LIMA - PERU
ESTUDIO PARA LA IDENTIFICACION DE AREAS DEGRADADAS Y PROPUESTA DE MONITOREO DIRECCION GENERAL DE ORDENAMIENTO TERRITORIAL AMBIENTAL - MINAM
INDICE 1. Introducción ............................................................................................................................ ........................................................... ................................................................................... .................. 4 2. Objetivos ................................................................................................................................................... ................................................................................................ ................................................... 6 2.1 Objetivo general ................................................................................................................................. 6 2.1.1
Objetivos específicos ....................................................... .......................................................................................................... ................................................... 6
3. Área de Estudio ................................................................................................................................ ................................................................ ........................................................................ ........ 7 4. Adquisición de datos y preprocesamiento ................................................................................................ 8 4.1 Indicadores para el análisis de la degradación de la tierra propuestos por UNCCD .......................... 8 4.2 Mapa de Cobertura Terrestre .......................................................... ........................................................................................................... ................................................. 10 4.3 Datos de observación de la tierra ............................................................... ..................................................................................................... ...................................... 11 4.3.1
MOD13 ................................................................. ............................................................................................................................. ............................................................ 11
4.3.2
MOD11 ................................................................. ............................................................................................................................. ............................................................ 11
5. Métodos .................................................................................................................................................. ....................................................................................... ........................................................... 11 5.1 Índices de vegetación ............................................................ ....................................................................................................................... ........................................................... 11 5.2 Series temporales................................................................. ............................................................................................................................. ............................................................ 12 5.3 Procesamiento mediante Google Earth Engine ................................................................ ................................................................................ ................ 13 5.4 Tendencias lineales de ST ............................................................................................................... ............................................................................................... ................ 15 5.5 Técnicas de machine learning y detección de cambio ..................................................................... 17 5.6 Relación entre el NDVI y la Temperatura de Superficie Superfici e de Suelo .................................................... 17 5.7 Cálculo de d e pérdida de carbono en suelo del 2000 al 2010 ....................................................... ............................................................... ........ 19 6. Resultados y discusiones discusio nes ....................................................................................................................... ................................................................................. ...................................... 20 6.1 Cobertura de la tierra 2000-2010 .......................................................................... ......... ............................................................................................ ........................... 20 6.1.1
Cambios en la cobertura de la tierra 2000-2010....................................................... 2000-2010............................................................... ........ 21
6.2 Dinámica de la productividad de la tierra (DPT) ............................................................................... 25 6.2.1
Dinámica de la productividad de la tierra y coberturas de la tierra ................................... 25
6.2.2
Dinámica de la productividad, NDVI y LST ................................................................ ....................................................................... ....... 28
6.3 Tendencias en las reservas de carbono orgánico en el suelo .......................................................... 33 6.3.1 al 2010
Estimación de los cambios en el COS para las áreas de cambio de la cobertura del 2000 35
6.4 Áreas potenciales en degradación ................................................................................................... ........................................................................ ........................... 35 6.4.1
Áreas degradadas en ecosistemas ....................................................... .................................................................................. ........................... 36
7. Conclusiones .................................................................................................................................. ................................................................... ....................................................................... ........ 38 8. Recomendaciones ............................................................................................................................. ............................................................ ...................................................................... ..... 39
TABLAS Tabla 1. Datasets Da tasets frecuentemente usados en el catálogo de datos de Earth Engine................................. 14 Tabla 2. Una revisión breve de las unidades de análisis comúnmente usados en la teledetección para estudios de detección de cambios. ............................................................ ............................................................................................................. ................................................. 17 Tabla 3. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000............ 2000. ........... 20 Tabla 4. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000............ 2000. ........... 20 Tabla 5. Porcentaje de cambio en la cobertura de la tierra entre los años 2000 y 2010. ........................... 22 Tabla 6. Alcance de la dinámica de la productividad de la tierra para Perú. .............................................. 25 Tabla 7. Dinámica de la productividad de la tierra por po r cobertura en Km2. ................................................. 26 Tabla 8. Resumen estadístico del carbono c arbono del año 2000 por tipo de cobertura. ........................................ 33 Tabla 9. Categorías Ca tegorías y áreas de cambio. ..................................................................................................... 34 Tabla 10. Pérdida anual y total del SOC por cambio de uso del suelo del 2000 al 2010 para la población objetiva del PP 144. .............................................................. ............................................................................................................................... ...................................................................... ..... 35 Tabla 11. Degradación por tipo de cobertura c obertura vegetal ................................................................ ................................................................................. ................. 37
FIGURAS Fig. 1. El principio de la histéresis. Al punto A, antes del estrés, la productividad es alta. Cuando el estrés se incrementa, la productividad declina al punto B donde el estrés es reducido. Como el estrés esta reducido, la productividad se incrementa. Un sistema completamente resiliente (curva verde) regresará a su estado original (A). Un sistema poco resiliente (curva roja) solo regresará hasta el punto C. La resiliencia del sistema R, está relacionado a la distancia entre A y C: cuanto menos sea el valor, mayor será la resiliencia. resilie ncia. ...................................................... ....................................................................................................................... ................................................................................... .................. 6 Fig. 2. Se muestra el área de acción del Programa Presupuestal 144. ...................................................... 7 Fig. 3. En el panel A se muestra las precipitaciones para la costa norte de Perú. Panel Panel B, muestra las precipitaciones medias mensuales para la zona andina central-sur y el panel C muestra la precipitación para la zona tropical de la Amazonía peruana.............................................................................................. peruana........................................... ................................................... 8 Fig. 4. Se muestra la cobertura de la Tierra con 6 categorías según las directrices del IPCC IPCC 2010 proporcionados por la Agencia Espacial Europea. ....................................................................................... ............................................................................. .......... 9 Fig. 5. Se muestra el mapa de carbono SoildGrids250 al año 2000 elaborado por Hengl et al. (2016). ... 10 Fig. 6. En el panel A se muestra la Serie de Tiempo Tiempo del índice NDVI. Panel B la componente estacional, Panel C la componente tendencial y en el Panel D, el ruido o también denominado el resto de la ecuación. .................................................................................................................................................... 12 Fig. 7. es la pendiente (si es negativa representa un indicador de la ocurrencia de un proceso degradador). ............................................................................................................................................... ................................................................................... ............................................................ 15 Fig. 8. En el panel A se muestra una serie de tiempo con pendiente negativa, Panel B una pendiente positiva y Panel C se muestra una serie de tiempo estable, es decir, una pendiente aproximadamente nula. Los tres tipos de pendientes están rescaldados por un factor multiplicador de 10. ........................... 16 Fig. 9. Simplificado adaptado de (Lambin & Ehrlich, 1996). ..................................................... 18 Fig. 10. Cobertura de la tierra al 2000 (panel A) y 2010 (panel B) generado por la agencia espacial europea mediante una constelación de satélites s atélites (NOAA, AVHRR, SPOT-VEGETATION, PROV-V). ....... 21 Fig. 11. En el panel A se muestra los cambios en la cobertura desde el 2004-2010 detectados por Terra-i, panel B muestra los cambios de cobertura entre los períodos 2000-2010 para el enfoque NDT, mientras que el panel C muestra los cambios durante los periodos ......................................................................... 23 Fig. 12. Se muestra los cambios de cobertura entre los períodos 2000-2010. Panel A: pérdida de bosques, Panel B: incremento de arbustos y pastizales, Panel C incremento de las tierras de cultivo...... 24 Fig. 13. Dinámica de la productividad de la tierra por cobertura. ....................................................... ............................................................... ........ 26
