proyecciones ideam

7/26/2019 Proyecciones IDEAM

1/66

Anlisis de tendencias y patronesespaciales de deforestacin en Colombia



2/66




3/66

JUAN MANUEL SANTOS CALDERNPresidente de la Repblica

BEATRIZ ELENA URIBE BOTEROMinistra de Ambiente, Vivienda y Desarrollo Territorial

SANDRA BESSUDO LIONAlta Consejera Presidencial para la Gestin Ambiental, la Biodiversidad y el Cambio Climtico

CARLOS CASTAO URIBEViceministro de Ambiente

RICARDO JOS LOZANO PICNDirector General Instituto de Hidrologa, Meteorologa y Estudios Ambientales IDEAM

LUZ MARINA ARVALO SNCHEZSubdirectora Ecosistemas e Informacin Ambiental IDEAM

EDITORESArmando Hilario Sarmiento LpezAndrs Alejandro Etter RothlisbergerJos Julin Gonzlez ArenasSergio Alonso Orrego Suaza

FOTOGRAFAS DE LA CARTULALina Mara Garca FlrezWilson Giraldo PamplonaRonan Montas ValenciaSebastin Ramrez Echeverri

DISEO CARTULAGrupo Comunicaciones IDEAM

DISEO Y DIAGRAMACINMauricio Ochoa P. - Editorial Scripto Ltda.

IMPRESIN Y ACABADOSEditorial Scripto Ltda.PBX: 756 20 03

Publicacin aprobada por el Comit de Comunicaciones y Publicaciones del IDEAMSeptiembre de 2011, ColombiaISBN: 978-958-8067-48-3

CTESE COMO:Gonzlez, J.J., Etter, A.A., Sarmiento, A.H., Orrego, S.A., Ramrez, C., Cabrera, E., Vargas, D., Galindo, G., Garca, M.C.,Ordoez, M.F. 2011. Anlisis de tendencias y patrones espaciales de deforestacin en Colombia. Instituto de Hidrologa,

Meteorologa y Estudios Ambientales-IDEAM. Bogot D.C., Colombia. 64 p.

2011, Instituto de Hidrologa, Meteorologa y Estudios Ambientales-IDEAM. Todos los derechos reservados. Los textospueden ser usados parcial o totalmente citando la fuente. Su reproduccin total debe ser autorizada por el Instituto deHidrologa, Meteorologa y Estudios Ambientales-IDEAM.

Este trabajo fue financiado por la Fundacin Gordon y Betty Moore, proyecto Capacidad Institucional Tcnica yCientfica para Apoyar Proyectos de Reduccin de Emisiones por Deforestacin y Degradacin REDD en Co-lombia, Instituto de Hidrologa, Meteorologa y Estudios Ambientales (IDEAM), Ministerio de Medio Ambiente,Vivienda y Desarrollo Territorial (MAVDT), Fundacin Natura.

Impreso en Colombia - Printed in Colombia


4/66

MINISTERIO DE AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIALINSTITUTO DE HIDROLOGA, METEOROLOGA Y ESTUDIOS AMBIENTALES - IDEAM

RICARDO JOS LOZANO PICNDirector General

CAROLINA CHINCHILLA TORRESSecretaria General

CONSEJO DIRECTIVO

BEATRIZ ELENA URIBE BOTEROMinistra de Ambiente, Vivienda y Desarrollo Territorial

GERMN CARDONA GUTIRREZMinistro de Transporte

HERNANDO JOS GMEZ RESTREPODirector Departamento Nacional de Planeacin

ADRIANA SOTO CARREODesignada de la Presidencia de la Repblica

LUS ALFONSO ESCOBAR TRUJILLORepresentante de las CARs

OSCAR JOS MESA SNCHEZRepresentante del Consejo Nacional de Ciencia y

Tecnologa

JORGE BUSTAMANTE ROLDNDirector del Departamento Administrativo Nacional de

Estadstica-DANE

DIRECTIVAS

LUZ MARINA ARVALO SNCHEZSubdirectora de Ecosistemas e Informacin Ambiental

MARGARITA GUTIRREZ ARIASSubdirectora de Estudios Ambientales

MARA TERESA MARTNEZ GMEZJefe de Oficina Servicio de Pronstico y Alertas

LILIANA MALAMBO MARTNEZJefe Oficina Asesora de Planeacin

MARTHA DUARTE ORTEGAJefe Oficina de Control Interno (E)

OMAR FRANCO TORRESSubdirector de Hidrologa

ERNESTO RANGEL MATILLASubdirector de Meteorologa

ALICIA BARN LEGUIZAMNJefe de la Oficina de Informtica (E)

FERNEY BAQUERO FIGUEREDOJefe Oficina Asesora Jurdica

MARCELA SIERRA CUELLOCoordinadora Grupo Comunicaciones


5/66

AUTORES

Jos Julin Gonzlez Arenas

Andrs Alejandro Etter Rothlisberger

Armando Hilario Sarmiento Lpez

Sergio Alonso Orrego SuazaUniversidad Nacional de Colombia - Sede Medelln

Cristian David Ramrez Sosa

Edersson Cabrera Montenegro

Diana Marcela Vargas Galvis

Gustavo galindo Graca

Mara Claudia Garca Dvila

Mara Fernanda Ordez Castro

COORDINACIN Y SUPERVISIN

Mara Claudia Garca DvilaCoordinadora General

Mara Fernanda Ordoez CastroAsistente de Coordinacin

Armando Hilario Sarmiento LpezCoordinador Componente Proyecciones de Deforestacin

Jos Julin Gonzlez ArenasEquipo Tcnico Componente Proyecciones de Deforestacin

Andrs Alejandro Etter RothlisbergerAsesor Componente Proyecciones de Deforestacin

Sergio Alonso Orrego SuazaAsesor Componente Proyecciones de Deforestacin


6/66

AGRADECIMIENTOS

El Instituto de Hidrologa, Meteorologa y Estudios Ambientales - IDEAM, agradece al Ministerio deAmbiente, Vivienda y Desarrollo Territorial, a la Fundacin Gordon y Betty Moore y a la FundacinNatura, y a las siguientes entidades que contribuyeron al logro de esta publicacin, por el apoyo einformacin suministrada:

INSTITUCIONES

Ponticia Universidad Javeriana Sede Bogot

Universidad Nacional de Colombia Sede Medelln

Clark University - Worcester, MA (USA) Proyecto SIMCI - UNODC

PERSONAS NATURALES

Ron Eastman - Clark Labs/ Clark University

James Toledano - Clark Labs/ Clark University

Paulo Arvalo - Ponticia Universidad Javeriana


7/66

Coordinacin GeneralMara Claudia Garca Dvila

Mara Fernanda Ordez CastroJuanita Gonzlez Lamus

Carlos Alberto Noguera CruzHenry Alterio Gonzlez

Equipo Tcnico Carbonolvaro Javier Duque Montoya

Adriana Patricia Yepes QuinteroDiego Alejandro Navarrete Encinales

Juan Fernando Phillips BernalLina Mara Carreo CorreaKeneth Roy Cabrera Torres

Esteban lvarez DvilaWalter Gil Torres

Equipo Tcnico Procesamiento Digitalde Imgenes

Edersson Cabrera MontenegroDiana Marcela Vargas Galvis

Gustavo Galindo GarcaLina Katherine Vergara ChaparroAna Mara Pacheco PascagazaJuan Carlos Rubiano Rubiano

Paola Giraldo RodrguezEdilia Gonzlez MateusLuisa Fernanda Pinzn Flores

Edwin Ivn Granados VegaPaola Margarita Pabn Otlora

Karol Constanza Ramrez HernndezDaniel Alberto Aguilar Corrales

Henry Omar Augusto Castellanos QuirozHelio Carrillo Peuela

Equipo Tcnico Proyecciones de DeforestacinAndrs Alejandro Etter Rothlisberger

Armando Hilario Sarmiento Lpez

Jos Julin Gonzlez ArenasSergio Alonso Orrego SuazaCristian David Ramrez Sosa

Equipo Tcnico Componente TecnolgicoMara Liseth Rodrguez Montenegro

Eduin Yesid Carrillo VegaEmilio Jos Barrios Crdenas

Equipo Tcnico Proyecto Piloto REDDAdriana Patricia Yepes Quintero

William Giovanny Laguado Cervantes

Johana Herrera Montoy

Proyecto Capacidad Institucional, Tcnica y Cientfica para Apoyar Proyectosde Reduccin de Emisiones Por Deforestacin y Degradacin REDD en Colombia

Comit Tcnico

Andrea Garca GuerreroCoordinadora Grupo de Mitigacin de Cambio ClimticoMinisterio de Ambiente, Vivienda y Desarrollo Territorial

Xiomara Sanclemente ManriqueDirectora de Ecosistemas

Ministerio de Ambiente, Vivienda y Desarrollo Territorial

Luz Marina Arvalo SnchezSubdirectora Ecosistemas e Informacin Ambiental Insti-tuto de Hidrologa, Meteorologa y Estudios Ambientales

-IDEAM-

Mara Margarita Gutirrez AriasSubdirectora de Estudios Ambientales

Instituto de Hidrologa, Meteorologa y Estudios Ambien-tales IDEAM

Ana Cristina Villegas RestrepoOficial de Proyecto

Fundacin Gordon y Betty Moore

Elsa Matilde Escobar ngelDirectora EjecutivaFundacin Natura

lvaro Javier Duque MontoyaProfesor Asociado

Departamento de Ciencias Forestales,Universidad nacional de Colombia


8/66

7

CONTENIDO GENERAL

PRESENTACIN..................................................................................... 9

OBJETIVOS.............................................................................................. 11

CAPITULO 1:ANLISIS DE LOS PRINCIPALES AGENTES Y DETERMINATESDE LA DEFORESTACIN EN COLOMBIA............................................ 13INTRODUCCIN ........................................................................................... 15

AGENTES Y DETERMINANTES DE LA DEFORESTACIN EN COLOMBIA.............. 16

CAPITULO 2:MODELOS Y SISTEMAS PARA CARACTERIZAR Y PROYECTARLA TRANSFORMACIN DE LOS ECOSISTEMAS DE BOSQUE........ 21

INTRODUCCIN ........................................................................................... 23

CLASIFICACIN DE LOS MODELOS DE CAMBIO EN LA COBERTURAY EL USO DE LA TIERRA ............................................................................... 25

TENDENCIAS EN LA MODELACIN DE LOS PROCESOS DE TRANSFORMACINDE LOS BOSQUES ........................................................................................ 26

