geoinformática aplicada a procesos geoambientales

Universidad Autónoma de Ciudad Juárez

Ricardo Duarte JáquezRector

David Ramírez PereaSecretario General

Manuel Loera de la RosaSecretario Académico

Erick Sánchez FloresInstituto de Arquitectura, Diseño y Arte

Ramón Chavira ChaviraDirector General de Difusión Cultural y Divulgación Científica

Coordinadores:Luis Carlos Alatorre Cejudo

María Elena Torres OlaveHugo Luis Rojas Villalobos

Luis Carlos Bravo PeñaLara Cecilia Wiebe QuintanaFernando Sandoval Gutiérrez

Elifalet López González

Universidad Autónoma de Ciudad Juárez

Geoinformática aplicada a procesos geoambientales

en el contexto local y regional: teledetección y sistemas de información geográfica

La edición, diseño y producción editorial de este documento estuvo a cargo de la Dirección General de Difusión Cultural y Divulgación Científica, a través de la Subdirección de Publicaciones.

Diseño de la cubierta e interiores: Karla María RascónCuidado de la edición: Subdirección de PublicacionesCoordinación editorial: Mayola Renova González

D.R. 2015 Hugo Luis Rojas Villalobos, Francisco Javier Domínguez Chávez, Elifalet López Gon-zález, Luis Carlos Alatorre Cejudo, Javier Enríquez Domínguez, Luis Carlos Bravo Peña, Lara Cecilia Wiebe Quintana, Jaime Iván Rojo Venzor, María Elena Torres Olave, Jesús Antonio Bencomo Sáenz, Vladimir Hernández Hernández, Juan Carlos Enríquez Venzor, Jesús Pilar Amado Álvarez, Manuel Octavio González León, Jaime Octavio Loya Carrillo, Alan Edgardo Chávez Bustillos, José Alejandro Corral Alvarado, Luis Raúl Rodríguez Marín, Leoncio Elmer Ornelas Olivas, Luis Arturo Caraveo Caraveo, Luis René Cereceres Calzadillas, Manuel Iván Gil Hernández, Jesús Alfredo Banda Granados, Carlos Daniel Fierro Macias, Mario Iván Uc Campos, Fernando Sandoval Gutiérrez, Claudia Karina Legarreta Miranda, Fernando Sando-val Gutiérrez, María Olivia Trevizo Nevares

D.R. 2015 Universidad Autónoma de Ciudad Juárez, Avenida Plutarco Elías Calles #1210, Fovissste Chamizal, Ciudad Juárez, Chihuahua, C.P. 32310 Tel. +52 (656) 688 2260

Primera edición, 2015

ISBN electrónico: 978-607-520-150-4Apoyado con recursos del PIFI 2013

Disponible en: http://www.uacj.mx/DGDCDC/SP/Paginas/default.aspx

Índice

Prólogo 9

Capítulo 1

Geoinformática aplicada al análisis de riesgoResponsable: Hugo Luis Rojas Villalobos 11

Digitalización de mapas para determinar riesgo a inundación y potencial de pérdidas económicas en el seccional de Anáhuac, Cuauhtémoc, Chihuahua: mediante sistemas de información geográficaFrancisco Javier Domínguez Chávez, Hugo Luis Rojas Villalobos, Elifalet López González, Luis Carlos Alatorre Cejudo 13

Análisis de áreas susceptibles a riesgos químicos por gaseras y gasolineras de Cuauhtémoc, Chihuahua: evaluación mediante técnicas de Sistemas de Información GeográficaJavier Enríquez Domínguez, Hugo Luis Rojas Villalobos, Luis Carlos Bravo Peña, Lara Cecilia Wiebe Quintana 33

Descripción y análisis espacial de los accidentes de tránsito con el uso de SIG en la ciudad de Cuauhtémoc, Chihuahua.Jaime Iván Rojo Venzor, Hugo Luis Rojas Villalobos, Elifalet López González y María Elena Torres Olave 57

Capítulo II

Geoinformática aplicada a la Planificación UrbanaResponsables: Lara Cecilia Wiebe Quintana, María Elena Torres Olave y Hugo Luis Rojas Villalobos 87

Identificación de patrones de crecimiento urbano en el área de ciudad Cuauhtémoc, Chihuahua: 2003 - 2010Jesús Antonio Bencomo Sáenz, Lara Cecilia Wiebe Quintana, Luis Carlos Bravo Peña y Vladimir Hernández Hernández 91

Análisis de la competencia de gasto de agua en ciudad Cuauhtémoc, Chihuahua con las huertas de manzana colindantes con la mancha urbanaJuan Carlos Enríquez Venzor, Lara Cecilia Wiebe Quintana, Luis Carlos Alatorre Cejudo, Luis Carlos Bravo Peña y Jesús Pilar Amado Álvarez 115

http://www.uacj.mx/DGDCDC/SP/Paginas/default.aspx

Predicción y modelación del crecimiento urbano de Ciudad Cuauhtémoc, Chihuahua del 2010, usando autómatas celulares (SLEUTH)Manuel Octavio González León, Hugo Luis Rojas Villalobos, Luis Carlos Alatorre Cejudo y Luis Carlos Bravo Peña 141

Análisis del cambio de cobertura y uso de suelo durante el periodo 1995-2011, EMC y autómatas celulares para la predicción del crecimiento urbano, el caso de ciudad Cuauhtémoc, ChihuahuaJaime Octavio Loya Carrillo, María Elena Torres Olave, Luis Carlos Bravo Peña y Luis Carlos Alatorre Cejudo 163

Capítulo III

Geoinformática aplicada a los procesos de erosión y degradación en suelosResponsable: Luis Carlos Alatorre Cejudo 195

Aplicación de un modelo empírico para determinar la erosión potencial en la cuenca de la Laguna Bustillos, Chihuahua, México 199

Capítulo IV

Geoinformática aplicada al estudio de acuíferosResponsable: Luis Carlos Bravo Peña 223

Relaciones espaciales entre los cambios del nivel estático del acuífero Cuauhtémoc Chihuahua y la cobertura de huertas de manzana durante 1993-2003.Alan Edgardo Chávez Bustillos, José Alejandro Corral Alvarado, Luis Carlos Bravo Peña, Luis Carlos Alatorre Cejudo y Lara Cecilia Wiebe Quintana 227

Análisis y aplicación de un modelo empírico-conceptual para la identificación de zonas potenciales para recarga hídrica: cuenca de Laguna de Bustillos, Chihuahua.Luis Raúl Rodríguez Marín, Leoncio Elmer Ornelas Olivas, Luis Carlos Bravo Peña, Luis Carlos Alatorre Cejudo y Hugo Luis Rojas Villalobos 247

Capítulo V

Geoinformática aplicada al estudio de cubiertas vegetalesResponsable: Luis Carlos Alatorre Cejudo 269

Evaluación de la recuperación vegetal en áreas con distinta severidad de fuego usando teledetección: caso de estudio, Municipio de Ocampo, CoahuilaLuis Arturo Caraveo Caraveo, Luis Carlos Alatorre Cejudo, María Elena Torres Olave y Lara Cecilia Wiebe Quintana 277

Efectos de las bajas temperaturas extremas registradas en febrero de 2011 en el municipio de Cuauhtémoc, Chihuahua: una evaluación en el bosque de encino usando técnicas de teledetección y SIG.Luis René Cereceres Calzadillas, Luis Carlos Alatorre Cejudo, Luis Carlos Bravo Peña y María Elena Torres Olave 293

Determinación de procesos de deforestación en el bosque templado de la región noroeste del municipio de Madera, Chihuahua, México: usando técnicas de teledetección y SIGManuel Iván Gil Hernández, Luis Carlos Alatorre Cejudo, María Elena Torres Olave y Luis Carlos Bravo Peña 309

Capítulo VI

Geoinformática aplicada al estudio de la distribución potencial de especiesResponsable: María Elena Torres Olave 337

Distribución potencial de la guacamaya verde (Ara militaris) en el estado de Chihuahua México mediante el método de máxima entropíaJesús Alfredo Banda Granados, María Elena Torres Olave, Luis Carlos Alatorre Cejudo y Lara Cecilia Wiebe Quintana 341

Modelado de nicho ecológico para la predicción del área de distribución actual y potencial del venado cola blanca (Odocoileus virginianus) en el estado de ChihuahuaCarlos Daniel Fierro Macias, María Elena Torres Olave, Luis Carlos Alatorre Cejudo y Hugo Luis Rojas Villalobos 369

Modelación del Potencial Actual del Quercus emoryi y Quercus grisea Mediante Variables Bioclimáticas y del Potencial a Futuro Hacia los Años 2020 y 2050 Bajo el Escenario CGCMA2en el Estado de Chihuahua MéxicoMario Iván Uc Campos, María Elena Torres Olave, Elifalet López Gonzáles y Lara Cecilia Wiebe Quintana 389

Capítulo VII

La Geoinformática como alternativa para el análisis de realidades educativasResponsable: Fernando Sandoval Gutiérrez 427

Correlación entre indicadores sociodemográficos y de rendimiento escolar en escuelas primarias de ciudad CuauhtémocClaudia Karina Legarreta Miranda, Fernando Sandoval Gutiérrez, Lara Cecilia Wiebe Quintana y María Olivia Trevizo Nevares 431

9

Prólogo

Cuando hablamos de Geoinformática se alude a una ciencia que aborda el estudio de la superficie terrestre, mediante la integra-ción de técnicas informáticas para el procesado de datos, con los métodos y técnicas de las ciencias de la tierra tradicionales (geografía, geología, hidrología, entre otras). Se trata de una ciencia con enorme utilidad para el análisis geográfico, que no obstante su potencial para la solución de problemas ambien-

tales en países como el nuestro, lamentablemente aún cuenta con muy pocos textos en lengua castellana.

La obra que el lector tiene en sus manos constituye un aporte valioso para llenar ese vacío. Resume las investigaciones desarrolladas en los proyectos de titulación de la primera generación de licenciados en Geoinformática de la UACJ en ciudad Cuauhtémoc, Chihuahua, y muestra aplicaciones que tiene esta ciencia en el análisis de problemáticas ambientales en el contexto local y regional. Expone ejemplos del amplio potencial de la geoinformática, para generar datos que permitan transformar la realidad ambiental y social desde la trinchera de las aulas y del trabajo universitario.

En la obra se incluyen investigaciones de amplia relevancia para el cen-tro de Chihuahua, y trabajos con evidente pertinencia en el ámbito regional del norte de México. A través de un abordaje geoinformático, sustentado en la creatividad científica y en el rigor metodológico, se desarrollan siete capítulos que muestran el estudio de la superficie terrestre desde ángulos muy diversos. Entre estos se incluye el análisis de riesgos urbanos y aplicaciones de la geoin-formática en la planificación urbana (capítulos I y II), el estudio y la caracte-

GEOINFORMÁTICA APLICADA A PROCESOS GEOAMBIENTALES en el contexto local y regional: teledetección y sistemas de información geográfica

rización de procesos de degradación ambiental como la erosión del suelo, el abatimiento de acuíferos y los cambios de la cubierta vegetal por actividades humanas (capítulos III, IV y V), la modelación de patrones de distribución de especies amenazadas en México (capítulo VI), hasta aplicaciones de la geoin-formática para el análisis geoespacial de realidades educativas en educación básica (capítulo VII).

Todos estos temas tienen un valor indiscutible. Añejos en algunos casos, han cobrado mayor importancia en los inicios del siglo XXI, por las sinergias existentes entre las dinámicas inapropiadas de uso del espacio por el hombre, y las tendencias actuales de cambio climático. Son temas cuya vigencia deman-da un abordaje novedoso, con herramientas geotecnológicas de vanguardia. Eso es lo que se ha logrado en estos trabajos de titulación.

La obra es un trabajo de equipo. Muestra en pocas páginas aquello que puede lograrse cuando autoridades universitarias, coordinadores de carrera, maestros, investigadores, y alumnos, enfocan sus esfuerzos hacia un objetivo común: transformar la realidad geográfica regional desde el espacio acadé-mico. Lograr, con el esfuerzo de todos, datos y resultados que construyan la sustentabilidad ambiental y social del futuro. Gracias por esto a todos ellos, enhorabuena por un esfuerzo así. Muchos logros, muchas obras de estas.

Dr. Luis Carlos Bravo Peña

11

C A P Í T U L O 1

Geoinformática aplicada al análisis de riesgo

Responsable: Hugo Luis Rojas Villalobos

Panorama general del capítulo

El análisis de riesgos es la evaluación de la vulnerabilidad del ser humano y su entorno a fenómenos naturales o antropo-génicos, y su potencial efecto negativo en los seres humanos, lo que llamamos un desastre natural, es decir, cuando la ame-naza se convierte en una realidad peligrosa y daña a los seres humanos, a infraestructuras, asentamientos humanos, y otras realidades (Abbott, 1996).

Antes de la aparición de los Sistemas de Información Geográfica (SIG), los mapas de distribución espacial y temporal de las amenazas contenían muy poca información, ya que los análisis de riesgos se realizaban utilizando téc-


nicas como la superposición manual de mapas temáticos (Coppock, J. T. y Rhind, D. W., 1991). Con el desarrollo de la informática, actualmente se uti-lizan los SIG, que ofrecen múltiples ventajas para el análisis de riesgos, ya que permiten capturar datos geográficos en diferentes formatos, ya sea mapas analógicos digitalizados o imágenes de satélite, se pueden almacenar grandes volúmenes de datos, realizar análisis implementando algoritmos complejos y la aplicación de modelaciones para la simulación de los riesgos. Los SIG actualmente forman parte primordial de la administración ante las situacio-nes de desastre e intervienen directamente en el desarrollo de las cuatro fases descritas por Greene:

Mitigación. Actividades que reduzcan los efectos de un desastre inevi-table, por ejemplo administración del uso de suelo, establecimiento de pro-gramas de administración de emergencias como restricciones de licencias de construcción para zonas inundables.

Preparación. Actividades necesarias para minimizar los daños del desas-tre, por ejemplo consolidación de un inventario de recursos ante la emergencia, establecimiento de protocolos de respuesta, instalación de sistemas de alerta temprana y preparación de personal para atención a emergencias, entre otros.

Respuesta. Actividades posdesastre, diseñadas para brindar asistencia a las víctimas, por ejemplo protocolos de búsqueda, rescate, atenciones médicas, alimentación y acelera las operaciones de recuperación (inventario de daños).

Recuperación. Actividades necesarias para retornar todos los sistemas a la normalidad, incluyendo actividades de corto plazo (limpieza, acceso a agua y comida, viviendas temporales) y largo plazo (asesoría legal, planeamiento de la comunidad, etcétera) (Greene, 2002).

En el panorama de la prevención y acción ante las situaciones de riesgo comentadas, la Geoinformática permite una serie de aproximaciones variadas. Algunos ejemplos son los trabajos que componen este capítulo.

Referencias

Abbott, P. L. (1996). Natural Disasters. Wm. C. Brown Publishing Co., 438 pp.

Coppock, J. T., Rhind, D. W. (1991). The history of GIS. Geographical infor-mation systems: Principles and applications, 1(1), 21-43.

Greene, R. W. (2002). Confronting Catastrophe: A GIS Handbook. Redlands.

13

Digitalización de mapas para determinar riesgo a inundación y potencial de

pérdidas económicas en el seccional de Anáhuac, Cuauhtémoc, Chihuahua: mediante sistemas de

información geográfica

Francisco Javier Domínguez Chávez, Hugo Luis Rojas Villalobos,Elifalet López González, Luis Carlos Alatorre Cejudo

Introducción

El agua es uno de los recursos naturales más valiosos de cual-quier país debido a los beneficios sociales y económicos que se derivan de su explotación; sin embargo, junto con las ventajas de su uso existen también situaciones extremas tales como las inundaciones y las sequías. Las inundaciones son consideradas como uno de los fenómenos de mayor impacto en el ámbito mundial debido al efecto que producen en extensiones territo-

riales densamente pobladas (Domínguez, 1999).Una inundación es el proceso que se produce cuando el gasto de una

avenida generada en una cuenca supera la capacidad del cauce, por lo que el exceso de agua escurre fuera del mismo hacia las partes más bajas. Las inundaciones son fenómenos naturales que se convierten en peligro cuando los espacios ocupados por las poblaciones abarcan las llanuras de inundación (Montecelos, 2011). La intensidad y volumen de la precipitación conlleva a la

GEOINFORMÁTICA APLICADA A PROCESOS GEOAMBIENTALES en el contexto local y regional: teledetección y sistemas de información geográfica14

inundación, que genera como consecuencia extensos y cuantiosos daños: pér-didas económicas a viviendas, pérdidas humanas así como efectos catastróficos para la población, la infraestructura urbana, daños al medio ambiente, servi-cios básicos entre otros, en gran parte del territorio nacional (CEPAL, 2000).

La inadecuada planeación en el ordenamiento del territorio es la princi-pal causa de que se desarrollen asentamientos humanos en las zonas aledañas a los cuerpos de agua, lo que provoca inundaciones cuando se desborda una corriente. Además la degradación del medio ambiente, tal como la deforesta-ción, la erosión, entre otras, modifica la respuesta hidrológica de las cuencas, lo que incrementa la ocurrencia y la magnitud de inundaciones (Cenapred, 2007). La modificación del terreno en las cuencas debido a cambios en los usos del suelo, produce daños cada vez más considerables por el efecto de las inundaciones, asociados a dos fenómenos:

• El incremento en las crecientes que históricamente habían ocurrido, cuan-do no existían modificaciones en el terreno o la degradación del medio ambiente, era mínimo (Salas, 2007).

• El tiempo que debe transcurrir para que los efectos de una inundación sean percibidos por la población ha disminuido, provocando que en oca-siones la respuesta de las autoridades y de la población se vea comprome-tida (Salas, 2007).

En otro sentido, esta situación se asocia fuertemente con el concepto de vul-nerabilidad. La vulnerabilidad es la medida de la susceptibilidad de un bien expuesto a la ocurrencia de un fenómeno perturbador. De dos bienes expues-tos uno es más vulnerable, ante la ocurrencia de fenómenos perturbadores con la misma intensidad, por lo que sufre mayores daños. La vulnerabilidad es una variable que el hombre tiene la posibilidad de disminuir, implementando planes de mitigación, recuperación y compensación. Reducir los indicadores de vulnerabilidad supone medidas como la planeación de un censo de la po-blación en zonas potencialmente inundables. Para ello se deberán implemen-tar ejercicios de consulta que permitan evaluar los bienes expuestos para cada vivienda, así como tener acceso a programas de cómputo necesarios para ir creando las bases de datos que servirán para su ubicación dentro de la zona urbana (Salas, 2007).

El acercamiento al tema de la vulnerabilidad es amplio y tiene que ver con diversas dimensiones de la planeación urbana. Por ejemplo, las personas que viven en la planicie son más vulnerables ante las inundaciones que los que viven

Capítulo 1 Geoinformática aplicadaal análisis de riesgo 15

en lugares más altos. Además el concepto de vulnerabilidad económica atañe a personas o familias de pocos recursos económicos, que muchas veces ocupan zonas de alto riesgo, alrededor de las ciudades porque no tienen suficiente opciones de elegir lugares más seguros.

Por los riesgos descritos, la cartografía de las zonas con peligro de inun-daciones es una tarea de suma importancia para preservar la vida y los bienes inmuebles, debido a que este tipo de peligro natural afecta a regiones muy diferentes en todo el mundo. Los análisis de zonas inundables y la evaluación de sus riesgos potenciales son esenciales para las actividades de protección y mitigación contra las afectaciones por inundaciones, de donde se obtienen re-sultados que orientan hacia una mejor planeación para el desarrollo territorial que prevén los fenómenos meteorológicos y sus riesgos (Montecelos, 2011).

En esa tarea, los Sistemas de Información Geográfica (SIG) son esencia-les. Estos sistemas son definidos como la captura, manejo y análisis de datos e información geográficamente representados. Son amplia y mundialmen-te implementados por instituciones gubernamentales, no-gubernamentales y académicas, como una herramienta indispensable para la planeación territo-rial, manejo integrado de cuencas, evaluación y mitigación de desastres, así como para la conservación de recursos naturales (Ellis, 2012).

En la actualidad existe una amplísima gama de procedimientos adopta-dos para la realización de mapas de inundaciones con el empleo de las herra-mientas presentes en los SIG. La delimitación, la clasificación, y la cartografía constituyen un trabajo arduo en los que el uso de los SIG es de gran ayuda, ya que permite contar con una serie de elementos, tanto en el almacenamiento como en la actualización de la información de los componentes, así como la existencia de una base cartográfica única para cada uno de ellos, lo que nos da la posibilidad de integrar toda la información en un mapa preliminar de inundaciones, a partir del esquema metodológico general para la realización del mismo mediante el empleo de las herramientas SIG (Montecelos, 2011).

Los grandes avances tecnológicos de las últimas décadas han provocado profundos cambios en las metodologías de estudio de las Ciencias de la Tie-rra y de disciplinas afines. En la actualidad tanto los trabajos de investigación básica como los aplicados hacen un uso intensivo de herramientas geoinfor-máticas como las imágenes satelitales y los SIG. Estos últimos en particular, son programas diseñados para el tratamiento eficiente de información espacial con fines de apoyo a la toma de decisiones, cuyas capacidades van desde la captura de los datos espaciales, su almacenamiento y organización mediante


una base de datos, hasta su procesamiento mediante funciones de análisis espacial y representación final de la información generada con salidas gráficas.

Los SIG permiten la integración de datos provenientes de fuentes muy diversas (imágenes, mapas, datos de campo, GPS, planillas electrónicas, entre otras) para a partir de ellos poder elaborar un modelo en capas (layers) de la realidad. Esto facilita y potencia el tratamiento de los datos y el análisis espa-cial en gabinete, en tareas previas y posteriores a las del terreno.

Para el caso específico de las inundaciones en el seccional de Anáhuac, Chihuahua, estas herramientas son ideales. Las inundaciones en Anáhuac es-tán asociadas a problemas tales como modificaciones del terreno producidas por tala de árboles, urbanización y otras intervenciones en el medio ambiente o la combinación de ellas. Por lo que en gran medida se ve afectado por las inundaciones fluviales relacionadas generalmente con eventos meteorológicos con alta precipitación, en especial en los meses de junio-agosto. Los proble-mas relacionados con las inundaciones y la vulnerabilidad de la población se han incrementado debido a un desordenado proceso de cambios de uso de suelo, urbanización, asentamientos ilegales y viviendas construidas de manera inadecuadas y en zonas que incrementan el nivel de riesgo (Guarin et al., 2005). Estos problemas no han podido ser solucionados con obras estructura-les. Es posible observar una tendencia a que nuevos problemas aparecen a un ritmo mayor que la generación de soluciones. Por lo tanto acciones de tipo no estructurales son necesarias como el control de uso y ocupación del suelo en zonas con riesgo de inundación. La base técnica de estas soluciones es el desarrollo de estudios de inundación que produzcan cartografía que represen-te las zonas de alto riesgo.

Con base en todo lo anteriormente descrito, esta investigación tiene como objetivo determinar la vulnerabilidad ante situaciones de inundación que presentan las casas habitación localizadas en el seccional de Anáhuac, mediante el empleo de técnicas SIG. La vulnerabilidad en este trabajo estará limitada por la localización de las casas habitación, principalmente en las zonas que se encuentran en áreas que de manera recurrente presentan la acu-mulación repentina de caudales.

Por otra parte, el proyecto de investigación tiene como segundo objetivo determinar el riesgo a pérdidas económicas de las inundaciones. Para deter-minar estas pérdidas se hará referencia únicamente a la afectación de bienes inmuebles. Para ambos objetivos se utilizará como recurso metodológico principal la integración de mapas de inundación analógicos a información digital mediante los Sistemas de Información Geográfica (SIG), dado que se


trata de una fuente de información lo bastante robusta como para diagnosticar la vulnerabilidad económica de las familias que habitan en las zonas de riesgo.

Área de estudio

El seccional de Anáhuac se ubica en el municipio de Cuauhtémoc, en el estado mexicano de Chihuahua, en las siguientes coordenadas geográficas: latitud 28.480000 y longitud -106.744167, a una altura media de 1905 me-tros sobre el nivel del mar (msnm) (Figura 1). La zona está localizada en una región de clima semiseco templado, por lo cual tiene veranos de temperatura templada, pero sus inviernos son fríos, pudiendo descender las temperaturas incluso por debajo de los -10 °C; asimismo, la región es conocida por sufrir en verano tormentas periódicas. La temperatura media anual es de 10 a 14 °C y la precipitación media anual es de 500 a 600 mm. La ciudad de Anáhuac se conforma con un total de 2667 viviendas. De estas, 14 tienen piso de tierra y unas 84 consisten de una sola habitación, 2407 viviendas tienen instalaciones sanitarias, 2617 cuentan con agua potable, y 2620 tienen acceso al servicio de electricidad. En 605 hogares de Anáhuac se cuenta con una computadora, en 2376 con lavadora y 2619 viviendas tienen al menos una televisión. La po-blación total del seccional Anáhuac es de 9253 personas; 4485 son hombres y 4768 mujeres (INEGI 2005).

Materiales y métodos

La digitalización es una forma de conversión de datos analógicos a digitales, la cual consta de tres etapas sucesivas: preparación de datos, digitalización y captura de datos (GIS). El estudio que se presenta comprende la integración de datos a un SIG para la digitalización de mapas y para el análisis de las zonas de inundación en seccional de Anáhuac. Adicionalmente se integraron las técnicas de SIG para la evaluación de propiedades en las zonas de riesgo, simulando las áreas susceptibles de inundación para posteriormente integrar los datos de vulnerabilidad de estas zonas de riesgo a los SIG. La digitali-zación de la información analógica de mapas susceptibles a inundación del seccional de Anáhuac se obtuvo mediante una serie de pasos para la obtención de mapas digitales mediante los SIG. Los pasos de la metodología fueron los siguientes:


1. Preparación y obtención de la información del seccional.2. Manejo y uso de software.3. Conversión de información análoga a digital.4. Georeferenciación de mapas.5. Estimación de posibles pérdidas de zonas inundables.

Para la digitalización de los mapas se inició con la obtención de la información necesaria, la cual fue proporcionada por el Departamento de Catastro del seccional. Para el procedimiento de la digitalización se utilizó lo siguiente:

1. Mapas análogos de las zonas de inundación del seccional para su digitali-zación y su posterior vectorización.

2. Mapas del seccional con manzanas y lotes en formato DXF (AutoCad™).3. Imagen satelital del seccional.4. Mapas (basemaps) de ArcMap™.5. Encuestas para la obtención de información de costos monetarios y nú-

mero de habitantes por viviendas afectadas en caso de inundaciones para estimar la vulnerabilidad económica y humana.

Para la digitalización de los mapas se trabajó con los mapas analógicos obtenidos en el Departamento de Catastro en la presidencia del seccional. Estos mapas muestran las zonas identificadas por dicho departamento como más vulnerables a las inundaciones y las zonas que delimitan las áreas afecta-das a través de los años mediante los registros históricos.

Para la digitalización de las imágenes se utilizó el software ArcGIS™ que es uno de los programas más utilizados hoy en día por empresas y ad-ministraciones públicas para el análisis geoinformático. El programa cuenta con los módulos ArcMap™, ArcToolbox™ y ArcCatalog™, para un mejor desempeño. ArcGIS™ es utilizado para trabajar bajo los SIG, utiliza datos geográficos de diferentes fuentes, crea bases de datos geoespaciales y permite el análisis espacial, la edición geométrica, el análisis de topología, entre otras funciones.

Mediante el uso de ArcMap™ fue posible añadir información del mate-rial analógico al digital, obteniendo como resultado shapefiles con información de zonas en riesgo a inundación del seccional para su posterior análisis. El mapa de manzanas y lotes en formato DXF (AutoCAD™) (Figura 2), se convirtió a shapefiles para realizar un proceso de georeferenciación.


Figura 1. Zona de estudio (Fuente: Elaboración propia).


Figura 2. Mapa de manzanas y lotes en formato DXF. (Fuente: Elaboración propia).

La georeferenciación de imágenes es una serie de pasos y secuencias que consiste en relacionar la información digital al espacio geográfico que real-mente ocupa. Este proceso consiste en buscar objetos bien definidos dentro de las imágenes, tales como intersecciones de caminos o las características de la tierra y ubicarlos en las imágenes de ayuda basemap de ArcMap™. De esta manera se puede estar seguro de que se está haciendo referencia a la misma ubicación en el conjunto de datos raster y datos alineados.

Una vez que se obtuvieron los mapas de zonas de inundación potencial, y el mapa de manzanas y de lotes, se hizo una sobreposición de los tres mapas para su interpretación de la información generada, y así obtener como resul-tado las zonas afectadas divididas con manzanas y lotes. Este proceso ayudó a identificar las manzanas y los diferentes lotes que se encuentran en zonas inundables.

Para calcular los costos de potenciales pérdidas económicas por inunda-ción, se realizó una encuesta en las zonas de riesgo de inundación identifica-das en los mapas generados, se trató de levantar la información necesaria por lote para cuantificar las posibles pérdidas de bienes, y posteriormente evaluar el costo de las pertenencias de los habitantes de las zonas en riesgo. La encuesta se integró con preguntas acerca de bienes con los que se cuenta en


cada casa-habitación y sus condiciones para hacer la estimación de costos. El instrumento incluyó preguntas sobre:

• Tipo de lote: hogar, negocio, escuela, parque, iglesia, otro.• Número de personas que habitan la vivienda.• Número de habitaciones que se usan para dormir.• Número y tipo de televisiones.• Número de salas o estancias.• Cuenta con estufa.• Cuenta con comedor.• Cuenta con refrigerador.• Cuenta con aparato de microondas.• Condiciones de cocina o cocineta.• Cuenta con lavadora y secadora.• Número de colchones y bases de cama.

Para la estimación de costos de los artículos mencionados en la en-cuesta, se tomaron los precios como referencia en tiendas de segunda mano, bazares y mueblerías como se muestra en el tabla 1.

Tabla 1. Resultados de encuesta de potenciales pérdidas. (Fuente: Elaboración propia).

Tipo Precio 1 Precio 2 Precio 3

Televisión

Normal 600 850 1,200

Pantalla

LCD 3,000 3,500 5,500

Estufa

Regular 800 999 1,200

Bien 1,500 1,600 1,700

Muy bien 2,000 2,400 3,000

Excelente 3,400 3,500 3,600

Comedor

Regular 800 900

Continúa...


Tipo Precio 1 Precio 2 Precio 3

Bien 2,800 3,500

Muy bien 4,000 4,300 7,000

Excelente 10,000 12,000

Refrigerador

Regular 550 850 1,000

Bien 1,200 1,500 2,000

Muy bien 2,500 3,000 4,000

Excelente 6,000 6,500

Cocina

Regular 2,300

Bien 5,500

Muy bien 10,000

Excelente 20,000

Aparato de microondas

Regular 50 350

Bien 400 700

Muy bien 800 900


Lavadora

Bien 700

Muy bien 1,500 2,100 2,800


Recámara

Regular 900 500 1,400

Bien 1,500 1,000 2,500

Muy bien 3,500 3,500 7,000

Excelente 5,000 6,000 11,000

Secadora

Regular 900 500 1,400

Bien 1,500 1,000 2,500

Muy bien 3,500 3,500 7,000

Excelente 5,000 6,000 11,000


La información generada a partir de las encuestas fue capturada en cada uno de los atributos del polígono que representa un lote dentro de las zonas de riesgo y se buscó estimar cuál es el costo de recuperación potencial.

Zonas potenciales a inundación en el seccional por colonias

Mediante la digitalización de los mapas analógicos se obtuvieron los mapas de zonas potenciales a inundación, identificando las colonias con riesgos (Figura 3). En él se identifican las zonas afectadas por posible inundación, su ubicación y las calles donde ocurre la acumulación del agua. La Figura 3 utiliza la siguiente nomenclatura de colores: naranja representa el barrio “El Ojito”; azul oscuro representa la colonia “Francisco Villa”; amarillo represen-ta la colonia “Habitación” (conocida también como colonia “Damnificados”); morado representa la colonia “Los Manzanos”, azul claro representa el frac-cionamiento “Progreso”; verde representa la colonia “San José” y el rojo la zona centro de la ciudad. En total se ubicaron siete colonias con potencial a inundación. Se ubicaron tres en riesgo por su ubicación en zonas bajas donde se presenta la acumulación de agua: la colonia “San José”, zona Centro, y ba-rrio “El Ojito”. Adicionalmente se encontró que las colonias “Francisco Villa”, “Habitación”, “Los Manzanos”, y el fraccionamiento “Progreso” tienen riesgo a inundación. Esto se debe a la ubicación cercana de un depósito de agua de menores dimensiones a una presa, que ante una fuerte precipitación puede presentar desbordamientos.


Figura 3. Mapa de zonas potenciales a inundación (Fuente: Elaboración propia).

Lotes potenciales a inundación en el seccional por colonias.

A partir del mapa de zonas de riesgo de inundación, y su división en colo-nias más vulnerables a ser inundadas, se procedió a identificar los lotes con potencial riesgo a inundación dividido por colonias (Figura 4). Este mapa se obtuvo mediante trabajo de campo, identificando los lotes expuestos en las diferentes zonas potenciales a inundación que arroja una clasificación según su tipo: hogares, negocios, parques, iglesias, funerarias, escuelas, casas no habita-das y lotes baldíos, se asignó un color diferente para identificarlas (Figura 4).

El mapa muestra como la mayoría de lotes con potencial de afectación corresponde a hogares o casa habitación en todas las colonias, representando el 50.05 % del total de lotes (Tabla 2). Las zonas con más potencial de afec-tación son: la colonia San José y la Zona Centro del seccional. Se aprecia que hay más números de lotes con riesgo que en las otras colonias. En general se concluye que las zonas con potencial de inundación se relacionan con hogares.


Figura 4. Mapa de identificación de lotes con potencial riesgo a inundación

(Fuente: Elaboración propia).

Clasificación de lotes potenciales a inundación en colonias “Francisco Villa”, “Habitación”, “Los Manzanos” y fraccionamiento “Progreso”

A partir del mapa de clasificación de lotes en riesgo a inundación, y su división en colonias más vulnerables a ser inundadas, se realizó una imagen más detallada por colonias para identificar y cuantificar los lotes con potencial riesgo a inundación y su clasificación.

Este mapa muestra con más detalle los lotes con potencial riesgo a inundación dividido por colonias. Se identifican los lotes clasificados por tipo. Estas colonias son afectadas por la corriente excesiva de agua. El problema se identificó a través de los años por registros históricos.

La Figura 5 muestra la potencial afectación de cinco hogares y un ne-gocio con un área de terreno de 5214 m² en el fraccionamiento “Progreso”, seis hogares, y un lote baldío con un área de 6968 m² en la colonia “Los Manzanos”, ocho hogares, y un parque con un área de 3209 m² en la colonia “Habitación”, siete hogares y un lote baldío con un área de 5440 m² en la


colonia “Francisco Villa”, tal y como se muestra en la Tabla 2. Completando un total de 26 hogares y familias con potencial de afectación de inundación, identificados en la imagen (Figura 5).

Colonia Hogares Negocios Baldíos ParquesNo

habitadoEscuelas Iglesias Funeraria Total

Progreso 3,394 1,820 0 0 0 0 0 0 5,214Manzanos 5,276 0 1,692 0 0 0 0 0 6,968Habitacional 1,807 0 0 1,402 0 0 0 0 3,209Ojito 7,877 1,702 939 0 396 0 0 0 10,914San José 24,503 3,705 9,489 0 5,912 4,257 1,194 1,095 50,155

Centro 26,562 15,267 7,969 0 2,386 6,573 1,037 0 59,794

Total 72,342 22,494 22,606 1,402 8,694 10,830 2,231 1,095 141,694

% 50.05 15.87 15.95 .98 6.13 7.64 1.57 .77 100

Tabla 2. Resultados de identificación de lotes por colonia. (Fuente: Elaboración propia).

Figura 5. Identificación de potencial de inundación. (Fuente: Elaboración propia).


Clasificación de lotes potenciales a inundación en colonias “San José”, “El Ojito” y zona centro

A partir del mapa de clasificación de lotes en riesgo a inundación (Figura 4), y su división en colonias más vulnerables a ser inundadas, se realizó una imagen más detallada por colonias para identificar y cuantificar los lotes con potencial riesgo a inundación y su clasificación (Figura 6).

La Figura 6 muestra un mapa más detallado de lotes con potencial riesgo a inundación dividido por colonias. Se identifican los lotes clasificados por tipo. Estas colonias son afectadas por la ubicación en zonas bajas del sec-cional donde se presenta la acumulación de agua al momento de las precipi-taciones.

La Figura 6 muestra la potencial afectación de nueve hogares, un lote baldío y dos negocios con un área de terreno de 10,914m² en el barrio “El Ojito”; cuarenta y dos hogares, nueve casas no habitadas, trece lotes baldíos, una funeraria, una escuela, una iglesia y cinco negocios con un área de 50,155 m² en la colonia “San José”; cincuenta y tres hogares, una iglesia, una escue-la, cuatro casas no habitadas, cuatro lotes baldíos y treinta y cinco negocios con un área de 59,794 m² en la zona centro, como se muestra en la Tabla 2. Completando un total de 104 hogares y familias con potencial de afectación de una inundación, identificados en la imagen. En total se hizo la estimación de 130 hogares y familias con potencial riesgo a inundación en el seccional de Anáhuac.


Figura 6. Potencial de afectación. (Fuente: Elaboración propia).

Colonias potenciales a inundación, con representación de riesgo a pérdidas económicas a hogares

A partir del mapa de clasificación de lotes en riesgo a inundación, y su división en colonias más vulnerables a ser inundadas, y mediante la encuesta realizada para la estimación de costos de bienes de hogares, se realizaron dos imágenes detalladas por colonias para identificar y cuantificar los lotes en riesgo estimando las pérdidas económicas (Figura 7).

Las imágenes muestran las potenciales pérdidas económicas en las di-ferentes áreas susceptibles a inundación, las colonias en riesgo y las pérdidas clasificadas.

Mediante la aplicación de técnicas de SIG se evaluaron los potenciales impactos socioeconómicos relacionados con las áreas susceptibles donde se observa una clasificación por la estimación de pérdidas económicas según las encuestas realizadas en las diferentes zonas de inundación.

La clasificación solo estima a los hogares. Los negocios, iglesias funera-rias y escuelas que tienen pérdidas económicas más considerables, superando


los rangos económicos más altos que el de las viviendas. Las Figuras 7 y 8 muestran las parcelas sin valor donde no hay pérdidas económicas por ser lotes baldíos, casas no habitadas o parques.

La clasificación consta de tres rangos: bajo, medio y alto. Las pérdidas van de 7050 a 93,250 pesos mexicanos a hogares: clasificadas en un nivel bajo son de 7050 a 35,783 pesos, las de nivel medio son de 35,784 a 64,516 pesos y las de nivel alto son de 64,517 a 93,250 pesos. Los negocios superarían esta estimación en pérdidas económicas de bienes, por esta razón en este estudio las encuestas solo se realizaron a hogares.

La Figura 7 muestra las colonias “El Ojito”, “San José” y zona centro y la estimación de las posibles pérdidas económicas de bienes en hogares, en su mayoría es de nivel bajo.

Figura 7. Mapa de estimación de las posibles pérdidas económicas de bienes en hogares



Tabla 3. Tabla de estimación de pérdidas (Fuente: Elaboración propia).

Colonias Pérdidas estimadas

Progreso 117,110

Manzanos 217000

Habitación 172,947

Francisco villa 90,997

Ojito 287,800

San José 947,100

Zona centro 1,497,449

Total 3,410,803

La tabla 3 muestra los resultados de las estimadas pérdidas económicas por colonias. La zona centro presenta una mayor afectación de bienes a hoga-res, seguida de la colonia “San José”. Esto se debe a que el número de viviendas en riesgo a inundación en esta zona, es mayor, arrojando un riesgo estimado total de $3,410,803.00. En todo el seccional aparecen aproximadamente 130 hogares en posible riesgo de inundación, con pérdidas económicas estimadas entre los $7050 y $93,250 por vivienda, con un ingreso mensual por familia estimado de $2325.80.

El ingreso mensual promedio total por hogar es el resultado de dividir el conjunto total de percepciones de los miembros de la familia entre el total de hogares a nivel nacional y por entidad federativa. Los hogares mexicanos cuentan con un ingreso promedio mensual estimado de $2325.80 (INEGI, 2000). El estado de Chihuahua tiene un ingreso mensual por familia de $2931.80, lo que hace un ingreso semanal de $665.60.

Conclusiones

El objetivo de este estudio fue integrar las técnicas de SIG para identificar las áreas vulnerables al riesgo de inundación así como la digitalización de los mapas de inundación, y con ellos evaluar las posibles pérdidas económicas de bienes en las zonas potenciales a inundación en el seccional Anáhuac. Este estudio aporta información importante para compatibilizar criterios entre las distintas disciplinas involucradas en la planificación urbana, y como resultado,


la planificación de las medidas no- estructurales a llevar a cabo conjuntamen-te con la legislación asociada para futuros procesos de urbanización.

El uso de los SIG constituye una herramienta de gran ayuda a la hora de elaborar un mapa de peligrosidad por inundaciones, ya que permite contar con una serie de elementos, tanto para el almacenamiento como la actuali-zación de la información de los componentes, así como la elaboración de una base cartográfica única para cada uno de ellos, lo que da la posibilidad de integrar toda la información en un mapa preliminar de inundaciones.

Referencias

Centro Nacional de Prevención de Desastres (Cenapred). (2007). Serie Fas-cículos: Inundaciones. Secretaría de Gobernación. México, D. F.

CEPAL. 2000. Los efectos socioeconómicos de las inundaciones y desliza-mientos en Venezuela en 1999.

Decimoséptima Conferencia Internacional de Estadísticos del Trabajo (2003).Estadísticas de ingresos y gastos de los hogares.

Domínguez, R., et al, (1999), “Inundaciones”, serie fascículos, no. 3, segunda edición, Cenapred, México.

Ellis, E. A. Romero, J. A. Hernández, I.U. Gallo, C. A. Alanís, J. L. (2012). Evaluación geográfica de áreas susceptibles a inundación en la cuenca del río Tuxpan, Veracruz.

GIS-04_Entrada de datos.ppt. https://www.ucursos.cl/forestal/2009/1/E F078/1/material_docente/previsualizar?id_material=480145(accsesado (Accesado el 4 de noviembre del 2012).

Guarin, G. P.; van Westen, C. J. y Montoya, L. (2005). Community-Based Flood Risk Assessment Using GIS for the Town of San Sebastián, Guatemala. Human Security and Development.

INEGI (2000), Instituto Nacional de Estadística, Geografía e Informática. Indicadores de hogares y familias por entidad federativa.

INEGI. 2005. Censo económico 2005. http://www.ocdemexico.org.mx/Chi-huahua/Colonia-Anahuac/ (Accesado el 4 de noviembre del 2012).

INEGI (2010). Encuesta Nacional de Ingresos y Gastos de los Hogares 2010. Montecelos Zamora Yalina, Batista Sánchez Daulemis, Ramón Puebla Ado-

nis, Zaldivar Suarez Nircia, Batista Cruz Yosvanis (2011). Diseño meto-dológico para la elaboración de mapas de peligrosidad por inundaciones

Ríccardi, Gerardo Adrián (1997). Elaboración de mapas de riesgo de inunda-ción por medio de la modelación matemática hidrodinámica.


Salas Salinas, M.A., Jiménez Espinoza M. (2007). Inundaciones 2007 CEN-APRED Centro Nacional De Prevención De Desastres.

Salas Salinas, Marco Antonio, Jiménez Espinosa Martin. (2007). Inundacio-nes (CENAPRED).

Sánchez, M.; Batista, J. 2005. Evaluación del peligro ante la ocurrencia de Inundaciones. Cuenca del Cauto. Cuba.

Servicio de Administración Tributaria http://www.sat.gob.mx/sitio_Internet/asistencia_contribuyente/informacion_frecuente/salarios_minimos/ (Accesado el 4 de enero del 2013).

33

Análisis de áreas susceptibles a riesgos químicos por gaseras y

gasolineras de Cuauhtémoc, Chihuahua: evaluación mediante técnicas de Sistemas de Información

Geográfica

Javier Enríquez Domínguez, Hugo Luis Rojas Villalobos, Luis Carlos Bravo Peña, Lara Cecilia Wiebe Quintana

Introducción

En los últimos años la relación entre las poblaciones y su cre-cimiento acelerado ha tenido como consecuencia una mala organización para la construcción de colonias para casa-habi-tación, escuelas, hospitales, las cuales son establecidas en ubi-caciones que ponen en riesgo a la población, con respecto a los establecimientos de distribuidores de combustibles (Sedesol, 2003). Cada uno de estos tiene normas y reglas a seguir para

su establecimiento, desafortunadamente en muchas ocasiones no se respetan. Debido al crecimiento de la población, las ciudades tienden a expandirse muy rápido, con la construcción de colonias que rodean establecimientos de gaso-lineras y gaseras, quedando en riesgo de algún peligro como una explosión o derrame químico.

Un ejemplo de un mal seguimiento de procesos de seguridad es lo que ocurrió en septiembre de 2012 en las instalaciones de una planta de gas de


Pemex en Reynosa, Tamaulipas. En esa fecha se presentó una fuga de gas que generó una gran explosión que tuvo como consecuencia graves pérdidas hu-manas y económicas. Es muy poca la consideración que los departamentos de gobierno encargados de la planeación del territorio tienen hacia estos riesgos para mejorar el manejo de peligros químicos. Estos riesgos han ido creciendo considerablemente, al contrario de las medidas de protección.

Para poder enfrentarlos es necesario contar con el conocimiento básico del manejo de sustancias químicas, del tipo de almacenamiento adecuado, y del desarrollo de nuevas tecnologías que puedan mejorar su manejo, así como conocer los peligros a los que se están expuestos quienes trabajan en este rubro y cómo se pueden evitar antes y actuar ante el desastre: crear escenarios y simu-laciones para las diversas organizaciones que actuarán en el momento en el que se presente la contingencia, como departamentos de protección civil, tránsito, paramédicos, bomberos, policía, entre otros. (DPIRDM, 2001).

Los estudios de riesgos deben estar sujetos a cambios y evaluación cons-tante, ya que continuamente hay cambios en el crecimiento de la cuidad, lo cual ocasiona modificaciones en la configuración de las ciudades y los peligros que causa para la población. Particularmente importantes son los efectos del cre-cimiento demográfico y de la industrialización que modifican e incrementan el riesgo (Cenapred, 2001). El rápido crecimiento de población, la expansión urbana y el crecimiento económico, todo esto ha llevado a una mala planea-ción urbana en la ciudad de Cuauhtémoc, Chihuahua. Existen problemáticas en la construcción de colonias, escuelas, iglesias y centros sociales, que tienen una relación de peligro por la cercanía con el establecimiento de distribución o almacenamiento de químicos, sin tener algún tipo de prevención o cuidado, estando seriamente expuestos. Por lo anterior, es importante la elaboración de un análisis mediante estudios de las zonas y mapas en toda la traza urbana que permitan identificar instalaciones en riesgo, y dar una breve evaluación de la gravedad del problema, identificando cuáles serían los niveles de riesgo e impacto en las diferentes construcciones, y la capacidad que tienen de ser afectadas, la población expuesta y minimizar el problema al que se expone.

La implementación de la metodología propuesta en este documento y el uso de sistemas de información geográfica (SIG), permitirán la administra-ción de la información espacial con la que se cuenta, y generarán la capacidad de actualizar y modificar la información de los mapas, y un uso de bases de datos geográficas más eficiente, permitiendo dar respuesta inmediata en la toma de decisiones ante situaciones de contingencia.


Antecedentes

Los desastres causados por actividades antropogénicas están presentes en la mayoría de las situaciones de desastre asociadas a sitios de riesgo. Por ello di-ferentes instituciones gubernamentales y grupos sociales se han dado a la tarea de buscar alternativas para mitigar los peligros a los que se ven expuestas la población y las edificaciones en el área de peligro (Barreto, 2005). Los avances científicos y tecnológicos recientes han incrementado el control de los riesgos, adquiriendo cada vez más experiencia, implementando los mapas de riesgo, y en muchos casos, mitigando los desastres al actuar con más eficacia (Barreto, 2005).

En el mundo existen distintas instituciones que investigan problemáticas como la que se plantea en este estudio. Algunas son: Estrategia Internacional para la Reducción de Desastres de Naciones Unidas (EDRI/ONU), Centro Nacional de Prevención de Desastres (Cenapred), National Fire Protection Association (NFPA), US Environmental Protection Agency (EPA), Federal Emergency Management Agency (FEMA). Todas ellas se han orientado al desarrollo de esfuerzos de investigación acerca del impacto de los desastres en las actividades humanas, y han desarrollado en los últimos años un amplio nú-mero de publicaciones, generalmente orientadas a los temas de prevención. Un ejemplo es la Guía Básica para la Elaboración de Atlas Estatales y Municipales de Peligros y Riesgos (Cenapred, 2004). Adicionalmente están los textos norma-tivos: según la Secretaría de Energía, conforme a la Norma Oficial Mexicana NOM-003-SEDG-2004 (Estaciones de gas L.P. para carburación, Diseño y construcción 2005) y la NOM-002-SESH-2009 (Bodegas de distribución de Gas L.P. Diseño, construcción, operación y condiciones de seguridad), es responsabilidad del Gobierno Federal establecer las medidas de seguridad ne-cesarias a fin de asegurar que las instalaciones de aprovechamiento de Gas L.P. no constituyan un riesgo para la seguridad de las personas o dañen a la salud de las mismas. El documento ahonda en detalles en los siguientes apartados:

• 3.14 Lugar de la estación. Perímetro de la superficie de la estación de gas L.P. limitada por las separaciones correspondientes, indicadas en el plano respectivo.

• 3.15 Lugar de reunión. Cualquier espacio abierto o construcción de un inmueble para la reunión de 100 o más personas simultáneamente con propósitos educativos, religiosos o deportivos, así como establecimientos con 30 o más plazas donde se consuman alimento o bebidas. Plano mé-


trico, indicando las construcciones y actividades existentes en un radios de 30m a partir de las tangentes de los recipientes de almacenamiento, y que dentro de este radio no existen centros hospitalarios, educativos o de reunión. Esto solo aplica en estaciones comerciales. La Norma Oficial Mexicana NOM-005-SCFI-2005, que se refiere a los instrumentos de medición-Sistemas para medición y despacho de gasolina y otros com-bustibles líquidos-Especificaciones, métodos de prueba y verificación, in-dica que siendo responsabilidad del Gobierno Federal procurar las medi-das que sean necesarias para garantizar que los instrumentos de medición que se comercialicen en territorio nacional sean seguros y exactos, con el propósito de que presten un servicio adecuado conforme a sus cualidades metodológicas, y aseguren la exactitud de las mediciones que se realicen en las transacciones comerciales.

• 4. Requerimientos y especificaciones para el establecimiento de estaciones como gasera y gasolineras. 4.1 Selección de sitios. Para el establecimiento y opera-ción de Estaciones de Servicio y de Autoconsumo, el predio y las instala-ciones deben cumplir con los siguientes requerimientos:

• 4.1.1. El área de despacho de combustible, debe estar a una distancia de resguardo mínima de 15 metros medidos a partir del eje del dispensario, con respecto a lugares de concentración pública, del sistema de transporte colectivo (metro) o su equivalente en cualquier parte del territorio nacio-nal u otros usos urbanos.

• 4.1.2 El predio debe estar a una distancia de resguardo mínima de 100 metros con respecto a actividades clasificadas de alto riesgo, tomando como referencia al Primer y Segundo Listado de Actividades Altamente Riesgosas, publicados en el Diario Oficial de la Federación el 28 de mar-zo de 1990 y 4 de mayo de 1992, respectivamente. La distancia respecto a Plantas de Almacenamiento y Distribución de Gas L.P., se tomará desde los tanques de almacenamiento localizados dentro de dicha planta de gas, hacia el límite del predio propuesto para la Estación de Servicio.

Justificación

La ciudad y el municipio de Cuauhtémoc, Chihuahua han presentado en los últimos años un crecimiento acelerado generado por diferentes factores. Se-gún el último censo del INEGI (2010), el total de población en el municipio asciende a 154 mil 527 habitantes; 30 mil más que en el 2005. El crecimien-to poblacional de Cuauhtémoc duplicó su velocidad, considerando que en el


censo del 2000 la población total era de 124,378. Del 2000 al 2005 tuvo una tasa de crecimiento del 8.37% y entre 2005 y 2010, aumentó al 14.65%. Una consecuencia de este crecimiento ha sido la ausencia de una planificación ade-cuada del uso del territorio: la ubicación de muchos asentamientos humanos no ha sido la mejor. Por ello hoy en día es necesario tomar las medidas necesa-rias para minimizar los riesgos que puedan causar daños materiales, pérdidas económicas y sobre todo humanas.

Objetivos

GeneralGenerar mapas de riesgos para su prevención y mitigación, identificando los peligros potenciales que generan las instalaciones de gas y gasolina, a los que está expuesta tanto la población como la infraestructura urbana en la ciudad de Cuauhtémoc, Chihuahua.

Específicos

1. Proponer una escala de riesgo en función de los peligros existentes y ries-gos a los que la población y las edificaciones están expuestas, derivados de la cercanía que tienen con las gaseras y gasolineras.

2. Generar rutas de emergencia para las diferentes instituciones involucra-das en brindar auxilio a la población en riesgo.

Hipótesis

Existe un alto grado de riesgo en la ciudad, como pérdidas humanas, econó-micas y de infraestructura, por el mal establecimiento de gasolineras y gaseras.

Área de estudio

La ciudad de Cuauhtémoc, Chihuahua es el hogar de aproximadamente 154,785 personas; la tercera ciudad con mayor población en el estado (INEGI 2010), se encuentra localizada en la región centro-oeste del estado entre los 28”25’ latitud norte y 106”52’ longitud oeste con una altitud de 2060 me-tros sobre el nivel medio del mar, cuenta con una superficie aproximada de 3.018,90 km2, representa un 1.2% del estado (Figura 1).


Figura 1. Mapa de área de estudio. (Fuente: Elaboración propia).


Para llevar a cabo este estudio, el trabajo se dividió en 4 fases:

Búsqueda de literaturaEn la primera etapa se llevó a cabo una recolección de toda la información necesaria sobre el tema, se realizó una búsqueda de estudios similares y de documentos de las distintas organizaciones involucradas en el manejo de quí-micos que aportaron los datos que fueron requeridos. Los documentos de pre-vención de desastres de Cenapred aportaron una parte muy importante sobre los riesgos y peligros que representan el establecimiento de estaciones de gas o gasolina, otra información de Cenapred que en conjunto con las Normas Oficiales Mexicanas se complementa son las distancias que deben de respetar y las características y medidas de seguridad que deben tener y cumplir en su construcción las gaseras y gasolineras


Recopilación de datos, descarga y elaboración de bases de datos.Traza urbana. En la segunda etapa se recopilaron datos de la ciudad, como la cartografía de la traza urbana de Cuauhtémoc, Chihuahua. Esta información proveniente el departamento de catastro de dicho municipio, fue exportada a formato shapefile ya que se encontraban en formato nativo de AutoCAD. Adi-cionalmente fueron corregidos los vectores que representaban la cartografía, ya que contenían errores de edición en los polígonos.

Ubicación de gaseras y gasolineras involucradas. Para la elaboración de los mapas de riesgo se obtuvo información catastral de las diferentes instalaciones como: gasolineras, gaseras, hospitales, departamentos de seguridad pública, escuelas, iglesias y centros sociales, con el fin de observar la relación geoes-pacial que existe entre los establecimientos de combustible y los centros de concentración social.

Trabajo en campo. En el levantamiento de datos en campo se utilizó un equipo GPS Garmin Etrex30™ para tomar los puntos de cada una de las ins-talaciones que fueron ubicadas en la cartografía de la traza urbana. Se tomaron los puntos de lugares que no se encontraron en la información obtenida de los departamentos municipales. Esta información se descargó con el programa OziExplorer™. Una vez descargados, se exportaron al programa ArcGIS™, se realizaron las modificaciones necesarias, como referenciar los puntos al igual que la cartografía de traza urbana para ubicar cada uno de los elementos fal-tantes y tener los datos más completos con respecto a la información recibida por los distintos departamentos y el levantamiento de puntos de los faltantes.

Bases de datos. Se creó una base de datos con tablas para cada tipo de ins-talaciones que fueron incluidas en el estudio. Cada gasolinera y gasera incluyó la siguiente información en sus registros:

• Ubicación, como calles y colonia• El tipo de construcción de la instalación (la estación de servicio)• Tipo de almacenamiento (los tanques de almacenamiento)• Capacidad de almacenamiento de los tanques• Capacidad máxima del tanque• Tipo de combustible que se maneja.

Para los servicios de salud, comandancias y centros sociales, los campos son los siguientes:


• Ubicación como calles y colonia.• Tipo de servicio que prestan• El nombre de la instalación.

Para centros educativos:

• Ubicación, calles y colonia,• Nombre la escuela• Clave de la escuela• Nombre del director• Total de alumnos

Mapas de riesgosCartografía, centros educativos y sociales, departamentos de seguridad pública y hospitales. En la tercera etapa, se elaboró la cartografía que incluye la traza urbana, los puntos que representan gasolineras, gaseras, hospitales, escuelas, centros sociales y servicios públicos, donde esta representación gráfica da una idea de la distribución geoespacial que tienen los puntos conflictivos (gaseras y gasolineras) con respecto a los puntos de concentración social (escuelas y centros de reunión social).

Elaboración de zonas de influencia (Buffers). Con base al punto anterior, con los datos se realizaron los buffers o áreas de amortiguamiento utilizando ArcGis™. Estas áreas de amortiguamiento representan los rangos de riesgo que se les dio con base a la información de las normas y leyes oficiales de las gasolineras y gaseras. En el software se generó el análisis de proximidad, se crearon buffers con diferentes niveles de riesgo para cada uno de los anillos. Una vez creadas éstas áreas se identificaron las escuelas o centros recreativos qué están más expuestas a algún tipo de peligro por explosión o derrame químico.

Análisis de riesgosSistema de prevención. En la cuarta etapa se realizó un análisis para la mi-tigación y prevención de los riesgos y un plan de respuesta. En esta fase se buscó que los diferentes departamentos de seguridad pública puedan obtener información cuantitativa de la zona en peligro con base al uso de un sistema de información, de tal manera que al momento de acudir a alguna emergencia tienen como ventaja saber la magnitud del problema y una estimación de la población a debido a la cantidad de personas expuestas También saber la lo-


calización de las diferentes instalaciones comerciales o de servicios expuestos para minimizar los peligros. El uso de tecnología que ayude a administrar variables geoespaciales como los Sistemas de Información Geográfica (SIG), permite mantener un trabajo más controlado y tomar decisiones que salva-guarden la integridad física de los equipos de respuesta como protección civil, bomberos, paramédicos, tránsito y policía.

Rutas de auxilio. Uno de los objetivos más importantes es prevenir la pérdida de vidas, disminuir el número de personas afectadas y evitar lo más posible el daño material, de una manera ordenada y con las estrategias más adecuadas para elaborar un plan de evacuación para el tipo de peligro que se presente. En este caso se tomaron en cuenta los departamentos de seguridad pública como tránsito, policía, protección civil, bomberos, paramédicos y en algún caso, apoyo del ejército, así como la colaboración de distintas empresas con apoyo de brigadas.

Para ello se buscó elaborar las rutas de auxilio óptimas, esto mediante el uso de la herramienta Network Analyst™ del software ArcGIS™, con la cual se ubicaron las zonas de riesgo y los diferentes departamentos de emergencias. La generación de rutas se realizó con base en la red de calles. Tal información cuenta con la longitud de las calles, el tiempo en que se tarda para recorrerla, los altos, topes, semáforos, carriles y los sentidos en que circulan. Existen dos opciones para generar las rutas: una es en metros y otra en minutos. Las rutas se crearon tomando en cuenta la distancia en metros dado que son los resulta-dos más óptimos, y que los servicios de auxilio tienen preferencia para rebasar los límites de velocidad y omitir altos.


Proceso de materiales y métodos

BÚSQUEDA DE LA INFORMA-CIÓN NECESARIA EN EL TEMA

RECOPILACIÓN DE DATOS Y ELABORACIÓN DE BASE DE

DATOS

Bibliografía de apoyo de riesgos, peligros y regla-

mentos de Normas Oficiales Mexicanas.

Búsqueda de literatura, bibliográfica, estudios de

hechos pasados, organiza-ciones, manejo de químicos,

etc.).

Recolección de información en los diferentes departa-

mentos y organizaciones de gobierno (catastros, comer-

cio, CENAPRED, etc.).

Instalaciones de gasoli-neras, gaseras, escuelas,

hospitales, centros sociales, colonias y población.

Trabajo en campo.

Tomar la ubicación las instalaciones mediante GPS Garmin etrex30,

realizar encuesta de las actividades que se llevan a cabo con químicos,

identificación de instalaciones y población expuesta.

ESTUDIO DE RIESGOS Crear buffers de múltiples anillos con diferentes rangos

de amortiguamiento.

Descarga de puntos de GPS con el programa OziExplo-rer, exportación y georefe-renciación en ArcMap 10.

MAPAS DE RIESGO Plan de riesgos y respuesta para las instalaciones con mayor grado de peligro.

Cartografía de la traza urba-na, puntos de gasolineras, gaseras, escuelas, hospita-

les, base de datos.

Delineamiento de rutas de evacuación y auxilio

inmediato.

Debe contener los elementos para poder crear un estudio de riesgos

(ubicación, químico, almacenamiento, capacidad, explosividad, etc.).

Base de datos en Arc-Map para gasolineras, gaseras y escuelas.


Resultados

Generación de base de datos y elaboración de mapa base.Se realizó una búsqueda y recopilación de información de las diferentes ins-talaciones involucradas en el análisis. Se elaboraron seis tablas de datos que corresponden a cada una de las instalaciones; gaseras, gasolineras, hospita-les, seguridad pública, centros educativos y sociales, con el fin de obtener las características necesarias de cada una de estas, las cuales se explican en la metodología en el apartado correspondiente. Estas tablas fueron necesarias para obtener los resultados de la población expuesta en escuelas. Mediante la elaboración del mapa base, el cual se realizó con la información recopilada en diferentes instancias como Desarrollo Urbano, Protección Civil y cada una de las oficinas generales de las gaseras y gasolineras, se localizaron los puntos de las instalaciones en la cartografía con su ubicación exacta tal y como se mues-tra en la Figura 2.

Leyenda– Cuauhtémoc• Gaseras• Gasolineras• Comandancias• Servicios de salud• Centros educativos• Centros de concentración

Figura 2. Mapa de ubicación de potenciales instalaciones de peligro. (Fuente: Elaboración propia).


Información de trabajo en campoSe desarrolló trabajo de campo para verificar la existencia de gaseras y gasoli-neras, y adicionalmente, se acudió a las diferentes instalaciones de las gaseras para pedir información sobre los establecimientos que se encuentran distri-buidos en toda la cuidad, las empresas a las cuales se acudió fueron; K-19, ServiGas, Gas Económico, Tomza y Z-Gas. La mayoría brindó la informa-ción para su ubicación en la cartografía de la ciudad, y ver la relación que existe entre los datos que se otorgaron por protección civil. La información que se negó en las instalaciones de las gaseras o en departamentos, o que no se encuentra en el mapa de protección civil, fue obtenida mediante trabajo de campo, como su ubicación utilizando el GPS. El mismo procedimiento se re-pitió para consolidar la base de datos de gasolineras. Los Servicios Educativos del Estado de Chihuahua (SEECH) otorgaron la información de las escuelas, que incluye: el nombre, ubicación, nombre del director y número de alumnos de cada uno de los planteles.

Zonas de influencia para gaseras y gasolineras (Buffers)Conforme a la base de datos, al mapa principal de la cartografía y las dife-rentes instalaciones, se elaboraron las zonas de influencia para cada gasera y gasolinera con 7 anillos de diferentes rangos que van desde 15 hasta 150 metros, para establecer cada una de las restricciones que se deben obedecer. Estas restricciones se establecen por las Normas Oficiales Mexicanas, dándole a cada rango un color conforme a su magnitud de riesgo, que va del rojo como zona más peligrosa y verde a la zona menos riesgosa (Figuras 3 y 4).


Leyenda • Gaseras

15 20 30 50 80 100 150

• Gasolineras 15 20 30 50 80 100 150

Figura 3. Mapa de zonas de peligro alrededor de la intalación. (Fuente: Elaboración propia).

Leyenda • Gaseras

15 20 30 50 80 100 150

• Gasolineras 15 20 30 50 80 100 150

– Cuauhtémoc

Figura 4. Mapa ubicación de instalaciones y su zona de peligro. (Fuente: Elaboración propia).


