CAPÍTULO 5: RESULTADOS Y DISCUSIÓN
5.8 UMBRAL MAD – VIEW
Con un umbral de decisión se pueden separar para cada componente del IR-MAD los pixeles de no cambio considerando que los valores de intensidad son entre ±2σ del cero (Canty, 2010:415). En este estudio el umbral de decisión fue definido automáticamente con la herramienta MAD-VIEW de Envi. En la tabla 5.8 se presentan los valores óptimos de los umbrales aplicados a la imagen IR-MAD con auto threshold.
Tabla 5.8 Valores de los umbrales aplicados a la imagen IR-MAD con auto threshold
Umbral Valor
Red positive 48
Red negative 54
Green positive 53
Green negative 51
Blue positive 49
Blue negative 56
La opción auto threshold calcula automáticamente los umbrales para la asociación de las tres bandas empleadas usando el algoritmo Expectation Maximization - EM. El rango dinámico de desviación estándar empelado fue ±8σ correspondiendo a 16 valores de grises por desviación estándar (ver figura 5.25).
Figura 5.25 Imagen resultante auto threshold IR-MAD 1993-2000 bandas 1,2,3
a)
b)
c)
a) Zona de Estudio; b) Zoom zona oriente del municipio de Tulum; c) Zoom mancha Urbana Tulum. En tono rojo se resalta los cambios, en amarillo las variaciones espectrales y en verde las zonas de no cambio.
Fuente: la autora, 2011.
En la figura 5.25 se presenta el resultado obtenido de la aplicación del auto threshold sobre los componentes del IR-MAD 2,4 y 5. Se resaltan los cambios más significativos entre las dos imágenes en tonalidades fuertes reduciendo pequeños cambios que para el estudio de los indices de paisaje pueden sobrestimar el número de parches irrelevantes para el análisis de patrones de deforestación o fragmentación. El tono verde claro del fondo de la imagen es el no cambio y permite tener un contraste significativo para espacializar los cambios presentes entre cierto perido de estudio. Tanto en esta imagen como en la figura 5.26 que representa los cambios en tonalidades brillantes sobre el fondo negro de no cambio, se resalta el área nor-oeste como la zona con mayor número de cambios detectados en cercanias de las localidades de Coba, Chanchen Primero, San Silverio y San Juan. Tambien las zona de manglar del área de estudio fue detectada en tonalidades fuertes de cambio dado que la vegetación halófita contribuye con reflectancia para la detección de cambio; que puede explicarse con la dinámica natural de estas áreas, en las cuales la entrada de corrientes marinas y los efectos del viento pueden modificar la estructura
paisajística de este tipo de coberturas. Esta zona no se considero en el área de la mascara de agua; por lo que no existe un buen contraste de no cambio.
.
Figura 5.26 Imagen resultante auto threshold IR-MAD 1993-2000 despliegue en negro
a)
b)
c)
a) Cambios en la zona de estudio; b) Zoom localidad de Coba y áreas agrícolas; c) Cambios en rojo de la zona agrícola de Coba. El tono negro es no cambio, tonos rojo, amarillo y verde son cambios.
Fuente: la autora, 2011.
En la figura 5.27 se muestran las gráficas resultantes de correr el algoritmo de MAD-VIEW; en ellas se ven en linea banca punteada el histograma de cada uno de los componetes del IR-MAD, la curva central corresponde a los no cambios (tono verde), la curva gauseana negativa en tono azul, la curva gauseana positiva en tono rojo y la curva de ajuste con los valores de umbral en todo amarillo.
Las zonas de no cambio en el eje central de la gauseana para el caso de los MAD escalados a 8 bits o fondo negro tienen valor medio de 127. La tendencia positiva de una de las curvas son las reflectancias de los pixeles que pasan de tono oscuro a claro y la tendencia negativa son las reflectancias que van de claro a oscuro entre las dos imágenes trabajadas.
Figura 5.27 Gráficas resultante auto threshold IR-MAD 1993-2000
Mad 1 Mad 2 Mad 3
Linea banca punteada el histograma de cada uno de los componetes del IR-MAD, la curva central corresponde a los no cambios (tono verde), la curva gauseana negativa en tono azul, la curva gauseana positiva en tono rojo y la curva de ajuste con los valores de umbral en todo
amarillo.
Fuente: la autora, 2011.
De esta manera, con el objetivo de profundizar sobre las características dinámicas de la cobertura de la zona de estudio se aplica el algoritmo IR-MAD y el auto threshold de MAD-VIEW que permitieron visualizar espacialmente las modificaciones presentes en el periodo de estudio. Este procedimiento genera una interpretación poderosa y practica en custiones medio ambientales. Los resultados representan claramente el avance de la frontera agrícola, cambiando el uso del suelo a nivel zonal o local y regional a causa del incremento de turistas en la zona. Lo anterior esta en acuerdo con lo afirmado por Verter en cuanto a que la defotestación en la Peninsula de Yucatan se ha reportado en aumento por el incremento drástico de la población y que la agricultura se está intensificándo, cambiando la dinámica de nutrientes y reduciendo los rendimientos de los cultivos y la tasa de regeneración del bosque (Verter, 2007:991,1001).