RETOS Y LIMITACIONES DE LOS MODELOS DE CAMBIO .................................. 28

CAPITULO 3:EVALUACIN DE METODOLOGAS Y SISTEMAS PARA MODELAR

Y PROYECTAR LA DEFORESTACIN EN COLOMBIA........................ 29INTRODUCCIN ........................................................................................... 31

PROCEDIMIENTO GENERAL PARA LA MODELACIN Y PROYECCIN ESPACIALDE LA DEFORESTACIN A NIVEL NACIONAL .................................................. 32

DESCRIPCIN DE LAS TCNICAS Y SISTEMAS DE MODELACIN EVALUADOS .. 36

EVALUACIN DE TCNICAS Y SISTEMAS DE MODELACIN ............................. 39

Contenido general


9/66

ANLISIS DE TENDENCIAS Y PATRONES ESPACIALESDE DEFORESTACIN EN COLOMBIA

8

RESULTADOS DE LA EVALUACIN DE LA MODELACIN Y PROYECCIN ESPACIALDE LA DEFORESTACIN ............................................................................... 39

MODELACIN ESPACIAL DE LA DEFORESTACIN EN EL DEPARTAMENTODE ANTIOQUIA............................................................................................. 53

CONCLUSIONES Y RECOMENDACIONES PARA LA MODELACINY PROYECCIN DE LA DEFORESTACIN EN COLOMBIA .................................. 54

LITERATURA CITADA............................................................................. 59

ANEXOS................................................................................................... 63


10/66

9

PRESENTACIN

La satisfaccin de las necesidades del ser humano conlleva la alteracin de su entorno, yentre otros aspectos determina cambios en las coberturas y los usos de la tierra (Harris1987; Wolman 1993; Mrquez 2001; Etter et al. 2008). El cambio en la cobertura y eluso de la tierra es un proceso generalizado, acelerado y significativo que en muchos casospuede traer consecuencias negativas para los seres humanos (Agarwal et al. 2001). Du-rante los ltimos cincuenta aos la transformacin de los ecosistemas tropicales, causadaprincipalmente por procesos de deforestacin y expansin de la frontera agropecuaria, haocasionado impactos sin precedentes en la biodiversidad, el clima y otros servicios ecosis-tmicos (Upadhyay et al. 2006; Uriarte, Schneider y Rudel 2010b). Alrededor de un 35por ciento del CO

2producido por actividades humanas se deriva de los cambios en el uso y

cobertura de la tierra. Los bosques de tierras bajas de Colombia han sido transformados

substancialmente, como lo evidencia la cifra de reduccin neta aproximada del 15 porciento desde 1970 calculada por Etter (1998). Como resultado, este tipo de cambios hangenerado perturbaciones climticas, socioeconmicas y polticas que a su vez han afectadola calidad de vida de la poblacin en todo el mundo (Turner et al. 2007; Uriarte, Schneidery Rudel 2010b).

Entender el funcionamiento de estos procesos se ha convertido en uno de los principalesobjetivos de la investigacin a nivel mundial, en que la transformacin de los bosques tro-picales ha recibido especial atencin (Geist y Lambin 2001). Sin embargo, son muchoslos interrogantes que an persisten acerca de los determinantes que definen la dinmicade cambio de estos ecosistemas (Geist y Lambin 2002; Brgi et al. 2004). La necesidad

por aclarar el funcionamiento de estas dinmicas, se fundamenta en el inters por tratarde modelar de forma precisa su comportamiento, y eventualmente llegar a proyeccionesen el tiempo.

El modelamiento se ha convertido en una herramienta cada vez ms importante para elanlisis de estos impactos (Upadhyay et al. 2006). Modelar los cambios en el uso y co-bertura de la tierra es crtico para formular polticas ambientales y estrategias de manejoefectivas (Agarwal et al. 2001). Actualmente, existen numerosas aproximaciones tantodesde lo terico como desde lo metodolgico, que pueden o no incorporar la dimensinespacial de forma explcita. Sin embargo, debido a que estas transiciones constituyenprocesos complejos que ocurren en mltiples escalas espaciales y temporales, al tiempo

Presentacin


11/66


10

que exhiben propiedades emergentes que resultan de la accin acumulada de mltiplesagentes (Turner et al. 2007), cualquier iniciativa para modelar siempre tendr implcitoun alto grado de simplificacin. Por definicin cualquier modelo se queda corto al tratarde incorporar todos los aspectos de la realidad, pero tambin provee informacin valiosaacerca del comportamiento del sistema dentro de un rango de condiciones (Veldkamp yLambin 2001).

En Colombia, la mayor parte de la deforestacin actualmente se localiza en terrenos pro-piedad del Estado, y se da por colonizacin no planeada y generalmente ilegal (Etter et al.2006c). Poco se sabe del cambio al interior de los diferentes ecosistemas. Los estudiosexistentes son principalmente descriptivos y limitados en cuanto a su capacidad para pre-decir la dinmica futura de las transformaciones (Etter et al. 2006b). Existe entonces lanecesidad de desarrollar modelos con una base terica slida, que puedan ser probados de

forma emprica utilizando datos reales y que tengan una buena capacidad predictiva (Etteret al. 2006b).

En el contexto de los Proyectos para la Reduccin de Emisiones por Deforestacin y Degra-dacin (REDD), los modelos suelen orientarse a conocer la cantidad o localizacin futurade los cambios en la cobertura forestal (Achard et al. 2009). Esta informacin es fun-damental para el establecimiento de una lnea base espacio-temporal de deforestacin enuna regin de referencia, en el rea del proyecto y en la franja que se presume ocurrirnpotenciales fugas (BioCarbon Fund 2008). Finalmente, constituye un paso clave para laestimacin de emisiones de dixido de carbono (CO

2) como consecuencia de la deforesta-

cin (Kim 2010).

El presente documento compila los resultados del anlisis y evaluacin de los procesosde deforestacin en Colombia. El captulo I presenta una revisin general de la literaturanacional e internacional para identificar los principales determinantes de los procesos detransformacin de los ecosistemas de bosque tropical colombiano. En el captulo II selleva a cabo una sntesis de las principales revisiones de literatura disponibles en el temade modelos empleados para caracterizar y proyectar la transformacin de los bosques,analizando las alternativas metodolgicas ms pertinentes para el caso colombiano y losproyectos REDD. En el captulo III se evalan los resultados del ejercicio de modelacin yde la proyeccin espacial de la deforestacin en Colombia, obtenidos a partir del uso dediferentes herramientas metodolgicas y del trabajo a diferentes escalas espaciotempo-

rales. Finalmente, el captulo IV contiene un conjunto de recomendaciones para mejorar,a partir de la optimizacin del proceso de modelacin, la elaboracin de escenarios dereferencia, escenarios de emisiones y lneas base para la implementacin de proyectosREDD en Colombia.


12/66

11Objetivos

OBJETIVOS

OBJETIVO GENERAL

Analizar los determinantes y evaluar un conjunto de aproximaciones metodolgicas paramodelar y proyectar la deforestacin en Colombia.

OBJETIVOS ESPECFICOS

Identificar y describir los principales determinantes de la deforestacin en Colombia

Identificar un conjunto de modelos aplicables a la modelacin de los procesos de trans-formacin de los bosques colombianos.

Evaluar un conjunto de aproximaciones metodolgicas para modelar y proyectar los proce-sos de transformacin de los ecosistemas de bosque en Colombia.

Dar recomendaciones para mejorar la modelacin y proyeccin de la deforestacin enColombia.


13/66


12


14/66

13Introduccin

CAPITULO 1: ANLISIS DE LOS PRINCIPALES AGENTES Y DETERMINATES DE LA DEFO-RESTACIN EN COLOMBIA

Captulo1.ANLISIS DE LOS PRINCIPALES AGENTESY DETERMINATES DE LA DEFORESTACIN

EN COLOMBIA


15/66


14


16/66

15

INTRODUCCIN

En Colombia diferentes entidades gubernamentales han intentado identificar los principalesdeterminantes de la deforestacin. La Poltica Nacional Ambiental (Min. Ambiente et al.1994), seal como principales causas la expansin de la frontera agrcola, actividadeslcitas e ilcitas, as como la extraccin de madera para satisfacer el consumo de lea. LaPoltica de Bosques (Min. Ambiente et al. 1996) discrimin en orden de importancia lassiguientes causas de la deforestacin a nivel nacional: expansin de la frontera agropecua-ria, colonizacin, construccin de obras de infraestructura, cultivos ilcitos, consumo delea, incendios forestales y produccin de madera para la industria y el comercio. El PlanNacional de Desarrollo Forestal (Min. Agricultura et al. 2000), identific como causas dela deforestacin la expansin de actividades agropecuarias no sostenibles, el uso intensivode lea, la construccin de obras de infraestructura, las actividades mineras, los factores

de orden pblico y el establecimiento de cultivos ilcitos. En el ao 2004, el Informe Anualsobre el Estado del Medio Ambiente y los Recursos Naturales Renovables en Colom-bia establece como determinantes fundamentales de la deforestacin la expansin de lafrontera agrcola y los incendios. Finalmente, el documento Visin Colombia 2019 (DNP2007) atribuye los procesos de deforestacin a la expansin de la frontera agropecuaria yla colonizacin, incluidos los cultivos ilcitos, seguidos en importancia por la extraccin demadera y los incendios forestales.

Aunque existen discrepancias en la importancia relativa de los determinantes identifica-dos, se alude de manera reiterada a la expansin de la frontera agrcola, incluyendo loscultivos ilcitos, y a la extraccin de madera con fines comerciales o para uso domstico.

Sin embargo, ninguna de las entidades aporta datos que soporten de forma contundentesus argumentos, ni se discrimina el anlisis de la deforestacin por regiones. En el pasexisten diferencias regionales en las caractersticas biofsicas que configuran patronesdistintos del uso de la tierra. Por tanto, es dable pensar en diferencias en las dinmicasde la deforestacin a escalas subnacionales (Etter et al. 2006).

La identificacin y anlisis de las causas directas y subyacentes de la prdida o deteriorode la cobertura boscosa, es un paso necesario para modelar y proyectar la deforestacin,que debe partir de una base terica y conceptual slida. En este sentido existen dos mar-cos principales de aproximacin a los determinantes de la deforestacin. Geist y Lambin(2001) proponen una sntesis conceptual de las relaciones entre causas directas y subya-

Anlisis de los principales agentesy determinantes de la deforestacin en Colombia


17/66


16

centes, el uso de la tierra y las cobertura terrestres, con base en una amplia revisin deestudios de deforestacin tropical1. Kaimowitz y Angelsen (1998) plantean una aproxima-cin terica similar para estudiar la deforestacin2. Sin embargo, en su propuesta se partede la identificacin de los agentes de la deforestacin (pequeos agricultores, ganaderos,leadores, etc.) y de su importancia relativa en la dinmica mediante el anlisis de losprocesos de toma de decisiones.