Instalaciones estables e inestables.Las instalaciones que se encuentran en el rango de condición estable, es de-bido a que cumplen con las leyes y normas establecidas y que no representan ningún riesgo para la población o pérdidas materiales y económicas. Se le dio un color azul a las instalaciones estables y rojo a las instalaciones que repre-sentan un riesgo violando alguna ley debido a su mala ubicación (Figura 5).

Instalaciones con mayor riesgo. Una vez que se cuenta con el mapa de zonas de influencia y la ubicación de todas las instalaciones, se hace una veri-ficación una a una, para observar si alguna de estas se encuentra dentro de los rangos de riesgo de las zonas de influencia de las gaseras y gasolineras.

En el mapa correspondiente se observó que una de las gaseras que se encuentra ubicada en la intersección de las calles República de Colombia y calzada Las Américas, tiene una relación de peligro con la gasolinera que está ubicada en la misma calzada Las Américas y República de Guatemala, ambas en la colonia CTM, debido a que no cuentan con la distancia mínima que se establece en las Normas Oficiales Mexicanas. La distancia entre estas dos instalaciones es de 90 metros a partir del centro del cilindro de gas y el centro de la gasolinera, que en dado caso la distancia mínima entre una gasera y una gasolinera debe ser de 100 metros. En la zona intermedia entre estas dos ins-talaciones están expuestos dos negocios, uno de ellos una tienda de abarrotes y el otro un autolavado, quedando en peligro los clientes. (Figura 6).


LeyendaGaseras condición • Estable • InestableGasolineras condición • Estable • InestableCentros educativosCondición • Estable • InestableCentros de concentraciónCondición • Estable • Inestable

Figura 5. Mapa de instalaciones que representan un riesgo violando alguna ley debido a su mala ubicación.


LeyendaGaseras condición • Estable • InestableGasolineras Condición • Estable • Inestable – Distancia

Figura 6. Mapa ubicación gasera en colonia CTM. (Fuente: Elaboración propia).


Al igual que el ejemplo anterior, en la gasera ubicada en la Calle 62 y avenida Cardenales y la gasolinera de la Calle 62 y avenida Las Águilas, ambas en la colonia PRI, no cumplen con el reglamento establecido en las normas oficiales, teniendo una distancia de 65 metros partiendo del punto medio de ambas instalaciones, exponiendo a los mismos consumidores (Figura 7).

Otro punto de riesgo se ubica en la avenida Benito Juárez, entre las calles Novena y Onceava. Existe ahí un alto grado de peligro debido a que el almacenamiento de los químicos se realiza con una cantidad de tanques su-perficiales, con un almacenamiento muy alto de entre 19,000 a 101,000 litros de gasolina y diesel, sin contar con la distancia adecuada entre cada uno de estos tanques (Figura 8).

LeyendaGaseras condición • Estable • InestableGasolineras Condición • Estable • Inestable – Distancia

Figura 7. Mapa ubicación de instalación de gaseras en colonia PRI. (Fuente: Elaboración propia).


LeyendaGasolinerasCondición • Estable • InestableGasolineras Combustible • Diesel Gasolina

Figura 8. Mapa de ubicación de gasolinera en Av. Benito Juárez. (Fuente: Elaboración propia).

Existen cuatro zonas que aparecen en el rango de inestables, aunque estas cumplen con las leyes y normas oficiales. Las razones de esta clasifica-ción se explican enseguida. En la gasera ubicada frente a las instalaciones de un complejo de salas de cine en la calzada 16 de septiembre y avenida José de San Martín en la colonia San Antonio, se respeta el reglamento de la distancia mínima de 30 metros, pero debido a que el almacenamiento de gas es más alto que los demás, con una capacidad de 14,300 litros (y que contrasta con la ma-yoría de las gaseras de la ciudad, que tienen capacidad de almacenaje de unos 5,000), se le incluyó en la categoría de inestable debido a la amplia afluencia de personas que normalmente concurren a las salas de cine (Figura 9).

En la gasera que está ubicada en la calle Tercera, entre la avenida Estado de Guerrero y avenida Oaxaca en la colonia República, existe un grado alto de peligro debido a que frente a la instalación existen dos escuelas y una igle-sia, las cuales tienen una distancia de 50 a 90 metros. En este caso, mediante el análisis de las tablas de datos, se obtuvo un resultado de 286 alumnos que pueden quedar en riesgo en las escuelas Cuauhtémoc y Alfonso Escárcega (Figura 10).


LeyendaGaserasCondición • Estable • InestableGasolineras Condición • Estable • InestableCentros de ConcentraciónCondición • Estable • Inestable – Distancia

Figura 9. Mapa ubicación gasera en colonia San Antonio. (Fuente: Elaboración propia).

LeyendaGaserasCondición • Estable • InestableGasolineras Condición • Estable • InestableCentros EducativosCondición • Estable • InestableCentros de ConcentraciónCondición • Estable • Inestable – Distancia

Figura 10. Mapa de gasera en colonia República. (Fuente: Elaboración propia).


Otra de las gaseras con las mismas características está ubicada en la avenida Francisco Pacheco y avenida Genaro Calderón en la colonia Emiliano Zapata, debido a que a 36 metros está una iglesia; cumple con las leyes pero aun así existe un grado de peligro considerable para la sociedad (Figura 11).

LeyendaGaserasCondición • Estable • InestableGasolineras Condición • Estable • InestableCentros de ConcentraciónCondición • Estable • Inestable – Distancia

Figura 11. Mapa de ubicación de gasera en colonia Emiliano Zapata. (Fuente: Elaboración propia).

Finalmente, en la gasera que está ubicada en la calle 94ª y avenida Te-nochtitlan en la colonia Tierra Nueva, existe una probabilidad de peligro ya que a 40 metros están las instalaciones de una escuela. Aunque no es muy alto el riesgo, existe el peligro de exposición de una parte de los 168 alumnos del plantel Mauricio Corredor, porque en la esquina con colindancia a la gasera están las aulas de estudio. En este caso sí se cumple con la legislación corres-pondiente, pero debido a la cercanía con la estación de gas, el punto es clasifi-cado como inestable (Figura 12).


LeyendaGaserasCondición • Estable • InestableGasolineras Condición • Estable • InestableCentros EducativosCondición • Estable • Inestable – Distancia

Figura 12 Mapa ubicación de gasera cercana a la escuela primaria Mauricio Corredor.


Rutas alternativas de emergencia. Las rutas alternativas se generaron para dar una mejor respuesta en casos de emergencia. Una vez que se realizó el mapa de resultados de las instalaciones que están en condiciones estables e inesta-bles, se localizaron todos los servicios públicos como hospitales y clínicas con departamento de urgencias, policía, tránsito, protección civil y para casos de extremo peligro, las instalaciones del ejército. Las rutas se realizaron con base en la longitud de cada una de las calles en la cartografía de la cuidad, pero esto no quiere decir que sean la única o mejor manera de llegar al lugar de la emergencia. Hay que aclarar que cada servicio de emergencia (policía, bom-beros, cruz roja, protección civil y tránsito) puede tomar una ruta con base en la experiencia y conocimiento en su labor (Figura 13).


Leyenda

• Comandancias• Servicios de salud– Rutas– Rutas– Rutas– Rutas– Rutas– Rutas– Rutas– Rutas– Cuauhtémoc

Policía MunicipalHospital Médica Sierra

Protección Civil Bomberos

Secretaría de Salud

Hospital de Gineco Obstetricia

Hospital SOS Pediátrico

Ejército MexicanoSanatoria y Maternidad San José

Centro Clínico del Noroeste SA de CV

Centro de Salud 2

Tránsito

Clínica del ISSSTE

IMSS

Figura 13. Mapa de rutas potenciales para servicios de emergencia. (Fuente: Elaboración propia).

Conclusiones

Existen en la ciudad gaseras y gasolineras que están fuera de la ley con base en el reglamento y las normas correspondientes. Un ejemplo son las gaseras que están en riesgo porque cuentan con mayor capacidad de almacenamiento que las demás, lo que implica un grado más alto de exposición. Para cada una de las gaseras se establecen las mismas reglas sobre las distancias que deben guardarse con instalaciones, cuando deberían tomarse medidas y precauciones adaptadas a cada uno de los establecimientos con base en las características como las construcciones, tipo y capacidad de almacenamiento; esto es de suma importancia debido a que el entorno está en constante riesgo, donde se afec-taría a la población y a la infraestructura, ya sean escuelas o centros sociales.

Aunque en los resultados existen muy pocos puntos que representen un riesgo para la población en toda la ciudad, y la mayoría de las estaciones de gas y gasolina están en condiciones estables, existe un peligro mínimo que podría afectar a algunas personas. El peligro que representan es intermitente, debido a que están ubicadas en vialidades o lugares con un alto flujo de personas. Un ejemplo sería al momento de hacer alto en algún semáforo y al encontrarse


cerca de una gasera, y pueda existir un accidente que provoque la explosión de un tanque.

Otro ejemplo de una zona en riesgo es la distribuidora de combustibles Derivados de Petróleo Cuauhtémoc. Esta empresa almacena grandes volúme-nes de combustible sin contar con medidas de seguridad adecuadas, no existe alguna protección para cada tanque, como una pared de amortiguamiento y dos de sus instalaciones colindan con zonas residenciales.

Un punto más que se observó es la importancia tan limitada que se da al cumplimiento de las leyes y normas que deben llevar a cabo en las insta-laciones de gas. Los diferentes departamentos encargados de la protección a la población, y el establecimiento de estas despachadoras de combustible, de-berían dar un seguimiento constante y estricto para su establecimiento, y que cumplan con todas las reglas de emergencia en caso de incendio o derrame. Al igual que los departamentos de protección civil, otras instancias públicas de-berían considerar con mayor seriedad la respuesta de las emergencias, no solo a las contingencias como una explosión o derrame de gaseras o gasolineras, sino a todo tipo de emergencia. Se hace hincapié en este punto, debido a que en los resultados de las rutas de auxilio se puede observar las largas distancias que tienen que recorrer para llegar a una emergencia, ocasionando que el au-xilio no sea eficiente y con la rapidez que se requiere.

Como último punto, cabe mencionar que con respecto a la elaboración de este estudio, no se cuenta con amplias referencias similares, por lo que es recomendable para las organizaciones gubernamentales hacer hincapié en es-tos temas para evitar desastres y pérdidas humanas y económicas.

Referencias

Alberto Susini, Norbert Knechtle, Marcia Perrin, Christian Hurzeler, Felix Gmunder, Renaud Labarthe, Philippe Minier (2004), Sharing Eviron-mental, Spatial and Technical Data for Risk Assessment within the Geneva Region, Geneva, Suiza.

Área medioambiente, unidad de desarrollo tecnológico (2003), Mapa de Ries-gos como Herramienta de Gestión para Emergencias Tecnológicas, Universi-dad de Concepción, Biobío, Chile.

Atlas Nacional de Riesgos, [http://www.atlasnacionalderiesgos.gob.mx/: 25 de septiembre de 2012].


Centro Nacional de Prevención de Desastres (2001), Modelación de Radio de Afectación por Explosiones en Instalaciones de Gas, Coordinación de Inves-tigación, México, D.F.

Centro Nacional de Prevención de Desastres (Cenapred), [http://www.cen-apred.unam.mx/es/: 25 de septiembre de 2012].

Centro Nacional de Prevención de Desastres (coord.; 2001), Diagnóstico de Peligros e Identificación de Riesgos de Desastres en México, México, D.F.

Centro Nacional de Prevención de Desastres. (2004). Guía Básica para la Ela-boración de Atlas Estatales y Municipales, México, D.F.

Consultas del Catálogo de Normas Oficiales Mexicanas, [http://www.econo-mia-noms.gob.mx/noms/inicio.do: 19 de diciembre de 2012].

Direccíon de Prevencion de Crisis y de Recuperación (coord.; 2004), La re-ducción de riesgos de desastres: Un desafío para el desarrollo, New York, NY.

H. Ayuntamiento de Manzanillo, Col. (2004), Estudio Integral del Atlas de Riesgo para Manzanillo, Coquimatlán, Col.

Instituto Nacional de Seguridad e Higiene en el Trabajo, Notas Técnicas de Prevención, Emiliano Turmo Sierra, Carga de fuego ponderada: pará-metros de cálculo.

J. A. Vilchez y E Blanco (2009), “La Informática Aplicada a la Gestión de Emergencias Químicas”, en Ingeniería Química, Tramites, Informes y Proyectos, S. L., pp. 84-90.

Julio Rodolfo Barreto Caro (2005), Estimación de un Índice Relativo de Riesgo Múltiple, Universidad de Colima, Colima, Colima.

National Fire Protection Association (NFPA), [http://www.nfpa.org/:18 de febrero de 2013].

NOM-001-SEDE-2005 (2005). Instalaciones Eléctricas (Utilización). Diario Oficial de la Federación, 8 de noviembre del 2005, México.

NOM-002-SESH-2009 (2009). Bodegas de distribución de Gas L.P. Diseño, construcción, operación y condiciones de seguridad. Diario Oficial de la Fe-deración, 20 de octubre del 2008, México.

NOM-003-SEDG-2004 (2004). Estaciones de Gas L.P. para carburación. Di-seño y construcción. Diario Oficial de la Federación, 19 de noviembre del 2004, México.

NOM-005-SCFI-2005 (2005). Instrumentos de medición-Sistemas para medición y despacho de gasolina y otros combustibles líquidos-Espe-cificaciones, métodos de prueba y de verificación. Diario Oficial de la Federación, 15 de abril del 2004, México.


NOM-124-ECOL-1999 (1999). Especificaciones de protección ambiental para el diseño, construcción, operación, seguridad y mantenimiento de losdiferentes tipos de servicio. Diario Oficial de la Federación, 28 de agosto del 1997, México.

Pemex, Gas y Petroquímica Básica (2007), Hoja de Datos de Seguridad para Sustancias Químicas, Gas Licuado de Petróleo, México D.F.

Petróleos Mexicanos (Pemex), [http://www.ref.PEMEX.com/index.cfm: 18 de febrero de 2013].

Renjith V. R., G. Madhu (2010), “Individual and societal risk analysis and mapping of human vulnerability to chemical accidents in the vicinity of an industrial area”, International Journal of Applied Engineering Research, Dindigul, Boletín núm. 1, Division of Safety and Fire Engineering, School of Engineering Cochin University of Science and Technology, Kochi, Kerala, India. 135-148.

Ricardo A. Smith, Gustavo Londoño Gaviria, Julieta Cecilia Gómez Gómez, Hernán Elejalde López, John R. Ballesteros, Aplicación Basada en SIG para la Obtención del Riesgo Químico y las Rutas de Transporte de Sustancias Peligrosas, área metropolitana del valle de aburra, Medellín, Colombia.

Secretaría de Desarrollo Social (2003), Guía Metodológica para la Elaboración de Atlas de Peligros Naturales a Nivel de Cuidad, México, D.F.

57

Descripción y análisis espacial de los accidentes de tránsito con el uso de SIG

en la ciudad de Cuauhtémoc, Chihuahua

Jaime Iván Rojo Venzor, Hugo Luis Rojas Villalobos, Elifalet López González y María Elena Torres Olave.

Introducción

La circulación vehicular es una actividad que puede, frecuente-mente, producir accidentes cuyos resultados se traducen en da-ños a personas o bienes materiales. Un accidente de tránsito, o automovilístico, es un hecho en el cual se involucra al menos un automóvil u otro tipo de vehículo de transporte. Dichos acci-dentes tienen diferentes escalas de gravedad, destacan aquellos que presentan como resultado víctimas mortales; más abajo en

dicha escala se hayan los heridos graves, los heridos leves y los daños materia-les a los vehículos implicados.

Los accidentes constituyen un importante problema de salud pública debido a las consecuencias del costo social ocasionado por lesiones y mor-talidad. Siempre hay una causa desencadenante que produce un accidente, que se puede agravar de forma considerable si por él resultan afectadas otras personas, además de la persona que lo provoca.

La Organización Mundial de la Salud (OMS) calculó que en el 2000 más de 2.2% de la mortalidad mundial se relacionó con los accidentes de


tránsito (AT). Esto equivale a 1.2 millones de personas y se prevé que cada año alrededor de 50 millones de individuos resultarán lesionados por este tipo de sucesos. Se estima que en el mundo el promedio diario de defunciones por esta causa es de 3000, (Ávila, 2008).

Objetivos

1. Comprender la distribución espacial que se ha presentado en los acciden-tes de tránsito en la ciudad de Cuauhtémoc, Chihuahua, durante los me-ses de agosto, septiembre y octubre del año 2011, ya que en todo este año fueron los meses con mayor número de incidentes. Esto mediante el uso de Sistemas de Información Geográfica (SIG).

2. Demostrar la utilidad de los Sistemas de Información Geográfica (SIG) en este tipo de eventos, para tener un mejor entendimiento de los acci-dentes de tránsito en la ciudad de Cuauhtémoc.

3. Elaborar un mapa único de la ciudad de Cuauhtémoc en el cual se identi-fiquen los puntos o las zonas donde más accidentes se presentan.

Planteamiento del problema

Esta investigación surge al observar el alto índice de accidentes automovi-lísticos que se registran en la ciudad de Cuauhtémoc, Chih., y que día a día va en aumento (Flores, 2010). Los denominados accidentes de tránsito forman parte de las pandemias del presente y es una de las causas de muertes evitables más significativas (Spencer H., 2006).

Los accidentes de tránsito encabezan hoy en día la lista de principales muertes en el mundo, y la ciudad de Cuauhtémoc no es la excepción. Para el año 2008 en el municipio de Cuauhtémoc se registraron 70 defunciones por AT con una tasa de 50.99 por 100,000 habitantes en la población general, representando el 9.15% del total de defunciones registradas a nivel estatal, (Flores, 2010).

Este aumento se debe a diversas causas: crecimiento del parque vehi-cular por encima de 21%, la razón de vehículos por familia es de 2:1 (gran número de vehículos extranjeros), el 74% de los vehículos se concentra en tres municipios ( Juárez, Chihuahua y Cuauhtémoc), únicamente por si solo el municipio de Cuauhtémoc representa el 22% y las vías de alto flujo vehicular y baja velocidad. (Flores, 2010).


Por lo tanto, la realización de este estudio ayudará a entender la dimen-sión de la problemática que se presenta, y de esta manera hacer mayor énfasis en qué lugares se debe de tomar mayor precaución, tanto para los conductores como para los encargados de la infraestructura vial, y de esta manera lograr reducir las muertes y los accidentes en la ciudad.

Justificación

Este proyecto es de suma importancia, ya que el tema que se aborda es un problemática potencial que ocurre de forma fortuita en cualquier momento de la vida de cualquier individuo, (Pérez, 2007). Este tipo de eventos se ve reflejado en los periódicos, noticias y en televisión, pero también y más im-portante aún, se observa en la circulación cotidiana, poniendo en riesgo la vida tanto de los conductores como de sus acompañantes. Prácticamente todos los días la gente vive con la espera de recibir alguna noticia referida a este tipo de sucesos.

En los últimos años, los incidentes ocasionados por AT se han incre-mentado significativamente en el mundo y en México. En la ciudad de Cuau-htémoc, se tiene un acelerado crecimiento poblacional, por lo que esto impli-ca mayor número de vehículos transitando por la calles de la ciudad, lo cual provoca repercusiones directas a la salud. Además del impacto de los AT que representan altos costos económicos y emocionales para los involucrados y sus familias, así como una pesada carga para los sistemas de salud y las econo-mías, sobre todo de los países en desarrollo (Híjar et al., 2004).

Por esta razón, el propósito de este estudio es velar por la seguridad y el bienestar de la población de ciudad Cuauhtémoc, proponiendo el uso de tecnologías, como lo son los (SIG), aquellos paquetes de software útiles para el manejo de mapas y datos geográficos. Si bien estos paquetes computacionales forman parte de los SIG, en términos estrictos éstos últimos comprenden un concepto mucho más amplio. Un SIG es el “conjunto organizado de tecnología informática (equipo computacional, paquetes de programas, datos geográficos y no geográficos en formato digital), métodos, procedimientos y personal, di-señados para la captura, almacenamiento, recuperación, manejo, despliegue y análisis de datos geográficamente referenciados, con el propósito de apoyar la toma de decisión en la solución de problemas que ocurren en un espacio geográfico dado”. Esto permite identificar las zonas vulnerables a los AT, y con estudios de esta magnitud se podrá mostrar a los distintos departamentos


gubernamentales a tener mayor interés en los principales problemas de salud pública de la actualidad como los son los traumatismos ocasionados por AT.

Sin embargo, y a pesar de su importancia para la elaboración de estra-tegias eficaces de intervención, el estudio científico de los AT no ha sido empleado como estrategia para conocer el fenómeno, debido en parte, a las deficiencias en la calidad de la información con la que se cuenta en las distin-tas dependencias relacionadas con estos tipos de eventos.

Antecedentes

El transporte por carretera beneficia tanto a las naciones como a los indivi-duos, porque facilita el movimiento de bienes y personas, permite un mayor acceso a los empleos, los mercados económicos, la educación, la recreación, la atención sanitaria, entre otros. Sin embargo, el incremento del transporte vial también ha supuesto una carga importante para la salud de las personas, que se manifiesta en forma de AT.

Según el proyecto de la OMS, Carga Mundial de Morbilidad, de 2004, los accidentes de tránsito causaron aquel año más de 1.27 millones de víctimas mortales, número similar a las provocadas por muchas enfermedades transmi-sibles.

Se sabe ahora en la actualidad que los AT constituyen una parte de la vida cotidiana y, a la vez, un problema global que destruye vidas y medios de sustento, obstaculizan el desarrollo y puede convertir a millones de habitantes en población vulnerable. En general, existen muy pocos estudios y artículos enfocados al problema de la mortalidad en accidentes automovilísticos, con o sin sus causas y efectos. Adicionalmente, la problemática envolvente de la mortalidad en accidentes de tráfico no tan sólo persiste, sino que en muchas partes del mundo se vuelve crítica (Silva, 2009).

Desarrollo

El impacto actual que tienen los AT en la mortalidad y morbilidad de la población es de gran magnitud. Cada año se producen en el mundo miles de choques, atropellos, volcaduras, despistes o caídas desde vehículos, que conlle-van a muertes prematuras, lesiones permanentes y desórdenes psicológicos o emocionales que tienen serias implicaciones sanitarias, sociales y económicas (Wong, 2010).


En México, así como en otras partes del mundo, la inseguridad vial, expresada a través de los AT, constituye un grave problema que afecta signi-ficativamente a toda la sociedad (González, 1999). En la actualidad, más del 90% de los accidentes ocasionados por todos los modos de transporte moto-rizados (aviones, barcos, ferrocarriles, vehículos automotores, etc.) se deben a los vehículos automotores terrestres, de tal manera que este tipo de transporte está considerado como el más peligroso de todos en el mundo.

Los AT ocurren principalmente por los siguientes factores: humanos (conducir bajo los efectos del alcohol, medicinas y estupefacientes; realizar ma-niobras imprudentes y de omisión por parte del conductor; rebasar en lugares prohibidos; pasar la señal de alto desobedeciendo las señales de tránsito; circu-lar por el carril contrario; conducir a exceso de velocidad; usar inadecuadamen-te las luces del vehículo en la noche; carecer, ya sea el conductor o el peatón, de una adecuada salud física y mental; cruzar los peatones por lugares inadecua-dos), mecánicos y climatológicos (niebla, humedad, derrumbes, hundimientos).

En cifras absolutas, cada año 1.2 millones de personas mueren vícti-mas del tráfico. Si se acomoda esta cifra a la realidad cotidiana, el resultado del tránsito diario alrededor del mundo deja aproximadamente 3000 muertes, (World Health Organization, 2005).

Al ubicar los traumatismos ocasionados por el tráfico, en el contexto que plantean el resto de las enfermedades, las estimaciones mundiales ubican a los AT como los causantes del 2.1% de todas las defunciones, colocándose así como la undécima causa de muerte a nivel mundial, (Ameratunga, 2006). Si se mantienen las tendencias de estas cifras el panorama no luce muy alen-tador. Como visión futura, se prevé que entre el 2000 y el 2020 el número total de muertes aumentará un 65% a nivel mundial, incluso alcanzando un incremento del 80% en los países de ingresos medios y bajos, (Peden M., et al, 2004).

Los altos índices de morbilidad, mortalidad y discapacidad que los AT provocan en la población, y la profunda repercusión social que esto conlleva, representan un gran impacto para la sociedad, como la pérdida de vidas, le-siones invalidantes que la interrumpen y otras enfermedades: lesiones leves y estrés, (Foschiatti y Rey, 2008).

México ocupa el séptimo lugar mundial y tercero en la región en canti-dades de muertes ocasionadas por accidentes viales, por lo que los AT cons-tituyen un grave problema de salud pública. En 2007, el número de personas fallecidas ascendió a 142 252, de los cuales el 39% fueron usuarios vulnerables (motociclistas, ciclistas y peatones) y tres cuartas partes fueron hombres. Del


total de países de la región, durante ese año 11 se ubicaron por arriba de la tasa media regional de mortalidad (15,8%) y, de estos, México registró unas de las tasas más altas según informó el titular de la Secretaría de Salud (SSA), José Ángel Córdova Villalobos, quien precisó que por esta causa fallecen al año 24 mil personas, de las cuales 1400 son niños de menos de 14 años de edad (Salud, 2007-2012).

En el 2012 México ocupó el séptimo lugar entre los países con mayor mortalidad por accidentes de tránsito en el mundo, al registrar una tasa media de 22.5 muertes por 100 000 habitantes. En el estado de Chihuahua se presentaron 33.7 muertes por 100 000 habitantes, tasa que supera a la nacio-nal (Hernández V., 2012).

A pesar del impresionante número de víctimas y daños materiales, estas cifras subestiman el problema, ya que en promedio sólo se registra uno de cada tres AT. Respecto a los decesos, únicamente se consideran aquéllos que ocurren en el sitio del accidente. Ya que las defunciones ocurridas durante el trayecto al hospital o durante la intervención médica, no se registran como causadas por el accidente. Por lo tanto, puede afirmarse que los AT en México constituyen un problema nacional con repercusiones tanto sociales (destruc-ción de la unidad familiar, disminución de ingresos, problemas de salud, lesio-nes permanentes, entre otros) como económicas (daños materiales, pérdidas en mercancías, costos de rescate, servicios jurídicos, entre otras).

Actualmente la ciudad de Cuauhtémoc es amenazada por la constante ocurrencia de AT, debido a su acelerado crecimiento, que presenta la mayor tasa de crecimiento en el estado. La problemática se está presentando en los principales municipios en crecimiento que cuentan con muy pocos planes de acción para poder manejar de manera adecuada la situación y llevar un con-trol de esta situación.

El municipio de estudio ha llegado a ser el primero en crecimiento en el estado, por encima de Ciudad Juárez que tiene el primer lugar y Chihuahua el segundo, y es la tercera ciudad en el estado con mayor población (INEGI, 2005).

Al haber mayor número de personas, esto ocasiona más problemas en las calles, debido al creciente flujo de transportes generando una constante concentración de vehículos en horas pico, lo que provoca congestionamiento en las principales calles de la ciudad y un importante grado de incomodidad, inseguridad y desorden vial. Lo que afecta el desplazamiento habitual de ve-hículos ya sean públicos, particulares y a peatones, trayendo con ello riesgos como lo son los AT (Andrade y Sánchez, 2011).


Este hecho, que se manifiesta en un determinado ambiente antrópico, se genera cuando el crecimiento de población y vehículos, no es acompañado por un equipamiento vial adecuado, a esto se le suma la falta de acciones concretas, por parte de aquellos actores sociales responsables de controlar el modo de desplazamiento y circulación en la vía pública, circunstancias, concomitantes que llevan a involucrarse en situaciones de riesgo, provocando la posibili-dad de sufrir AT con las consecuencias de enfermedad o muerte (Foschiatti y Rey, 2008).

No se puede dejar de reconocer que los accidentes y todo tipo de violencia causan pérdidas (emocionales, materiales, económicas, entre otras.) que desencadenan situaciones que afectan el bienestar de la comunidad. Así, la realidad del tránsito en la ciudad de Cuauhtémoc, Chihuahua, conduce a reflexionar sobre las conductas de riesgo que protagonizan sus habitantes (Foschiatti y Rey, 2008).

Si se parte del supuesto de que los AT no son eventos totalmente alea-torios e inevitables, una gran cantidad de ellos podría evitarse, al considerar los siguientes aspectos:

a) Que el accidente se comporta como un fenómeno recurrente en tiempo y espacio.

b) Que el accidente comúnmente tiene múltiples causas.c) Que su prevención requiere de conocer, no sólo la situación referente al

vehículo, al conductor y a la vialidad, sino también las características y particularidades del entorno físico y socio-económico donde ocurren los accidentes.

Los datos estadísticos que se obtuvieron describen la manera en que se han presentado los AT en la ciudad, además de impulsar la búsqueda de nuevas estrategias para prevenirlos, ya que se torna alarmante el número de casos diarios.

Es necesaria la implementación de planes y programas de seguridad vial, además de utilizar nuevas metodologías de análisis para identificar luga-res donde ocurren estos hechos, pudiendo dar sustento a nuevos proyectos que ayuden a reducir estos niveles tan altos de accidentes.

De hecho, poco se sabe de los sitios más peligrosos para la circulación de vehículos en vialidades urbanas de la ciudad. Esta información, que debería ser de dominio público, le serviría al usuario cotidiano para empezar a conocer el problema que presenta la ciudad donde transita, concientizarse de su gra-


vedad y pasar del conocimiento y de la actitud pasiva a un comportamiento preventivo con el fin de disminuir los accidentes de tránsito en ciudad Cuau-htémoc, (Andrade y Sánchez, 2011).

El desconocimiento de los sitios concretos donde ocurren los accidentes se ha utilizado, incluso, para justificar la falta de acción gubernamental, seña-lando que sería muy costoso implementar programas nacionales que abarca-ran todas las vialidades urbanas. Sin embargo, el estudio de los patrones terri-toriales de los eventos analizados permitiría identificar y caracterizar aquellos sitios donde los accidentes se presentan recurrentemente.

En este tipo de casos los SIG ofrecen alternativas muy interesantes para las entidades que brindan servicios de seguridad y contingencias, ya que pue-den manejar información tabular, gráfica, georreferenciación y además de rea-lizar aplicaciones puntuales según las necesidades, (Andrade y Sánchez, 2011).

Hipótesis

Los accidentes de tránsito en ciudad Cuauhtémoc, Chihuahua, no se pre-sentan de forma aleatoria sino que existen factores específicos que los deter-minan.

Metodología

Se solicitó a la encargada de las oficinas de transito la información nece-saria para la realización de este proyecto. Después de llenar los requisitos necesarios para poder obtener los datos, se proporcionaron doce libros, cada libro contiene el registro de todos los accidentes relacionados de cada mes de todo el año.

Los libros fueron referentes al año 2011 ya que era la información que se pudo proporcionar, al no contar con información más actualizada referente al año 2012, a causa de que no se tenían terminados en su totalidad.

Al tener la información de los libros, se realizó una selección de los me-ses consecutivos más relevantes, debido a que fue el periodo en el cual hubo mayor número de incidentes viales de ese año. En las papeletas se mostraba el evento del accidente y las variables correspondientes a cada caso, permi-tiendo así conocer aspectos relacionados con el tipo de accidente, hora, día y el tipo de vehículo involucrado, así como algunos datos respecto al lugar de ocurrencia del accidente, por lo que fue necesario ingresar cada accidentes de tránsito a una primera base de datos creada en Excel™ llamada Join, donde se


acumularon los accidentes de los meses de agosto, septiembre y o ctubre con una totalidad de 800 accidentes ocurridos, y de esta manera poder incorporar a el software de ArcGis™ 10. Además se identificaron y eliminaron todos aquellos casos ocurridos fuera del área urbana de la ciudad de Cuauhtémoc, ya que el área de estudio solo abarca dicha zona.

Se obtuvo la traza urbana del área de estudio para poder ubicar así cada evento en ella, en formato de AutoCAD™, por lo que se convirtió a shape ya que es la única manera de poder trabajar en él, además de pasar por un pro-ceso de georreferenciación, el cual consistió en dar coordenadas geográficas procedentes de una imagen conocida. Cada serie de pixeles serán fácilmente reconocibles en ambas imágenes y pueden tener un origen antrópico (cru-ces de carreteras, caminos, edificaciones y estructuras, construcciones, vértices geodésicos, etc.) o naturales normalmente de carácter fisiográfico y topográ-fico, y que no sean demasiado dinámicos en el espacio ni en el tiempo (des-embocaduras de ríos, líneas de costas, toponimia, etcétera) para poder trabajar en él (Romero M., 2001).

Al tener la base de datos con la información necesaria y el shape de ciudad Cuauhtémoc corregido, se agregó al ArcGis™ 10 para su manejo espacial, luego se creó un nuevo shape de puntos con las coordenadas de la traza urbana para hacer referente a cada accidente de tránsito ocurrido en la ciudad ubicándolos en sus puntos de ocurrencia, pero para poder generarle atributos referentes a lugar del accidente, día y hora fue necesario realizar una unión, esta funciona agregando los campos de una tabla a los de otra a través de un atributo o campo común a ambas tablas. Por lo que el campo de FID de Excel™ se unió con el campo de FID del shape de puntos.

El proceso generó el primer mapa de la distribución total de los AT con atributos de la ciudad, que no mostraba una relación o un patrón que indicara cuales eran los accidentes más relevantes, por lo que se realizó un análisis es-pacial por el método de Kernel Density, que calcula la magnitud por unidad de área del punto de accidente, ya que al realizar varias pruebas se encontró que entre más bajo fuera el nivel del pixel, la imagen resultante se obtendría más suavizada, es decir, con más nivel de detalle, mostrando así mejores resul-tados. Además, se agregó el parámetro de tamaño de radio, el cual calcula la densidad a partir del punto, por lo que se le dio un valor de cien metros, ya que es el estándar del tamaño de las diferente calles de la ciudad.

Posteriormente, se obtuvo el primer mapa general de todos los AT, con la densidad de Kernel. El mapa no mostraba una clasificación en la que se pudiese observar un patrón de incidencias, por lo que de la misma manera no


se podía apreciar cuales eran las intersecciones más relevantes. Para mostrar las calles con más problemas de accidentes, se realizó una reclasificación, con-tando con cuatro categorías de interés de la siguiente manera:

• Aleatorio• Bajo• Moderado• Alto

La categoría de aleatorio se eligió, ya que al estar agregando los datos al shape de puntos, se observó que los datos se encontraban mayormente agrupa-dos, pero había puntos alojados de manera aleatoria sin seguir un patrón, por lo que se confirmó esta observación al realizar un estudio de Average Nearest Neighbor.

Las categorías de asignación se observan reflejadas en diferentes co-lores: la categoría Aleatoria donde ocurrió un solo accidente no se le asignó ningún color, porque no se consideró relevante. La categoría Bajo, muestra la presencia de uno a dos accidentes, con un color amarillo representando que en esos lugares ocurren accidentes de tránsito de más proporción. A la categoría Moderado se le asignó el color anaranjado, que indica la presencia de dos a ocho accidentes ocurridos en un mismo lugar. Y a la categoría de Alto se le asignó el color rojo, que muestra la existencia de un número muy elevado de concentraciones de accidentes, que van desde los ocho en adelante.

Se integró al estudio la generación de doce mapas, los cuales se reali-zaron con el mismo procedimiento, solo que ahora utilizando las variables de interés. Se elaboró un mapa para cada día de la semana para poder observar cómo se comportaba la distribución de los accidentes de cada día, saber cuál era el más conflictivo de la semana, así como el más tranquilo. Se integraron cuatro mapas más con la asignación de sábado y domingo para poder deter-minar si existe una relación de accidentes con los fines de semana, para los cuales se hizo un selección de horarios de interés de 12:00 am a 6:00 am, de 6:00 am a 12:00 pm, de 12:00 pm a 6:00 pm y de 6:00 pm a 12:00 am, mos-trando un mapa diferente para cada selección.

La unión se realizó con el mismo shape de puntos para todos los ma-pas, fue posible gracias a que se pueden utilizar varias tablas o capas con un mismo shape.


Con la ayuda de los SIG, se pudo hacer posible la captura, almacena-miento, recuperación, manejo, despliegue y análisis de los datos geográficos en los mapas (León, 1989).

Resultados y discusión

Se realizaron diferentes tipos de mapas que mostraban la cantidad y distri-bución de los AT en la ciudad de Cuauhtémoc, así como también la rea-lización de un estudio de agrupamiento de vecinos, todos estos resultados se describen a continuación.

Average nearest neighbor

Al realizar este estudio se mostró el agrupamiento que tenían los puntos de la ubicación de los AT, ya que esta herramienta calcula el índice del vecino más cercano basado en la distancia media de cada punto a su vecino más cercano, (ArcGIS™, 2013). El cual arrojó que el índice de agrupamiento era de un 99%, por lo que se pudo confirmar la hipótesis de que los accidentes de trán-sito no son aleatorios, Figura 1.


Average Nearest Neighbor Summary

Relación de vecino más cercano: 0.377291z-puntuación: -33.694673

p- valor: 0.000000

Nivel de significancia(p- valor)

0.010.050.10

---0.100.050.0.1

Significativo Significativo

Agrupado Aleatorio Disperso

(Aleatorio)

Valor crítico(z- puntuación)> -2.58-2.58 – -1.96-1.96 – -1.65-1.65 – 1.651.65 – 1.961.96 – 2.58>2.58

Tomando en cuenta el z-puntuación de -33.69, existe una probabilidad menor del 1% de que el agrupamiento se presente por casualidad.

Figura 1. Imagen de agrupamiento de los datos.


Leyenda Mínimo Bajo 1-2 Moderado 2-8 Alto 8-20

– Cuauhtémoc

Figura 2. Distribución total de accidentes.

Distribución total de accidentes

El primer mapa realizado, (Figura 2), muestra el total de accidentes genera-dos en el periodo de agosto, septiembre y octubre del año 2011. Se mostró que el 99% de los AT en la ciudad de Cuauhtémoc se encuentran agrupados en los mismos lugares. Reyes, en el 2005, menciona que la distribución ge-neral de los accidentes de tráfico en la ciudad de Hermosillo no es resultado del azar. Por el contrario, detrás de ella parecen existir factores que no solo se relacionan con el error humano. El hecho de que los AT se agrupen en determinados espacios lleva a suponer que la interacción de diversos factores contextuales e individuales.

La categoría de Bajo, se presenta en las principales calles de la ciudad, esto debido a que la mayoría de los conductores transitan por ellas, ya que estas calles cuentan con un menor número de altos, topes, semáforos, etcétera, reduciendo así el tiempo de llegada a sus destinos.


La categoría de Moderado se presentó en el centro de la ciudad, esto puede deberse a que las principales calles pasan por él, por lo cual los conduc-tores se ven obligados por diversas causas a circular por esta zona, provocando una mayor circulación vehicular y congestionamiento vial trayendo como re-sultado los AT.

En un punto específico del centro de la ciudad se registró con la catego-ría de Alto debido a que la densidad de Kernel encontró un punto intermedio entre dos calles que contaban con la categoría de Moderado y ponderó esta agrupación.

Los accidentes que se presentaron en la categoría de Alto fueron: doce puntos o intersecciones de calles y avenidas, contabilizando en la intersección más conflictiva un total de 18 AT en este periodo.

En la calle 16 de Septiembre con intersección con la calle Tlaxcala o Boulevard Jorge Castillo Cabrera, se presentaron un total de 18 AT, se consi-dera que algunas de las causas más importantes de estos accidentes son:

a) Los conductores que transitan por dichas calles no miden el tiempo del semáforo al ser la entrada a la ciudad.

b) En esta zona se encuentra un centro comercial, lo cual genera mayor con-centración de parque vehicular.

c) Esta intersección se considera una de las dos formas más rápidas de llegar a los diferentes centros de educación de esta ciudad.

En el cruce de la calle 94 con la carretera federal Cuauhtémoc-Yécora (entrada y salida principal a la ciudad de las personas provenientes de la Sie-rra Tarahumara), presentó una concentración de 13 AT. Se atribuye a que la modernización de la carretera dejó un déficit de acceso a la entrada, así como salida a los ciudadanos que viven en las colonias de Tierra Nueva, Los Alcal-des, Los Olivos, entre otras.

La avenida Venezuela con intersección a la carretera que se dirige al seccional de Álvaro Obregón Rubio, generó un total de 13 AT, a causa de:

a) Esta carretera contiene uno de los corredores comerciales más grandes de Latinoamérica (Rodríguez, 2012), y es el principal acceso a las comuni-dades menonita, lo que provoca mayor congestionamiento de vehículos.

b) El semáforo ubicado en esa intersección no contribuye a una mejor y mayor fluidez necesaria, ya que es una carretera que se transita a alta velocidad.


Por tanto, en estas intersecciones es necesario contar con una infraes-tructura vial adecuada, contar con señalamientos necesarios de acuerdo con las necesidades de cada intersección, como lo indica Hijar. Para que de esta manera se puedan evitar el gran número de accidentes.

Construir un paso a desnivel en cada una de estas zonas reduciría el número de AT, así como también disminuiría el congestionamiento vehicular y se presentaría mayor fluidez a las entradas y salidas de la ciudad, como men-cionó Hermosillo (2006), que los puentes e infraestructura vial ayudan a re-ducir accidentes mejorando la fluidez vial en el interior de la mancha urbana.

La salida y entrada de la colonia Mirador presenta un alto número de incidentes, contabilizando un total de 13 AT, algunas de las principales causas de estos hechos pudieran ser:

a) Los ciudadanos de dicha colonia que desean salir tienen que atravesar la vialidad Gómez Morín, sin tener las precauciones adecuadas para incor-porarse a ella.

b) Esta vialidad es frecuentemente transitada por transportistas de materia-les pesados que circulan a altas velocidades.

En la calle Belisario Chávez y vialidad Venezuela, fue incluida en la ca-tegoría de nivel alto, debido a los 10 AT presentados en esta zona, la principal causa de esto es que en esta área existen diferentes instituciones de educación, lo cual provoca congestionamiento de vehículos en horas específicas. En la intersección de la calzada Morelos con la calle Periférico, ocurrieron en este periodo un total de 11 AT, a causa de:

a) En esta zona se ubica el complejo industrial de maquiladoras de la ciudad.b) No se respeta el semáforo a la entrada y salida de la maquiladora.c) La infraestructura de las calles en este lugar no es de buena calidad ni

de fluidez apropiada.

La calle 18 que atraviesa el boulevard Fernando Baeza, es un punto con-flictivo, presentando un total de 8 AT, generados por:

a) Se presenta un fluido alto de automóviles.b) No se cuenta con infraestructura vial adecuada (semáforo).c) Falta de pericia a causa de las altas velocidades.


La intersección del boulevard Fernando Baeza con la calle Mangos es considerada también como un cruce peligroso, ya que se presentaron un total de 8 AT. De acuerdo con Reyes (2005), algunos de los aspectos son:

d) Se encuentra un centro comercial, lo cual ha generado un aumento de tráfico considerable en esta área.

e) Una infraestructura vial inadecuada, ya que se tienen alrededor de seis semáforos en menos de cien metros a la redonda.

f) Existen caminos que son de uso exclusivo para camiones de trasporte urbano así como de taxis, lo cual suele utilizarse frecuentemente por con-ductores para evitar la espera de un semáforo.

La calle 40 que termina con la intersección del boulevard Fernando Baeza y una lateral, se ubicó en la categoría de alto por su elevado número de accidentes, contabilizando un total de 12 AT. La causa principal es que en esta zona se ubica un semáforo que cuenta con muy pocos segundos de cruce, lo cual genera que la mayoría de los conductores pase en luz roja. La calle Coahuila, que se convierte en Nicolás Bravo, y al llegar a la calle 16 de Septiembre, es donde se presentan mayor número de accidentes, con un total de 8 AT generados principalmente por:

a) El no respetar los semáforos ni los límites de velocidad asignados para la calle Nicolás Bravo.

b) Este lugar cuenta con una pendiente muy pronunciada, lo cual genera altas velocidades.

c) La calle Nicolás Bravo cuenta con cuatro carriles, pero solo tres (con-tando de derecha a izquierda) son para cruzar o pasar por la calle 16 de Septiembre de Sur a Norte. Por lo que el cuarto carril es utilizado por las personas que se dirigen a la calle Nicolás Bravo provenientes de la calle 16 de Septiembre o de la Mariano Jiménez, esto genera que las persona provenientes de la calle Coahuila, al no tener señalamientos ni líneas di-visorias que indiquen el uso de cada carril, tienden a utilizar el cuarto carril, el cual lo invaden en sentido contrario.

En el punto de intersección de la calle Roma con la avenida 16 de Septiembre, ubicado en la categoría de Alto, debido a sus ocho AT. Las causas principales son:


a) En este punto se encuentran las instalaciones del Instituto Mexicano del Seguro Social, por lo cual se genera una alta concentración de personas circulando.

b) No se respeta el semáforo.

Distribución de accidentes de todos los días de la semana

Se incorporaron los mapas de todos los días de la semana (de la Figura 4 a la 14), para poder identificar qué día de la semana presenta más problemas de AT y sus posibles causas, además de realizar la sección que contiene la esta-dística de la distribución de accidentes de todos los días de la semana. Como se muestra en la Figura 3, los días que presentaron mayor índice de AT en la ciudad fueron sábado y domingo, con un total de 36.25%, Reyes, en el 2005 menciona que la distribución por día de la semana en la ciudad de Hermosillo cuenta con un 51% de los accidentes totales, y que estos ocurren en fin de semana, observándose mayores frecuencias los días sábado y domingo, princi-palmente a causa del alcoholismo.

133

90 89 91106

138154

Lunes Martes Miércoles Jueves Viernes Sábado Domingo

Figura 3. Distribución de accidentes en todos los días de la semana. Sección estadística. Meses de agosto, septiembre y octubre del 2011.

Distribución de accidentes del lunes

Como se muestra en la Figura 4, el lunes cuenta con la mayor parte de acci-dentes registrados dentro de la categoría de mínimo, pero muestra un punto con categoría moderada, siendo este el punto de la intersección de la calle 94


entroncando con carretera Cuauhtémoc-Yécora. En este día se contabilizó un total de 133 accidentes, debido a que es el inicio de semana laboral y escolar, lo que provoca congestionamiento vial en horas específicas.

Distribución de accidentes del martes

Como se muestra en la Figura 5, durante los martes disminuyen los acci-dentes en comparación con el lunes, en este día se presentaron los incidentes dentro de la categoría de mínimo, ya que se contabilizan un total de 90, por lo que los accidentes de los martes pueden deberse a falta de pericia de los conductores principalmente en el centro de la ciudad.


– Cuauhtémoc

Figura 4. Distribución de accidentes del lunes.



– Cuauhtémoc

Figura 5. Distribución de accidentes del martes.


– Cuauhtémoc

Figura 6. Distribución de accidentes del miércoles.


Distribución de accidentes del miércoles

La Figura 6, muestra que los miércoles presentaron menos incidentes res-pecto a los demás días de la semana, con un total de 89 AT, aunque fue el día con menos accidentes de la semana los incidentes se mantuvieron dispersos en la ciudad. En el punto de la calle Tlaxcala o bulevar Jorge Castillo Cabrera entroncando con la calle 16 de Septiembre se presentó una categoría de mo-derado, debido a la presencia de 89 AT.

Distribución de accidentes del jueves

La Figura 7 muestra que durante el día jueves se vuelve a incrementar el número de AT en la ciudad, contabilizando un total de 91 accidentes. El jue-ves se incluye dentro de la categoría de mínimo, mostrando que su mayor concentración se presenta en el centro de la ciudad.


– Cuauhtémoc


– Cuauhtémoc

Figura 7. Distribución de accidentes del jueves.



– Cuauhtémoc

Figura 8. Distribución de accidentes del viernes.

Distribución de accidentes del viernes

Como se muestra en la Figura 8, el viernes presenta un ascenso de los AT importante, con un total de 106 accidentes registrados en la ciudad, todos en la categoría de Mínimo, esto es porque se encontraban de manera más aleatoria en la ciudad. La causa principal es que se inicia el fin de semana y principal-mente los jóvenes tienden a salir a pasear terminando sus labores escolares o de trabajo, con un elevado consumo de bebidas embriagantes.



– Cuauhtémoc


– Cuauhtémoc

Figura 9. Distribución de accidentes del sábado.

Distribución de accidentes del sábado

Como se muestra en la Figura 9, el día sábado la frecuencia de AT siguió en aumento, contabilizando un total de 137 AT, esto pude ser a causa de:

a) Comienza el inicio de fin de semana, lo cual la gente procura salir a pasear en las calles de la ciudad.

b) La combinación de alcohol y volante.c) El mal uso de señalamientos viales a causa del alcohol.

Aunque los AT se presentan en su mayoría aleatoriamente con categoría de mínimo, y con una concentración en el centro de la ciudad, se presenta un punto en particular que es la calle 40 con intersección con el boulevard Fernando Baeza. Ya se había mencionado anteriormente de la mala infraes-tructura vial que se presenta en este lugar y de los periodos cortos de semáforo presentados ahí, pudiendo ser este el factor principal.



– Cuauhtémoc

Figura 10. Distribución de accidentes del domingo.

Distribución de accidentes del domingo

En la Figura 10, se muestra que el día domingo registra 153 AT, siendo este el número más alto registrado en toda la semana. El aumento generado du-rante el fin de semana se presentó en ciertos puntos muy cercanos a centros nocturnos, por lo que:

a) La mayoría de estos centros nocturnos se ubican en el centro de la ciudad.

b) Las personas que salen de dichos centros se encuentran bajo los influjos del alcohol, lo que propicia los AT.

Distribución de accidentes de los fines de semana

Como se mencionó anteriormente los fines de semana (sábado y domingo), fueron los periodos que presentaron mayor índice de AT en la ciudad, Rosas R. en el 2011, menciona que el aumento gradual de los AT inicia el sábado y termi-na el domingo, por lo que existe un factor de riesgo entendido como los usuarios


de fin de semana que probablemente sufran más accidentes por falta de pericia, consumo de alcohol o por realizar conductas de alto riesgo como conducir a exceso de velocidad o realizar maniobras peligrosas.

Al observar que el sábado y el domingo fueron los días de la semana que presentaron más incidentes de tránsito, y en particular una intersección, se pretendió determinar en qué horarios se presentaban principalmente estos AT, y si estaban concentrados en un horario en común, por lo que se genera-ron cuatro mapas más determinando horarios específicos según la problemá-tica observada.


– Cuauhtémoc

Figura 11. Distribución de accidentes entre sábados y domingos de 12:00 a.m. a 6:00 a.m.

Distribución de accidentes entre sábados y domingos de 12:00am a 6:00am

Como se muestra en la Figura 11, en este rango de horarios, se registraron un total de 61 AT. Esta distribución quedó incluida dentro de la categoría de mínimo, presentándose la mayor parte de los AT en el centro de la ciudad, po-siblemente la causa principal sea que buena parte de la población acostumbra pasear por el centro de la ciudad ingiriendo bebidas embriagantes.



– Cuauhtémoc

Figura 12. Distribución de accidentes entre sábados y domingos de 6:00 a.m. a 12:00 p.m.

Distribución de accidentes entre sábados y domingos de 6:00am a 12:00pm

La Figura 12, nos muestra que los AT presentados en este rango de horas contabilizan un total de 75, colocándose en la categoría de Mínimo, mani-festándose en el centro de la ciudad, pero con un punto en particular de ca-tegoría Moderada, en la calle 40 y boulevard Fernando Baeza y esto se puede deber a que a esta hora se presenta mayor congestionamiento vial, ya que los principales negocios de la ciudad cierran al medio día.



– Cuauhtémoc

Figura 13. Distribución de accidentes entre sábados y domingos de 12:00 p.m a 6:00 p.m.

Distribución de accidentes entre sábados y domingos de 12:00pm a 6:00pm

Como se muestra en la Figura 13, los accidentes registrados en este horario, tienden a descender, contabilizando un total de 68 AT, presentándose de una manera aleatoria o dispersa, sin presentarse algún conflicto mayor, en algún lugar en particular.



– Cuauhtémoc

Figura 14. Distribución de accidentes entre sábados y domingos de 6:00 p.m a 12:00 a.m.

Distribución de accidentes entre sábados y domingos de 6:00pm a 12:00am

Como se muestra en la Figura 14, en este mapa se registró un incremento considerable de AT, ya que se presentaron al margen de este horario un total de 86 accidentes, incluyéndose dentro de la categoría de Mínimo. Estos AT se ubican en las principales calles de la ciudad, pero sin concentración sig-nificativa.

Conclusiones

Los AT en la ciudad de Cuauhtémoc Chihuahua, presentan en su mayoría altas concentraciones en puntos específicos de la ciudad, y son mostrados en los diferentes mapas como áreas conflictivas.

Los AT en la ciudad, no se presentan de forma aleatoria como se com-probó estadísticamente por la herramienta Average Nearest Neighbor del software de ArcGis™, sino al contrario, se que se presentan de una manera agrupada, como se observa en la Figura 1.


Esto se debe a diferentes factores como se pudo observar en los mapas de resultados. Presentándose en su mayoría altas concentraciones de acciden-tes los fines de semana, debido al consumo del alcohol, la infraestructura vial inadecuada que está presente en algunos puntos en particular, falta de seña-lamientos correspondientes a cada calle, como: los límites de velocidad, altos, topes, semáforos etc., y además sumándole la falta de pericia y responsabilidad por parte del conductor.

Por tanto, es necesario dar prioridad a estos puntos específicos, ya que así se reduciría en un máximo el número de incidentes que se presentan en esta ciudad, realizar nuevas infraestructuras viales que permitan mayor flujo de automóviles que circulan por estas zonas. Además de ser esencial el apoyo por parte de los oficiales de tránsito en ciertos días de la semana y en diferentes puntos de la ciudad.

Los AT en el siglo XXI están considerados dentro de las principales causas de muerte en el mundo, la solución a este desafío no solo es mejorar la infraestructura de la ciudad, poner más altos, topes y semáforos, etcétera, sino que es fundamental promover la generación de conciencia social con respecto a la magnitud del problema: que un accidente no significa solo una pérdida material, sino conlleva muerte, enfermedades, incapacidad y daño emocional.

Referencias

Ameratunga, S. M. (2006). Road- traffic injuries: confronting disparities to address a global- health problem. The Lancet, 365, 1533-1540.

Andrade, M. G., y Sánchez, C. G. (2011). “Determinación de zonas suscepti-bles a accidentes de tránsito en el cantón ruminahui, mediante el desa-rrollo e implementación de un sistema de información geográfica para la policía nacional”. Tesis de ingeniería no publicada, ESPE, Sangolqui- Ecuador.

ArcGIS. (2013). Resources ArcGIS. Recuperado de: [http://resources.arcgis.com/es/hel p/main/10.1/index.html#//005p0000000p000000 11 de no-viembre 2012].

Foschiatti, A. M., Lucca, A., y Rey, L. R. (2008). “Contribución de los SIG para la determinación de áreas vulnerables a sufrir accidentes de tránsito en la ciudad de resistencia (Chaco-Argentina)”. Investigaciones Geográ-ficas, Boletín, num. 10 UNNA, Argentina, pp 131 - 142.

Harvey Spencer Sánchez Restrepo, D. L. (2006). Dinámica de los accidentes de tránsito en la Ciudad de México: un enfoque desde los Sistemas


Complejos. Num. 21, Facultad de Estudios Superiores Acatlán, Univer-sidad Nacional Autónoma de México, México, pp. 1-21.

Hernández Hernández V. (2012), Análisis exploratorio espacial de los acci-dentes de tránsito en Ciudad Juárez, México. Rev Panam Salud Pública, Núm. 31, pp.396–402.

Hijar, M., Arredondo, A., Carrillo, C., Solorzano, L. (2004). Road traffic in-juries in an urban area in Mexico. An epidemiological and cost analysis. Accident Analysis and Prevention, 36(1):37-42.

Híjar-Medina, Martha. (2000), Utilidad del análisis geográfico en el estudio de las muertes por atropellamiento. Salud Pública de México, Núm. 42. pp. 188-93.

INEGI (1997). División territorial del estado de Chihuahua de 1810 a 1995. Instituto Nacional de Estadística y Geografía, Publicación única. Pri-mera edición, Aguascalientes, Ags. México.

INEGI. (2005). Perfil sociodemografico en Chihuahua. Aguascalientes, Ags., Instituto Nacional de Estadística, Geografía e Informática, Publicación única, Primera edición, Aguascalientes, Ags.

La situación mundial de la seguridad vial. (2004). Informe de anteceden-tes. Recuperado de [http://www.who.int/violence_injur y_prevention/road_safety_status/re port/background_es.pdf: 15 de octubre 2012].

Lawrence, Roderick J. (2005). Building healthy cities. The World Health Or-ganization perspective. En Handbook of urban health: populations, Me-thods and practice, EUA: Springer, pp. 479-501.

Leon, G. C. (1989). El uso de Sistemas de Información Geográfica (GIS) en el manejo de la fauna silvestre. Ciencia Forestal, Núm. 65, CIFAP- Mi-choacán, INIFAP, Michoacán, pp. 90-98.

López, H. D. (2005). Georeferenciación de puentes peatonales en ciudad de México y su relación con peatones atropellados. Universidad Nacional Autónoma de México, México, Distrito Federal, pp. 1-17.

Luna, González, Laura; Chias, Becerril, Luis. (1999). “El uso de SIG en el análisis de la distribución de accidentes en carreteras: el caso de Tamau-lipas, México”. Investigaciones Geográficas (Mx), diciembre, 148-162.

Maldonado, G., et al, (2010), Accidentes de tránsito ocurridos entre el kiló-metro 8 y 50 de la autopista. Academia Nacional de Medicina, Caracas, Venezuela. Boletín ANM, Núm. 18, Venezuela, pp. 1-12.

Mena, C. G., (2011). México, séptimo lugar mundial en muertes por acciden-tes de tránsito, informa la SSA. La Jornada, Núm. 42, 12 de mayo del


2011, http://www.jornada.unam.mx/2011/05/12/sociedad/042n1soc: 20 de Diciembre del 2012].

Mosqueda, G. (2010) “Manual de manejo defensivo”, Dirección General de Tránsito y Transporte, Gobierno de Guanajuato, pp. 1-46 Recuperado de:[http://transito.guanajuato.gob De Septiembre De 2012].

Paredes A., et al. (2008) “Proyecto de Investigación: accidentes de tránsito en Argentina”. Universidad de Buenos Aires. Sede Avellaneda, Recuperado de: [http://ipcgrupo6.blogspot.mx/ en 22 de septiembre 2012].

Peden M., et al. (2004). “Informe mundial sobre la prevención de los trau-matismos causados por el tráfico”. Washington, D.C. : Organización Panamericana de la Salud. Academia Nacional de Medicina, Caracas, Venezuela. Boletín anm. Recuperado de: [http://www.who.int/violen-ce_injur y_prevention/publications/road_traf fic/world_report/sum-mary_es.pdf: 20 de diciembre 2012].

Pérez, E., et al (2007), “Trastorno por estrés postraumático en pacientes con lesiones no intencionales producidas en accidentes de tránsito”. Salud Mental, 30, 43-48.

Programa Alcoholimetría ciudad Cuauhtémoc. (2010, 20 de agosto). Informe de accidentes. Cuauhtémoc, Chihuahua: Flores, M. A.

Salud, (2007-2012). Por un México sano: construyendo alianzas para una mejor salud. México: D.R.© Secretaría de Salud. Recuperado de:[ http://www.geriatria.salud.gob.mx/descargas/programa_nacional_sa-lud.p D.F. : 13 de abril 2013].

Silva, E. (2009). Mortalidad por accidentes automovilísticos en la Zona Me-tropolitana de la Ciudad de México al final del siglo XX. Centro de Investigación y Estudios Avanzados de la Población . Núm. 60, Toluca, pp 150-169.

Wong1 P. et al. (2010), Autorreporte de accidentes de tránsito en una encuesta nacional en la población urbana de Perú. Rev Perú Med Exp Salud Públi-ca Num. 27, Perú, pp. 170-78.

87

C A P Í T U L O I I

Geoinformática aplicada a la Planificación Urbana

Responsables: Lara Cecilia Wiebe Quintana, María Elena Torres Olave y Hugo Luis Rojas Villalobos

Introducción

Los espacios que ocupan los seres humanos y que comparten con otras especies cambian constantemente por causas antrópi-cas o naturales; desde países hasta ciudades, todos se ven afecta-dos por aquellos criterios que se siguen para decidir qué espacio ocupar o cuál debe ser conservado tal cual. Resulta entonces necesario conocer las características del suelo y establecer cuál puede ser el impacto sobre dicho espacio y aquellos que lo ha-

bitan.La planificación urbana está relacionada con el rol del Estado a distintas

escalas para intervenir con el diseño, mantenimiento y administración de las


ciudades. Dicha planificación establece criterios que afectan a un espacio en específico, por lo tanto a los seres que las ocupan; por ende, es un proceso que da forma a la estructura social y económica de una ciudad, y afecta de igual manera a los ecosistemas vecinos.

El incremento de la población, el crecimiento urbano, el acelerado pro-ceso de urbanización, y sus repercusiones sobre el medio natural, han provo-cado a lo largo de la historia desequilibrios ambientales que se convierten en temas recurrentes de diagnóstico y análisis (Cifuentes Ruiz, 2009). Debido a factores como el crecimiento acelerado de la población ha generado un desor-den en el manejo del territorio, es por esto que surge la necesidad de realizar una planeación urbana correcta donde el medio ambiente sea una prioridad, como también la prevención de riesgos.

Los Sistemas de Información Geográfica permiten realizar un análisis del espacio urbano incorporando variables demográficas, económicas, geográ-ficas, etc., para una planificación urbana correcta. Los mapas, simples repre-sentaciones de varios aspectos de la realidad espacial, son indispensables para entender y visualizar la problemática existente en el entorno urbano y las con-diciones que se puedan presentar a futuro (Maantay y Ziegler, 2006).

El área de estudio que se aborda en este capítulo, presenta particula-ridades geográficas y económicas que hacen que la cobertura y uso de suelo se vean afectadas y en algunos casos determinadas no solo por las cuestiones climáticas propias del norte de México, sino también por fenómenos sociales relacionados estrechamente con el principal ingreso de la región, que está de-terminado por la agricultura, particularmente la manzana y el maíz.

En este capítulo, se abordan diferentes criterios para modelar el compor-tamiento de la mancha urbana para ciudad Cuauhtémoc, Chihuahua, desde diferentes perspectivas. La primera que compara una serie de tiempo de imá-genes para determinar posibles patrones de crecimiento que sigue la mancha urbana y aborda así mismo las posibles causas que determinan dicho compor-tamiento.

Un segundo trabajo se apoya de dos algoritmos para analizar la cobertu-ra y uso de suelo en el área de estudio y a su vez predecir el comportamiento de cada categoría hacia el año 2019, basándose en la aptitud del territorio.

El tercer trabajo propone también un modelo por medio del cual se permite predecir el crecimiento de la mancha urbana en el área de estudio me-diante autómatas celulares e imágenes de satélite, comparando una predicción al 2010 con el crecimiento real.

Capítulo II Geoinformática aplicada a la Planificación Urbana 89

Un último trabajo, relacionado no con el crecimiento sino con el im-pacto de la fruticultura en la mancha urbana, analiza el gasto de agua de las huertas de manzana comparado con el consumo de la población. Relaciona a su vez la ubicación de los pozos con la manera en que se comporta el consumo en varias ubicaciones del área de estudio.

En este capítulo se muestran los siguientes trabajos:

• Bencomo Sáenz Jesús Antonio, Wiebe Quintana Lara Cecilia, Bravo Peña Luis Carlos y Hernández Hernández Vladimir (2013).Identifica-ción de patrones de crecimiento urbano en el área de ciudad Cuauhté-moc, Chih. 2003 – 2010.

• Enríquez Venzor Juan Carlos, Wiebe Quintana Lara Cecilia, Alatorre Cejudo Luis, Carlos Bravo Peña Luis Carlos y Jesús Pilar Amado Ál-varez (2013). Análisis de la Competencia de Gasto de Agua en ciudad Cuauhtémoc, Chihuahua con las Huertas de Manzana Colindantes con la Mancha Urbana. .

• González León Manuel Octavio, Rojas Villalobos Hugo Luis, Alatorre Cejudo Luis Carlos y Bravo Peña Luis Carlos (2013). Predicción y mo-delación del crecimiento urbano de ciudad Cuauhtémoc, Chihuahua del 2010, usando autómatas celulares (Sleuth).

• Loya Carrillo Jaime Octavio, Torres Olave María Elena, Bravo Peña Luis Carlos y Alatorre Cejudo Luis Carlos (2013). Análisis del cambio de co-bertura y uso de suelo durante el periodo 1995 – 2011, Emc y Autómatas Celulares para la predicción del crecimiento urbano, el caso de Ciudad Cuauhtémoc, Chihuahua.