Fig. 14. Se muestra la dinámica de la productividad de la tierra para Perú. Las categorías del análisis análisis retrospectivo de la productividad muestras niveles de degradación estudiados por Yengoh et al. (2015). 27 Fig. 15. Mapas de pendientes (NDVI y LST) de las regresiones lineales obtenidas de variables biofísicas durante el rango de tiempo 2000-2013. Las pendientes para el NDVI tienen un factor de multiplicación de orden de 10. Panel izquierdo muestra las pendientes del NDVI y panel derecho muestra las pendientes del LST. ...................................................................................................................................................... 28 Fig. 16. Leve incremento de la temperatura superficial (LST) en la banda LST_Day_1km LST_Day_1km del producto MOD11A2 del sensor MODIS. ......................................................... .................................................................................................................... ........................................................... 29 Fig. 17. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del sensor MODIS. ........................................................................................................................... .......................................................... ................................................................................. ................ 29 Fig. 18. Relación de las tendencias entre el NDVI NDVI y LST para bosques secos. Tonalidades rojas indican una alta densidad de puntos, mientras las tonalidades azules indican baja densidad. .............................. 30 Fig. 19. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del sensor MODIS. ........................................................................................................................... .......................................................... ................................................................................. ................ 30 Fig. 20. Bosque tropical que pasó a zona z ona de producción de palma aceitera. ............................................ 31 Fig. 21. Degradación por actividad minera en la región de Madre de Dios. Panel A muestra el comportamiento temporal del NDVI y el panel B muestra la relación entre las tendencias del NDVI y la LST de los productos MODIS. .................................................................................................................... .............................................................................. ...................................... 31 Fig. 22. Se muestra las tendencias de la productividad de la tierra para las categorías i) bosques – panel izquierdo superior, ii) arbustos, pastizales y otras áreas – panel derecho superior y iii) tierras de cultivos – panel izquierdo inferior. inferio r.......................................................... ....................................................................................................................... ...................................................................... ........ 32 Fig. 23. Se muestra el carbono el mapa nacional de carbono carbono en suelo proporcionados por Hengl et al. (2016) a 250m de resolución espacial. Esta información solo se cuenta cu enta para el año 2000. ...................... .............. ........ 34 Fig. 24. Se muestra las zonas potenciales en degradación en base a los indicadores de cambio en la cobertura de la tierra y la dinámica de la productividad de la tierra. ........................................................... 36
1. Introducción Los esfuerzos mundiales por detener y revertir la degradación de la tierra y por lograr una degradación neta cero, son requisitos que se necesitan previamente para liberar a millones de personas de la pobreza, permitir la seguridad alimentaria, salvaguardar las reservas de carbono y alcanzar los objetivos del milenio y los objetivos de desarrollo sustentable. La tierra se define como el “conjunto de los constituyentes del suelo, los componentes bióticos dentro y sobre él”, así como su entorno paisaijístico y sus atributos climáticos ( Vlek et al., 2010 ). La degradación de
la tierra es un concepto que ha sido definido por diversas maneras por investigadores e instituciones en este campo. Esto podría ser en parte como resultado de la diversidad de procesos de degradación de la tierra en su tipo, escala, tiempo y extensión; los procesos son bien conocidos pero no siempre se entienden completamente ( Yengoh et al., 2015 ). La degradación de la tierra es la pérdida a lo largo plazo de la función y los servicios del ecosistema, causadas por perturbaciones de las cuales el sistema no puede recuperarse sin ayuda. La degradación también puede considerarse en términos de componentes específicos de la tierra afectada. Por ejemplo, la degradación de la vegetación implica la reducción de la productividad, la disminución de la diversidad de especies y la degeneración del valor nutricional de las poblaciones de plantas ( Yengoh et al., 2015 ). Estos cambios pueden ser causados por muchos factores (erosión, contaminación, deforestación y otros). Una vez más, la degradación de la tierra puede considerarse respecto a sus aspectos físicos, refiriéndose a los cambios en la composición del suelo, especialmente la pérdida de materia orgánica del suelo y la estructura como la compactación o la formación de costras. Las actividades locales que contribuyen a la degradación de la tierra incluyen la minería, las prácticas agrícolas no sostenibles, el sobrepastoreo, la contaminación de fuentes industriales y no industriales, así como la modificación del paisaje ( Hoeskstra et al., 2005 ). Renschler et al. (2010) han argumentado que los recursos ambientales y ecosistémicos podrían
utilizarse como indicadores de la capacidad que tiene sistema ecológico, para poder regresar o acercarse a los estados previos al choque o previos al evento. La fuerte correlación del Normalized Difference Vegetation Index (NDVI) con la Net Primary Productivity (NPP) lo convierte en un indicador útil de la resiliencia de los ecosistemas ( Yengoh et al., 2015; Phillips et al., 2008 ). Actualmente algunas técnicas de monitoreo de la degradación se centran principalmente en la evaluación de la reducción de la productividad en relación con el potencial del sitio, otros programas ven la degradación de la tierra como una disminución en la capacidad del medio ambiente en satisfacer los bienes y servicios que demandan los usuarios ( Kasperson et al., 1995 ), permitiendo que la extensión y severidad de la degradación varíe en función de los diferentes objetivos de gestión ( Reed, 2011). El costo oneroso de recolección de los datos de campo y la necesidad de plantear una metodología consistente que permita monitorear la pérdida de las funcionalidades de los ecosistemas sugiere la teledetección como una solución razonable (Reeves & Baggett, 2014 ). En el contexto del monitoreo de la degradación de la tierra usando datos de detección remota, se prefiere una definición más precisa de la resiliencia que puede ser operacionalizada por algo medible (la productividad de la tierra). Un concepto central en la resiliencia ecológica es la capacidad de un sistema para absorber y recuperarse de la perturbación o el estrés ( Yengoh et al., 2015 ).
4
Un sistema elástico sujeto a estrés, tal como la sequía, puede reducir su productividad mientras persista el estrés, pero luego vuelve a su productividad de pretensión (Fig. 1). Desde la década de los ochenta, se han utilizado extensamente grandes series de datos de NDVI en el estudio de la degradación de la tierra en el Sahel (Fensholt et al., 2013; Anyamba & Tucker, 2005; Hickler et al., 2005; Prince et al., 1998 ), confirmando un patrón general de recuperación de vegetación. Los índices de vegetación (principalmente el NDVI) obtenida en base a reflectancia del espectro visible e infrarrojo cercano como el Normalized Difference Vegetation Index (NDVI), o el Enhanced Vegetation Index (EVI) han demostrado que se correlacionan con la biomasa vegetal, área foliar y la productividad primaria ( Myneni, 1995 ). Muchos estudios han utilizado índices de vegetación obtenidos por medio de sensores remotos (LANDSAT, MODIS, AVHRR, SpotVegetation, etc) para monitorear las tendencias de la productividad primaria para la evaluación en los efectos de la degradación de la tierra ( Bastin, 1995; Diouf & Lambin, 2001 ). Esfuerzos recientes para estudiar la degradación fueron propuestos por Reeves & Baggett (2014), Bai (2008), Wessels et al. (2012) , Reed (2011), Fensholt et al. (2013) , Anyamba & Turcker (2005) , Hickler et al. (2005) , Prince et al. (1998) y otros. Estos han utilizado extensamente largas series de datos de NDVI para el estudio de la degradación de la tierra. El propósito del NDVI es monitorear la degradación de la tierra en términos de pérdida a largo plazo de la productividad primaria de los ecosistemas. En esta línea, United Nations Convention to Combat Desertification (UNCCD) a través del enfoque Land Degradation Neutrality (LDN) o Neutralidad de la Degradación de la Tierra (NDT), propuso una iniciativa para detener la pérdida permanente de la tierra saludable. Esta iniciativa plantea el uso de tres indicadores: i) cobertura de la tierra, ii) dinámica de la productividad de la tierra y iii) stock de carbono en suelo. De estos tres indicadores, la productividad dinámica de la tierra es de los más importantes por su mayor aporte (en términos de área) a la detección de la degradación. La dinámica de la productividad de la tierra propuesto por UNCCD y elaborado por Yengoh et al. (2015) nos proporciona cinco categorías de clasificación referido a los niveles de degradación (muy declinado, levemente declinado, estable pero estresado, estable no estresado y en crecimiento). De estas categorías, las tres primeras permiten cuantificar las áreas degradadas ( Yengoh et al., 2015 ). El concepto de NDT fue elaborado en base a series históricas de Normalized Difference Vegetation Index (NDVI) del sensor SPOT-VEGETATION a una resolución de 1.15km y con un rango de análisis desde 1999 al 2013. Teniendo en cuenta la necesidad de avanzar hacia la determinación de una línea base nacional de áreas degradadas, de manera consistente y operativa para los fines y propósitos de reportar ante la UNCCD, pero más importante aún es, orientar las iniciativas de restauración de los ecosistemas degradados del país. Por lo tanto, nuestros objetivos fueron: (i) relacionar y analizar los indicadores propuestos por la NDT complementados con series de tiempo de variables biofísicas (NDVI y Land Surface Temperature (LST)) para la identificación y la discusión de áreas potencialmente degradadas a nivel nacional y (ii) proponer un protocolo de monitoreo de áreas en degradación con el objetivo de mejorar el alcance de la resolución espacial.
5
Productividad
A
R C B Perturbación Fig. 1. El principio de la histéresis. Al punto A, antes del estrés, la productividad es alta. Cuando el estrés se incrementa, la productividad declina al punto B donde el estrés es reducido. Como el estrés esta reducido, la productividad se incrementa. Un sistema completamente resiliente (curva verde) regresará a su estado original (A). Un sistema poco resiliente (curva roja) solo regresará hasta el punto C. La resiliencia del sistema R, está relacionado a la distancia entre A y C: cuanto menos sea el valor, mayor será la resiliencia.
2. Objetivos
2.1 Objetivo general Identificar las áreas degradadas en los ecosistemas del país a través de la aplicación de una metodología con soporte técnico-científico basado en el enfoque de NDT, para el desarrollo de iniciativas de recuperación o restauración y su monitoreo.
2.1.1 Objetivos específicos a) Identificar y seleccionar los indicadores para detectar la degradación de la tierra b) Establecer la metodología adecuada para la interpretación y análisis de los datos c) Producir la información de áreas potencialmente degradadas
6
3. Área de Estudio El estudio para el Programa Presupuestal 144 fue conducido en todo el territorio nacional peruano, a excepción de las Áreas Naturales Protegidas y los Bosques de Producción Permanente1., El área de estudio está definida por cinco Tiles de imágenes MODIS (h009v009, h010v009, h011v009, h010v010 y h011v010) con un área total aproximado de 88 millones de hectáreas (Fig. 2). Las precipitaciones varían en intensidad y periodicidad según las características físicas del territorio y en función a los vientos y circulación general de masas de aire. Para aspectos demostrativos, se muestran las precipitaciones medias mensuales para las zonas tropicales, andinas y costeras obtenidas a partir del Tropical Rainfall Monitoring Mission (TRMM) para los períodos 1998 al 2016 (Fig. 3).
Fig. 2. Se muestra el área de acción del Programa Presupuestal 144.
1 Las
Áreas Naturales Protegidas (ANP) y los Bosques de Producción Permanente (NPP) están considerados dentro de los Programas Presupuestales PP 57 y PP 130 respectivamente. Dos programas presupuestales no pueden tener acción en una misma área, por lo tanto para el PP 144 se excluye las ANP y BPP.
7
Fig. 3. En el panel A se muestra las precipitaciones para la costa norte de Perú. Panel B, muestra las precipitaciones medias mensuales para la zona A andina central-sur y el panel C muestra la precipitación B para la zona tropical de la Amazonía peruana.
4. Adquisición de datos y preprocesamiento
4.1 Indicadores para el análisis de la degradación de la tierra propuestos por UNCCD El primer indicador está referido a cambio de la cobertura de la tierra. En el marco de la Iniciativa de Cambio Climático (CCI) de la Agencia Espacial Europea, se lanzó series de tiempo anuales de coberturas de la tierra a 300m de resolución espacial de 1992-2015 en seis categorías (Fig. 4). Este conjunto de datos se produjo gracias a un tratamiento e interpretación de 5 misiones de satélites diferentes (NOAA-AVHRR, SPOT-VEGETATION, ENVISAT-MERIS FR, ENVISATASAR y PROVA-V). El satélite ENVISAT-MERIS disponible desde el 2003 al 2012 fueron los datos principales para la discriminación de la cobertura de la tierra gracias a su resolución espectral de 15 bandas a 300m de resolución espacial. Los procesos de clasificación fueron aplicados usando machine learning y algoritmos de clasificación no supervisado en todas las imágenes MERIS a 300m de resolución para establecer una línea base de cobertura de la tierra. La detección de cambio de la cobertura de la tierra para datos AVHRR, SPOT-Vegetation y PROBA-V, se basaron en algoritmos de clasificación similares a los anteriores.