En el presente captulo se desarrolla un anlisis descriptivo de los principales agentes,causas directas y causas subyacentes de la transformacin de los bosques en el territorionacional (modificado de BioCarbon Fund 2008 e IDESAM et al.2008).

AGENTES Y DETERMINANTES DE LA DEFORESTACINEN COLOMBIA

AGENTES DE TRANSFORMACIN DE LOS BOSQUES

Se identifican cuatro grandes grupos de agentes importantes para el anlisis de los proce-sos de transformacin de la cobertura boscosa a nivel nacional: Agricultores, Ganaderos,Empresas mineras y Actores armados. Los comportamientos o decisiones de los diferen-tes grupos, pueden llegar a determinar tanto procesos de deforestacin como procesos

de recuperacin de bosques.

Agricultores

Este grupo de agentes incluye campesinos y otros productores agrcolas de pequea, me-diana y gran escala asentados en reas rurales. Se distinguen tres subgrupos de agentesacorde con una produccin agrcola de tipo empresarial, subsistencia (colonos y otrospequeos agricultores) o ilcita. Aproximadamente, 43% de la poblacin rural colombianamayor de 5 aos se dedica a actividades agrcolas y pecuarias (DANE 2005). Los cambiosen el uso de la tierra derivados de las actividades de este grupo de agentes, constituyenuna de las principales causas de la deforestacin en el territorio nacional. Esto se explica

por la competencia entre las coberturas forestales y los usos agrcolas por el recursotierra. Los agricultores generalmente se ven incentivados a deforestar si una baja produc-tividad de la tierra no les permite materializar las expectativas de ganancias.

1 La denicin de deforestacin adoptada por los autores incluye tanto la conversin de bosques a otras coberturas terrestres, as como la degradacin de

ecosistemas forestales (Geist y Lambin 2001).

2 Los autores no utilizan una denicin especca de deforestacin. Emplean el trmino para describir situaciones en los que la cobertura forestal se remo-

vi totalmente por un largo perodo de tiempo. Sin embargo, tambin usan el trmino en situaciones de prdida de biomasa y otros tipos de degradacin

(Kaimowitz y Angelsen 1998).


18/66

17

Ganaderos

En esta categora agrupa los agentes dedicados principalmente a la ganadera extensiva(ganado bovino). Se incluyen tanto las personas que mantienen ganado con fines producti-vos, como aquellas que buscan asegurar la tenencia de la tierra mediante la introduccinde ganado en pie. La ganadera en el pas posee un inventario aproximado de 23 millonesde cabezas, en aproximadamente 40 millones de hectreas, y genera casi 950.000 em-pleos, lo que lo convierte en el sector agropecuario que ms aporta (25%) a la generacinde empleo rural (FEDEGAN 2006).

Empresas mineras

Agrupa los agentes dedicados a la actividad minera formal, incluyendo la exploracin petro-

lera. Aunque el principal impacto de estos agentes no es necesariamente la deforestacin,sus actividades si tienen un efecto indirecto en la cobertura boscosa, especficamentedebido a las alteraciones generadas por la construccin de vas de acceso, que permitenla llegada de otras clases de agentes transformadores.

Actores armados

Los grupos armados son agentes claves en los procesos de transformacin de los ecosis-temas forestales colombianos. La presencia de actores armados en un rea en condicio-nes de enfrentamiento directo conduce a migracin interna, lo cual conlleva el abandono

de tierras y a la posible recuperacin de los bosques si la duracin del conflicto es razona-blemente extensa3. Sin embargo, tambin es factible que algunos de los actores armadosse dediquen a actividades agropecuarias, principalmente cultivos ilcitos, en las reas queejercen control, lo cual puede conllevar procesos de deforestacin. Igualmente, la presen-cia de actores armados afecta el ejercicio de las instituciones del estado y puede limitar elefectivo control sobre los usos del suelo an en reas legalmente protegidas.

PRINCIPALES DETERMINANTES DE LA DEFORESTACIN

Causas directas

Las causas directas de la deforestacin, se relacionan con actividades humanas que afec-tan directamente el medio natural (Geist y Lambin 2001). Agrupan los factores que operana escala local, diferentes a las condiciones iniciales estructurales o sistmicas, los cualesse originan en el uso de la tierra y que afectan la cobertura forestal mediante el aprove-chamiento del recuso arbreo, o su eliminacin para la dar paso a los usos agropecuarios(Ojima et al. 1994; Geist y Lambin 2001; Kanninen et al. 2008). La tabla 1 resume los

3 En algunos casos la poblacin desplazada podra moverse a sitios en los que existan ecosistemas forestales, y sobre stos aumente una presin de tipo

antrpico.



19/66


18

principales determinantes de la transformacin de los ecosistemas forestales identifica-dos para Colombia, comparndolos con la clasificacin hecha por Geist y Lambin (2001;2002).

Tabla 1. Principales determinantes de la transformacin de los bosques colombianosidentificados por el componente de Proyecciones del proyecto4.

Variable/determinante Agente relacionadoEquivalencia clasificacin Geist y

Lambin (2001, 2002)

Expansin de la frontera agropecuaria(actividades lcitas e ilcitas).

Agricultores, Ganaderos, Actoresarmados.

Causa directa: Expansin agrcola(agricultura, ganadera, colonizacin, etc.)

Minera (efectos indirectos porconstruccin de vas de acceso).

Empresas mineras.Causa directa: Extensin de lasinfraestructuras (Empresa privada).

Variables biofsicas (caractersticasde los suelos, clima, etc.). No aplica. Causa directa: Otros factores (factoresambientales que predisponen)

Variables demogrficas (crecimiento,densidad, estructura, etc.). Agricultores, Ganaderos

Causa subyacente: Factores demogrficos(crecimiento, migracin, distribucin,ciclo de vida, etc.)

Crecimiento de los precios de loscommoditiesen los mercadosinternacionales

Agricultores, Ganaderos, Actoresarmados, Empresas mineras.

Causa subyacente: Factores econmicos(Variables especiales)

Mercado laboral.Agricultores, Ganaderos, Empresasmineras.

Causa subyacente: Factores econmicos.

Polticas agrarias y de tierras(ausencia, incentivos perversos, etc.).

Agricultores, Ganaderos, Actoresarmados, Empresas mineras.

Causa subyacente: Factores polticos yinstitucionales (polticas formales, derechos

de propiedad, etc.)

Tecnologas de la produccinAgricultores, Ganaderos, Actoresarmados, Empresas mineras.

Causa subyacente: Factores tecnolgicos(cambios agrotecnolgicos, factores deproduccin, etc.)

Causas subyacentes

Las causas subyacentes o procesos sociales son factores que refuerzan las causas direc-tas de la deforestacin o degradacin forestal (Kaimowitz y Angelsen 1998; Geist y Lambin2001; Geist y Lambin 2002). Agrupan complejas variables sociales, polticas, econmi-

cas, tecnolgicas, y culturales, que constituyen las condiciones iniciales en las relacionesestructurales existentes entre sistemas humanos y naturales (Geist y Lambin 2001)5.

Histricamente, la economa nacional ha sido afectada por varios factores importantes, loscuales han modificado los impactos causados por el ser humano en el ambiente biofsico(modificado de Etter et al. 2008):

4 Las variables se listan sin orden de importancia. Se trata de variables interrelacionadas.

5 En trminos espaciales, las causas subyacentes podran operar a nivel local, o indirectamente desde lo nivel nacional o incluso lo global (Geist y Lambin

2001). Debido a que las relaciones son menos directas y a que la informacin disponible es escasa o de baja calidad, resulta ms difcil establecer vnculos

claros entre los factores subyacentes y la deforestacin y degradacin (Kaimowitz y Angelsen 1998).


20/66

19

Consolidacin de la tendencia de urbanizacin, impulsada por la creciente industriali-zacin en las ciudades principales.

Saturacin de tierras de pequeos propietarios en la regin Andina, con el subsecuen-te incremento en la migracin a las zonas de frontera de los bosques de tierras bajasde la Amazona y las faldas de los Andes.

Desarrollo y aumento estable del crecimiento del narcotrfico que ha invadido progre-sivamente las fronteras agrcolas.

Creciente conflicto armado reforzado por actividades econmicas ilegales.

Cambio paralelo y substancial en las polticas acerca del ambiente.

Incursin progresiva en los mercados internacionales con una economa dictada cada

vez ms por el entorno macroeconmico global. Polticas proteccionistas parcializadas a un nmero limitado de productos agropecua-

rios.

Ausencia de una poltica fiscal que promueva el uso eficiente de la tierra.

Distribucin desigual de la tenencia de la tierra.

Problemas estructurales de movilidad social con efectos importantes en los mercadoslaborales.

Todos estos factores han tenido consecuencias importantes en las coberturas terrestres,

incluyendo cambios en los patrones de colonizacin y el abandono de ciertas reas (Etteret al. 2006). Estas dinmicas pueden iniciar o reforzar tanto procesos activos de defores-tacin como de regeneracin de la cobertura boscosa (Grau y Aide 2008). Los procesosde expansin agropecuaria (lcitos e ilcitos), que proliferan sin control bajo el modelo eco-nmico y el ambiente sociopoltico reinante, mantienen la deforestacin como la tendenciade uso dominante en el pas. La falta de mecanismos polticos adecuados permite a losgrandes terratenientes mantener y expandir su control sobre el territorio, fenmeno quegeneralmente est asociado a prcticas violentas e ineficientes de uso de la tierra queconvierten grandes zonas de bosque en pastizales con una baja densidad de animales o ensistemas agrcolas poco productivos (Grau y Aide 2008). Simultneamente, los pequeosagricultores, desplazados y con un mnimo apoyo estatal, se ven obligados a ampliar lafrontera agropecuaria o a migrar a las zonas urbanas, lo que en algunos casos generaprocesos de recuperacin de la cobertura boscosa en las tierras abandonadas.



21/66


20


22/66

21

CAPITULO 2: MODELOS Y SISTEMAS PARA CARACTERIZAR Y PROYECTAR LA TRANS-FORMACIN DE LOS ECOSISTEMAS DE BOSQUE

MODELOS Y SISTEMAS PARA CARACTERIZAR

Y PROYECTAR LA TRANSFORMACINDE LOS ECOSISTEMAS DE BOSQUE

CAPITULO2.