Referencias

Cifuentes Ruiz, P. A. (2009). Modelización de los factores de crecimiento ur-bano como aporte a la sostenibilidad. Estudio de caso: Manizales – Co-lombia. Revista internacional de Sostenibilidad, Tecnología y Humanismo., 81-190.

Maantay, J., y Ziegler, J. (2006). GIS for the Urban Environment. Redlands California: ESRI Press.

91

Identificación de patrones de crecimiento urbano en el área de ciudad

Cuauhtémoc, Chihuahua: 2003 - 2010

Jesús Antonio Bencomo Sáenz, Lara Cecilia Wiebe Quintana, Luis Carlos Bravo Peña y Vladimir Hernández Hernández

Introducción

El incremento de la población mundial, el crecimiento urbano, el acelerado proceso de urbanización, y sus repercusiones so-bre el medio natural han provocado a lo largo de la historia desequilibrios ambientales que se han convertido en temas re-currentes de diagnóstico y análisis en diferentes reuniones de organismos internacionales (Cifuentes Ruiz, 2009).

El crecimiento urbano se puede definir como la expan-sión de la mancha urbana, existiendo varios factores que lo determinan, tales como los económicos, sociales, culturales, geográficos, etcétera.

A nivel mundial, al presentarse situaciones de crecimiento urbano acele-rado, también se ha producido un descontrol en el manejo del territorio, mos-trando así el proceso de artificialización del suelo a través de la urbanización. Esta es una de las formas más extremas de alteración del uso del suelo y una de las modificaciones más persistentes e importantes de los cambios producidos por las personas (Oltra-Carrió et al., 2010). Los lugares urbanos son ahora el


hogar de casi uno de cada dos seres humanos y, a mediados del siglo XXI, casi dos de cada tres personas vivirá en zonas urbanas.

En los siglos XIX y XX, lo rural se convirtió en urbano cuando empezó a comunicarse con las principales vías de comercio y esta se conectó a las calles que conformaban una sola cuadrícula bien definida, con intenciones de que la población lograra acceder a todos los lugares sin mayores complicaciones de ubicación o transporte.

Este proceso del crecimiento urbano seguirá mostrándose, siendo im-posible detener este ciclo, tomando de esta manera un enfoque donde el pre-servar y conservar recursos naturales sea prioridad, estableciendo un control sobre la ciudad y efectuar planes de crecimiento. Uno de los factores que ayuda al proceso de urbanización es la migración, encontrada por parte de zonas rurales a zonas urbanas, mostrando así un desequilibrio en la ciudad, causan-do una reorganización territorial. Esto último genera que las poblaciones se sitúen en ciertas zonas de la ciudad donde no es viable la construcción o la introducción de nuevas vialidades. El análisis espacial del comportamiento de los indicadores según el periodo de crecimiento histórico al que pertenece el espacio urbano, nos permite encontrar patrones espaciales más claros y con-sistentes en la estructura de las ciudades medias mexicanas (Álvarez, 2010).

A partir del siglo XXI el uso de mapas y del conocimiento geográfico ha tomado especial importancia debido a que, muchos de los análisis y pro-fesiones requieren más de la información espacial para la toma de decisiones (Maantay y Ziegler, 2006). Además de simplificar y representar varios aspec-tos de la realidad, para el procesamiento de la información y la agrupación de esta en un ambiente gráfico existen los SIG (Sistemas de Información Geográfica), que por sus herramientas mezclan la información contenida en el espacio real a una simple composición gráfica que contiene todo tipo de información y ésta por su fácil interpretación ayuda en el proceso de optar por mejores soluciones a problemas presentados, incluyendo una fácil y accesible forma de almacenar cada dato obtenido.

Los mapas, simples representaciones de varios aspectos de la realidad espacial, son indispensables para entender y visualizar la problemática exis-tente en el entorno urbano y las condiciones que se puedan presentar a futuro (Maantay y Ziegler, 2006).

El estudio del espacio urbano y concretamente del uso del suelo urbano ha sido muy vasto y ha suscitado el interés de las ciencias sociales en general y particularmente la geografía, la economía y la sociología urbana. Hoy en día, las transiciones bien definidas o cuadriculadas son raras (Rashed y Jürgens,


2010), esto como consecuencia de la falta de implementacion de planes de de-sarrollo urbano. La flexibilidad del automóvil combinado con el alcance de las telecomunicaciones ha puesto a la totalidad de las personas en contacto con la mayor parte de la vida urbana y la vida rural, o lo que queda de ella (Rashed y Jürgens, 2010). En las zonas más remotas de los países en desarrollo, la radio y las emisiones de televisión puede hacer a los pobladores rurales conocedores de la vida urbana, incluso si nunca han presenciado una localidad de gran magnitud (Rashed y Jürgens, 2010).

Para mejor entendimiento de los fenómenos de crecimiento urbano se encuentran entre los principales modelos de estructura urbana:

• El modelo de círculos concéntricos• El modelo de sectores de Hoyt• El modelo de núcleos múltiples

El modelo de círculos concéntricos original de Burgess contempla que la ciudad crece alrededor de su centro en forma de círculos concéntricos. Bur-gess identificó cinco zonas o anillos. Estas zonas se encuentran distribuidas primordialmente por su grado de desarrollo o por las actividades que se reali-zan en la zona urbana.

Otro modelo de sectores de Hoyt, donde uno de los factores importan-tes relacionados con este crecimiento son las clases sociales altas. Su modelo expone que el área considerada de alto nivel social está conformada por la zona central, donde confluyen actividades comerciales y de servicios y, por supuesto, se encuentra distante de la industria (Pardo, 2008). Mientras que, el sector residencial de nivel más alto tendría facilidad de comunicación con el centro y por último el de núcleos múltiples de Harris y Ullman explicaron que las ciudades no contienen un único centro, sino que se puede hablar de múltiples centros, donde se desarrollan distintas actividades (Pardo, 2008).

Ello significa que el desarrollo de la ciudad no se da a través de un único espacio central que recoge todas las actividades comerciales y de servicios, como lo explicaban otras teorías, sino que el desarrollo de la ciudad se puede dar a partir de distintas zonas centrales que desempeñen diferentes tipos de actividades (Pardo, 2008). Estos visualizan la ciudad a partir de un centro donde se concentran las actividades económicas y el empleo, aunque el tercero ofrece la posibilidad de subcentros de actividad (Pardo, 2008).

Dichos modelos nos dan la posibilidad de tener una lectura rápida, es-quematizada y sencilla sobre los elementos que conforman la ciudad, su ubi-


cación, sus funciones e interrelaciones (Álvarez, 2010). Son los primeros acer-camientos para entender las estructura urbana de la ciudad, para saber cómo son nuestras ciudades, cuáles son las partes que las conforman, dónde están ubicadas y cuáles son sus relaciones (Álvarez, 2010).

Para complementar los modelos de estructura urbana se pueden plan-tear patrones de crecimiento urbano, los cuales describen diferentes fenóme-nos en la urbe a lo largo del tiempo. Basado en características de uso de suelo urbano se definieron cuatro tipos de patrones de crecimiento urbano:

• Patrón agregado• Patrón lineal• Salto de rana• Patrón nodal

Estos patrones describen formas de crecimiento urbano, pero no agotan todas las posibilidades de configuración espacial que puede tomar una ciudad, en contexto histórico y geográfico específicos. Sin embargo son modelos co-nocidos y reportados ampliamente en la bibliografía.

El patrón agregado, correspondiente al tipo convencional de crecimien-to urbano en ciudades mediterráneas, donde nuevas áreas urbanas son agrega-das en la ciudad que está ya consolidada (Aguilera et al., 2011). Se caracteriza por el incremento de agregación y generalmente por la reducción de disper-sión en ésta (Aguilera et al., 2011). Este patrón de crecimiento urbano tiende a permanecer constante o disminuir la fragmentación del paisaje. Suele estar integrado mayoritariamente por zonas residenciales de alta densidad que se mezclan con espacios libres y equipamientos (Aguilera, 2010).

Patrón lineal, este patrón se refiere al crecimiento urbano alrededor de las principales conexiones preferentemente en sectores industriales o uso mix-to del sueño industrial, esto último refiriéndose a la creación de zonas habi-tacionales para el fácil acceso de los obreros que trabajan en la industria. En este tipo de patrón se puede fácilmente identificar dos procesos principales, la agregación estable o en incremento, y la disminución de compactación (Agui-lera et al., 2011).

Salto de rana, este patrón refleja la aparición de parches urbanos, que son usados de espacios residenciales, este se caracteriza por su predominancia en dispersión de baja densidad en casas unifamiliares, es dominado por dife-rentes procesos: la reducción de la agregación, disminución de la elongación


debido a la formación de manchas más o menos redondeadas, y el incremento de la dispersión (Aguilera et al., 2011).

Patrón nodal, se muestra reflejado a partir del crecimiento urbano co-mercial e industrial existente, cerca de los principales nodos de transporte, sin embargo, afecta principalmente a los usos industriales y comerciales (Aguilera et al., 2011).

Los patrones se pueden representar en la siguiente Figura 1 (Rashed y Jürgens, 2010):

Figura 1. Patrones de crecimiento: A) Patrón compacto o agregado. B) Patrón lineal. C) Patrón nodal. D) Salto de rana (Rashed y Jürgens, 2010).

Ciudad Cuauhtémoc se ha visto involucrado en grandes cambios ur-banos, en primera instancia por la conexión que existe entre la ciudad y el corredor comercial en la Col. Manitoba que forma parte del municipio de Cuauhtémoc, este comprende de una serie de comercios dispersos, en la ex-tensión de 33 kilómetros en algunos sectores de forma lineal en la carretera Cuauhtémoc-Col. Álvaro Obregón, por su cercanía a poblados a lo largo del estado de Chihuahua como Bocoyna, Carichi, San Francisco de Borja entre otros, y por su constante migración de localidades rurales por mayores opor-tunidades de empleo.

La zona central de la ciudad, concentra gran parte del comercio y los servicios, y las zonas periféricas manifiestan las zonas industriales, una de las


principales fuentes de empleo. Otra de las principales fuentes de ingreso se encuentra en las huertas de manzana, que se produce en gran cantidad, alre-dedor de 55 mil toneladas, durante cada año.

En general se muestra que las zonas habitacionales, comerciales e indus-triales, se encuentran muy relacionadas unas a otras debido a su cercanía, y a las conexiones principales y secundarias que conectan con las demás ciudades a lo largo del estado de Chihuahua; sin embargo la manera en que se presenta esta relación de los diferentes usos de suelo urbano, no son beneficiosas para el medio ambiente ya que las construcciones, por bienestar de la comunidad, crean edificaciones en sitios que no son evaluados previamente.

Muchas de las principales vías de acceso a la ciudad se encuentran de-masiado cercanas a la mancha urbana, provocando que periódicamente estas puedan quedar integradas a la estructura urbana, como consecuencia de la falta de delimitación en el crecimiento de la ciudad y con ello apoyando a la desorganización territorial.

Una de las consecuencias más preocupantes que se presenta en la ciudad es la constante migración de los ciudadanos provenientes de poblados peque-ños dentro del estado de Chihuahua, que regularmente vienen en épocas de pizca de manzana, actividad primaria más importante de la ciudad, algunos solamente recurren en la temporada, pero otros se instalan y se quedan perma-nentemente dentro de la ciudad, y aquí radica el problema, ya que esto provoca un desajuste por la falta de vivienda para esta población que llega e invade y el gobierno se ve obligado a construir más residencias, pero por la rapidez, construyen sitios con carencia de servicios, no aptas para la ocupación de estas y principalmente desarrolladas en usos de suelo no idóneas.

Si en un futuro próximo no se regula el crecimiento o se plantea un nue-vo plan de desarrollo urbano, se puede generar un gasto excesivo en infraes-tructura, que puede terminar sin ocuparse desperdiciando espacio, recursos, etc. y no solo eso si no que puede presentar graves problemas de salud, ya que por facilidad crean viviendas de baja calidad y en condiciones inhabitables.

Para el caso del área urbana de ciudad Cuauhtémoc, no se cuenta con un estudio que pueda establecer las características que predominan, en este caso, del crecimiento urbano, por ello se realizará fotointerpretación y por medio de SIG, se analizarán y encontrarán los patrones que están presentes a lo largo de la mancha urbana de la ciudad. Siendo esto importante para desarrollos futuros en la mancha urbana, y poder proveer una información del pasado de cómo se dio el crecimiento, y poder aportar información para estudios futuros en planeación urbana.


Las herramientas proporcionadas por los SIG permiten evaluar la si-tuación actual, por ello varias de las profesiones requieren el uso y manejo de información geográfica.

Objetivos

• Se pretende encontrar si la ciudad contiene un patrón de crecimiento particular y se desarrolla a través de él.

• Al contrario del objetivo anterior mostrar si esta presenta varios patrones de crecimiento particulares o un nuevo patrón no definido por los autores anteriores.

• Averiguar si a pesar del transcurso de los años la ciudad continúa en cons-tante crecimiento como resultado de los patrones encontrados.

• Encontrar el modelo teórico de estructura urbana que se ajuste más a la configuración espacial de la mancha urbana.

Con los objetivos anteriores se plantea la hipótesis: la ciudad cuenta y se desarrolla a través de un solo patrón de crecimiento de tipo agregado.


El área de estudio (Figura 2) comprende de la mancha urbana de Ciudad Cuauhtémoc, ubicada geográficamente en 28° 24 18 Norte, 106° 52 0 Oes-te, en la zona 13 norte según el sistema WGS 1984, ocupando un número de 154 639 habitantes para el año 2010. El municipio se encuentra situado en la región centro-oeste del estado, en la zona de transición entre la meseta y la sierra, con una altitud de 2,060 metros sobre el nivel del mar. Colinda al norte con Namiquipa, al este con Rivapalacio, al sur con Cusihuiriachi y con Gran Morelos; al oeste con Bachíniva y con Guerrero. La cabecera municipal se encuentra a 103 kilómetros de la capital del estado (INEGI,2010).

Para el análisis visual y digital de Cuauhtémoc, se adquirieron imágenes de satélites de alta resolución. La principal razón por la cual se seleccionaron estas imágenes es por su fácil interpretación visual y por su manejo accesible dentro de los sistemas de información geográfica. Se utilizaron 2 imágenes, del sensor Spot 5 que fueron proporcionadas por el Dr. Luis Carlos Alatorre Cejudo, gestor de imágenes Spot ante la Secretaría de Defensa Nacional (ERMEX-Sedena), esta con resolución espacial de 2.5 m y del sensor Quickbird con 0.5 m, una del año 2003 y la otra del año 2010 respectivamente, en formato raster, dado que muchas


veces, estos conjuntos de datos, escaneados del mapa normalmente no contienen información de referencia espacial, es decir estos datos faltantes hacen que la imagen se muestre desubicada de la realidad (ESRI, 2012).

En el manejo de la información obtenida, se utilizó el sistema de infor-mación geográfica “ArcMap®” de la corporación “ESRI®” en su versión 10.0.

La información de ubicación espacial entregada con las imágenes es insuficiente (ESRI, 2012); por lo tanto, para utilizar algunos conjuntos de datos raster en un mismo proyecto con otros datos espaciales, es posible que se necesite alinear o georreferenciar, a un sistema de coordenadas del mapa (ESRI, 2012). Un sistema de coordenadas del mapa se define mediante una proyección cartográfica, un método por el cual se representa la superficie curva de la Tierra sobre una superficie plana (ESRI, 2012).

Anticipadamente a la realización del estudio se definió la proyección geográfica de las imágenes de satélite y las capas vectoriales o Shapes, utilizan-do el sistema geográfico WGS_1984_UTM en su zona 13N, además de esto se realizó una georreferenciación de las imágenes con 10 puntos de muestreo para cada imagen, obtenidos de la base de datos de imágenes de Google Earth en su versión 7.0.2.8415.

Figura 2. Área de estudio, Cuauhtémoc, Chihuahua.


Se realizó fotointerpretación, que se define como el acto de examinar las imágenes fotográficas de los objetos, con el fin de identificarlos y deducir su significación (Guerra, 2003). En este proceso, el intérprete desarrolla al menos una de las siguientes tareas: detección, reconocimiento e identificación, análisis, deducción, clasificación, idealización y determinación de la precisión (González, 2004).

Se establecieron criterios antes de clasificar cada una de las clases en las imágenes correspondientes (González et al., 2006):

• Todos los polígonos generados deberán tener un número de clase.• Un área digitalizada no podrá pertenecer a dos clases.• La escala mínima cartografiable será de 1:15000.• No habrá sobreposición de polígonos.• No habrá espacios en blanco entre polígonos.

Se usó un polígono previamente creado en forma de rectángulo con la imagen más reciente, el cual definió la zona de estudio que ocupara en su casi totalidad la mancha urbana de Cuauhtémoc (Figura 3), con este polígono se realizó la selección de áreas de entrenamiento, que consiste en delimitar las áreas o polígonos que son rescatables o representativos de las diferentes clases que existen y que tengan una respuesta espectral que pueda ser de interés para el estudio. La clasificación digital comienza con la definición de las categorías que se pretenden distinguir en la imagen (Yébenes y Giner, 2010). Dicha cla-sificación digital comenzó analizando las imágenes y digitalizando solamente la composición urbana para ambos periodos, además se utilizaron polígonos previamente generados del 2010.

Para el cálculo de métricas de paisaje se definieron 4 clases esto con el fin de obtener resultados más representativos, mostradas en el cuadro 1.

Se realizó fotointerpretación como se mencionó, a la hora de clasificar cada polígono obtenido en la mancha urbana, muchas veces algunas clases pueden quedar confundidas por su similitud en la imagen, como en el caso del uso de suelo comercial, este presenta características de tener grandes com-posiciones de edificaciones con un amplio techado, y esto puede complicar la clasificación con las zonas industriales ya que se observan muchas similitudes, la diferencia entre estas es que por lo general sus construcciones industriales las realizan fuera de la urbe, esto por las normativas que se aplican y para la seguridad social. Para poder validar las diferentes clases se incluyeron datos de referencia del campo.


Muchas veces evaluaciones en ámbitos urbanos, tratan de una clasi-ficación basada en los valores numéricos contenidos en imágenes. Esto se consigue seleccionando una muestra de píxeles en la imagen que representen adecuadamente a cada categoría y a partir de estos se determinará el número digital medio de cada clase y el rango en el que varían, para todas las bandas que intervienen en la clasificación (Yébenes y Giner , 2010). La clasificación de una imagen como se mencionó, se realiza en el nivel del elemento de ima-gen individuales (píxeles), pero en la identificación de patrones de crecimiento no se está interesado en el valor que tiene cada píxel dentro de la región geo-gráfica definida (Rashed y Jürgens, 2010).

Cuadro 1. Clases definidas

Nombre clase Descripción Imagen

Urbano consolidado de uso residencial y servicios públicos

Estas áreas se carac-terizan por viviendas unifamiliares, que son casas ya construidas tradicionales o nue-vos desarrollos de

vivienda (Aguilera et al., 2011).

Uso comercial interno y externo a

la urbe

Se pueden observar a la cercanía de los principales nodos de comunicación (Agui-lera et al., 2011),

así como en la zona central de la ciudad.

Continúa...


Nombre clase Descripción Imagen

Uso industrial

Se puede encontrar este uso principal-mente a las afueras de la ciudad y son localizadas en las principales vías de

comunicación o inter-secciones (Aguilera

et al., 2011).

Uso mixto (urbano consolidado de uso residencial y uso

comercial)

Esta se encuentra principalmente en

las zonas que tienen una asociación de

zonas habitacionales y comercios estable-cidos, se da princi-

palmente por la falta de espacios para el

desarrollo de comer-cio y por facilidad del usuario reconstruye su vivienda en un

comercio pequeño.


Figura 3. Recorte zona urbana ciudad Cuauhtémoc.

Se utilizó la herramienta Topology de Arcgis, esta es una estructura de datos espacial, y utilizada principalmente para asegurar que los datos aso-ciados, formen una tela topológica consistente y limpia (ESRI, 2012). Esta herramienta a su vez es una colección de reglas y relaciones que, con un con-junto de herramientas de edición y técnicas, permite a los datos relacionarse a modelos con más precisión geométrica (ESRI, 2012). Esta herramienta se incluyó con fin de evitar posibles errores dentro de la cartografía generada tales como superposición de polígonos o espacios vacíos entre estos y cumplir con los criterios anteriormente definidos.

Una vez corregidos cada uno de los polígonos con sus clases, se procedió a exportar a formato raster (GRID), con la finalidad de poder analizarlo de forma automatizada en el programa Fragstats. Se dieron parámetros, entre ellos las clases que se mostrarán en el raster, (en este caso las definidas pos-teriormente) y el número de celda, que es el tamaño de pixel al momento de exportar.

El nivel de detalle (las funciones / fenómenos) representada por un mapa de bits, es a menudo dependiente del tamaño de celda o la resolución


espacial del raster (ESRI, 2012). La celda debe ser lo suficientemente pequeña para capturar el detalle requerido, pero lo suficientemente grande para que el almacenamiento en el ordenador y el análisis puede realizarse de manera efi-ciente (ESRI, 2012), por ello el tamaño de celda se definió como 2.5, ya que es el mismo que el de pixel de la imagen Spot.

Las estimaciones posteriores se basaron sobre la muestra seleccionada adecuadamente para que los resultados de la clasificación visual estén con va-lores más acertados.

Una vez que se obtuvieron las clasificaciones de suelo correspondientes a cada año, se utilizaron las métricas del paisaje, que sirven para la evaluación del comportamiento de la mancha urbana, dichas métricas están divididas en tres categorías de procesamiento espacial urbano:

• Agregación• Compactación• Aislamiento

La categoría de agregación corresponde a toda agrupación de parches, esto para formar parches de un tamaño más grande (Aguilera et al., 2011). Reduciendo el número total de parches, y produciendo de este modo un au-mento en su área media (Aguilera et al., 2011). La categoría de compactación implica la formación de parches redondos en una forma circular que los hace compactos (Aguilera et al., 2011). El proceso inverso es la elongación, en el que la forma de los parches se hace más alargada (Aguilera et al., 2011). Y por último aislamiento, este proceso implica un aumento en la distancia que separa los parches del mismo uso de suelo (Aguilera et al., 2011). Sin embar-go, en contraste con los clásicos estudios de ecología del paisaje, en el análisis de los procesos urbanos, un mayor aislamiento indica una mayor dispersión (Aguilera et al., 2011).


Cuadro 2. Métricas del paisaje utilizadas.

Atributo (s) Métrica Abreviatura Descripción

Agregación/Fragmentación

Porcentaje del paisaje PLAND Es igual al porcentaje del paisaje comprendi-

do del tipo de parche correspondiente.

Número de parches

NP Es igual al número de parches de un tipo correspondiente (clase).

Tamaño medio de parche

Area_mn

Es una función del número de parches en la clase y el área total de la clase. Es impor-tante destacar que, aunque el tamaño de parche medio se deriva de la cantidad de

parches, no transmiten ninguna información sobre cantidad de parches que están pre-

sentes (Mcgarigal y Ene, 2012)

Área total CA

Es el área total de la clase o el parche, a menudo no tiene un gran valor interpretati-

vo respecto a la evaluación de la estructura del paisaje, pero es importante porque define la exten-

sión de este (Mcgarigal y Marks, 1994).

Compacidad/Elongación

Densidad de borde ED

Es igual a la suma de las longitudes (m) de todos los segmentos de borde en el paisaje, dividida por el área total del paisaje (m2), multiplicado por 10.000 (para convertir a

hectáreas).

Índice medio de forma Shape_MN

Mide la relación entre el perímetro de un parche y el perímetro del parche más simple

en la misma zona.

Aislamiento/Proximidad

Distancia media al vecino más

cercanoEnn_mn Mide la distancia promedio entre dos par-

ches en un paisaje.

En el análisis estadístico del paisaje se utilizaron las herramientas de PatchAnalyst en su versión 5. Esta es una extensión para el sistema ArcGIS® que facilita el análisis espacial de los parches del paisaje, y el modelado de los atributos asociados a los parches. Se utiliza para el análisis de patrones espa-ciales, a menudo en apoyo de la modelación del hábitat, la conservación de la biodiversidad y el manejo forestal (Rempel et al., 2012); además se incluyó el


software Fragstats en su versión 4.1, que calcula varias estadísticas para cada parche y clase en el paisaje y el paisaje como un todo. En el nivel de la clase y el paisaje, algunas de las métricas cuantifican la composición del paisaje, mientras que otros cuantifican la configuración del paisaje (Mcgarigal y Ene, 2012). De estos se seleccionaron las métricas que se muestran en el Cuadro 2.

Para poder obtener resultados más acertados, además de los valores en las métricas del paisaje, se utilizó en conjunto la fotointerpretación de forma general y de forma particular para cada clase, la escala de interpretación fue la misma de digitalización a 1:15000, y el trabajo de campo que validó las clases.

Resultados

Al momento de evaluar los patrones de crecimiento, se encontró que no se puede evaluar el patrón salto de rana, dado que este requiere al menos 3 perio-dos contenidos, ya que este se presenta solamente cuando algunos polígonos quedan aislados y a pesar del transcurso del tiempo siguen ahí sin que el cre-cimiento urbano llegue hasta estas zonas dispersas.

Se encontró que en el periodo analizado hubo un crecimiento en la ciu-dad para cada uno de los sectores, como se muestra en los cuadros 3 y 4 en la métrica de área total (CA).

Cuadro 3. Métricas de paisaje 2003.

2003 Clase CA PLAND NPareamn

EDShape

MnEnnmn

Urbano 03 1 2237.5 86.5 89 25.14 12.54 1.4823 128.45

Comercial 03 2 215.9 8.3 55 3.92 7.29 1.4398 206.84

Industrial 03 3 69.9 2.7 17 4.11 1.55 1.4068 817.98

Mixto 03 4 61.1 2.3 13 4.70 5.25 1.6474 202.43


Cuadro 4. Métricas de paisaje 2010.

2010 Clase CA PLAND NP area mn ED Shape_Mn Enn_mn

Urbano 10 1 2423.2 83.4 90 25.71 14.16 1.4747 116.65

Comercial 10 2 282.5 9.7 59 4.85 7.02 1.4323 215.80

Industrial 10 3 88.6 3.05 14 5.59 1.46 1.4348 855.50

Mixto 10 4 108.1 3.7 18 6.00 8.00 1.6191 164.11

Cuadro 5. Métricas de paisaje.

año CA PLAND NP area_mn ED Shape_Mn Enn_mn

General 2003 2584.6381 N/a 131 19.7301 0 1.4441 102.5352

2010 2902.6119 N/a 136 21.3427 0 1.442 86.8942

En la cartografía generada se puede visualizar que el crecimiento de lu-gares residenciales y comerciales se está propagando a lugares cercanos al sec-tor industrial más importante de la ciudad como se muestra en la Figura 4, así mismo lo industrial muestra un crecimiento en su misma zona de ocupación, posiblemente esto podría implicar riesgos en un futuro para los habitantes que puedan formar parte de estos sectores en el noreste y este de la ciudad.

En ciudad Cuauhtémoc puede analizarse cómo su estructura va cam-biando en cada clase utilizada a un ritmo diferente pero constante; en general la ciudad muestra un patrón de crecimiento agregado, como se observa en las métricas del cuadro 5, esto gracias a su agregación, la compactación y la menor dispersión que existe entre polígonos o parches dentro de la misma.

Para obtener más claridad sobre lo que ocurre en Cuauhtémoc, se ana-lizó cada clase con sus métricas por separado, esto con fin de entender cuál es el comportamiento de cada una de las clases.


Leyenda2010Tipo

Urbano Comercial Industrial Mixto

Figura 4. Sector industrial más importante de Cuauhtémoc 2010.

Urbano consolidado de uso residencial y servicios públicosLos parches ya existentes crecieron de tamaño como muestra de área me-dia del parche (Area_mn), mientras que se crearon nuevos de estos mismos (NP), aunque estos permanecieron estables, el porcentaje de clase (PLAND) disminuyó no quiere decir que lo residencial necesariamente cambió a otra clase, si no que las otras clases presentaron mayor crecimiento que lo urbano residencial.

El índice medio de forma (Shape_MN) tuvo un decremento haciendo más compacta la clase y la densidad de borde (ED) muestra aumentó, lo que puede interpretarse como una deformación del parche, gracias a los nuevos polígonos que se han agregado han hecho una forma más irregular de la clase residencial.

La distancia media al vecino más cercano (Enn_mn) disminuyó indi-cando que los polígonos se acercaron más unos a otros, ésta última métri-ca implica que cuando hay un incremento se refleja un mayor aislamiento (Aguilera et al., 2011). Sin embargo, en contraste con los clásicos estudios de


ecología del paisaje, en el análisis de procesos de las zonas urbanas, un mayor aislamiento indica una mayor dispersión (Aguilera et al. , 2011).

En el conjunto de las categorías de análisis espacial se encontró que aparecieron más parches de esta clase menos dispersos y más agregados a los parches existentes, aumentando su compactación y disminuyendo su disper-sión, por ello se muestra que existe un patrón de crecimiento agregado.

Uso comercial interno y externo a la urbeEl área comercial aumentó en su número de parches (NP) explicando que hubo nuevas edificaciones de este tipo, en el área media del parche que mues-tra que los parches existentes al igual que los parches urbanos, aumentaron de tamaño, lo que muestra una fragmentación de los parches.

La densidad de borde (ED) disminuyó junto con su índice medio de forma (Shape_MN), encontrando que hubo compactación en su clase.

La distancia media al vecino más cercano (Enn_mn) aumentó haciendo más dispersa a esta clase.

Los parches existentes crecieron y se compactaron, pero hubo aumento de parches dispersos en la ciudad en lugares donde inicialmente no existían, con la interpretación visual se confirmó que se presenta un patrón nodal, ya que la mayoría de los parches se desarrollan en las principales vías de comu-nicación.

Uso industrialSe presenta un proceso de agregación, ya que el número de parches (NP) dis-minuyó mientras el área media del parche (Area_mn) aumentó.

Los polígonos tomaron una nueva forma más cuadrada por la disminu-ción de la densidad de borde (ED) y el índice medio de forma (Shape_MN), aumentó haciendo menos compacta a la clase.

Al igual que la clase comercial la distancia media al vecino más cer-cano (Enn_mn) aumentó mostrando dispersión, además esta clase es la que se encuentra más alejada de las demás por contener menores cantidades de fragmentos.

Los parches pequeños se sumaron a los de mayor tamaño, mostrando un fenómeno de agregación, ya que los polígonos están más dispersos y elongados reflejando así un patrón lineal.

Uso mixto (urbano consolidado de uso residencial y uso comercial)


El área mixta aumentó en el área media del parche que muestra que los par-ches existentes aumentaron de tamaño, con el aumento de número de parches (NP) se encuentra un decremento de agregación.

Los polígonos tomaron una nueva forma más irregular por el aumento de la densidad de borde (ED) y del índice medio de forma (Shape_MN) dis-minuyó mostrando parches más compactos.

La distancia media al vecino más cercano (Enn_mn) disminuyó, lo que muestra más proximidad entre los parches teniendo menor dispersión.

Algunos de los parches de esta clase pasaron a comercial, y también se agregaron nuevos parches menos dispersos, apareciendo sobre el urbano, (esto se complementó con fotointerpretación y trabajo de campo), invadiendo lugares no aptos para comercio, lo que muestra un patrón de crecimiento de tipo nodal.

Como se muestra en la Figura 5, los polígonos de mixto se presentan por lo general cerca de los principales nodos de comercio e industrial; esto puede ser explicado por la alta convivencia de la población con estos sectores.

Leyenda2010Tipo

Urbano Comercial Industrial Mixto

Figura 5. zona comercial y mixta de Cuauhtémoc 2010.


Se encontró que la estructura urbana de Cuauhtémoc está desarrollada principalmente por sectores para cada clase y estos se encuentran bien defi-nidos, lo cual demuestra que su modelo de estructura urbana más adecuado es el de sectores de Hoyt, sin embargo, si el crecimiento se sigue propagando a las principales vías de comunicación de manera constante; este modelo de estructura urbana cambiará al de núcleos múltiples.

Conclusiones

El crecimiento de ciudad Cuauhtémoc ha sido muy poco, cómo se puede apre-ciar dentro del periodo evaluado para 2003 se tenía 2,584 ha de la mancha urbana, mientras que para el 2010 se obtuvieron 2,902 ha. Para encontrar mejores resultados del comportamiento del crecimiento urbano, se requiere evaluar un periodo más amplio de tiempo.

Aun así, con la información generada, se puede encontrar una variación entre lo comercial y lo residencial, además exhibe una conversión de zonas habitacionales a zonas comerciales, también se observa la creación de zonas comerciales en espacios urbanos que carecen de la infraestructura vial y de servicios adecuados para los nuevos usos.

Por ejemplo, en estudios realizados en otras partes del mundo, muestran patrones mejor definidos que los que se muestran en ciudad Cuauhtémoc, esto se debe precisamente a la planeación con la que se ha influenciado y determi-nado el crecimiento y a una la cultura del ordenamiento territorial que se da en esos lugares, que impacta en el desarrollo y distribución del territorio, tanto en uso residencial como uso industrial.

El fenómeno que se da en el área de estudio se deriva como consecuencia de la gran dependencia del automóvil por parte de los ciudadanos, lo que está logrando que la ciudad construya nuevas zonas comerciales en los principales nodos de comunicación, generando más costo energético, ambiental y social.

Otra consecuencia de gran impacto ambiental es el alto consumo de suelo y de energía, esto asociado de igual manera con el crecimiento de la población y del área urbana.

Debido a lo anterior, se requiere de mucha inversión de diferentes re-cursos enfocada solamente para la creación de zonas residenciales, pero no es suficiente lo que se emplea para la demanda que exige la población; esto conlleva a otra de las consecuencias por el crecimiento acelerado, que es la falta de regulación, distribución y mantenimiento de los servicios públicos, lo que afecta a diferentes partes dentro de la ciudad.


En contraste, se observa que en otras ciudades se han logrado identificar los patrones de crecimiento urbano con la ayuda de las técnicas empleadas en este estudio. Por ejemplo, como se mostró en la metrópolis de Andalucía en la provincia de Granada, que muestra un mejor ordenamiento territorial a pesar de esta ser una metrópolis, se identifica que los sectores quedan bien definidos, pero, también se destaca que la identificación de patrones es una factor clave en planeación territorial, aunque los retos son continuos por su constante cre-cimiento; en consecuencia, el uso y extensión de estos trabajos, si bien no son suficientes pero si necesarios.

Las ciudades están sometidas a un permanente cambio por la tendencia del crecimiento y ocupación del territorio, por ello requiere de una guía, o de algún tipo de orientación, ya sea estimulando el cambio deseado o deteniendo el cambio considerado en este caso negativo; si no se toman en cuenta las pre-cauciones necesarias en los cambios de la distribución de una ciudad, pueden traer grandes repercusiones en el medio ambiente, siendo varias dentro de la naturaleza como se podría notar en un futuro la ocupación de zonas propensas a la recarga de acuíferos.

Dependiendo de los matices de evaluación para las métricas de paisa-je, en este caso la escala, muestra diferentes comportamientos a lo largo de la mancha urbana, de manera general se encontró un patrón de crecimiento agregado, pero de manera particular se encontraron varios patrones de creci-miento: agregado, lineal, nodal.

Las características de crecimiento de cada ciudad quedan marcadas a lo largo del paso del tiempo y estas siguen siendo definidas por las influencias de las diferentes perspectivas de los planeadores del pasado y del presente, para poder satisfacer a la población en los nuevos sectores creados.

La implicación de las métricas de paisaje en este tipo de estudios, puede ayudar para el monitoreo en años posteriores en el crecimiento urbano. Con toda la información generada y los análisis correspondientes se puede aceptar nuestra hipótesis, Cuauhtémoc se desarrolla de forma general a partir de un patrón de crecimiento agregado dentro del periodo 2003 - 2010.

Bibliografía

Aguilera Benavente, F. (2010). Aplicación de métricas de ecología del paisaje para el análisis de patrones de ocupación urbana en el Área Metropoli-tana de Granada. Anales de Geografía, 9-29.


Aguilera, F., Valenzuela, L. M., y Botequilha-Leitão, A. (2011). Landscape metrics in the analysis of urban land use patterns: A case study in a Spanish metropolitan area. ScienceDirect, 226-238.

Álvarez de la Torre, G. (2011). Estructura y temporalidad urbana de las ciuda-des intermedias en México. Frontera Norte, 91-124.

Álvarez de la Torre, G. B. (2010). El crecimiento urbano y estructura urbana en las ciudades medias mexicanaS. Redalyc, 12(2), 94-114.

Chang, H., Li, F., Li, Z., Wang, R., y Wang, Y. (2010). Urban landscape pat-tern design from the viewpoint of networks: A case study of Changzhou city in Southeast China. ScienceDirect, 51-59.

Cifuentes Ruiz, P. A. (2009). Modelización de los factores de crecimiento urbano como aporte a la sostenibilidad. Estudio de caso: Manizales – Colombia. Revista internacional de Sostenibilidad, Tecnología y Hu-manismo., 81-190.

ESRI. (07 de 11 de 2012). ArcGIS Resource Center. Recuperado el 05 de 02 de 2013, de http://resources.arcgis.com/en/home/

González Iturbe Ahumada, J. A. (2004). Sensores remotos y manejo de infor-mación. En F. Bautista Zuñiga, Técnicas de muestreo para manejadores de recursos naturales (pág. 507). México.

González Vázquez, X. P., Marey Pérez, M. F., y Vicente Rodriguez, V. (2006). Aplicacion de sistemas de informacion geografica y fotografia aerea in-frarroja para la planificacion de dehesas en la peninsula Iberica. Congre-so internacional de ingenieria de proyectos, 572-583.

Guerra Peña, F. (2003). Las doce principales reglas de la interpretacion fo-togeologica y las bases fundamentales que se derivan. Investigaciones Geográficas, 42-46.

Maantay, J., y Ziegler, J. (2006). GIS for the Urban Environment. Redlands California: ESRI Press.

Mcgarigal, K., y Ene, E. (Enero de 2012). UMass Landscape Ecology Lab. Recuperado el 05 de Febrero de 2013, de FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps: http://www.umass.edu/lande-co/research/fragstats/fragstats.html

Mcgarigal, K., y Marks, B. J. (1994). Spatial pattern analysis program for quantifying landscape structure. Dolores, CO.

Oltra-Carrió, R., Sobrino, J. A., Gutiérrez-Angonese, J., Gioia, A., Paolini, L., y Malizia, A. (2010). Estudio del crecimiento urbano,de la estructura de la vegetación y de la temperatura de la superficie del Gran San Miguel de Tucumán, Argentina. ISSN, 69-76.


Pardo Montaño, A. M. (Agosto de 2008). Inserción laboral y residencial de los indígenas inmigrantes a la Zona Metropolitana del Valle de México. Los casos de la delegación Cuauhtémoc y el municipio Naucalpan. Fa-cultad Latinoamericana de Ciencias Sociales México. México.

Rashed, T., y Jürgens, C. (2010). Remote Sensing of Urban and Suburban Areas. Austin: Springer Dordrecht Heidelberg London New York.

Rempel, R. S., Kaukinen, D., y Carr, A. P. (02 de 04 de 2012). Patch Analyst and Patch Grid. Ontario.

Yébenes Gómez, Á., y Giner Sotos, Á. (2010). Observaciones y previsiones meteorológicas - Imágenes de los satélites - Valores climatológicos nor-males. Recuperado el 06 de 10 de 2012, de http://www.allmetsat.com/es/

115

Análisis de la competencia de gasto de agua en ciudad Cuauhtémoc, Chihuahua

con las huertas de manzana colindantes con la mancha urbana

Juan Carlos Enríquez Venzor, Lara Cecilia Wiebe Quintana, Luis Carlos Alatorre Cejudo, Luis Carlos Bravo Peña y Jesús Pilar Amado Álvarez

Introducción

El abastecimiento de agua es uno de los principales aspectos que aseguran la sustentabilidad de las ciudades en el mundo. Las limitaciones del medio ambiente son consideradas como una de las principales causas de movimientos poblacionales, principalmente en las zonas secas donde el agua y no la tierra son el factor limitante (Shah, 2010).

En México el 75% de su población reside en localidades urbanas y la proyección de los datos de crecimiento demográfico al año 2030 muestra que el mayor crecimiento de la población será en las zonas urbanas (Arreguin, López, & Marengo, 2010).

De manera inversa al crecimiento demográfico, la disponibilidad de agua per cápita disminuye cada vez más. En México la disponibilidad de agua per cápita se redujo del año 1950 al año 2010 de 18,035 m3 de agua anualmen-te a solamente 4,210 m3 por cada habitante del país; y según las proyecciones


de población realizadas para el año 2030, la disponibilidad de agua sería de 3,783 m3 por habitante y por año (CONAGUA, 2008).

De acuerdo con los resultados obtenidos por Díaz-Padilla (2011) y Ver-bist K., (2010) es válido afirmar que todo el norte del país está bajo algún tipo de aridez y que el estado de Chihuahua en la mayor parte de su territorio cuenta con climas árido y semiárido. La mayor parte del estado de Chihuahua tiene una precipitación pluvial anual que oscila entre 250 y 500 mm (CONA-GUA, 2008). De igual manera la mayor parte del territorio de Chihuahua no dispone de agua superficial (CONAGUA, 2008) y se está calentando y secan-do (Arreguin, et. al, 2010).

La mayor sobreexplotación de acuíferos se registra en las regiones de Camargo-Jiménez, Cuauhtémoc, Chihuahua-Sacramento, Villa Ahuma-da-Flores Magón (Gobierno del Estado de Chihuahua, 2004). Aunado a esto, en la región hidrológica Rio Bravo a la que pertenece la cuenca Laguna Bus-tillos sobre la cual se encuentra la zona de estudio se cuenta con alto grado de presión sobre el recurso hídrico equivalente a 76% (CONAGUA, 2011). Este grado de presión sobre el recurso es el porcentaje que representa el agua em-pleada en usos consuntivos respecto al agua renovable, el cual se considera que si el porcentaje es mayor al 40% se ejerce una fuerte presión sobre el recurso.

En el caso de la ciudad de Cuauhtémoc Chihuahua, la cual cuenta con un clima semiseco templado, se encuentra sobre un acuífero que está bajo una planicie cerrada de forma irregular por las sierras de Pedernales, San Juan, Salitrera, Chuchupate, Sierra Azul y el Rebote, en la cual la única aportación de agua al acuífero es mediante las precipitaciones. Actualmente el acuífero se encuentra sobre explotado, según la información que proporciona CONA-GUA (2008):

• Alimentación natural: 115.2 Mm3 anuales• Extracciones: 569.4 Mm3 anuales, con los siguientes usos:

1. Agrícola: 92.7%.2. Público urbano: 4%.3. Industrial y pecuario: 3.3%.

El desarrollo no planificado de la agricultura y la obsolescencia de al-gunos sistemas de riego han incrementado la demanda de agua en regiones rurales, con lo cual se agudiza la competencia por el recurso hídrico necesario para uso público urbano (Gobierno del Estado de Chihuahua, 2004).


Por otra parte, la fruticultura y en especial la manzana, es una de las for-talezas de Cuauhtémoc, pues junto con los municipios de la región han coloca-do al estado de Chihuahua como el primer productor nacional. Aunado a esto, la presencia de la comunidad menonita a lo largo de todo el año está generando riqueza con la producción de leche, quesos y sus derivados; así como en la ela-boración de varios tipos de embutidos, estos dos aspectos, principalmente, han hecho que la ciudad tenga un elevado Índice de Desarrollo Humano (IDH)1 que es aceptado generalmente en los medios políticos y académicos como un indicador del nivel del desarrollo de una población (López, 2003).

Este IDH fue calculado para México por Conagua en el 2008 a nivel municipal con base a los siguientes indicadores: probabilidad de sobrevivir el primer año de edad, tasa de alfabetización e ingreso promedio per cápita en dólares. El IDH que pertenece al municipio de Cuauhtémoc según Conagua (2008) es equivalente a 0.825, que está clasificado como “muy alto”. Este IDH tan elevado sugiere que la cabecera municipal tenga un importante crecimien-to económico en los tiempos presente y futuro cercano, como también un cre-cimiento en las áreas del conocimiento, incluyendo todos los niveles de educa-ción, y sus instalaciones en consecuencia. Se ha observado un crecimiento de la mancha urbana de Cuauhtémoc en los últimos 23 años, el cual se observa que crece alargadamente alrededor de las principales salidas viales de la ciu-dad, lo que ha generado dificultades en la prestación de servicios. Por ejemplo, para la dotación del servicio de agua potable se ha tenido que incrementar la red de tubería y se ha requerido de la perforación de más pozos.

Según informes del censo INEGI 2010, el municipio de Cuauhtémoc tiene 154,537 habitantes. Esta cifra muestra un incremento poblacional en los últimos cinco años del 14.65%. A diferencia de otras ciudades del estado como Madera la cual decreció un 8.97%.

En el municipio de Cuauhtémoc existen más de 7,600 hectáreas de huertas de manzana según los datos obtenidos por Callejas-Juárez (2007), de las cuales 1656 hectáreas se encuentran dentro del área urbana de la ciudad que representan el 21.76% del total de huertas en el municipio.

Las huertas de manzana no solo representan una importante fuente de ingresos a la comunidad, sino también una importante fuente de empleo para los habitantes del municipio y otros municipios vecinos. Así mismo, el cultivo

1 El IDH es un índice compuesto que resume las mediciones de los avances medios lo-grados por una población en tres aspectos básicos del desarrollo humano: salud, conoci-miento e ingresos. desarrollo nacional, como el nivel de ingresos y la tasa de crecimiento económico.


de éste fruto requiere de una importante cantidad de agua, y estas huertas ubi-cadas dentro de la mancha urbana consumen del recurso que está destinado al abastecimiento público urbano en vez del abastecimiento agrícola.

La hipótesis que se plantea a partir de lo anterior, es que existe una fuerte competencia por el agua del acuífero de Cd. Cuauhtémoc entre el uso agrícola (específicamente manzano) y el uso urbano ( JMAS); esto debido a que el agua se extrae del mismo acuífero y de la misma zona espacial para los dos usos distintos.

Lo antes expuesto sugiere que es necesario encontrar soluciones para los problemas de abastecimiento de agua para la población de la ciudad, los cuales seguramente incrementarán en el futuro debido a la tendencia de abatimiento que actualmente tiene el acuífero (Díaz-Padilla, 2011) (Orozco, 2007).

Por lo anterior el objetivo del presente trabajo es conocer la competencia que tienen con base al gasto de agua las huertas urbanas y la población de la ciudad, y de qué manera impacta esto en el nivel estático del acuífero.

Metodología

Descripción del área de estudio

PoblaciónEl municipio de Cuauhtémoc tiene una población de 154,639 habitantes, de los cuales el 73.72% se encuentran en la cabecera municipal equivalente a 114,007 habitantes (INEGI 2010).

Descripción general de las actividades económicasLa economía del municipio de Cuauhtémoc se sustenta particularmente en las actividades agropecuarias y agroindustriales; así como en las relacionadas con los sectores del comercio y servicios, que en conjunto absorben el 85% del empleo y generan el 90% de los ingresos, lo cual ha contribuido a colocar al municipio en la tercera posición en importancia a nivel estatal.

La fruticultura y en especial la producción de manzana, es una de las fortalezas de Cuauhtémoc, pues junto con los municipios de Guerrero, Nami-quipa, Bachíniva y Cusihuiriachi, han colocado al estado de Chihuahua como


el primer productor nacional. (Plan Municipal de Desarrollo 2010-2013 del Municipio de Cuauhtémoc Chihuahua).

ClimatologíaEl municipio de Cuauhtémoc tiene un rango de temperatura promedio entre los 12 y los 20°C; el rango de precipitación se encuentra entre los 300 y los 500 mm; el 82.7% del territorio del municipio cuenta con un clima semiseco tem-plado, y este es el clima que está presente en la totalidad de la zona de estudio, el 10.7% con un clima semifrío subhúmedo con lluvias en verano, de humedad media, el 5.8% tiene un clima semiseco semifrío y un 0.8% del municipio es de clima templado subhúmedo con lluvias en verano, de menor humedad.

Localización y delimitaciónLa región manzanera de Cuauhtémoc ubicada en el Estado de Chihuahua tiene como cabecera municipal la Ciudad de Cuauhtémoc que se encuentra en la longitud 106 52 0 W y latitud 28° 24 18 N, misma en la que se limita el área de estudio a la mancha urbana comprendida entre los límites que esta-blecen las carreteras que sirven como periféricos o libramientos de la ciudad, debido a que son estas vías de comunicación las barreras que delimitan el área perteneciente a la ciudad, las cuales son: la carretera a Colonia Álvaro Obregón, el Periférico Manuel Gómez Morín y la carretera Chihuahua 21, al oeste, norte y este de la ciudad respectivamente; al sur de la ciudad no se tiene una barrera tan puntual, pero de igual manera no existen huertas de manzana colindantes con la mancha urbana (figura 1).


Figura 1. Área de estudio.

Cartografía de las huertas de manzano y requerimientos hídri-cos de las huertas de manzano

Con el fin de ubicar las huertas manzaneras dentro del área de estudio, y cuantificar el área que éstas representan, se ocupó la cartografía generada por Bravo Peña, et. al. (2010) de las huertas de manzana de la cuenca en la que se encuentra ciudad Cuauhtémoc, de la cual se eliminaron todas las huertas que quedaron fuera del área de estudio. Esta cartografía se actualizó y corrigió ex-haustivamente debido a que contaba con numerosos errores en la delimitación de las huertas, faltaban huertas por digitalizar y aparecían en la cartografía huertas que ya no existen o ya no están en producción. Lo anterior se realizó con ayuda del software ArcGis 10© en el cual se hizo fotointerpretación con imágenes Bing© 2010, también se hizo fotointerpretación con ayuda de imá-genes de Google Earth© 2013, además de revisiones de campo.

Para analizar el grado de influencia del gasto de agua de uso urbano para el sector agrícola (en huertas de manzana) dentro de la mancha urbana,


se analizó el gasto total de agua por año de todas y para cada una de las huer-tas urbanas con base a los resultados experimentales realizados por Orozco (2012) en huertas de Grupo La Norteñita, ubicadas en Cuauhtémoc, Chi-huahua, México.

Determinación de la dotación de agua para uso urbano anual

Con base a las entrevistas con el Director Técnico de la Junta Municipal de Agua y Saneamiento de Cuauhtémoc ( JMAS), se aplicó un método utilizado por la dependencia para calcular el abastecimiento que recibe la ciudad de Cuauhtémoc, también se obtuvo información que permitió conocer el com-portamiento del bombeo y abastecimiento de la red hidráulica de la ciudad.

Comparación de los consumos de agua para uso urbano y en huertas de manzano

Se realizó una suma aritmética simple de los gastos anuales de cada uno de los rubros que entran en competencia por el agua de uso urbano en el área de estudio, con el fin de conocer el porcentaje de gasto de cada uno de ellos.

Relación de nivel estático del acuífero con la profundidad de los pozos

Se generó una base de datos con la información de la profundidad y los ni-veles estáticos, proporcionada por JMAS 2013, de cada pozo utilizado actual-mente para el servicio de agua para la población de la ciudad.

Se realizó un spline en ArcGis 10 con las profundidades de los pozos. La herramienta Spline utiliza un método de interpolación que estima valores usando una función matemática que minimiza la curvatura de la superficie, resultando en una superficie lisa que pasa exactamente a través de los puntos de entrada (ESRI, 2012).

Conceptualmente, los puntos de muestra se extruyen a la altura de su magnitud; spline dobla una “lámina de goma” que pasa a través de los puntos de entrada mientras se minimiza la curvatura total de la superficie. Se ajusta una función matemática a un número determinado de puntos de entrada más cercanos a pasar por los puntos de muestreo. Este método es el mejor para


generar superficies suavemente variables como la elevación, la altura del nivel freático o las concentraciones de contaminación (ESRI, 2012).

Aunado a lo anterior se realizó una evaluación de los diferentes métodos de interpolación contenidos en el módulo de análisis geoestadístico de ArcGis 10, y se seleccionó el que se adapta mejor a la información con la que se cuenta, con el fin de conocer a grandes rasgos el estado del acuífero de Cuauhtémoc, y relacionar esta información con otros datos de este trabajo.

Análisis de distintas técnicas de riego en huertas de manzano

Se realizaron cálculos para el área de estudio sobre el ahorro en el consumo de agua, simulando una tecnificación de las huertas en sus métodos de riego. Se plantearon dos escenarios: 1) las huertas con riego de microaspersión pasan a tener riego por goteo y 2) todas las huertas pasan a tener riego por goteo con acolchado. Estos cálculos fueron hechos con base a los resultados obtenidos por Orozco (2012).

El estudio de Orozco (2012) se realizó en huertas de una empresa local, las cuales equivalen al 24.57% de las huertas del área de estudio de este trabajo. Los tipos de riego analizados fueron:

1. Microaspersión.2. Goteo.3. Goteo con acolchado.

Demostrando que la técnica de riego más eficiente de acuerdo a las con-diciones del área de estudio, fue el método de goteo con acolchado (Orozco, 2012).

Análisis de la densidad de pozos de uso privado

Se cuenta con una base de datos de la localización de numerosos pozos con-cesionados por CONAGUA al 2004, los cuales se digitalizaron mediante sus coordenadas y se ubicaron los que quedan dentro del área de estudio. Lo an-terior se realizó con el fin de calcular la densidad de pozos por hectárea, y analizar si esto coincide con las áreas de huerta y con los sectores de la zona de estudio que representen mayor gasto.


Simbología Huertas de manzana Urbano

Figura 2. Clasificación del área de estudio (Autoría propia)

Resultados

Cartografía de las huertas de manzano y requerimientos hídri-cos de las huertas de manzano

Se obtuvo una cartografía actualizada para el año 2013 de las huertas de manzana que se encuentran dentro del área urbana de Cuauhtémoc, Chi-huahua. Cómo se puede observar en la figura 2, los polígonos que son ocu-pados por huertas de manzana ocupan 14.52% del área total, mientras que el área urbana ocupa el 24.35% y el resto ocupa 61.13% del área total. De acuer-do a estas proporciones se obtiene que el área de huertas de manzana ocupan un poco más del 50% del área urbana.

Se generó una base de datos con el tipo de riego de cada huerta de manzana del área de estudio (Figura 3); con base a la información obtenida en campo y en la bibliografía. Se observa que el sistema de riego más empleado


en el área de estudio es el de microaspersión. De acuerdo a los resultados de Orozco (2012), este sistema de riego es el que menos eficiencia tiene respecto a los otros dos métodos (goteo y goteo con acolchado).

SimbologíaHuertasRiego

Acolchado Goteo Microaspersión

Figura 3. Clasificación de las huertas por tipo de riego. (Autoría propia)

Por otra parte, se obtuvo el gasto total aproximado de agua de todas y de cada una de las huertas del área de estudio (Cuadro 1), para lo cual se utilizó la información de las láminas de riego totales aplicadas en el ciclo de riego 2012 (Orozco, 2012) para los tres tipos de riego que existen en el área de estudio, los cuales son:

• Microaspersión 12,710 m3 ha-1• Goteo 7,920 m3 ha-1• Goteo con Acolchado 4,050 m3 ha-1


Tipo de huerta Consumo anual (m3)Microaspersión 17,721,741.51Goteo 15,84,451.66

Goteo con acolchado 328,654.65

Cuadro 1. Consumo de agua por tipo de riego

No se tomaron en cuenta las edades de los árboles de manzano, el mar-co de plantación ni las densidades debido a que el 95% de los productores operan sus riegos de manera empírica (Orozco, 2007). Sin embargo, la evapo-transpiración es un parámetro muy importante para saber los requerimientos hídricos de los cultivos, pero se dificulta su medición directa y la mayor parte del tiempo se obtiene a partir de datos climáticos. Ante este problema, la observación en tiempo real (p ej. humedad del suelo) permite a los produc-tores hacer modificaciones en el cultivo para evitar situaciones que afecten la productividad de los árboles (Orozco, 2012), es decir, el productor riega bajo su propio criterio, sin apoyarse en algún esquema apropiado a las condiciones de la huerta, como son clima, tipo de suelo, disponibilidad del recurso hídrico.

Determinación de la dotación de agua para uso urbano anual

Por otra parte, para conocer los gastos de agua que realiza la población de Cuauhtémoc, y poder así establecer una comparación entre los consumos de agua, se obtuvo la siguiente información que muestra la Figura 4. Se aprecia claramente el comportamiento del gasto de agua en litros por segundo (LPS) a lo largo de todo un día, con base a la experiencia del entrevistado ( JMAS), “este gasto tiene un comportamiento impredecible debido a que se necesitan tomar en cuenta muchas variables para cada una de las viviendas de la ciudad y con datos en tiempos reales”. Por este motivo se calculan parámetros como el gasto medio, gasto máximo diario y gasto máximo horario, los cuales son necesarios para la planeación de una red de agua potable.


Figura 4. Comportamiento de los requerimientos de bombeo de agua en la red hidráulica de Cuauhtémoc, Chih.

El gasto medio indica cuantos litros necesitan estar siendo bombeados a la red cada segundo del día, todo esto con un comportamiento continuo según la dotación por habitante que para el caso de Cuauhtémoc, según el Anexo al Acta de Tarifas 2013 de la JMAS, es de 250 litros/habitante/día. El gasto medio de la ciudad es de 501.15 LPS y se calcula con base en la siguiente fórmula:

Dónde:

Qmedio = gasto medio en LPSd = Dotación, 250 litros/habitante/día.ih = Índice de hacinamiento 4.0 Habitantes/loteL = Número de lotes del desarrollo habitacional2

El gasto máximo diario es el máximo consumo que se espera realice la población en un día. Se calcula multiplicando el gasto medio por un factor de

2 El número de lotes se relaciona directamente con el número de tomas o contratos para el servicio de agua potable en la ciudad que es equivalente a 43,362 tomas ( JMAS 2013)


ampliación (CVD) que en este caso la JMAS establece en 1.2. El gasto máxi-mo diario equivale a 601.38 LPS y se calcula con la siguiente fórmula:

Qmax.horario = Qmedio * CVDDónde:

Qmax.horario = Gasto máximo horario en litros/segundoQmedio = Gasto medio de la poblaciónCVD = Coeficiente de variación diaria (1.2)

El gasto máximo horario se define como el consumo máximo que puede ser requerido por la red de la ciudad en determinada hora del día, el cual se calcula con un coeficiente más ampliado (CVH) que para Cuauhtémoc es de 1.5 según el Acta de Tarifas 2013 de la JMAS. El gasto máximo horario equi-vale a 751.73 LPS y se calcula de la siguiente manera:

Qmax.horario = Qmedio * CVHDónde:

Qmax.horario = Gasto máximo horario en litros/segundoQmedio = Gasto medio de la poblaciónCVH = Coeficiente de variación horaria (1.5)

Para conocer el gasto de agua total al año de la población de la ciudad se aplicó la fórmula propuesta en el Acta de Tarifas 2013 de la Junta Municipal de Agua y Saneamiento de Cuauhtémoc, en la que se calcula el gasto de agua promedio por día, este resultado se multiplicó por 365 para sacar el total en un año. El gasto anual aproximado de la población de ciudad Cuauhtémoc es de 15,827,130 m3. La fórmula se muestra a continuación:

Qaño = d * ih L * 365Dónde:

Q = gasto en litrosd = Dotación 250 litros/habitante/día.ih = Índice de hacinamiento 4.0 Habitantes/loteL = Número de lotes del desarrollo habitacional3

3 El número de lotes se relaciona directamente con el número de tomas o contratos para el servicio de agua en la ciudad que es equivalente a 43,362 tomas ( JMAS 2013).


Comparación de los consumos de agua para uso urbano y en huertas de manzano

Con base a los resultados obtenidos en las secciones anteriores se obtiene un gasto total de agua al año de la zona de estudio sumando los consumos de agua de los diferentes usos del agua (huertas con diferentes tipos de riego y consumo de la población de la ciudad) el cual es de 35,461,977.83 m3/año.

Figura 5 Gasto de agua en el área de estudio.

De este consumo total de la zona, las huertas con riego de microasper-sión gastan cerca del 50% del total del agua, además estas huertas representan el 83.21% del área total de huertas en la zona de estudio, y por otra parte equi-valen al 12.09% del área total de estudio. El porcentaje de agua que se gasta en las huertas con riego por goteo es del 4.46%, estas huertas son el 11.93% del total de huertas y equivalen al 1.73% del área total. El porcentaje de agua que es consumido por parte de las huertas con riego por goteo con acolchado es menos del 1%, el área que ocupan estas huertas es el 4.84% del total de huertas y el 0.7% del área total. El agua que se gasta en el consumo urbano equivale a cerca del 45% del agua que se gasta en la zona de estudio, esta área urbana equivale al 24.35% del área total de estudio (Figura 5).

La mayor parte de las huertas con riego por microaspersión se encuen-tran agrupadas al norte de la ciudad, son las que tienen el mayor gasto de agua.


Dichas huertas son las más antiguas de la zona de estudio, se encuentran sobre una llanura aluvial con lomerío, el tipo de roca de estas huertas es sedimentaria y el tipo de suelo presente es luvisol (INEGI, 2005).

La mancha urbana se encuentra rodeada en la mayor parte de su perí-metro por un uso de suelo dedicado a la agricultura a excepción de la parte sur y sureste donde se cuenta con pastizal, esta misma zona se tiene como tipos de suelo leptosol y phaeozem y el tipo de roca es ígnea extrusiva (INEGI, 2005).

Relación de nivel estático del acuífero con la profundidad de los pozos

Se realizó una cartografía de los pozos de JMAS (figura 6) con el fin de lo-calizar espacialmente los pozos que actualmente sirven para el abastecimiento de la población de la ciudad y de los cuales se cuenta con los datos de profun-didad y niveles estáticos.

Simbología

Pozos

Figura 6. Pozos de Junta Municipal de Agua y Saneamiento de Cuauhtémoc Chih. (Autoría propia)


Superficie suavizada (Spline) con la profundidad de los pozos de JMAS

Con los datos de profundidad de los pozos de JMAS se creó una superficie suavizada con la herramienta spline de ArcGIS 10 (Anexo 1).

Interpolación de núcleo suavizada con los niveles estáticos de los pozos de JMAS

La Interpolación por núcleo (Kernel Interpolation) es una variante de la Inter-polación Local Polinomial4, en la que las inestabilidades en los cálculos se pre-vienen ajustando ligeramente las predicciones de manera similar a la regresión Ridge5 los ajustes se realizan de tal manera que no afectan en la práctica al momento de tomar decisiones. En éste modelo, el problema con los errores estándar excesivamente grandes y las predicciones cuestionables se corrige con el parámetro de corrección (que debe ser lo más pequeño posible) ajustando levemente las ecuaciones; ofreciendo por lo tanto, dos superficies de salida: Pre-dicción y Error Estándar. Además, este modelo utiliza la distancia más corta entre los puntos, de tal manera que los puntos en las fronteras de las barreras absolutas se conectan con series de líneas rectas. Utiliza los siguientes núcleos radialmente simétricos: Exponencial, Gaussiano, Cuártico, Epanechnikov, Po-linomial de quinto orden y Constante (ESRI, 2012).

Se aplicó esta interpolación en sus 6 variantes a los 18 puntos asociados a cada pozo, usando la variable nivel estático, y de allí se seleccionó el método dónde la confiabilidad y el Error Cuadrático Medio (RMS) fueron menores (Cuadro 2).

Con base en esta evaluación se eligió la interpolación gaussiana (Ane-xo 2), de la cual también se realizó la predicción del error estándar que nos permite visualizar la fiabilidad de los datos en la superficie generada por la predicción gaussiana (Anexo 3).

4 Acopla varios polinomios a vecindarios específicos que se traslapan.5 También se conoce como Regresión de Arista o Regularización de Tikhonov.


Kernel smoothing Error Estándar RMS RMSS ASE Confiabilidad

Gaussiano 11.14 9.19 1.0049 9.0193 88.86Exponencial 12.08 9.55 0.9849 9.62 87.92Quartic 11.49 9.3 1.007 9.11 88.51Epanechnikov 11.12 9.22 1.0108 8.97 88.88Polynomial 5 11.81 9.38 1.0044 9.21 88.19Constant 11.18 9.17 1.0056 8.98 88.82

Cuadro 2 Evaluación de los métodos de interpolación

Comparación de la profundidad de los pozos de JMAS con los niveles estáticos de los mismos.

Con las superficies resultantes de los dos apartados anteriores se realizó una sobreposición de las capas y se encontró una relación entre los niveles estáticos bajos, la profundidad de los pozos y la presencia de huertas de manzana con riego por microaspersión (Anexo 4).

Análisis de distintos escenarios donde se simulan cambios en las técnicas de riego para las huertas de manzana

Con base a los estudios realizados por Orozco, 2012 en huertas de la zona de estudio se encontró que el cambio de tipo de riego de microaspersión a goteo obtuvo un ahorro de agua del 38%, y el cambio de microaspersión a goteo con acolchado generó un ahorro de agua del 68%.