8
Fig. 4. Se muestra la cobertura de la Tierra con 6 categorías según las directrices del IPCC 2010 proporcionados por la Agencia Espacial Europea.
El segundo indicador, en este caso la Dinámica de la Productividad de la Tierra o Land Productivity Dynamics (LPD) fue propuesto por Yengoh et al. (2015) . Los datos de LPD son derivados de 15 años de series de tiempo (1999-2013) a partir de datos observados de NDVI del sensor SPOT-VEGETATION, con intervalos de 10 días a una resolución espacial de . Los datos LPD presentan 5 clases de tendencia en la productividad de la tierra (i) muy declinado, ii) ligeramente inclinado, iii) estable pero estresado, iv) estable no estresado y v) en crecimiento). Cabe mencionar que estas clases no representan directamente la medición cuantitativa de la pérdida o ganancia de la productividad de biomasa (e.g t/ha de NPP o GPP), sin embargo hay una relación indirecta debido a la alta correlación entre el NDVI y el NPP ( Yengoh et al., 2015; Phillips et al., 2008 ). La LPD está relacionada a la medición cuantitativa de la intensidad y persistencia de tendencias negativas y cambios en la actividad fotosintética.
En cuanto al indicador de la cantidad de carbono orgánico de suelo (COS) todavía sigue siendo un desafío como fuente de información. Sin embargo, hay esfuerzos de la comunidad científica por poner a disposición estos datos a nivel global que son inputs para tener una línea base de la degradación de la tierra. En este sentido, Hengl et al. (2016) puso a disposición una línea base de stock al año 2000 a nivel global denominado SoildGrids250 (Fig. 5). SoildGrids provee predicciones globales del carbono de suelo de 0-30 cm. Las predicciones fueron basados en 150 000 perfiles de suelo como entrenamiento y una serie de 158 covariables de suelo basados en la teledetección (e.g. productos primarios de MODIS, Modelos de Elevación del Terreno y sus derivados, imágenes climáticas, mapas de litología, etc) ( Hengl et al., 2016 ).
9
Fig. 5. Se muestra el mapa de carbono SoildGrids250 al año 2000 elaborado por Hengl et al. (2016).
4.2 Mapa de Cobertura Terrestre Si bien es cierto, el programa UNCCD nos brinda mapas de cobertura de la tierra para los períodos 2000 y 2010, también es cierto que solo ponen a disposición 6 tipos de clasificación, lo cual resulta una generalización teniendo en cuenta la variedad de ecosistemas y coberturas que presenta el territorio peruano. Por tanto, para fines de realizar las estadísticas de las áreas degradadas, se consideró el uso del Mapa Nacional de Cobertura Vegetal (MNCV) elaborado por el Ministerio del Ambiente de Perú el año 2011. El MNCV ofrece información actualizada sobre las superficies, características generales y distribución geográfica de los diferentes tipos de cobertura vegetal existente en Perú. El MNCV fue elaborado en base a imágenes satelitales Landsat del año 2011, con escala de interpretación de 1:100 000. El período de la elaboración del MNCV coincide aproximadamente con el período de este estudio. El área mínima de mapeo fue de 16ha, y de 5ha para casos especiales, con lo cual se muestra un total de 60 unidades de cobertura vegetal y 16 unidades pertenecientes a otros tipos de coberturas (MINAM, 2015).
10
4.3 Datos de NDVI y LST provenientes de satélites de observación de la tierra Para la discusión de resultados y una mejor interpretación de los mismos, fue pertinente el uso de variables biofísicas como el NDVI y LST en la medida que ambas variables brindan relación sobre la evapotranspiración y fueron estudiados por Carlson et al. (1994), Gillies et al. (1997), Lambin et al. (1996), Moran et al. (1994); Nemani et al. (1993), Smith et al. (1991) , entre otros, proporcionando una suficiente base de evidencia científica de la utilidad de estas variables. En ese sentido, se tiene:
4.3.1 MOD13 El análisis de las tendencias y estimación de la productividad de la vegetación, biomasa y secuestro de carbono sobre extensas áreas, requiere adquisiciones de series de tiempo de datos de observación de la tierra de sensores con alta resolución temporal y que tenga una cobertura ancha (Li et al., 2013 ). El sensor MODIS es el instrumento más avanzado que provee cobertura global cada uno a dos días haciendo posibles largas series de tiempo de alta resolución temporal. El producto que usamos en este estudio fue MODIS Terra de 16 días. Son composiciones de 250m de NDVI (MOD13Q1) adquirido de Land Processes Distributed Active Archive Center (LP DAAC). El producto MOD13 (Sensor MODIS) presenta dos índices de vegetación (IV): El índice de vegetación de diferencia normalizada (NDVI), el índice de vegetación mejorado (EVI) y el análisis de calidad (QA) con datos estadísticos que indican la calidad en la reflectancia de entrada del producto IV. Se producen actualmente en intervalos de 16 días a 500m y 1km de resolución, y a 250m de resolución espacial. Los IVs se emiten en unidades de azulejos o también denominados Tiles, que son aproximadamente 1200 por 1200 km en la proyección sinusoidal. El producto IV se basa en los productos diarios de reflectancia de la superficie de nivel 2 (MOD09) que se corrigen la dispersión molecular, la absorción de la capa de ozono y los aerosoles ( Vermote et al., 2002 ). El algoritmo para generar el producto IV opera sobre múltiples observaciones durante un período de 16 días.
4.3.2 MOD11 Los productos MOD11 brindan estimaciones de la temperatura y de la emisividad diurna y nocturna de las coberturas terrestres. La temperatura se mide en grados Kelvin al contacto entre la cobertura y la atmósfera. La emisividad, es un número adimensional igual al cociente entre la radiación emitida por un objeto y un cuerpo negro a la misma temperatura. 5. Métodos
5.1 Índices de vegetación El índice NDVI más frecuentemente usado en ciencias de la teledetección fue seleccionado como uno de los inputs para el análisis de la degradación. Una búsqueda en Scopus reveló que más de 1000 artículos internacionales usan el NDVI para estudios de la cobertura terrestre. El NDVI es diseñado para el monitoreo de la biomasa fotosintética activa (Tucker, 1979) y hace uso de la fuerte reflexión de la vegetación dentro del infrarrojo cercano (NIR, (0.841 –0.876 )) y su
11
diferencia con el espectro rojo (RED, (0.620 –0.670 )) (Schultz et al., 2016). Los valores altos de NDVI se refieren a plantas sanas, mientras que los valores bajos de NDVI se refieren a ausencia o baja cantidad de vegetación. El NDVI queda definido como:
(1)
5.2 Series temporales La interpretación de perfiles en el tiempo permite caracterizar la dinámica de la vegetación en diferentes escalas temporales y, por lo tanto, diferenciar entre las modificaciones repentinas en la dinámica estacional de la cobertura de la tierra. Tal caracterización ha demostrado ser más eficaz cuando los procedimientos analíticos se implementan para tener en cuenta las dependencias temporales existentes entre las observaciones sucesivas de las series de tiempo (Beurs, 2005). Las series de tiempo (ST) en su definición más simplista, es una secuencia cronológica de observaciones equiespaciadas de una variable en particular (i.e., una sucesión para ordenadas en el tiempo). Las series temporales en función al objetivo de análisis, se descompone en: i) tendencia, ii) estacionalidad y iii) el efecto aleatorio (Fig. 6).
{ }
A
B
C
D
Fig. 6. En el panel A se muestra la Serie de Tiempo del índice NDVI. Panel B la componente estacional, Panel C la componente tendencial y en el Panel D, el ruido o también denominado el resto de la ecuación.
12
Los sensores remotos pueden ser útiles en la evaluación de los impactos de las actividades humanas sobre la superficie terrestre. Los sensores de mediana resolución proporcionan series de tiempo de imágenes de información de la superficie, aunque la limitada resolución espacial de estas series de tiempo restringen la gama de cambios que se puede detectar (Coppin, 2004), sin embargo su alta resolución temporal ofrece la oportunidad de describir la evolución de la superficie de la tierra. Para los análisis de series de tiempo hay muchas técnicas como la diferenciación de imagen (Ingram, 2005), cambios vectoriales multitemporales (Bayarjrgal et al., 2006), los modelos de regresión (Frase et al., 2005), el análisis de componentes principales (Singh et al., 1985), redes neuronales, wavelets (Woodcock et al., 2001), transformadas de Fourier (Azzali et al., 2000), entre otros. Todas estas técnicas actualmente son muy usados para detectar cambios o breakpoints en las series de tiempo (e.g., se usó el método BFAST para descomponer la serie de tiempo y detectar breakpoints).
5.3 Procesamiento mediante Google Earth Engine Google Earth Engine es una plataforma en la nube para el análisis geoespacial a escala planetaria que lleva a las capacidades computacionales masivas de Google para soportar una variedad de temas sociales de alto impacto incluyendo la deforestación, sequía, desastre, enfermedades, seguridad alimentaria y protección del medio ambiental (Gorelick et al., 2017). A diferencia de la mayoría de los centros de supercomputación, Earth Engine también está diseñada para ayudar a los investigadores a difundir fácilmente sus resultados a otros investigadores, responsables políticos, ONG, trabajadores de campo e incluso al público en general. Earth Engine consta de un catálogo de datos (Tabla 1) preparado para el análisis de varios petabytes ubicado junto con un servicio de cómputo intrínsecamente paralelo de alto rendimiento (Gorelick et al., 2017). Se accede y se controla a través de una interfaz de programación de aplicaciones accesibles por internet y un entorno de desarrollo interactivo basado en la Web. El catálogo de datos alberga un gran repositorio de conjuntos de datos geoespaciales disponibles públicamente, que incluyen observaciones de una variedad de sistemas de imágenes satelitales y aéreas tanto en longitudes de onda ópticas y no ópticas, variables ambientales, pronósticos climáticos y datos económicos. Los códigos usados para el procesamiento y obtención de las pendientes de las regresiones lineales de los índices de vegetación se muestran en el Anexo 1.