23/66


22


24/66

23

INTRODUCCIN

Los modelos que permiten entender y predecir, as sea de manera parcial, el cambio en eluso de la tierra y las coberturas terrestres, se caracterizan por su inherente complejidad.Complejidad que generalmente se deriva de la necesidad de considerar, y acoplar dinmi-cas antrpicas y biofsicas de una forma espacialmente explcita. No obstante, una varie-dad amplia de modelos economtricos, ecolgicos y basados en agentes se han propuestopara encontrar soluciones a problemas relacionados con un manejo socialmente ptimo dela tierra, proyectar el efecto futuro sobre ecosistemas naturales y la bisfera, de cambiosen el uso de la tierra y las coberturas terrestres o simplemente para ganar conocimientoacerca de stas interacciones desde diferentes perspectivas (Veldkamp y Lambin 2001;Verburg et al. 2002; Turner et al. 2007).

Existe un amplio espectro metodolgico para caracterizar y proyectar el cambio en eluso y la cobertura de la tierra. Sin embargo, cada aproximacin presenta una serie decaractersticas y restricciones que deben ser evaluadas de forma rigurosa al momentode seleccionar la ms adecuada para tratar de entender y predecir las dinmicas detransformacin de inters, conforme a los contextos espaciales y temporales que les sonparticulares.

La racionalidad al momento de construir un modelo de cobertura y/o uso de la tierra tienetres objetivos: i) actuar como banco de pruebas para entender las fuerzas determinantes ylas dinmicas del cambio; ii) entender las implicaciones econmicas y ambientales futurasde los actuales procesos de conversin, y iii) servir como medio para proyectar el impacto

de cambios polticos en las tendencias actuales (Pijanowski et al. 2002). En todos loscasos, el modelo debe ser capaz de predecir el cambio basndose en la evaluacin de lascondiciones presentes (Eastman et al. 2005).

La mayora de los modelos de cambio en el uso/cobertura se orientan fundamentalmentea entender y predecir el proceso de deforestacin, debido a su papel significativo en losciclos globales del carbono y el agua, la prdida de biodiversidad y la degradacin de latierra (Schneider 2008). Otra parte importante de la modelacin intenta entender tipos detransiciones complejas como la expansin urbana y agrcola, la expansin del rea cubiertacon pastos, as como la recuperacin de la cobertura forestal (Uriarte, Schneider y Rudel2010a). No obstante, sin importar su objetivo especfico, los modelos de cambio en el

Modelos y sistemas para caracterizar y proyectar latransformacin de los ecosistemas de bosque


25/66


24

uso y cobertura permiten verificar mediante el anlisis de escenarios la estabilidad de lossistemas socio-ambientales. Estos modelos tienden a aplicar herramientas de modelacinestadstica avanzada, con datos espacialmente explcitos para simular los procesos basn-dose en un conjunto de reglas idealizadas de comportamiento. Mientras que los modelosestadsticos asumen por lo general que los cambios en el uso y cobertura son estacio-narios, los modelos de simulacin representan los cambios en el tiempo y en relacin conalteraciones en las propiedades de un sistema (Turner et al. 2007).

Entre los aspectos ms importantes que se deben considerar en un modelo de cambio enel uso/cobertura estn: i) la forma en que se especicarn los determinantes (drivers)y sus interacciones en diferentes escalas; ii) cmo predice la localizacin de los cam-bios versus su impacto en trminos de cantidad (Veldkamp y Lambin 2001). La crecientedemanda de modelos espacialmente explcitos ha conducido al desarrollo de mltiples

aproximaciones metodolgicas (Veldkamp y Lambin 2001; Verburg et al. 2002; Schnei-der 2008). Las aproximaciones espaciales por lo general usan modelos del tipo autmatacelular, que simulan el cambio en el uso de la tierra en funcin de los usos existentes enun rea circundante o vecindario, cuya relacin la determina un conjunto de relacionesdefinidas discrecionalmente por el modelador (Verburg et al. 2002). La proyeccin decambios en el uso de la tierra se suele realizar con dos tipos principales de modelos (Lam-bin 1997; Stephenne y Lambin 2001; Mas et al. 2004): i) modelos empricos basados enla extrapolacin de patrones de cambio observados en un pasado reciente; ii) modelos desimulacin basados en la comprensin exhaustiva de los procesos que originan el cambio.La prediccin espacial de cambios en el uso/cobertura es posible utilizando los tipos demodelos de la primera categora.

En la modelacin de cambios en ecosistemas forestales se hace nfasis en la transicin debosque a no bosque o deforestacin, y mucho menos atencin, por la complejidad del fe-nmeno mismo, se le concede a los procesos de recuperacin de la cobertura forestal. Deacuerdo con Kaimowitz y Angelsen (1998), los modelos de deforestacin tienen diferentesobjetivos. Algunos intentan explicar las causas de la deforestacin histrica, mientrasotros intentan predecir dnde, cundo o cunta deforestacin ocurrir en el futuro. Otroobjetivo de los modelos de deforestacin consiste en el anlisis, a priori, de la forma enque intervenciones polticas influencian la prdida de la cobertura forestal. Aunque los dis-tintos objetivos de los modelos de deforestacin necesariamente se superponen, algunosmtodos y variables son ms efectivas para alcanzar objetivos particulares (Lambin 1994;

Lambin 1997; Kaimowitz y Angelsen 1998; Mas et al. 2004; Achard et al. 2009).

El presente captulo contiene una sntesis de los resultados de la revisin de literaturapara el tema de modelos de transformacin del uso y cobertura de la tierra, con nfasis enlos procesos de deforestacin y los sistemas disponibles para su estudio en el territorionacional.


26/66

25

CLASIFICACIN DE LOS MODELOS DE CAMBIO EN LA CO-BERTURA Y EL USO DE LA TIERRA

Existen diferentes aproximaciones a la hora de clasificar los modelos para representarlos cambios en el uso y cobertura de la tierra. Upadhayay et al. (2006) proponen una es-tructura general enfocada a los relacionados con los ecosistemas de bosque. Los autoreshacen una diferenciacin entre los modelos de acuerdo a la(s) disciplina(s) en la(s) cual(es)fueron desarrollados, y los modelos de acuerdo a la aproximacin metodolgica. Teniendoen cuenta la revisin hecha por los autores, los modelos del primer grupo pueden dividirseen Econmicos o Multidisciplinares. Los modelos del segundo grupo son clasificados encuatro categoras: Modelos conceptuales, Modelos Analticos, Modelos de programacin yde simulacin lineal/no lineal, y Modelos empricos de regresin.

MODELOS DE ACUERDO A LA DISCIPLINA

Los modelos econmicos suelen aplicar tcnicas de optimizacin basadas en anlisis inte-grales a nivel microeconmico, o modelos de equilibrio general en una escala macroecon-mica (Kaimowitz y Angelsen 1998; Achard et al. 2009). Son los modelos que han recibidoms atencin, particularmente en la modelacin de la deforestacin. Los modelos multidis-ciplinarios se suelen desarrollar para incorporar al anlisis las interacciones ecolgicas y/ola variable espacio. Los modelos espacialmente explcitos de cambio en el uso de la tierra,que incorporan variables socioeconmicas y biofsicas, se consideran importantes para laproyeccin de escenarios y la realizacin de experimentos que mejoren el entendimiento

de procesos signicativos de cambio en el uso de la tierra (Veldkamp y Lambin 2001;Upadhyay et al. 2006).

MODELOS DE ACUERDO A LA APROXIMACIN METODOLGICA

Los modelos conceptuales utilizan diagramas causales y de flujo de las diferentes variables,lo cual constituye el primer paso en cualquier ejercicio de modelacin (Lambin 1994; Upadh-yay et al. 2006). Los modelos analticos no utilizan datos pero facilitan la representacin deteoras dentro de un marco riguroso que permite a los investigadores obtener conclusionesa partir de los supuestos del modelo (Kaimowitz y Angelsen 1998; Upadhyay et al. 2006).

Los modelos de programacin proveen una interfaz entre el comportamiento humano y losprocesos biofsicos en trminos de la extraccin de recursos y cambios en las existencias.Los modelos dinmicos de simulacin explican los sistemas complejos con un nmero re-ducido de ecuaciones diferenciales o reglas de comportamiento, que permiten explorar deforma rpida los efectos probables de la continuacin de las prcticas actuales de uso dela tierra o de cambios en los parmetros culturales o ecolgicos asociados (Achard et al.2009). Finalmente, los modelos empricos estadsticos buscan identificar de forma explcitalas causas del cambio en el uso/cobertura, a travs de tcnicas de anlisis multivariado quepermiten dilucidar la contribucin que hacen las variables exgenas bajo diferentes condicio-nes socioeconmicas (Upadhyay et al. 2006). Sin importar la clasificacin que se utilice, elanlisis de regresin es la metodologa ms utilizada (Kaimowitz y Angelsen 1998).



27/66


26

TENDENCIAS EN LA MODELACIN DE LOS PROCESOSDE TRANSFORMACIN DE LOS BOSQUES

MTODOS

A nivel internacional, la metodologa ms utilizada tanto para anlisis espacialmente explci-tos como para no explcitos, sigue siendo la regresin. Sin embargo, en dcadas recientesha aumentado el desarrollo de otro tipo de modelos matemticos enfocados a abordardesde una perspectiva diferente las mismas problemticas. Tal es el caso de los modelosde programacin y simulacin; entre ellos, cabe destacar a los modelos de autmata celulary de redes neuronales como los que ms acogida estn empezando a tener al interior de lacomunidad cientfica. En Colombia, tambin predomina el uso de modelos de regresin para

caracterizar y proyectar las dinmicas de cambio observadas. La mayora de los estudios enla transformacin de los bosques colombianos han estado influenciados por la Ecologa delPaisaje. Este tipo de trabajos suelen analizar los cambios en el uso y cobertura de la tierraa escala de paisaje, combinando en modelos multidisciplinarios informacin obtenida desensores remotos, y datos estadsticos de variables biofsicas y antrpicas. Un grupo msreducido de investigaciones, apoyado en insumos y mtodos similares, se han orientado atratar de explicar y predecir espacialmente estos patrones de transformacin para las es-calas nacional y regional. Los trabajos desde la teora econmica son mucho ms escasos.