Dado que se determinó que el riego por microaspersión es el que gasta más agua y es por tanto el menos tecnificado, se decidió analizar cuál sería el comportamiento del gasto de agua en las huertas si todas las que utilizan este tipo de riego cambiaran a goteo, mediante el cálculo del gasto por hectárea al año de las 1394.31 Ha de microaspersión.

Aunque se sabe que el riego por goteo es más eficiente que la microas-persión, se sabe también que no se controla la evapotranspiración dado que, como ya se había mencionado, el 95% de los productores riegan de manera empírica; esto significa que aun con un riego más eficiente el árbol no apro-vecha toda el agua que se le suministra. Es por ello que se analizó también el escenario de que todas las huertas migrasen a goteo con acolchado.


Con base a lo expuesto anteriormente se plantearon dos escenarios: 1) las huertas con riego de microaspersión pasan a tener riego por goteo; y, 2) todas las huertas pasan a tener riego por goteo con acolchado.

En el primer escenario se encuentra que si las huertas de manzana con riego por microaspersión se tecnificaran a un riego por goteo pasarían de te-ner un gasto anual de 17,721,741.51 m3 a 11,042,974.55 m3 de agua, lo que representa un ahorro de 6,678,766.96 m3 que equivale a 62.31% del agua que se consume anualmente en las huertas que actualmente cuentan con riego por microaspersión. El gasto total de las huertas de manzana en la zona de estudio sería entonces de 12,956,080.86 m3.

En el segundo escenario planteado donde se analiza si las huertas con microaspersión y las huertas con goteo pasaran a goteo con acolchado se obtu-vieron los siguientes resultados: el gasto anual de las huertas con microasper-sión se reduciría a 5,646,972.41 m3 de agua, lo cual es el 31.86% del agua que se gasta actualmente en estas huertas, el cambio de riego en las huertas con goteo a goteo con acolchado reduciría el consumo de agua de estas huertas de 1,584,451.66 m3 a 810,230.76 m3. El gasto total de las huertas de la zona de estudio sería de 6,785,857.83 m3 al año, lo cual representa el 34.56% del agua que actualmente se gasta en dichas huertas.

Análisis de la densidad de pozos de uso privado.

Después de haber ubicado los pozos de CONAGUA dentro del área de estudio (Figura 7), se observa que algunos de ellos no quedan exactamente dentro del polígono de la huerta más cercana; y esto se debe principalmente a que el pozo fue perforado entre el área de huerta y la vivienda o las bodegas que sirven a la misma, por lo anterior es lógico afirmar que el pozo es mayormente utilizado para el riego de los árboles de manzana. Lo anterior se corroboró con diversas visitas de campo. Los resultados del anterior análisis se muestran en el cuadro 3.


Simbología

Pozos CONAGUA Huertas de manzana Urbano

Figura 7. Pozos concesionados por CONAGUA

dentro del área de estudio al 2004. (Autoría propia)

Uso de suelo Area (Ha)Pozos JMAS

PozosCONAGUA

Pozostotales

Densidad (Pozos/Ha)

Urbano 2808.331689 8 80 88 0.03133533

Huertas 1675.521241 0 344 344 0.205309244

Cuadro 3. Densidad de pozos en el área de estudio

Discusión y conclusiones

De acuerdo a los resultados mostrados en los apartados anteriores, se corro-bora que sin lugar a dudas que existe un desperdicio de agua en la zona de es-tudio debido en gran medida a los tipos de riego que se han venido utilizando en la actividad frutícola, y que está perjudicando de cierta forma la necesidad de agua de la población; se sabe que la recarga del acuífero es menor a la ex-tracción que de él se realiza, y dado que en la zona de estudio la actividad agrí-


cola representa la principal fuente de ingresos, la tecnificación de los riegos es una buena solución para las huertas de la zona, dónde la competencia por el recurso hídrico es tan fuerte.

La presencia de las huertas de manzana limita de cierta forma el cre-cimiento ordenado de la ciudad, lo cual causa problemas en la prestación de los servicios públicos de la mancha urbana, como es el caso del agua, lo cual se puede ver en déficit actual de agua en ocasiones en las colonias alejadas de los puntos de bombeo de agua, que coinciden con las zonas elevadas donde no existe la extracción de agua. La urbanización se está realizando sobre huertas de manzana antiguas, lo cual deja en claro que la ciudad crece hacia dónde el acuífero se ve más abatido. Esto marca a su vez una tendencia de crecimiento, ya que las huertas urbanas son de las más antiguas de la región, y es a dónde se está extendiendo la mancha urbana. Esta tendencia representa un problema inminente en el suministro de agua, ya que el problema de abastecimiento de agua en la ciudad se tiene contemplado solucionar con la construcción de más tanques para el almacenamiento para posteriormente bombearlo a la red hidráulica. Por otra parte, la solución al problema de falta de disponibilidad de agua bombeada en la red hidráulica se está llevando a cabo por parte de JMAS y consiste en la perforación de pozos al norte de la ciudad, lo que significa que se va a importar agua hacia la zona de la ciudad.

Estas dos acciones que actualmente se están realizando van enfocadas a satisfacer las necesidades de la ciudad, pero son acciones que solamente resuel-ven el problema a corto plazo y que no están atacando el problema principal, que es el abatimiento del acuífero. Es decir, se resuelve el problema del desa-basto, pero el agua se seguirá agotando bajo las condiciones actuales.

Las extracciones de agua de JMAS se realizan en la misma zona donde existen gran cantidad de hectáreas de manzana con riego de microaspersión y con niveles estáticos profundos, lo que representa una fuerte presión del recur-so hídrico en esa zona. En esta misma zona existe también la mayor densidad de pozos concesionados por CONAGUA, lo que nos indica que en estas áreas es donde la competencia por el agua es más fuerte aún. Esta zona tiene un tipo de suelo que favorece la extracción de agua y la actividad agrícola, ya que esta zona se encuentra en una llanura aluvial.

En cambio en las zonas donde los niveles estáticos son más elevados (menos profundos), al este, sureste, sur y suroeste (Anexo 2), existe una menor densidad de pozos y se debe a que el tipo de roca que compone al suelo es roca ígnea extrusiva y estas zonas están más elevadas, lo cual quiere decir que es más difícil la perforación de pozos y no es un suelo favorable a la actividad agrícola.


Referencias

Arreguin, F., López, M., y Marengo, H. (2010). Los retos del agua en México en el siglo XXI. Retos de la investigación del agua en México, 19-33.

Bravo Peña, L. C., Díaz, R., Alatorre, L., Sánchez, E., y Aguilar, S. (2010). Cambios de la cubierta vegetal y los usos del suelo en una cuenca endo-rréica de la región central de Chihuahua en el periodo 1993-2010. Una zonificación desde la perspectiva hidrofuncional. Memorias Reunión Nacional SELPER-México XIX, 390-398.

Callejas, N. (2007). Evaluación de Alianza para el Campo de los Sistemas Producto Frutícolas en el Estado de Chihuahua. Retrieved Marzo 25, 2013, from http://www.fz.uach.mx/data/files/Alianza/informe%20completo%20fruticola%20final.pdf

CONAGUA. (2008). Estadísticas del Agua en México 2008. Retrieved Mar-zo 23, 2013, from CONAGUA: http://www.conagua.gob.mx/CONA-GUA07/Publicaciones/Publicaciones/EAM_2008.pdf

CONAGUA. (2011, Marzo). Estadísticas del agua en México, edición 2011. Retrieved Marzo 23, 2013, from http://www.conagua.gob.mx/OCB07/Contenido/Documentos/EstadisticaAguamexico2011.pdf

Díaz-Padilla, G. (2011, septiembre). Mapeo del índice de aridez y su distribu-ción poblacional en México. Revista Chapingo. Serie ciencias forestales y del ambiente, vol. XVII, pp. 267-275.

ESRI. (2012, 11 7). ArcGIS Resource Center. Retrieved 02 05, 2013, from http://resources.arcgis.com/en/home/

Gobierno del Estado de Chihuahua. (2004). Plan estatal de desarrollo 2004-2010, agua. Retrieved from http://bva.colech.edu.mx/xmlui/hand-le/1/1024

INEGI. (2005). INEGI. Retrieved 03 26, 2013, from http://www3.inegi.org.mx/sistemas/mexicocifras/datos-geograficos/08/08017.pdf

López, L. (2003). El concepto de desarrollo humano, su importancia y apli-cación en México. México: Programa de las Naciones Unidas para el Desarrollo [PNUD].

Orozco, A. (2007). Determinación del régimen de riego para manzano bajo microaspersión mediante el uso de estaciones meteorológicas y sondas de captancia (FDR). Retos de la investigación del agua en México, 239-253.

Orozco, A. (2012). Manejo eficiente del agua de riego en manzano mediante goteo y acolchado de subproductos forestales. Red Temática del Agua


del Consejo Nacional de Ciencia y Tecnología (RETAC - CONA-CYT).

Shah, A. (2010). Land degradation and migration in dry land región in India: extent, nature and determinants. Environment and Development Econo-mics 15(2), 173-196.

Verbist K., S. F. (2010). Atlas de Zonas Áridas de América Latina y El Caribe. . Retrieved from CAZALAC. Documentos Técnicos del PHI-LAC.


Anexos

Anexo 1

Sim

bolo

gía

Splin

e(m

etro

s de

pro

fund

idad

)Va

lueMá

s pro

fund

o: 4

23.3

69

Meno

s pro

fund

o


Anexo 2

Sim

bolo

gía

Inte

rpol

ació

n Ga

usia

na

[P

ozos

_ACT

].[N_

Está

tico]

[M

ASCA

RA]

12

5 -1

27.9

4034

9

12

7.94

0349

- 13

0.70

9567

13

0.70

9567

-133

.649

916

13

0.64

9916

- 13

6.77

1971

13

6.77

1971

- 14

0.08

6961

14

0.08

6961

- 14

3.60

6809

14

3.60

6809

- 14

7.34

4174

14

7.34

4147

- 15

1.31

2499

15

1.31

2449

- 15

5.52

6056

15

5.52

6056

- 16

0


Anexo 3

Sim

bolo

gía

Erro

r est

ánda

r de

pred

icci

ón

[P

ozos

_ACT

].[N_

Está

tico]

[M

ASCA

RA]

1.

9581

0584

- 3.

2278

4855

3.

2278

4855

- 4.

1139

1384

4.

1139

1384

- 4.

7322

3731

4.

7322

3731

- 5.

6183

026

5.

6183

026

- 6.8

8804

531

6.

8880

4531

- 8.

7076

0257

8.

7076

0257

- 11

.315

051

11

.315

051

- 15.

5015

574

15

.501

5574

- 20

.406

018

20

.406

018

- 28.

0790

273


Anexo 4

Sim

bolo

gía

Splin

e (m

etro

s de

prof

undid

ad)

Má

s pro

fund

o: 4

23.3

69

Meno

s pro

fund

o: 1

19.0

06

Huer

tas

Rieg

o

Ac

olcha

do

Go

teo

Mi

croa

sper

sión

Sim

bolo

gía

Inte

rpol

ació

n Ga

usia

na

[P

ozos

_ACT

].[N_

Está

tico]

[M

ASCA

RA]

12

5 -1

27.9

4034

9

12

7.94

0349

- 13

0.70

9567

13

0.70

9567

-133

.649

916

13

0.64

9916

- 13

6.77

1971

13

6.77

1971

- 14

0.08

6961

14

0.08

6961

- 14

3.60

6809

14

3.60

6809

- 14

7.34

4174

14

7.34

4147

- 15

1.31

2499

15

1.31

2449

- 15

5.52

6056

15

5.52

6056

- 16

0

141

Predicción y modelación del crecimiento urbano

de Ciudad Cuauhtémoc, Chihuahua del 2010, usando autómatas celulares (SLEUTH)

Manuel Octavio González León, Hugo Luis Rojas Villalobos, Luis Carlos Alatorre Cejudo y Luis Carlos Bravo Peña

Introducción

El estudio del crecimiento urbano, encuentra cada día nuevos retos debido a los impactos ambientales, sociales, económi-cos y culturales que comprenden los procesos de urbanización (Cifuentes, 2009). En la actualidad existe un proceso de ur-banización acelerado, por lo que han surgido cambios impor-tantes en los patrones de crecimiento de la población en las ciudades (Cifuentes, 2009).

Dada la competencia por el suelo urbano, aquellos espacios de mejor accesibilidad adquieren mayor valor, al ser los sectores de mayor demanda (Hoyt, 2005). Por lo que las vías de comunicación se convierten en factores importantes de crecimiento urbano. Otro factor que ha sido protagonista en el cambio del espacio urbano es la economía, sin embargo, existen diferentes factores que pueden incidir en el crecimiento de una ciudad como son, la


topografía y las construcciones de equipamientos, como lo son educativos, de salud, culturales, administrativos, entre otros (Ascher, 1992).

En algunas ciudades de América Latina, un importante factor de creci-miento urbano ha sido el surgimiento de nuevas zonas residenciales, comercios, equipamientos y servicios destinados a grupos sociales (Parrado, 2001). Dentro de la ciudad, diversas actividades se han ido desplegando hacia lugares específi-cos en la periferia, originando nuevos focos de crecimiento para la localización de actividades de alta tecnología y servicios especializados (Cifuentes, 2009).

Se hace evidente entonces la necesidad de la planeación urbana que es de gran importancia para la toma de decisiones y planeación del crecimiento urbano, la cual permite evaluar distintas políticas tales como las de control de crecimiento urbano, conservación ambiental, etcétera (Brugués et al., 2008).

El hecho de poder contar con herramientas que simulen la tendencia del crecimiento urbano, es útil para conocer hacia donde nos dirigimos sobre todo en este contexto en el que los cambios acontecen de manera acelerada (Aguilera, 2010), así como para apoyar a planificadores urbanos y tomadores de decisiones (Brugués et al., 2008).

La simulación de patrones espaciales urbanos futuros pueden proveer elementos de cómo nuestras ciudades pueden desarrollarse bajo variadas con-diciones sociales, económicas y ambientales (Clarke et al., 1997). Estos avan-ces en los modelos de crecimiento urbano permiten hacer estudios formales y sistemáticos de posibles escenarios, y proveen las bases para preparar o evaluar políticas urbanas para ayudar a la planificación (Brugués et al., 2008).

El uso de modelos de simulación para estudiar el cambio de usos de sue-lo se ha convertido en algo habitual y ha experimentado un desarrollo acelera-do en los últimos años (Batty, 1997), siendo especialmente relevantes aquellos que se han ocupado de modelizar procesos de crecimiento urbano (Verburg et al., 2004).

La técnica de simulación mediante autómatas celulares (AC), que se re-monta a fines de la década de los 40s (Engelen et al., 1997), se ha convertido en los últimos años en una técnica estándar para estudiar la dinámica temporal de muchas cuestiones y, en primer lugar, el crecimiento urbano (Aguilera, 2006). Los modelos realizados con AC se han utilizado para simular diferentes tipos de formas urbanas y formas de desarrollo (Li y Yeh, 2000) y para investigar la evo-lución de la estructura espacial urbana en el tiempo (White y Engelen, 2000).

Debido al crecimiento acelerado de la población y de la mancha urba-na que ha presentado Ciudad Cuauhtémoc, Chihuahua la planeación para el mejoramiento de la estructura urbana puede ser deficiente. Una buena forma


para hacer la planeación dentro del contexto del crecimiento urbano de la ciudad es mediante una predicción del mismo. SLEUTH es un programa no-vedoso con el cual se pueden realizar modelos de predicción del crecimiento urbano. Para ciudad Cuauhtémoc, Chihuahua la predicción del crecimiento urbano simulada con el modelo SLEUTH para el año 2010, se ajusta a la realidad del mismo año.

El objetivo de este estudio fue simular y predecir el crecimiento urba-no de ciudad Cuauhtémoc para el año 2010, mediante el uso de un modelo de simulación de autómatas celulares (SLEUTH), y hacer una comparación entre los resultados obtenidos y una imagen satelital del mismo año, para así obtener el grado de ajuste del modelo predicho con la realidad, y saber si es confiable o no utilizar este modelo para realizar estudios a futuro que ayuden a la toma de decisiones y planear el crecimiento de la ciudad.

Metodología

Área de estudio

La investigación se llevó a cabo dentro del municipio de Cuauhtémoc en la zona centro-oeste del estado de Chihuahua, México entre 28°21’ y 28°28’ de latitud norte y 106°56’ y 106°46’ de latitud oeste, la cual abarca la mancha ur-bana de ciudad Cuauhtémoc (Figura 1).

Cuauhtémoc es una de las principales ciudades del estado de Chihuahua, su municipio cuenta con una población total de 154,639 habitantes (INEGI, 2010) y en los últimos años el crecimiento poblacional ha ido aumentando aceleradamente, del año 2000 al 2010 la población incremento el 24% apro-ximadamente. La región de Cuauhtémoc se caracteriza por la producción de manzana y su gran cantidad de tierras agrícolas basadas principalmente en la siembra de maíz y frijol.

Programa SLEUTH

El programa SLEUTH es un modelo simulador de predicciones del crecimien-to urbano y otros cambios de uso de suelo basado en autómatas celulares. Este modelo programado en lenguaje C, utiliza imágenes satelitales y una base de datos geoespaciales como datos históricos para la calibración de sus paráme-tros y para la predicción de crecimiento urbano. El nombre del programa hace


referencia a los datos de entrada que necesita: Slope, Landuse, Excluded, Ur-ban, Transportation y Hillshade (Pendiente, Usos de suelo, zonas de Exclusión, áreas Urbanas, red de transporte y sombreado de colinas). El funcionamiento del modelo es a partir de un grupo de coeficientes dados por el programa, los cuales son de difusión, de raza, de propagación, de pendiente y de caminos, que aplican un conjunto de reglas que se comparan con un conjunto de valores críticos a partir de los cuales se automodifican los coeficientes para generar un nuevo ciclo de crecimiento (Brugués et al., 2008). La predicción, que se realiza a partir de un conjunto de valores obtenidos de la calibración de los datos de entrada, hace el proceso mediante ciclos de crecimiento hasta llegar a la fecha de predicción a la que se desea llegar (Brugués et al., 2008) (Figura 2).

Adquisición de datos

Este estudio utilizó datos de varias fuentes para obtener los requerimientos del modelo, incluyendo Sistemas de Información Geográfica (SIG), imáge-nes satelitales Landsat-TM, las cuales se descargaron de la página web de USGS (USGS, Earth Resources Observation and Science Center, 2012) y un Modelo Digital de Elevaciones (MDE) obtenidas del Instituto Nacional de Estadística y Geografía (INEGI, 2010).

Procesamiento y homogenización de los datos

Para obtener los datos de entrada de SLEUTH, en primer término se seleccio-nó, cortó y exportó a un formato de archivo informático (.TIF, que es una ima-gen), el área de estudio mediante el software Idrisi Taiga. Luego se utilizó el software ArcMap en su versión 10 para realizar una clasificación manual me-diante fotointerpretación, usando como base las imágenes Landsat-TM en sus diferentes años. Se digitalizó con vectores poligonales el área urbana, la red de transporte y usos de suelo, dando a cada área clasificada una ponderación (Cua-dro 1). Después se convirtieron los polígonos a formato raster.


Figura 1. Localización del área de estudio. Mancha urbana de ciudad Cuauhtémoc, Chihuahua.

Condiciones

Imágenes de entrada

Valoresiniciales

Mejor coeficiente S

Generación de ciclosde crecimiento

Modelo de simulación

+

Slope

Land cover

Exluded

Urban

Transportation

Hillshade

Calibración del modelo

Condiciones Generación de ciclos de crecimientoModelo de simulación

Valores iniciales

Mejor coeficiente+Calibración del

modelo

Slope

Land Cover

Exluded

Urban

Transportation

Hillshade

S

Figura 2. Proceso de predicción del modelo SLEUTH. Fuente: USGS, Pro-ject Gigalopolis: Urban and Land Cover Modeling. dándole el peso gene-

rado con los vectores. Con el mismo software se realizaron el sombreado de colinas (Hillshade) y el mapa de pendientes mediante el MDE.

Cuadro 1. Valores que tienen los datos de entrada


Datos de entrada ValoresÁrea urbana 0 y 254

Red de transporte 0, 1, 2 y 4

Usos de suelo 1, 2, 3, 4 y 5

Sombreado de colinas De 0 a100

Pendientes De 0 a 100

Zonas de exclusión 0, 30 y 100

Generación de la base de datos de entrada de SLEUTH

a) Pendientes (slope)La forma de la tierra, representada por las pendientes, es determinante para el crecimiento urbano. En las extensiones planas, al contrario de los lugares en donde la pendiente aumenta, es más fácil el crecimiento debido a la estabili-dad del suelo para las estructuras de los desarrollos urbanos.

Como su nombre lo indica, esta imagen muestra las pendientes las cua-les se representan en porcentajes y se obtienen entre la altura y la distancia del terreno. Los valores de este dato de entrada tienen un rango de 0 a 100 en escala de grises y se obtuvieron a partir del Modelo Digital de Elevaciones (Figura 3).

Figura 3. Imagen de pendientes representada en porcentajes, ciudad Cuauhtémoc, Chihuahua.


b) Cobertura de suelo (landuse)La cobertura de suelo es un requerimiento de SLEUTH usado para represen-tar el uso de suelo. Es una entrada opcional que se genera para dos años. Para este estudio se realizaron para el año 1990 y 2005, en donde la clasificación tiene cinco valores en los pixeles que van del 1 al 5, representando las áreas de urbano, agrícola, no utilizado, forestal y cuerpos de agua (Figura 4 y 5).

Para generar esta imagen se digitalizó cada clasificación mediante fo-tointerpretación de las imágenes Landsat-TM. Esto consiste en hacer polígo-nos de tipo vector en cada uso de suelo para posteriormente transformarlo a formato raster.

c) Exclusión (excluded)Las áreas de exclusión son las zonas que no pueden ser urbanizadas, para este trabajo se tomaron en cuenta los cuerpos de agua, las huertas de manzana y las pendientes. Los pixeles de las zonas excluidas van de 0 a 100, con valor de 0 en donde no se tienen restricciones de crecimiento urbano y 100 las áreas que no pueden ser urbanizadas.

Leyenda U Urbano A Agrícola NU No utilizado F Forestal CA Cuerpos

de agua

Figura 4. Usos de suelo del año 1990, ciudad Cuauhtémoc, Chihuahua.


Leyenda U Urbano A Agrícola NU No utilizado F Forestal CA Cuerpos

de agua

Figura 5. Usos de suelo del año 2005, ciudad Cuauhtémoc, Chihuahua.

Para este trabajo se agregó un valor de 30 en el uso de suelo agrícola, con el fin de darle una resistencia debido a que los dueños de los terrenos, es-peculan con el valor de la tierra ya que se van generando servicios sanitarios y eléctricos alrededor (Antequera, 2010), y un valor de 100 en las huertas por el motivo de que, con base a la fotointerpretación, se observa el casi nulo cambio de uso de suelo en estas áreas; también se obtuvo el valor de 100 mediante las pendientes que superan la inclinación para la construcción y a los cuerpos de agua (Figura 6).

En la imagen se observa de color blanco las áreas excluidas, en la parte inferior derecha se encuentran montañas y lomeríos de la zona, al centro de la imagen se muestran las huertas en su mayoría de manzana y en color gris el área agrícola.

d) Zonas urbanas (urban)Las zonas urbanas son la delimitación de lo urbano y lo no urbano. SLEUTH requiere de un mínimo de 4 imágenes urbanas para determinar los datos his-tóricos de crecimiento.


Para representar las zonas urbanas, los pixeles toman valores de 0 a 255, en donde 0 es lo no urbano y los demás valores lo urbano (Figura 7).

Figura 6. Áreas que presentan resistencia para el crecimiento urbano, ciudad Cuauhtémoc, Chihuahua.

Esta clasificación se realizó con base en las imágenes satelitales Land-sat-TM, digitalizando polígonos urbanos y no urbanos para posteriormente modificarlos a formato raster. Los polígonos que tenían un área menor a 0.4 km2, los cuales fueron digitalizados a escala 1: 10 000, se eliminaron debido a que el área mínima cartografiable no debe ser menor a 4mm2 (2 x 2 mm), medidos a escala del mapa (Chuvieco, 2000).

El crecimiento urbano de los cuatro años mostró una tendencia princi-palmente hacia el oeste. El periodo que más crecimiento tuvo, según la digi-talización realizada, fue entre los años 2000 y 2005 con una expansión de la mancha urbana de 4.53 km2.


e) Red de transporte (transportation)Dentro de SLEUTH la red de transporte representa hacia donde puede crecer la ciudad tomando en cuenta la influencia de las vialidades principales. Esta red se genera a partir de las avenidas o caminos principales de la ciudad, a las cuales se les da un peso dependiendo su accesibilidad.

Figura 7. Mancha urbana de Ciudad Cuauhtémoc, Chihuahua de los años 1990, 1995, 2000 y 2005.

Son necesarias mínimo 4 imágenes de años distintos de la red de trans-porte para los datos de entrada del programa. En este caso se dieron tres va-lores a los pixeles, en donde el valor 4 son las vialidades de alta accesibilidad o vialidades regionales, 2 las de medio acceso y 1 las de bajo acceso (Figura 8).

En las imágenes generadas para este trabajo, se identificaron como via-lidades de alto acceso las avenidas que conectan con las salidas de la ciudad, estas son la Avenida 16 de Septiembre que conecta con la carretera Cuauhté-


moc-Chihuahua, el Boulevard Fernando Baeza, que se une con la carretera a La Junta, la vialidad José María Morelos que conecta a la carretera a Anáhuac, también se identificó el corredor comercial, la carretera a Carichi, y dentro de la ciudad la avenida Ignacio Allende que es de las más transitadas. Estas via-lidades no cambiaron durante este periodo y fueron las únicas de alto acceso para los cuatro años. Las vialidades de medio y bajo acceso tuvieron un cambio notable entre los años 2000 y 2005, sin embargo, ninguna cambio a vialidad de alto flujo vehicular.

Figura 8. Vialidades principales de Ciudad Cuauhtémoc, Chihuahua.

f) Sombreado de colinas (hillshade)Se requiere usar el hillshade como dato de entrada en SLEUTH. Este es co-locado en el resultado como imagen de fondo para darle un aspecto tridimen-sional y para tener una mejor visualización del relieve. El MDE transformado a hillshade tiene una escala de grises que van del 0 al 100 (Figura 9).


g) Formato de entradaLas imágenes de entrada de SLEUTH necesitan estar en un formato de inter-cambio de gráficos (.GIF), deben de ser consistentes en su tamaño, tanto en el número de filas como de renglones en cada imagen y tener una especificación para darle un valor a cada pixel (Clarke y Hoppen, 1997). Las imágenes llevan un formato en su nombre y deben ser ubicadas en las carpetas de entrada para poder obtener la ejecución correctamente.

Compilación y ejecución de SLEUTH

Figura 9. Sombreado de colinas, Ciudad Cuauhtémoc, Chihuahua.

Para poder correr SLEUTH en su versión 3.0 para el sistema operativo Linux, fue necesario compilar y correr el archivo que contiene los datos de en-trada. Para este estudio se utilizó la herramienta cygwin, que es un compilador de Linux y se puede utilizar dentro del sistema operativo Windows.

Se usó la herramienta cygwin, obtenida desde el sitio web de la misma (GPL, 2012), con la que se compiló la carpeta de SLEUTH copiada dentro del área de trabajo ubicada en la carpeta de cygwin que se instaló en el disco


duro de la computadora. Después de compilar la carpeta Scenarios, se ejecutó el archivo escenario que contiene los datos modificados para cada estudio al cual se le realizó la calibración y predicción.

Calibración del modelo

La calibración del modelo es un ajuste de los datos de entrada de los cuales se derivan un conjunto de valores estimados. Esta estimación se genera a par-tir de los cambios de los datos históricos de entrada y de la comparación del suelo.

Esta fase se siguió en tres pasos denominados gruesa, fina y final (coarse, fine, final), los cuales ayudan a obtener los mejores valores de los cinco pará-metros con los que se determina el crecimiento urbano.

La calibración se realizó a través de interactuar con los valores de los coeficientes hasta tener el valor óptimo de cada coeficiente. Estos coeficientes son: el coeficiente de difusión (diffusion), que determina la dispersión general de la distribución de cuadrícula y la circulación de los nuevos asentamientos hacia el exterior a través de la red de transporte; el coeficiente raza (breed), que determina la probabilidad de una solución recién generada a partir de su propio ciclo de crecimiento; un coeficiente de propagación (spread), que con-trola que tan normal se hace la expansión dentro del sistema; un coeficiente de resistencia a la pendiente (slope), el cual disminuye el crecimiento a donde las pendientes son más pronunciadas, y un coeficiente de caminos (road), que crea nuevos asentamientos hacia donde se dirige la red de transporte ya existente.

Los valores de los parámetros de la calibración pueden ir de 0 a 100, los que indican la importancia de cada tipo de crecimiento urbano en el proceso de predicción de crecimiento. Entre más alto sea el valor del parámetro, mayor será la el efecto de este parámetro en la generación del crecimiento urbano (Márquez, 2008). Para realizar la calibración se requieren como base cuatro imágenes que representen lo urbano, cuatro imágenes de la red de transporte, la imagen de pendientes, de exclusión y la de sombreado de colinas.

En cada calibración se creó un archivo denominado control_stats.log, el cual contiene los resultados de las estadísticas creadas por la calibración. Dentro de estos valores se encuentra la medida de Lee Sallee que es el ajuste espacial entre el modelo de crecimiento y la extensión urbana conocida para el control de los años, en donde 1 es la combinación perfecta y 0 representa un espacio de desconexión. Esta medida es utilizada para generar los valores que lleva cada coeficiente de calibración dentro del documento de escenario.


a) Calibración gruesaEn esta fase inicial de calibración, se comenzó con valores que van de 0 a 100 dentro de los parámetros, en donde los pasos se colocaron con un valor de 25. Con esto, el crecimiento en cada parámetro puede tomar el valor de 0, 25, 50, 75 o 100. También se debe de cambiar a un valor bajo (~4-5) la configuración de Monte Carlo.

Para esta calibración los datos de entrada tienen que ser de ¼ de la reso-lución original de las imágenes. Por ejemplo, si un conjunto de datos tiene una resolución de 200x200, para la calibración gruesa las imágenes tienen que ser reemplazadas por una resolución de 50x50. En esta fase se utiliza el tamaño de celda más grande de los tres pasos de calibración.

Dentro de los resultados de la calibración, se ordenaron los datos de mayor a menor con base a la medida de Lee Salle para obtener los primeros tres valores de los parámetros, los cuales se colocan en los parámetros de la siguiente calibración.

b) Calibración finaEn esta fase de calibración los coeficientes del documento escenario toman los valores obtenidos de la calibración gruesa, los cuales generan índices que identifican las combinaciones de los valores de cada parámetro que generan mejores simulaciones. La configuración de Monte Carlo se debe de cambiar a un valor bajo (~7-8).

Para la calibración fina los datos de entrada deben de ser cambiados por los que tienen ½ resolución. Por ejemplo, si un conjunto de datos tiene una resolución de 200x200, en este proceso las imágenes deben de tener una resolución de 100x100.

En los resultados de los datos, lo recomendable es que los rangos se re-dujeran a los incrementos de 5 - 10 para poder ser utilizados al mismo tiempo sólo con valores de 5-6 en el coeficiente, por ejemplo, en cada coeficiente, el valor sería de 25, 30, 35, 40, 45, 50.

Después de correr este paso se ordenaron los datos de mayor a menor con base a la medida de Lee Salle. El primer valor es el que se coloca en los parámetros de la calibración final.

c) Calibración finalEn la calibración final, los valores de los coeficientes se reducen aún más. En esta fase lo recomendable es que los rangos se redujeran a los incrementos de


1 - 3 para poder ser utilizados al mismo tiempo sólo con valores de 5-6 en el coeficiente, por ejemplo, en cada coeficiente, el valor sería de 4, 6, 8, 10, 12, 14.

En la calibración final se usa la resolución completa de las imágenes en la entrada de los datos.

Los parámetros se obtienen de la calibración fina y los pasos son de 1. El valor de Monte Carlo se cambia a un valor bajo de entre 8 y 10.

d) Mejores valores de calibraciónEn este paso se seleccionan los mejores valores, derivados de la calibración gruesa, fina y final, para realizar la predicción y la configuración de Monte Carlo incrementa a un valor de 100 o mayor. El archivo avg.log generado en la carpeta de salida, contendrá los mejores valores que se colocan en el coe-ficiente de predicción, esto es debido a que las iteraciones de Monte Carlo incrementan y producen un conjunto más robusto de valores. El valor que se utiliza en los parámetros de la predicción se ubica en el último renglón del archivo en números que se tienen que convertir a reales.

Predicción del modelo

La predicción dentro de SLEUTH se basó en las tendencias del crecimiento urbano del pasado (Márquez, 2008), las cuales son usadas para generar el cre-cimiento a futuro. Después de haber seleccionado los mejores valores de cre-cimiento del pasado, se realizó el crecimiento a futuro.

El año de inicio de la predicción debe de ser el último año de las imáge-nes de entrada con las que se realizó la calibración. Para este estudio la fecha de inicio es el 2005 y la final el 2010.

Los datos de entrada de la predicción son las imágenes con resolución completa de pendientes, zonas de exclusión, red de transporte, sombreado de colinas y los datos más recientes generados con la calibración.

Comparación entre el modelo de predicción y la imagen real

Debido a que es posible formular diferentes criterios que permiten medir la similitud de dos mapas y de esa manera establecer la validez de un modelo de simulación (Pascual et al., 2010), se realizó la comparción entre el modelo de predicción del crecimiento urbano de Ciudad Cuauhtémoc del año 2010 y la imagen satelital de la misma fecha, mediante el programa ArcMap 10 se rea-


lizó una digitalización de las áreas que crecieron del 2005 al 2010, con base a las imágenes satelitales Landsat-TM; después, la digitalización se empató con el modelo predicho y se hizo una comparación mediante fotointerpretación para determinar las zonas urbanas que coincidieron.

Resultados y discusión

Modelo de Predicción

Los resultados del modelo, debido a lo dinámico que pueden ser los factores en el proceso del crecimiento urbano, condicionan a que las áreas que se pre-dijeron se representen en probabilidades (Brugués et al., 2008). La figura 10 muestra la mancha urbana base de la predicción, las vialidades principales y un rango de probabilidad de crecimiento representado en colores obtenido del modelo SLEUTH.

El modelo de predicción representa la posibilidad de crecimiento urba-no hasta el año 2010 y muestra las tendencias de expansión, siendo principal-mente hacia el norte y oeste de la ciudad.

Un elemento que influencia fuertemente la expansión urbana son las vialidades regionales con mayor flujo vehicular, esto debido a que en los años anteriores el crecimiento de la mancha urbana fue atraído por zonas en donde se encontraban cerca estas redes de transporte.

El modelo de predicción generó crecimiento en todos los polígonos ur-banos de los datos de entrada, siendo que en algunos polígonos no se presentó crecimiento en este periodo donde se encuentran los valores iniciales.

A partir de los modelos teóricos de crecimiento urbano, en el modelo se observa que el crecimiento fue en forma concéntrica, que es el crecimiento en forma de anillos en torno al área central de la mancha urbana (Burgess et al., 1925), y en forma de núcleos múltiples (Harris y Ullman, 1945), en donde los usos de suelo se disponen alrededor de los núcleos de crecimiento separados entre sí; estos tipos de crecimiento se generaron en todas las zonas urbanas, excluyendo las áreas que presentaron algún tipo de resistencia de crecimiento, como lo fue en este caso las huertas de manzana.


Resultados de la comparación

Figura 10. Modelo de predicción generado con SLEUTH.

El crecimiento real se mostró al igual que en el que generó el modelo, un crecimiento urbano hacia zonas pegadas a la mancha urbana base La com-paración entre el modelo de predicción y el crecimiento real arrojó una baja coincidencia en el total de las probabilidades; sin embargo, los porcentajes de probabilidad de crecimiento fueron incrementando a partir del 70% y se obtuvo una alta coincidencia en los resultados en lo que SLEUTH determinó que la probabilidad de crecimiento era de entre 90 y 100%. La predicción y el crecimiento real que se presentó entre los años 2005 y 2010. El cuadro 2 muestra el área de crecimiento y el porcentaje de coincidencia del modelo de predicción y el crecimiento real de ciudad Cuauhtémoc, determinados a partir de las probabilidades de crecimiento generadas con el modelo SLEUTH.

El área total de crecimiento predicho fue de 10.54 Km2, en donde las probabilidades de crecimiento de 70 a 100% tuvieron poca área de expansión y las que van de 0 a 20 % y de 50 a 70 % fueron las que más crecieron. El área de crecimiento real total fue de 1.24 Km2, teniendo uno mayor crecimiento en


la probabilidad de 0 a 20% y de 50 a 80%. El rango con mayor posibilidad de crecimiento urbano en el modelo, que va de 90 a 100%, tuvo 0.02 Km2 y coin-cidió con el crecimiento real en 36.77%. La coincidencia total entre la com-paración de ambos resultados fue de 11.78%, indicando un porcentaje bajo.

Figura 11. Áreas de coincidencia entre lo real y el modelo de predicción.

Cuadro 2. Áreas de crecimiento del modelo de predicción y del crecimiento real.

Probabilidad de Crecimiento Urbano

Área de crecimiento predicho (Km2)

Área de crecimiento real (Km2)

Porcentaje de coincidencia

0 – 10 % 2.784 0.230 8.27110 – 20 % 1.758 0.143 8.16220 – 30 % 0.985 0.083 8.47030 – 40 % 0.783 0.108 13.83940 – 50 % 0.836 0.099 11.92050 – 60 % 1.242 0.122 9.87860 – 70 % 1.113 0.130 11.718

Continúa...


Probabilidad de Crecimiento Urbano

Área de crecimiento predicho (Km2)

Área de crecimiento real (Km2)

Porcentaje de coincidencia

70 – 80 % 0.703 0.115 16.48680 – 90 % 0.305 0.058 19.11890 – 100 % 0.028 0.010 36.771

Total 10.54 1.24 11.78

3

2.5

2

1.5

1

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

0.5

Crecimiento predicho Crecimiento real

Probabilidad de crecimiento

Área

de

crec

imien

to (k

m2 )

0

Figura 12. Gráfica de comparación entre el crecimiento real y el predicho con SLEUTH.

En la figura 12 se observa la notable diferencia en la comparación del crecimiento real y predicho. En donde se presentó mayor crecimiento, basado en el resultado del modelo SLEUTH, fue en donde hubo baja probabilidad y en donde hubo mayor grado de certeza fue el crecimiento en áreas menores a 0.1 km2.

Conclusión

Aun cuando se utilizaron imágenes Landsat-TM, las cuales tienen una baja resolución espacial (30 x 30 metros), se pudo hacer una confiable digitaliza-ción de los diferentes tipos de usos de suelo que requirió el modelo de predic-ción y la comparación con el crecimiento real.

Los parámetros generados por el modelo, con base a los requerimientos de entrada, son parte crucial para generar la predicción del crecimiento ur-


bano, ya que con estos se obtienen los mejores valores para realizar la fase de predicción la cual da como resultado el modelo.

La forma de representar los datos de entrada, generados por medio de la fotointerpretación, tienen una mejor delimitación de los usos de suelo en comparación a métodos de clasificación que son realizados por el software.

La forma de crecimiento que arroja SLEUTH pudo haber sido porque no toma factores que pueden ser relevantes para el crecimiento de la mancha urbana, como lo son construcciones educativas, comerciales, de salud, cultura-les, administrativas entre otras.

Aunque el total de coincidencia del modelo fue de 11.78%, la coinci-dencia en la comparación aumentó en los rangos más altos de certidumbre del modelo de predicción, por lo tanto SLEUTH puede generar una predicción con resultados confiables tomando en cuenta las zonas con alto nivel de pro-babilidad de crecimiento.

Se recomienda que en los datos de entrada que usa el modelo SLEUTH sean definidos con imágenes de alta calidad para obtener un mejor resultado en la clasificación de usos de suelo y que se utilicen computadoras con proce-sadores novedosos ya que la calibración de los datos es muy tardada.

Agradecimientos

Un agradecimiento especial al personal académico y administrativo de la Universidad Autónoma de Ciudad Juárez por su apoyo para poder realizar este proyecto de titulación. Al Mtro. Hugo Luis Rojas Villalobos director de mi proyecto. Al Dr. Alejandro Brugués Rodríguez del Colegio de la Frontera Norte por atenderme y compartirme su conocimiento el cual fue fundamental en mi trabajo. A la Mtra. Lara Cecilia Wiebe Quintana por su apoyo en la re-visión y ayuda en las correcciones. Al Dr. Luis Carlos Alatorre Cejudo y al Dr. Luis Carlos Bravo Peña por sus enriquecedores comentarios y aportaciones.

Referencias

Aguilera Benavente, F. (2006). Predicción del crecimiento urbano median-te sistemas de información y modelos basados en automatas celulares . GeoFocus, 81-112.

Aguilera Benavente, F., Valenzuela Montes, L. M., y Bosque Sendra, J. (2010). Simulación de escenarios futuros en la aglomeración urbana de Granada


a través de modelos basados en autómatas celulares. Boletín de la Aso-ciación de Geógrafos Españoles, 271-300.

Antequera Durán, N., y Cielo, C. (2010). Ciudad sin fronteras. Sobre la mul-tilocalidad de lo urbano en Bolivia. La Paz: Fondo Editorial Abigail Hodgen.

Ascher, F. (1992). A Metápole. Ou L’avenir des villes . Editions Odile Jacob.Batty, M. (1997). Urban Systems as Cellular Automata. Environment and

Planning B: Planning and Design, 159-164.Brugués Rodríguez, A., Fuentes Flores, C. M., y Cervera Gómez, L. E. (2008).

La simulación del crecimiento urbano de la ciudad de Chihuahua Me-diante la Aplicación de Autómatas Celulares. Antología de estudios te-rritoriales. Fomento de los estudios territoriales en Iberoamérica, 1-25.

Burgess, E. W., y Park, R. E. (1925). The City. Chicago.: University of Chi-cago Press.

Chuvieco, E. (2000). En Fundamentos de Teledetección Espacial (pág. 568). Ed. Rialp Madrid.

Cifuentes, P. A. (2009). Modelización de los factores de crecimiento urbano como aporte a la sostenibilidad. Estudio de caso: Manizales – Colom-bia. Sostenibilidad. Revista Internacional Sostenibilidad, Tecnología y Humanismo, 81-96.

Clarke , K. C., Hoppen , S., y Gaydos, L. (1997). A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area. Environment and Planning B: Planning and Design, 24: 247-261.

Engelen, G., White, R., y Uljee, I. (1997). Integrating constrained cellular au-tomata models,GIS and decision support tools for urban planning and policy-making, in Timmermans H.(ed.), Decision Support Systems in Urban Planning, London: EyFN Spon. 125-155.

GPL, G. (15 de Noviembre de 2012). Cygwin. Obtenido de Cygwin: www.cygwin.com

Harris , C. D., y Ullman, E. L. (1945). The Nature of Cities. The ANNALS of the American Academy of Political and Social Science, 242, 7-17.

Hoyt, H. (2005). The structure and growth of residential neighborhoods: 1939. Progress in Human Geography, Vol. 29, No. 3, 321-325.

INEGI. (30 de Octubre de 2010). Instituto Nacional de Estadística y Geo-grafía. Obtenido de http://www3.inegi.org.mx/sistemas/mexicocifras/

Li, X. y Yeh, A. G. O. (2000). Modelling sustainable urban forms by the inte-gration of constrained cellular automata and GIS. International Journal of Geographical Information, 131-152.


Márquez Lobato, B. Y. (2008). Análisis y simulación del crecimiento urbano utilizando sistemas de información geográficos: Ciudad Juárez, Chi-huahua. Colegio de la Frontera Norte.

Parrado, C. (2001). Metodología para la ordenación del territorio bajo el pris-ma de la sostenibilidad (Estudio de su aplicación en la ciudad de Santa Fe de Bogotá D.C), Tesis Doctoral, Departamento de Ingeniería Mine-ra y Recursos Naturales, Universidad Politécnica de Cataluñ.

Pascual Rosa, V., Aguilera Benavente , F., Plata, W., Gómez Delgado, M., y Bosque Sendra, J. (2010). Simulación de modelos de crecimiento ur-bano: métodos de comparación con los mapas reales. Tecnologías de la Información Geográfica: La Información Geográfica al servicio de los ciudadanos, 1000-1013.

USGS. (15 de Noviembre de 2012). Earth Resources Observation and Scien-ce (EROS) Center. Obtenido de http://glovis.usgs.gov/

USGS. (7 de Mayo de 2013). Project Gigalopolis. Obtenido de Project Giga-lopolis: http://www.ncgia.ucsb.edu/projects/gig/About/bkStrTest.html

Verburg, P., Schot, P., Dijst, M., y Veldkamp, A. (2004). Land use change mo-delling: current practice and research priorities. Geojournal, 309-324.

White, R. y Engelen, G. (2000). High-resolution integrated modelling of the spatial dynamics of urban and regional systems. Environment and Ur-ban Systems, 383-400.

163

Análisis del cambio de cobertura y uso de suelo durante el periodo 1995 –2011, EMC y autómatas

celulares para la predicción del crecimiento urbano, el caso de ciudad Cuauhtémoc, Chihuahua

Jaime Octavio Loya Carrillo, María Elena Torres Olave, Luis Carlos Bravo Peña y Luis Carlos Alatorre Cejudo

Antecedentes

Según el Informe Mundial sobre la Cultura (1998) de la organi-zación de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO), a principios del siglo XX, 150 millo-nes de personas vivían en zonas urbanas, lo que representaba menos del 10% de la población mundial. Sin embargo para cuando el siglo termina, la población urbana en el mundo se ha multiplicado por veinte, para alcanzar casi los tres mil mi-

llones de personas, es decir, que dentro de los núcleos urbanos, se encuentra prácticamente la mitad de la población del planeta (UNESCO, 1999). A pesar de ello, es importante mencionar que aun cuando las expectativas del crecimiento demográfico eran muchas, las tendencias señalan que las tasas de


crecimiento poblacional han disminuido, principalmente en una gran canti-dad de ciudades existentes en los países en vía de desarrollo (Banco Mundial [BM], 2002).

Cabe mencionar que el desarrollo económico, especialmente en Mé-xico, es una de las principales razones del crecimiento urbano, ya que como menciona Garza (2002), se convirtió en una nación esencialmente rural en el año 1900 a otra hegemónicamente urbana en el año 2000, de igual forma, Rionda (2007, 2008), señala que el esquema económico, las reformas insti-tucionales y las bases estructurales del desarrollo, son factores que explican claramente los patrones de urbanización.

Los procesos de crecimiento urbano se presentan en el espacio-tiempo, sobre los diferentes usos y coberturas de suelo existentes al área circundante, lo cual, propicia transformaciones radicales al entorno, ocasionando impactos agresivos al medio ambiente derivándose una gran cantidad de problemas ambientales, que en ocasiones, resultan impredecibles (Alberto, 2009). La im-portancia de este fenómeno, se debe principalmente a la degradación que se provoca en los ecosistemas naturales originales, causados específicamente por la presencia de ciudades, las cuales son el resultado del crecimiento urbano y según varios especialistas en el tema (Alberto, 2009), son consideradas como ecosistemas artificiales, a veces calificadas como parásitos, debido a que to-man energía y recursos de ecosistemas vecinos.

Es claro como la expansión urbana ha ocurrido a lo largo del tiempo a partir de procesos de cambio de cobertura y uso de suelo, en el que se trans-forman espacios naturales o seminaturales en espacios de ocupación urbana (Sandoval, 2009), de tal forma, que este fenómeno ha adquirido gran im-portancia durante los últimos años, debido, a la gran velocidad con la que se comprometen grandes extensiones de terreno, las cuales estuvieron cubiertas inicialmente por diversos usos agrícolas y extensas masas forestales (Romero et al, 2007), por lo que muy seguramente, este proceso seguirá ocurriendo de la misma forma en los siguientes lapsos de tiempo.

En este sentido, el estudio de la dinámica espacio-temporal del cambio de uso y cobertura de suelo permite asentar las bases para conocer las ten-dencias de los procesos de deforestación, degradación, desertificación y per-dida de la biodiversidad de una región especifica (Velázquez et al, 2002). De acuerdo con esto, en México, existen una gran cantidad de estudios realizados (Bocco, 2001; Priego et al, 2004; Berlanga et al, 2009), sin embargo, ya no es suficiente establecer el grado de conversión de usos y coberturas de suelo en una zona determinada, sino que es necesario aprovechar la tecnología, como


lo es el caso de los Sistemas de Información Geográfica (SIG) y Sistemas de Percepción Remota (SPR), con el objetivo de prevenir, anticipar y mitigar dinámicas insostenibles provocadas principalmente por las formas actuales de crecimiento urbano (Sandoval, 2009).

Los SIG son definidos por Goodchild (2000) como: “una tecnología in-tegradora que une varias disciplinas con el objetivo común del análisis, creación, adquisición, almacenamiento, edición, transformación, visualización, distribución, etc. de información geográfica”, mientras que los SPR permiten generar datos actualizados sobre terrenos específicos, apoyados con levantamientos y veri-ficaciones en campo (Rosete y Bocco, 2004), ambas herramientas se comple-mentan muy bien, de hecho, existen varios estudios que utilizan estos instru-mentos como apoyo (Berlanga y Ruiz, 2007; Leutner et al, 2012) y gran parte de ellos, tratan de modelar diversos datos espaciales para descubrir patrones de crecimiento y cambio, sobre todo, para dar soporte a decisiones que tienen que ver con diversos proyectos cuyo objetivo, es la conservación ambiental.

A partir del escenario planteado con anterioridad, surge la necesidad de utilizar modelos de simulación de cambio de cobertura y uso de suelo, los cuales, básicamente tienen el objetivo de explorar los mecanismos, las varia-bles sociales, económicas y espaciales que provocan este fenómeno, además, permiten proyectar los efectos potenciales en el ámbito socio-ambiental, así como la evaluación del impacto que políticas y regímenes alternativos tienen, en los patrones de crecimiento urbano y uso de suelo (Henríquez et al, 2006).

Definición del problema

Los cambios económicos, sociales y la urbanización de un territorio, en la mayoría de las ocasiones están ligados al desarrollo industrial, lo que trae consigo un acelerado incremento en la población urbana y a su vez, un au-mento considerable en la extensión de su superficie, en consecuencia, surgen nuevos fenómenos sociales, entre los que destacan la migración del campo a la ciudad y la necesidad de desarrollar sistemas de transporte mucho mas complejos (Rojas et al, 2009). Estos factores han hecho que la ciudad se trans-forme en un espacio dinámico y en continuo crecimiento, donde la demanda de recursos es cada vez mayor. En este contexto, aparecen una gran cantidad de ciudades existentes en México, como lo es el caso de ciudad Cuauhtémoc, Chihuahua, la cual es catalogada como un complejo agrícola y comercial, en el que la decadencia del sistema de haciendas y el pensamiento que surgía de


la nueva forma de tenencia de la tierra, pretendía además del desarrollo de la agricultura y la ganadería, la creación de nuevos centros urbanos.

El municipio de Cuauhtémoc, de acuerdo con las cifras correspondien-tes al censo de población y vivienda del Instituto Nacional de Estadística y Geografía (INEGI [INEGI], 2011), la población en el año de 1990 era de 112,589 habitantes, mientras para el año 2010 la cifra aumentó a154,639 habitantes, es decir se incrementó un 37.34% en un periodo de 20 años. Esto es señal de que la demanda de recursos es cada vez mayor y a pesar de no ser una ciudad con una gran extensión territorial, es bueno comenzar con es-trategias de planeación que impidan el crecimiento desordenado de la ciudad.

Partiendo de lo anterior, en el presente estudio se busca definir la di-námica de cambios de uso y cobertura de suelo en el contexto espacial y temporal, para de ser necesario, proponer a las autoridades encargadas de la planeación del municipio, la información necesaria para dar soporte a decisio-nes que busquen reducir los impactos del crecimiento urbano sobre los usos actuales (agrícolas) y la vegetación.

Justificación

La expansión urbana tiene diversos efectos sobre la superficie terrestre por ejemplo la pérdida del suelo con un gran valor productivo, aumenta la presión en ambientes con un alto interés ecológico, fragmenta y satura el paisaje, pro-voca el uso intensivo de recursos naturales acabando con una porción bastante significativa de los mismos, y de esta forma, esta lista podría continuar hasta volverse casi interminable, por ello es necesario desarrollar modelos que permitan evaluar las consecuencias de las acciones del pasado y a la vez, per-mitan predecir las tendencias del futuro basados en las características del pre-sente. En este sentido, es necesario prestar especial atención a los escenarios futuros, con el propósito de establecer estrategias mejor fundamentadas que permitan el desarrollo urbano con el mayor respeto posible hacia el entorno y que a su vez, ayuden a comprender mejor este fenómeno como el sistema dinámico complejo que es.

Cabe resaltar que el diagnostico, la prospectiva y la modelización espa-cial del crecimiento urbano, también permite esclarecer el deterioro del entor-no agrícola, lo cual lo vuelve en un tema de gran relevancia, principalmente, por ser un factor que garantiza la funcionalidad ambiental y la producción de alimentos. Por tal motivo, la información generada a partir del modelado de datos espaciales, permite a los administradores de suelo y tomadores de de-


cisiones predecir los efectos del manejo sobre las funciones del suelo, para de esta forma, comparar alternativas y tomar las decisiones apropiadas, lo que de alguna manera garantiza la fertilidad del suelo para futuras generaciones.

El crecimiento urbano, se consolida principalmente en lugares prefe-rentes por la población, de acuerdo a ello, aparece una técnica conocida como Evaluación MultiCriterio (EMC), la cual tiene el propósito de apoyar la toma decisiones, en este caso, la decisión del lugar más apto para construir. Esta técnica, puede ser integrada dentro de un SIG, por lo que suele ser muy útil en cuanto a procesos de modelación de datos espaciales para el ordenamiento del territorio.

La modelación de escenarios urbanos futuros permite orientar como, donde y cuanto crecerán. En este sentido, se vuelve una herramienta muy importante sobre todo en términos de ordenamiento y planeación del terri-torio, en lo que a esto respecta, es de suma importancia para evitar los grandes problemas del crecimiento desordenado. De tal forma que esto, obliga a re-plantear las herramientas de planeación urbana, con el propósito analizar los pros y contras, y de ser necesario modificar el manejo de la ciudad.

Lo innovador de este trabajo, reside en la importancia de generar in-formación que ayude al establecimiento de políticas de planeación urbana, mediante el uso de modelos de simulación de cambio de usos y cobertura del suelo, integrando para ello, técnicas de sensoria remota y sistemas de informa-ción geográfica, especialmente en el caso de México, un país en vía de desarro-llo, en el que es necesario la aplicación de modelos predictivos de crecimiento urbano, con el propósito de evitar los efectos secundarios que esto ocasiona. Además, hay que tomar en cuenta que este tipo de estudios en el país son muy escasos Rosete et al (2008) y Thaden (2012), de modo que la necesidad de generar este tipo de análisis es cada vez mayor, sobre todo aquellos en los que se especifique la metodología lo más claro posible, para que en un futuro puedan ser replicados en distintas zonas urbanas.

Objetivos

Objetivo General

• Generar un modelo integrado a partir del análisis del proceso de cambio de uso y cobertura de suelo en el periodo 1995-2011, además de la mo-delación del escenario futuro de crecimiento urbano para el año 2019.


Objetivos específicos

• Determinar la dinámica espacio-temporal de los patrones de cambio de cobertura y uso de suelo en el periodo 1995-2011. Modelar los procesos y patrones de cambio de cobertura y uso de suelo para el año 2019.

• Determinar con base al modelo de predicción cuales usos y coberturas de suelo serán los más afectados a causa del crecimiento urbano.

Hipótesis

“La proyección de escenarios futuros permite definir cuales usos o cober-turas de suelo serán los más afectadas a causa del crecimiento urbano de acuerdo al modelo de predicción.”

Área de estudio

La ciudad de Cuauhtémoc y colonia Anáhuac, forman un corredor que per-mite el flujo de servicios de una comunidad a otra. Estas dos comunidades se encuentran contenidos en el municipio de Cuauhtémoc, Chihuahua, México, en la región centro-oeste del estado, en una zona de transición entre la meseta y la sierra con altitudes que varían desde los 1800 a los 2400 metros de altura. Limita al norte con el municipio de Namiquipa, al sur con Cusihui-riachi y Gran Morelos, al este con Bachiniva y Guerrero y al oeste con Riva Palacio. Se encuentra delimitada por las coordenadas geográficas extremas 28° 19’ 39’’ y 28°30’ 15.9’’ de latitud norte y los 106°40’ 40.8’’ y 106° 56’ 33.1’’ de longitud oeste (Figura 1).


Cambio de uso y cobertura de sueloUtilizando técnicas de fotointerpretación se realizaron tres cartografías de uso y cobertura de suelo correspondientes a los años 1995, 2003 y 2011, mediante el uso de imágenes del sensor Landsat TM pertenecientes a los meses de octubre para el primer año y noviembre para los siguientes dos, las cuales tienen una resolución espacial de 30 x 30 metros, además como herramienta auxiliar, se utilizaron imágenes en verdadero color contenidas


en el software SIG Google Earth, esto con el fin de facilitar el proceso de fotointerpretación.

El manejo de imágenes satelitales fue a través de software SIG ArcGis 9.3, en el cuál, las clases fueron definidas de acuerdo al sistema de clasifica-ción del Servicio Geológico de los Estados Unidos (USGS) resumido por Lillesand et al (2008). De acuerdo a esto, se establecieron las siguientes cla-ses: suelo urbano o edificado, cultivos agrícolas (incluye cultivos de seca no de regadío y huertas de manzana), pastizales, bosques, agua y suelo desnudo (ver Cuadro 1).

Figura 1. Localización del área de estudio, imagen Landsat TM falso color infrarrojo (RGB: 432). Fuente: Elaboración propia.


Cuadro 1. Tipología utilizada para la caracterización de usos y coberturas de suelo mediante fotointerpretación.

USO O COBERTURA DE SUELO

DESCRIPCIÓN VISTA

Suelo urbano o edificado

Se compone de áreas cubiertas en gran parte por es-tructuras. Se incluyen ciudades, pueblos, aldeas, grandes extensiones a lo largo de vías de comunicación, complejos

industriales y comerciales, instituciones que en su caso deban ser aisladas de la zona urbana.

Cultivos agrícolas

Puede ser definida como la tierra utilizada principalmente para la producción de alimentos y fibras. Incluye: tierras de cultivo, pastos, huertos, viñedos, viveros ornamen-tales, hortícolas, áreas confinadas y operaciones de

alimentación.

Pastizales

Se definen como el terreno donde la vegetación natural potencial es predominante por gramíneas, plantas aná-logas, especies herbáceas o arbustos, así como pastos

naturales.

Bosques

Representan las áreas que tienen un densidad aérea del 10% o más, zonas capaces de producir madera u otros productos de la misma. Zonas que ejercen una influencia

sobre el régimen climático o el agua.

AguaEsta clase incluye arroyos, canales, lagos, lagunas, em-

balses, bahías y estuarios.


USO O COBERTURA DE SUELO

DESCRIPCIÓN VISTA

Suelo desnudo

Clasificada como la tierra árida con capacidad limitada para sustentar la vida y en la que menos de una tercera parte del área tiene vegetación u otra cubierta. Se inclu-yen áreas como: salinas secas, baches, rocas al descu-

bierto, minas a cielo abierto, canteras y graveras.

1 Fuente: Elaboración propia a partir de Lillesand, T. M., Kiefer, R. W., y Chipman, J. W. (2008). Remote sensing and image interpretation. John Wiley y Sons.

Evaluación MultiCriterio (EMC)

La técnica de EMC se llevó acabo en el software de procesamiento de imá-genes Idrisi Taiga, a través del módulo Decision Wizard, para lo cual son requeridas una serie de capas, es decir, los factores, imágenes de aptitud con valores de 0 a 255 donde 0 es nula aptitud y 255 máxima aptitud. Mientras que las limitantes son capas binarias de 0 y 1, donde 0 restringe el cambio y 1 lo permite. Los factores considerados para la EMC fueron:

• Red vial principal: a este factor se le calculó la distancia mediante el mó-dulo DISTANCE en Idrisi y se utilizó para obtener el mapa de aptitud para crecimiento urbano, dado que como señalan Henríquez y Azócar (2007); “las vías de comunicación actúan como el principal eje estructurante del crecimiento urbano”.

• Pendientes: para crecimiento urbano, de acuerdo con La Dirección de Estudios del Territorio Nacional (DETENAL) señalado por Durán (2004), considera pendientes adecuadas entre 0 y 15%, donde de 0 a 5% es totalmente apta, entre 5 y 15% moderadamente, y superiores al 15% es de uso urbano limitado.

• Ganancias de superficie para cada uso de suelo

Las limitantes consideradas para la EMC fueron:

• Áreas naturales protegidas• Red hidrográfica


Cabe señalar que todos los factores utilizados para la obtención de los mapas de aptitud fueron estandarizados, es decir se generaron a partir de una función lineal en una escala de 0 a 255 mediante el módulo FUZZY de Idrisi, a excepción de la red vial principal, la cuál fue de modo decreciente, ya que como se señaló anteriormente, mientras mas cercanas estén las vías al área urbana mayor aptitud tendrán.

Posteriormente se definió el peso para cada uno de los factores en la EMC, para ello, se utilizó el método de Jerarquías Analíticas (Gómez y Ba-rredo, 2006) programado en el módulo Weight de Idrisi, en el cuál se asigna un valor a cada factor de acuerdo a su nivel de importancia (Figura 2). Al final, este procedimiento permitió obtener un mapa de aptitud territorial mediante la suma lineal ponderada de cada uno de los factores y limitantes, generados durante el análisis.

Figura 2. Escala de posición continúa.

1/9 1/7 1/5 1/3 1 3 5 7 9

1 Fuente: Eastman, Ronald J. IDRISI Kilimanjaro Guide to GIS and Image Processing.USA: IdrisiProduction, 2003.

Modelo de simulación de cambio

(Autómatas Celulares)El modelo de simulación que se aplicó en el área de estudio fue un método con base en autómatas celulares, que se encuentra dentro del software Idrisi Taiga, en el módulo Ca_Markov. Para ello, es necesario la integración de una imagen con base, es decir una cartografía de usos y cobertura de suelo, en este caso la correspondiente al año 2011. Además, se deben incorporar las cadenas de Markov que contienen las probabilidades de cambio de un uso o cobertura de suelo en función del estado anterior de los mismos, es decir, con las carto-grafías pertenecientes al año 1995 y 2003, se obtuvieron las probabilidades de cambio para el año 2011. Por último, fueron requeridas las imágenes de aptitud generadas en la EMC, dado que el modelo Ca_Markov predice de acuerdo a las probabilidades generadas mediante el método de cadenas de Markov, pero limitándose a las zonas de mayor aptitud obtenidas a partir de la EMC.


Una vez modelada la predicción de cambios de uso y cobertura de suelo, se validó a través de la comparación del año simulado con el año ob-servado, es decir, el producto de aplicar Ca_Markov fue comparado contra la cartografía del año 2011. Para ello, se utilizó un índice estadístico llama-do Kappa Estándar, el proporciona una perspectiva preliminar, con carácter matemático y fácil de interpretar (Barreira et al, 2012).Este índice utiliza a la vez Klocation y Kquantity. El primero de estos índices, mide el error de localización, es decir la ubicación de una categoría en un mapa es diferente de la ubicación de la misma categoría en otro mapa. Mientras que Kquantity, cuantifica el error que se produce cuando la cantidad de celdas pertenecien-tes a una categoría en un mapa es diferente a la cantidad de celdas de dicha categoría en otro mapa (Pontius, 2000; Sousa et al, 2002).

Resultados

Cambio de uso y cobertura de sueloSe generaron tres cartografías de usos y coberturas de suelo correspondien-tes a los años 1995, 2003 y 2011 (Figuras 3, 4 y5, respectivamente), con las cuales se cuantificaron los cambios en las diferentes coberturas existentes en el área de estudio. Mediante ellas se obtuvieron las matrices de detección de cambio en los periodos 1995-2003 (Cuadro2) y 2003-2011 (Cuadro3), así como las matrices de probabilidad de cambio para las fechas señaladas con anterioridad (Cuadro 4 y 5). Es importante señalar que en estos productos, se pudo discriminar que clases de usos y/o coberturas de uso de suelo, son los que presentaron cambios más notorios.

