo a que si hubiramos usado el raster calculator como hicimos con la RLM para proyectar el modelo. Las zonas verde-amarillas cercanas a los puntos de presencias (pixeles blancos), serian las mas suceptibles de cambiar de cobertura de suelo, es decir deforestarse. A continuacin las curvas de respuesta que miden como cada variable afecta al modelo.

Jorge Hurtado Pidal

Pgina 10

Figura9. Curvas de respuesta. Mientras ms cerrada serian mejores las curvas, esto se puede modificar con el factor de regularizacin en maxent. Es decir una curva donde todos los valores de la variable afectan por igual al modelo no es bueno. De estas curvas deducimos que las variables mas importantes para el modelo son: la altura, distancia a poblaciones y distancia a vas. Lo cual resulta lgico por ser la deforestacin un proceso entrpico condicionado por la actividad humana. Por ltimo se muestra el anlisis de la contribucin de las variables:

Tabla4. Contribucin de las variables. 4. CONCLUSIONES Y RECOMENDACIONES. En el modelo de RLM las variables precipitacin, temperatura, distancia a vas, distancia a centros poblados, altura y NDVI tienen un grado de influencia en la deforestacin. El modelo de RLM es un buen modelo porque predice en promedio el 77% de las presencias y ausencias, con un punto de corte de 0.5. El modelo con Maxent tuvo un 70% de certeza en la prediccin, es decir tendra menor calidad que el de regresin logstica para este caso y es lgico ya que la regresin logstica toma en cuenta las ausencias que son reales en este caso, mientras que Maxent no usa las ausencias sino un background.

Jorge Hurtado Pidal

Pgina 11

 Una de las subcuencas mas afectadas es la de Misualli donde se encuentra la ciudad de Tena con alto ndice de poblacin respecto a la provincia, este cambio de uso de suelo cambia la respuesta hidrolgica de la cuenca, es decir mayor escurrimiento superficial de agua proveniente de las precipitaciones, lo que puede desencadenar desbordamiento de ros por crecidas repentinas, lo cual se ha visto que ya ha sucedido, adems por ser una cuenca pequea los tiempos de respuesta son cortos por lo que sera altamente recomendable un sistema de alerta temprana ante estos eventos. Otras consecuencia por el cambio de uso de suelo, adems de las crecidas, es la erosin, porque el arrastre de sedimentos puede afectar la navegabilidad del ro paulatinamente, esto es importante considerar ya que en la rivera del Ro Napo el transporte en canoa es muy utilizado. Las reas protegidas como Cayambe-Coca, Antisana y LLanganates muestrasn cierto grado de presin al CCS (deforestacin) en la provincia de Napo, especialmente la Cayambe-Coca en su parte baja por la presencia de de poblaciones importantes como el Chaco y Baeza que tienen actividades agropecuarias. 5. BIBLIOGRAFA.

Cabral. P, Zamyatin. A (2006). Three land change models for urban dynamics anlisis in Sintra-Cascais area. Center for Remote Sensing and Spatial Analyst, The State University of New Jersey. Land Use Change Models in Idrisi. Elith. J, Phillips. J, otros (2011). A Statistical explanation of MaxEnt for ecologists. A Journal of Conservation Biogeography. Henrquez. C, y otros (2006). Cambio de uso de suelo y escorrenta superficial: aplicacin de un modelo de simulacin espacial en los Angeles, VIII Regin del Biobo, Chile. Lambin. E, y otros (2003). Dynamics of Land-Use and Land-Cover Change in Tropical Regions. Mahiny. A, Turner. B, (s/f). Modeling Past Vegetation Change Through Remote Sensing and GIS: A Comparison of Neural Networks and Logistic Regression Methods. Mateo. R, Feliscimo. A, Muoz. J (2011). Modelos de distribucin de especies. Revista Chilena de Historia Natural. Phillips. S, AT&T Research. A Brief Tutorial on Maxent. Sandoval. V (2003). Modelamiento y prognosis espacial del cambio en el uso del suelo. Pgina 12

Jorge Hurtado Pidal

6. ANEXOS.

Jorge Hurtado Pidal

Pgina 13