13
Tabla 1. Datasets frecuentemente usados en el catálogo de datos de Earth Engine Dataset Landsat 8 OLI/TIRS Landsat 7 ETM+ Landsat Landsat 5 TM Landsat 4 –8 surface reflectance Sentinel 1 A/B ground range detected Sentinel Sentinel 2A MSI MOD08 atmosphere MOD09 surface reflectance MOD10 snow cover MOD11 temperature and emissivity MCD12 Land cover MOD13 Vegetation indices MODIS MOD14 Thermal anomalies & fire MCD15 Leaf area index/FPAR MOD17 Gross primary productivity MCD43 BRDF-adjusted reflectance MOD44 veg. cover conversion MCD45 thermal anomalies and fire L1 T radiance ASTER Global emissivity PROBA-V top of canopy reflectance Other imagery EO-1 hyperion hyperspectral radiance DMSP-OLS nighttime lights USDA NAIP aerial imagery Shuttle Radar Topography Mission USGS National Elevation Dataset Topography USGS GMTED2010 GTOPO30 ETOPO1 GlobCover USGS National Landcover Database UMD global forest change Landcover JRC global surface water GLCF tree cover USDA NASS cropland data layer Global precipitation measurement TRMM 3B42 precipitation CHIRPS precipitation NLDAS-2 GLDAS-2 Weather, NCEP reanalysis precipitation & atmosphere ORNL DAYMET weather GRIDMET NCEP global forecast system NCEP climate forecast system WorldClim NEX downscaled climate projections WorldPop Population GPWv4
Resolución nominal 30m 30m 30m 30m 10m 10m/20m 1° 500m 500m 1000m 500m 500/250m 1000m 500m 500m 1000/500m 250m 500m 15/30/90m 100m 100/300m 30m 1km 1m 30m 10m 7.5'' 30'' 1' 300m 30m 30m 30m 30m 30m 6' 15' 3' 7.5' 15' 2.5° 1km 4km 15' 12' 30'' 1km 100m 30''
14
16 días 16 días 16 días 16 días 6 días 10 días Diario 1 día/8 días 1 día 1 día/8 días Anual 16 días 8 días 4 días 8 días 8 día/16 días Anual 30 días 1 día Una vez 2 días Objetivo Anual
Cobertura temporal 2013 –Ahora 2000 – Ahora 1984 –2012 1984 – Ahora 2014 – Ahora 2015 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 – Ahora 2000 –2010 2013 – Ahora 2001 – Ahora 1992 –2013
Cobertura espacial Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global Global
Sub anual Único nico Único Único Único No periódico No periódico Anual Mensual 5 años Anual 3h 3h 5 días 1h 3h 6h Anual 1 día 6h 6h 12 imágenes 1 día 5 años 5 años
2003 –2015 2000 Múltiple Múltiple Múltiple Múltiple 2009 1992 –2011 2000 –2014 1984 –2015 2000 –2010 1997 –2015 2014 – Ahora 1998 –2015 1981 – Ahora 1979 – Ahora 1948 –2010 1948 – Ahora 1980 – Ahora 1979 – Ahora 2015 – Ahora 1979 – Ahora 1960 –1990 1950 –2099 Múltiple 2000 –2020
CONUS 60°N –54°S United States 83°N –57°S Global Global 90°N –65°S CONUS 80°N –57°S 78°N –60°S Global CONUS Global 50°N –50°S 50°N –50°S North America Global Global North America CONUS Global Global Global North America 2010 –2015 85°N –60°S
Temporalidad
5.4 Tendencias lineales de ST Las pendientes de una regresión lineal nos da la inclinación de un conjunto de puntos que están correlacionados (Eq. 1). La pendiente desde el punto de vista matemático puede ser positiva o negativa. El análisis de la pendiente de una regresión lineal es muy usada para estudios de monitoreo de la dinámica de los cambios en la cobertura vegetal de la tierra (Fig. 7). La lógica es simple, una tendencia decreciente paulatina (Fig. 8A) (e.g., de una variable biofísica) indica una pendiente lineal negativa. Por otro lado, una tendencia positiva creciente paulatina o abrupta, indica un incremento en la actividad fotosintética (Fig. 8B), mientras que una tendencia horizontal con una pendiente casi nula indica la estabilidad del ecosistema (Fig 8C). Las series con pendientes nulas ( ) son series teóricas, es decir, en realidad las series estable oscilarán entre +/- .
Los elementos de una regresión lineal se muestran en la Fig. 7.
(1)
Y: La función de degradación X: Año : Intercepto : Parámetro o influencia asociada a la variable independiente (pendiente)
Pendiente la regresión lineal (
) Amplitud
Constante
Fig. 7.
Enero 1 (DOY=0)
es la pendiente (si es negativa representa un indicador de la ocurrencia de un proceso degradador).
15
A
B
C
Outlier
Fig. 8. En el panel A se muestra una serie de tiempo con pendiente negativa, Panel B una pendiente positiva y Panel C se muestra una serie de tiempo estable, es decir, una pendiente aproximadamente nula. Los tres tipos de pendientes están rescaldados por un factor multiplicador de 10.
16
5.5 Técnicas de machine learning y detección de cambios En términos generales, la detección de cambios en la cobertura de la tierra está relacionada cuando la cobertura de un lugar determinado ha experimentado un cambio de un tipo a otro, estos cambios contribuyen al cambio climático y el desequilibrio ecológico y hacen que la capacidad de la Tierra como apoyo a las necesidades humanas sean cada vez menos. Por lo tanto la ubicación de los cambios en la superficie de la tierra y la cuantificación de su tiempo y magnitud, así como la evaluación de sus efectos sobre los ecosistemas son difíciles (Lambin, 2006). Los cambios pueden consistir en las transformaciones de la superficie de la tierra (los cambios en las coberturas de la tierra) o de las conversiones y pueden estar relacionados con las dinámicas naturales o por las actividades humanas. Además puede presentarse cambios abruptos o graduales (Coppin, 2004). Hay muchos métodos diferentes para detectar los cambios en las coberturas de la tierra que fueron desarrollados sobre muchas décadas aplicados a la teledetección ( Coppin et al., 2004 ; Hussian et al., 2013 ; Lu et al., 2004 ; Radke et al., 2005 ; Warner et al., 2009 ), sin embargo, los métodos más amplios y más usados son las detecciones en base a píxeles y objetos ( Chen et al., 2012 ; Hussian et al., 2013 ). Se propone una taxonomía de las unidades de detección de cambio (Tabla 2.) Tabla 2. Una revisión breve de las unidades de análisis comúnmente usados en la teledetección para estudios de detección de cambios.
Tipo Píxel Kernel Superposición de objeto de imagen
Objetos de imágenes multitemporal Polígonos vectoriales Hibrido
Descripción Píxeles individuales de imágenes son comparados Grupo de píxeles son comparados dentro de un kernel o una ventana móvil Objetos de imágenes son generados por la segmentación de una de las imágenes de las series de tiempo Objetos de imágenes son generados y comparados para diferentes periodos de tiempo Polígonos vectoriales son extraídos de mapeo digital o datos catastrales Objetos de imágenes segmentados son generados a partir de un píxel o un nivel kernel para la comparación
5.6 Relación entre el NDVI y la Temperatura de Superficie de Suelo Los índices de vegetación obtenida en base a reflectancia del espectro visible e infrarrojo cercano, como el Índice de Vegetación de Diferencia Normalizada (NDVI), o el Índice Mejorado de Vegetación (EVI) han demostrado que se correlaciona con la biomasa vegetal, área foliar y la productividad primaria ( Myneni, 1995 ). Muchos estudios han utilizado índices de vegetación obtenidos por medio de sensores remotos (LANDSAT, MODIS, AVHRR) para monitorear las tendencias de la productividad primaria para evaluar los efectos de la degradación de la tierra (Bastin, 1995 ; Diouf & Lambin, 2001 ). Por otro lado, el potencial de obtener información sobre el estado de la energía y el agua de una superficie o para la clasificación de la cubierta vegetal a través de la relación entre la 17
temperatura de superficie (Ts) y el índice de vegetación (por ejemplo, el índice de diferencia normalizada NDVI) ha sido investigado por varios autores ( Carlson et al., 1994 ; Gillies et al., 1997 ; Lambin et al., 1996 ; Moran et al., 1994 ; Nemani et al., 1993 ; Smith et al., 1991 ). La información complementaria en la banda térmica y las longitudes de onda del infrarrojo visible ha demostrado ser muy adecuado para el seguimiento de estado de la vegetación y el estrés, específicamente el estrés hídrico. El índice de vegetación es un indicador más bien conservador de estrés hídrico, ya que la vegetación se mantiene verde después de la tensión inicial del agua. En contraste, la temperatura de la superficie puede aumentar rápidamente con el estrés de agua. La Ts en combinación con él NDVI puede proporcionar información sobre las condiciones en la vegetación y la humedad de la superficie. Varios estudios se centran en la pendiente de la curva de Ts/NDVI (Nemani et al., 1993; Smith et al., 1991 ). El Ts/NDVI está relacionado con la tasa de evapotranspiración de la superficie y se ha utilizado para estimar la temperatura del aire ( Boegh et al., 1998 ). El análisis de Ts/NDVI también se ha utilizado para evaluar la información relacionada con las condiciones de humedad del suelo ( Goetz, 1997 ). Un diagrama de dispersión de la temperatura superficial de teledetección y un índice de vegetación, en caso de una gama completa de cubierta vegetal y el contenido de humedad del suelo fraccionario, a menudo resulta en una forma triangular o una forma trapezoidal ( Moran et al., 1994 ) (Fig. 9). Una variedad de tipos de vegetación y las cosechas se han estudiado bajo una variedad de condiciones climáticas, la gama de escalas estudiadas van desde metros a lo global ( Ingram, 2005 ). Por tanto, puede que no sea de extrañar que las interpretaciones difieran ampliamente. El enfoque descrito por Moran, M. S., Clarke, T., Inoue, et al. (1994) representa superficies parcialmente con vegetación.
n n ó i ó i c c a a r i r p o s p n a a v r E T o o N N
Suelo desnudo
Cobertura parcial Cubierta completa Borde Húmedo
Max. Transpiración Max. Eva oración
NDVI
Fig. 9. Simplificado
adaptado de (Lambin & Ehrlich, 1996). 18
5.7 Cálculo de pérdida de carbono en suelo del 2000 al 2010 Las estimaciones de los cambios de COS fueron generados aplicando ecuaciones, valores de referencia predeterminados ( ) y factores de cambio ( ) obtenidos de las directrices del IPCC (2006) volumen 4, el cual brinda orientación para la preparación de los inventarios anuales de gases de efecto invernadero en el sector de agricultura, silvicultura y otros usos de la tierra.