Durante el periodo 1995-2003 (Cuadro2), la clase que sufre un cambio más significativo son los cuerpos de agua, dado que paso de 522.36 hectáreas (ha) a 93.78 ha, lo que equivale a un -82.54% de la superficie original. La clase pastizal también sufrió un cambio notable, dado que 224.64 ha pasaron a ser parte del uso agrícola. Para el periodo 2003-2011 la clase agua, pierde nuevamente una superficie significativa en cuanto a su representatividad en el área de estudio y a su ubicación espacial original, dado que 18.72 ha se convirtieron en suelo desnudo y 12.15 ha en pastizales, sin embargo, esta misma cobertura en el año 2003 era de 93.78 ha, y en el año 2011 se incre-mentó a103.32 ha, donde 40.41 ha de suelo desnudo se convirtieron en algún cuerpo de agua, un fenómeno que se nota claramente en la aparición de una serie de represas pequeñas, distribuidas a lo largo de la superficie en estudio.


Cabe señalar que uno de los cambios de uso de suelo más importantes, es el crecimiento de la mancha urbana en ciudad Cuauhtémoc, Chihuahua y colonia Anáhuac, dado que en un lapso de dieciséis años, durante el periodo de 1995 a 2011, pasó de 3692.79 ha a 4464.9 ha, es decir, se incrementó 772.11 ha lo que equivale a un 20.9% de la superficie original. Este incre-mento se presenta de forma gradual, tal y como se muestra en la Figura 2 y principalmente, sobre el uso de suelo agrícola (Cuadro2 y 3).

Es interesante observar que las zonas de crecimiento urbano son cada vez más alejadas del centro de la ciudad, lo cual demanda mayor cantidad de servicios y por tanto más explotación de recursos naturales, en este sentido habría que prestar especial atención al tipo de crecimiento que se está presen-tando en la región, específicamente el corredor Cuauhtémoc- Anáhuac y la parte sur-este de la ciudad, donde se observa claramente dicho crecimiento.

Figura 2. Tendencias del crecimiento urbano durante el periodo 1995-2011.

5000

4000

3000

2000

1000

01995 2003

Años

Supe

rficie

en

hectá

reas

2011

3692.794048.83 4464.9

Fuente: Elaboración propia


Figura 3. Cartografía de usos y cobertura de suelo para el año 1995


Figura 4. Cartografía de usus y cobertura de suelo para el año 2003.



Figura 5. Cartografía de usos y cobertura de suelo para el año 2011


Cuadro 2. Matriz de detección de cambios de usos y coberturas de suelo para la ciudad de Cuauhtémoc, Chihuahua durante el periodo 1995-2003.

PastizalesUrbano o edificado

Agua Bosque AgrícolaSuelo

desnudoCobertura total año 2 (2003)

Pastizales 5402.25 69.48 5.76 105.66 224.64 135.9 5943.69Urbano o edificado 0 3692.79 0 0 0 0 3692.79

Agua 3.87 0 86.58 0 0 431.91 522.36Bosque 49.14 61.92 0 2587.41 18.18 6.84 2723.49Agrícola 88.74 223.29 1.44 32.49 15008.49 3.33 15357.78

Suelo desnudo 94.95 2.79 0 1.44 2.07 466.74 567.99Cobertura total año

1 (1995)5638.95 4050.27 93.78 2727 15253.38 1044.72 28808.1



Cuadro 3. Matriz de detección de cambios de usos y coberturas de suelo para la ciudad de Cuauhtémoc, Chihuahua durante el periodo 2003-2011.



desnudoCobertura total año 2 (2011)

Pastizales 5619.42 11.7 0 0 8.91 0.18 5640.21Urbano o edificado 0 4048.83 0 0 0 0 4048.83Agua 12.15 0 62.91 0 0 18.72 93.78Bosque 0 6.21 0 2720.79 0 0 2727Agrícola 0 398.16 0 0 14847.66 7.74 15253.56Suelo desnudo 4.77 0 40.41 0 0 999.54 1044.72Cobertura total año 1 (2003)

5636.34 4464.9 103.32 2720.79 14856.57 1026.18 28808.1


Cuadro 4. Matriz de probabilidad de cambio por clase para el periodo 1995-2003.


Agua Bosque Agrícola Suelo desnudo Sumatoria

Pastizales 0.909 0.012 0.001 0.018 0.038 0.023 1Urbano o edificado 0.000 1.000 0.000 0.000 0.000 0.000 1Agua 0.007 0.000 0.166 0.000 0.000 0.827 1Bosque 0.018 0.023 0.000 0.950 0.007 0.003 1Agrícola 0.006 0.015 0.000 0.002 0.977 0.000 1Suelo desnudo 0.167 0.005 0.000 0.003 0.004 0.822 1


Cuadro 5. Matriz de probabilidad de cambio para el periodo 2003-2011.


Agua Bosque Agrícola Suelo desnudo Sumatoria

Pastizales 0.996 0.002 0.000 0.000 0.002 0.000 1Urbano o edificado 0.000 1.000 0.000 0.000 0.000 0.000 1Agua 0.130 0.000 0.671 0.000 0.000 0.200 1Bosque 0.000 0.002 0.000 0.998 0.000 0.000 1Agrícola 0.000 0.026 0.000 0.000 0.973 0.001 1Suelo desnudo 0.005 0.000 0.039 0.000 0.000 0.957 1



Modelo de predicción de uso y coberturas de suelo

• Cartografías de uso de suelo. Para la aplicación del modelo de predicción de usos y coberturas de suelo, se elaboraron tres cartografías de usos y coberturas de suelo (Figuras 3, 4 y 5), en las que se definieron las clases: agrícola, suelo urbano o edificado, pastizal, bosque, agua y suelo desnudo.

• Cadenas de Markov. Se generaron diagramas de Markov, mediante las matrices de detección y probabilidad de cambio, en las cuales, se señalan cada uno de los cambios existentes por clase, en los periodos 1995-2003 y 2003-2011 (ver anexos 2 y 3).

• Mapas de aptitud. A partir de una EMC, se obtuvieron cinco mapas de aptitud correspondientes a las clases de usos y coberturas de suelo: agrícola, suelo urbano o edificado, pastizal, bosque y suelo desnudo. En estos mapas, se resalta la aptitud del territorio para un uso o cobertura específica, a través de una escala graduada de 0 a 255, donde 0 indica nula aptitud y 255 la máxima (ver anexos 4 a8).

• Modelo predictivo. El modelo predictivo de usos y coberturas de suelo basado en la técnica de autómatas celulares, se generó mediante el mó-dulo CA_MARKOV de Idrisi, el cual no muestra cambios significativos para las diferentes clases manejadas. Aun así, de acuerdo con esto, en primer lugar se modeló hacia el año 2011 (Figura 6) y se procedió con la validación a través del comando validate, obteniendo de esta forma los resultados del índice de concordancia Kappa, el cual, depende directa-mente de Kquantity y Klocation. Por lo anterior y basados en el Cuadro 6, se aceptó el modelo de predicción para el año 2011, dado que el valor de Kappa obtenido en este modelo fue de 0.98. Por lo tanto, partiendo del supuesto que las probabilidades de cambio permanecen constantes, se aplicó el mismo modelo para el año 2019, obteniendo entonces, otra cartografía de usos y coberturas de suelo con las superficies esperadas para ese año (Figura 7).


Cuadro 6. Fuerza de concordancia entre mapas categóricos de acuerdo a los valores de Kappa.

Valores de Kappa Nivel de concordancia< 0.00 Pobre0.00 - 0.20 Leve0.21 - 0.40 Razonable0.41 - 0.60 Moderado0.61 - 0.80 Considerable0.81 - 1.00 Casi perfecto

Fuente: Sousa, S, S Caeiro, y M Painho. «Assessment of map similarity of categorical maps using kappa statistics, the case of Sado Estuary.» Proceedings of ESIG, 2002: 1-6.

Figura 6. Resultado del modelo de predicción de usos y coberturas de suelo para el año 2011.



Figura 7. Resultado del modelo de predicción de usos y coberturas de suelo para el año 2019.


• Usos de suelo susceptibles a cambio para el año 2019. Una vez ob-tenido el modelo de predicción de usos y coberturas de suelo para año 2019, se realizó una tabulación cruzada (Cuadro 7) para determinar las clases y superficie que pudieran cambiar. En este sentido, se observa que los pastizales pudieran cambiar 11.52 ha para uso urbano, así como 7.74 ha de suelo desnudo. El modelo de predicción señala que 13.68 ha pertenecientes a los cuerpos de agua, pudieran convertirse a pastizales, sin embargo, es difícil atribuirse este cambio a causas antropogénicas, dado que en los últimos años la región ha sido azotada por fuertes periodos de sequía, por otro lado, para el resto de los usos de suelo, el modelo no presenta ningún cambio.


Discusión

El uso de técnicas de fotointerpretación en imágenes digitales, en conjunto con el uso de SIG, pueden llegar a ser un instrumento de gran utilidad, es el caso con cambios de uso y cobertura de suelo en un área específica, como se presenta en este trabajo. Ante esto, autores como Berlanga y Ruiz (2007), Aguilar et al, (2010), han utilizado técnicas obteniendo resultados satisfac-torios como una metodología viable para evaluar el crecimiento urbano de las ciudades (Romero y López, 2000), coincidiendo con los resultados de este trabajo.

El crecimiento urbano de la ciudad de Cuauhtémoc, Chihuahua y colo-nia Anáhuac, se ha presentado mayormente a costa del uso de suelo agrícola, un fenómeno que no ha sido abordado del todo y además, considerado como una de las variables que fragmenta los ecosistemas, y que en algunos casos puede incidir sobre la capacidad de abastecimiento de servicios para la po-blación humana (Martínez y Monroy, 2009).

Cuadro 7. Matriz de detección de posibles cambios de usos y coberturas de suelo para la ciudad de Cuauhtémoc, Chihuahua durante el año 2011 y el

escenario obtenido para el año 2019.



desnudo

Cobertura total año 1

(2011)Pastizales 5624.82 11.52 0 0 0 0 5636.34Urbano o edificado 0 4464.9 0 0 0 0 4464.9Agua 13.68 0 89.64 0 0 0 103.32Bosque 0 0 0 2720.79 0 0 2720.79Agrícola 0 0 0 0 14856.57 0 14856.57Suelo desnudo 0 7.74 0 0 0 1018.44 1026.18Cobertura total espera-da al año 2019

5638.5 4484.16 89.64 2720.79 14856.57 1018.44 28808.1


La disminución acelerada de los cuerpos de agua en la zona de estudio, resalta la vulnerabilidad de la zona agrícola circundante a la mancha urbana de ciudad Cuauhtémoc y colonia Anáhuac (Ávila, 2008). Esto debido a que dentro de la región existe una gran cantidad de superficie dedicada para la agricultura de riego, si los cuerpos de agua superficiales dejan de existir, las


aguas subterráneas comienzan a ser explotadas con el objetivo de mantener la zona productivamente activa. Sin embargo, cuando el agua comienza a escasear, trae consigo la pérdida del uso de suelo agrícola, de tal forma que si una superficie se vuelve poco rentable para este uso, lo más probable es que se convierta en otro y mientras se encuentre más circundante al área ur-bana, la probabilidad de cambio para uso urbano es mayor (Tang et al, 2008), tal y como ocurrió en este trabajo, donde la ciudad consume los usos de suelo circundantes a ella.

El crecimiento urbano de la ciudad de Cuauhtémoc y colonia Anáhuac, presenta un crecimiento desordenado en el que se están comprometiendo las zonas productivamente agrícolas, además ante las presentes temporadas de sequía los cuerpos de agua se están reduciendo, sin mencionar los efectos medioambientales que esto pudiera traer (Vásquez et al 2008). Este fenóme-no resalta el uso inadecuado de políticas de planeación, provocando fuer-tes impactos sobre el ambiente, pues el sistema urbano en el área de estudio puede ser considerado como un ecosistema artificial que termina de tipo “parasito”, debido a que extrae recursos y energía de los ecosistemas vecinos (Alberto, 2009), degradándolos al punto de hacerlos poco funcionales o en un caso extremo, acabar con ellos.

Por otra parte la EMC es una parte importante en la elaboración de este trabajo de investigación, ya que permite determinar la aptitud del territorio para un uso de suelo específico, como Barredo (1996) señala, son “un conjunto de técnicas orientadas a asistir en procesos de toma de decisiones” además de ser considerada como una herramienta de gran utilidad en la elaboración de políticas de planeación, como puede ser en el ordenamiento ecológico del territorio, tal y como lo demandan los términos de referencia propuestos por la Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT,2010) en México.

El modelo de simulación de cambio de uso y cobertura de suelo per-mitió señalar las tendencias del crecimiento urbano en ciudad Cuauhtémoc y colonia Anáhuac, de tal forma que es posible señalarlo como una herramienta de análisis espacial que permite evaluar el impacto de un uso específico sobre otro, sobre todo cuando se aborda desde una perspectiva geográfica (Henrí-quez et al, 2006, Ye y Bai, 2008; Samat, 2009).

La EMC además de permitir obtener mapas de aptitud, resulta ser de gran utilidad en los modelos de simulación de cambio, ya que como señala Sandoval (2009), permite limitar “secuencias ilógicas en las proyecciones de los proceso de cambio”, es decir, especializa una celda para un uso específico, de


tal forma que el modelo de predicción basado en autómatas celulares aplicado al área de estudio permitió proyectar el cambio de los usos y coberturas de suelo en función de criterios observados, apegándolo mucho más a la realidad (Pascual et al, 2010).

El uso de índice Kappa como parámetro de validez para mapas cate-góricos elaborados a partir de capas raster es una técnica muy bien definida (Barreira et al, 2012), de hecho Santé (2010) hace una revisión exhaustiva al respecto. Sin embargo, quienes tradicionalmente utilizan esta medida como forma de cuantificación en la precisión (Pontius y Millones, 2011) sugieren no seguir utilizando el Kappa tradicional y en su lugar, utilizar aquellos que contemplan la concordancia en la cantidad y localización de pixeles (Pontius, 2000). Partiendo del supuesto anterior, el modelo de predicción basado en autómatas celulares, fue aceptado con un alto índice de concordancia Kappa (0.98) (Sousa et al, 2002).

Debido a que las tendencias de cambio de uso de suelo para el año 2019 resultan ser muy conservadoras, se debe tomar con precaución este re-sultado, principalmente por que los cambios señalan mayormente la perdida de suelo agrícola a causa del crecimiento urbano, de forma que para la elaboración de políticas de planeación urbana, se deben tomar en cuenta no solo los resultados del modelo de predicción, sino también las tendencias de crecimiento reales, las cuales pueden ser observadas en las matrices de transi-ción (Rogan y Chen, 2004; Jiménez et al, 2011).

A pesar de que las matrices de cambio señalaron que el uso agrícola se está convirtiendo en uso urbano, el modelo resulto ser muy conservador en este sentido, de forma que principalmente el suelo desnudo y los pastizales, pudieran reducir su superficie para el año 2019, degradando como ya se ha mencionado, al ecosistema natural (Alberto, 2009).

La mancha urbana en el área de estudio está creciendo a costa de dife-rentes usos y coberturas de suelo, y principalmente el agrícola, en este sentido, cabe destacar la importancia de las políticas de planeación urbana, pues pare-ciera que no existe restricción alguna para el crecimiento, por lo tanto quizás habría que revisarlas para comprobar el cumplimiento de la ley o de ser nece-sario replantearlas (Palomo et al, 2011; Hewitt et. al., 2012).

Conclusiones

Este trabajo es uno de los primeros en la región, de tal forma que se convier-te en una base para otros trabajos de investigación que pretendan definir


principalmente si la pérdida de productividad o uso agrícola de las áreas circundantes a la ciudad, está relacionado con el crecimiento urbano, dado que más allá de esto, quizás no sea que el terreno pierda funcionalidad, sino que existen factores de índole social en las que los dueños de esas tierras esta obligados a venderlas a fraccionadoras o personas con mayor oportunidad de adquisición. Además de estudios en los que se mida el efecto del crecimiento urbano hacia el medio ambiente, principalmente en términos de pérdida de recursos naturales y recursos financieros, ya que de alguna manera, la tierra le permite al hombre trabajarla para de allí satisfacer sus necesidades.

El análisis espacial del cambio de uso y cobertura de suelo, es una téc-nica de gran utilidad cuando se trata de cuantificar el grado de conversión ambiental, más aun cuando se integra toda la información en tecnologías con gran capacidad para el análisis, como lo son el caso de los SIG. Específica-mente, en el caso del área urbana de ciudad Cuauhtémoc, Chihuahua y colo-nia Anáhuac, se puede observar que se está expandiendo considerablemente principalmente a causa de usos de suelo agrícola, de forma que compromete la producción de alimentos y de alguna forma, actúa como coautor en la pér-dida de empleos destinados al campo.

La integración de modelos predicción de uso de suelo con técnicas de EMC en conjunto con los SIG, resultan ser herramientas potentes en la ad-ministración del territorio y sobre todo, en el análisis retrospectivo, así como el diagnóstico y pronostico del estado actual de una superficie determinada. Es decir, se evalúan el pasado, el presente y se pronostica el futuro de cierta situación. Como lo fue en el caso de este trabajo, en el que se observa un in-cremento considerable de la mancha urbana durante el periodo 1995-2011, además de establecer una posibilidad de cambio para usos de suelos especí-ficos, aunque este último resultado, debe ser tomado con reserva, dado que se sabe que nadie es capaz de estar al tanto del comportamiento exacto de las cosas en un futuro próximo.

Se debe destacar que el objetivo principal de este estudio no es abor-dar una temática ambiental, sin embargo, puede ser un trabajo de referencia para la investigación en dicha área, dado que es sabido que los sistemas urba-nos actúan como consumidores de energía en ecosistemas cercanos y como en este trabajo resulto, se está acabando principalmente con zonas para uso agrícola, fragmentando el paisaje y dejando algunos otros ecosistemas aisla-dos, como los son los pastizales y en menor medida los bosques.

A pesar de que el modelo de predicción de usos y coberturas de suelo resulto ser muy conservador, permite señalar las tendencias del crecimiento


urbano sobre la superficie y aunque los resultados deben tomarse con reserva, señalan cuales podrían ser los efectos posibles de seguir con los patrones de crecimiento actual, que de forma segura continuarán degradando aún más, el ecosistema natural.

Si bien, los resultados de este trabajo señalan los patrones de expansión urbana, deja algunas incertidumbres sobre los impactos posibles de esto, por lo que se debe reconsiderar su utilización en el desarrollo de nuevas investi-gaciones que evalúen dichos efectos, sobre todo, para el apoyo de políticas públicas de planeación, en las que no se comprometan los recursos naturales.

Por último, a pesar de que se destacan las problemáticas actuales en cuanto a cambio de uso y coberturas de suelo, así como la perdida de zo-nas agrícolamente productivas debido al crecimiento urbano, pareciera no haber regulación en este proceso, por lo que es de suma importancia que los planificadores de la ciudad asuman un compromiso para el desarrollo de la misma, sobre todo, en actividades que permitan formar sinergias entre la sociedad, el medio ambiente y los sistemas económicos, debido a que un crecimiento desordenado afecta directamente a estos sectores, dicho de otra manera, se establezcan mecanismos para un desarrollo regional sustentable.

Referencias

Aguilar Estrada, S. A., Bencomo Sáenz, J. A., Fierro Macías, C. D., Lega-rreta Miranda, C. K., Loya Carrillo, J. O., y Bravo Peña, L. C. (2010). Cambios de cobertura vegetal y uso del suelo en la ciudad de Hermo-sillo, Sonora durante los años 1981, 1996 y 2004. Un análisis a partir de la fotointerpretación en fotomapas digitales generados en gabinete. Memorias del XIV Simposium Internacional SELPER, (págs. 1-11). Guanajuato, Guanajuato, México.

Alberto, J. A. (2009). Geografía y Crecimiento Urbano. Paisajes y Problemas Ambientales. Geográfica Digital, (11), 1-13.

Ávila García, P. (2008). Vulnerabilidad socioambiental, seguridad hídrica y escenarios de crisis por el agua en México. CIENCIAS(90), 48-57.

Banco Mundial. (2002). DEPweb-World Bank. Recuperado el 25 de Sep-tiembre de 2012, de DEPweb-World Bank: http://www.worldbank.org/depweb/spanish/modules/social/pgr/index.html

Barredo Cano, J. I. (1996). Sistemas de Información Geográfica y evaluación multicriterio en la ordenación del territorio. Madrid: Ra-Ma.


Barreira Gónzalez, P., Aguilera Benavente, F., y Gómez Delgado, M. (2012). Propuesta de un análisis de sensibilidad para validar modelos prospecti-vos de simulación de crecimiento urbano basados en autómatas celula-res. GeoFocus (12), 303-328.

Beltrán, J. P. (s.f.). Bogotá región: crecimiento urbano en la consolidación del territorio metropolitano.

Berlanga Robles, C. A., García Campos, R. R., López Blanco, J., y Ruiz Luna, A. (2009). Patrones de cambio de coberturas y usos del suelo en la re-gión costa norte de Nayarit (1973-2000). Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM, 7-22.

Berlanga Robles, C. A., y Ruiz Luna, A. (2007). Análisis de las tendencias de cambio del bosque de mangle del sistema lagunar Teacápan-Agua Brava, México. Una aproximación con el uso de imágenes de satélite Landsat. Universidad y Ciencia, 23(1), 29-46.

Bocco, G., Mendoza, M., y Masera, O. R. (2001). La dinámica del cambi del uso del suelo en Michoacán. Una propuesta metodológica para el estudio de los procesos de deforestación. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM, 18-38.

Durán López, H. (2004). El impacto Económico de la Pendiente Topográfica en la Vivienda. Investigación y Ciencia (30), 17-22.

Eastman, R. J. (2003). IDRISI Kilimanjaro Guide to GIS and Image Proces-sing. USA: Idrisi Production.

Garza, G. (2002). Evolución de las ciudades mexicanas en el siglo XX. Notas. Revista de Información y Análisis, 7-16.

Gómez Delgado, M., y Barredo Cano, J, I. (2006). Sistemas de Información Geográfica y evaluación multicriterio. España: Alfaomega Ra-Ma.

González, L. P., Alvarado Gate, R., Macías Rodríguez, J., Olvera González, S., Mendoza Sánchez, S. L., y Pérez Fernández, M. D. (2011). Diagnóstico local sobre la realidad social, económica y cultural de la violencia y la de-lincuencia en el Municipio de Cuauhtémoc. Cuauhtémoc, Chihuahua.

Goodchild, M. F. (2000). New horizons for the social sciences: geographic information systems. Social Sciencie for a Digital world: Building In-fraestructure and Databases for the future, 163-172.

Henríquez Ruiz, C., y Azócar García, G. (2007). Propuesta de modelos pre-dictivos en la planificación territorial y evaluación del impacto ambien-tal. Revista electrónica de geografía y ciencias sociales, 245(41).

Henríquez, C., Azócar, G., y Aguayo, M. (2006). Cambio de uso del suelo y escorrentía superficial: aplicación de un modelo de simulación espacial


en Los Ángeles, VIII Región del Biobío, Chile. Revista de Geografía Norte Grande, 61-74.

Hewitt, R., Hernández Jiménez, V., y Escobar, F. (2012). Agentes, escenarios y autómatas celulares; modelización espacial para la toma de decisiones en Doña Ana y su entorno. 1-10.

INEGI. (2011). Instituto Nacional de Estadística y Geografía. Recuperado el 23 de Septiembre de 2012, de Instituto Nacional de Estadística y Geo-grafía: http://www.inegi.org.mx/default.aspx

Jiménez Moreno, M. J., González Guillen, M. D., Escalona Maurice, M., Valdez Lazalde, J. R., y Aguirre Salado, C. A. (2011). Comparación de métodos espaciales para detectar cambios en el uso de suelo urbano. Redalyc, 17(3), 389-406.

Leutner, B. F., Reinejing, B., Müller, J., Bachmann, M., Beierkuhnlein, C., Dech, S., and Wegmann, M. (2012). Modelling Forest a-Diversity and Floristic Composition - On The Added Value of LiDAR plus Hypers-pectral Remote Sensing. Remote Sens, 2818-2845.

Lillesand, T. M., Kiefer, R. W., and Chipman, J. W. (2008). Remote sensing and image interpretation.John Wiley y Sons.

Martínez Rivera, S. E., y Monroy Ortiz, R. (2009). La expansión urbana sobre el campo mexi-cano. La otra cara de la crisis agrícola. Estudios Agrarios, 29-46.

Palomo, I., Martín López, B., López Santiago, C., and Montes, C. (2011). Participatory Scenario Planning for Protected Areas Management un-der the Ecosystem Services Framework: the Doñana Social-Ecological System in Southwestern Saping. Ecology and Society, 16(1), 1-33.

Pascual Rosa, V., Aguilera Benavente, F., Gómez Delgado, M., y Bosque Sen-dra, J. (210). Ordenamiento deseable para la aglomeración urbana de Granada en 2020. I Congreso Internacional de Ordenamiento Territo-rial y Tecnologías de la Información Geográfica (págs. 1-19). Alcalá de Henares: Servicio de publicaciones de la Universidad de Alcalá.

Pontius JR, R. G., and Millones, M. (2011). Death to Kappa: birth of quanti-ty disagreement and allocation disagreement for accuaracy assessment. International Journal of Remote Sensig, 32(15), 4407-4429.

Pontius, R. G. (2000). Quantification error versus location error in compari-son of categorical maps. Photogrammetric engineering y remote sen-sing, 1011-1016.

Priego, Á., Cotles, H., Fregoso, A., Luna, N., y Enríquez, C. (2004). La diná-mica ambiental de la cuenca Lemra-Chapala. Gaceta Ecológica, 23-38.


Rionda Ramírez, J. I. (2007). Desarrollo regional y urbano ante la reestructu-ración económica en México (1980-2006). Léon, Guanajuato.

Rionda Ramírez, J. I. (2008). Distribución de la población y crecimiento ur-bano en México. Red de Revistas Científicas de América Latina, el Ca-ribe, España y Portugal, 201-218.

Rogan, J., and Chen, D. M. (2004). Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in planning, 61, 301-325.

Rojas Quezada, C. A., Muñiz Olivera, I., y García López, M. Á. (2009). Es-tructura urbana y policentrismo en el Área Metropolitana de Concep-ción. Revista Eure, 47-70.

Romero Hernández, D., y López Blanco, J. (2000). Producción e integración de fotomapas di-gitales para la evaluación del crecimiento urbano. In-vestigaciones Geográficas, Boletín del Instituto de Geografía, UNAM (42), 48-66.

Romero, H., Molina, M., Moscoso, C., Sarricolea, P., y Smith, P. (2007). Ca-racterización de los cambios de usos y coberturas de suelos causados por la expansión urbana de Santiago, análisis estadístico de sus factores explicativos e inferencias ambientales.

Rosete Vergés, F. A. (2008). Modelos Predictivos de Cambio de Uso del Suelo en la Península de Baja California, México. México.

Rosete, F., y Bocco, G. (2004). Los sistemas de información geográfica y la percepción remota. Herramientas integradas para los planes de manejo en comunidades forestales. Gaceta Ecológica.

Samat, N. (2009). Integrating GIS and CAMARKOV Model In Evaluating Urban Spatial Growth. Malaysian Journal of Environmental Manage-ment, 10(1), 83-99.

Sandoval Verdugo, G. S. (2009). Análisis del proceso de cambio de uso y co-bertura de suelo en la expansión urbana del gran Valparaíso, su evolu-ción y escenarios futuros. Santiago, Chile.

Santé, I., García, A. M., Miranda, D., and Crecente, R. (2010). Cellualar auto-mata models for the simulation of real-world urban processes: A review and analysis. Landsacape and Urban Plan-ning, 96, 108-122.

SEMARNAT. (2010). Términos de referencia para la formulación de los pro-gramas de orde-namiento ecológico local. Recuperado el 7 de Marzo de 2013, de http://www.semarnat.gob.mx/temas/ordena mientoecologico/Documents/documentos%20ordenamiento/terminos_referencia_2010/terminos_referencia_locales_19_03_10.pdf


Sousa, S., Caeiro, S., and Painho, M. (2002). Assessment of map similarity of categorical maps using kappa statistics, the case of Sado Estuary. Proce-edings of ESIG, 1-6.

Tang, J., Wang, L., and Yao, Z. (2008). Analyses of urban landscape dyna-mics using multitemporal satellite images: A comparison of two pe-troleum-oriented cities. Landscape and Urban Planning, 87, 269-278.

Thaden Ugalde, J. J. (2012). Cambio de uso de suelo y cobertura vegetal en el municipio de Guelatao de Juárez, Oaxaca, México. iztlán de Juárez, Oaxaca.

UNESCO. (1999). Informe Mundial Sobre la Cultura: Cultura, Creatividad y Mercados. CSIC.

Vásquez Fuentes, A. E., Romero, H., Fuentes, C., López, C., y Sandoval, G. (2008). Evaluación y simulación de los efectos ambientales del creci-miento urbano observado y propuesto en Santiago de Chile. Actas del Congreso Nacional de Desarrollo Rural, (págs. 1-22). Santiago de Chile.

Velázquez, A., Mas, J. F., Díaz Gallegos, J. R., Mayroga Saucedo, R., Alcánta-ra, P. C., Castro, R., . . . Palacio, J. L. (2002). Patrones y tasas de cambio de uso del suelo en México. Gaceta Ecológica(62), 21-37.

Ye, B., and Bai, Z. (2008). Simulating land use/cover changes of Nanjing County based on ca-markov model. International Federation for Infor-mation Processing, 258, 321-329.


Anexo 1

Secuencia metodológica

Definición de usos y cober-turas de suelo para los años 1993, 2000 y 2010.

Clases manejadas: agrícola, uso urbano o edificado, suelo desnu-do, cuerpos de agua, bosque y pastizales.

Probabilidades de cambio

Evaluación MultiCriterio(EMC)

Fotointerpretación Software SIG ArcMap 9.3

Cadenas de Markov

- Área natural protegida- Red hidrográfica

Limitantes

- Red vial principal- Pendientes- Ganancias de superficie para cada uso de suelo

Factores

Escenarios futuros Modelo de autómatascelulares

Índice Kappa estandarizadoIntegración de Klocation y Kquantity

Validación del modelo



Anexo 2. Diagrama de la matriz de Markov correspondiente al periodo 1995-2003. Lo números dentro del paréntesis señalan la superficie de cam-bio en hectáreas, mientras que los números anteriores, señalan la probabili-

dad de cambio de clase.

Urbano o edificado

PastizalesBosque

Suelo desnudoAgua

Agrícola

0.005 (2.79)

0.023 (61.92)0.015 (223.29)

0.012 (69.48)

0.018 (49.14)0.018 (105.66)0.002(32.49)

0.003 (6.84) 0.003 (1.44)0.023 (135.9)

0.827(431.91)

0.004(2.07)

0.038 (224.64)0.0001 (1.44)

0.0002 (3.33)

0.007(18.18)

0.167 (94.95)0.007(3.87)

0.006 (88.74)

0.001(5.76)

Anexo 3. Diagrama de la matriz de Markov correspondiente al periodo 2003 - 2011. Lo números dentro del paréntesis señalan la superficie de cambio en

hectáreas, mientras que los números anteriores, señalan la probabilidad de cambio de clase.

0.005 (4.77)PastizalesBosque

Suelo desnudoAgua

Agrícola

Urbano o edificado0.002 (6.21)

0.002 (11.7)

0.026 (398.16)

0.2 (18.72)

0.003 (1.44)

0.039 (40.41)

0.004(2.07)

0.007(18.18)

0.001(7.74) 0.002 (8.91)

0.130 (12.15)


Anexo 4. Mapa de aptitud para uso agrícola.


Anexo 5. Mapa de aptitud para uso urbano.



Anexo 6. Mapa de aptitud para cobertura de suelo desnudo.


Anexo 7. Mapa de aptitud para cobertura de bosque.



Anexo 8. Mapa de aptitud para cobertura de pastizal.


195

C A P Í T U L O I I I

Geoinformática aplicada a los procesos de erosión y degradación en suelos

Responsable: Luis Carlos Alatorre Cejudo

Introducción

La erosión puede definirse como un proceso complejo que inclu-ye el desprendimiento, remoción y transporte de partículas de suelo o material rocoso por parte de los agentes erosivos (agua, viento, gravedad). En un sentido geomorfológico, el término erosión (y los términos asociados de remoción y transporte) se utiliza habitualmente en referencia a una unidad paisajística concreta, como por ejemplo una ladera o una cuenca. Cuando el

transporte de las partículas erosionadas se produce más allá de la unidad don-de ha tenido lugar la erosión, es costumbre no utilizar el término erosión (o transporte) y pasar a hablar de producción de sedimento (Alatorre y Beguería, 2009; Alatorre, 2010).

La erosión y la producción de sedimento se cuentan entre los procesos geomorfológicos de mayor riesgo potencial debido a su gran extensión super-


ficial, y se reconocen como una cuestión clave para la conservación del medio ambiente en el siglo XXI. Se estima que una sexta parte del suelo mundial se encuentra afectada por la erosión hídrica acelerada (Walling y Fang, 2003). Las modificaciones ambientales inducidas por el hombre a escala global han sido causa de un incremento espectacular de la erosión y la producción de sedimento en muchas partes del mundo. Alrededor de 1094 millones de hec-táreas se encuentran amenazadas por la erosión como consecuencia directa de las acciones humanas (Walling y Fang, 2003). Entre éstas se encuentran la deforestación y remoción de la cubierta vegetal (43%), el sobrepastoreo (29%), la gestión inapropiada de la tierra agrícola (24%) y la sobreexplotación de la vegetación natural (4%).

Las consecuencias de la erosión del suelo y la producción de sedimento tienen lugar tanto en el sitio donde se genera como fuera de él. Uno de los efectos negativos más importantes se presenta en los suelos agrícolas, donde la redistribución y pérdida de suelo, así como la ruptura de la estructura y el descenso del contenido de materia orgánica y nutrientes hace que se reduzca la profundidad cultivable y la fertilidad del suelo, promoviendo la dependencia de los fertilizantes e incluso el abandono de terrenos agrícolas. La producción de sedimento y su depósito, a su vez, alteran el funcionamiento de los ríos y la capacidad de retención de las zonas inundables, realzando el riego de inun-daciones. Además, la colmatación de los embalses es un grave problema am-biental ya que acorta significativa la vida útil de los mismos. Los sedimentos también son una fuente importante de contaminación a través de la fijación de agroquímicos, incrementando los niveles de nitrógeno y fósforo en el agua y causando su eutrofización.

La investigación aplicada sobre la erosión ha conocido un importante avance en los últimos años gracias a la incorporación de modelos de simulación numérica por computador. Estos modelos permiten evaluar espacialmente la ocurrencia de los procesos de erosión, analizar su evolución temporal y simu-lar los efectos de cambios en las variables climáticas y paisajísticas como por ejemplo en el uso del suelo. Muestra del interés sobre los modelos de erosión y producción de sedimento es su adopción por parte de las administraciones públicas, las cuales se han encargado del desarrollo y aplicación de este tipo de modelos. Ese es el caso, por ejemplo, de la Agencia de Protección Ambiental (USEPA) y del Departamento de Agricultura (USDA) de los EEUU. Otras agencias similares en la UE también han desarrollado modelos de erosión, como por ejemplo EUROSEM (Morgan et al., 1998), WATEM/SEDEM (Van Oost et al., 2000; Van Rompaey et al., 2001), RHINEFLOW (Assel-

Capítulo III Geoinformática aplicada a los procesos de erosión y degradación en suelos 197

man et al., 2003) y PESERA (Kirkby et al., 2000). El desarrollo histórico de los modelos de erosión en la UE difiere del que se ha dado en EEUU, exis-tiendo dos vertientes muy claras ( Jetten y Favis-Mortlock, 2006): i) la adapta-ción de modelos existentes que utilizan en esencia el concepto de la Ecuación Universal de Pérdida de Suelo (USLE, Wischmeier y Smith, 1978); y ii) el desarrollo de nuevos modelos basados en eventos. Las distintas condiciones de usos del suelo, con grandes monocultivos en EEUU en comparación con la diversidad de usos en la UE, explican que en la UE los modelos diseñados tienden a distribuir espacialmente el territorio mientras que los norteamerica-nos tienden a agregarlo.

A pesar del desarrollo de nuevas herramientas de modelización, existen dificultades para la utilización de los modelos de erosión, debido en parte a la heterogeneidad de las propuestas existentes. Los distintos modelos se diferen-cian en aspectos importantes de cara a su aplicación como la naturaleza de los procesos que incluyen, su formalización matemática, la representación espa-cial y temporal, los requerimientos de información y de tiempo de computa-ción, etc. También difieren en el tipo de público al que van orientados, o dicho de otro modo el nivel de conocimientos técnicos que requieren del usuario.

Así, en este capítulo se presenta un trabajo desarrollado en la Licen-ciatura en Geoinformática, de la Unidad Multidisciplinaria de la UACJ en Cuauhtémoc, Chihuahua, en el cual se implementa un modelo empírico para determinar la erosión potencial en una cuenca hidrográfica de la región cen-tral de Chihuahua.

En este capítulo se presenta el siguiente trabajo: Rodríguez Caraveo Alan Joaquín, Alatorre Cejudo Luis Carlos, Bravo Peña Luis Carlos y Wiebe Quintana Lara Cecilia (2013). Aplicación de un modelo empírico para de-terminar la erosión potencial en la cuenca de La Laguna De Bustillos, Chi-huahua, México.

Literatura citada:

Alatorre, L. C. (2010). Erosión del suelo y fuentes de sedimento en la cuenca del río Ésera (Pirineo Central): análisis espacial y dinámica temporal mediante técnicas de simulación y teledetección. Universidad de Zara-goza, 43-121.

Alatorre, L. C., y Beguería, S. (2009). Los modelos de erosión: una revisión. Cuaternario y Geomorfología, 1-10.


Asselman, N.E.M., Middelkoop, H. y Van Dijk, P.M. (2003). The impact of change in climate and land use on soil erosion, transport and deposition of suspended sediment in the River Rhine. Hydrological Processes, 17, 3225–3244.

Jetten, V. y Favis–Mortlock, D. (2006). Erosion modelling in europe. In: Soil Erosion in Europe ( J. B. y Jean Poesen, eds.). Wiley y Sons, Chichester (UK), 695–716.

Kirkby, M.J., Le Bissonais, Y., Coulthard, T.J., Daroussin, J. y McMahon, M.D. (2000). The development of Land Quality Indicators for Soil De-gradation by Water Erosion. Agriculture, Ecosystems and Environment, 81, 125–136.

Morgan, R.P.C., Quinton, J.N., Smith, R.E., Govers, G., Poesen, J.W.A., Auerswald, K., Chisci, G., Torri, D. y Styczen, M.E. (1998). The Euro-pean soil erosion model (EUROSEM): a dynamic approach for predic-ting sediment transport from fields and small catchments. Earth Surface Processes and Landforms, 23, 527–544.

Van Oost, K., Govers, G. y Desmet, P.J.J. (2000). Evaluating the effects of changes in landscape structure on soil erosion by water and tillage. Landscape Ecology, 15 (6), 579–591.

Van Rompaey, A., Verstraeten, G., Van Oost, K., Govers, G. y Poesen, J. (2001). Modelling mean annual sediment yield using a distributed approach. Earth Surface Processes and Landforms, 26 (11), 1221–1236.

Walling , D., y Fang, D. (2003). Recent trends in the suspended sediment loads of the world’s rivers. Global and Planetary Change 39, 111-126.

Wischmeier, W.H. y Smith, D.D. (1978). Predicting rainfall erosion losses: A guide to conservation planning, Agriculture Handbook. U.S. Depart-ment of Agriculture, Washington D.C. (USA), 537 pp.

199

Aplicación de un modelo empírico para determinar

la erosión potencial en la cuenca de la Laguna Bustillos, Chihuahua, México

Introducción

En la actualidad, el aumento de la población y el desarrollo económico han provocado un deterioro en la calidad de nues-tros ecosistemas. Se ha experimentado una explotación inten-sificada de los recursos y sistemas naturales para soportar la producción agrícola, ganadera y forestal, para proporcionar agua para el consumo humano, para suplir las necesidades de los procesos industriales y para los atractivos paisajísticos que

incrementan el turismo y las actividades recreativas (Tenhunen, 1999). Se co-nocen los efectos que provoca exceder el umbral de sostenibilidad por acción humana (cambio climático, sequías y erosión del suelo) y se desconocen los efectos a diferentes escalas, tanto espaciales como temporales. El deterioro de la tierra o desertificación es el problema ecológico contemporáneo de mayor importancia en los países en desarrollo (Duarte, 1990). Se estima que una sex-ta parte del suelo mundial se encuentra afectada por la erosión hídrica (Wa-lling & Fang, 2003). De acuerdo con estimaciones hechas por la Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO), debido a


la desertificación, cada año dejan de ser productivas de seis a siete millones de hectáreas en el mundo, y a este ritmo, en menos de 200 años el hombre habrá agotado todas las tierras productivas del planeta (Duarte, 1990).

La pérdida de suelo y sus impactos asociados es también uno de los pro-blemas ambientales actuales más importantes y menos conocidos (Lal, 1997; Schlesinger, 1997). La erosión puede definirse como el proceso de despren-dimiento y transporte del suelo o material rocoso desde cualquier parte de la superficie de la tierra por parte de los agentes erosivos (Foster & Meyer, 1977). Estos agentes pueden ser agua, viento y gravedad. Desde hace aproxi-madamente 450 millones de años ha ocurrido el proceso de la erosión, donde el suelo es transportado a la misma tasa a la que este se forma en condiciones naturales, esto se le denomina erosión tolerable. Mientras que la erosión ace-lerada es el resultado de algunas acciones humanas como el mal uso del suelo agrícola, la deforestación o el sobre pastoreo, dejando al suelo vulnerable a ser erosionado por los agentes erosivos.

La erosión tiene efectos tanto en el área donde se genera como fuera de la misma. Uno de los efectos negativos más importantes se presenta en los suelos agrícolas, donde la redistribución y pérdida de suelo, así como la ruptu-ra de la estructura y el descenso del contenido de materia orgánica y nutrientes hace que se reduzca la profundidad cultivable y la fertilidad del suelo, promo-viendo la dependencia de los fertilizantes e incluso el abandono de terrenos agrícolas (Alatorre & Beguería, 2009). También este efecto es el causante de la eutrofización, ya que incrementa los niveles de nitrógeno y fosforo en el agua a través de agroquímicos utilizados en las parcelas agrícolas, siendo así una fuente importante de contaminación. La desertificación es principalmente provocada por causas inducidas, la falta de concientización, falta de educación y el uso irracional de los recursos naturales (Sánchez, Sánchez, Garatuza, & Alatorre, 2007).

Existen una amplia variedad de metodologías para el estudio de la ero-sión del suelo, algunas basadas en observaciones en campo y otras en los fac-tores que influyen en este proceso. Las investigaciones acerca del riesgo de erosión se iniciaron desde las primeras décadas del siglo XX. La aplicación de modelos de simulación numérica por computador, es la que ha proporcionado más avances para entender este fenómeno. Estos modelos permiten hacer un análisis de la evolución temporal, simular los efectos a diferentes escalas, así como evaluar la ocurrencia de los procesos de erosión. En algunos casos, los modelos están diseñados para distribuir espacialmente el territorio mientras que otros tienden de agregarlo.


Las administraciones públicas son las que muestran mayor interés so-bre la aplicación y el desarrollo de este tipo de modelos. Tal es el caso de la Agencia de Protección Ambiental (USEPA) y el Departamento de Agricultura (USDA) de los Estados Unidos. Los modelos desarrollados en Europa difie-ren de dos vertientes, los ya existentes que utilizan el concepto de la Ecuación Universal de Perdida de Suelo (USLE (Wischmeier & Smith, 1978)) y de los desarrollados basados en eventos. Cada modelo se adapta a las condiciones que existen en el área de estudio, como por ejemplo la diversidad de usos de suelo.

Una de las dificultades que existen para la utilización de los modelos, es debido en parte a su heterogeneidad. Algunos aspectos que los diferencian son la formalización matemática, requerimientos de información, represen-tación espacio-temporal y el tipo de público para el que están diseñados. Por ello, la elección del modelo depende de los objetivos y las características del área de estudio y no se puede hacer una elección a priori (Sánchez, Sánchez, Garatuza, & Alatorre, 2007). Existen dos vertientes en cuanto a modelos para estimar la erosión, modelos cualitativos y cuantitativos. Los cualitativos ex-presan formas, grados y rangos de erosión. Mientras que los cuantitativos son de evaluación directa e indirecta. Dependiendo de la forma matemática que adopta la descripción de los procesos físicos que se simulan, los modelos de erosión pueden ser clasificados dentro de tres categorías (Merritt, 1984): i) empíricos, ii) conceptuales, y iii) de base física. Estos últimos comprenden los modelos de evaluación indirecta.

Los modelos empíricos generalmente son los más sencillos, esto debido a que los requerimientos de información son menos estrictos. Se basan en análisis estadísticos de un conjunto de observaciones. En este estudio se eligió utilizar un modelo empírico (Ecuación Universal de Perdida de Suelo Revi-sada o RUSLE) debido a la escasez de información y recursos para utilizar otros modelos. Estos modelos utilizan procedimientos de inferencia estadísti-ca para su formulación matemática, basados en la recolección de información cuantitativa a partir del monitoreo en campo. A diferencia de la USLE que se diseñó para usos de suelo agrícolas, la RUSLE fue extendida a analizar otros usos de suelo.

En México, tan solo la erosión hídrica afecta al 85% de su territorio (Sánchez, Sánchez, Garatuza, & Alatorre, 2007), se presenta con mayor mag-nitud en regiones de baja precipitación y/o alta densidad de población. Dentro de estas regiones se encuentra Chihuahua, Sonora, Baja California Norte y Baja California Sur, en esta región la superficie con procesos de erosión es de 49.5 miles de hectáreas y totalmente erosionada 2.8 miles de hectáreas (Be-


cerra, 1998). Las dificultades que enfrenta el país para combatir el deterioro de los ecosistemas tienen origen principalmente en factores socioeconómicos. Existen pocos estudios enfocados a analizar la erosión hídrica en el país. Por ello se eligió utilizar el modelo empírico RUSLE, para modelizar por medio de Sistemas de Información Geográfica (SIG) áreas potenciales a ser ero-sionadas en la cuenca Laguna de Bustillos en el municipio de Cuauhtémoc, Chihuahua. En esta cuenca los factores que provocan la aceleración de este fenómeno están presentes en el área de estudio, por lo que puede tener áreas potenciales a ser erosionadas.

MATERIALES Y MÉTODOS

Área de estudio

La cuenca de la Laguna de Bustillos, se localiza en el municipio de Cuauhté-moc, Chihuahua, contenida en las coordenadas 28 13’19’’ y 28 59’35’’ latitud norte y 106 34’39’’ y 107 10’33’’ longitud oeste, teniendo como área total 2,035 km2 (Figura 1).

Se encuentra rodeado por las Sierras de San Juan, Sierra Azul, Chuchu-pate, Salitrera, Rebote y Pedernales, dando origen a un relieve muy irregular.

La planicie de la cuenca presenta una elevación de 2000 m.s.n.m., se encuentra compuesta por capas sedimentarias continentales: conglomerados, depósitos lacustres, depósitos de pie de monte y aluviales. Las sierras que lo rodean presentan un promedio de 2400 m.s.n.m. y en cuanto a litología se refiere están formadas principalmente por rocas ígneas extrusivas-ignimbritas, riolitas, dacitas, andesitas y basaltos. (Comisión Nacional del Agua: CONA-GUA, 1991).

En el área de estudio se tiene una precipitación media anual de 415.7 mm, así como clima semi-seco templado con una temperatura media anual de 14.6⁰C a lo largo del año (CONAGUA, 2010).

Los usos de suelo con mayor porcentaje de ocupación en el área de estu-dio de acuerdo al mapa de usos y coberturas de suelo desarrollado por Erives, y otros (2012) son los siguientes: Agricultura de anuales (33%), Asociación Pino-Encino (23%) y pastizales (24%) (Tabla1, Figura 2).

\


Figura 1. Localización de la Cuenca Laguna de Bustillos en un Modelo Digital del Terreno.

Tabla 1. Ocupación cada uno de los usos y coberturas de suelo en la cuenca Laguna de Bustillos.

Categoría Área Km2 %

Agricultura de anuales 1084.57 32.94

Asentamientos Humanos 89.86 2.73

Asociación Pino-Encino 762.88 23.17

Bosque de pino 151.71 4.61

Cuerpos de Agua 108.59 3.30

Encinar Perturbado 2.67 0.08

Huertas de Manzana 69.94 2.12

Matorrales 82.13 2.49

Pastizales 801.35 24.34

Suelo desnudo 139.06 4.22

Total 3292.75 100.00


Figura 2. Mapa de cobertura y usos del suelo (Bravo, Díaz Caravantes, Ala-torre Cejudo, Sanchez, & Aguilar, 2012).

Ecuación Universal de Pérdida de Suelo Revisada (RUSLE)

Para la estimación de la erosión potencial se aplicó la Ecuación Universal de Perdida de Suelo Revisada RUSLE; (Renard, Foster, Weesies, & Porter, 1991). La cual consiste en una multiplicación simple de cinco factores. Es un modelo aplicado a la escorrentía superficial. En el cual los factores tienen una relación directa con el desprendimiento de partículas, como lo son las caracte-rísticas del suelo, la cobertura y usos del suelo, precipitación y el relieve.

(1)

Donde R es el factor de erosividad de la lluvia-escorrentía (MJ mm/ha h año), el cual considera el poder erosivo del impacto de la gota de lluvia y de la escorrentía, K es el factor de erodibilidad del suelo (ton ha h/ha MJ mm) bajo condiciones estables, C es el factor relativo al efecto de la cubierta vegetal


y el uso del suelo sobre la erosión (adimensional), LS es el factor topográfico (adimensional), el cual considera los efectos de la longitud de la ladera y la pendiente en el proceso erosivo, y, finalmente P es un factor relacionado con las practicas del manejo del suelo.

El factor R es el producto de las energías cinéticas de las tormentas con una duración máxima de 30 minutos que ocurren a lo largo de un año, se es-tima a partir de la relación:

(2)

Donde:E= energía cinética total de una tormenta i.I30= intensidad máxima de una lluvia en 30 minutos.j= número de tormentas en un periodo de años N.

La energía cinética de una tormenta está en función de la cantidad de lluvia caída y de las intensidades (I) en cada intervalo. La energía de la lluvia está directamente relacionada con la intensidad de la lluvia por la expresión (Foster et al., 1981):

(3)

Donde em tiene unidades de MJ/ha mm. Así la energía cinética de una tormenta EI30 se calcula a través de la relación:

(4)

Donde vr es el volumen de lluvia (mm) para cada fracción de la tormen-ta donde I es constante.

Dado que en la región solo se cuenta con datos diarios de precipitación, se ha optado por desarrollar un modelo de regresión lineal para estimar el fac-tor R utilizando la base de datos desarrollada por Sánchez, Sánchez, Garatuza, y Alatorre (2007; Tabla 2) para la cuenca del Río Mátape, Sonora, México, seleccionando los datos de precipitación media diaria (Figura 3) y el valor de R-Diario para la construcción del modelo.

Una vez obtenida la ecuación matemática que relaciona los valores de R-Diario y precipitación media diaria, se procedió a realizar una cartografía de la precipitación media diaria para el área de estudio, se utilizaron los datos


propuestos por Téllez, Hutchinson, Nix, y Jones, (2011), el cual utiliza valores puntuales mensuales promedio de la precipitación a una resolución espacial de 1 km2.

El algoritmo que utilizan estos autores, interpola los datos puntuales de forma progresiva suave y no abrupta con base en el incremento o decremento de la elevación y un intervalo de error entre 8.8-13.9%.

La precipitación media diaria dentro de la cuenca es de 0.9-1.2 mm. Luego se calculó el factor R por medio de la ecuación obtenida mediante el modelo de regresión lineal (Figura 4).

El modelo empleado para obtener los valores del factor R para el área de estudio mostró un buen grado de ajuste, tal y como lo muestra el valor de R² = 0.9952 (Figura 4). Para obtener RD para la cuenca Laguna de Bustillos, a los datos de precipitación diaria se les aplico la siguiente ecuación:

(5)

Donde PMD es la Precipitación media diaria.

Tabla 2. Datos de las estaciones climatológicas y valores del factor R (Modi-ficado de Sánchez, Sánchez, Garatuza, y Alatorre, 2007).

NombrePMD(mm)

R-Diario

La Colorada 0.97 83.90Mazatlán 1.19 102.67Guaymas 1.55 146.04Nacori Grande 1.06 96.63Punta de Agua 0.68 55.48Torres FF. CC 0.97 85.66Francisco 1.60 156.10Pueblo de Álamos 1.41 131.34Tecoripa 1.31 122.21Punta de Agua 0.85 72.99Mátape 1.14 101.12Cobachi 1.63 156.19La Misa 1.69 165.24San José de Pimas 1.10 100.17


Figura 3. Precipitación media diaria (elaborado a partir de los datos de pre-cipitación media de Téllez, y otros, 2011).

160.00

140.00

120.00

100.00

80.00

60.00

40.00

20.00

0.000.00 0.50 1.00 1.50 2.00

R. D

iario

Precipitación media diaria (mm)

Figura 4. Modelo de regresión lineal.


El factor de erodibilidad del suelo K mide la resistencia del suelo a la erosión, considerando la información textural, contenido de materia orgánica, y permeabilidad de los suelos en la cuenca. Para el cálculo de este factor hay que acudir a medidas experimentales en parcelas durante varios años, con el fin de estimar la intensidad y frecuencia de las tormentas, el cálculo se puede simplificar mediante simuladores de lluvia (Wischmeier & Cross, 1971).

Algunos autores llegaron a la conclusión de que el factor K puede ser calculado en función de propiedades del suelo por medio de ecuaciones de re-gresión múltiples. Entre ellos están Wischmeier y Cross (1971), que simplifi-caron un cálculo de la erodibilidad utilizando un simulador de lluvia. Llegan-do a obtener la ecuación de regresión empleando algunos parámetros físicos (Tablas 3 y 4):

(6)

Donde T es el parámetro de textura de los 15 cm superficiales, MO es el contenido de arcilla (%), E es el parámetro de estructura, y P el parámetro de permeabilidad.

(7)

Donde L+Armf representan limo mas arena muy fina (0.1-0.002 mm), y Ac es arcilla (<0.002 mm). Para el cálculo del factor de erodibilidad se utiliza el porcentaje de cada textura.

Tabla 3. Valores de estructura para la estimación del factor K.

Parámetro de estructura para los 15 cm superficiales1 Granular muy fina (<1 mm)2 Granular fina (1-2 mm)3 Granular media (2-5 mm) a gruesa (5-10 mm)4 Laminar, maciza y cubica


Tabla 4. Valores de permeabilidad para la estimación del factor K.

Parámetro de permeabilidad referido a todo el perfilcm/h

1 Rápida a muy rápida 12.5-252 Moderadamente rápida 6.2 -12.53 Moderada 2.0 - 6.24 Moderadamente lenta 0.5 - 2.05 Lenta 0.12- 0.56 Muy lenta <0.12

Dado que la información disponible para la cuenca es muy escasa, se optó utilizar esta formulación para el cálculo del factor K a partir de la infor-mación edafológica de la cuenca obtenida del Instituto Nacional de Estadísti-ca y Geografia (INEGI, 2010), los parámetros de permeabilidad y textura son los únicos disponibles, para este último se tuvo que reclasificar el valor original de la cartografía utilizando el diccionario de datos de INEGI (2010) (Tabla 5), para poder aplicar la ecuación de T (7).

En el caso de los parámetros de estructura y materia orgánica, se les asignaron valores medios obtenidos en las bases de datos de Alatorre y Be-guería (2009) y García Navarro (2005), según el tipo de suelo y textura. Una vez obtenida esta información se aplicó la ecuación del factor K (ecuación 6).

Tabla 5. Valores de textura.Valor de textura Ecuación de T T

1 (100-0.18)*(0.17+0.65) 81.85

2 (100-0.35)*(0.65) 64.77

3 (100-0.4)*(0.6) 59.76

Los valores del factor relacionado con la cobertura y usos del suelo C, reflejan el efecto de la cobertura vegetal y restos vegetales sobre la lluvia, lo cual provoca los efectos de trascolación y escorrentía cortical, evitando el des-prendimiento de partículas del suelo y disminuyendo la velocidad de la esco-rrentía. Se aplicaron los valores del factor C a cada una de las categorías de usos de suelo de acuerdo a los valores propuestos por el Instituto de Conser-vación Natural de España (ICONA; (Almorox, De Antonio , Saa, Cruz Díaz, & Gasco, 1994)), como se muestra en el cuadro 6.


Tabla 6. Valores para el factor C asignados a cada categoría de usos de suelo.

Categoría Factor CAgricultura de Anuales 0.040Asentamientos Humanos 0.000Asociación Pino-Encino 0.012Bosque de Pino 0.012Cuerpos de Agua 0.000Encinar Perturbado 0.034Huertas de Manzana 0.041Matorrales 0.170Pastizales 0.040Suelo desnudo 0.450

El factor LS es la representación espacial de la variabilidad de erosión causada por la topografía, L es el factor de la medida de longitud de pendiente, mientras que S es la pendiente proporcional. Para estimar estos factores, los datos requeridos son un Modelo Digital de Elevación (MDE), un mapa par-celario del área de estudio y las vías de comunicación, y el software WaTEM/SEDEM, El cual utiliza un algoritmo propuesto por Desmet y Govers (1996) que consiste en determinar la longitud de pendiente pixel por pixel y así poder inferir la dirección y velocidad de la escorrentía. La ecuación que utiliza este algoritmo es la siguiente:

(8)

Dado que en el área de estudio no se cuenta con prácticas o manejos del suelo, se decidió darle valor de 1 al factor de prácticas del suelo P.

Análisis espacial de las tasas de erosión: porcentajes de ocupa-ción, usos de suelo y disección vertical.

Una vez que se obtuvo el mapa de erosión potencial por medio de la RUSLE, se procedió a hacer una reclasificación en rangos de erosión propuestos por Sánchez, Sánchez, Garatuza, y Alatorre (2007) (Tabla 8). Una vez que se ob-tuvo la distribución espacial de cada uno de los rangos de erosión, se hizo un análisis de los porcentajes de área que ocupan cada una de las categorías, para así identificar el grado de erosión que predomina en el área de estudio.


Por otra parte se hizo un análisis de los valores medios de erosión que predominan en cada una de las categorías de uso y cobertura de suelo presente en el área de estudio, para así determinar cuales categorías son las que tiene tasas de erosión elevadas y relacionar la erosión potencial con el uso y cober-tura del suelo.

Finalmente se hizo un análisis por medio de la disección vertical (DV). El mapa de disección vertical fue proporcionado por Alatorre, y otros, (en preparación) (figura 5, Tabla 7), en este mapa se ilustran las categorías supe-riores de los tipos de relieve según la clasificación morfométrica por niveles de disección vertical (Priego, Bocco, Mendoza, & Garrido, 2010), derivadas de un modelo digital de terreno.

Tabla 7. Clasificación morfométrica por niveles de disección vertical.

No. Descripción de disección vertical1 Planicies2 Planicies sub horizontales3 Planicies onduladas medianamente diseccionadas4 Planicies onduladas fuertemente diseccionadas5 Planicies acolinadas ligeramente diseccionadas6 Planicies acolinadas medianamente diseccionadas 7 Planicies acolinadas fuertemente diseccionadas 8 Lomeríos ligeramente diseccionados9 Lomeríos medianamente diseccionados10 Lomeríos fuertemente diseccionados11 Montañas ligeramente diseccionadas12 Montañas medianamente diseccionadas13 Montañas fuertemente diseccionadas


Figura 5. Mapa de disección vertical (descripción de las categorías en el cuadro 7).

Tabla 8. Rangos de medida de la erosión potencial mediante la RUSLE.

Rangos en ton ha-1 año-1 Erosión potencial<0.5 Muy baja0.5-2.5 Baja2.5-5 Media5-10 Moderada10-20 Alta>20 Muy alta

RESULTADOS

Factor REl resultado de aplicar la el modelo de regresión lineal entre los valores de R-Diario y la precipitación media diaria para la cuenca de la Laguna Bustillos


se muestran en la figura 6 (factor R). Los valores del factor de erosividad ob-tenidos se encuentran entre los rangos de 77 a 99 MJ mm/ha h año (Figura 5), los valores más elevados se localizan principalmente al noreste de la cuenca, y los valores más bajos en el fondo del valle. Analizando la variación mensual de la precipitación (Tabla 9), cabría esperar que los valores del factor R más elevados se concentran en los meses de Julio, Agosto y Septiembre, por ser los que cuentan con mayor precipitación según la base de datos elaborada por (Téllez, Hutchinson, Nix, & Jones, 2011) como se muestran en el cuadro 7.

Figura 6. Factor R.

Tabla 9. Precipitación mínima, máxima

y media mensual en la cuenca de la laguna

Bustillos.

Mes Min MaxPrecipita-ción media

Enero 6 15 11.45Febrero 4 14 7.34Marzo 2 8 5.71Abril 3 10 6.75Mayo 8 19 12.06Junio 27 59 38.30Julio 97 152 120.40Agosto 109 148 125.72Septiembre 75 107 88.38Octubre 22 32 26.36Noviembre 9 14 11.62Diciembre 8 17 12.29

Factor KLos valores obtenidos del factor K reflejan la susceptibilidad que tiene el suelo para ser desprendido por el agente erosivo, en este caso refiriéndonos principalmente a la escorrentía superficial.

La distribución espacial de los valores más altos sobre la cuenca no sigue un patrón en específico (Figura 7). Los suelos con alto contenido de arcilla ge-neralmente tienen valores bajos de K, aproximadamente de 0.05-0.15, mien-


tras que los suelos de textura gruesa (arenosos) los valores son moderados, los suelos de textura media (franco limoso) son medios, y los suelos con alto contenido limoso son los que se desprenden más fácilmente, con valores más altos de K según (Institute of Water Research (2013).

Figura 7. Factor K.

Factor CEl factor C representa el efecto de las plantas y la cobertura, biomasa y las actividades perturbadoras del suelo en la erosión. Los valores de este factor indican el grado en el que reduce el impacto directo de las gotas de lluvia al suelo y la velocidad de la escorrentía. Los usos de suelo, como el denominado agricultura de anuales, aparte de cubrir casi por completo las llanuras y lome-ríos de la cuenca (33%), son los que cuentan con un valor en el factor C más alto (figura 8), los valores oscilan entre 0-0.45 del factor C, donde por ejemplo, existen zonas en la que el efecto del factor R (por mencionar uno de los cinco factores) sería reducido hasta un 45% por contar con mayor cobertura de bio-masa durante los periodos de lluvia más intensos. Se observa que los valores más bajos del factor C se localizan principalmente en el valle de la cuenca y


en los límites de la Laguna de Bustillos, esto debido a la presencia de una muy buena cobertura vegetal.

Figura 8. Factor C.

Factor LSEl factor LS representa la longitud de pendiente y la pendiente proporcional, en la cuenca Laguna de Bustillos la distribución espacial de los valores más altos de este factor obtenidos por la ecuación de Desmet y Govers (1996), se encuentran principalmente las sierras que delimitan la cuenca de la Laguna Bustillos, donde el relieve es más accidentado, lo cual da mayor probabilidad a que la erosión se presente con mayor severidad en estas zonas, esto debido a que las pendientes pronunciadas aceleran la velocidad de la escorrentía y aumentando la probabilidad de que las partículas del suelo sean desprendidas durante el recorrido de la escorrentía (Figura 9).


Figura 9. Factor LS.

Aplicación de la ecuación universal de pérdida de suelo revisa-da RUSLE y análisis espacial de las tasas de erosión

El resultado de multiplicar todos los factores que integran la RUSLE se ob-serva en el mapa de erosión potencial (Figura 10). Mediante el análisis de la distribución espacial de las categorías de erosión se observa que casi el 90% de los valores se encuentran concentrados en los rangos 1, 2 y 3 (Tabla 10), siendo los rangos 5 y 6 los que ocupan menor porcentaje del área de estudio.

Una vez obtenido el mapa por rangos se encontró que los valores corres-pondientes a los rangos de erosión alta y muy alta van asociados a las zonas con mayor altitud y mayor pendiente, a su vez se encontró que la zona de ero-sión potencial muy baja se distribuye a lo largo del profundo valle.


Figura 10. Erosión potencial.

En el análisis de erosión potencial por usos y cobertura de suelo (Figura 11) se observó que los usos y coberturas con menor erosión potencial fueron agricultura de anuales y pastizales con valores erosión muy baja. Los usos que presentan menos presencia de erosión potencial por su bajo porcentaje de ocu-pación en el área de estudio son, por mencionar algunos, asentamientos huma-nos y encinar perturbado. Los usos con tasas de erosión más elevadas fueron asociación pino-encino y bosque de pino, los cuales se localizan en las zonas al-tas de la sierra que circunda la zona de estudio, además de elevadas pendientes.