VARIABLES EXPLICATIVAS Y REAS DE ESTUDIO

A nivel internacional, la Amazona brasilea sigue siendo el rea de estudio ms exploradapor investigadores interesados en modelar la transformacin del bosque tropical. Entrelas variables explicativas ms empleadas estn las vinculadas al nivel de accesibilidad, lascaractersticas de la poblacin y la dinmica de las actividades agropecuarias. En el casocolombiano, la mayora de la investigacin en la temtica se han concentrado en carac-terizar los procesos histricos de deforestacin de bosques de tierras bajas en la reginAndina y Amaznica; son escasos los estudios dirigidos a predecir espacialmente, y aescala regional y nacional, la dinmica de sta u otras transiciones. Esto se debe princi-palmente a que son comunes las restricciones en trminos de disponibilidad y calidad dela informacin necesaria para modelar las transformaciones. Entre las principales causas

analizadas por estas investigaciones se encuentran la accesibilidad (distancia a carreterasy ros), la expansin de la frontera agropecuaria (incluyendo cultivos ilcitos), los procesosdemogrficos (tasas de crecimiento, densidad de poblacin), el nivel de gobernanza y losefectos de las polticas nacionales e internacionales.

MODELACIN ESPACIAL DEL CAMBIO

Existen numerosas aproximaciones diferentes para modelar de forma espacialmente ex-plcita los procesos de cambio de la cobertura y el uso de la tierra. En la actualidad, prc-ticamente cualquier modelo espacial est vinculado a uno o ms Sistemas de Informacin


28/66

27

Geogrfica (Eastman et al. 2005). Este tipo de modelos generalmente estn compuestospor tres componentes principales: un submodelo de cambio en la demanda, un submodelode potencial de transicin, y un submodelo de asignacin de cambio. El modelamiento delcambio en la demandabusca establecer cunto del cambio tendr lugar en un perodode tiempo especfico. El submodelo de potencial de transicinbusca determinar qutan probable es que la tierra cambie de un tipo de cobertura a otro, basndose en factorescomo la aptitud de la tierra para la transicin en cuestin y la presencia de determinan-tes del cambio. Finalmente, los submodelos de asignacin de cambiose ocupan deidentificar cules sern las regiones especficas que van a cambiar, dada la demanda y lassuperficies de cambio potencial (Eastman et al. 2005).

DESEMPEO DE LAS TCNICAS Y SISTEMAS DE MODELACIN

Los estudios comparativos ilustran el amplio rango de resultados posibles que puedenobtenerse de la implementacin de un conjunto de modelos cientficamente rigurosos (Pon-tius et al. 2008). De la misma forma, los resultados de la comparacin del desempeoentre modelos pueden variar, dependiendo del anlisis estadstico que se utilice para laevaluacin (Eastman et al. 2005).

De acuerdo con el estudio de Eastman et al. (2005)6, la tcnica de Redes Neuronalesobtuvo buenos resultados en todas las pruebas de evaluacin. La Regresin logstica, unade las ms utilizadas, tuvo un buen desempeo al momento de determinar potencialesde transicin relativos, pero result ineficiente cuando se us para tratar de establecer

potenciales de transicin absolutos. Finalmente, la tcnica de Pesos de Evidencia tampocoobtuvo buenos resultados debido a que no cuenta con mecanismos para medir los efectosde interaccin (Eastmanet al. 2005).

En trminos de su capacidad para predecir espacialmente el cambio, los resultados delestudio de Pontius et al(2008) muestran que en la gran mayora de los sistemas ana-lizados7, el porcentaje de error es mayor que la cantidad de cambio predicha de formacorrecta por los modelos utilizados. Las mejores predicciones se obtuvieron para los lu-gares donde la cantidad de cambio neto observado en el mapa de referencia fue mayor.Mas y colaboradores (2010) evalan los mapas de prediccin difusa (fuzzy) simulados porel software DINAMICA-EGO y el Land Change Modeler (LCM) del programa IDRISITM. Los

resultados muestran que los paisajes simulados de manera ms realista, generalmente seobtienen a expensas de reducir la exactitud en la localizacin. En este aspecto, el softwareDINAMICA-EGO obtuvo mejores resultados que el LCM. Posteriormente, Mas y colabora-dores (2011) llevan a cabo un ejercicio similar para comparar el desempeo de los siste-mas CLUE, DINAMICA, CA_MARKOV y LCM. Los autores concluyen que CA_MARKOVy DINAMICA son los programas que ofrecen mayor flexibilidad para desarrollar modelos

6 Los procedimientos analticos de modelacin comparados fueron: Bayclass, BPN Neural Network, Mahalclass, Fuzclass, All Combinations Likelihood,

Average, Product , Bayes / WofE, Belief, Bayclass with Prior Probability, All Combinations Probability, y Regresin logstica.

7 Los sistemas analizados fueron: GEOMOD, SLEUTH, Land Use Scanner, Environment Explorer, Regresin logstica, SAMBA, LTM, CLUE-S, y CLUE.



29/66


28

personalizados. IDRISI y DINAMICA obtuvieron los mejores resultados en cuanto a docu-mentacin y entorno grfico.

MODELOS Y SISTEMAS EN EL CONTEXTO REDD

Achard et al. (2009) indican que los modelos utilizados para proyectos de Reduccin deEmisiones por Deforestacin y degradacin (REDD), suelen orientarse a conocer la cantidado localizacin futura de los cambios en la cobertura forestal. Sin embargo, la modelacin enel contexto REDD sigue siendo un campo poco explorado. Los estudios comparativos sonescasos (Ver por ejemplo Kim 2010) y se limitan principalmente a algunas aproximacionesde tipo metodolgico como la regresin logstica, las redes neuronales y los modelos deautmata celular. Los resultados de la revisin indican que los sistemas de modelacin quems se utilizan actualmente para modelar escenarios en REDD son el mdulo Land Change

Modeler del software IDRISITM (GEOMOD, Redes Neuronales y Regresin Logstica) y elprograma DINAMICA-EGO (Autmata Celular). Las dos alternativas presentan ventajas ydesventajas que deben ser evaluadas por los modeladores a la hora de seleccionar la quemejor se ajuste a sus necesidades.

RETOS Y LIMITACIONES DE LOS MODELOS DE CAMBIO

Son varios los retos asociados a la generacin de modelos de cambio en el uso/coberturade la tierra. La disponibilidad de informacin en cantidad suficiente y confiable para la va-lidacin del modelo, es probablemente una de las restricciones ms relevantes. Aquellos

modelos que dependen de cantidades importantes de datos primarios, se suelen caracte-rizar por generar una informacin limitada en duracin y/o extensin geogrca. Debido aque la localizacin y magnitud de los cambios son el resultado de decisiones humanas, lasprincipales dificultades estn relacionadas con la complejidad inherente a las interaccionesentre los seres humanos y los factores ambientales analizados (Lambin 1994; Mas et al.2004). En el caso de los modelos empricos, la limitacin ms importante es que los cam-bios en las coberturas y los determinantes de la deforestacin no se encuentran necesaria-mente en la misma ubicacin; adicionalmente, es comn la influencia de otros factores queson impredecibles y que alteran los procesos de deforestacin. Por lo tanto, sin importarel tipo de modelo que se emplee, las proyecciones a largo plazo de las relaciones entre elcambio y las variables explicativas no resultan confiables (Mas et al. 2004).

A pesar de que la prediccin de la localizacin del cambio en la cobertura forestal es re-lativamente sencilla si se asume cierto nivel de continuidad en las tendencias histricasobservadas, la alta dinmica y complejidad de los procesos de transformacin del usoy la cobertura de la tierra no garantiza que los modelos empleados para generar estasproyecciones logren el nivel de precisin esperado. Los estudios analizados que destacanun alto nivel de precisin en sus modelos, siguen presentando un alto margen de error entrminos reales. Por ende es prcticamente imposible desarrollar modelos de los proce-sos de cambio en el uso y cobertura de la tierra, y de forma ms especfica del fenmenode deforestacin, que presenten un alto poder de prediccin (Mas et al. 2004).


30/66

CAPITULO 3: EVALUACIN DE METODOLOGAS Y SISTEMAS PARA MODELAR Y PROYEC-

TAR LA DEFORESTACIN EN COLOMBIA

3.CAPITULO

EVALUACIN DE METODOLOGAS

Y SISTEMAS PARA MODELAR Y PROYECTARLA DEFORESTACIN EN COLOMBIA


31/66


32/66

31

INTRODUCCIN

El presente captulo sintetiza los resultados del ejercicio de modelacin (Perodo 1990-2010) y de la proyeccin de la cantidad y localizacin de la deforestacin en Colombia parael perodo 2010-2030. Incluye un anlisis espacial sub-nacional para el departamento deAntioquia (1980-2000) y un conjunto de conclusiones y recomendaciones para mejorar, apartir de la optimizacin del proceso de modelacin, la elaboracin de escenarios de refe-rencia, escenarios de emisiones y lneas base para el caso colombiano.

Los captulos I y II contienen una sntesis de los determinantes de la deforestacin y delas alternativas tericas y metodolgicas disponibles para modelar y proyectar la transfor-macin de los bosques colombianos, con nfasis en el contexto de los Proyectos para laReduccin de Emisiones por Deforestacin y Degradacin (REDD). Los resultados de este

anlisis indican que la regresin logstica, las redes neuronales y los pesos de evidenciaestn entre las mejores alternativas para modelar y espacialmente la transicin de Bosquea No Bosque. De igual manera, se pudo identificar a los programas IDRISITMy DINAMICA -EGO como los ms utilizados a nivel internacional debido a que presentan ventajas compa-rativas en relacin con los dems sistemas de modelamiento disponibles, y especializadosen el cambio del uso y la cobertura de la tierra.

La modelacin de la deforestacin tiene fundamentalmente dos objetivos principales, iden-tificar las tendencias en la magnitud de la deforestacin esperada en mediano plazo eidentificar patrones espaciales de localizacin y dispersin del fenmeno. En el caso co-lombiano, la modelacin espacialmente explcita se abord desde dos escalas: nacional y

sub-nacional. El nivel nacional abarc todo el territorio continental de Colombia. El anlisissub-nacional se dividi en dos: un anlisis regional para construir el consolidado nacionaly un ejercicio independiente localizado en el departamento de Antioquia, donde se carac-terizaron y analizaron los patrones espaciales y temporales, y las variables (motoras) queexplican la deforestacin en el departamento. El anlisis a nivel nacional abarc el pero-do 1990-2010. Para el departamento de Antioquia se realiz la modelacin del perodo1980-2000. Sin embargo, la proyeccin de la deforestacin se desarroll nicamente parael nivel nacional (perodo 2010-2030).