(3)
∑
Donde,
= cambio anual en las existencias de carbono de los suelos minerales en ton C AÑO-1.
= existencias de carbono orgánico en el suelo en el último año de un periodo de inventario, tonC.
= existencias de carbono orgánico en el suelo al comienzo de un periodo de inventario, tonC
T = cantidad de años de un período de inventario dado, año. D = dependencia temporal de los factores de cambio de existencias, que es el lapso por defecto para la estimación entre los valores de equilibrio del SOC, año. Habitualmente son 20 años, sin embargo depende de las hipótesis que se apliquen en el cálculo de los factores FLU, FMG y FI. Si T es mayor que D, úsese el valor de T para obtener la tasa anual de cambio durante el tiempo de inventario (0 – T años). c= representa las zonas climáticas, s los tipos de suelo e i el conjunto de sistemas de gestión que se dan a un país dado.
= factor de cambio de existencias para sistemas de uso de la tierra o subsistemas de un uso de la tierra en particular (sin unidades)
= factor de cambio de existencias para el régimen de gestión (sin unidades) = factor de cambio de existencias para el aporte de materia orgánica (sin unidades) A = superficie de tierra del estrato que se estima (ha). Toda la tierra del estrato debe tener condiciones biofísicas (es decir, clima y el tipo de suelo) y una historia de gestión durante el período de inventario en común para que se le pueda considerar en su conjunto con fines analíticos.
19
6. Resultados y discusiones Se presenta los resultados y discusión de los resultados de los indicadores a escala regional para la identificación de tierras en degradación a nivel nacional para la población objetivo, es decir en 87 millones de hectáreas que comprende el Programa Presupuestal 144 “Conservación y uso sostenible de ecosistemas para la provisión de servicios ecosistémicos” .
6.1 Cobertura de la tierra 2000-2010 Se cuenta con las coberturas de la tierra distribuido por la Agencia Espacial Europea a una resolución de 300 m y con 6 categorías para el 2000 y 2010 (Fig. 10, Fig. 11). Según el mapa de cobertura de la tierra para el año 2000, los Bosques ocupan el del territorio nacional, mientras que la segunda categoría con mayor extensión son los Arbustos, pastizales y áreas de escasa vegetación con el . Las tierras de cultivo para el año 2000 ocupó alrededor del , mientras que las áreas artificiales para ese entonces solo fue el . Los humedales y cuerpos de agua categorizados como una sola categoría, y los suelos desnudos y otras áreas ocuparon el y respectivamente (Tabla 3).
Tabla 3. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000. Código 1 2 3 4 5 6
Categorías Bosque Arbustos, pastizales y áreas de escasa vegetación Tierras de cultivo Humedales y Cuerpos de agua Área artificial Suelos desnudos y otras áreas No Data
Total
Área 2000 (Km2) 442625.2
Proporción (%)
279786.2 34538.6 2647.3 1910 102903.7 5588.9
50.8765 32.1593 3.9700 0.3043 0.2195 11.8280 0.6424
881020.5
100.00
*Ver Anexo 1 para la descripción breve de cada categoría.
Por otro lado, los Bosques para el mapa de cobertura de la tierra para el año 2010 ocupan el , mientras que la segunda categoría con mayor extensión siguen siendo los Arbustos, pastizales y áreas de escasa vegetación con el . Las tierras de cultivo para el año 2010 ocupó alrededor del , mientras que las áreas artificiales ocuparon el . Los humedales y cuerpos de agua categorizados como una sola categoría, y los suelos desnudos y otras áreas ocuparon el y respectivamente (Tabla 4).
Tabla 4. Porcentaje de ocupación de las categorías de la cobertura de la tierra para el año 2000. Código 1 2 3 4 5 6
Categorías Bosque Arbustos, pastizales y áreas de escasa vegetación Tierras de cultivo Humedales y Cuerpos de agua Área artificial Suelos desnudos y otras áreas No Data
Total
20
Área 2010 (Km2) 442247.5
Proporción (%)
280051.9 34649.6 2647.3 1910 102904.7 5588.9
50.8331 32.1899 3.9827 0.3043 0.2195 11.8281 0.6424
881020.5
100.00
A
B
Fig. 10. Cobertura de la tierra al 2000 (panel A) y 2010 (panel B) generado por la agencia espacial europea mediante una constelación de satélites (NOAA, AVHRR, SPOT-VEGETATION, PROV-V).
6.1.1 Cambios en la cobertura de la tierra 2000-2010 Para el mapa de cobertura de la tierra para el año 2010 (Fig. 10B), el área de bosques se redujo ligeramente en , mientras que los arbustos, pastizales y áreas de escasa vegetación también se incrementaron en respecto al 2000. Las tierras de cultivo también presentaron un ligero incremento para el 2010 en respecto al territorio nacional. Los humedales y cuerpos de agua, las áreas artificiales no presentaron cambio alguno entre 2000 y 2010, a excepción de los suelos desnudos y otras áreas que presentaron cambios leves (Tabla 5). El porcentaje total de cambio de la cobertura de la tierra entre el 2000 y 2010 fue de . Sin embargo, las áreas de cambio , esto representa alrededor de . Los cambios detectados obtenidos con Terra-i 2 (Fig. 11A) del 2004 al 2010 fue de por NDT solo representa el 12.4% de lo detectado por Terra-i. Esta diferencia se debe a dos razones importantes: i) la resolución espacial de las imágenes que se utilizaron para generar los cambio y ii) las categorías de clasificación del IPCC no representa necesariamente las
2
Terra-i Perú, es una herramienta diseñada para la detección de los cambios de la cobertura y uso del territorio, capaz de brindar alertas tempranas sobre el aumento y disminución de la cobertura de la tierra en el Perú a 250m de resolución espacial en base al producto MOD13Q1. Esta herramienta, es producto del Convenio de Cooperación Interinstitucional suscrito entre el Ministerio del Ambiente del Perú – MINAM y el Centro Internacional de Agricultura Tropical – CIAT de Colombia; instituciones que se han unido con el objetivo de aunar esfuerzos para generar propuestas y acciones orientadas al desarrollo estratégico de los recursos naturales y a la gestión ambiental del país.
21
coberturas del territorio nacional. El enfoque NDT tiene como inputs a cambios a .
, Terra-i genera
Tabla 5. Porcentaje de cambio en la cobertura de la tierra entre los años 2000 y 2010. Código
Categorías
1
Bosque
2000 (Km2) 442625.2
2 3 4 5 6
Arbustos, pastizales y áreas de escasa vegetación Tierras de cultivo Humedales y Cuerpos de agua Área artificial Suelos desnudos y otras áreas No Data
279786.2 34538.6 2647.3 1910.0 102903.7 5588.9
280051.9 34649.6 2647.3 1910.0 102904.7 5588.9
870000
870000
Total
2010 Cambio (Km2) 2010-2000 442247.5 -377.7 265.8 111.0 0.0 0.0 1.0
2000 (%)
2010 (%)
Cambio (%)
50.8765
50.8331 -0.0434
32.1593 3.9700 0.3043 0.2195 11.8280
32.1899 3.9827 0.3043 0.2195 11.8281
0.0305 0.0128 0.0000 0.0000 0.0001
Por otro lado, los cambios en los bosques tropicales del Programa Nacional de Conservación de Bosques (PNCB) (Fig. 11C) del Ministerio del Ambiente desde el 2001 al 2010 fue de . Estos cambios superan en a las detecciones de Terra-i. Las detecciones de PNCB fueron solo para los bosques tropicales, lo cual este número podría ser mayor si consideramos todos los cambios que pudieron haber ocurrido en todo el territorio nacional entre el 2000-2010. Tanto PNCB como Terra-i detectaron mayores cambios en la cobertura de la tierra debido a que sus procesos de detección usan imágenes de mayor resolución espacial (250m para Terra-i y 30m para PNCB).
22
Fig. 11. En el panel A se muestra los cambios en la cobertura desde el 2004-2010 detectados por Terra-i, panel B muestra los cambios de cobertura entre los períodos 2000-2010 para el enfoque NDT, mientras que el panel C muestra los cambios durante los periodos
23
La pérdida de bosques del 2000 al 2010, pasaron a ser i) arbustos, pastizales y áreas de escasa vegetación, ii) tierras de cultivos y iii) suelos desnudos y otras áreas (Fig. 12). Para la ganancia de arbustos y pastizales y áreas de escasa vegetación entre el 2000-2010, estos provinieron de bosques. Mientras que para la ganancia de tierras de cultivo, estas provinieron de la categoría bosques también (Fig. 12). Por último, el de bosques pasó a suelos desnudos y otras áreas (Tabla 5).
Fig. 12. Se muestra los cambios de cobertura entre los períodos 2000-2010. Panel A: pérdida de bosques, Panel B: incremento de arbustos y pastizales, Panel C incremento de las tierras de cultivo.
24
6.2 Dinámica de la productividad de la tierra (DPT) La dinámica de la productividad de la tierra, obtenido a partir de imágenes de Normalized Difference Vegetation Index (NDVI) del sensor Spot-Vegetation con una resolución temporal de 10 días, proporciona la tendencia de la biomasa de la cobertura vegetal durante 10 años (20002010) para Perú (Fig. 14). Las estadísticas sobre las tendencias que abarca cada categoría de la DPT muestran que el del territorio nacional presenta una tendencia “declinado o en deterioro”, lo cual es un indicador de la pé rdida de la biomasa para el período de análisis, y por ende, un estado de degradación. La categoría “señal temprano de declive” abarcó solo el , mientras que la categoría “estable pero estresado” representa un a nivel nacional. Por otro lado, la mayor extensión con un fue “estable no estresado” y el (Tabla 6). Las tres primeras “incremento de la productividad” entre el 2000 -2010 fue de categorías que suman en total , conducen a un estado de deterioro de la PDT, lo cual implica indirectamente una señal de degradación de la tierra.