Los impactos sobre la zona de estudio se evidencian con los cambios forestales, la biodiversidad, las modificacciones en el paisaje incluyendo el número, tamaño y distribución de los parches.
El autoumbral del IR-MAD 5 se reclasificó en ArcGis por cuartiles para poder discriminar las clases de cambio y no cambio con mayor claridad. Luego de hacer un análisis visual de los resultados se agruparon las clases y se generó la siguiente imagen de la dinámica de la zona de estudio incluyendo áreas de cambio alto, bajo y sin cambio. Al convertir esta información en vector se reeditaron los datos mediante una unión del vector de carreteras, zonas urbanas y el de manglar para resaltar específicamente los cambios en cobertura vegetal por fragmentación o deforestación. Adicionalmente, se utilizó como unidad mínima de mapeo parches mayores a 900 m2 para lo cual se eliminaron en Arc Info todos los pequeños parches que no cumplan con esta condición.
En la figura 5.28, se detalla una zona de la imagen que presenta cambios en las actividades agropecuarias en cercanía al patrón lineal de la carretera que conduce al poblado de Coba. Las clasificaciones de las imágenes con el algoritmo MSV, identifican el crecimiento de parches agrícolas. De la misma forma, el algoritmo IR-MAD detecta los nuevos parches agrícolas generados en tono blanco y las variaciones espectrales de algunas parches en color negro. El proceso de detección de cambios con el algoritmo IR-MAD y el autoumbral del componente IR-MAD 5 permitió la identificación de parches más homogéneos, manteniendo su forma y reduciendo el efecto ‘’salt and pepper’’ (Lechner, 2010:26; Weih, s/f:1,2) que se presenta en los procesos de clasificación con MSV (Figura 5.30).
Figura 5.28 a) Imagen Landsat, 1993; b) Imagen Landsat, 2000; c) MSV de 1993; d) MSV de 2000; e) Auto-umbral del IR-MAD 5
Fuente: la autora, 2011.
En la expresión geoespacial de los cambios ocurridos en el periodo de estudio se destaca el incremento de las actividades agrícolas en la zona oeste del municipio de Tulum, esto puede ser debido a que en la zona sur este del municipio se encuentra la Reserva de la Biosfera de Sian Ka’an que presenta un mayor control
de las autoridades ambientales correspondientes (ver figura 5.29). Así mismo, la presencia de las carreteras facilita la generación de cambios de uso de suelo por lo que la distribución espacial de los patrones de fragmentación del paisaje están asociados a la localización de las vías de comunicación.
También se observa que los patrones de urbanización ocurren en respuesta a la construcción de nuevas carreteras y la subsecuente expansión. (Minh et al, 2011:1905-1906).
Figura 5.29 Expresión geoespacial de los cambios ocurridos en el municipio de Tulum
Fuente: la autora, 2011.
Los cambios reportados estan relacionados con la fragmentación y perdida de hábitats a la que estan expuestas las selvas en el área de estudio. Adicionalmente se evidencia que las áreas naturales protegidas que se encuentran en el límite el municipio de Tulum están en buen estado de conservación, dado que se
identificó una menor cantidad de parches de cambio con el IR-MAD, a pesar de que la zona de litoral presenta zonas con alto porcentaje de cambio debido a la mezcla de clases entre diferentes tipos de vegetación halófita y de manglar. Estos datos corroboran que esta región sureste de México es la que más contribuye con megadiversidad y en contraste presenta elevadas pérdidas en cobertura forestal (Díaz- Gallegos, 2009:227). Estos resultados deben ser considerados en el establecimiento de políticas de manejo y conservación de esta región; dado que las modificaciones ambientales, con recurrencia e intensidad significativa, trae como consecuencia una crisis ambiental que altera el funcionamiento sistémico de la zona de estudio. Cabe estacar que la deforestación de las regiones tropicales es uno de los principales eventos de cambio que está ocurriendo, repercutiendo en la pérdida de biodiversidad y contribuyendo al cambio climático global (Houghton, 1994, Masera, 2002 citado en Díaz-Gallegos, 2009:227).
La limitación del algoritmo IR-MAD en la detección de cambios respecto a otros métodos estadísticos, es que solo detecta a nivel espacial los cambios pero sin determinar el tipo o clase correspondiente de la modificación (Doxani et al., 2010:3). Por lo que la determinación de clasificaciones sobre las imágenes es escencial para etiquetar los tipos de cambio; siendo metodologías complementarias para analizar la dinámica ecosistemica.
Con todo lo anterior mencionado es necesario mejorar la información sobre la dinámica regional del sistema humano-ambiente de la zona de estudio, incluyendo la evaluación de más imágenes de satélite, como un recurso de especial importancia. La vigilancia de los cambios en la cobertura terrestre del municipio de Tulum debe ir acompañada de estudios sistemáticos sobre la biodiversidad y los procesos ecológicos que conectan el medio natural con los diferentes usuarios de la tierra.