La metodologa y aproximacin terica utilizadas varan de acuerdo al nivel analizado. Elanlisis sub-nacional en Antioquia utiliz un modelo economtrico de regresin logsti-

Evaluacin de metodologas y sistemaspara modelar y proyectar la deforestacin en Colombia


33/66


32

ca para identificar los determinantes de la deforestacin observada en el departamento.Para el nivel nacional se compar el desempeo de un modelo de regresin logstica, lamodelacin mediante redes neuronales y la tcnica de pesos de evidencia. Las pruebasllevadas a cabo para evaluar de forma comparativa las tcnicas y sistemas de modelacin,se enfocaron principalmente en conocer diferencias en cuanto a los niveles de precisin,las variables explicativas incorporadas, y la capacidad predictiva en cuanto a cantidad ylocalizacin del cambio en la cobertura de bosque.

PROCEDIMIENTO GENERAL PARA LA MODELACINY PROYECCIN ESPACIAL DE LA DEFORESTACINA NIVEL NACIONAL

La figura 1 muestra el diagrama general de los pasos seguidos para caracterizar y pro-yectar el cambio en la cobertura de bosque a escala nacional y sub-nacional (Regiones dedeforestacin), para resoluciones de pxel de 250 metros y 1 kilmetro. Se parti del apro-vechamiento de los insumos generados por los dems componentes del proyecto (mapasde cobertura, mapas de biomasa, mapas de contenidos de carbono), complementadoscon informacin biofsica y socioeconmica disponible y pertinente, obtenida de diferentesfuentes oficiales. Para el caso de la etapa de modelacin y proyeccin del cambio, el detallede los procedimientos vara de acuerdo al software utilizado8.

Aunque las capas de coberturas forestales derivadas de imgenes Landsat y ALOS tenan

una resolucin de 30m, la mayor parte de las variables explicativas tanto biofsicas (sue-los, clima) y todas las socioeconmicas a ser utilizadas en la modelacin, no cumplan conel suficiente nivel de detalle, lo que oblig a re-muestrear todas las capas de informacina una resolucin uniforme de 250m (tamao de celda de 6.25 ha) y 1km (tamao de celdade 100 ha).

8 Para conocer el detalle de los procedimientos de las herramientas de modelacin utilizadas, se recomienda consultar el manual del IDRISI Taiga (Eastman

2009) y el del software DINAMICA EGO (Soares y Rodrigues 2009).


34/66

33

Figura 1 Diagrama general de procedimientos para la modelacin espacialdel cambio en la cobertura de bosque a nivel nacional

ETAPAS DE LA MODELACIN

Definicin de regiones de deforestacin

Teniendo en cuenta la heterogeneidad geogrfica del pas, ejercicios anteriores de mode-

lacin han mostrado la necesidad, ya sea de desarrollar anlisis nacionales que incluyan

una variable regional o bien anlisis regionales independientes (Etter et al. 2006). Con

este fin se definieron cinco regiones de deforestacin basadas en las regiones naturales

propuestas por Etter et al. (2006): Amazonia, Andes, Caribe (Incluyendo Magdalena y

Catatumbo), Orinoquia y Pacfico (figura 2).



35/66


34

Figura 2 Regiones de deforestacin utilizadas para la modelacin nacional de la transformacin de losecosistemas de bosque en Colombia (Modificado de Etter et al. 2006)

Identificacin y seleccin de variables independientes

Se llev a cabo la bsqueda, seleccin y estructuracin en bases de datos de la informacin

social, econmica y biofsica pertinente para la modelar y proyectar los procesos de trans-formacin de los bosques a escala nacional y sub-nacional. El alcance de esta actividaddependi de la pertinencia, cobertura, accesibilidad y calidad de la informacin disponiblepara los principales determinantes de la deforestacin identificados (Ver Captulo I). Por lotanto, luego del proceso de seleccin, el set inicial de variables identificadas se tradujo enun conjunto ms reducido que contena las variables espacialmente explcitas que fueronincorporadas al proceso de modelacin.


36/66

35

Estandarizacin de las capas

Los pasos desarrollados para estandarizar las capas requeridas en la modelacin fueronlos siguientes9:

Re-muestreo de las capas de coberturas forestales (Bosque/No Bosque) y de las delas variables socioeconmicas y biofsicas a una resolucin de pxel de 250 metros(6.25 ha) y 1 kilmetro (100 ha).

Sustraccin de las reas sin informacin de todos los perodos para los que se cons-truyeron capas de cobertura de Bosque/No Bosque (1990, 2000, 2005, 2010).

Sustraccin de las reas de ecosistemas naturales no boscosos10(Etter et al. 2006).

Sustraccin de lmite continental nacional nico11.

Recorte por regiones de deforestacin.

Conversin al formato utilizado por el sistema de modelacin respectivo (raster deIDRISI o DINAMICA).

Reconstruccin de tendencias histricas de las tasas de cambio

de la cobertura de bosque

Una vez estandarizadas, las capas de Bosque-No Bosque (1990, 2000, 2005, 2010)sirvieron de insumo para reconstruir las tendencias histricas de cambio en la coberturade bosque. Se llevaron a cabo los clculos de las tasas histricas de cambio tanto para eltotal nacional como para cada regin de deforestacin.

Evaluacin de las variables independientes

Con el fin de identificar posibles problemas de colinearidad (Green 1979), se realizaronanlisis de correlacin entre todas las variables explicativas tanto para el conjunto total dedatos a nivel nacional, como para cada regin de deforestacin de forma independiente.Esto permiti identificar para cada caso pares de variables con ndices de correlacinsuperiores al 70%, entre las cuales se elimin la que en teora sera menos informativa.

9 Es importante tener en cuenta que estas modicaciones a las capas originales producidas por el proyecto, dirigidas a mejorar la modelacin, tambin se

traducen en diferencias en la cantidad y distribucin de la cobertura de bosque que reporta el componente de Proyecciones en el presente informe, con

respecto a la misma informacin producida por el componente de PDI. Esta diferencia es signicativamente mayor para el trabajo con una resolucin de

250 metros, debido a que se emplearon las versiones no denitivas de los mapas de Bosque/No bosque generados por el proyecto.

10 Esta categora agrupa todas aquellas coberturas naturales que nunca han sido bosque (como por ejemplo los pramos, sabanas naturales, etc.).

11 Debido a que provenan de fuentes diferentes, las capas de las variables explicativas presentaban lmites diferentes, razn por la cual fue necesario utilizar

un nico recorte para todas.



37/66


36

Modelacin y proyeccin espacial

Se llevaron a cabo pruebas de modelacin para cada una de las regiones de deforestacinutilizando el mdulo software IDRISI TaigaTM (Modelo de redes neuronales y modelo de re-gresin logstica) y el programa DINAMICA-EGO (Modelo de pesos de evidencia). En cadaejercicio se probaron combinaciones diferentes de las variables explicativas previamenteescogidas para encontrar las que mejor explicaran las transiciones analizadas. Una vez ob-tenido un resultado considerado satisfactorio, ste se utilizaba para modelar, y proyectarmediante escenarios (Pesimista, Optimista y/o Moderado) las cantidades y la localizacin(hard y soft12) de la transicin de Bosque a No Bosque en cada regin para el perodo2010-2030. Finalmente, los resultados de las proyecciones a escala regional fueron con-solidados en estimaciones para todo el territorio nacional.

Definicin de escenarios de deforestacin

Con el objetivo de dar flexibilidad al ejercicio de modelacin, se definieron tres escenariosposibles de deforestacin, creados a partir del anlisis de las tendencias identificadas paracada una de las regiones (tabla 2).

Tabla 2. Escenarios de deforestacin definidos por el componente de Proyecciones

Escenario Descripcin

OPTIMISTA Escenario conservacionista. Buen nivel de implementacin de polticas de conservacin.

PESIMISTAEscenario no conservacionista. Se maximiza el uso de las reas de bosque. Las polticas deconservacin no existen o no son implementadas adecuadamente.

MODERADO Estado intermedio entre el escenario Optimista y Pesimista.

Documentacin de procesos

Todos los procedimientos y resultados obtenidos en las diferentes pruebas de modelacinregional, fueron documentados en bitcoras para permitir su posterior revisin y/o repli-cacin.

DESCRIPCIN DE LAS TCNICASY SISTEMAS DE MODELACIN EVALUADOS

De acuerdo a los objetivos propuestos en este proyecto, se pretende responder a dosinterrogantes fundamentales sobre el proceso de deforestacin en Colombia: identificarla magnitud esperada del fenmeno y localizar las reas y patrones espaciales donde seespera que el fenmeno ocurra.

12 Una prediccin tipo hard representa un escenario especco de cambio. Una prediccin tipo soft es un mapa continuo de vulnerabilidad al cambio y

provee una evaluacin ms exhaustiva de todos los posibles escenarios (Clark Labs 2010).


38/66

37

Para lograr estos objetivos se probaron y evaluaron cuatro mtodos o tcnicas de modela-cin, tres de los cuales son tiles para simular patrones espaciales y uno para simular lamagnitud de la deforestacin. Para los tres primeros se utilizaron las herramientas imple-mentadas en dos programas de SIG (IDRISI Y DINMICA-EGO) y para el ltimo se adoptun mtodo de proyeccin de la tendencia basado en un modelo logstico.

REDES NEURONALES IDRISI TAIGA

Las Redes Neuronales Artificiales (RNA) son estructuras de mapeo no lineal basadas enel funcionamiento del cerebro humano. Se emple el Multi Layer Perceptron (MLP) del m-dulo Land Change Modeler (LCM)13en el software IDRISI Taiga para modelar la transicinde bosque a no bosque utilizando la tcnica de redes neuronales. El MLP es una de las

arquitecturas RNA ms populares actualmente por su capacidad para modelar relacionescomplejas entre variables (Mas et al. 2004). Cuando se utiliza en la modelacin de poten-ciales de transicin de coberturas de la tierra, reas conocidas de cambio son utilizadaspor el MLP como zonas de entrenamiento para revelar la relacin entre un set de variablesexplicativas y los niveles de activacin de los nodos de salida de la red. Una vez finalizadoel entrenamiento, nuevos datos son alimentados a la red, y los niveles de activacin pue-den ser mapeados para cada clase. Por lo tanto, los mapas de nivel de activacin puedenutilizarse para representar el grado de apoyo que el modelo encuentra para el cambio decobertura considerado (Eastman et al. 2005).