Tabla 6. Alcance de la dinámica de la productividad de la tierra para Perú. Clase 1 2 3 4 5
Categorías
Área (Km2) 49376.5 20599.4 50607.5 618658.4 618658.4 47806.8 881020.5
Declinado Señal temprano de declive Estable pero estresado Estable no estresado Incremento de la productividad No Data
Total
Proporción (%) 5.68 2.37 5.82 71.11. 5.50 9.53 100.00
6.2.1 Dinámica de la productividad de la tierra (LDP) y cobertura de la tierra Para el análisis de la dinámica de la productividad de la tierra en función al tipo de cobertura, se diferenció humedales de cuerpos de agua. Para esto se usó el Mapa Nacional de Cobertura Vegetal MINAM (2015 ). Los humedales se definen como: “las extension es o superficies cubiertas o saturadas de agua bajo un régimen hídrico natural o artificial, permanente o temporal, dulce, salobre o salado, y que, albergan comunidades biológicas características, que proveen servicios ecosistémicos” – Decreto Supremo N° 004-2015 del Ministerio del Ambiente. El área total de los humedales propiamente definidos fue de
. La mayor
tendencia en Declinación o deterioro se dieron en “arbustos, pastizales y áreas de escasa , mientras que la mayor extensión para la tendencia “señal vegetación” con temprano en declive” se dio para los bosques (Tabla 7). Las zonas de bosque seco están dentro de las denominadas “tierras secas”, que según el índice de aridez están clasificadas en i)
hiperáridas, ii) áridas, iii) semiáridas y iv) sub húmedas secas. Estas áreas son las más susceptibles a la degradación por sus características esporádicas de precipitación. Por otro lado, para la tendencia “estable pero estresado” y “estable pero no estresado” se dieron c on mayor proporción en la categoría de bosque. La tendencia del “incremento en la productividad” también
se dio para la categoría bosques (Tabla 7). Existe una mayor proporción en términos de áreas
25
cuya dinámica de la productividad de la tierra se encuentr a entre “Estable no estresado” y “Productividad en Aumento” a nivel de la población objetivo (Fig. 13). Sin embargo, aunque en menor proporción, existe una tendencia en la reducción de la productividad de la tierra para las categorías de bosques, arbustos pastizales y áreas de escasa vegetación, que podría ser una consecuencia de la degradación que tienen estas coberturas debido a factores antrópicos principalmente, aunque factores naturales sin duda también son parte de la ecuación (Fig. 13).
Tabla 7. Dinámica de la productividad de la tierra por cobertura en Km2. Clase
Señal Declinado temprano de declive
Categorías
Incremento de Estable pero Estable no la estresado estresado productividad (km2)
1
Bosque
15421.9
11127.9
22621.5
365761.8
27073.5
2
Arbustos, pastizales y áreas de escasa vegetación Tierras de cultivo Humedales Cuerpos de agua Área artificial Suelos desnudos y otras áreas
24486.9
9335.9
22287.0
200619.2
14879.2
1810.3 67.8 0.0 326.3 8888.5
1136.3 20.7 0.0 170.5 536.3
2767.4 113.8 0.0 296.4 4138.5
24147.6 817.8 0.0 2054.0 25280.5
6141.3 84.7 0.0 380.5 628.0
51001.8
22327.6
52224.7
618680.9
49187.2
3 4 5 6 7 Total
Por otro lado, la Fig. 13 nos da una idea que porcentaje de cada categoría tiene productividad declinada, señal temprana de declive, estable pero estresada y estable no estresada. Tendencia en la Dinámica de la productividad de la Tierra por tipo de cobertura de 2000 a 2010 Suelos desnudos y otras áreas
Área artificial
Humedales
Tierras de cultivo
Arbustos, pastizales y áreas de escasa vegetación
Bosque 0% 1-Declinado 4-Estable no estresado
10%
20%
2-Señal temprano de declive 5-Incremento de la productividad
30%
40%
50%
60%
70%
3-Estable pero estresado
Fig. 13. Dinámica de la productividad de la tierra por cobertura.
26
80%
90%
100%
Fig. 14. Se muestra la dinámica de la productividad de la tierra para Perú. Las categorías del análisis retrospectivo de la productividad muestras niveles de degradación estudiados por Yengoh et al. (2015).
27
6.2.2 Dinámica de la productividad (LDP), NDVI y LST La dinámica de la productividad de la tierra nos dio las áreas en posible degradación, específicamente las categorías que nos dieron esa representatividad fueron: la clase declinada, ligeramente declinada y estable pero estresada. Sin embargo, los indicadores globales solo nos proporcionan el área, más no la dinámica temporal que ocurrió en dicho período. Bajo este criterio y con la finalidad de discutir con rigurosidad técnico científico los datos de LDP, fue necesario procesar las mismas áreas con variables biofísicas y climáticas, es decir, usando el NDVI y LST obtenidos del producto MODIS a 250m y 1000km de resolución espacial respectivamente. LDP fue analizado entre los períodos 1999-2013, este mismo período fue tomado en consideración para procesar series históricas de NDVI y LST. Las pendientes de las regresiones lineales se muestran en las Fig. 15.
Fig. 15. Mapas de pendientes (NDVI y LST) de las regresiones lineales obtenidas de variables biofísicas durante el rango de tiempo 2000-2013. Las pendientes para el NDVI tienen un factor de multiplicación de orden de 10. Panel izquierdo muestra las pendientes del NDVI y panel derecho muestra las pendientes del LST.
28
Del mapa de tendencias del NDVI, se identificó tres tipos de degradación. Primero, una caída gradual del NDVI al norte de la región de Piura, que en términos generales muestra un estrés hídrico en la vegetación, especialmente en los bosques secos. El comportamiento de la temperatura superficial muestra un leve incremento en la tendencia originado por la liberación de calor latente por medio de la evaporación (Fig. 16). Este incremento en la temperatura implica menos humedad en el suelo que conducirá a una disminución en el verdor de la vegetación captada en los índices de vegetación (Fig. 17). Las condiciones de humedad del suelo y la evapotranspiración entre el NDVI y LST queda representado por un gráfico de dispersión 1:1 mostrado en la Fig. 18. Segundo, las zonas agrícolas que sufrieron pérdida de suelo por la salinización, también muestran una caída leve pero paulatina en los índices de vegetación (Fig. 19). Gran parte de los valles agrícolas de la costa de Perú tienen problemas de salinización debido a la topografía y el mal manejo de riego no tecnificado. Tercero, los bosques deforestados para convertirlas en zon-
) K ° (
Tiem o
Fig. 16. Leve incremento de la temperatura superficial (LST) en la banda LST_Day_1km del producto MOD11A2 del sensor MODIS.
Fig. 17. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del sensor MODIS.
29
. Fig. 18. Relación de las tendencias entre el NDVI y LST para bosques secos. Tonalidades rojas indican una alta densidad de puntos, mientras las tonalidades azules indican baja densidad.
nas agrícolas de producción (e.g., palma aceitera) también se encuentran en degradación, así lo demuestra la serie de tiempo del índice NDVI (Fig. 20). En esta serie notamos dos rupturas o “breakpoint” entre el período 2000-2013. El cambio en el bosque se produjo a finales del 2010 mermando el valor del índice NDVI a inicios del 2011.Por otro lado, las zonas degradadas por la minería ilegal en la región de Madre de Dios son fácilmente detectadas por los cambios abruptos que estos presentan en las series NDVI (Fig. 21). Estas zonas degradadas, inicialmente eran bosques primarios antes de la perturbación antrópica, luego de la intervención se inicia un proceso rápido de pérdida de cobertura boscosa a finales del 2003.
Fig. 19. Leve decrecimiento del índice de vegetación en la banda NDVI del producto MOD13Q1 del sensor MODIS.
30
Fig. 20. Bosque tropical que pasó a zona de producción de palma aceitera.
Sin embargo, la actividad minera se incrementa para finales del año 2005 acrecentando una caída en el valor del índice y por consiguiente esto significó una pérdida de la cobertura vegetal. De la misma manera que ocurre en los casos anteriores, Las condiciones de humedad del suelo y la evapotranspiración entre el NDVI y LST queda representado por un gráfico de dispersión 1:1 mostrado en la Fig. 21 – Panel B. A
B
Fig. 21. Degradación por actividad minera en la región de Madre de Dios. Panel A muestra el comportamiento temporal del NDVI y el panel B muestra la relación entre las tendencias del NDVI y la LST de los productos MODIS.
31
Fig. 22. Se muestra las tendencias de la productividad de la tierra para las categorías i) bosques – panel izquierdo superior, ii) arbustos, pastizales y otras áreas – panel derecho superior y iii) tierras de cultivos – panel izquierdo inferior.
32
6.3 Tendencias en las reservas de carbono orgánico en el suelo Perú no dispone de información de tendencias de SOC a nivel nacional espacialmente bien distribuidas. Sin embargo, los conjuntos de datos globales que puso a disposición el programa UNCCD fueron utilizados para el estudio de una línea base de las áreas degradadas, puesto que las estimaciones de SOC de dicha fuente son adecuadas con la definición de las metas NDT, lo cual corresponde a nivel 1 3 (Fig. 23).
Tabla 8. Resumen estadístico del carbono del año 2000 por tipo de cobertura. Código
1 2 3 4 5 6
Categorías Bosque Arbustos, pastizales y áreas de escasa vegetación Tierras de cultivo Humedales y Cuerpos de agua Área artificial Suelos desnudos y otras áreas
SOC min (Tn/ha)
SOC max (Tn/ha)
SOC media (Tn/ha)
8.0 1.0 4.0 1.0 1.0 1.0
261.0 248.0 227.0 237.0 187.0 189.0
79.78 74.41 83.40 74.57 40.66 29.49
SOC desv.stan (Tn/ha) 33.86 31.62 31.52 29.41 23.85 25.35
La Tabla 8 muestra las estadísticas del mapa de carbono extraídas de SoildGrid250 del año 2000 por cada tipo de cobertura de la tierra. Las reservas de carbono de los bosques tiene un valor máximo de 261 y una media de 79.78 tn/ha, mientras que los arbustos, pastizales y las tierras de cultivo presentan una media de 74.41 y 83.40 tn/ha. Como era de esperarse, las tierras de cultivo presentan los valores más altos de carbono almacenado con 83.40 como media, mientras que los bosques 79.78 tn/ha. Esto se debe al manejo y la dinámica productiva característicos de estos tipos de cobertura. Las áreas agrícolas presentan gran cantidad de materia orgánica en el suelo, lo cual es un indicador clave de la calidad del suelo, tanto en sus funciones agrícolas como en sus funciones ambientales entre ellas la captura de carbono y calidad del aire. Mientras que los bosques, pastizales la cantidad de materia orgánica es menor, afectando la cantidad de carbono en suelo que pueda existir.