Tabla 10. Porcentaje de ocupación de los rangos de erosión potencial.Valor Área Km2 %

Muy baja 2034.62 64.62

Baja 634.38 20.15

Media 236.46 7.50

Moderada 145.70 4.63

Alta 55.29 1.76

Muy alta 42.32 1.34


1000

1200

800

600

400

200

01 2 3 4 5 6 7 8 9

Usos y cobertura del suelo

Muy bajaBajaMediaModeradaAltaMuy alta

Área

en

Km2

10 11

Figura 11. Análisis de erosión potencial por uso y cobertura de suelo (des-cripción de las categorías en la Tabla 11).

400

450

350

300

250

200

100

50

150

01 2 3 4 5 6 7 8 9

Disección vertical

Muy bajaBajaMediaModeradaAltaMuy alta

Área

en

Km2

10 11 12 13

Figura 12. Análisis entre erosión potencial y disección vertical (Tabla 7).


Tabla 11. Clasificación de usos y coberturas de suelo.

No. Descripción

1 Agricultura de Anuales

2 Asentamientos Humanos

3 Asociación Pino-Encino

4 Bosque de Pino

5 Cuerpos de Agua

6 Encinar Perturbado

7 Huertas de Manzana

8 Matorrales

9 Pastizales

10 Suelo desnudo

Mientras que en el análisis de la erosión potencial por disección vertical los valores altos se encuentra desde lomeríos ligeramente diseccionados hasta montañas medianamente diseccionadas (Figura 12), lo cual indica que la ero-sión se presenta principalmente en áreas con mayor pendiente. Por otra parte, estas comparaciones han permitido establecer diferencias entre las distintas unidades geoestructurales, atribuibles a sus diferencias en relieve, densidad de drenaje, y la distribución espacial de coberturas y usos de suelo.

CONCLUSIONES

La implementación del modelo empírico ha permitido identificar áreas poten-ciales a ser erosionadas en la cuenca Laguna de Bustillos. La principal ventaja de este modelo empírico es la sencillez de su implementación a partir de fuen-tes de información disponibles para cualquier área de estudio. En este caso se encontraron algunas limitantes, principalmente para la información geológica, edafológica y características de la precipitación. De acuerdo a la distribución espacial de las tasas de erosión potenciales, se pudo hacer un análisis sobre las zonas más propensas a ser erosionadas de acuerdo a coberturas y usos del suelo, así como en relación a disección vertical. En general se encontró que las tasas mas elevadas de erosión se localizan en las partes de las sierras y piede-monte que delimitan el área de estudio, donde su principal característica es la presencia de pendientes pronunciadas. De acuerdo a la clasificación de la di-sección vertical estas áreas van desde lomeríos hasta montañas medianamente


diseccionadas. Por otra parte, las categorías de uso de suelo con poca cobertura vegetal como la asociación pino-encino y el bosque de pino, fueron las áreas con una alto grado potencial de erosión.

A pesar de las limitantes encontradas, fue posible cumplir con todos los objetivos. Los resultados encontrados, son un primer acercamiento para poder tomar acciones de mitigación enfocadas a dichas áreas por su mayor vulne-rabilidad. Como por ejemplo, en estas áreas se podrían realizar obras para el control, estabilización y consolidación, para mitigar los efectos de la erosión superficial en laderas y cauces.

Bibliografía

Alatorre, L. C. (2010). Erosión del suelo y fuentes de sedimento en la cuenca del río Ésera (Pirineo Central): análisis espacial y dinámica temporal mediante técnicas de simulación y teledetección. Universidad de Zara-goza, 43-121.

Alatorre, L. C., y Beguería, S. (2009). Los modelos de erosión: una revisión. C y G, 1-10.

Alatorre, L. C., Diaz, R., Bravo, L. C., y Miramontes, S. (En preparación). Evolution of vegetation activity on vegetated areas in the Cuauhtémoc basin, Chihuahua, México, using multitemporal Landsat imagery. Earth Surface Processes and Landforms, 1-20.

Almorox, J., De Antonio , R., Saa, A., Cruz Díaz , M., y Gasco, J. (1994). Mé-todos de estimación de la erosión hídrica. Agrícola Española, 152.

Becerra, A. (1998). Conservacion de suelos y desarrollo sustentable, ?utopía o posibilidad en México? Terra(16), 181-187.

Bravo, L. C., Díaz Caravantes, R., Alatorre Cejudo, L. C., Sanchez, E., y Aguilar, S. A. (2012). Cambios de la cubierta vegetal y los usos del suelo una cuenca endorreica de la región central de Chihuahua en el periodo 1993-2010. Una zonificación desde la perspectiva hidrofuncional. Reu-nion nacional SELPER- México, 390-398.

Díaz, F., Fierros, V., Benito Rueda, E., y Perez More, R. (1987). Evaluation of the U.S.L.E. for the prediction of erosion in burnt forest areas in Galicia (N.W. Spain). Catena, 189-199.

Duarte, R. (1990). Contribución del representante y jefe de la misión diplo-mática de la FAO en México. Primer Simposium Nacional Sobre Degra-dación de Suelos Memorias del Simposium, 97-103.


Foster, G., y Meyer, L. (1977). Soil erosion and sedimentation by water: an overview. (ASAE, Ed.) Proceedings of the National Symposium on Soil Erosion and, 1-13.

García Navarro, A. (03 de 10 de 2005). Universidad de Extremadura Depar-tamento de Biología y Producción de los Vegetales. Obtenido de Área de Edafología y Química Agrícola: http://www.eweb.unex.es/eweb/edafo/

INEGI. (14 de 11 de 2010). Instituto Nacional de Estadística y Geografía. Ob-tenido de Instituto Nacional de Estadística y Geografía: http://www.inegi.org.mx/

Institute of Water Research, M. S. (13 de marzo de 2013). RUSLE on-line. Obtenido de RUSLE online soil erosion assestment tool: http://35.8.121.139/rusle/

Merritt, E. (1984). The identification of four stages during microrrill develop-ment. Earth Surface Processes and Landforms 9, 493–496.

Priego, Á., Bocco, G., Mendoza, M., y Garrido, A. (2010). Propuesta para la generación semiautomatizada de unidades de paisajes. México, D. F.: Insti-tuto Nacional de Ecología (INE- SEMARNAT).

Renard, K., Foster, G., Weesies, G., y Porter, J. (1991). RUSLE – revised uni-versal soil loss equation. Journal of Soil and Water Conservation 46, 30–33.

Sánchez, R. A., Sánchez, S. C., Garatuza, J. P., y Alatorre, L. (2007). Biofísica, socioeconomía y degradacion del suelo en la Cuenca del Río Mátape. Hermo-sillo, Sonora, México: Instituto Tecnológico de Sonora.

Téllez, O., Hutchinson, M., Nix, H., y Jones, P. (2011). Cambio Climático: aproximaciones para el estudio de su efecto sobre la biodiversidad. Uni-versidad Autónoma del Estado de Hidalgo, 15-18.

Tenhunen, J. D. (1999). Ecosystem studies, land-use change, and resource ma-nagment. DAHLEM Workshop Reports, 1-22.

Torri, D., y Poesen, J. (1992). The effect of soil surface slope on raindrop deta-chment. Catena, 561–578.

Valcárcel, M., Taboada, M., Paz, A., y Dafonte, J. (2003). Ephemeral gully erosion in northwestern Spain. Catena, 50, 199-216.

Walling , D., y Fang, D. (2003). Recent trends in the suspended sediment loads of the world’s rivers. Global and Planetary Change 39, 111-126.

Wischmeier, W. J., y Cross, B. (1971). A soil erodibility nomograph for far-mland and construction sites. Journal of soil and water conservation 26, 189-192.


Wischmeier, W., y Smith, D. (1978). Predicting rainfall-erosion losses: a guide to conservation planning. Washington, DC.: Agriculture Handbook #507. USDA.

223

C A P Í T U L O I V

Geoinformática aplicada al estudio de acuíferos

Responsable: Dr. Luis Carlos Bravo Peña

Introducción

En México, el agua subterránea es fundamental para las acti-vidades económicas y el consumo humano. Alrededor de una tercera parte del agua utilizada en las actividades productivas del país, proviene de los mantos freáticos, y esta proporción se duplica cuando se habla del consumo doméstico en los pue-blos y localidades urbanas. Dicha dependencia, y la ausencia de medidas apropiadas de manejo de los recursos hídricos, han

configurado una situación crítica que demanda medidas de manejo de acuífe-ros, apoyadas en técnicas y metodologías de vanguardia.

La situación es apremiante. Estimaciones recientes indican que más del 50 % del agua subterránea utilizada proviene de acuíferos sobre-explotados,


y este porcentaje podría incrementarse si se mantienen los esquemas actuales de manejo del recurso. Decisiones sin sustento científico, o apoyadas en datos no actualizados sobre el volumen disponible de agua subterránea, agravarán la problemática de los recursos hídricos en el futuro.

Corregir esta situación precisa esfuerzos en varios frentes. Usualmente se mencionan medidas políticas y adecuaciones al marco legal que regula el uso del agua subterránea, pero también se requieren estudios orientados a identificar acciones de remediación en los acuíferos sobre-explotados, e inves-tigaciones en el campo de la geografía humana, que esclarezcan las variables socioeconómicas, o culturales, que inciden en la problemática actual. Acciones en este sentido permitirán un abordaje integral del problema, y aportarán ele-mentos para la recuperación de los acuíferos nacionales en el mediano plazo.

Los dos trabajos que se presentan en este capítulo se orientan en esas direcciones. El primero de estos “Análisis y aplicación de un modelo empíri-co-conceptual para la identificación de zonas potenciales de recarga hídrica: Cuenca de Laguna Bustillos, Chihuahua”, atiende a la necesidad de identificar sitios con potencial de ser utilizados como áreas de recarga en un acuífero sumamente sobre-explotado de este estado del Norte de México. El segundo trabajo: “Relaciones espaciales entre los cambios del nivel estático del acuífero Cuauhtémoc Chihuahua y la cobertura de huertas de manzana durante 1993-2003” explora las implicaciones socio-espaciales del abatimiento de acuíferos sobre la producción frutícola en este mismo escenario físico. Dichas implica-ciones, que incorporan como referente el origen sociocultural de los produc-tores rurales, son importantes para entender la vulnerabilidad de los usuarios del agua al abatimiento de los mantos freáticos.

Los estudios señalados anteriormente, realizados por estudiantes y maestros de la Licenciatura en Geoinformática, se desarrollaron espacialmen-te en el área de captación/explotación del acuífero Cuauhtémoc Chihuahua. Este, uno de los acuíferos con mayores presiones de sobre-explotación a nivel nacional, fue objeto de análisis con herramientas como la sensoría remota y los sistemas de información geográfica. Mediante este acercamiento desde las ciencias geoinformáticas, fue posible identificar áreas importantes desde una perspectiva hidrofuncional para la recarga del acuífero, y actores sociales que son más vulnerables a las disminuciones de los niveles estáticos. Los resulta-dos obtenidos en ambos trabajos, constituyen una importante aportación de la geoinformática al análisis de la compleja situación de los mantos freáticos del país, y en particular del estado de Chihuahua. Contribuciones de este tipo proveen elementos para mejorar el manejo de los acuíferos nacionales.

Capítulo IV Geoinformática aplicada al estudio de acuíferos 225

En este capítulo se presenta los siguientes trabajos:Chávez Bustillos Alan Edgardo, Corral Alvarado José Alejandro, Bra-

vo Peña Luis Carlos, Alatorre Cejudo Luis Carlos y Wiebe Quintana Lara Cecilia (2013). Relaciones espaciales entre los cambios del nivel estático del acuífero Cuauhtémoc Chihuahua y la cobertura de huertas de manzana du-rante 1993-2003. .

Rodríguez Marín Luis Raúl, Ornelas Olivas Leoncio Elmer, Bravo Peña Luis Carlos, Alatorre Cejudo Luis Carlos y Rojas Villalobos Hugo Luis (2013). Análisis y aplicación de un modelo empírico-conceptual para la identificación de zonas potenciales para recarga hídrica: cuenca de Laguna de Bustillos, Chihuahua. .

227

Relaciones espaciales entre los cambios del nivel

estático del acuífero Cuauhtémoc Chihuahua y la cobertura de huertas de manzana

durante 1993-2003

Alan Edgardo Chávez Bustillos, José Alejandro Corral Alvarado, Luis Carlos Bravo Peña, Luis Carlos Alatorre Cejudo y Lara Cecilia Wiebe Quintana.

Introducción

México se caracteriza por tener tasas de crecimiento poblacional y económicas muy altas. Estas han sido el determinante fundamental de la transformación del país de una nación esencialmente rural en 1900 a otra hegemónicamente urbana en el 2000 (Garza, 2002). Este crecimiento ha implicado la búsqueda de nuevos lugares para la expansión agrícola, generando nuevas

áreas de cultivo, pero también mayor presión sobre el agua superficial y subte-rránea necesaria para la producción de alimentos.

En el caso del agua subterránea, en 1998, el país contaba con 140,000 pozos, de los cuales 50,000 eran utilizados para riego. El volumen de agua que se extraía del subsuelo ascendió para finales del siglo XX a 28,500 millones de


m3 (904 m3/s, casi cuatro veces la cantidad que se usa para fines municipales) y se empleó en uso urbano (20%), riego (67%) e industria (13%) (Cisneros, 2010). En un futuro próximo muchos de estos pozos requerirán de manteni-miento y rehabilitación y, en otros casos, al terminar su vida útil, serán clausu-rados o simplemente abandonados.

Los pozos para extracción de agua son un conducto de comunicación entre el medio ambiente exterior y los acuíferos; el uso o manejo inadecuado de estas instalaciones puede provocar la contaminación de dichos acuíferos (SEMARNAT, 1997). Sin embargo la capacidad de la CONAGUA para estar verificando y autorizando los pozos que existen en el país ha sido rebasada de sus capacidades, por lo que en ciertas partes del país la problemática del agua se ha vuelto más severa (Comisión Nacional del Agua, 2010).

En el caso del acuífero de la cuenca No. 34 de La Laguna de Bustillos, donde existen aproximadamente 4,230 pozos, con una extracción anual de 360 millones de metros cúbicos (Mm³), una recarga de 87 Mm³, con déficit anual de 273 Mm³ (Orozco, 2010),se ha observado en los últimos años descensos considerables de la superficie piezométrica, correspondiendo los mayores a la porción central del valle, donde en el período de 1988 a 1997 se observan abatimientos de hasta 25 metros (Comisión Nacional del Agua, 2002). Dicha situación es preocupante, ya que el abatimiento podría afectar seriamente a la actividad agrícola, pues la zona destaca a nivel estatal por su producción de cereales forrajeros, y a nivel nacional por su producción frutícola.

El abatimiento del acuífero puede determinar la evolución de los usos de suelo, en particular de aquellos que incorporan el agua subterránea como un insumo productivo. En este caso se puede situar las actividades agrícolas y ganaderas, siendo potencialmente más grave en aquellos que han requerido altos niveles de inversión, como las huertas de manzana u otros cultivos rela-tivamente tecnificados.

La región de Cuauhtémoc es una zona importante de agricultura para el estado y gran parte de la región de la cual se encuentra cubierta por diferentes cultivos, principalmente maíz, fríjol, avena y manzana. Además, es correcto decir que una gran parte de estos cultivos se encuentran tecnificados por sis-temas de riego los cuales establecen pozos para fines de riego. Se puede llegar a la pérdida de miles de hectáreas dedicadas al cultivo del manzano, ya que el agua es el factor más limitante para la fruticultura ( Juárez, 2007).

En el caso de la cuenca bajo análisis, se tiene huertas de manzana en diferentes condiciones de equipamiento y tecnificación, determinadas funda-mentalmente por el tipo de tenencia de la tierra, y las posibilidades econó-


micas de los productores en cada una de las formas de propiedad. Desde esta perspectiva, cabría esperar que el abatimiento del acuífero afecte en mayor grado a los productores con menores posibilidades económicas para hacer frente a un fenómeno de esta naturaleza.

Cuándo se habla del grado de afectación potencial del abatimiento del acuífero, es útil considerar el concepto de vulnerabilidad, que se refiere al gra-do de propensión o facilidad para que este sea afectado por un fenómeno am-biental como el que se ha descrito. La vulnerabilidad, en términos generales, se refiere a una condición susceptible a recibir algún daño (Macías, 1999).

La vulnerabilidad es un concepto que se utiliza en estudios del territorio para describir problemáticas como la que se aborda en este trabajo (McCabe, 2002; Moseley, 2002), y puede ser medida de distintas formas. Por ejemplo, en un estudio realizado por Bravo Peña et al., (2010) en Sonora para determinar la vulnerabilidad de los productores ganaderos a la sequía, encontraron que esta se relacionó con las posibilidades económicas y las redes sociales de apoyo de los productores para hacer frente a este fenómeno. Así, los productores que contaban con varios predios de pastoreo para sus animales, o redes horizontales de reci-procidad y apoyo para trasladar las reses a ranchos vecinos, menos afectados por la falta de agua, fueron menos vulnerables que los productores sin recursos eco-nómicos o relaciones sociales sustentadas en la confianza y reciprocidad mutua.

En el caso del estudio que aquí se presenta, la experiencia de campo de los autores indica varias estrategias para hacer frente al abatimiento del acuífe-ro. Destacan por ejemplo: a) Perforar nuevos pozos b) adquirir de equipos de extracción de agua subterránea más potentes. Pero el éxito de las estrategias se mide con la preservación, el abandono o en su caso el crecimiento de las huer-tas de manzana. Todo esto puede expresarse y monitorearse espacialmente. Es por esto que el objetivo de este trabajo es identificar si existe una relación entre abatimiento del acuífero y el incremento o decremento en la superficie cubier-ta por huertas de manzana en el acuífero de la laguna de Bustillos, partiendo de dos premisas: 1) El abatimiento del acuífero es determinante sobre las tasas de cambio de huertas de manzana en dos periodos de tiempo (1993 y 2003) 2) Hay sectores o grupo de productores que resienten más el abatimiento, y esto se expresa espacialmente en los cambios de la superficie de sus huertas.

Área en estudio

La zona de estudio se localiza al norte del país, en el estado de Chihuahua, quedando comprendida entre las coordenadas 29.03°N 28.24° N y 107.21°


W106.57° W (figura 1). Comprende gran parte del municipio de Cuauhté-moc, así como pequeñas porciones de los municipios Riva Palacio, Bachiniva, Guerrero y Cusihuiriachi, ocupando el acuífero una superficie de 3,344 km2 aproximadamente.

El clima predominante del área es de tipo templado, semi-seco y con lluvias en verano (García et al., 2006). Un estudio de 1998 realizado por CO-NAGUA, describe como vegetación natural los pastizales naturales, matorral desértico y los bosques de encino y otros, así como la vegetación inducida, esto es, los cultivos de temporal y de riego.

El área en estudio pertenece a la Región Hidrológica No. 34, Cuencas Cerradas del Norte, abarcando las subcuencas de la Laguna de Bustillos y parcialmente a la Laguna de los Mexicanos. Las corrientes superficiales más relevantes en la Cuenca de Bustillos son los arroyos de Santa Elena, San An-tonio y Nopabechic, los arroyos son de menor importancia y con regímenes de escurrimiento esporádico, que se presentan sólo durante la temporada de lluvias, Históricamente solo el arroyo San Antonio, ha mostrado flujos más estables (Comisión Nacional del Agua, 2000).

Figura 1. Área de estudio, cuenca laguna de Bustillos.


Lamentablemente, no existen muchas mediciones del nivel estático, pero un estudio realizado en 1998, indicó que estas variaban entre10 y 100 m, mientras las elevaciones de la nivel piezométrico fluctuaban entre 1960 y 2040 msnm. Las profundidades menores corresponden a captaciones situadas en las proximidades de la Laguna de Bustillos; las elevaciones mayores corresponden a pozos situados en las estribaciones de las sierras que limitan al valle en sus porciones sur, y occidental, y las menores se presentan en la porción central del valle y la zona de pozos de Celulosa de Chihuahua. Estudios más recien-tes han mostrado que estos niveles han descendido considerablemente en los años posteriores (Comisión Nacional del Agua, 2000).

Metodología

En este estudio se utilizaron los Sistemas de Información Geográfica (SIG) como herramienta principal, además de que se utilizó la fotointerpre-tación de imágenes satelitales para ubicar las huertas de manzana y con base a eso realizar el análisis correspondiente a este estudio.

Generación de cartografía de los usos de suelo de huertas de manzana

Se compararon dos cartografías de huertas de manzana de la zona de estudio bajo el siguiente procedimiento:

a) Generación de una cartografía de huertas de manzana correspondientes al 2003. Para esta se utilizó una serie de imágenes SPOT de alta resolu-ción correspondiente al mismo año. Las huertas se identificaron mediante fotointerpretación, considerando elementos como tono, textura y color, de acuerdo a los procedimientos de fotointerpretación sugeridos por Murtha y Sharma (2005).

b) Comparación mediante tabulación cruzada (Pontius y Suedmeyer, 2004), de la cartografía generada en el paso anterior, y una cartografía de huer-tas de manzana correspondientes al año 1993, generada previamente por Bravo (2012).


Tabulación cruzada entre los cambios de cobertura de huertas y el mapa de abatimiento del acuífero.

La tabulación cruzada de la sección anterior, se traslapó con el mapa de aba-timiento del acuífero del periodo 1993-2003 (Figura 2) generado anterior-mente por Díaz y Alatorre, (En proceso) con base en técnicas de interpolación, el cual se había clasificado en tres clases (Alto abatimiento, Bajo abatimiento y zona de recarga), con base en los valores positivos y negativos del acuífero, de acuerdo a la distribución de frecuencias de valores de abatimiento.

Figura 2. Niveles de abatimiento del acuífero de Cuauhtémoc año 1991-2001. Con base en Alatorre et al., (2014).


Figura 3. Tenencia de la tierra en el área correspondiente al acuífero de Cuauhtémoc. Fuente Registro Agrario Nacional (2011); y Colonia Menoni-

ta (2012).

Tabulación cruzada incorporando el mapa de abatimiento del acuífero, y la tenencia de la tierra.

La tabulación generada en la sección dos de métodos, se traslapó a su vez con el mapa de tenencia de la tierra sobre el área del acuífero (Figura 3), que describe la propiedad de la tierra en las cuatro formas de propiedad vigentes en la zona: ejidos, menonitas, privada y colonias agrícolas (Tabla 1). En todos los casos, la comparación de las coberturas de 1993 y 2003 se realizó en el programa de IDRISI, bajo procedimientos de álgebra de mapas. El resultado de esta comparación fueron los polígonos de cambio, estos polígonos fueron


aquellas coberturas o áreas que disminuyeron o aumentaron de la primera fecha a la segunda.

Tabla 1. Tenencia de la Tierra

Clases Cobertura en hectáreasColonias Agrícolas. 21391Ejidos. 90593Menonita. 116001Privada. 92226

Obtención de matrices de transición y obtención de tasas de cambio.

Con el fin de analizar detalladamente la dinámica de cambio en la cobertura, se obtuvo una matriz de transición. Pontius y Suedmeyer (2004), describe la matriz de transición como un elemento fundamental en el análisis y telede-tección de cambios. Estas matrices se generan a partir de 2 mapas categóri-cos basados en la cantidad de pixeles, y su ubicación (Pontius y Suedmeyer, 2004). Estas matrices se describen como tablas con arreglos simétricos que contienen en uno de los ejes las coberturas de un año y en el otro eje la misma cobertura pero del año más reciente.(R. M. Juárez, 2011). De esta forma, cada celda central-diagonal contiene los valores en hectáreas de las categorías que permanecieron en la clase y en la diagonal contraria se encuentran los valores en hectáreas de lo que cambio a otra clase (Masera, 1996) en el programa Mi-crosoft Excel. Posteriormente con los valores de las hectáreas de los polígonos de cambio que ocupa la cobertura huertas de manzana en las diferentes fechas (1993 y 2003) se calcularon las tasas de cambio para cada una de las clases re-sultantes, mediante la fórmula propuesta por Puyravaud (2003), multiplicada por cien para expresarse en porcentaje.

Donde S es la tasa de cambio.S1 superficie en la fecha 1.S2 superficie en la fecha 2.n es el número de años entre las dos fechas.


En el análisis, se utilizaron los valores de las hectáreas que se ganaron en la clase de huertas de manzana durante el periodo 1993-2003, posteriormente, con el uso del software SPSS se aplicó la prueba estadística de Chi cuadrada (Ebdon, 1982) bajo las siguientes consideraciones a) Búsqueda de asociación estadística entre los cambios y los niveles de abatimiento, b) Búsqueda de asociación estadística entre los cambios y los niveles de abatimiento, por tipo de tenencia de la tierra.

Esta prueba se utilizó para sustentar estadísticamente los resultados, y determinar si los cambios ocurren al azar, o si están asociados con un nivel de abatimiento, o con un determinado régimen de tenencia.

Resultados y discusión.

La fotointerpretación de las imágenes de satélite permitió generar la cober-tura de huerta de manzana para el periodo de 2003 y su comparación con la cartografía correspondiente al año de 1993 (Figura 4).

A nivel global, la superficie de huertas se modificó de un periodo a otro, incrementándose 2996.01 hectáreas respecto a la superficie original, lo que arrojó un tasa de crecimiento anual de 5.89%.( Tabla 2).

Tabla 2. Cambio en la cobertura de huertas de manzana1993-2003 y tasa de cambio anual en %.

ClasesCobertura 1993

en haCobertura 2003

en haCambio en

haTasa de cambio anual

en %Huertas en el acuífero de Cuauhtémoc

3875.13 6871.14 2996.01 5.89

Estos cambios, superpuestos al nivel de abatimiento observado en el mismo periodo, indicaron diferencias apreciables en la velocidad o tasa de cambio de una categoría de abatimiento a otra (Tabla 3).


Figura 4. Cambios en la cubierta huertas de manzana periodo 1993-2003. Fuente: Este trabajo.

Tabla 3. Cambio en la cobertura de huertas de manzana (1993-2003), por nivel de abatimiento.


en haCobertura 2003

en haCambio en

haTasa de Cambio anual

en %

Huertas en zona de alto abatimiento del acuífero.

171.45 687.51 516.06 14.89

Huertas en zona de bajo abatimiento del acuífero.

3502.17 5890.23 2388.06 5.33

Huertas en zona de recar-ga del acuífero.

201.51 293.40 91.89 3.82


La zona de alto abatimiento (56,700 ha) que mostró descensos entre -55 m a -24.39 m registró una tasa de cambio de 14.89 %, derivada de un incremento proporcionalmente mayor del área de huertas respecto a la su-perficie original registrada en 1993. La zona de bajo abatimiento (125,600 ha), que mostró descensos entre -24.38 m a 0 m, registró una tasa de cambio de 5.33%, aunque un crecimiento del área de huertas sustancialmente mayor en términos absolutos respecto al área de alto abatimiento. En este caso, la superficie de huertas incrementó 2388.06 ha respecto a la superficie original registrada en 1993. Por último la zona de recarga (22,500 ha), que mostró au-mentos entre 0 m a 40.89 m, registró una tasa de cambio de 3.82%, derivada de un incremento de 91.80 ha respecto a la superficie original registrada en 1993. Dichos cambios no ocurrieron al azar. Hay asociación estadística entre el grado de abatimiento y los cambios. La prueba Chi cuadrada, al nivel de confianza elegido, indicó que las proporciones de cambio obtenidas fueron distintas de un nivel de abatimiento a otro, lo que no ocurriría si no hubiera asociación estadística (Ebdon, 1982).

Chi cuadrada, determina la relación entre 2 variables categóricas, lo que permite saber si existe o no una relación entre las variables, (Gómez, 2008). En el caso de nuestro estudio permite saber si el cambio en la superficie de las huertas se debe al azar, o por el contrario, está asociado a una determinada situación de abatimiento. Es decir, establece si la proporción observada de cambio en cada uno de los regímenes de abatimiento, es distinta respecto a las proporciones esperadas si los cambios fueran estadísticamente homogéneos. En este caso sobresale la zona de alto abatimiento, donde los incrementos en la superficie de huertas fueron proporcionalmente mayores respecto al resto de las zonas. Como se observa, las cantidades fueron mayores en la zona de bajo abatimiento, pero la tasa de crecimiento más alta, en términos de la ve-locidad de incremento en superficie respecto al área de huertas en 1993, fue en la zona de alto abatimiento (Tabla 4). Los valores observados en el cambio absoluto de la superficie de huertas, contrastados de un nivel de abatimiento a otro mediante la prueba Chi cuadrada, son estadísticamente distintos. Dados estos resultados, es claro que el incremento en la superficie de huertas fue marcadamente insostenible, particularmente en el área de alto abatimiento, pues aunque haya tecnificación en el acuífero hay un marcado descenso en el nivel del agua.


Tabla 4. Prueba Chi cuadrada para cambios presentes en las huertas de manzana para los niveles de abatimiento.

Zona de abatimientoCambios en ha Total

No Si Huertas en zona de alto abatimiento Cantidad observada 164 524 688Huertas en zona de bajo abatimiento Cantidad observada 3477 2414 5891Huertas en zona de recarga Cantidad observada 180 113 293Total Cantidad observada 3821 3051 6872

Chi CuadradaValor p<0.05313.16 0.00

La superposición cartográfica de esta información con el mapa de te-nencia de la tierra (Tabla 5), arrojó diferencias notables en el cambio observa-do por tipo de propiedad en cada uno de los niveles de abatimiento.

Tabla 5. Cambio por tipo de tenencia en la superficie de huertas de manzana (1993-2003), nivel de abatimiento alto.

ClasesCobertura

1993 en haCobertura 2003

en haCambio en ha

Tasa de cambio anual

en %

Huertas en tenencia Colonias Agrícolas. 52.92 89.10 36.185.30

Huertas en tenencia Ejidos. 30.06 66.87 36.81 8.30Huertas en tenencia Menonita. 88.47 221.58 133.11 9.60

Huertas en tenencia Propiedad Privada. 0 39.96 39.960

Por ejemplo, en las áreas de alto abatimiento, se observó una tasa de cambio mayor en la propiedad menonita (9.60 %) respecto a las formas de propiedad no menonitas, como ejidos, colonia agrícola y propiedad privada (8.30 %, 5.30 % y 0) respectivamente. Al igual que en el caso anterior, estos cambios no ocurren al azar. Los resultados de la prueba Chi cuadrada (Tabla 6) indican que hubo asociación estadística entre la tasa de cambio, o la pro-porción de cambio y el régimen de tenencia, pues los valores observados de cambio y los valores esperados son distintos por encima del valor crítico para la prueba.


Tabla 6. Prueba Chi cuadrada para cambios presentes en huertas de manzana por zona de alto abatimiento y tenencia de la tierra.

Zona de Alto abatimientoCambios en ha Total

No Si Huertas presentes en colonias agrícolas Cantidad observada 53 36 89Huertas presentes en ejidos Cantidad observada 30 37 67Huertas presentes en población menonita Cantidad observada 81 141 222Huertas presentes en población privada Cantidad observada 0 310 310Total Cantidad observada 164 524 688

Chi CuadradaValor p<0.05

195.29 0.00

Tabla 7. Cambio por tipo de tenencia en la superficie de huertas de manzana (1993-2003), nivel de abatimiento bajo.


en haCobertura 2003

en haCambio en ha

Tasa de cambio anual en %

Huertas en tenencia Colonias. 1026.90 1415.88 388.98 3.30Huertas en tenencia Ejidos. 552.69 789.03 236.34 3.60Huertas en tenencia Menonita. 262.17 1278.45 1016.28 17.20Huertas en tenencia Privados. 1606.77 2349.81 743.04 3.90

De aquí se deduce que los mayores incrementos en la superficie meno-nita, ocurrieron porque hubo una o varias variables que lo favorecieron, inclu-so en un contexto de baja disponibilidad de agua subterránea. Pudo tratarse de mayor disponibilidad de tierra, mayores recursos económicos o de otro tipo para hacer frente al abatimiento del acuífero, etc. Por el contrario en las colo-nias agrícolas, la superficie no se incrementó, pudiendo esto relacionarse con alguna variable que lo desincentivó en el mismo periodo. En las áreas de bajo abatimiento (Tabla 7), se observó una tasa de cambio mayor en la propiedad menonita (17.20 %) respecto a las formas de propiedad no menonitas, como ejidos, colonia agrícola y propiedad privada (3.60 %, 3.30 % y 3.90) respec-tivamente. Al igual que los cambios anteriores, en este caso los cambios no fueron producto del azar. Los resultados de la prueba Chi cuadrada en el nivel de abatimiento bajo indican que hubo asociación estadística entre la tasa de cambio, o la proporción de cambio y el régimen de tenencia, pues los valores observados de cambio y los valores esperados en formas de propiedad dife-rentes, fueron distintos por encima del valor crítico para la prueba (Tabla 8).


Se deduce que los mayores incrementos en la superficie menonita, ocu-rrieron porque hubo uno o varios factores que favorecieron el incremento en las huertas de manzana, por encima, de lo observado en otros tipos de propie-dad sometidos a la misma problemática de disminución del agua subterránea. En este caso, al igual que en el anterior, pudo tratarse de mayor disponibilidad de tierras apropiadas para el cultivo, mayores recursos económicos o de otro tipo para hacer frente a menor disponibilidad de agua, etc. Por el contrario en las colonias agrícolas, la superficie no se incrementa, pudiendo esto relacionar-se con alguna variable que lo desincentivó.

Tabla 8. Prueba Chi cuadrada para cambios presentes en huertas de manzana para la zona de bajo abatimiento con tenencia de la tierra.

Zona de Bajo abatimientoCambios en ha Total



1015.48 0.00

Finalmente, en las áreas de recarga (Tabla 9), se observó una tasa de cambio mayor en la propiedad menonita (18.70 %) respecto a las formas de propiedad no menonitas, como ejidos, colonia agrícola y propiedad privada (4.90 %, 3.60 % y 0.80) respectivamente.

Tabla 9. Cambio por tipo de tenencia en la superficie de huertas de manzana (1993-2003), nivel de recarga.


en haCobertura 2003

en haCambio en ha Tasa de Cambio en %

Huertas en tenencia Colonias. 66.33 78.84 12.51 3.60Huertas en tenencia Ejidos. 44.10 71.19 27.09 4.90Huertas en tenencia Menonita. 9.45 52.65 43.20 18.70Huertas en tenencia Privados. 81.63 88.47 6.84 0.80


En el área de recarga también se observó la tendencia de asociación estadística entre cambios y forma de tenencia. El resultado de la prueba Chi cuadrada en zona donde se aprecia que recarga, indica que hubo asociación estadística entre la tasa de cambio, o la proporción de cambio y el régimen de tenencia, pues los valores observados de cambio y los valores esperados son distintos por encima del valor crítico para la prueba.

Es por eso que se deduce que los mayores incrementos en la superficie menonita, ocurrieron porque hubo una serie de factores que lo favorecieron, incluso en un contexto de baja disponibilidad de agua subterránea. De igual forma que en los dos casos anteriores pudo tratarse de mayor disponibilidad de tierra, mayores recursos económicos o de otro tipo para hacer frente al abatimiento del acuífero, etc. Por el contrario en privados, la superficie no se incrementó, pudiendo esto relacionarse con alguna variable que lo desincen-tivó (Tabla 10).

En todos los casos evaluados, se presentó asociación estadísticamente relevante entre en la superficie de huertas y otras variables. En principio, por las tasas de cambio observadas, hubo una tendencia más acentuada al creci-miento de esta forma de agricultura en las áreas de alto abatimiento, les siguen las zonas de bajo abatimiento donde el crecimiento también fue importante pero menos acentuado. Al final se encontraron los valores de incremento en la zona de recarga, que también son relevantes, pero mucho menos marcados que en los otros niveles de abatimiento. Es preciso destacar, que de los tres niveles de abatimiento analizados, parecería que el crecimiento solo puede so-portarse en las áreas de recarga, pues no es sustentable la intensificación de la actividad agropecuaria, o su ampliación espacial si el acuífero se abate, incluso si hubiera tecnificación de por medio.

Estos cambios observados por tipo de propiedad, indican que los propie-tarios menonitas destacaron por encima de cualquier otro productor agrícola (Real, 2009), en la velocidad de apertura de huertas de manzana. Al parecer, durante el periodo de análisis tuvieron los medios o las estrategias necesarias para realizar la actividad frutícola, incluso en las condiciones de abatimiento observadas, por esto presentaron tasas de incremento mayores.


Tabla 10. Prueba Chi cuadrada para cambios presentes en huertas de manzana para la zona de recarga con tenencia de la tierra.

Zona de RecargaCambios en hectáreas Total



78.84 0.00

No es el objetivo de este trabajo establecer que causas subyacen a la tasa de cambio entre la población menonita, pero probablemente se relacionó con sus posibilidades económicas, y sus formas de organización social para el trabajo de la tierra. Por el contrario en las formas de propiedad social analiza-das en este trabajo (ejidos y colonias agrícolas) se observan consistentemente tasas menores, lo cual probablemente se vincula con menor disponibilidad de medios o recursos para hacer frente a un fenómeno como el abatimiento de los mantos freáticos.

Los valores alcanzados por el estadístico Chi cuadrada, superior al valor crítico, al nivel de confianza elegido, confirman estas aseveraciones, y sugie-ren que determinados tipos de tenencia, o los actores sociales vinculados con estos, fueron menos vulnerables al abatimiento del acuífero. Dicho de otra forma, los resultados indican que el descenso en el nivel estático, no impactó a todos los productores por igual, pues a pesar de los niveles de abatimiento observados, hubo segmentos de productores donde consistentemente la velo-cidad de crecimiento de las huertas de manzana fue más alta. Este fue el caso evidente de los productores menonitas, que en los tres niveles de abatimiento mostraron tasas de cambio comparativamente más elevadas. Por el contrario existen segmentos de productores que consistentemente presentaron tasas de cambio más lentas. Es el caso de los productores ejidales y las colonias agrí-colas, donde se observó que en los tres niveles de abatimiento muestran tasas comparativamente más pequeñas.

Un factor que probablemente favoreció el crecimiento de las huertas de manzana es la ganancia neta de este producto. Datos válidos para el periodo de análisis, indican que la rentabilidad de este cultivo rebasó en más del 200 % la ganancia neta por unidad de área respecto a otros cultivos (COLPOS,


2007). Esta diferencia de precios volvió atractiva la producción de manzana, pero la superficie bajo cultivo se incrementó más entre los productores que tuvieron estrategias más apropiadas para hacer frente al abatimiento del acuí-fero: en este caso al parecer los productores menonitas.

Es preciso señalar que los resultados de este análisis corresponden al periodo 1991-2001 en el caso de los cambios en el acuífero, y 1993-2003 en el caso de los cambios en la cobertura del uso del suelo. Ambas variables se corresponden cronológicamente, y las deducciones que pueden derivarse de la asociación estadística son válidas para este periodo. No hay mediciones pos-teriores del abatimiento del acuífero, pero si existen mediciones del cambio espacial en la coberturas de huertas (Bravo, 2015) por tenencia de la tierra, que indican que la tendencia se mantiene. Si el abatimiento del acuífero presenta actualmente el mismo patrón observado durante el periodo analizado en este trabajo, puede suponerse que las diferencias de vulnerabilidad persisten. En el mismo sentido, podría aseverarse, que estas tendencias de incremento en la cobertura de huertas de manzana, no son sustentables.

Se requieren estudios adicionales para establecer con certeza que facto-res originan estas diferencias de vulnerabilidad, pero los resultados generados en este trabajo son útiles para diseñar estrategias o acciones compensatorias encaminadas a proteger a los actores sociales que no hacen uso del agua con la misma intensidad, pues la competencia por el agua entre usos distintos, coloca a unos en situación de vulnerabilidad. Las políticas a sugerir pueden incorpo-rar los resultados generados por este trabajo, pues bajo ninguna circunstancia o consideración, es sustentable abrir o intensificar la agricultura, cuando el agua subterránea es cada vez más poca.

En este trabajo se ha retomado un concepto utilizado en otros trabajos para evaluar la susceptibilidad de los sistemas humanos a dinámicas de de-gradación ambiental. Nos referimos específicamente al concepto de vulnera-bilidad (Bankkoff, 2004; Benson, 2004; Davis, 2004; Heijmans, 2004; Smith, 2004), que en este caso específico remite a la capacidad que tienen los pro-ductores agrícolas de la región para hacer frente al abatimiento del acuífero. Como se observó en los resultados, no todos los productores son igualmente vulnerables a este fenómeno. Se requieren trabajos adicionales para establecer que factores locales determinan las diferencias.


Conclusiones

Del análisis generado en este trabajo se obtiene que los incrementos en la superficie de huertas estén asociados estadísticamente con el abatimiento. Es decir las huertas no crecen por igual de un nivel de abatimiento a otro. La lógica hace pensar que el abatimiento del acuífero será determinante sobre la superficie de huertas, pero los resultados sugieren que variables socioeconó-micas o de otro tipo atenúan este efecto. El análisis, distinguiendo por tipos de tenencia, indica que probablemente existen otros factores afectando este proceso. Dichos factores ayudarían a entender la capacidad de respuesta de los productores al abatimiento.

El incremento en la superficie de huertas por nivel de abatimiento y tipo de tenencia, sugiere que la capacidad de respuesta al abatimiento es distinta de un grupo de productores a otro, y probablemente está mediada, por las posibi-lidades económicas, el capital social, las conexiones políticas, no abordadas en este trabajo. Puesto que la capacidad de respuesta es distinta, hay elementos para suponer que hay diferencias de vulnerabilidad entre los productores agrí-colas considerados en este trabajo.

Independientemente de las posibles diferencias en vulnerabilidad, los resultados de superponer el cambio espacial de las huertas de manzana a los niveles de abatimiento, sugieren que la ampliación de la agricultura de man-zanas no es sustentable en las condiciones actuales. Aunque este incremento implique la tecnificación de las nuevas huertas, significa una demanda de agua, en un sistema que está sobre-explotado.

Agradecimientos

Este trabajo se generó en el marco del proyecto “Cambios del uso del suelo y vulnerabilidad a la escasez de agua subterránea: una exploración en el munici-pio de Cuauhtémoc Chihuahua” (Convocatoria Interna DGIP-UACJ-2012).

Bibliografía

Alatorre, L.C., Díaz-Caravantes, R.E, Miramontes-Beltrán, S., Sánchez, E. & Bravo, L.C. (2014). Spatial and temporal evolution of Cuauhtémoc aquifer static level during the years 1973, 1991 and 2000: A geographi-cal approach. Journal Geographic Information Systems, 6, 572-584.


Bankkoff, G. (2004). The Historical Geography of Disaster: ´Vulnerability´ and Local Knowledge´ in Western Discourse. Mapping Vulnerability, 25–36.

Benson, C. (2004). Macroeconomic Concepts of Vulnerability Dynamics Complexity and Public Policy. Mapping Vulnerability, 159–173.

Bravo Peña, L. C., Castellanos Villegas, A. E., y Doode Matsumoto, O. S. (2010). Sequía agropecuaria y vulnerabilidad en el centro oriente de Sonora: Un caso de estudio enfocado a la actividad ganadera de pro-ducción y exportación de becerros. Estudios sociales (Hermosillo, Son.), 18(35), 209–241.

Bravo, L. C.; Alatorre, L. C., Díaz, R. E. D., Wiebe, L. C., & Moreno, R. L. (2015). Cultura y Apropiación del Espacio: Diferencias en los Paisajes Culturales de Menonitas y Mestizos de Chihuahua, México. Journal of Latin American Geography, 14(2), 77–100.

Cisneros, B. E. (2010). El agua subterránea en los siglos XIX y XX. Retrieved from www.ccc.gob.mx/opiniones/1025-el-agua- subterranea-en-los-si-glos-xix-y-xx

COLPOS. (2007). Plan director de la unión de asociaciones de usuarios de aguas subterráneas del acuífero de Cuauhtémoc,Chihuahua.

Comisión Nacional del Agua. (2000). Cuantificación de la extracción de agua subterránea en el acuífero de Cuauhtémoc, Chih.

Comisión Nacional del Agua. (2002). Determinación de la disponibilidad de agua en el acuífero de Cuauhtémoc, estado de Chihuahua. México, D.F: Co-misión Nacional del Agua.

Comisión Nacional del Agua. (2010). Estadísticas de agua en México edición 2010, 249.

Davis, I. (2004). Progress in Analysis of Social Vulnerability and Capacity. Mapping Vulnerability, 128–144.

Ebdon, D. (1982). Estadística para Geógrafos. Oikos-Tau.García, G. M., Padilla, G. D., Martínez, M. B., Serna, M. M. S., Silva, A. H.

C., y González, A. D. B. (2006). Estadísticas climatológicas básicas del estado de Chihuahua (período 1961-2003). INIFAP, 1–236.

Garza, G. (2002). Evolución de las ciudades mexicanas en el siglo XX. Revista de informacion y análisis, (19), 7–16.

Gómez, O. T. (2008). Una aplicación de la prueba chi cuadrado con SPSS. Industrial Data, (1), 73–77.

Heijmans, A. (2004). From Vulnerability to Empowerment. Mapping Vulne-rability, 115–127.


Juárez, N. C. (2007). Evaluación de Alianza para el Campo de los Sistemas Producto Frutícolas en el Estado de Chihuahua, 1– 119.

Juárez, R. M. (2011). Implicaciones del cambio de cobertura vegetal y uso de suelo en los servicios ambientales hidrológicos de la comunidad de Capulálpam de Méndez. UNIVERSIDAD DE LA SIERRA JUÁREZ.

Macías, J. M. (1999). Desastres y Protección Civil: Problemas Sociales, Políticos y Organizacionales. CIESAS.

Masera, O. (1996). Desforestación y degradación forestal en México. Grupo Interdisciplinario de Tecnología Rural Apropiada.

McCabe, J. T. (2002). Impact of and Response to Drought among Turkana Pastoralists: Implications for Anthropological Theory and Hazards Re-search. Catastrophe y Culture, 213– 236.

Moseley, M. E. (2002). Modeling Protracted Drought, Collateral Natural Disaster, and Human Responses in the Andes. Catastrophe y Culture, 187–212.

Murtha, P., y Sharma, R. (2005). Remote Sensing, Photo Interpretation and Photogrammetry. Forestry Handbook for British Columbia.

Orozco, A. L. C. (2010). Uso eficiente del agua de riego mediante sondas de capacitancia. Aqua-LAC: journal of the International Hydrological Pro-gramme for Latin America and Caribbean, 1, 56– 66.

Pontius, R. G., y Suedmeyer, J. and B. (2004). Components of Agreement be-tween Categorical Maps at Multiple Resolutions. CRC Press, 233–251.

Puyravaud, J. P. (2003). Standardizing the calculation of the annual rate of deforestation. Forest Ecology and Management, 177(1-3), 593–596.

Real, E. D. del. (2009). Caja solidaria Villa de Jerez: unidad de negocios pro-veedora de insumos, 1–87.

SEMARNAT. (1997). NORMA Oficial Mexicana NOM-003-CNA-1996, Requisitos durante la construcción de pozos de extracción de agua para preve-nir la contaminación de acuíferos. Secretaría de medio ambiente y recursos naturales.

Smith, A. O. (2004). Theorizing Vulnerability in a Globalized World: A Poli-tical Ecological Perspective. Mapping Vulnerability, 10–24.


Cartografía de referenciaColonia Menonita, 2012. Mapa de las Colonias Menonitas en Chihuahua.Registro Agrario Nacional. (2011). Tenencia de la Tierra en el Municipio de

Cuauhtémoc. (Cartografía Digital Inédita).

249

Análisis y aplicación de un modelo empírico-conceptual para la identificación de zonas potenciales para recarga hídrica: cuenca de Laguna de Bustillos,

Chihuahua

Luis Raúl Rodríguez Marín, Leoncio Elmer Ornelas Olivas, Luis Carlos Bravo Peña, Luis Carlos Alatorre Cejudo y Hugo Luis Rojas Villalobos

INTRODUCCIÓN

En la actualidad la República Mexicana muestra un deterioro acelerado de los recursos naturales, (Torres, 2000). Presenta un marcado incremento poblacional (INEGI, 2005), además de un desarrollo acelerado de distintas actividades producti-vas. Estos fenómenos generan una presión muy importante sobre las reservas de agua del país. Como consecuencia de esto, se observa una sobrexplotación importante sobre este recurso

(Torres, 2000). El empleo del agua subterránea se ha llevado a cabo sin tomar en cuenta un manejo eficiente y sustentable, a tal grado, que los volúmenes de demanda son mayores a los suministrados (Cotler, 2004).

El uso inapropiado de los distintos recursos naturales, trae consigo problemas como es la escasez de agua en varias regiones del país (Martínez, 2009). Esta problemática ha causado fuertes conflictos en diferentes regiones y comunidades del país (Barkin, 2004). El agua es el recurso natural del que dependen la vida humana, la seguridad alimentaria y la salud de los ecosiste-mas (García, 1998).


Los impactos ambientales de la sobreexplotación del acuífero se han observado en numerosos lugares en todo el mundo (Llamas, 1992). La escasez del agua ha orillado a la extracción desordenada del agua subterránea, hasta el grado de convertirse ya en una amenaza para el desarrollo de las regiones que dependen del agua del subsuelo para realizar las diversas actividades económi-cas, y para abastecerse de agua potable (Martínez, 2009).

La inadecuada planeación de este recurso y la utilización inadecuada e irracional, ha traído como consecuencia una sobreexplotación de acuíferos. A partir de la década de los setenta, ha aumentado sustancialmente el número de acuíferos sobre-explotados (CONAGUA, 2011). En el año 1975 eran 32 acuíferos, 80 en 1985, y 100 acuíferos sobre explotados al 31 de diciembre del 2009 (CONAGUA, 2011).

Debido al grave problema de sobreexplotación de acuíferos, se hace ne-cesario impulsar acciones de recarga de los mismos, que contribuyan a reducir esta problemática (SMA, 2007). En este sentido, diferentes organizaciones nacionales y locales tienen en cuenta que un aumento de la recarga de acuífe-ros representa una oportunidad para incrementar la garantía y la calidad de las fuentes de agua en poblaciones con carencia de este recurso (Castillo, 2008). Se cuentan con diferentes acciones para apoyar la recarga de un acuífero, estas prácticas se han utilizado por siglos en distintas regiones del país y del mundo además de ser aplicadas en regiones áridas y semiáridas (Molina, 2000). Los procedimientos que se utilizan y se ponen en práctica son condicionados por distintos factores físicos, económicos y sociales (Molina, 2000).

Entre las acciones más efectivas, destacan los estudios para identificar áreas de recarga. Estos pueden realizarse mediante el uso de los sistemas de información geográfica (SIG) ya que se han utilizado en forma sistemática desde hace por lo menos 20 años (CONAGUA, 2011). Unos de los principa-les resultados de los SIG son los mapas, ya que son de gran utilidad para las zonas críticas de recarga de los acuíferos (Morgan, 2005).

Los estudios de los acuíferos pueden apoyar para obtener un proyecto de la recarga exitoso. Pará esto es necesario que se cuente con una buena planea-ción además de que estén bien diseñados, operados y sean parte de distintas estrategias para los recursos hídricos (Garduño, 2003). Alrededor del mundo se cuenta con distintos modelos sobre la identificación de zonas de recargas potenciales (Vásquez, 2008), para identificar estas zonas de recarga se han tomado en cuenta distintas variables relacionadas con la pendiente, usos de suelo, vegetación entre muchas otras (INAB, 2003). Uno de los principales problemas en buena medida, es que no se sabe dónde se ubican las principales


áreas de recarga y por otra, a que los actores locales u organismos responsables del manejo de las cuencas no disponen de metodologías prácticas necesarias (Vásquez, 2008).

JustificaciónA medida que la problemática de los acuíferos se agrava, se hace necesario identificar adecuadamente las zonas de recarga hídrica. Esto con la finalidad de proponer la implementación de técnicas y practicas necesarias o aptas, que ayu-den a la conservación, recuperación, protección ambiental y de la biodiversidad, que se encuentra en estas áreas, para poder tener un buen aprovechamiento y utilización de lo que es este recurso hídrico (Polioptro et al, 2010). El mal aprovechamiento, la utilización y gran deterioro de las zonas de recarga hídrica se agravan por carecer de información básica, como la ubicación espacial de las áreas de recarga, lo que lleva a su desprotección (Hadi & Copty, 2012). Es importante mencionar que si se contara con la ubicación y la información apropiada sobres estas áreas de recarga, se podrán orientar hacía los usuarios de estos lugares para tener un buen manejo de estas áreas (Matus, 2009).

De no llevarse a cabo una implementación de alguna estrategia para poder frenar el mal uso del recurso se puede ocasionar el desabasto de este, así como su agotamiento (CONAGUA, 2002).El manejo y gestión de las zonas de recarga hídrica es uno de los desafíos importantes después de identificar y evaluar, ya que los servicios que brinda están fuera del sitio (Castillo, 2008).

La literatura menciona técnicas, estrategias y modelos para el manejo de las zonas de recarga hídrica, pero no todos los modelos para identificación de áreas potenciales de recarga hídrica son aplicables en el territorio de México, pues se carece de la información básica que estos utilizaban, Por este motivo, es conveniente verificar distintos modelos o también realizar un modelo pro-pio para una región en particular.

HipótesisLa identificación y análisis de los modelos actuales de recarga de acuíferos existentes en la bibliografía permitirá: a) definir el modelo más apropiado para las condiciones de la cuenca Laguna de Bustillos, b) identificar las necesidades más apremiantes de generación de información cartográfica para la aplicación de los modelos apropiados en esta zona de estudio.


Objetivos

General:Identificar y analizar los modelos de selección de áreas de recarga de acuífe-ros susceptibles de ser evaluados localmente en el área de captación de la cuenca Laguna de Bustillos:

Específicos:

a) identificar los modelos actuales para definir áreas de recarga de acuíferos;b) establecer sus requerimientos de información cartográfica, y cotejarlos

con la información cartográfica;c) identificar el modelo cuyos requerimientos de información sean más

compatibles con la información disponible para esta zona; y,d) probar el modelo seleccionado, identificando áreas potenciales de recarga

en la Cuenca Laguna Bustillos.

METODOLOGÍA

Área en estudioEl área de estudio se localiza en la cuenca hidrológica Laguna de Bustillos (Figura 1) la cual se encuentra a 100 kilómetros aproximadamente, de la ca-pital del estado de Chihuahua. La cuenca tiene una altitud mínima de 2,060 metros sobre el nivel del mar en las partes más bajas, aunque las montañas del parteaguas alcanzan hasta 2800 msnm. Colinda con los municipios; al sur con Cusihuiriachi, al este con Riva Palacio, al norte con Namiquipa y Gran More-los y al oeste con Bachíniva y Guerrero (CONAGUA, 2002).


Figura 1. Zona de Estudio.

La recarga natural del acuífero proviene de la precipitación pluvial que se realiza sobre toda el área de estudio, la cual se infiltra y alimenta por flujo subterráneo horizontal al acuífero, y la inducida fundamentalmente por re-tornos del riego. En condiciones naturales, la descarga debió de efectuarse a través de la Laguna Bustillos, por evapotranspiración y por una salida al sur. En la actualidad se realiza de manera artificial por bombeo de pozos, norias y evaporación de la lámina de agua de la laguna Bustillos (CONAGUA, 2002).

ProcedimientosLos procedimientos para identificar el modelo más apropiado a la zona, y explorar sus posibilidades de aplicación local se dividieron en cuatro etapas:

1. Identificación de los modelos actuales para definir áreas de recarga en cuencas.


Esta etapa implicó una revisión bibliográfica exhaustiva. Se realizó prin-cipalmente la investigación de modelos de recarga en cuencas, que han sido aplicados en distintas partes del mundo, especialmente en zonas se-miáridas, ya que se pretende identificar modelos que se aplicaron en zonas similares al área en estudio. Se tuvo en cuenta aspectos similares naturales como el clima y relieve, además de distintos aspectos antrópicos como son las actividades agrícolas y la urbanización que existe en la región.

2. Establecimiento de los requerimientos de información del modelo iden-tificado en la fase 1, y cotejo con la información local. En esta etapa se realizó un análisis de cada uno de los modelos encontrados, esto con el objetivo de determinar y desglosar cada uno de los requerimientos de información con el que estas cuentan, ya sea climas, relieves, y topografía, edafología, tipos y usos de suelo, etc. Una vez realizado este análisis y bien identificada la información requerida para cada modelo, se cotejó con la información que se tiene para el área de estudio de este trabajo, verifican-do que los requerimientos de información de los modelos aplicados en otros lugares, estén disponibles para esta zona, o sea viable su generación en poco tiempo.

3. Identificación del modelo cuyos requerimientos de información sean más compatibles con la información disponible para esta zona.

Esta etapa consistió en la selección del modelo más apropiado cuyos re-querimientos de información, sean más compatibles con la información que se cuenta a nivel local.

4. Prueba del modelo seleccionado en la fase 3, e identificación de áreas potenciales de recarga en la Cuenca Laguna Bustillos.

El siguiente paso fue probar de forma teórica el modelo que se seleccio-nó, realizando un ejercicio de prospección en diferentes sitios de nuestra zona de estudio, obteniendo como resultado distintas zonas potenciales de recarga hídrica.

RESULTADOS Y DISCUSIÓN

a) Revisión de modelos y cotejo con la información local.

Ante distintos escenarios se tiene la necesidad de contar con métodos acce-sibles en el sentido económico, prácticos y que además sean de interés para los actores locales, organizaciones o bien las instituciones encargadas en el


manejo del recurso del agua, se busca que este modelo permita identificar las zonas que cuenten con una alta posibilidad de recarga hídrica para así lograr organizar, proteger y manejar de una forma adecuada y responsable estas zo-nas de recarga hídrica que favorecen a las actividades principales del área de estudio, además de garantizar la calidad y cantidad de agua para esta zona (Silva, 2007). No todos los modelos no son viables, en cuanto a lo económico para las instituciones o tomadores de decisiones responsables del manejo del agua (Silva, 2007).

Se analizaron distintos modelos y estrategias para la identificación de zonas potenciales de recarga hídrica, considerando sus requerimientos de in-formación cartográfica, edafológica, geológica, y la disponibilidad de informa-ción en las bases existentes de datos de la zona.

El primer modelo analizado fue el de Áreas de recarga hídrica de la parte media-alta de las micro cuencas Palo, Marín y San Rafaelito aplicado en San Carlos, Costa Rica (Castillo, 2008), donde se cuenta con distintos requerimientos naturales para la aplicación de este modelo. Cotejado con la zona de estudio Cuenca Laguna de Bustillos, no fue compatible en 6 de los 11 requerimientos de información (Cuadro1). En la zona no se cuenta con da-tos de: evapotranspiración, humedad inicial, retención de humedad, densidad aparente, infiltración básica del suelo, intercepción de la lluvia, profundidad de las raíces extractoras de agua, por lo que será necesario su generación posterior si es que el modelo se quiere aplicar localmente.

Cuadro 1. Requerimientos e información existente según el modelo.

Requerimientos Información en la zona de estudioTextura del suelo Existe informaciónPendiente Existe informaciónTipo de cobertura vegetal Existe informaciónPrecipitación Existe informaciónEvapotranspiración potencial Información limitadaHumedad inicial Información limitadaRetención de humedad del suelo Información limitadaDensidad aparente Información limitadaInfiltración básica del suelo Información limitadaIntercepción de la lluvia Información limitadaProfundidad de las raíces extractoras de agua Información limitada


El segundo modelo analizado (Noriega, 2005), fue una metodología para la identificación de zonas de recarga hídrica naturales, aplicado a las cuencas de Guatemala. Este método consta de requerimientos naturales para su aplicación (Cuadro 2). Al igual que en el caso anterior, hubo inconsistencias con: evapotranspiración potencial y real, infiltración, grado de saturación del suelo, escurrimiento, balance hídrico de los suelos, humedad inicial y final del suelo, por lo que se requerirá generar dichos datos.


Requerimientos Información en la zona de estudio

Precipitación pluvial Existe informaciónPrecipitación efectiva Existe informaciónEvapotranspiración potencial y real Información limitadaInfiltración Información limitadaGrado de saturación del suelo Información limitadaRelieve Existe informaciónEstratigrafía geológica Existe información Cobertura vegetal Existe información Escurrimiento Información limitada Balance hídrico de los suelos Información limitada

El tercer modelo analizado (Matus, Guía para la identificación parti-cipativa de zonas con potencial de recarga hídrica Aplicación práctica en la subcuenca del río Jucuapa, Nicaragua, 2009) fue la elaboración de una me-todología para la identificación de zonas potenciales de recarga hídrica en subcuencas hidrográficas, aplicada a la subcuenca del río Jucuapa, Matagalpa Nicaragua. Esta propuesta se basa principalmente en cinco diferentes reque-rimientos naturales (Cuadro 3). En este caso si hubo los datos requeridos por el modelo.


Requerimientos Información en la zona de estudioPendiente y relieve Existe informaciónTipo de suelos Existe informaciónGeología Existe información Uso del suelo Existe informaciónCobertura Vegetal Existe información


El último modelo identificado es un del plan de ordenamiento territo-rial participativo para la gestión de zonas potenciales de recarga hídrica, apli-cado a la microrregión hidrográfica Balalaica, Turrialba, Costa Rica (Castillo, 2008), este modelo adaptado en este estudio se diferencia de los anteriores ya que además de tomar requerimientos naturales también toma en cuenta elementos antrópicos (Cuadro 4). En este modelo, al igual que en los modelos 1 y 2, se adoleció de datos, fundamentalmente: fuentes de información local, evaporación, sellado de suelos, drenaje, compactación del suelo.


Requerimientos Información en la zona de estudioTipo de suelo Existe informaciónCobertura de la vegetación Existe informaciónRelieve Existe informaciónUso de la tierra/vegetación Existe informaciónTipos de rocas Existe informaciónPrecipitaciones Existe informaciónFuentes de información local (personas, agricultores) Información limitadaTemperatura Existe informaciónEvaporación Información limitadaAsfaltado y edificación (sellado de suelos). Información limitadaDrenaje Información limitadaCompactación del suelo Información limitada

b) Modelo seleccionado.De acuerdo a los resultados de la sección anterior, se seleccionó el modelo desarrollado por Matus en el año 2007; aplicado a la subcuenca del río por el centro agronómico tropical de investigación y enseñanza (CATIE). Este modelo se basa principalmente en elementos como la pendiente, tipo de sue-lo, tipo de roca, cobertura vegetal y uso del suelo. Dichos elementos se han cartografiado en la zona de estudio, o bien se cuenta con la posibilidad rápida de mapeo. Uno de los elementos que se tomó en cuenta para seleccionar este modelo, es que fue validado con datos reales, y comparado con otros modelos probados en diferentes partes del mundo. Según reporta la bibliografía, el mo-delo de Matus presentó una gran semejanza en con los resultados reales, en comparación con los otros (Silva, 2007). Debe enfatizarse que este modelo, es un modelo empírico-conceptual, por lo que únicamente nos da áreas poten-


ciales de recarga. Estas tendrán que verificarse en campo y hacer las pruebas pertinentes para demostrar la aptitud real de estas áreas (pruebas de suelo, infiltración…etc.).

c) Prueba del modelo en la zona de estudio.Dada la simplicidad del modelo de Matus (2007), se aplicó en la zona de es-tudio. Se describen a continuación las variables requeridas por el modelo, y su justificación teórica:

Pendiente y micro relieveDesde hace décadas se conoce que el relieve influye debido al tiempo

de contacto del agua con la superficie. En condiciones planas el agua cae a la superficie y su movimiento será lento lo que dará un mayor tiempo para que esta se infiltre, caso contrario en condiciones accidentadas el agua cae y debido a la inclinación del terreno se desplaza a mayor velocidad pasando más rápido a formar parte del agua de escorrentía (El-Hassanin et al., 1993). Para la eva-luación de los elementos se usó la tabla propuesta por Matus (2007), con su categoría y ponderación respectiva (Cuadro 5).

Cuadro 5. Ponderación de la posibilidad de recarga hídrica según tipo de pendiente.

Pendiente % Posibilidad de recarga Ponderación0 – 6 Muy alta 56 – 15 Alta 415 – 45 Moderada 345 – 65 Baja 2> 65 Muy baja 1

Tipo de sueloEl tipo de suelo está estrechamente ligado con la capacidad de infil-

tración del agua, tal es así, que entre mayor sea la porosidad, el tamaño de las partículas y el estado de fisuramiento del suelo, mayor será la capacidad de in-filtración (Nolan et al., 2007). Para la evaluación de los elementos se usó tabla propuesta por Matus (2007), con una categoría y ponderación proporcionada en este trabajo a partir de la lectura y reconocimiento de las propiedades y ca-racterísticas físicas del tipo de suelo (Cuadro 6) en la cartografía y bibliografía de esta zona (INEGI, 2005).


Cuadro 6. Ponderación de la posibilidad de recarga hídrica según el tipo de suelo.