PESOS DE EVIDENCIA DINAMICA-EGO

En el contexto del cambio en la cobertura de la tierra, la tcnica de los Pesos de Evidenciaes una aproximacin en la que suelen utilizarse probabilidades empricas para calcularpotenciales de transicin usando la agregacin Bayesiana (Eastman et al. 2005). Los Pe-sos de Evidencia representan la influencia de cada una de las variables en la probabilidadespacial de ocurrencia de una transicin. En DINAMICA-EGO, el mtodo se emplea paraproducir un mapa de probabilidades de transicin que muestra las reas donde el cambioes ms propenso a ocurrir (Soares y Rodrigues 2009).

REGRESIN LOGSTICA - IDRISI

La Regresin Logstica es una tcnica popular de modelacin debido a que permite rela-cionar datos de presencia/ausencia de coberturas de la tierra con informacin disponiblepara variables explicativas, obtenindose un valor de probabilidad que puede ser interpre-tado como un potencial de transicin (Eastman et al. 2005). Con el fin de complementarlos ejercicios de modelacin espacial se aplicaron modelos logsticos utilizando la funcin

13 El LCM es un componente que an se encuentra en fase experimental; sin embargo resulta una herramienta til para analizar, modelar y predecir el cambio

en la cobertura y uso de la tierra en un determinado lugar (Eastman, 2005).



39/66


38

logisticregde IDRISI para poder explicar la extensin de rea de bosque al ao 2010utilizando como variable dependiente: i) la presencia de bosque en el ao 2000; ii) la pre-sencia de bosque en en el ao 2010; iii) la deforestacin del perodo 2000-2010, y iv)la deforestacin del perodo 1990-2010. La finalidad de este ejercicio fue establecer ladiferencia en capacidad predictiva frenta a la extensin de bosque al ao 2010.

MODELACIN DE TENDENCIAS DE DEFORESTACIN

Adicional a los modelos espacialmente explcitos, se elaboraron escenarios potenciales delcomportamiento de la deforestacin a partir de los datos observados para los periodos1990, 2000, 2005 y 2010, para cada una de las regiones en las que se dividi el pas.Estos escenarios se generaron utilizando un modelo tipo logstico (funcin sigmoidal), elcual permite simular una curva de comportamiento del fenmeno parametrizada a partir

de los datos observados. El modelo logstico tiene implcita una asntota o lmite superior.Dado que el rea en cobertura forestal tiene un lmite (el rea total en bosques del pas) yque se puede trabajar bajo el supuesto que parte de esta rea no es deforestable (reasprotegidas), se puede utilizar el modelo logstico para simular el comportamiento de ladeforestacin, a partir de datos observados.

Para parametrizar el comportamiento de la deforestacin se utiliza el siguiente modelologstico:

btt Ke

AdeforestD

1 ; Donde,

Dt: rea deforestada en el momento t

Adeforest: rea total susceptible de ser deforestadaK: relacin entre el rea disponible y el rea deforestadae: base de los logaritmos naturalesb: tasa de crecimiento del rea deforestadat: tiempo (aos)

Los parmetros K y b se calculan a partir de la informacin disponible para los aos ante-riores (dos observaciones) y se supone que b se mantiene constante en el tiempo.


40/66

39

EVALUACIN DE TCNICAS Y SISTEMAS DE MODELACIN

SIMULACIN DE LA CANTIDAD DE CAMBIOSe compararon tres aproximaciones para calcular las tasas futuras de deforestacin: i)Proyeccin lineal (geomtrica) utilizando las tendencias histricas observadas en cada unade las regiones de deforestacin, ii) Proyeccin no lineal mediante cadenas de Markov14para cada regin, y iii) Proyeccin mediante modelo logstico15. Las tasas resultantesfueron comparadas utilizando los escenarios definidos por el componente (Pesimista, Op-timista y/o Moderado).

SIMULACIN DE LA LOCALIZACIN DEL CAMBIO

Se compararon los mapas de simulacin espacial de la cobertura futura de bosque gene-rados por las diferentes tcnicas y sistemas de modelacin evaluados.

NIVELES DE PRECISIN Y VARIABLES EXPLICATIVAS

Se compararon los niveles de precisin y variables explicativas obtenidos para los mejoresresultados generados en cada tcnica de modelacin.

RESULTADOS DE LA EVALUACIN DE LA MODELACINY PROYECCIN ESPACIAL DE LA DEFORESTACIN

TENDENCIAS HISTRICAS DE LAS TASAS DE CAMBIO

DE LA COBERTURA DE BOSQUE

La figura 3 muestra las tendencias histricas de las tasas de prdida anual de coberturade bosque para el total nacional y las cinco regiones de deforestacin analizadas. Aunquees clara una tendencia general de disminucin de la cobertura de bosque durante todo

el perodo conocido (1990-2010), que se refleja en la tasa de cambio calculada para laescala nacional, tambin pueden observarse diferencias en el comportamiento histricodel cambio a escala regional. En todos los perodos analizados, las tasas ms altas sepresentaron en las regiones Caribe y Andina, y las ms bajas en las regiones Amaznicay Pacfico.

14 Un proceso de tipo Markoviano es aquel en el que el estado de un sistema en un tiempo 2 puede ser predicho por el estado del sistema en el tiempo 1, dada

una matriz de probabilidades de transicin de cada cobertura a todas las dems. El proceso no es una extrapolacin linear debido a que los potenciales de

transicin cambian a travs del tiempo conforme las diferentes transiciones alcanzan un estado de equilibrio (Eastman 2009).

15 Una proyeccin lineal es la extrapolacin a futuro de tendencias histricas de deforestacin (BioCarbon Fund 2008).



41/66


40

Figura 3. Tasas anual de prdida de bosque (Aos 1990, 2000, 2005, 2010).Tasas implcitas anuales para el total nacional y las regiones de deforestacin

NIVELES DE PRECISIN

La mayora de los sistemas de modelacin utilizados cuentan con un indicador explcito delnivel de precisin obtenido a la hora de modelar espacialmente la transicin de bosque ano bosque16. En la modelacin regionalizada con IDRISI, slo la regin Caribe obtuvo valo-

res de precisin por debajo del porcentaje sugerido por sus desarrolladores como mnimoaceptable. El resto de las regiones registraron valores entre el 77 y el 100 por ciento.En el caso de la regresin logstica, los mejores resultados de la modelacin presentaronvalores del ROC por encima del 80 por ciento.

A pesar de los buenos resultados obtenidos, ninguno de los indicadores de precisin seconsider por s solo como una medida confiable del desempeo de la tcnica de mode-lacin empleada. Con el objetivo de tener un indicador ms riguroso, se llevaron a cabopruebas de validacin espacial de los modelos simulados contra los mapas empricosgenerados por el proyecto para los perodos modelados17. Los resultados indican quela regresin logstica en IDRISI (figura 4) permiti reproducir de forma ms realista lospatrones de cambio de la cobertura de bosque, en comparacin con las tcnicas de redes

16 El MLP de IDRISI Taiga presenta un indicador del nivel de precisin de la modelacin expresado en un porcentaje que de

acuerdo a sus desarrolladores debe estar porencima del 75% para considerarse como aceptable. La regresin logstica

cuenta con el valor ROC para conocer el desempeo del modelo.17 El Land Change Modelerde IDRISI Taiga cuenta con una herramienta para determinar la calidad de la prediccin del cambio, mediante

la ejecucin de una tabulacin cruzada entre el ltimo mapa de cobertura real (UCR), el mapa generado mediante la prediccin tipo hard

(P), y un mapa real para el ao proyectado (CR) (Eastman 2009). La imagen de salida del proceso de validacin ilustra la exactitud de los

resultados del modelo. Por su parte, DINAMICA-EGO cuenta co n un procedimiento anlogo en el que emplea un anlisis de similaridad

(Soares y Rodrigues 2009). En el caso de la regresin logstica, se llev a cabo la prediccin a un perodo conocido para analizar el des-

empeo del modelo en trminos espaciales.


42/66

41

neuronales y pesos de evidencia, utilizadas respectivamente por el LCM de IDRISI (Figura5) y DINAMICA-EGO (Figuras 6 y 7).

La validacin de los modelos de regresin logstica se realiz identificando la ubicacinde los bosques para el ao 2010, segn cada modelo utilizando la cantidad de bosquepara esa fecha con base en el mapa de bosque 2010 y una ordenacin de acuerdo a lasprobabilidades de cada modelo siguiendo el proceso utilizado por Etter et al. (2006). Latabla 3 presenta los niveles de error obtenidos para cada uno de los modelos. La versinespacializada para los modelos Bosque 2000 y Deforestacin 1990-2010 del error semuestra en la figura 4.

Tabla 3. Nivel de error de los mapas generados mediante regresin logstica en IDRISI Taiga

ModeloBosque

Falso (%)

No Bosque

Falso (%)Bosque en el Ao 2010 21 37

Bosque en el Ao 2000 27 56

Deforestacin perodo1990-2010

14 26

Deforestacin perodo2000-2010

16 32



43/66


42

Figura

4.

Map

ae

jemp

lodeva

lidac

in

de

lacapac

ida

ddepre

dicc

inespac

ialde

lmode

loderegres

in

log

stica.

a.

Pr

edicc

in

de

lade

forestac

ina

2010con

baseen

lapresenc

iade

bosq

uee

la

o

2000

.

b.

Pre

dicc

in

de

lade

forestac

ina

2010

con

baseen

lade

forestac

in

de

lpe

ro

do

1990

-2010

a.

b.


44/66

43

Figura 5. Mapa ejemplo de validacin de la exactitud del modelo de cambio de Bosque a No Bosque.Software IDRISI Taiga. Nivel Sub-nacional. Regin Amaznica.

Modelacin 2000-2005. Ao Prediccin: 2010

Figura 6 Mapa ejemplo de validacin de la exactitud del modelo de cambio de Bosque a No Bosque.Software DINAMICA-EGO. Simulacin de la deforestacin a 2010

con base en la presencia de bosque el ao 2005



45/66


44

Figura 7. Ejemplo del anlisis de similaridad entre simulaciones y mapas empricos para el ao 2000basado en modelacin 1990-2000. a) Nacional, b) por regiones de deforestacin.

Software DINAMICA-EGO

VARIABLES EXPLICATIVAS

El nmero y combinaciones de las variables que resultaron explicativas en la modelacinde los procesos de cambio, vari de acuerdo a la tcnica empleada, la resolucin utiliza-da (250 metros o 1Km), y la regin y el perodo analizados (Anexo 1). Mientras que enla modelacin con pesos de evidencia y regresin logstica se emple gran parte del setde variables independientes disponibles, la modelacin con redes neuronales en IDRISIresult ser ms sensible a la cantidad y combinaciones de las variables incorporadas. Enlos dos primeros sistemas un mayor nmero de variables increment la precisin de los

modelos; en IDRISI slo un nmero muy reducido de variables obtuvo buenos niveles deprecisin. Los cambios de resolucin tambin afectaron significativamente la modelacin;la resolucin de 250 metros obtuvo los mejores niveles de precisin que la desarrolladacon resolucin de 1 kilmetro.