3 Los
métodos del Nivel 1 están diseñados para que resulten los más simples de usar, para lo cual se suministran las ecuaciones y los valores de los parámetros de cambio por defecto. En este nivel, a menudo se dispone mundialmente de fuentes de estimaciones de datos de la actividad (e.g. tasas de deforestación, mapas de cobertura de la tierra a nivel global, uso de fertilizantes, datos sobe la población ganadera, etc.) aunque, en general, estos datos son poco preciso a nivel de espacio. En el Nivel 2 se emplea el mismo abordaje metodológico que en el Nivel 1, pero se aplican factores de emisión y de cambio en las existencias que se basan en datos específicos del país o de la región a lo referido a las categorías más importantes de uso de la tierra o de ganado. Los factores de emisión definidos por país son más apropiados para las regiones climáticas, los sistemas de uso de la tierra y las categorías de ganado del país de que se trata. El Nivel 3, se utilizan métodos de orden superior, incluidos modelos y sistemas de medición de inventario, hechos a medida para satisfacer las circunstancias nacionales que se repiten con el tiempo, basados en datos de la actividad de alta resolución y desagregados a nivel sub-nacional. Estos métodos de orden superior ofrecen estimaciones de mayor certeza que los niveles más bajos.
33
Fig. 23. Se muestra el carbono el mapa nacional de carbono en suelo proporcionados por Hengl et al. (2016) a 250m de resolución espacial. Esta información solo se cuenta para el año 2000.
6.3.1 Categorías y áreas del cambio en la cobertura de la tierra del 2000 al 2010 Las categorías de cambio del 2000 al 2010 se dio de bosque a tres usos de suelo: i) arbustos, pastizales y áreas de vegetación escasa, ii) tierras de cultivos y iii) terrenos desnudos y otras áreas. El mayor porcentaje de cambio del total del área de bosques fue al uso del suelo por arbustos, pastizales y áreas de vegetación escasa con un 70.37% tierras de cultivo con 29.38% y otras áreas con 0.25% (Tabla 9). Tabla 9. Categorías y áreas de cambio.
Categoría al 2000
Área (ha) al 2000
1 Bosques 37,770.65 37,770.65
Categoría de cambio del 2000 al 2010
Área del cambio del 2000 al 2010
2 Arbustos, pastizales y áreas de vegetación escasa 2 Tierras de cultivo 6 Terrenos desnudos y otras áreas Total
26,578.07
Porcentaje de cambio del 2000 al 2010 70.37%
11,097.98 94.60
29.38% 0.25%
37,770.65
100%
34
6.3.2 Estimación de los cambios en el COS para las áreas de cambio de la cobertura del 2000 al 2010 El mayor porcentaje en el cambio del COS del 2000 al 2010 está dado por el uso del suelo de bosque a arbustos, pastizales y áreas de vegetación escasa con un 82.06%, le sigue las tierras de cultivo con un 17.94% y finalmente terrenos desnudos y otras áreas con un 0.0%. Por lo tanto, la mayor pérdida del COS se da por el cambio del uso de bosques a arbustos, pastizales y áreas de vegetación escasa (Tabla 10). Tabla 10. Pérdida anual y total del SOC por cambio de uso del suelo del 2000 al 2010 para la población objetiva del PP 144.
* Categoría al 2000
1 Bosque
Total
** tnC al 2000 Categoría tnC de cambio al 2010 (2000-2010) 2 Arbustos, 1,820,886.11 pastizales y áreas de vegetación 2,667,731.35 escasa 3 Tierras de 398,069.30 cultivo 6 Terrenos 0 desnudos y otras áreas 2,667,731.35 Total 2,218,955.41
% pérdida SOC (2000-2010) 82.06%
Pérdida anual SOC (tnC)
Pérdida total del SOC (20002010)*** (tnC)
-22,438.80
-224,387.97
17.94% 0
100%
6.4 Áreas potenciales en degradación Del análisis de los cambios en la cobertura y la dinámica de la productividad de la tierra pueden darnos una idea de los cambios críticos sobre la degradación de la tierra a nivel nacional. Los bosques en los últimos 10 años pasaron a i) tierras de cultivos, ii) arbustos y pastizales, y iii) suelos desnudos y otras áreas, lo cual es un indicador de un proceso de degradación acrecentada sobre todo por factores antrópicos. Por otro lado, la dinámica de la productividad de la tierra nos muestra tres niveles de degradación (declinado, señal temprano de declive y estable pero estresado). De estos dos indicadores globales, se deduce que un total de aproximadamente de la población objetivo del programa presupuestal está en degradación (Fig. 24) .
35
Fig. 24. Se muestra las zonas potenciales en degradación en base a los indicadores de cambio en la cobertura de la tierra y la dinámica de la productividad de la tierra.
6.4.1 Áreas degradadas en ecosistemas Se usó el Mapa Nacional de Cobertura Vegetal, elaborado por el Ministerio del Ambiente el año 2011, para realizar estadísticas de la degradación en diferentes tipos de ecosistemas. Los resultados mostraron que los “bosques secos tipo sabana” y “bosques de coníferas” fueron los más afectados con un 63.13% y 83.63% respectivamente (Tabla 11). Esta degradación en los bosques secos se debió a una tendencia leve y negativa en la variable biofísica NDVI que condujo a una declinación ligera en la productividad de la tierra (segundo indicador) (Fig. 17-18). Por otro lado, las coberturas que presentan menos áreas en degradación fueron para “bosque aluvial no inundable y colina” y para el “desierto costero” con 2.19% y 3.77% respectivamente. Un dato curioso es que l as coberturas vegetales de tipo “glaciar” y “lagos y lagunas” se
encuentran afectadas en un 21.09% y 5.18%, sin embargo, estas coberturas en principio no deberían presentar degradación debido a que el enfoque NDT lo que mide es la tendencia de la productividad primaria neta. Para efectos prácticos, se considera que la degradación es cero para las coberturas vegetales de tipo “glaciar” y “laguna y lagos”.
36
Tabla 11. Degradación por tipo de cobertura vegetal N° 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Cobertura Vegetal
Área de la Cobertura Vegetal (Km2)
Área en degradación Porcentaje en (Km2) degradación (%)
Agricultura costera y andina Áreas de no bosque amazónico Bofedal Bosque relicto andino Bosques artificiales Bosque aluvial inundable Bosque aluvial no inundable y colina Bosque de montaña
57794.117 69180.234 5110.148 1130.518 740.429 104519.869 140033.026 88437.738
10425.0706 9837.4781 804.6868 174.6848 166.7704 2384.5948 3073.6980 16583.9851
18.04 14.22 15.75 15.45 22.52 2.28 2.19 18.75
Bosque seco tipo sabana
14386.455
9082.3919
63.13
Bosque de coníferas
2.354
1.9689
83.63
Bosque xérico interandino Bosque montano occidental andino del Norte Bosque seco de colina y montaña Bosque subhúmedo de montaña Desierto costero Glaciar Humedal Lagos y lagunas Loma Matorral arbustivo Pajonal de puna
5600.275 783.565 19384.468 0.019 68949.887 21960.283 48.613 7657.266 2506.726 99181.638 171516.056
855.9030 142.7259 12211.2618 0.0017 2597.5935 4631.8441 5.5923 396.3663 121.9194 18153.6214 34204.8189
15.28 18.21 63.00 9.17 3.77 21.09 11.50 5.18 4.86 18.30 19.94
37
7. Conclusiones Este estudio permitió utilizar y comprobar la consistencia del enfoque NDT en la detección de tierras potenciales en degradación 4 usando tres indicadores medibles como: i) la cobertura de la tierra, ii) la productividad dinámica de la tierra y iii) el carbono en suelo. Respecto al primer de áreas potenciales en degradación debido al indicador, este permitió identificar cambio en el uso de la tierra entre los períodos 2000 y 2010, sin embargo, los cambios detectados por este enfoque fueron solo el 12.4% respecto a los cambios detectados por Terra-i, mientras que solo el 4.7% respecto a los cambios detectados por PNCB. La resolución espacial de 250m y 30m de Terra-i y PNCB respectivamente jugó un papel importante en la precisión de la cuantificación de los cambios en las coberturas. No así, el enfoque NDT tiene imágenes con inputs a 1.15km, lo cual implica detectar menos áreas de cambio. De otro lado, los tipos de cambios obtenidos con el primer indicador permitieron obtener las pérdidas de carbono que fueron calculados con el tercer indicador mediante las directrices del IPCC.