Unidades de suelo Posibilidad de recarga PonderaciónFeozems, Rendzinas,Fluvisoles

Muy alta 5

Regosoles, PlanosolesLuvisoles, Yermosoles, Chernozems

Alta

Media

4

3

Rankers, Cambisoles,Xerosoles, Castañozems

Baja2

Litosoles, Vertisoles,Solonchaks, Solonetz

Muy baja 1

Tipo de rocaLas características de las rocas que determinan su capacidad de recarga y

porosidad y la permeabilidad. Las rocas duras con poros finos no favorecen la recarga; por el contrario, las rocas suaves o permeables, con macro poros, fallas o fracturas si favorecen la recarga de los acuíferos (Ireson & Butler, 2011). Para la evaluación de los elementos se usó tabla propuesta por Matus (2007), con una categoría y ponderación aplicada al caso local, a partir del reconocimiento de las propiedades texturales y físicas del tipo de roca, en la lectura de mapas e información local (Cuadro 7) (CONAGUA, 2002).

Cuadro 7. Ponderación de la posibilidad de recarga hídrica según el tipo de roca.

Rocas Posibilidad de recarga PonderaciónAluvial, Eólico Muy alta 5Arenisca-Conglomerado

Conglomerado

AltaMedia

4

3

Andesita, Granodiorita, Riolita toba acida Baja 2Basalto Muy baja 1


Uso de sueloEl uso de la tierra es muy importante cuando se identifican las zonas de

recarga hídrica, dependiendo de su intensidad de uso, manejo y prácticas se podrá garantizar el potencial de recarga, su aprovechamiento y calidad de agua almacenada (Faustino, 2006). Para la evaluación de este factor en este trabajo se usó la tabla propuesta por Matus (2007), con una categoría y ponderación proporcionada en este trabajo a partir de la lectura y reconocimiento de las propiedades y características físicas de uso de suelo (Cuadro 8) (FAO, 2010).

Cuadro 8. Ponderación de posibilidad de recarga hídrica según el uso del suelo.

Usos de suelo Posibilidad de recarga Ponderación

Bosque de pino, Bosque de encino, Bosque pi-no-encino, Bosque de encino-pino, Chaparral.

Muy alta 5

Pastizal natural, Pastizal inducido. Alta 4

Agricultura temporal, Agricultura riego. Media 3

Zona urbana. Baja 0.5

Cobertura vegetalLa cobertura de suelo es un factor que influye en la infiltración del agua,

ya que permite un mayor contacto con el suelo, disminuye la velocidad de la escorrentía, la erosión y el impacto de la gota de lluvia (Matus, 2009). Para la evaluación de los elementos se usó la tabla propuesta por Matus (2007), con su categoría y ponderación respectiva (Cuadro 9), que fue totalmente aplicable en la zona de estudio, dada la existencia de cartografía generada previamente en estudios locales (Bravo 2012).

Cuadro 9. Ponderación de la posibilidad de recarga hídrica según el porcentaje de cobertura vegetal.

Cobertura vegetal permanente. Posibilidad de recarga Ponderación>80 Muy alta 570 – 80 Alta 450 – 70 Moderada 330 – 50 Baja 2<30 Muy baja 1


d) Aplicación del modelo propuesto por Matus (2007).El modelo elegido, correspondiente a Matus (2007), involucró el cálculo de la ecuación (Ecuación 1), que se obtuvo con base en los ponderadores obtenidos para cada elemento del medio físico, de acuerdo a su distribución espacial en la zona Cuenca Laguna Bustillos. Con base en los resultados obtenidos de la evaluación de cada uno de los elementos, se sustituyeron los valores obtenidos en la ecuación propuestaen dicho modelo:

Ecuación 1: Ecuación para determinar el potencial de recarga hídrica:ZR = 0.27(Pend) + 0.23(Ts) + 0.12(Tr) + 0.25(Cve) + 0.13(Us)Dónde:Pend: Pendiente.TS: Tipo de suelo.TR: Tipo de roca.CVE: Cobertura vegetal permanente.US: Usos del suelo.

Los resultados generados en esta ecuación se reclasificaron con base en el arreglo propuesto por (Vásquez, 2008) (Cuadro 10), determinando así, cuá-les son las posibilidades reales en la zona de estudio:

Cuadro 10. Potencial de recarga hídrica según el modelo.

Posibilidad de recarga RangoMuy alta 4.1- 5Alta 3.5 – 4.0Moderada 2.6 – 3.49Baja 2 – 2.59Muy baja 1 – 1.99

Derivado de este modelo, y su representación espacial en el sistema de información geográfica que se construyó en este ejercicio, se presentan cinco mapas: 1) pendiente, 2) tipo y uso de suelo, 3) cobertura vegetal, 4) tipo de roca y 5) edafología; clasificados, de acuerdo a sus posibilidades de que recarga hídrica, según la ponderación de los atributos, requeridos por el modelo. Estos mapas tienen una escala de 0 a 5, donde 0 es nula la posibilidad de recarga, y 5 es la posibilidad más alta en el lugar (Figura 2).


Figura 2. Ponderación de permeabilidad en las capas: utilizadas en el modelo de Matus (2007)

El traslape de estos mapas, generó un problema de representación car-tográfica, pues la zona de estudio es muy grande, y las capas de información requeridas son muy heterogéneas en cuanto a calidad y nivel de detalle. Mapas como el uso del suelo se generaron a escala 1:50000, mientras que la geología fue generada a escala 1:250000. Puesto que el traslape en estas condiciones generaba gran cantidad de polígonos, fue necesario referenciar los atributos de cada mapa a una cartografía de subcuencas de la zona de estudio, obtenida mediante operadores de contexto espacial a partir de un Modelo Digital de Elevación del Terreno de resolución media (Bravo, 2010).

La ponderación de cada capa a nivel subcuenca, se realizó con base en la siguiente ecuación:

V = ( ni=1 Wi*Fi)/ n

i=1 WiDónde:V es el valor alcanzado por la subcuenca para el factor ambiental eva-

luado (F).W: es el ponderador para el factor ambiental


F, en función del área que representa dentro de la subcuenca.W: es la sumatoria de pesos individuales, en este caso 1.

A partir de esta ponderación, el mapa resultante de traslapar todas las capas, se reordenó con los rangos propuestos Matus (2007) (Cuadro 11) del cual se obtuvieron tres categorías diferentes alta, moderada y baja posibilidad de recarga hídrica.

Cuadro 11. Potencial de recarga hídrica rangos obtenidos.

Posibilidad de recarga RangoAlta 3.5 – 4.09Moderada 2.6 – 3.49Baja 2 – 2.59

En la figura 3 se pueden apreciar tres diferentes categorías de posibilidad de recarga hídrica las cuales son alta, moderada y baja posibilidad de recarga en la cual se puede observar que la categoría que predominó es la moderada ya que cuenta con un 89.09% del área total de la zona de estudio, seguida por la categoría de alta posibilidad de ocurrencia de recarga ya que cuenta con un 7.35% del área total, después se encuentra la categoría de baja posibilidad de recarga con un 3.56% de la área total de la cuenca.

Es importante señalar que las diferencias de escala en la información cartográfica que alimenta al modelo elegido, generan un problema de repre-sentación de los resultados. Idealmente, el modelo debería alimentarse con datos de la misma escala, pero estos no están disponibles para la zona. Datos de mayor escala tendrán que generarse en ejercicios posteriores, para incre-mentar la resolución requerida. Esto se requiere en particular para las capas de geología, edafología.

No obstante esta dificultad, los resultados generados son útiles para dife-renciar espacialmente las áreas de la cuenca que tendrían prioridad en términos de su hidrofuncionalidad para la recarga del acuífero. Por ejemplo, en estas zo-nas se pueden iniciar las estrategias específicas de gestión del acuífero, o bien se les puede dar prioridad para la generación de datos cartográficos comparables. Esto último en particular, si se carece de los recursos financieros para los traba-jos asociados con la generación de esta cartografía (trabajo de campo, muestras cuando así se requiera, trabajo de gabinete, etc.) en toda la cuenca.


Figura 3. Mapa de potencial de recarga hídrica de cuenca laguna de bustillos.

CONCLUSIONES

La identificación de zonas de recarga hídrica es de suma importancia, ya que es ahí donde el agua se infiltra para recargar los acuíferos subterráneos. Los estudios de los acuíferos pueden ayudar a obtener un proyecto de la recarga exitoso, para esto es necesario que se cuente con una buena planeación además de que estén bien diseñados, operados y sean parte de distintas estrategias para los recursos hídricos (Garduño, 2003).

La identificación de modelos de recarga hídrica implicó una revisión bibliográfica exhaustiva, se encontraron diferentes modelos aplicados con éxi-to en diferentes lugares del mundo especialmente en lugares con problemas con la escasez del agua, los cuales toman en cuenta factores que intervienen en la retención e infiltración de agua, especialmente factores naturales como el relieve y el clima, además de diferentes factores antrópicos.

De los insumos cartográficos requeridos por los modelos analizados, se detectó que en la zona se requiere información de mayor detalle en las si-guientes capas: edafología y geología.


Se seleccionó un modelo aplicado previamente en otras regiones del mundo. Este es sencillo y práctico, se basa en información disponible para la zona: datos de pendiente, tipo y uso de suelo, tipo de roca y cobertura vegetal.

No obstante los problemas de representación cartográfica derivados de contar con información a escalas muy heterogéneas, el modelo aplicado fue útil para la identificación de las subcuentas con mayor posibilidad de recarga, así como también las áreas que tienen muy bajas posibilidades a que se realice la recarga hídrica.

En general, al nivel de detalle alcanzado, se puede decir que la cuenca de Cuauhtémoc puede clasificarse como buena para una recarga hídrica positiva, pues cuenta con al 96.44% del área total en las categorías moderada y alta posibilidad de recarga. Solo cuenta con contar con un 3.56% del área total en la categoría de baja posibilidad de recarga hídrica.

Debe enfatizarse que estos resultados derivan de un modelo empíri-co-conceptual, por lo que tendrán que verificarse en campo y hacer las pruebas pertinentes para demostrar la aptitud real de estas áreas (pruebas de suelo, infiltración…etc). No obstante esto, constituyen una aproximación bastante valiosa para la identificación de zonas de recarga, pues permite dar prioridad a las zonas con mayor potencial para ser utilizadas con este propósito.

AGRADECIMIENTOS

Este trabajo se desarrolló en el marco del Proyecto “Prospección de Indica-dores de Paisaje para Evaluar el Impacto Hidrológico de los Cambios de la Cubierta vegetal y el Uso del Suelo en la Región Central de Chihuahua”. Se agradecen los apoyos brindados por PROMEP (UACJ-PTC-197) para el lo-gro de los trabajos planteados.

REFERENCIAS

Arriaga, J. P. (2005). Determinaciòn de las àreas principales de recarga hìdrica natural en la microcuenca del rìo Sibacà, chinique, quichè. Tesis de Maestría, Universidad de San Carlos De Guatemala, Guatemala. Recuperado de http://biblioteca.usac.edu.gt/tesis/01/01_2211.pdf

Barkin, D. (2004). Mexico City’s Water Crisis. Recuperado de http://www.me-diaaccuracy.org/files/pdfs/Mexico_Water.pdf

Bravo, L. C. (2010). Prospección de indicadores de paisaje para evaluar el impacto hidrológico de los cambios. Cuauhtémoc Chihuahua. Proto-


colo de Investigación para la Convocatoria de Incorporación de Nuevos Profesores de Tiempo Completo (PROMEP-2010).3-15.

Castillo, N. V. (2008). Plan de ordenamiento territorial participativo para la ges-tión de zonas potenciales de recarga hídrica en la microregión hidrográfica Balalaica, Turrialba, Costa Rica. Tesis de Maestría,CATIE, Turrialba, Costa Rica. Recuperado de http://orton.catie.ac.cr/repdoc/A2952e/A2952e.pdf

Carrasco, W. (2011). Manejo y protección de zonas de recarga hídrica y fuentes de agua para consumo humano en la subcuenca del río Zaratí, Panama. Tesis de Maestría,CATIE, Turrialba, Costa Rica. Recuperado de http://orton.catie.ac.cr/repdoc/A7318e/A7318e.pdf

Cotler, H. (2004). El manejo integral de cuencas en México: estudios y reflexio-nes para orientar la política ambiental. Recuperado de http://www.cibem.org/paginas/img/apa6.pdf

CONAGUA. (2002). Determinación de la disponibilidad de agua en el acuífero de cuauhtémoc, estado de chihuahua. Recuperado de ftp://ftp.conagua.gob.mx/SISI1610100117809/DR_0805-cuauhtemoc.pdf

CONAGUA. (2011). Estadísticas del agua en México, edición 2011. Recupe-rado de http://www.conagua.gob.mx/CONAGUA07/Publicaciones/Publicaciones/SGP-1-11-EAM2011.PDF

Custodio, E. (1992). Hydrogeological and hydrochemical aspects of aquifer overexploitation. International Association of Hydrogeologists, 23-25.

El-Hassanin, A. S., Labib, T. M., & Gaber, E. I. (1993). Effect of vegetation cover and land slope on runoff and soil losses from the watersheds of Burundi. Agriculture, Ecosystems & Environment, 43(3–4), 301-308.

Erives, V., Gracia, A. K., Miramontes, S., Ojeda, L. A., Perez, G., Servin, Y., y Bravo, L. C. (2012). Cambios de uso del suelo y cobertura vegetal en el centro de Chihuahua: una comparación preliminar entre menonitas y mestizos en la región de cuauhtémoc. Reunion nacional SELPER- México, 302-306.

FAO. (2010). Evaluación de los recursos forestales mundiales 2010. Recuperado de http://www.fao.org/docrep/013/i1757s/i1757s.pdf

Faustino, J. 2006. Identificación, evaluación y manejo de zonas de recarga hídrica. San Salvador, SV, CATIE.113 p.

García, L. (1998). Manejo integrado de los recursos hídricos en América Latina y el Caribe. Recuperado de http://idbdocs.iadb.org/wsdocs/getdocument.aspx?docnum=1448889

Garduño, H. y Nani, M. (2003). Venezuela: Yacambú, Quíbor – un Proyecto para Integrar la Gestión del Agua Subterránea y el Agua Superficial. Recuperado


de http://siteresources.worldbank.org/INTWRD/Resources/GWMA-TE_Spanish_CP_07.pdf

Guzmán Monge, A., y Díaz Hernández, A. (2007). Identificación de las areas de recarga acuifera y zonas de proteccion de los manantiales del Cantón cen-tral de Cártago. Recuperado de http://www.cientec.or.cr/exploraciones/ponencias2007/AnaGuzman-ArnulfoDiaz.pdf

Hadi, K., & Copty, N. (2012). Groundwater Modeling and Management un-der Uncertainty: Proceedings of the Sixth IAHR International Ground-water Symposium, Kuwait, 19 - 21 November, 2012. CRC Press.

Herrera Ibáñez, I. R., Orozco O., E., y Mujica Cervantes, A. (2011). Strategy for the use of the hydric resource underground in a semi-arid area of Guatemala. Revista Ciencias Técnicas Agropecuarias. 12-18.

INAB (2003). Metodología para la determinación de áreas críticas de recarga hí-drica natural. Manual Técnico. Guatemala.

INEGI. (2005). Guia para la interpretacion de cartografia geologica.Recupera-do de http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/productos/geografia/publicaciones/guias-carto/geolo/GEOI.pdf

INEGI. (2004). Guías para la Interpretación de Cartografía Edafología. Recu-perado de http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvi-negi/productos/geografia/publicaciones/guias-carto/edafo/EDAFI.pdf

INEGI. (2009). Guia para la inerpretacion cartografica uso del suelo y vegeta-cion. Recuperado http://www.inegi.org.mx/prod_serv/contenidos/es-panol/bvinegi/productos/geografia/publicaciones/guias-carto/sueloy-veg/1_250_III/Suelo_Vegeta.pdf

Ireson, A. M., & Butler, A. P. (2011). Controls on preferential recharge to Chalk aquifers. Journal of Hydrology, 398(1–2), 109-123

Llamas, M. R. (1992). Selected papers on acuifer overexploitation. Watlands: an important is in Hydrogeology, 69-86.

Martínez, A. R. (2009). Problemática del agua en los distritos de riego por bombeo del estado de Sonora. Revista Digital Universitaria , 10, 1-19.

Matus, O. (2009). Guía para la identificación participativa de zonas con po-tencial de recarga hídrica. http://orton.catie.ac.cr/repdoc/A5974E/A5974E.PDF

Matus, S. 2007. Elaboración participativa de una metodología para la iden-tificación de zonas potenciales de recarga hídrica en subcuencas hidro-gráficas, aplicada a la subcuenca del río Jucuapa, Matagalpa, Nicaragua. Tesis Maestría. Turrialba, CR. CATIE. 186 pp.


Morgan, L. (2005). Critical Aquifer Recharge Areas. Recuperado de https://fortress.wa.gov/ecy/publications/publications/0510028.pdf.

Molina, H. V. (2000). Manual de captación y aprovechamiento del agua de lluvia experiencias en américa latina. Recuperado de ftp://ftp.fao.org/docrep/fao/010/ai128s/ai128s00.pdf.

Nolan, B. T., Healy, R. W., Taber, P. E., Perkins, K., Hitt, K. J., & Wolock, D. M. (2007). Factors influencing ground-water recharge in the eastern United States. Journal of Hydrology, 332(1–2), 187-205.

Noriega Arriaga, JP.(2005). Determinación de las áreas principales de recarga hídrica natural en la microcuenca del rio Sibaca, Chinque, Quiche. Tesis de Ingenieria no publicada, Universidad de San Carlos, Guatemala.

Polioptro F. (2010). La escasez de agua y la gestión integrada. Recuperada de http://www.inbo-news.org/IMG/pdf/POLIOPTRO.pdf.

Rojas, H. B. (2010). Áreas de recarga hídrica de la parte media-alta de las microcuencas Palo, Marín y San Rafaelito, San Carlos, Costa Rica. Re-cuperado de http://cro.ots.ac.cr/rdmcnfs/datasets/biblioteca/pdfs/nbi-na-13225.pdf.

Sagovia, J. F. (2003). Estudio de suelos y mapa de peligros de la ciudad de catacaos. Recuperado de http://bvpad.indeci.gob.pe/doc/estudios_CS/Region_Piura/piura/catacaos.pdf.

Schosinsky, G. y Losilla M.(2000).Modelo analítico para determinar la in-filtración con base en la lluvia mensual. Revista Geológica de América Central, (23): 43-55.

Silva, O. M. (2007). Elaboración participativa de una metodología para la identificación de zonas potenciales de recarga hídrica en subcuencas hi-drográficas, aplicada a la subcuenca del río Jucuapa, Matagalpa Nicara-gua. Tesis de Maestría, CATIE, Turrialba, Costa Rica.

SMA. (2007). Programa de manejo sustentable del agua para la ciudad de Mexico. Recuperado de http://www.sma.df.gob.mx/dgpcp/images/Pro-gAgua_Cd.pdf.

Torres, M. C. (2000). The Dynamics of natural resource degradation: Rural households and women’s strategies for survival in northwestern Mexico. http://www.jstor.org/abstracts/20026788968.html

Torres, R. L. (1998). Ecologia y usos del suelo. Recuperado de http://www.sogeocol.edu.co/documentos/Ecologia.pdf.

Vásquez, N. (2008). Plan de ordenamiento territorial participativo para la ges-tión de zonas potenciales de recarga hídrica en la microregión hidro-gráfica Balalaica, Turrialba, Costa Rica. Tesis de maestría no publicada, CATIE, Turrialba, Costa Rica.

269

C A P Í T U L O V

Geoinformática aplicada al estudio de cubiertas vegetales

Responsable: Luis Carlos Alatorre Cejudo

Introducción

La dinámica vegetal tiene un papel muy importante en la eva-luación de los procesos ambientales a causa de su estrecha re-lación entre la biósfera y los parámetros globales, incluyendo: la concentración de CO2 atmosférico (Zeng et al., 1999), la influencia de la vegetación en el ciclo hidrológico a escala lo-cal (Beguería et al., 2003), la estructura y diversidad del paisaje (Olsson et al., 2000), los procesos de erosión y transporte de

sedimentos (Alatorre y Beguería, 2009b; Alatorre, et al., 2011).Además de las condiciones climáticas, existen factores regionales y lo-

cales que también afectan la dinámica vegetal y deben ser considerados. Por ejemplo, las diferencias espaciales en la dinámica vegetal han demostrado es-tar estrechamente relacionadas con las condiciones topográficas (Florinsky


y Kuryakova, 1996; Pueyo y Beguería, 2007), el tipo de suelo (Farrar et al., 1994), la gestión humana, uso del suelo (Stohlgren et al., 1998), y procesos geomorfológicos como la erosión del suelo (Alatorre, et al., 2011).

Varios estudios han identificado cambios en la dinámica vegetal a escala continental (Slayback et al., 2003; Delbart et al., 2006), regional y local (An-dreu et al., 2007; Martínez-Villalta et al., 2008; Alatorre, et al., 2011) en las últimas décadas. La mayoría de los cambios han sido causados por actividad humana, particularmente por la deforestación (Giglio et al., 2006; Achard et al., 2002; DeFries et al., 2002) y los incendios forestales (Riaño et al., 2007), por otra parte, el abandono rural y la consiguiente marginalización de algunas regiones ha contribuido al proceso de recuperación vegetal (Sluiter and de Jong, 2007; Vicente-Serrano et al., 2004). Sin embargo, numerosos estudios han encontrado un incremento en la actividad vegetal sobre distintos ecosis-temas del mundo (Myneni et al., 1998; Kawabata et al., 2001; Lucht et al., 2002), sugiriendo que la causa principal son las variaciones en la precipitación y/o temperatura (Delbart et al., 2008).

Por ejemplo, en la región mediterránea han surgido diversos patrones en la dinámica vegetal. En general, se ha observado que el crecimiento de la vegetación tiende a ser favorecido por el aumento de la temperatura en zonas donde el agua no es una factor limitante (Andreu et al., 2007; Martínez-Vi-llalta et al., 2008). Además, la disminución de la actividad vegetal en zonas fo-restales y el aumento en otras regiones ha sido relacionada con las tendencias climáticas recientes (Maselli, 2004; Sarris et al., 2007). En las zonas monta-ñosas del cuenca mediterránea, los patrones observados en la actividad vegetal han sido muy complejos, como consecuencia de la diversidad de los usos de suelo y de la interacción de factores ambientales y microclimáticos (MacDo-nald et al., 2000; Sluiter and De Jong, 2007). En el Pirineo central español diferentes estudios han analizado las variaciones temporales y espaciales de la actividad vegetal sobre distintas coberturas vegetales a escala regional y local (Vicente-Serrano et al., 2004; Vicente-Serrano et al., 2006a, 2006b; Lasanta and Vicente-Serrano, 2007, Alatorre, et al., 2011), teniendo como objetivos: i) evaluar los cambios en la cubierta vegetal en los últimos 50 años; ii) detectar la tendencia global de la biomasa vegetal; iii) estudiar los cambios de la actividad foliar en regiones forestales; iv) analizar el control que ejercen las variables cli-máticas (temperaturas y/o precipitación) y los patrones espaciales de la aridez; v) determinar el efecto antropogénico de los usos de suelos; y, vi) estudiar las variaciones temporales y espaciales de la dinámica vegetal en áreas degradadas (cárcavas y zonas de riesgo de erosión), donde la vegetación es escasa.

Capítulo V Geoinformática aplicada al estudio de cubiertas vegetales 271

En el noroeste de México son escasas las evaluaciones sistemáticas de la actividad vegetal. Destacan trabajos realizados incorporando metodologías propias del campo de la teledetección, pues estos han contribuido a esclarecer el comportamiento espacio-temporal de variables estrechamente vinculadas con la actividad de las comunidades vegetales, como la fenología regional, o la productividad primaria aérea (PPA). Por ejemplo, Salinas-Zavala et al., (2002) estudiaron el efecto macro-regional del fenómeno del Niño (ENSO) sobre indicadores como el NDVI, y aportaron elementos para entender la va-riabilidad interanual de procesos como el reverdecimiento de la vegetación en escalas geográficas amplias. Autores posteriores como Franklin et al., (2006), Romo (2006), Bravo y Castellanos (2013); utilizaron el mismo índice para monitorear el comportamiento de la PPA en zonas naturales y de explotación ganadera, y generaron elementos para discriminar el efecto de las actividades humanas sobre atributos ecológicos vinculados con los ciclos naturales de la vegetación en esta zona del país.

Los resultados de los estudios anteriores son valiosos, pero se restringen a sitios y periodos muy específicos (Centro y Costa de Sonora, en periodos de un año), o al uso de imágenes satelitales (AVHRR) cuyo tamaño de pixel no facilita las comparaciones con plataformas de mayor detalle. La ausencia de un enfoque sostenido, y articulado de investigación, genera vacíos en el tema pendientes de abordarse.

En este capítulo se presenta los siguientes trabajos:Caraveo Caraveo Luis Arturo, Luis Carlos Alatorre Cejudo, Torres

Olave María Elena y Wiebe Quintana Lara Cecilia (2013). Evaluación de la recuperación vegetal en áreas con distinta severidad de fuego usando telede-tección: caso de estudio, municipio de Ocampo, Coahuila. .

Cereceres Calzadillas Luis Rene, Alatorre Cejudo Luis Carlos, Bravo Peña Luis Carlos y Torres Olave María Elena (2013). Efectos de las bajas temperaturas extremas registradas en Febrero de 2011 en el municipio de Riva Palacio, Chihuahua, Una evaluación de los efectos en el bosque de encino usando técnicas SIG y NDVI. .

Gil Hernández Manuel Iván, Luis Carlos Alatorre Cejudo, Torres Ola-ve María Elena y Bravo Peña Luis Carlos (2013). Determinación de procesos de deforestación en el bosque templado de la región noroeste del municipio de Madera, Chihuahua, México: usando técnicas de teledetección y SIG.


Literatura citada:

Achard F, Eva HD, Stibig HJ, Mayaux P, Gallego J, Richards T, Malingreau JP. 2002. Determination of the deforestation rates of the world’s humid tropical forests. Science 297: 999–1002.

Alatorre LC, Beguería S. 2009. Identifi cation of eroded areas using remote sensing in a badlands landscape on marls in the central Spanish Pyre-nees. Catena 76: 182–190.

Alatorre, L.C., Sánchez-Andrés, R., Cirujano, S., Beguería, S. y Sánchez-Ca-rrillo, S., (2011). Identification of Mangrove Areas by Remote Sensing: The ROC Curve Technique Applied to the Northwestern Mexico Coastal Zone Using Landsat Imagery. Remote Sensing, 3, 1568-1583.

Andreu L, Gutiérrez E, Macias M, Ribas M, Bosch O, Camarero JJ. 2007. Climate increases regional tree-growth variability in Iberian pine forests. Global Change Biology 13: 804–815.

Beguería S, López-Moreno JI, Lorente A, Seeger M, García-Ruiz JM. 2003. Assessing the effect of climate oscillations and land-use change on streamflow in the central Spanish Pyrenees. Ambio 32(4): 283–286.

Bravo, L.C. y A.E. Castellanos (2013). Tendencias del Índice de la Diferencia Normalizada de la Vegetación (NDVI) en el estado de Sonora. Impli-caciones potenciales sobre el sector pecuario en el contexto del cambio climático. En: Sánchez y Díaz (Compiladores). Dinámicas locales del cambio ambiental global. Aplicaciones de percepción remota y análisis espacial en la evaluación del territorio. Universidad Autónoma de Ciu-dad Juárez. 245-284 pp.

Bryan, R.,Yair, A. (1982). Perspectives on studies of badland geomorphology. In: Badland

Geomorphology and Piping (Bryan, R.,Yair, A., Eds.). Geobooks, pp. 1-12, Norwich.

DeFries R, Houghton RA, Hansen MC, Field CB, Skole D, Townshend J. 2002. Carbon emissions from tropical deforestation and regrowth ba-sed on satellite observations for the 1980s and 1990s. Proceeding of the National Academic of Sciences of the United States of America 99: 14256–14261.

Delbart N, Le Toan T, Kergoat L, Fedotova V. 2006. Remote sensing of spring phenology in boreal regions: a free of snow-effect method using NOAA-AVHRR and SPOT-VGT data (1982–2004). Remote Sensing of Environment 101: 52–62.


Delbart N, Picard G, Le Toan T, Kergoat L, Quegan S, Woodward I, Dye D, Fedotova V. 2008. Spring phenology in boreal Eurasia in a nearly cen-tury time-scale. Global Change Biology 14(3): 603–614.

Farrar TJ, Nicholson SE, Lare AR. 1994. The infl uence of soil type on the relationships between NDVI, rainfall and soil moisture in semiarid Botswana II: NDVI response to soil moisture. Remote Sensing of Envi-ronment 50: 121–133.

Florinsky IV, Kuryakova GA. 1996. Influence of topography on some vegeta-tion cover properties.Catena 27: 123–141.

Franklin, K. A., Lyons, K., Nagler, P. L., Lampkin, D., Glenn, E. P., Moli-na-Freaner, F., Huete, A. R. (2006). Buffelgrass (Pennisetum ciliare) land conversion and productivity in the plains of Sonora, Mexico. Biological Conservation, 127(1), 62–71.

Giglio L, Csiszar I, Justice CO. 2006. Global distribution and seasonality of active fi res as observed with the Terra and Aqua Moderate Resolution Imaging Spectroradiometer (MODIS) sensors. Journal of Geophysical Research 111: G02016. DOI. 10.1029/2005JG000142.

Kawabata A, Ichii K, Yamaguchi Y. 2001. Global monitoring of interan-nual changes in vegetation activities using NDVI and its relationships to temperature and precipitation. International Journal of Remote Sen-sing 22: 1377–1382.

Lasanta T, Vicente-Serrano S. 2007. Cambios en la cubierta vegetal en el Pi-rieno Aragonés en los últimos 50 años. Pirineos 162: 125–154

Lucht W, Prentice IC, Myneni RB, Sitch S, Friedlingstein P, Cramer W, Bousquet P, Buermann W, Smith B. 2002. Climatic control of the hi-gh-latitude vegetation greening trend and Pinatubo effect. Science 296: 1687–1689.

MacDonald D, Crabtree JR, Wiesinger G, Dax T, Stamou N, Fleury P, La-zpita JG, Gibon A. 2000. Agricultural abandonment in mountain areas of Europe: environmental consequences and policy response. Journal of Environmental Management 59: 47–69.

Martínez-Villalta J, López BC, Adell N, Badiella L, Ninyerola M. 2008. Twen-tieth century increase of Scots pine radial growth in NE Spain shows strong climate interactions. Global Change Biology 14 (12): 2868–2881.

Maselli F. 2004. Monitoring forest conditions in a protected Mediterranean coastal area by the analysis of multiyear NDVI data. Remote Sensing of Environment 89: 423–433.


Myneni RB, Tucker CJ, Asrar G, Keeling CD. 1998. Interannual variations in satellite-sensed vegetation index data from 1981 to 1991. Journal of Geophysical Research 103(6): 6145–6160.

Olsson EGA, Austrheim G, Grenne SN. 2000. Landscape change patter-ns in mountains, land use and environmental diversity, Mid- Norway 1960–1993. Landscape Ecology 15: 155–177.

Pueyo Y, Beguería S. 2007. Modelling the rate of secondary succession after farmland abandonment in a Mediterranean mountain area. Landscape and Urban Planning 83(4): 245–254.

Riaño D, Ruiz JAM, Isidoro D, Ustin SL. 2007. Global spatial patter-ns and temporal trends of burned area between 1981 and 2000 using NOAA-NASA Pathfi nder. Global Change Biology 13: 40–50.

Romo, J.R. 2006. Conservation and the changing pattern of land cover and land use in central Sonora Mexico. In: Environmental sciences and po-licy, Northern Arizona University. Flagstaff, Az. P. 103.

Sarris D, Christodoulakis D, Körner C. 2007. Recent decline in precipitation and tree growth in the eastern Mediterranean. Global Change Biolo-gy 13: 1187–1200.

Salinas-Zavala, C., Douglas, A., Diaz, H. 2002. Interannual variability of NDVI in northwest Mexico. Associated climatic mechanisms and eco-logical implications. Remote Sensing of Environment, 82(2–3), 417–430. doi:10.1016/S0034-4257(02)00057-3

Slayback D, Pinzon J, Los S, Tucker C. 2003. Northern hemisphere pho-tosynthetic trends 1982–1999. Global Change Biology 9: 1–15.

Sluiter R, De Jong SM. 2007. Spatial patterns of Mediterranean land aban-donment and related land cover transitions. Landscape Ecology 22: 559–576.

Stohlgren TJ, Chase TN, Pielke RA, Kittel TGF, Baron JS. 1998. Evidence that local land use practices infl uence regional climate, vegetation and stream fl ow patterns in adjacent natural areas.Global Change Biology 4: 495–504.

Vicente-Serrano S, Beguería S, Lasanta T. 2006a. Diversidad espacial de la ac-tividad vegetal en campos abandonados del Pirineo español: Análisis de los procesos de sucesión mediante imágenes Landsat (1984–2001). Pi-rineos 161: 59–84.

Vicente-Serrano SM, Cuadrat-Prats JM, Romo A. 2006b. Aridity influence on vegetation patterns in the middle Ebro Valley (Spain): evaluation by


means of AVHRR images and climate interpolation techniques. Jour-nal of Arid Environments 66: 353–375.

Vicente-Serrano SM, González-Hidalgo JC, de Luis M, Raventós J (2004) Spatial and temporal patterns of droughts in the Mediterranean area: the Valencia region (eastern Spain). Clim Res 26: 5−15

Zeng J, Neelin D, Lan KM, Tucker CJ. 1999. Enhancement of interdecadal climate variability in the Sahel by vegetation interaction. Science 286: 1537–1540.

277

Evaluación de la recuperación vegetal

en áreas con distinta severidad de fuego usando teledetección: caso de estudio, Municipio de

Ocampo, Coahuila

Luis Arturo Caraveo Caraveo, Luis Carlos Alatorre Cejudo, María Elena Torres Olave y Lara Cecilia Wiebe Quintana

INTRODUCCIÓN

Actualmente los bosques se encuentran bajo un grave problema de deforestación, esto debido a diferentes cau-sas tales como la tala desmedida, los incendios forestales y el cambio climático entre otras. Esto lleva a la perdida de los servicios ambientales que brindan, ya que al ser deforestados desaparecen o se reducen los beneficios am-bientales que proporcionan tal como lo plasma Pagiola,

Landell - Mills, y Bishop (2002).Entre los beneficios ambientales que brindan los bosques destacan la

protección de las cuencas hidrográficas, la conservación de la biodiversidad y el secuestro de carbono, entre otros. En las cuencas hidrográficas los bosques juegan un papel muy importante ya que la vegetación que se encuentra en


ellos evita los procesos de erosión, tales como el desprendimiento del suelo por efecto de la lluvia y la escorrentía superficial y concentrada, el consiguien-te trasporte de los sedimentos y su sedimentación, y por otra parte los bos-ques también tienen un gran impacto en el control de los flujos hidrológicos (Franquis, 2003). Los bosques son uno de los hábitats más biodiversificados que existen, y con la perdida de estos hábitats se llega a la perdida de las es-pecies que habitan en él, a su vez los bosques en pie son grandes depósitos de carbono y los bosques en crecimiento secuestran carbono de la atmósfera (Franquis, 2003).

El cambio climático es una de las consecuencias más notables de la deforestación pero a la vez, se podría ver como una causa ya que con el incremento de los gases invernadero los diferentes ecosistemas que sostienen los bosques se ven afectados (Martínez y Rodríguez).

Estos efectos se manifiestan en sus procesos de desarrollo y reproduc-ción, ya que el bosque ya no puede subsistir por sí mismo porque no cuenta con algunas especies o procesos que lo ayudaban a regenerarse de forma na-tural.Por otra parte, los incendios en los últimos años han causado graves daños a la masa forestal, y no solo en nuestro país si no en muchas regiones del mundo, esto debido a muchas razones, y una de las más importantes se podría decir que es la acción humana, ya que con descuidos o irresponsabili-dad cerca del 90% de los incendios son causados por el hombre (Castillo, s/f).

Según la definición de White, Ryan, Key, y Running, (2005) un incen-dio forestal se define como un incendio que inicia y se desarrolla principal-mente en zonas naturales con vegetación abundante. Como elemento natural, el fuego ha contribuido a la selección de especies, a la composición de las formaciones vegetales y a su estabilidad o alternancia.

Los efectos de los incendios están ligados a una serie de variables tales como, la magnitud del incendio, la frecuencia, la intensidad, así mismo las condiciones físicas del suelo y la vegetación, por ejemplo clima, geomorfolo-gía, topografía, entre otras ( Ruiz-Gallardo, Quintanilla, y Castaño, 2003).

Uno de los problemas más graves o notorios de los incendios forestales es la eliminación o destrucción de la cubierta vegetal y con ello la reactivación de los procesos de erosión, esto debido a que la vegetación es uno de los principales factores que controlan la pérdida de suelo.

La disminución de la cubierta vegetal, la cual intercepta la precipitación, hace que la lluvia encuentre menos obstáculos en su camino hacia el suelo, lo que tiene un efecto importante en el incremento de la energía cinética y, como resultado, una mayor capacidad para destruir los agregados edáficos.


Uno de los elementos más importantes en los incendios forestales es la severidad del fuego, el cual es un término descriptivo que integra los cambios físicos, químicos y biológicos de un ecosistema, como resultado de la acción del fuego (White et al., 1996). Para medir los efectos de los incendios forestales es necesario definir las consecuencias sobre el ecosistema, por una parte ya sea que afecte al suelo, a la masa vegetal. En general, la severidad del fuego se puede relacionar directamente con los procesos de regeneración vegetal que tiene lugar después del incendio ya que entre más grave sea la severidad mayor será el tiempo en que la vegetación se recupere.

Después de un incendio uno de los aspectos más importantes a seguir es la regeneración vegetal, actualmente los procesos de recuperación vegetal presentan una alta variabilidad espacial y temporal, por lo que no es fácil ge-neralizarlos. Se podría decir que la regeneración vegetal es uno de los indica-dores más relevantes de la recuperación en los ecosistemas que son afectados por los incendios. Dicha recuperación depende en gran parte del tipo de suelo así como del tipo de clima.

En las últimas décadas las técnicas de teledetección han consti-tuido una herramienta muy poderosa para estudiar los incendios forestales, permitiendo dar seguimiento en tiempo real al cambio en la cobertura de suelo pos-incendio, y para el estudio de severidad de fuego (Husson 1983). Además al combinar estás técnicas de teledetección con los Sistemas de In-formación Geográfica (SIG) se han obtenido datos muy importantes para entender más a detalle el comportamiento de la vegetación y su regeneración pos-incendio. Así mismo, las técnicas de teledetección han permitido estudiar los procesos de regeneración vegetal debido a los cambios generados por el fuego, utilizando información espectral de la vegetación (Patterson y Yool, 1998; Díaz-Delgado y Pons, 2001). Dado que en México existen escasos es-tudios que evalúen la severidad del fuego y el seguimiento de la recuperación vegetal post-incendio (Martínez y Rodríguez), el principal objetivo de este trabajo es evaluar la recuperación vegetal postincendio a través de técnicas de teledetección utilizando el Índice de Vegetación de Diferencia Normaliza-da (NDVI), como una medida de la actividad vegetal.


METODOLOGÍA

Área de estudioEl área de estudio se localiza en el incendio ocurrido en el mes de Abril de 2011, en el municipio de Ocampo, al noroeste de Coahuila, México, en la re-gión conocida como la sierra norte de Coahuila (Figura 1). El área de estudio cuenta con un clima propio del desierto, lo que se traduce en altas tempera-turas durante el día y bajas temperaturas durante la noche. La precipitación es escasa, la mayor parte del municipio se encentra en un rango de 200 a 300 mm y en las partes altas puede llegar de los 400 a 500 mm de precipitación anual (Téllez, Hutchinson, Nix, y Jones, 2011). La vegetación que predomina en la región es el matorral desértico, candelilla, guajilla, gobernadora, zacate y en algunas zonas se pueden encontrar pastizales naturales. Al norte pode-mos encontrar bosque templado en el cual predominan el pino y el cedro, esto debido a la altitud de las sierras, en general se muestra un claro gradiente altitudinal en la progresión de las especies vegetales, encontrando matorrales desérticos en las zonas más bajas hasta encontrar las masas forestales cubiertas principalmente por pinos en las zonas más altas.

Figura 1. A) Localización del área de estudio: B) localización de las escenas Landsat TM.


Selección y preparación de base de datos

En este estudio se utilizaron tres imágenes Landsat TM para cubrir el área de estudio (Figura 1B). Para evaluar la severidad del fuego se eligieron imáge-nes previas al incendio, las cuales corresponden al mes de Junio de 2010, y des-pués del incendio, que corresponden al mes de Junio de año 2011. La selección de estas fechas de las imágenes para evaluar la severidad del fuego, se debió a que el incendio tuvo lugar y se extendió en los meses de Marzo, Abril y Mayo, y así obtener valores más cercanos a la realidad en cuanto a la estimación.

Para obtener la evolución de la vegetación, se eligieron las imágenes correspondientes a cuatro meses después del incendio que corresponden al mes de Agosto de 2011, y a seis meses después del incendio correspondientes al mes de Octubre de 2011.

Una vez que tenemos las imágenes seleccionadas se corrigieron ra-diométricamente mediante un modelo de reflectividad aparente en el módulo ATMOSC de IDRISI (1987-2009 Clark Labs), esto para eliminar el ruido atmosférico o errores que pudieran tener las imágenes, luego se unieron en un mosaico, para posteriormente cortar a tamaño y el área de estudio. Una vez que tenemos delimitada el área de estudio se identificó el incendio, que a su vez se dividió en tres incendios principales localizados en el área de estudio.

Obtención de la severidad de fuego

Para determinar la severidad del fuego en cada uno de los incendios selec-cionados, utilizamos la metodología propuesta por Ruiz- Gallardo et al. (2005), la cual se basa en la estimación del NDVI pre-incendio y pos-incen-dio. La estimación del NDVI se basó en la ecuación propuesta por Rouse et al. (1974):

incendio y la suma del NDVI pre- incendio con el NDVI pos-incendio, finalmente el resultado se multiplicó por cien:

El resultado de esta ecuación arroja los resultados de la severidad del fuego el cual contiene valores que van desde 0-200, por lo que se hizo nece-


sario hacer una reclasificación en cuatro rangos propuestos por Ruiz-Gallardo et al. (2005), que van desde:

1. Severidad nula (0-70)2. Severidad Baja (70-110)3. Severidad Media (110-160)4. Severidad Alta (160-200)

El mapa resultante de la reclasificación de la severidad del incendio se utilizó para estimar el área que ocupa cada una de las cuatro categorías de severidad en cada uno de los incendios seleccionados.

Análisis de la evolución vegetal pos- incendio

Para evaluar la evolución vegetal después del incendio se obtuvieron los valo-res de NDVI para cada una de las fechas propuestas, Agosto-2011 y Octu-bre-2011. Posteriormente se hizo un análisis temporal de los valores donde rIR es la reflectividad de la medios del NDVI presentes en cada una banda del infrarrojo cercano del de las cuatro categorías de severidad deespectro electromagnético y r

R es la fuego, para así obtener un panorama regional sobre el comportamiento que reflectividad de la banda de rojo.

Una vez que obtuvimos el área de cada incendio se procedió a calcular la ecuación propuesta por Ruiz-Gallardo et al. (2005), el cociente entre la res-ta del NDVI pre-incendio con el NDVI pos-incendio presentó la cubierta vegetal durante los meses posteriores al incendio forestal con el apoyo del NDVI.


Obtención de la severidad de fuegoEn la Figura 2 se observa la localización de los tres incendios forestales se-leccionados para estimar la severidad del fuego en el municipio de Ocampo. La selección de estos tres incendios se debió principalmente a que el área del municipio es muy grande y se tuvo la presencia de incendios pequeños y aislados, así que la característica principal de estas áreas seleccionadas es que tiene una distribución homogénea del incendio y pertenecen a parches de vegetación continuos con distinta densidad de vegetación.


Localización de los incendios

Corte incendio 1

Municipio de Ocampo

Incendio 1Incendio 2Incendio 3

1:500,00040 10 20 10

20 5 10 50 0 0 0

40 Kilómetros 10 Kilómetros 20 Kilómetros 10 Kilómetros

1:500,000 1:200,000 1:300,000

Corte incendio 2 Corte incendio 3

A) B)

Figura 2. Ubicación de los incendios en nuestra área de estudio: A) localiza-ción general; B) localización de cada uno de los incendios seleccionados para

estimar la severidad del fuego.

Se calculó el área de cada uno de los incendios y se sumó para obtener el área total dañada en todo el municipio de Ocampo, Coahulila. La suma de las áreas total fue de 139,841 Km2. En la Tabla 1 se muestran las areas que abarcan cada uno de los incendios.

Para la obtención de la severidad estimamos los valores de NDVI pre- incendio (Figura 3) y NDVI postincendio (Figura 4) para poder aplicar la ecuación propuesta por Ruiz-Gallardo et al. (2005), explicada en la Sección de metodología.

Tabla 1. Área de los incendios en kilómetros cuadrados.

Incendio Área en Km2

1 32,0802 52,3883 55,373Área total 139,841


Figura 3. Valores de NDVI pre- incendio ( Junio 2010).

Figura 4. Valores de NDVI pos- incendio ( Junio 2011).


Los valores de NDVI registrados en la imágen del mes de Junio del 2010 (Figura 3) son elevados en toda el área de estudio, esto se debe a que la vagetacion no ha sido perturbada o dañada y se encuantra en condiciones naturales. En cambio, en la imagen del mes de Junio 2011 (Figura 3) se puede observar que los valores de NDVI han caido drásticamente, debido al efecto de los incendios, también se puede observar que hay unas partes mas dañadas que otras esto debido a la intensidad de los incendios. A partir de aquí los re-sultados de aplicar la ecuación propuesta por Ruiz-Gallardo et al. (2005) para determinar la severidad del fuego se muestra de forma individual para cada uno de los incendios. En el caso del Incendio 1 (Figura 5) se observa que la categoría de Severidad alta afectó gran parte del area asignada (Tabla 2), con un 22.3% (71.5 Km2) del área total del incendio, mientras que la Severidad baja y media se encuentran en muy pocas áreas, además la Severidad nula es la que mas se puede apreciar en su extensión ocupa el 54.51% (174.7 Km2) del incendio. En el caso de la Severidad nula se debe a que el fuego tuvo una intensidad extremadamente baja, esto por efecto de la escasa cobertura vegetal presente en estas áreas.

Figura 5. Severidad del fuego para el Incendio 1.


Tabla 2. Área afectada por cada rango de severidad en kilómetros cuadrados en el incendio 1.

Severidad Área afectada Km2

Nula 174.74Baja 37.867Media 36.392Alta 71.519

En el Incendio 2 (Figura 6) la distribución espacial de la severidad del fuego fue muy distinta a lo observado en el Incendio 1, ya que predomina la categoría de Severidad nula, con una área aproximada del 77.7 % (Tabla 3), así mismo la Severidad baja abarca el 18.7 % del área afectada, mientras que la Severidad media y alta solo ocupan el 3.4 % del total del área afectada por el Incendio 2.



Tabla 3. Área afectada por cada rango de severidad en kilómetros cuadrados para el Incendio 2.



A diferencia de los Incendios 1 y 2, en el Incendio 3 (Figura 7) la severidad del fuego se comportó de manera muy diferente, se observa que hay parches de severidad discontinuos a lo largo de toda el área afectada.

Sin embargo al igual que en los Incendios 1 y 2 la Severidad nula es la que mas predomina con una área aproximada de 71.1 %, mientras que la severidad baja y media solo ocupan el 12.2 %, y la Severidad alta ocupa un 12.8 % del total del área afectada por el Incendio 3.



Tabla 4. Área afectada por cada rango de severidad en kilómetros cuadrados para el incendio 3.



Análisis de la evolución vegetal pos- incendio

Una vez que se obtuvo la severidad de fuego para cada uno de los incendios, se estimó el NDVI para los meses de Agosto y Octubre de 2011 (Figuras 10 y 11), y así evaluar los valores medios del NDVI en cada una de las cuatro categorías de severidad del fuego para cada incendio seleccionado.

En general se observa que después del incendio los valores de NDVI se han ido incrementando en cada uno de los incendios seleccionados. Si ob-servamos los valores de NDVI para el mes de Agosto (Figura 10) y Octubre (Figura 11) de 2011 se puede apreciar de forma muy contundente como las áreas correspondientes a los incendios presentan un incremento en los valores NDVI en comparación a los valores que se tuvieron en el mes de Junio de 2011 (justo después del incendio, Figura 3).

La evolución de los valores medios del NDVI en cada una de las cua-tro categorías para los meses de Agosto y Octubre de 2011 se observa en la Figura 10. Se aprecia que en los tres incendios la evolución de los valores de NDVI presentan un comportamiento similar en las cuatro categorías de Severidad del fuego. Las categorías de Severidad nula y alta presentan una disminución progresiva de los valores de NDVI. En el caso del comporta-miento observado en la categoría de Severidad nula se puede explicar por el hecho de que estás áreas estaban ocupadas por escaza cobertura vegetal y la presencia de suelos degradados, lo cual hace que la recuperación vegetal sea casi imposible después de un incendio. Por otra parte, la disminución de los valores de NDVI en la categoría de Severidad alta, se debe principalmente a las altas temperaturas alcanzadas, ya que la recuperación de la vegetación después de un incendio forestal depende principalmente de un órgano o raíz subterráneo y el daño que le ocasionan las altas temperaturas a estos, no le permite que la vegetación se regenere adecuadamente


Figura 8. Valores de NDVI pos-incendio (Agosto 2011).

Figura 9. Valores de NDVI pos-incendio (Octubre 2011).


En cambio las categorías de Severidad baja y Severidad media muestran un ligero incremento en el mes de Agosto, para posteriormente registrar un descenso en el mes de Octubre. Esto demuestra como en estas categorías sí existe una recuperación vegetal, el descenso presentado en el mes de Octubre se debe principalmente a la disminución de la precipitación en esta época del año (Figura 11).

ND

VI

ND

VI

ND

VI

Junio

Junio

Junio

Agosto

Agosto

Agosto

Octubre

Octubre

Octubre

Severidad nula

Severidad nula

Severidad nula

Severidad baja

Severidad baja

Severidad baja

Severidad media

Severidad media

Severidad media

Severidad alta

Severidad alta

Severidad alta

A)

B)

C)

Incendio 1

Incendio 2

Incendio 3

Figura 10. A) Valores de NDVI para el Incendio 1: B) Valores de NDVI para el Incendio 2: C) Valores de NDVI para el Incendio 3.

Figura 11. Precipitación mensual para el municipio de Ocampo, Coahuila. (Téllez, Hutchinson, Nix, y Jones, 2011)


CONCLUSIONES

Con la aplicación de la metodología utilizada, se logró obtener la severidad de fuego para cada una de las áreas afectadas por el incendio ocurrido en el 2011 en el municipio de Ocampo, Coahuila, México. Los resultados muestran las zonas que fueron afectadas por distintas severidades de fuego, las cuales se clasificaron en cuatro categorías: nula, baja, media y alta. Además con la utilización de los valores de NDVI obtenidos para los meses de Agosto y Oc-tubre del 2011 se obtuvo una evaluación de la recuperación de la vegetación postincendio,

Por otra parte la vegetación localizada en el área de estudio mostró un incremento en los valores del NDVI justo después del incendio, con las pri-meras lluvias, pero esta pronta recuperación se ve afectada por la entrada de la estación de otoño, donde las precipitaciones son muy escasas. Este mismo comportamiento se pudo constatar en los tres incendios y en cada una de las categorías de severidad del fuego.

Queda patente que la metodología empleada y los resultados obtenidos, pueden servir como un instrumento de gestión y valuación de los incen-dios forestales. Los cuales pueden servir para instrumentar medidas para la recuperación de la cubierta vegetal por parte de las dependencias de gobier-no, facilitando que los recursos humanos y económicos se dirijan a las zonas donde la vegetación no se puede recuperar por si misma, requiriendo acciones de reforestación.

BIBLIOGRAFÍA

Díaz-Delgado, R., y Pons, X. (2001). Spatial patterns of forest in Catalonia (NE of Spain) along the period 1975-1995. Analysis of vegetation re-covery after fire. Forest Ecology and Management, 67-74.

Franquis, F. (2003). Bosques para la captación y Retención de carbono. Mérida.Garcia-Piñon, F., Sanfeliu, T., Meseguer, S., y Jordan, M. (2009). La regenera-

ción vegetal y paisajística en suelos degradados por vertidos de residuos.Husson, A. (1983). Télédétection des incendies de fôret en Corse entre 1973

et 1980. Mediterranée Teledetection, 53-59.Martínez, R., y Rodríguez, D. A. (s.f.). Los Incendios Forestales en México

y América Central. Memorias del Segundo Simposio Internacional Sobre Políticas, Planif icación y Economía de los Programas de Protección Contra Incendios Forestales: Una Visión Global, 767- 779.


Montorio, R., Perez-cabello, F., García-Martin, A., y de la Riva, J. (2007). Es-tudio de los procesos de regeneración vegetal postincendio en parcelas experimentales mediante radiometría de campo.

Pagiola, s., Landell - Mills, N., Bishop, J. (2002). Mechanisms for Forest Con-servation and Development. Word Bank Institute. New York: Earthscan Publications Ltd.

Patterson MW, Yool SR .(1998). Mapping fire-induced vegetation mortality using Landsat Thematic Mapper data: A comparison of linear transfor-mation techniques. Remote Sensing of Environment, 65, 132–142.

Peres-Cabello, F., y Ibarra, P. (2004). Proceso de regeneración vegetal en co-munidades incendiadas (Prepirineo oscense). Geograf ia Fisica de Ara-gon., 153-162.

Pérez, F., de la Riva, J., Montorio, R., y García, A. (2004). La variabilidad espacial de la regeneración vegetal tras el fuego: aproximación metodo-lógica para la cartografía de zonas susceptibles a la erosión mediante sig y teledetección. Departamento de Geografía y Ordenación del Territorio, Universidad de Zaragoza., 0- 7.

Ruiz-Gallardo, J. R., Castaño, S., y Valdés, A. (2005). Teledetección y severi-dad del fuego. XI Congreso Nacional de Teledeteccíón, 133-136.

Ruiz-Gallardo, J. R., Quintanilla, A., y Castaño, S. (2003). Teledetección y SIG en la gestión postincendio forestal. El caso de Almansa (Albace-te). Instituto de Desarrollo Regional. Universidad de Castilla-La Mancha., 183-186. Castillo, M. (s/f). Incendios Forestales y Medio Ambiente: una SíntesisGlobal. Facultad de Ciencias Forestales Universidad de Chile, 1-9.

Téllez, O., Hutchinson, M., Nix, H., y Jones, P. (2011). Cambio Climático: aproximaciones para el estudio de su efecto sobre la biodiversidad. Uni-versidad Autónoma del Estado de Hidalgo, 15-18.

Vega, J. A., Alonso, M., Fontúrbel, M.T., Pérez-Gorostiaga, P., cuiñas, P., y Fernández, C. (2002). Efectos inmediatos de la severidad del fuego so-bre algunas características químicas de un suelo de Pinus pinaster. Cen-tro de Investigaciones Forestales de Lourizán., 127.

White, J., Ryan, K., Key, C., y Running, S. (2005). Remote Sensing of Forest Fire Severety and Vegetation Recovery. XI Congreso Nacional de Telede-teccion, 133-136.

293

Efectos de las bajas temperaturas extremas

registradas en Febrero de 2011 en el municipio de Cuauhtémoc, Chihuahua: una evaluación en el bosque de encino usando técnicas de

teledetección y SIG

Luis René Cereceres Calzadillas, Luis Carlos Alatorre Cejudo, Luis Carlos Bravo Peña y María Elena Torres Olave

INTRODUCCIÓN

El estado de Chihuahua posee la mayor extensión de terreno, así como la mayor cantidad de área forestal del país. En su mayoría está constituido por áreas de bosque de pino de varias especies, en menor importancia en extensión hay presencia de bosque de encino y asociación pino-encino (Escárpita Herre-ra, 2002). Las coníferas son más resistentes a las bajas tempe-raturas, a diferencia del bosque de latifoliadas (encinos) que

son menos susceptibles a la explotación maderera del estado, y además son las más susceptibles a los descensos extremos de temperatura (Ruelas Monjardin y Dávalos Sotelo, 1999).

El estado de Chihuahua tiene la característica de ser la entidad del país que es más afectada por temperaturas extremas en la estación de invierno. En ésta época del año las temperaturas del estado son extremadamente bajas, éstas temperaturas extremas pueden alcanzar hasta los -22° C, pero incluso se han registrado temperaturas más bajas (Muñoz, 2011). Las temperaturas


más bajas se registran entre los meses de Noviembre a Marzo con descensos abruptos en la temperatura (Esquivel, 2012).

Estudios recientes han identificado cambios en la dinámica vegetal a escala continental, regional y local en las últimas décadas (Rodríguez Rivera, 2012). La mayoría de los cambios han sido causados por actividad humana, particularmente por la deforestación y los incendios forestales, por otra parte, el abandono rural y la consiguiente marginalización de algunas regiones ha contribuido al proceso de recuperación vegetal. Sin embargo, algunos estudios han encontrado un descenso abrupto en la actividad vegetal sobre distintos ecosistemas del mundo, sugiriendo que la causa principal son las variaciones extremas en la temperatura. (Vicente Serrano, y otros, 2012; Alatorre y begue-ría, 2009). Para evaluar el efecto de las temperaturas extremas sobe la actividad vegetal se ha empleado con éxito la percepción remota apoyada por imágenes de satélite, particularmente los índices de vegetación como el Índice de Dife-rencia Normalizada de la Vegetación (NDVI, Normalized Difference Vegeta-tion Index) derivados de información espectral, son los mejores indicadores de la actividad y la salud vegetal (Flores Cárdenas, y colaboradores, 2011).

Se ha comprobado que la utilización de técnicas sensoria remota apoya-da con los Sistemas de Información Geográfica (SIG) arroja resultados claros de los cambios en la superficie terrestre y en la actividad de la misma. Uno de los sensores más utilizados para estudiar la dinámica de la actividad vegetal es el sensor Landsat TM, así como para estudios de cubierta vegetal y cambios en la actividad vegetal a nivel regional (Chuvieco, 2008). El uso de técnicas de sensoria remota, imágenes del sensor Landsat TM 5 y el cálculo del NDVI a partir de dichas imágenes, permite evaluar las afectaciones provocadas a la vegetación, ya sea por efectos climatológicos extremos o actividades humanas (Pérez Cabello y De la Riva Fernández, 1998).


JUSTIFICACIÓN

En febrero de 2011 se registró un descenso extremo de la temperatura en la región centro del estado de Chihuahua, México, alcanzando temperaturas inferiores a los -20° C (UNIFRUT, 2012). El planteamiento de esta inves-tigación está sustentando en la observación de campo, donde se pudo cons-tatar una severa afectación a la población del bosque de encino localizado en el municipio de Cuauhtémoc, Chihuahua, donde se pudo observar una aparente disminución de su actividad y una apariencia de mortandad. Estas afectaciones fueron visualizadas justo después de las fuertes heladas registra-das en febrero de 2011. Por otra parte, se observó que a principios de prima-vera muchos ejemplares de este bosque no presentaban retoños y no habían florecido, incluso se pudo apreciar claramente la muerte de la mayoría de las especies, cuando cabría esperar en esta época del año una actividad vegetal muy marcada. Es a partir de estas observaciones donde surge la idea de eva-luar los daños provocados por las temperaturas extremas a la población de encino de la sierra del municipio de Cuauhtémoc, cuya característica princi-pal es la extensa cubierta de bosque de encino

OBJETIVO

El objetivo de esta investigación es evaluar mediante técnicas de sensoria remota y SIG los efectos de las temperaturas extremas registradas en Febrero de 2011 sobre el bosque de encino localizado en el municipio de Cuauhtémoc, Chihuahua.

HIPÓTESIS

La aplicación de técnicas de sensoria remota y SIG permite identificar todas las áreas de bosque de encino que disminuyeron su actividad vegetal por efecto de un evento climatológico extremo.


ÁREA DE ESTUDIO

El área de estudio se localiza en la parte Norte del municipio de Cuauhtémoc, Chihuahua, donde colinda con los municipios de Riva Palacio al Este y Na-miquipa al Norte. Cuenta con una amplia región de bosque de encino y en-cino-pino además de asentamientos humanos y parcelas agrícolas, así como también áreas de desmonte utilizadas para la ganadería o que una vez se utili-zaron como tierras de cultivo y a la fecha se encuentran abandonadas. Por ser fácilmente discriminables los tipos de uso de suelo, el área de estudio facilita la fotointerpretación y la generación de la cartografía de la zona. Con un clima semiseco templado (INEGI, 2010).El área de estudio se encuentra ubicada en las coordenadas 28°55’42.16”N, 106°47’28.90”O, y tiene un área aproximada de 125,897 hectáreas. (Figura 1).

Área de estudio

1 cm = 4 kmLeyenda

Área de estudio

Figura 1. Área de estudio. Parte Norte del municipio de Cuauhtémoc, Chih.



Para este proyecto se utilizaron tres imágenes del sensor Landsat TM, co-rrespondientes a los meses de Enero, Febrero y Mayo de 2011. La imagen de Enero fue tomada previamente al evento climatológico extremo, la de Febrero es inmediatamente posterior al evento con unos días de diferencia, y la imagen de Mayo, con tres meses de diferencia al evento. Estas imágenes se eligieron con base en la época del año en la que los encinos muestran una gran capaci-dad foliar, además la presencia de nubes es nula en comparación con los meses siguientes. De esta manera se tiene informacion previa e inmediatamente pos-terior al evento extremo, lo cual permitió detectar la recuperación o pérdida de la actividad vegetal (en un tiempo normal de recuperación de la actividad vegetal) de las áreas ocupadas por encino.

Uno de los principales problemas a los que nos enfrentamos al utilizar imágenes de satelite como lo son las Landsat TM es el “ruido atmosferico”, lo que lleva a perturbaciones en la imagen que nos dificultan su utilizacion o que arrojarian resultados erroneos o alejados de la realidad (Alatorre y Beguería, 2009). Para eliminar o reducir estos efectos atmosfericos existen varios méto-dos y modelos que permiten corregir estas anomalías en las imágenes, como lo son : “Reflectancia aparente (AR)”, “Sustraccion del objeto oscuro (DOS) y COST”, se siguen tambien algoritmos como el de “Transformacion de com-ponentes principales (ACP)” (Brizuela et al.,2007). Las imágenes a utilizadas se fueron corregidas con los Métodos anteriormente mencionados.

Para determinar cuáles usos y coberturas de suelo están presentes en el área de estudio, se llevó a cabo una clasificación supervisada la cual sirvió para determinar con un elevado grado de certidumbre las categorías que están pre-sentes en el área de estudio, sin olvidar que el objeto de nuestro estudio es la categoría de encino. Para generar la cartografía se aplicó el método de máxima verosimilitud o máxima probabilidad, este algoritmo es el más comúnmente utilizado en percepción remota, por el procedimiento que sigue y por la facili-dad que ofrece al interpretar los resultados, además este método se considera uno de los más acertados y eficientes. El modelo requiere como entrada las fir-mas espectrales para cada una de las categorías presentes en el área de estudio, las cuales fueron: pastizales, cuerpos de agua, agrícola y encinos. Para generar las firmas espectrales se utilizaron las áreas de entrenamiento previamente definidas mediante fotointerpretación, y posteriormente para realizar la cla-sificación el modelo calculó la probabilidad de pertenencia a cada categoría, definida por las firmas espectrales de las áreas de entrenamiento, píxel por


píxel. Finalmente el modelo de clasificación asignó píxel por píxel la clase a la cual corresponde de acuerdo a su probabilidad obtenida de la información espectral (García Mora y Mas, 2008). Como una banda extra se agregó la in-formación del Índice de Vegetación de Diferencia Normalizada (NDVI, ver proceso de cálculo en el siguiente apartado 2.3) para esperar mayor separabi-lidad de las firmas espectrales. La clasificación obtenida se validó de acuerdo a matrices de confusión las cuales evalúan la fiabilidad de la clasificación. Se obtuvo el error de omisión y el error de comisión a partir del método de matriz propuesto por Card (1982).

Para análizar la recuperación o pérdida de la actividad vegetal en la cu-bierta de encino, se empleó el Índice de Vegetación de Diferencia Normaliza-da, también conocido como NDVI por sus siglas en inglés. El cual es un fiel indicador de la salud y actividad fotosintética de la vegetación. El NDVI fue calculado como (Ecuación 1):

(1)

donde rR es la reflectividad en la región del infrarrojo cercano del espec-tro electromagnético y rR es la reflectividad en la región del rojo. El NDVI es una medida de la capacidad fotosintética de las plantas (Ruimy et al., 1994) y la resistencia estomática con respecto a la transferencia de vapor de agua (Tucker y Sellers, 1986). Por lo tanto, altos valores de NDVI son indicativos de la actividad de la vegetación secundaria.