La seleccin del tipo de variables independientes se bas en una revisin de literatura yanlisis previo llevado a cabo para el contexto colombiano (Ver Capitulo I). Los modelosutilizaron variables explicativas (biofsicas y antrpicas) para las que se cont con informa-cin y que no presentaron colinearidad superior a 0.7. Se destaca la importancia de lasvariables relacionadas con accesibilidad (por ejemplo distancia a centros urbanos, ros,vas, etc.), climticas (por ejemplo precipitacin), socioeconmicas (por ejemplo reas de

cultivos lcitos e ilcitos), entre otras.

Aunque existen variables que resultaron explicativas de los procesos de cambio en ms deuna regin, es evidente que cada zona presenta caractersticas diferentes que requierenun nmero y combinacin de variables particular para explicar los procesos de transforma-cin del bosque. Adicionalmente, el perodo utilizado para modelar y posteriormente pro-yectar el fenmeno de deforestacin, tiene una influencia importante debido a que existendiferencias en la dinmica de los patrones espaciales entre los diferentes perodos.

Finalmente, es importante sealar que sin importar la tcnica o el sistema utilizados, elnivel de cobertura y la calidad de la informacin disponible para las variables independien-


46/66

45

tes es un factor crucial para llevar a cabo ejercicios de modelacin acertados. En el casocolombiano, la informacin disponible y de calidad es escasa y/o poco precisa en trminosespaciales, lo cual dificulta llevar a cabo una aproximacin realista a las dinmicas detransformacin de los bosques a nivel regional o nacional.

SIMULACIN DE LA CANTIDAD DE CAMBIO

La tabla 4 presenta un ejemplo de los diferentes escenarios generados para el ao 2030,con base en los tres mtodos empleados para simular las tasas de cambio de la coberturade bosque. Los resultados indican que las tasas simuladas mediante el modelo logsticoson las que mejor se ajustan a las tendencias histricas de cambio observadas para lasdiferentes regiones de deforestacin, al tiempo que presentan la suficiente flexibilidad

cuando se busca proyectar los posibles cambios futuros en la dinmica del bosque en elterritorio nacional. Tanto la simulacin lineal como la derivada de las cadenas de Markov,no exhiben un comportamiento que pueda considerarse coherente con la compleja y cam-biante realidad del pas.

Tabla 4. Mtodos de clculo evaluados para simular las tasas de cambio anual de la coberturade bosque. Escenarios al ao 2030 para las regiones de deforestacin y el total nacional

Mtodo de clculode la tasa dedeforestacin

ReginEscenario (Ao 2030)

PESIMISTA MODERADA1 OPTIMISTA

Lineal (geomtrica)

Amaznica 0.0027 0.0024 0.0019

Andina 0.0073 0.0067 0.0061Orinoquia 0.0062 0.0053 0.0047

Pacfica 0.0039 0.0025 0.0014

Caribe 0.0247 0.0192 0.0140

Nacional 0.0089 0.0072 0.0056

No lineal (Cadenasde Markov)

Amaznica 0.0038 0.0034 0.0019

Andina 0.0129 0.0100 0.0078

Orinoquia 0.0202 0.0114 0.0044

Pacfica 0.0059 0.0039 0.0031

Caribe 0.0261 0.0207 0.0177

Nacional 0.0138 0.0099 0.0070

Tasas implcitas-Modelo logstico

Amaznica 0.0063 - 0.0023

Andina 0.0065 - 0.0054

Orinoquia 0.0061 - 0.0042

Pacfica 0.0043 - 0.0011

Caribe 0.0137 - 0.0056

Nacional 0.0063 - 0.0028

1En la caso del modelo logstico, se descart el escenario moderado para dar ms exibilidad a la simulacin.



47/66


46

La figura 8 muestra el rea de bosque nacional simulada para el perodo 2010-2030 utili-

zando los escenarios Pesimista y Optimista generados a partir de la modelacin mediante

regresin logstica (Anexo 2). El modelo tiene en cuenta las reas de bosque (reas en

verde de la grfica) que por poltica de estado presentan una restriccin para su apro-

vechamiento (Parques Nacionales Naturales, reservas de las CAR y Resguardos). Las

grficas muestran cmo se comportar el rea de bosque si se asume que el total de

las reas protegidas permanecern sin ser aprovechadas y si las zonas de Resguardos

sern o no aprovechadas en su totalidad. Mientras que en los escenarios optimistas no se

espera que cambie significativamente el rea de bosque en el ao 2030 (alrededor de 55

millones de hectreas), en los pesimistas se proyecta la disminucin de alrededor de 1.3

millones de hectreas ms (para un total de 8.6 millones de hectreas) si no se garantiza

la conservacin del total del bosque ubicado en Resguardos.

Figura 8 Simulacin del rea de bosque nacional (2010-2030) utilizando un modelo logstico.

a. Alternativa en el que todas las zonas protegidas (parques nacionales y reservas de las CAR)y reas de resguardos no son explotadas. b. Alternativa en el que todas las zonas protegidas

(parques nacionales y reservas de las CAR) y slo el 50%del bosque en las reas de resguardos no son explotadas

a.

b.


48/66

47

SIMULACIN DE LA LOCALIZACIN DEL CAMBIO

Como parte del proceso de modelacin, cada una de las tcnicas evaluadas (redes neuro-nales, regresin logstica, pesos de evidencia) genera inicialmente un mapa de potencialesde transicin18, con base en el cual se distribuyen posteriormente las reas de bosqueque sern deforestadas. Cuando existe un conocimiento previo de los determinantes y lospatrones histricos de cambio, el mapa de potenciales de transicin constituye un primerindicador del desempeo que tendr un modelo en trminos espaciales. Luego de compa-rar los mapas de potenciales de transicin generados por las tres tcnicas evaluadas, seencuentra que la regresin logstica permite representar con una mayor fidelidad la distri-bucin espacial esperada del cambio de bosque a no bosque en las diferentes regiones delterritorio nacional (figuras 9 y 10). Sin embargo, tambin pueden observarse diferenciasimportantes de acuerdo al tipo de variable dependiente considerada en la modelacin.

Cuando se usa como variable dependiente el rea de bosque (Figuras 9b. y 10b.), el mo-delo incrementa significativamente el rea de bosque ms susceptible a ser deforestada.

Una vez establecidos los potenciales de transicin, es posible proyectar espacialmente elcambio en el rea de bosque de dos formas: i) un mapa en el que se presente un escenarioespecfico de cambio (prediccin tipo hardo dura) y ii) un mapa continuo de vulnerabilidadal cambio que permita representar de forma ms flexible los posibles escenarios futurosde transformacin (tipo softo suave). Nuevamente, cada tcnica de modelacin genera unresultado diferente en ambos casos. Sin embargo, sin importar la tcnica que se utilice,las proyecciones tipo hard, al presentar un nico escenario posible, son las menos re-comendadas por la incertidumbre asociada al fenmeno de deforestacin. Las figuras 11

y 12 presentan ejemplos de mapas tipo hardgenerados mediante los sistemas IDRISI yDINAMICA-EGO respectivamente.

Como se evidencia al generar los mapas de potenciales de transicin y luego de llevar acabo la validacin espacial de las proyecciones utilizando perodos de los que se tena infor-macin de la cobertura del bosque (ver seccin titulada Niveles de precisin), la capacidadde las tcnicas de redes neuronales y de pesos de evidencia para simular con precisin ladistribucin espacial del cambio, es limitada en comparacin con la de la regresin logs-tica. Por esta razn, y para contar con una prediccin ms flexible, se opt por emplearsta ltima para generar simulaciones de deforestacin futura tipo hard, utilizando elmodelo de deforestacin del perodo 1990-2010 y el modelo de presencia de bosque en

2010 (figura 13).

18 El modelo interpreta la relacin entre las variables explicativas y los cambios en la cobertura de bosque en el perodo analizado, asignndole a cada pxel

de bosque un valor entre 0 y 1; los valores ms cercanos a uno representan un mayor potencial de que se presente el cambio de bosque a no bosque

(Eastman 2009).



49/66


48

Figura

9.

Mapas

depotenc

iale

sdetrans

icingenera

dosme

diantee

lmo

de

loderegres

in

log

sticaa

.Usan

docomovaria

bledepen

dient

ela

de

foresta

cin

1990

-2010b

.Usan

docomovaria

bledepen

dientee

lrea

de

bosque

de

la

o

2010

a.

b.


50/66

49

Figura

10

.Mapas

de

potenc

iales

detrans

icingenera

dosme

diantee

lmo

de

loderegres

in

log

sticaa.

Usan

docomovaria

ble

depen

diente

la

de

forestac

in

2000

-2010b

.Usan

docomovaria

bledepen

dientee

lr

ea

de

bosque

de

la

o

2000

a.

b.



51/66


50

Figura

11.Ejemp

lodeproyecc

iones

de

de

fores

tac

in

(tipo

har

d)genera

dasme

dia

nteunmo

de

lodere

des

neurona

lesene

ls

istema

ID

RISITa

iga.

a.

Ao

2020

.b

.Ao

20

30

.

a.

b.


52/66

51

Figura

12.

Ejemp

lodeproyecc

iones

de

de

fore

stac

in

(tipo

har

d)genera

dasmed

ianteunmo

de

lode

pesos

deev

idenc

iaene

ls

istemaD

INAMICA

-EGO

.a.

Ao

2020

.b

.A

o2030

a.

b.



53/66


52

Figura

13

.M

apas

depro

ba

bilida

des

de

de

fores

tac

in

(vu

lnera

bilida

d)genera

dosm

edianteunmo

de

lode

regres

in

lo

gstica.

a.

Usan

docomo

base

ladeforestac

inentre

1990y

2010

.b.

Usan

docomo

base

la

de

forestacinentre

2000y

2010

.

a.

b.


54/66

53

Como lo muestra la figura 13, los mapas de vulnerabilidad tambin se ven afectados por elperodo que se utiliza como base para modelar. De acuerdo con el mapa softgenerado conbase en el perodo 2000-2010, se presentarn procesos ms agresivos de deforestacinen la regin Pacfica, Caribe y Andina, en comparacin con las presentados por el mapade vulnerabilidad generado usando las tendencias del perodo 1990-2010. Por lo tanto, esfundamental tener en cuenta que cualquier ej

proyecciones ideam

Documents