El segundo indicador relacionado al uso de series históricas del índice NDVI utilizado implícitamente como la productividad primaria neta debido a la alta correlación con el NPP, permitió detectar el 99% del total de áreas potenciales en degradación. Principalmente, las categorías de este indicador que permitieron identificar la degradación fueron: i) muy inclinado, ii) levemente inclinado y iii) estable pero estresado. Por tanto, la resiliencia de un ecosistema, entendida como la capacidad de este de regresar a su punto inicial luego de ser afectado por una perturbación, pudo ser operacionalizada a través del uso de variables biofísicas como el NDVI. Sin embargo, es importante señalar que las tendencias lineales de la productividad dinámica de la tierra son influenciadas por el inicio del período de análisis. Si este inicio coincide con el fin o inicio de un periodo de variabilidad climática, entonces la tendencia no será representativa. De la misma manera, la componente estacional presente en las series de tiempo puede ser confundida con un proceso degradador. Por lo tanto, se recomienda usar los Máximos Compuestos Anuales5para calcular las tendencias lineales de manera que se minimice el efecto estacional en las series de NDVI. Por otro lado, el gran potencial de adquirir información sobre el estado de la energía y el agua de una superficie a través de la información complementaria en la banda térmica y las longitudes de onda del infrarrojo visible ha demostrado ser muy adecuado para el monitoreo del estado de la vegetación y el estrés, específicamente el estrés hídrico. Esta relación entre el NDVI y LST permitió discutir el comportamiento de las tendencias negativas graduales del índice NDVI al norte de Perú, sobre todo en los bosques secos donde la productividad presenta una caída leve pero constante y donde las características físicas y climáticas se ajustan al comportamiento entre el NDVI y LST. 4
Entiéndase como zonas potenciales en degradación a aquellas zonas que siendo identificadas como áreas degradadas bajo indicadores y criterios técnicos científicos, presentan todavía una incertidumbre. Estas zonas potenciales en degradación podrían ser consideradas áreas degradadas si se realizara una categorización y caracterización, lo cual implica un riguroso trabajo de campo. 5 La disponibilidad de algoritmos complejos que detecten perturbaciones en las series temporales que trabajen con las componentes de las series temporales son muchos. Sin embargo, eliminar la componente estacional maximizaría la posibilidad de detectar con mayor precisión el comportamiento de las perturbaciones que dan origen a la degradación de la tierra. Estos son representan el máximo verdor anual de un índice de vegetación (e.g. para el sensor MODIS tendríamos un máximo anual de un total de 26 datos anuales de índices de vegetación)
38
Respecto al tercer indicador (i.e., el carbono en suelo) que está relacionado directamente con la cobertura de la tierra, la mayor pérdida fue para el cambio en la cobertura de bosques a arbustos pastizales y áreas de vegetación escasa con un 81.38%, a tierras de cultivo un 18.25% y a otras áreas con un 0.37%. La pérdida total de COS por el cambio en la cobertura del 2000 al 2010 fue de -224, 387.97 tn, siendo anualmente -22, 438.80 tn. Sin embargo, no es imprescindible contar con este indicador debido a que no suma áreas degradadas al total detectado, pero sí permitió caracterizar de algún modo el nivel de degradación en función a la pérdida de carbono para los cambios en la cobertura. Cualquier cambio en alguno de los 03 indicadores analizados en sentido negativo, determina un proceso de degradación de las tierras; en este sentido, los datos globales identificados para este informe conducen una línea base de las tierras degradadas a nivel nacional que se ha calculado en que representa 15, 461, 600.8ha, mientras que para la población objetivo del PP 144 se obtuvo un total de que representa 12, 598, 592.4 ha y finalmente un 20% para las tierras secas que representa un 4, 148, 841.58 ha.
Los tres indicadores usados para la identificación de las tierras degradadas a nivel nacional, así como las ecuaciones y factores recomendados por el IPCC son de un nivel 1 (i.e., escala regional) y que permitió identificar las tierras degradadas como línea base a nivel nacional. Finalmente, es necesario mencionar que la teledetección por satélite sigue siendo el único medio asequible y no oneroso para el seguimiento de la dinámica de la cobertura a diferentes escalas, por ello el análisis tendencial resulta hasta ahora un enfoque accesible y oportuno para el monitoreo de la degradación a escala regional o global. 8. Recomendaciones Primero, el programa UNCCD puso a disposición indicadores globales para el monitoreo de la degradación con la finalidad de tener una línea base del estado de degradación de cada país. Sin embargo, se recomienda el uso de información más fina en lo posible que ayude la incertidumbre en la detección de la degradación. En esta línea, se dispone de información de series históricas de NDVI a una resolución espacial de 250m lo que permitiría aterrizar las detecciones a nivel más detallado en cuanto a la productividad dinámica de la tierra o productividad primaria de la vegetación, asimismo se dispone de un mapa nacional de cobertura vegetal al 2011 que debería usarse como el segundo indicador (cobertura de la tierra), sin embargo, es necesario contar con dos mapas de este tipo en tiempos distintos. Segundo, se recomienda también calcular las pendientes de las regresiones lineales de las series históricas de índices NDVI del producto MOD13Q1 del sensor MODIS), usando la plataforma Google Earth Engine, siendo estas series de variables biofísicas, siendo este un indicador que juega un rol importante en el monitoreo de la degradación. En esta misma línea, se recomienda también tener en consideración, el cálculo de las pendientes de las regresiones lineales usando los índices NDVI proporcionados por Terra-i debido a que estas presentan un nivel de limpieza y suavizado más óptimo a diferencia de los índices usados en la plataforma de Google Earth Engine.
39
Finalmente, para efectos de la categorización de la degradación, se recomienda calcular las pendientes seguido de su nivel de confiabilidad, ya que estudios recientes muestran que la confiabilidad de las pendientes de las regresiones lineales permite establecer niveles de categorización bajo un criterio técnico científico.
Agradecimientos La Dirección General de Ordenamiento Territorial Ambiental está muy agradecido a la ONG Asociación para la Investigación y Desarrollo Integral (AIDER) por su colaboración y cálculo en la pérdida en la tendencia del carbono en suelo según las directrices del IPCC para los periodos 2000 – 2010. Anexo 1 Se muestra los códigos utilizados para calcular las pendientes de las regresiones lineales en Google Earth Engine a partir de series históricas de NDVI-MODIS.
40
Bibliografía Anyamba, A., & Tucker, C. J. (2005). Analysis of Sahelian vegetation dynamics using NOAAAVHRR NDVI data from 1981 –2003. Journal of Arid Environments, 63 , 596 –614. Bai, Z. D. (2008). Proxy global assessment ofland degradation. Soil Use and Management (24), 223-234. Bastin, G. N. (1995). Utility of AVHRR data for land degradation assessment:A case study. International Journal of Remote Sensing, 16 , 651-672. Boegh, E., Soegaard, H., Hanan, N., Kabat, P., & Lesch, L. (1998). A remote sensing study of the NDVI –Ts relationship and the transpiration from sparse vegetation in the Sahel based on high resolution satellite data. Remote Sensing of Environment, 69 (3) , 224-240. Carlson, T. N., Gillies, R. R., & Perry, E. M. (1994). method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover. Remote Sensing Reviews, 9 , 161-173. Chen, G., Hay, G.J., Carvalho, L.M.T., & Wulder, M.A. (2012). Object-based change detection. International Journal of Remote Sensing, 33 (14), 4434-4457. Coppin, P., Jonckheere, I.,Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital change detection methods in ecosystem monitoring: A review. International Journal of Remote Sensing, 25 , 1565-1596. Diouf, A., & Lambin, E. (2001). Monitoring land-cover changes in semi-arid regions:Remote sensing data and field observations in the Ferlo, Senegal. Journal of Arid Environments, 48 , 129-148. Fensholt, R., Rasmussen, K., Kaspersen, P., Huber, S., Horion, S., Swinnen, E. (2013). Assessing land degradation/recovery in the African Sahel from long-term earth observation based primary productivity and precipitation relationships. Remote Sensing, 5 (2), 664-686. Gillies, R. R., Carlson, T. N., Gui, J., Kustas, W. P., & Humes, K. S. (1997). A verification of the ‘triangle’ method for obtaining surface soil water content and energy fluxes from remote
measurements of the Normalized Difference Vegetation Index (NDVI) and surface radiant temperature. International Journal of Remote Sensing, 15 , 3145-3166. Goetz, S., & Dubayah, R. (2011). Advances in remote sensing technology and implications for measuring and monitoring forest carbon stocks and change. Carbon Management, 2 , 231-244. Gorelick, N., Hancher, M., Dixon, M., Ilyshchenko, S., Thau, D., Moore, R. (2017). Google Earth Engine: Planetary-scale geoespatial analysis for everyone. Remote Sensing of Environment .
41
Hengl, T., de Jesus, J. M., Heuvelink, G. B., Ruiperez, M., Gonzalez, M. K., Blagotic, A., ... & Guevara, M. A. . (2016). SoilGrids250m: Global Gridded Soil Information Based on Machine Learning. PLOS One . Hickler, T., Eklundh, L., Seaquist, J.W., Smith, B., Ardö, J., Olsson, L., Sykes, M.T., Sjöström, M. (2005). Precipitation controls Sahel greening trend. Geosphys Res Lett, 32 (21). Hoekstra, J.M., Boucher, T.M., Ricketts, T.H., Roberts, C. (2005). Confronting a biome crisis: global disparities of habitat loss and protection. Ecol Lett, 8 (1), 23-29. Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogramemetry and Remote Sensing, 80 , 91-106. Inge Sandholt, Kjeld Rasmussen. (2002). A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sensing of Environment, 79 , 213-224. Kasperson, J.X., Kasperson, R.E., Turner II, B.L. (Eds.). (1995). Regions at Risk: Compar-isons of Threatened Environments. United Nations University Press, Tokyo/NewYork/Paris. Lambin, E. F., & Ehrlich, D. (1996). The surface temperature –vegetation index space for land cover and land-cover change analysis. International Journal of Remote Sensing, 17 , 463487. Li, Z., Huffman, T., McConkey, B., Townley-Smith, L. (2013). Monitoring and modeling spatial and temporal patterns of grassland dynamics using time-series MODIS NDVI with climate and stocking data. Remoet Sensing of Environment, 138 , 232-244. Lu, D., Mausel, P., Brondizio, E.S., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25 (12), 2365-2401. MINAM. (2015). Ministerio del Ambiente - Perú. Recuperado el 5 de enero de 2015, de http://geoservidor.minam.gob.pe/intro/geoservicios/intercambio-de-base-de-datos12.html Moran, M. S., Clarke, T. R., Inoue, Y., & Vidal, A. (1994). Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index. Remote Sensing of Environment, 49 , 246-263. Nemani, R., Pierce, L., Running, S., & Goward, S. (1993). Developing satellite-derived estimates of surface moisture status. Journal of Applied, 32 , 548-557.
‐
Prince, S.D., Colstoun, D., Brown, E., Kravitz, L. (1998). Evidence from rain use efficiencies does not indicate extensive Sahelian desertification. Glob Chang Biol, 4 (4), 359-374. Radke, R.J., Andra, S., Al-Kofahi, O., & Roysam, B. (2005). Image change detection algorithms: A systematic survey. IEEE Transactions on Image Processing, 14 (3), 294-307.
42