Con ayuda de la cartografía de coberturas y uso de suelo, se obtuvieron los valores medios del NDVI para la categoría de encino, para cada una de las fechas propuestas, Enero, Febrero y Mayo. De esta manera se obtuvieron los valores de NDVI previos y posteriores al evento, con la finalidad de poder ob-servar el decremento de la actividad vegetal que fue provocado por el descenso extremo de la temperatura. La pérdida de la actividad vegetal sobre la cubierta de encino se evaluó con los valores medios de NDVI de la imagen correspon-diente al mes de Mayo. Una vez obtenidos dichos valores se puede determinar si existió pérdida o recuperación en la actividad vegetal.

Por otra parte para hacer mas robustos y confiables nuestros resultados se llevo a cabo un análisis de tendencia de los valores de NDVI pixel por pixel, para ello se utilizó la prueba no paramétrica de Man-Kendall con un nivel de significancia del 0.5%. La prueba de Man-Kendall es ampliamente utilizada para analisis de tendencia en climatologia. Hay dos ventajas primordiales en el uso de esta prueba. En primer lugar, es una prueba no paramétrica y no


requiere que los datos tengan una distribución normal, en segundo lugar, la prueba tiene una sensibilidad baja a saltos bruscos debido a series de tiempo no homogéneas.

La ecuación para calcular el coeficiente de Mann-Kendall es (Ecuación 2):

(2)y:

donde n es la longitud de la serie de tiempo de datos se, xi y xj son las observaciones al momento i y j respectivamente.

Finalmente para poder hacer mas efectivas las acciones para mitigar los efectos sobre la cubierta de encino, así como para hacer más eficiente las accio-nes de las agencias encargadas de la conservación de bosques en el estado de Chihuahua, se utilizó información de la tenencia de la tierra correspondiente al municipio de Cuauhtémoc, especificamente se utilizará la parte norte del municipio la cual es el área de estudio. La información de tenencia de la tierra ayudará a observar los procesos que ocurren en las propiedades ejidales y pri-vadas, para así determinar con exactitud las acciones que se deben de tomar en cada una de las propiedades presentes en el área de estudio.

RESULTADOS

Cartografía de coberturas y uso de suelo.Como parte del proceso de obtención de una cartografía se generaron las gráficas de firmas o signaturas espectrales correspondientes a las categorías distintivas del área de estudio como son: cuerpos de agua, agrícola, pastizal y bosque de encino, sin olvidar que la categoría objeto de nuestro estudio es la de encino (Figura 2). A partir de las áreas de entrenamiento definidas por fotointerpretación se obtuvieron las gráficas de firmas espectrales para cada una de las fechas, enero, febrero y mayo. En la región del espectro del infra-rrojo, la banda 4 del satélite Landsat, se puede observar de enero a febrero, antes y después del evento climatológico extremo, un descenso en los valores


de reflectividad, para el mes de mayo aparentemente existió recuperación en el brillo de la firma correspondiente al bosque de encino.

Figura 2. Firmas espectrales para cada una de las categorías de coberturas y uso de suelo presente en el área de estudio: A) Enero; B) Febrero, y C) Mayo.

Para evaluar la separabilidad espectral de las firmas espectrales se elabo-ró una matriz de contingencia, la cual es un indicador de la calidad esperada para la cartografía generada (Tabla 1), es decir para evaluar si el resultado ob-tenido en la cartografía representa con veracidad la cobertura real. Se obtuvo un índice kappa de 0.82, este valor se considera como alto y se relaciona con una elevada exactitud de nuestro resultado, y además una precisión global de 86.5, el error de omisión por clase se obtuvo como sigue: agua 0.03, agrícola 0.02, pastizales 0.18 y encino 0.25. El error de comisión por clase fue: agua 0.24, agrícola 0.1, pastizales 0.13 y encino 0.06. En general, de acuerdo a estos resultados la cartografía resultante a partir de la clasificación supervisada por el método de Máxima Verosimilitud se considera con una alta fiabilidad.

Tabla 1. Matriz de contingencia para validar la clasificación supervisada por el método de Máxima Verosimilitud.

Agua Agrícola Pastizales Encino Total

Agua 37 0 2 10 49

Agrícola 0 43 5 0 48

Pastizales 1 1 47 5 54

Encino 0 0 3 46 49

Total 38 44 57 61 200

A partir del método de clasificación se obtuvo una cartografía de usos de suelo que abarca cuatro categorías de Agrícola, Bosque de encino, Cuerpos


de agua y pastizales (Figura 3). Cabe mencionar que dentro de la categoría de pastizales se incluyó a algunas coberturas que presentan características pro-pias del pastizal, pero al hacer fotointerpretación, la textura y forma de los polígonos corresponden a lo que pudieran ser tierras de cultivo abandonadas o tierras de desmonte, como lo son potreros y áreas de pastoreo, donde la re-flectividad en este caso es similar a los pastizales naturales. La cobertura para cada categoría quedó de la siguiente manera: agrícola 22,088.8 ha, bosque de encino 54,464.5 ha, cuerpos de agua 373.8 ha y pastizales 54,464.5 ha, dando un área total de 125,897 ha para toda el área de estudio.

Figura 3. Mapa de cobertura y uso de suelo para el área de estudio

Análisis de la actividad vegetal del bosque de encino por medio del NDVI.Se obtuvieron los mapas de NDVI para cada fecha (Figura 4), donde los va-lores más altos de NDVI los posee el bosque de encino y los valores más bajos, prácticamente nulos, los poseen los cuerpos de agua, esto en las tres fechas seleccionadas (Figura 4 A, B, C). A simple vista se observó un descenso en la actividad vegetal del bosque de encino previo al evento climatológico extremo


indicando una posible tendencia negativa y sin mostrar niveles de recupera-ción como se esperaba para el mes de mayo.

Figura 4. Mapa de la distribución espacial de los valores de NDVI: A) Ene-ro; B) Febrero, y C) Mayo.

Para analizar con mayor detalle nuestras observaciones de las tenden-cias negativas de los valores de NDVI en la cubierta de encino, se elaboró una gráfica con los valores medios del NDVI registrados dentro de la categoría de bosque de encino (Figura 5). Se pudo observar mediante esta gráfica, de ma-nera generalizada, la tendencia negativa y no se observó la recuperación que se esperaba para el mes de mayo.

NDVI

0.4

Enero Febrero

Bosque de encino

Mayo

0.2

0

Figura 5. Evolución de los valores medios del NDVI para el bosque de enci-no en cada una de las fechas seleccionadas para el estudio.


Análisis espacialmente distribuido de las tendencias tempora-les de los valores de NDVI (píxel por píxel): Mann Kendall

Para evaluar las tendencias temporales de los valores de NDVI píxel por píxel y así poder identificar específicamente las áreas que tuvieron tendencia negativa se utilizó la prueba de Mann Kendall (MK). Se obtuvo un mapa de tendencias estadísticamente significativas (p = 0.05) en el cual se muestran las áreas que presentan una tendencia negativa en los valores del NDVI (Figura 6). Estás áreas con “mayor degradación” es decir, con tendencia negativa co-rresponden precisamente al bosque de encino, justo donde se observaron los cambios en los ejemplares de encino. Las áreas de pastizales no presentaron cambio, es decir que no se encontró una tendencia estadísticamente significa-tiva en estas categorías, representan áreas donde no se obtuvo una tendencia clara de los valores de NDVI, lo cual no significa que presentan recuperación ni degradación. Prácticamente se puede observar únicamente tendencia nega-tiva en el área que ocupa el bosque de encino.

Figura 6. Mapa de tendencias estadísticamente significativas (p = 0.05) en el cual se muestran las áreas que muestran una tendencia negativa en los valo-

res del NDVI


Análisis por tenencia de la tierra

Para llevar a cabo este análisis se tomó en cuenta la información de tenencia de la tierra. Se dividió el área de estudio en propiedades privadas y propieda-des ejidales, englobando en éstas últimas a las dotaciones y ampliaciones (Fi-gura 7). Así se obtuvo que el área de estudio está en su mayoría ocupada por propiedades privadas, 80% del total del área, como lo son ranchos ganaderos o tierras de cultivo entre otros, algunas de estas propiedades no poseen cobertu-ra de bosque de encino o su porcentaje es insignificante. Sin embargo, se en-contraron propiedades privadas que cuentan con una superficie mayor al 90% de cobertura de bosque de encino, donde la tendencia negativa es incidente. Esto no quiere decir que en las propiedades con éstas características la degra-dación del bosque de encino sea mayor. El restante 20% del área de estudio corresponde a los terrenos ejidales donde solo en un caso, correspondiente al ejido más grande llamado “El Porvenir”, el porcentaje de cobertura de bosque de encino es mayor al 90%, los restantes 9 casos de ejidos no alcanzan siquiera el 50%. En el caso del ejido “El Porvenir” también se observan tendencias negativas significativas, como es caso de las propiedades privadas con una co-bertura mayor al 90% de bosque de encino. El caso del ejido “La Quemada” cuenta con una cobertura de bosque de encino de aproximadamente 50% y en este caso las tendencias negativas también son observadas sobre el bosque de encino según el mapa de tendencias.

Figura 7. Mapa de tenencia de la tierra. Propiedades privadas y ejidales.


CONCLUSIONES

A partir de las gráficas de firmas espectrales y de los resultados del análisis de la cartografía se pudo observar que la reflectividad del bosque de encino, en las áreas donde éste se vio más afectado por el evento climatológico ex-tremo, es similar a la de los pastizales. Esto no significa que las áreas que “se perdieron” de bosque de encino ahora forman parte de la categoría de pastizal ya que aún es bosque de encino solo que en malas condiciones, es decir, con ejemplares muertos o con actividad vegetal parcial.

A partir del cálculo del NDVI y de la extracción de los valores medios para cada cobertura y para cada fecha se pudo estimar la tendencia, que en este caso fue negativa para el bosque de encino, sin embargo para poder es-tar seguros ciento por ciento de las áreas que en verdad tuvieron tendencia negativa fue necesario aplicar la prueba no paramétrica de Mann-Kendall, la cual mostró con certeza las áreas donde se encontró tendencia negativa, áreas que coinciden casi a la perfección con la cobertura correspondiente al bosque de encino. Los valores más altos de NDVI se encontraron en el bosque de encino y fue éste a su vez el que presentó los niveles de tendencia negativa más altos. En las áreas como pastizales y agrícolas no presentaron cambio, es decir que no se encontró una tendencia estadísticamente significativa en éstas categorías, representan áreas donde no se obtuvo una tendencia clara de los valores de NDVI, lo cual no significa que presentan recuperación ni degra-dación, lo que nos indica que hasta el mes de mayo, fecha en la que se espera recuperación para el bosque de encino, no existió perdida o recuperación en la actividad vegetal para estas coberturas. Lo que es obvio para la categoría de agrícola en la cual sus procesos de pérdida o recuperación de la actividad están estrictamente relacionados con la mano del hombre y las actividades que se lleven sobre el suelo así como del tipo de cultivo que se siembre. Por otra parte la recuperación de los pastizales se esperaría a partir del primer mes de lluvias y no a partir de inicios de primavera como es el casi del bosque de encino.

A partir de la información de la tenencia de la tierra se pudo identificar en qué tipo de propiedades fue la mayor pérdida de la actividad vegetal para la categoría de encino. Cabe mencionar que el área de estudio está ocupada principalmente por propiedades privadas (80%), por lo cual se pudo constatar que la mayor área afectada se localiza principalmente en este tipo de propie-dades, sin embargo, las propiedades ejidales también fueron afectadas por lo cual se considera que es ahí donde las acciones de las dependencias encargadas


de la conservación de áreas forestales deben dirigir sus acciones para recuperar estas áreas.

Un evento de tal magnitud como el ocurrido el mes de febrero de 2011 puede tener repercusiones tan severas en la población del bosque de encino de la región central del Estado de Chihuahua que incluso se puede perder una porción del mismo puesto que el daño es tan grave que es irreversible.

REFERENCIAS

Alatorre, L. C., y Beguería, s. (2009). Identificación de zonas de erosión activa y áreas de riesgo mediante teledetección: un ejemplo en un paisaje de cárcavas sobre margas en el pirineo central español. Cuadernos de In-vestigación Geográfica, 171-194.

Brizuela, A., Aguirre, C., y Velasco, I. (2007). Aplicación de métodos de co-rrección atmosférica de datos Landsat 5 para análisis multitemporal. Teledetección - Hacia un mejor entendimiento de la dinámica global y regional.

Card, D. (1982). Using map category marginal frequencies to improve es-timates of thematic map accuracy. Photogrammetric Engineering and Remote Sensing, 431-439.

Chuvieco, E. (2008). Teledetección ambiental “La observación de la Tierra desde el espacio”. Barcelona, España: Editorial Ariel S. A.

Escárpita Herrera, A. (2002). Situación actual de los bosques de Chihuahua. Madera y Bosques, primavera, año/vol. 8, número 001, 3-18.

Esquivel, E. (Octubre de 2012). Instituto Nacional de Ecología. Obtenido de http://www2.ine.gob.mx/publicaciones/gacetas/367/cambioclimat.html

Flores Cárdenas, F., Aragón Noriega, A., y Manzano Sarabia, M. (2011). Eva-luación del estado de salud de la vegetación de manglar en el sistema lagunar santa maría-la reforma, Sinaloa, a partir de imágenes Landsat TM 5.

García López, S., Pinilla, C., Delgado, J., y Cardenal, J. (2001). Corrección at-mosférica de imágenes multiespectrales de satélite mediante transforma-ción A.C.P. Teledetección, Medio ambiente y Cambio Global, 473-476.

García Mora, T. J., y Mas, J. F. (2008). Comparación de metodologías para el mapeo de la cobertura y uso del suelo en el sureste de México. Investi-gaciones Geográficas, Boletín del Instituto de Geografía, UNAM, 7-19.

Muñoz, J. M. (2011). Invierno en Chihuahua y el norte de México. Observa-torio ciudadano de la energía A.C.


Pérez Cabello, F., y De la Riva Fernández, J. (1998). El empleo de imágenes Landsat TM para la detección y cartografía de áreas incendiadas en el pre pirineo occidental oscense. Geographicalia, 131-145.

Rodríguez Rivera, J. R. (2012). Dinámica de cambios en la cobertura vegetal (1875-2005). Tegucigalpa, Honduras: Universidad Autónoma de Hon-duras.

Ruimy, A., Saugier, B., and Dedieu, G. (1994): Methodology for the estima-tion of terrestrial net primary production from remotely sensed data, J. Geophys. Res., 99, 5263–5283.

Ruelas Monjardin, L., y Dávalos Sotelo, R. (1999). La industria forestal del estado de Chihuahua. Madera y Bosques, 79-91.

Tucker, C. J., & Sellers, P. J. (1986). Satellite remote sensing of primary pro-ductivity. International Journal of Remote Sensing, 7, 1395 – 1416.

UNIFRUT. (Octubre de 2012). Unión agrícola regional de fruticultores del Es-tado de Chihuahua. Obtenido de http://www.unifrut.com.mx/archivos/meteorologico/historicos.html

Vicente Serrano, S., Gouveia, C., Camarero, J. J., Beguería, S., Trigo, R., LópezMoreno, J., y otros. (2012). Drought impacts on vegetation activity, growth

and primary production in humid and arid ecosystems.

309

Determinación de procesos de deforestación

en el bosque templado de la región noroeste del municipio de Madera, Chihuahua, México:

usando técnicas de teledetección y SIG

Manuel Iván Gil Hernández, Luis Carlos Alatorre Cejudo, María Elena Torres Olave y Luis Carlos Bravo Peña

INTRODUCCIÓN

El estado de Chihuahua ocupa el primer lugar nacional en su-perficie arbolada con un total de 6, 879, 521 hectáreas, de bos-que templado, es decir que el 30% de la superficie del estado está ocupada por los bosques, de los cuales el 63% de la super-ficie forestal es propiedad de ejidos (comunidades y colonias), el resto es propiedad privada y en menor medida propiedad nacional, sin embargo ocupa el segundo lugar en producción

de recursos madereros solo detrás de Durango con 1.59 Hm3 (millones de metros cúbicos) de madera en rollo.

Chihuahua se considera apto para las actividades forestales, una de las más importantes en la zona del bosque templado es la explotación forestal. Debido a la gran demanda de estos productos se está produciendo una grave problemática, lo cual trae consigo la pérdida en la cobertura vegetal del bos-que, por lo tanto acarrea los terribles problemas de la deforestación (explo-tación forestal), la pérdida de especies y todos los impactos ambientales que traen consigo el desequilibrio del ecosistema forestal.


Cabe hacer una distinción entre los conceptos deforestación y degra-dación, debe entenderse por “deforestación” a la eliminación total de la vege-tación o su reemplazo por usos no forestales de la tierra, y por otra parte la “degradación” consiste en la gradual reducción de la biomasa, cambios en la composición de especies y el deterioro correlativo del suelo.

Debido a todos estos problemas es prioritario identificar y considerar las consecuencias que este fenómeno produce, los cuales comprenden una infini-dad de sucesos, como son la degradación geosistémica y la pérdida de las zonas verdes del planeta, las cuales son las principales áreas de captura de carbono, y sustentabilidad del ambiente. A pesar de la gran importancia ecológica, no existe un sistema completo y eficaz de monitoreo de pérdida y recuperación en la cubierta vegetal, para la restauración del bosque en el estado de Chihuahua, por lo cual la vulnerabilidad del mismo se encuentra en niveles alarmantes.

En las últimas décadas los ecosistemas terrestres han sufrido grandes transformaciones en los usos de suelo, la mayoría debido a la conversión de la cobertura del terreno y a la degradación e intensificación del uso del suelo (Lambin, 1997). Estos procesos usualmente englobados en lo que se conoce como deforestación o degradación forestal, se asocian a impactos ecológicos importantes en casi todas las escalas (Bocco et al., 2001).

En México se estima que de la superficie original forestal del país, al menos 50% de su cobertura en hectáreas han desaparecido o se ha deteriorado de tal manera que ha perdido su papel ecológico original. (Velázquez et al., 2001). Sin embargo, la velocidad de deforestación en México se ha reducido en 35% durante los últimos cinco años, pero todavía se pierden 155 mil hectá-reas de cubierta vegetal por año, informó la Organización de Naciones Unidas para la Agricultura y la Alimentación (FAO, 2010), siendo los desmontes para uso agropecuario (82%), tala ilegal (8%), incendios (4%) y plagas y enfermeda-des (3%), las principales causas de la deforestación (FAO, 2010).

La deforestación y el cambio en la cobertura y uso del suelo en México es un problema que se ha presentado desde tiempos precolombinos, sin em-bargo, durante las últimas cinco décadas este proceso se ha incrementado dra-máticamente, con un panorama poco alentador, las 52 millones de hectáreas de bosques y selvas con que contaba el país en el año 2000, presentaron una tasa de deforestación promedio de 631 mil hectáreas por año (FAO, 2010), lo que indica que en un futuro no muy lejano este fenómeno nos traerá conse-cuencias devastadoras para todas las regiones forestales de nuestro país. Sólo para los bosques templados que comprenden Chihuahua existe una estima-ción de 76,000 hectáreas deforestadas por año, lo cual implica un grave daño para este ecosistema.


JUSTIFICACIÓN

La percepción remota ha sido utilizada como una herramienta importante para el mapeo de diversos ecosistemas de comunidades vegetales y los esfuer-zos se han enfocado al uso de la interpretación de imágenes de satélite, así como otros elementos para la elaboración y la utilización de estas, para resol-ver problemas de clasificación con precisión aceptable.

Estos métodos en combinación con los sistemas de Información Geo-gráfica (SIG), son muy eficaces para determinar y calcular la pérdida en la cubierta vegetal, ya que son herramientas muy poderosas para este tipo de estudios (Pauchard et al., 2006).

Esto es importante porque mediante estas técnicas, se puede identificar claramente el patrón de cambio ocurrido a través del tiempo, además fortale-cen la evaluación y el monitoreo de los recursos, que es la base del desarrollo comunitario (Bocco et al., 2001).

En los bosques de Chihuahua, como en la mayoría de los bosques del país la principal actividad es la explotación forestal, sin embargo las políticas para realizar esta actividad no se siguen al pie de la letra, provocando pérdi-das irreparables en la cubierta vegetal, lo cual conlleva un deterioro para el ambiente y para las poblaciones vecinas al área donde ocurren las transfor-maciones, por eso es importante identificar las zonas con un mayor grado de cambio, para aplicar medidas de conservación y así disminuir los problemas que derivan de este fenómeno.

Por lo tanto al tener una perspectiva espacial y temporal de los hechos es fácil determinar el punto y grado de cambio en el ambiente, para poder así identificar la zona más vulnerable a cambios de uso de suelo en el bosque tem-plado de la zona noroeste del municipio de Madera perteneciente al estado de Chihuahua.

OBJETIVO

El objetivo particular es la identificación espacial mediante técnicas de tele-detección y SIG de las zonas en las cuales han ocurrido los cambios más so-bresalientes en la cubierta vegetal del bosque, es decir las áreas con un mayor grado de deforestación, en un lapso de tiempo de 7 años, entre 2004 y 2011.



Descripción del área de estudioEl área de estudio seleccionada para determinar los cambios en la extensión del área de bosque (deforestación), forma parte de la Sierra Madre Occidental perteneciente al estado de Chihuahua México, en la provincia Sierra Madre Occidental y principalmente en la Sub Provincia Gran Meseta y Cañones Chihuahuenses entre las coordenadas geográficas 29° 13’ 12.6” latitud norte y 108° 12’ 10.1” longitud oeste, está compuesta por 321,009.3 hectáreas, perte-necientes al Ejido El Largo Maderal y el Ejido Madera y anexos.

La topografía está compuesta principalmente por las áreas montañosas de la zona noroeste del municipio de Madera, se conforma por pendientes muy accidentadas y pequeñas llanuras, con un rango altitudinal que va desde 2100 a 2400 metros sobre el nivel del mar.

En la zona encontramos el bosque templado subhúmedo, según la cla-sificación de climas de Köppen modificada por García, con una temperatura máxima de 34.3° en promedio y la mínima -19°, teniendo una temperatura me-dia de 20.2 ° y su precipitación pluvial es de 757 milímetros con un promedio anual de 87 días de lluvia y una humedad relativa de un 70%, lo que implica que esta región forestal del estado tenga grandes posibilidades de desarrollo.

La zona se compone principalmente de bosque de coníferas, con predo-minancia del género Pinus. Las asociaciones vegetales más importantes des-de la perspectiva económica están constituidas por varias especies del género Pinus como especies dominantes, mezcladas con otras especies de bajo valor comercial como encinos (Quercus spp.), táscate (Juniperus spp.) y madroño (Arbutus spp). (Figura 1).


Figura 1. Área de estudioFuente: elaboración propia.

Selección y preparación de la base de datos

Para este trabajo se utilizaron dos imágenes multiespectrales del satélite Landsat TM 5, con una resolución espacial de 30 metros, pertenecientes al pe-riodo 2004 y 2011, correspondientes a los meses de noviembre y enero de 2004 y 2011 sucesivamente, con un desfase aproximando de 7 años, el cual es un lap-so significativo para una buena detección de cambios en la cubierta del suelo.

Para cada una de las fechas de estudio (2004 y 2011), se obtuvo una escena Landsat (path/row 33/40, y 33/40), en las cuales se encuentra cubierta toda el área de estudio seleccionada. Ambas imágenes fueron adquiridas de página web http://glovis.usgs.gov/, la cual pertenece a United States Geolo-gical Survey (USGS). (Tabla1).


Tabla 1. Datos de las imágenes Landsat TM 5, usadas en el área de estudio.

IMAGEN AÑO 2004Sensor Path Row Fecha de toma ID ReferenciaLandsat TM 5 33 40 2004-11-04 LT50330402004309EDC00IMAGEN AÑO 2011Landsat TM 5 33 40 2011-01-24 LT50330402011024EDC00

Fuente: elaboración propia.

Las imágenes Landsat históricamente han tenido aplicaciones muy di-versas, principalmente se han empleado para la identificación y clasificación de las distintas cubiertas que existen en la superficie terrestre, determinación de humedad del suelo, clasificación de la vegetación, mapas hidrotermales y estudios multitemporales (Lillessand et al., 2004, Liang et al., 2001). A con-tinuación se especifican las características de las imágenes de satélite Landsat TM 5. (Tabla 2).

Tabla 2. Características de las imágenes de satélite Landsat TM 5.

Modo espectralEspac ia l (metros)

Espectral (micras) Radiométrica Temporal

Multiespectral30

Banda 1 azul: 0.45 -0.52

8 Bits 16 Días

Banda 2 verde: 0.52 -0.60Banda 3 roja: 0.63 -0.69Banda 4 Infrarrojo cercano1: 0.76 -0.90Banda 5 Infrarrojo cercano2: 1.55 -1.75Banda 7 Infrarrojo medio: 2.08 -2.35

Termal 120 Banda 6 Infrarrojo térmico: 10.4 -12.5

Fuente: Aspectos técnicos de las imágenes Landsat INEGI.

Corrección de las imágenes Landsat

La atmósfera puede afectar la naturaleza de las imágenes de sensores remo-tos de diferentes formas. Los efectos atmosféricos pueden ser sustanciales por lo que se ofrecen varios enfoques para la corrección atmosférica.

Cuando se realizan estudios multitemporales, es necesario eliminar las distorsiones provocadas por la interferencia de la atmósfera en la radiación reflejada por la superficie: para ello se llevan a cabo homogeneizaciones ra-diométricas que tratan de acercar los niveles digitales originales a los que ha-bría en caso de una recepción ideal.


La calibración radiométrica (Lillesand et al., 1994) se realizó mediante el módulo de corrección Atmosc del software Idrisi Taiga, la cual consiste en la conversión de los números digitales en valores de radiancia, considerando coeficientes de calibración disponibles para el satélite y la época utilizadas.

La información que requiere el módulo Atmosc para para realizar la corrección atmosférica se encuentran en la Tabla 3. Se realizó la corrección atmosférica, mediante el modelo Cost(t) model, el cual se aplicó para todas las bandas de las dos imágenes. La ecuación que relaciona los números digi-tales (Dn) en los datos de sensores remotos con la radiancia es: L = ((Lmax – Lmin)/ 255)* DN + Lmin. (Tabla 3).

Tabla 3. Información necesaria para la corrección atmosférica.

Bandas Micron Lmin Lmax DnMax

B10 0.485 -0.152 19.3 255

B20 0.569 -0.284 36.5 255

B30 0.660 -0.117 26.4 255

B40 0.840 -0.151 22.1 255

B50 1.676 -0.037 3.02 255

B70 2.223 -0.015 1.65 255


Tratamiento de las imágenes y selección de áreas de entrenamiento

El tratamiento de las imágenes se realizó mediante el software Idrisi Taiga con la finalidad de una mejor discriminación entre las categorías de cubierta vegetal, lo cual se traduce en una mejor interpretación visual y espacial entre las imágenes.

Una vez realizado esto, se procedió a determinar las áreas de entrena-miento, procurando que estas fueran representativas para cada cubierta de suelo. Para lograr esto fue necesario realizar una combinación entre las bandas de las dos imágenes, las cuales se eligieron mediante una visualización previa de composiciones de color verdadero y falso color. La composición de falso color, combinando las bandas 3, 4 y 5, fue la composición que mejor ayudó a discriminar de una forma adecuada las unidades de vegetación presentes en el área de estudio.


Las clasificaciones basadas en respuestas espectrales habitualmente pre-sentan precisiones bajas debido a que el algoritmo de clasificación no logra discriminar la confusión radiométrica de las coberturas de suelo (Mas y Ra-mírez., 1996), por lo mismo para disminuir este problema se decidió qué las categorías de coberturas y uso de suelo utilizadas para seleccionar las zonas de entrenamiento, fueran generalizadas lo mayor posible para evitar así cualquier confusión entre las cubiertas más significativas. Finalmente se decidió que el área de estudio estuviera convenientemente representada por tres categorías de coberturas y uso de suelo: i) área forestal, la cual incluye todos los tipos de bosque, ya sean cubiertas de pino, encino, o asociaciones pino-encino, o cualquier variedad forestal; ii) área no forestal, esta categoría incluye praderas, matorrales pequeños, suelo desnudo, y zonas urbanas; y finalmente, iii) cuer-pos de agua, la cual corresponde a todos los tipos de cuerpos ya sean lagos, lagunas, presas y ríos. (Tabla 4).

Tabla 4. Categorías de coberturas y uso de suelo utilizadas para la clasificación en Idrisi Taiga.

Clasificador o Código Uso de suelo1 Área forestal2 Área no forestal3 Cuerpos de agua


Posteriormente en Idrisi Taiga se realizó un análisis que permitió ex-traer las firmas espectrales de las áreas de entrenamiento elegidas para cada una de las categorías, mediante el módulo Makesig, un módulo que permite trabajar con los parámetros de radiación y su rango de amplitudes, el cual per-mite hacer comparaciones y editar, si es necesario, estas firmas espectrales, y poder realizar cualquier clasificación supervisada mediante los clasificadores, por ejemplo, Maxlike, Mindist, Piped, etc., los cuales son los más representa-tivos de cualquier clasificación supervisada.

Clasificación supervisada

Independientemente del método utilizado para obtener las áreas de entrena-miento es necesario determinar la separabilidad de las firmas espectrales para cada una de las clases que van a intervenir en la clasificación. Esto se realizó


mediante el módulo Sigcomp el cual compara las firmas creadas con Makesig, y permite detectar firmas que son similares. Este módulo permite obtener gráficamente hasta 15 firmas de forma simultánea, ya sea como un patrón de respuesta espectral de reflectancias medias, o como un gráfico de caja que ilustra reflectancias mínimas y máximas.

Una vez realizadas las firmas espectrales para las categorías de cobertura y uso de suelo del área de estudio, se realizó una Clasificación de Máxima Ve-rosimilitud (Maxlike), ya que este clasificador evalúa la probabilidad de que un píxel pertenezca a una de las categorías consideradas y lo clasifica en la catego-ría a la cual tenga mayor probabilidad de pertenecer, asume que esas probabi-lidades son iguales para todas las clases y que los datos tienen una distribución normal, es decir genera un resultado con mayor similitud a la realidad.

A los mapas resultantes se les aplicó en varias ocasiones el filtro de paso bajo (Majority o de mayoría; ITC, 2001) para quitar el efecto de dispersión de píxeles tipo sal y pimienta, los mapas de salida de este procedimiento son los que se usaron para la detección de cambios de cobertura y de uso del suelo.

Validación de las cartografías mediante: matriz de confusión y coeficiente kappa

La matriz de confusión (C) o contingencia, permite comparar dos clasifica-ciones: la que es definida por el usuario y la que se desea evaluar. Se construye una comparación matricial de clases realizadas de la clasificación, ubicada ge-neralmente en diferentes sectores o en la totalidad del mapa, confrontando las clases de cada clasificación (Li et al., 2009)

Con la matriz de confusión se generan tres tipos de exactitud: exactitud global, exactitud del usuario, exactitud del productor (Li et al., 2009).

Las medidas de exactitud mencionadas, solo se basan en resultados par-ciales de la matriz, por lo tanto no aprovechan todos los datos en su totalidad, a su vez se toman resultados aleatorios, que pueden llevar a interpretaciones sesgadas del método. Para corregir los tipos de exactitud, se utiliza el coefi-ciente Kappa. (Li et al., 2009; Dou et al., 2007).

En pocas palabras el proceso de interpretación implica la evaluación de la exactitud en la diferenciación de clases. Lo cual requiere datos de verdad de campo; los cuales se confrontan con las clases interpretadas en las en las imá-genes satelitales. Mediante los cuales se forma una matriz comparativa, deno-minada matriz de confusión puesto que recoge los conflictos que se presentan


entre categorías, en conclusión representan errores de omisión y de comisión, respectivamente.

Para realizar el procedimiento anterior fue necesario, utilizar un método de muestreo aleatorio estratificado. Cada estrato corresponde a cada una de las clases del mapa. De esta manera se asegura que las categorías de pequeña superficie sean muestreadas (Mas et al., 2003). Los puntos creados fueron 150, de los cuales se distribuyeron uniformemente 50 para cada una de las clases, una vez distribuidos se extrajo el valor de pixel sobre el cual se sobrepuso, para realizar la comparación de la clasificación contra la verdad terreno, la cual se realizó mediante imágenes pancromáticas Spot de alta resolución (2.5 me-tros), para los dos años, con los datos obtenidos se pudo realizar la matriz de confusión para las dos cartografías.

El coeficiente, propuesto por Jacob Cohen en 1960 (Dou et al., 2007), es un estadístico que mide la concordancia de dos metodologías. Es utilizado para ver la similitud de dos clasificaciones de imágenes, (Li et al., 2009; Dou et al., 2007), mediante la siguiente ecuación (1):

(1)

En donde r es el número de filas en la matriz; xij, número de píxeles de la fila i, columna j, es decir la diagonal mayor; xi, fila i; xj, columna j y N el total de píxeles de la matriz. El valor de coeficiente puede variar de 0 a 1, entre más cercano este a 1, quiere decir que la concordancia de los dos métodos es muy alta.

Por lo tanto el resultado más aceptable para este tipo de clasificaciones de-berá aproximarse a un umbral mayor a .75, para que el estudio sea realmente fiable.

Generación de mapas de vegetación y cálculo de la diferencia entre los mapas

Una vez que los mapas de coberturas y uso de suelo fueron validados, se analizaron los cambios en las coberturas de cada una de las categorías selec-cionadas para los años 2004 y 2011, esto se realizó mediante el módulo Cross-tab del software Idrisi Taiga, el cual brinda una técnica comparativa para los datos cualitativos (Ej. imágenes de clases de cubierta terrestre).


El módulo Crosstab brinda como resultado una tabla donde aparecen de forma cruzada la frecuencia con la cual ocurre cada combinación posible de las categorías de las dos imágenes. También ofrecen los totales margina-les y reporta una estadística Chi Cuadrada (para juzgar la probabilidad de la asociación), los grados de libertad y la estadística de Cramer “V” (para medir el grado de asociación). En los casos donde las categorías de las dos imágenes son idénticas, Crosstab produce, un Índice Kappa para comparar con la prue-ba de Cramer “V”, Crosstab también crea una imagen de correlación cruzada. Ésta posee categorías nuevas para ilustrar todas las combinaciones existentes de los dos mapas de entrada. En esencia, la imagen de tabulación cruzada puede considerarse una superposición.

Como ya se mencionó anteriormente con las funciones de Crosstab se evaluaron las ganancias y pérdidas de las categorías en hectáreas, se generaron las matrices y las imágenes de cambio, para visualizar más claramente todos los resultados del proceso.

Tasas de cambio

El cálculo de la tasa de deforestación (TD), expresada en porcentaje del área de cubierta vegetal disminuida por año (%/año), se determinó mediante la siguiente ecuación:

TD= (A1-A2) / (A1*n) * 100

Donde A1 es la superficie con cubierta vegetal en el primer año del estudio, expresada en hectáreas A2 es la superficie con cubierta vegetal en el segundo año del estudio, también es expresada en hectáreas y n es el periodo de tiempo entre A1 y A2, se expresa en años. Este indicador tiene la ventaja de ser muy simple de calcular y permite realizar la comparación de la defo-restación entre regiones. La comparación de los resultados arrojados (tasa de deforestación), para la formula anterior, se utilizó la clasificación que aparece en la Tabla 5.


Tabla 5. Propuesta de clasificación de las tasas de deforestación.

Deforestación (%/año) Calificativo< 0.5 Baja

0.5-0.2 Media2.0-3.0 Alta>3.0 Muy Alta

Fuente: Propuesta de Clasificación de las tasa de deforestación. Catalán (1991).


Mapas de cobertura vegetal mediante clasificación supervisadaPara poder determinar los cambios en la cubierta vegetal, y así evaluar los procesos de deforestación en el bosque templado de la región noroeste del municipio de Madera Chihuahua, México se realizó un análisis de cambio de cubierta vegetal del bosque para los años 2004 y 2011 de la principal zona maderera del municipio de Madera. Para ello se obtuvieron mapas de cober-tura y uso de suelo para cada uno de los años (Figuras 2 y 3), los cuales fueron validados por medio de matrices de confusión (Tablas 6 y 7).

Tabla 6. Matriz de confusión correspondiente a la clasificación del año 2004.

Categorías Área Forestal Área No Forestal Cuerpos de Agua TotalÁrea Forestal 43 2 45Área No Forestal 3 67 15 85Cuerpos de Agua 20 20Total 46 69 35 150

Exactitud. Global 86.66

Concordancia observada 0.86Concordancia esperada 0.38Kappa 0.78



Tabla 7. Matriz de confusión correspondiente a la clasificación del año 2011.

Categorías Área Forestal Área No Forestal Cuerpos de Agua Total

Área Forestal 44 10 54

Área No Forestal 1 45 46

Cuerpos de Agua 50 50

Total 45 55 50 150

Exactitud. Global 92.66

Concordancia obser-vada

0.92

Concordancia espera-da

0.33

Kappa 0.89


En general el proceso de validación arrojó valores muy favorables. Para la clasificación del año 2004 (Cuadro 6), se obtuvo un valor de índice kappa 0.78, el cual resulto ser superior al valor recomendado como aceptable para este tipo de clasificaciones (Lu et ál., 2004).

Sin embargo hay que mencionar que esta clasificación se vio afectada por la categoría de Cuerpos de Agua, la cual tuvo ciertas inconsistencias al momento de comparar con la imagen de alta resolución, pero para las demás clases se obtuvo un nivel de clasificación muy bueno (Tabla 6).

Para la clasificación del año 2011 (Tabla 7) se obtuvieron considerable-mente mejores resultados que la clasificación anterior, principalmente debido a que tuvo menos inconsistencias al momento de comparar con la imagen pancromática, el índice kappa para esta clasificación fue de 0.89, por lo cual se puede considerar que las clasificaciones resultantes tuvieron una buena con-cordancia entre los datos generados por el clasificador y los datos reales toma-dos en el terreno.

Una vez que se obtuvieron los mapas de coberturas y uso de suelo para los años 2004 y 2011 (Figura 2 y 3) se realizó la comparación de los datos ob-tenidos de ambas cartografías y con estos datos se creó una tabla comparativa de los tres tipos de cubiertas para cada uno de los años de estudio.


Figura 2. Cobertura Vegetal año 2004.


Figura 3. Cobertura vegetal año 2011.Fuente: Elaboración propia.

Se obtuvo el total de hectáreas correspondientes para cada tipo de co-bertura, también se obtuvieron las coberturas proporcionales de cada clase y se calculó el porcentaje de pérdida para los tres tipos de cobertura (Tabla 8), se puede distinguir claramente la totalidad de hectáreas perdidas y ganadas para cada clase, por lo tanto se puede asegurar que la cobertura de Área Forestal ce-dió terreno a las demás clases. El área forestal tenía 242,982.61 hectáreas en el año 2004, aproximadamente el 75.6% del total del área de estudio, en cambio para el 2011 se obtuvo 209,095 hectáreas, lo cual indica que en el lapso de los 7 años estudiados esta clase perdió 33,887.59 hectáreas, un 10.5% de pérdida en esta cobertura.

Para la categoría Área No Forestal se obtuvo un total de 77,949.77 hec-táreas para el año 2004, las cuales aumentaron para el año 2011 a un valor de 111,878 hectáreas, lo cual indica una ganancia de 33,928.2 hectáreas, un valor muy similar al de lo que perdió la categoría de área forestal.

Para la clase de Cuerpos de Agua se estimó una cobertura de 66.02 hectáreas para el año 2004, la cual cambio a 23.14 hectáreas para el 2011,


es decir que tuvo una pérdida considerable este tipo de cobertura, lo cual se relaciona con la constante sequía que ha padecido el estado de Chihuahua en los últimos años, originando un disminución en el almacenamiento de agua en los embalses.

Tabla 8. Coberturas para los dos años, total de hectáreas, porcentaje proporcional y porcentaje de cambio.

Tipo de Cobertura 2004 (hectáreas) %2011

(hectáreas)% Cambio (hectáreas) %

Área Forestal 242,982.61 75.69 209,095 65.13 -33,887.59 10.55

Área No Forestal 77,949.77 24.28 111,878 34.85 33,928.2 -10.56

Cuerpos de Agua 66.02 0.02 23.14 0.007 -42.88 0.01

Total 320,998.4 100 320,998.4 100


Para hacer más claros estos cambios detectados se realizó una gráfica comparativa de las distintas coberturas en hectáreas. (Figura 4), en ella se pue-de observar todos los cambios sufridos en el lapso de los 7 años trascurridos en el estudio.

400 000.00300 000.00200 000.00100 000.00

0.00-100 000.00

Área forestal

2004 (Has) 2011 (Has) Cambio (Has)

Área no forestal Área no forestal Total

Figura 4. Gráfica comparativas de las distintas coberturas en hectáreas para los dos años de estudio.


Figura 5. Propiedad privada 2004Fuente: elaboración propia.

Por otra parte, se hizo un análisis de las distintas coberturas y uso de suelo por medio de la información de tenencia de la tierra (Propiedad privada y Propiedad Ejidal) (Reardom y Vosti, 1995; López, 1997a) Las Figuras (5 y 6) corresponden a la cobertura privada del año 2004 y 2011. Las Figuras (7 y 8) corresponden a la cobertura ejidal del año 2004 y 2011, en las cuales se pue-de observar claramente los cambios que sucedieron en el lapso de los 7 años, para el año 2004 existían 242,982.61 hectáreas de áreas forestales las cuales perdieron 33,887.6 hectáreas para el año 2011.


Figura 6. Propiedad privada 2011. Fuente: elaboración propia.


Figura 7. Propiedad ejidal 2004.


Figura 8. Propiedad ejidal 2011.Fuente: elaboración propia.

Una vez que se obtuvieron las distintas coberturas y uso de suelo por te-nencia de tierra, se procedió a procesar toda la información para cada cubierta, con el software Idrisi Taiga. Los resultados de este análisis se observan en la Tabla 9. Estos resultados permitieron determinar los cambios en las cobertu-ras y uso de suelo que se localizan en los ejidos de los años 2004 y 2011, para la categoría área forestal, se redujo considerablemente, ya que de las 111,027.60 hectáreas que existían en esta cobertura, pasaron a formar parte 2194.83 hec-táreas a la cubierta de área no forestal. Por otra parte la cobertura área no forestal en el año 2004 contaba con 29,890.44 hectáreas, en las cuales existió muy poca transferencia a las demás categorías, hablando de la cobertura de cuerpos de agua la cual contaba con 22.23 hectáreas, para esta categoría se perdieron 0.54 hectáreas, que pasaron al área no forestal en pocas palabras los cambios fueron muy pocos para esta categoría.


Tabla 9. Tabulación Cruzada Ejidos 2004 vs Ejidos 2011 en hectáreas.

Categorías Área forestal Área no forestal Cuerpos de agua TotalÁrea forestal 111,027.60 2194.83 0.54 113,222.97Área no forestal 18,143.01 29,890.44 43.11 48,076.56Cuerpos de agua 0 0.54 22.23 22.77Total 129,170.61 32,085.81 65.88 161,322.30

Fuente: Elaboración propia.

Al comparar las coberturas de propiedades privadas en los dos años, para la clase áreas forestales se encontró una cobertura de 91,888.29 hectáreas, de los cuales se obtuvo una pérdida de 3,459.69 hectáreas que pasaron a formar parte de la clase área no forestal. Para la clase área no forestal, se contaba con 43,243.74 hectáreas, de las cuales existió una transición de 21,100.59 hectáreas hacia la clase área forestal, lo cual fue muy favorable para esta clase. (Tabla 10).

Tabla 10. Tabulación Cruzada Propiedad Privada 2004 vs Propiedad Privada 2011 en hectáreas.

Categorías Área forestal Área no forestal Cuerpos de agua TotalÁrea forestal 91,888.29 3,459.69 0 95,347.98Área no forestal 21,100.59 43,243.74 0.18 64,344.51Cuerpos de agua 0 0.72 0 0.72Total 112,988.88 46,704.15 0.18 159,693.21

Fuente: elaboración propia.Una vez terminada la revisión de los datos generados se procedió a rea-

lizar las categorías comparativas para cada tipo de cobertura en los dos años. (Figuras 9 y 10), en las cuales se pueden o servar los cambios para los distintos tipos de tenencia de tierra en el periodo de tiempo acordado (7 años).


Figura 9. Tabulación Cruzada Ejidos 2004 vs Ejidos 2011.Fuente: elaboración propia.


Figura 10. Tabulación Cruzada Propiedad Privada 2004 vs Propiedad Privada 2011.


Tasas de cambio

Los resultados para la cobertura área forestal, de la clasificación global, arro-jaron valores, considerados como deforestación media 1.99 (%/año). (Tabla 11).


Tabla 11. Tasa de deforestación anual para la área de estudio

Categoría Años Área (ha) Tasa deforestación anual

Área Forestal2004 242,982.6 1.992011 209,095


Sin embargo al realizar la separación por tenencias y usos de suelo se pudo determinar tasas de deforestación muy marcadas para cada tenencia, en las cuales se puede observar una ligera tendencia de aumento para las zonas que componen las propiedades privadas, arrojando como resultado 2.23 (%/año), siendo este valor considerado como alto según los calificativos anterio-res. (Tabla 13).

En el área compuesta por ejidos se obtuvo una tasa con un valor de 1.77 (%/año), siendo este mucho menor a los valores que arrojaron en la tenencia anterior. (Tabla 12).

Por lo tanto se puede inferir que en las áreas privadas se encuentra una tasa de deforestación más elevada que en las áreas ejidales.

Tabla 12. Tasa de deforestación anual para la zona Ejidal

Categoría Años Área (hectáreas) Tasa deforestación anual

Área Forestal2004 129,664.9 1.772011 113,519.5


Tabla 13. Tasa de deforestación anual para la zona Propiedad Privada.Categoría Años Área (hectáreas) Tasa deforestación anual

Área Forestal2004 113,276.9

2.232011 95,536.6



CONCLUSIONES

El análisis permitió determinar el alto dinamismo que ha ocurrido en los últimos siete años en la zona del bosque templado del noroeste del municipio de Madera Chihuahua, facilitando el entendimiento de los procesos inmersos en el cambio de cobertura forestal, obteniendo datos espaciales y cuantitativos de los principales cambios, logrando así la construcción de cartografías fiables para la comparación de estos resultados.

Los mapas que se generaron mostraron que la zona de estudio, la cual está compuesta por una cobertura forestal de 242,982.61 hectáreas para el año 2004 y 209,095 hectáreas para el año 2011 en la cual se encontró una tasa de deforestación anual de 1.99 (%/año), considerada con una clasificación media. Se encontró que para las zonas compuestas por la tenencia de propiedad pri-vada existe un mayor grado de deforestación, con una tasa de cambio de 2.23 (%/año), siendo este valor considerado como alto. En el área compuesta por ejidos se obtuvo una tasa con un valor de 1.77 (%/año), siendo este mucho menor a los valores que arrojaron en la tenencia anterior.

Mediante los resultados obtenidos se pudo determinar que la compara-ción de los años 2004 y 2011, arrojo los suficientes resultados para determinar el grado de deforestación en la zona de estudio, logrado con ello la elaboración de las cartografías del área, e identificando las zonas con mayor dinamismo en las coberturas existentes, lo cual ayuda a entender el grave problema que conforma la deforestación del bosque templado.

REFERENCIAS

Bedón F.P.; Pinto S.A. Evaluación de técnicas de detección de cambios del uso de la tierra a través del análisis multitemporal de imágenes satelita-les en el Cantón Daule. Escuela Politécnica del ejército

Bocco, G.; Mendoza, M.; Masera, R.O. (2001). La dinámica del cambio del uso del suelo en Michoacán. Una propuesta metodológica para el estu-dio de los procesos de deforestación. Investigaciones Geográficas, Bole-tín del Instituto de Geografía, UNAM, n.44, p.18-38.

Boceo G.; Mendoza M.; Masera O.R. (2001). La dinámica del cambio del uso del suelo en Michoacán. Una propuesta metodológica para el estudio de los procesos de deforestación. Investigaciones Geográficas. Boletín del Instituto de Geografía. UNAM Núm. 44, 2001, pp 18-38.


Cerda, J. y Villarroel, L. (2008). Evaluación de la concordancia inter-observa-dor en investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatría, v.79, n.1, p.54-58.

Chapa D.; Sosa J.; De Alba A. (2008). Estudio multitemporal de fragmenta-ción de los bosques en la Sierra Fría, Aguascalientes, México. Madera y Bosques, primavera año/vol. 14, numero 001 Instituto de Ecología A.C. Xalapa México. pp. 31-51.

Chuvieco E. (2008). Teledetección ambiental “La observación de la Tierra desde el espacio”, Tercera Edición, Editorial Ariel S. A, Barcelona - Es-paña 2008.

Cohen, W.B.; y Goward, S.N. (2004). Landsat’s role in ecological applications of remote sensing. Bioscience, V.54, N.6, P.535-545.

Dou, W.; Ren, Y.; Wu, Q.; Ruan, S.; Chen, Y.; Bloyet, D.; Constans, J. (2007). Fuzzy kappa for the agreement measure of fuzzy classifications. Neuro-computing, v.70, n.4-6, p.726-734.

Dupuy, R.J.M.; González, I.J.A.; Iriarte V.S.; Calvo, I.LM.; Espadas, M.C.; Tun, D.F.; Dorantes, E.A. (2007). Cambios de cobertura y uso del suelo (1979-2000) en dos comunidades rurales en el noroeste de Quintana Roo. Investigaciones Geográficas, n.62, p.104-124.

Durán E.; Mas, J.F.; Velázquez A. (2007). Capítulo 10. Cambios en las co-berturas de vegetación y usos del suelo en regiones con manejo forestal comunitario y áreas naturales protegidas de México1. pp. 267-299.

FAO. (2010). Evaluación de los recursos forestales mundiales 2010. Recuperado de http://www.fao.org/docrep/013/i1757s/i1757s.pdf

Godoy, C.S.; Martínez, T.J.F.; Díaz de León, S.J.L. (2006). A unified metho-dology to evaluate supervised and non-supervised classification algori-thms. Computación y Sistemas, v.9, n.4, p.370-379.

Lambin, E. F. (1997), Modelling deforestation processes: a review tropical ecosystem enviroonment observations by satellites, European Com-mission Joint Research Centre– Institute for Remote Sensing Appli-cations–European Space Agency, Luxembourg, TREE Series B., Re-search Report No. 1.

Li, J., B.E. Carlson, and A.A. Lacis, 2009: A study on the temporal and spatial variability of absorbing aerosols using total ozone mapping spectrome-ter and ozone monitoring instrument aerosol index data. J. Geophys. Res., 114, D09213, doi:10.1029/2008JD011278.


Liang, J. S., Santiago, M. P. and Potter, L. T. (2001) Sustained unilateral bloc-kade of rat striatal M1 muscarinic receptors with m1-toxin, in vivo. Bra-in Res., 921: 211-218.

Lillesand T, R Kiefer, J Chipman. 2004. Remote Sensing and image interpre-tation. New York, USA. John Wiley & Sons, Fifth edition. 763 p.

Mas J. F., Ramirez I. (1996) Comparison of land use classifications obtained by visual interpretation and digital processing. ITC Journal 3-4:278-283.

Mas, J.F.; Velázquez A.; Couturier S. (2009). La evaluación de los cambios de cobertura/uso del suelo en la República Mexicana. Investigación am-biental 2009 1 (1): 23-39.

Mas, JF.; A. Velázquez.; J.R. Díaz-Gallegos.; R. Mayorga-Saucedo.; C. Al-cántara.; G. Bocco, R. Castro.; T. Fernández y A. Pérez-Vega (2004). Assessing land use/cover changes: a nationwide multidate spatial data-base for México, International Journal of Applied Earth Observation and Geoinformation, 5(4):249-261.

Núñez J.M.; Couturier S. Propuesta metodológica para normar la evaluación de la tasa de deforestación y degradación forestal en México. Consejo Civil Mexicano Para La Silvicultura Sostenible A.C.

PAUCHARD, A., M. AGUAYO & P. ALABACK. 2006. Cuantificando la fragmentación del paisaje: las métricas y sus significados ecológicos. En: A. Grez, J. Simonetti & R.O. Bustamante (eds.), Biodiversidad en am-bientes fragmentados de Chile: patrones y procesos a diferentes escalas, pp. 41-67. Editorial Universitaria, Santiago, Chile.

Pineda N.B.; Bosque J.; Gómez M.; Plata W. (2008). Análisis de cambio del uso del suelo en el Estado de México mediante sistemas de información geográfica y técnicas de regresión multivariantes. Una aproximación a los procesos de deforestación. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM ISSN 0188-4611, Núm. 69, 2009, pp. 33-52.

Pompa, M. (2008). Análisis de la deforestación en ecosistemas montañosos del noroeste de México. Facultad de Ciencias Forestales Universidad Juárez del Estado de Durango (UJED).

Rodríguez J. (2003). Tesis de Maestría Internacional SIG “Comparación de Métodos para la detección del cambio de la Tierra, con imágenes de satélite en el Área Conservación Cordillera Volcánica Central de Costa Rica”, Girona – España, 2003.

United States Geological Survey (USGS).fecha de consulta. Octubre 13 2012. (http://glovis.usgs.gov).

337

C A P Í T U L O V I

Geoinformática aplicada al estudio de la distribución

potencial de especies

Responsable: María Elena Torres Olave

Introducción

La distribución de los seres vivos es consecuencia de la combi-nación de múltiples factores tanto ambientales como históricos, entendidos estos últimos como los relacionados con eventos geológicos. Para cualquiera de nosotros resulta claro que algu-nas especies solo se encuentran en determinados ambientes a los cuales se han adaptado a lo largo de miles de años. Así por ejemplo, existen especies que solo se presentan en climas tem-

plados, mientras que otras solo se encuentran en lugares cálidos y húmedos.


Cuando se habla de distribución deben distinguirse dos categorías dife-rentes: la real (también llamada ocurrencia) y la potencial (Phillips et al.2006). La distribución real se refiere a los sitios en los que se han observado o co-lectado individuos y la potencial hace alusión a las áreas que tienen condicio-nes ambientales muy similares a los sitios donde se encuentran las especies y que tienen muy altas probabilidades de estar ocupadas por estas mismas. El concepto de distribución potencial resulta ser sumamente útil debido a que permite salvar en problema de que, en países tan grandes y complejos como México, resulta prácticamente imposible disponer de información para todo el territorio.

Los modelos de distribución de especies mediante nicho ecológico (MNE) se basan en encontrar aquellos lugares del espacio geográfico, que reúnen las condiciones ambientales capaces de soportar una población de una especie determinada. Para ello el algoritmo del MNE establece una relación entre las condiciones ambientales que existen en los lugares de presencia actual de una especie y encuentra otros lugares donde se cumpla la relación estableci-da y de esta forma se puede obtener una proyección sobre un mapa de las áreas donde la especie podría sobrevivir con diferentes grados de idoneidad. Estas proyecciones también pueden realizarse sobre escenarios futuros de cambio climático, o bien al pasado, de forma que puede observarse el “movimiento” del nicho de una especie a lo largo de un espacio geográfico y a través del tiempo.

Los modelos de nichos ecológicos son importantes para una variedad de aplicaciones en ecología y conservación (Elith, et al. 2006). Por ejemplo, intentan proveer de cartografía detallada de distribución relacionada con la dispersión de especies invasoras (Torres-Olave, 2012 et al; Hernández et al.2008), impactos en el cambio climático (Phillips et al.2008), patrones es-paciales de diversidad de especies y predicción de vectores de enfermedades (González et al., 2010).

De esta forma, los modelos de nichos ecológicos han sido objeto de impresionante aumento de atención en los últimos años (Phillips et al.2006), situándose esta técnica entre los nuevos enfoques emergentes relacionados con la ecología, la epidemiología, la biogeografía y la biología de conservación.

En este capítulo se presentan los siguientes trabajos:Banda Granados Jesús Alfredo, Torres Olave María Elena, Alatorre Ce-

judo Luis Carlos y Wiebe Quintana Lara Cecilia (2013). Distribución poten-cial de la guacamaya verde (Ara militaris) en el estado de Chihuahua México: mediante el método de máxima entropía. .

Capítulo VI Geoinformática aplicada al estudio de la distribución potencial de especies 339

Fierro Macias Carlos Daniel, Torres Olave María Elena, Alatorre Ce-judo Luis Carlos y Rojas Villalobos Hugo Luis (2013). Modelado del nicho ecológico para la predicción del área de distribución actual y potencial del venado cola blanca (Odocoileus virginianus) en el estado de Chihuahua. .

Uc Campos Mario Iván, Torres Olave María Elena, López Gonzáles Elifalet y Wiebe Quintana Lara Cecilia (2013). Modelación del Potencial Actual y futura del Quercus emoryi y Quercus grisea: Mediante Variables Bio-climáticas y Bajo el Escenario CGCMA2 en el Estado de Chihuahua México.

Literatura citada:

Elith, J., C. Graham, R. Anderson , M. Dudík, S. Ferrier, A. Guisan, R. Hij-mans, F. Huettmann, Leathwick, J. Lehmann (2006). “Novel methods improve prediction of species’ distributions from occurrence data”. Eco-graphy, 29; 129-151.

González, C., O. Wang, S.E. Strutz, C. González-Salazar, V. Sánchez- Cor-dero, S. Sarkar, (2010). “Climate change and risk of leishmaniasis in North America: predictions from ecological niche models of vector and reservoir species”. PLoS neglectedtropical diseases, no. 4(1), pp. 585

Hernández, P., I. Franke, Herzog, S.Pacheco, V.Paniagua, L.,Quintana, H., Soto, A., Swenson, J., Tovar, C., Valqui, (2008). “Predicting species dis-tributions in poorly-studied landscapes”. Biodiversity and Conservation no, 17, pp. 1353-1366.

Phillips, S. M. Dudík, (2008). “Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation”. Ecography, No. 31, pp 161-175.

Phillips, S.J., R.P. Anderson, R.E. Schapire, (2006). “Maximum entropy mo-deling of species geographic distributions”. Ecological Modelling, No. 190, pp 231-259.

Torres-Olave M. E., J.J. Sánchez -Ramos, A. Melgoza-Castillo, C.Pinedo -Álvarez. (2012) “Caracterización geo-ambiental de áreas invadidas por zacate rosado (Melinis repens) en Chihuahua, México.”1er. Congreso Nacional de Tecnología y Ciencias Ambientales, 5to. Congreso Regional de Ciencias Ambientales.(cd-rom).

341

Distribución potencial de la guacamaya verde

(Ara militaris) en el estado de Chihuahua México mediante el método de máxima entropía

Jesús Alfredo Banda Granados, María Elena Torres Olave, Luis Carlos Alatorre Cejudo y Lara Cecilia Wiebe Quintana

INTRODUCCIÓN

La guacamaya verde (Ara militaris) es una especie considerada en peligro de extinción en México, cuya población mundial es menor a los 10,000 individuos y que además presenta una ten-dencia claramente decreciente de su población (BirdLife Inter-nacional 2012).

En México se le conoce a Ara militaris en un número limi-tado de localidades en donde presenta poblaciones importantes.

Su distribución histórica se da en el Pacífico, desde el sur de Sonora a lo largo de la sierra Madre Occidental y sierra Madre del Sur, incluyendo algunas regiones costeras en tierras bajas, hasta los estados de Oaxaca y Chiapas; En el país habita principalmente en bosques tropicales deciduos, sub deciduos y sub perennifolios, desde el nivel del mar hasta los 1,500 m y en áreas templadas de pino–encino hasta los 2,200 m (Íñigo-Elías, 2000).


Ara militaris es la especie que presenta la distribución más norteña en el continente americano. Esta especie aparece catalogada como vulnerable y en peligro de extinción en la lista internacional y en la nacional de especies amenazadas, respectivamente (Conabio, 2011; UNEP-WCMC, 2012).

No existen estudios sobre su distribución en el estado de Chihuahua. Ante la carencia de información actual de campo para la guacamaya verde (Ara militaris), y frente a la vulnerabilidad de la especie, su conservación re-quiere de información actual y precisa sobre su distribución. Por lo que se pre-tende actualizar esta información para el estado de Chihuahua enfocándose en los municipios de Batopilas y Urique, por el difícil acceso y las condiciones de aislamiento de estas regiones las hace potencialmente de gran capacidad ecológica para la distribución de la especie.

Recientemente se han desarrollado un conjunto de metodologías en las que se estima la distribución potencial de las especies mediante el uso de mo-delos ecológicos de nicho. En estos modelos se evalúan cambios hipotéticos en la distribución de las especies asociados a cambios en sus hábitats dentro de áreas aptas para su presencia (Peterson et al., 2005; Íñigo-Elías, 1999).

En México, el potencial de esta metodología se ilustró con un estudio reciente a escalas geográficas muy amplias con aves de las familia Psittacidae, en la que se analizan los cambios de la cobertura vegetal en diferentes perio-dos y su coincidencia con la distribución hipotética de las especies generada con modelos ecológicos de nicho (Peterson, et al., 2005; Herbert, 2006).

La modelación de nichos de especies basadas en sistemas de informa-ción geográfica, son una herramienta muy útil para la predicción de distri-buciones potenciales de especies, que ayudan en la toma de decisiones para su conservación (Mackey et al., 2001). Actualmente existen algunos modelos que tienden a predecir significativamente su distribución, de los cuales se pue-de mencionar algunos: GARP (Stockwell y Noble 1992), los modelos, como BIOCLIM (Busby, 1991), Biomapper y MAXENT (Philips, et al. 2006)

Estos modelos de distribución de especies manejan diferentes algorit-mos, tipos de datos primarios (presencia y ausencia de la especie) y tipos de datos secundarios (variables ambientales).

Este estudio plantea hipótesis de cambios en la distribución asociados a cambios en la cobertura del hábitat de las especies.


JUSTIFICACIÓN

Al momento actual no existen estudios publicados de la distribución de esta especie en el estado de Chihuahua la situación anteriormente mencionada y la alta vulnerabilidad de la guacamaya verde (Ara militaris), y dado que en su conservación se requiere de información actual y precisa sobre su distribución, se utilizan metodologías en las que se estima la distribución actual y potencial de las especies mediante el uso de modelos de distribución.

El estado de conocimiento de la especie Ara militaris cuenta con escasos estudios de distribución de nicho ecológico por lo que es esencial investiga-ciones que contribuyan a ampliar su conocimiento.

OBJETIVOS

Generar la distribución con base a nicho actual y potencial de Ara militaris. Así, como caracterizar su nicho para el estado de Chihuahua México. Me-diante métodos de máxima entropía MAXENT.

MARCO TEÓRICO

Ara militaris (Guacamaya verde) ClasificaciónFamilia: PsittacidaeGénero: AraEspecie: Ara Militaris

Estado de conservaciónLa Norma Oficial Mexicana NOM-059- SEMARNAT-2010, Protección am-biental- Especies nativas de México de flora y fauna silvestres-Categorías de riesgo y especificaciones para su inclusión, exclusión o cambio-Lista de especies en riesgo, la clasifica dentro de la categoría (P), que hace referen-cia a aquellas cuyas áreas de distribución o tamaño de sus poblaciones en el Territorio Nacional han disminuido drásticamente, poniendo en riesgo su viabilidad biológica en todo el todo su hábitat natural, debido a factores tales como la destrucción o modificación drástica del hábitat, aprovechamiento no sustentable, enfermedades o depredación, entre otros. Además de haber sido declarada en riesgo por la Convención Internacional de Especies Salvajes de Flora y Fauna en Peligro de Extinción (CITES por sus siglas en inglés), que


prohíbe su comercialización como una forma de protegerla de la destrucción de su hábitat, ya que el tráfico ilegal de esta ave ha sido la principal causa de su desaparición.

La Guacamaya verde ocupa el sexto lugar en tamaño entre las 17 es-pecies de guacamayas que hay en América. Se distingue por tener desnuda la piel de alrededor del rostro donde tiene de 5 a 6 líneas de plumas peque-ñas de color rojo carmesí formando estrías. Su pico es grande, fuerte y curvo terminando en punta y con lengua carnosa. (Liras, 2008; Longoria-Quiroz, 2008). La cola es muy larga y puntiaguda. Es de percha erguida, piernas cor-tas pero fuertes y sus pies tienen dos dedos hacia el frente y dos hacia atrás (zigodáctilos). Hembras y machos son del mimo color. La frente y plumas de las mejillas son rojo escarlata. (BirdLife, 2012) Su cuerpo es principalmente de tonos de verde con azul. La coronilla, nuca y espalda son verde limón. El cuello, garganta, pecho, vientre, muslos y costados son verde olivo. Las plumas coberturas y secundarias de las alas son color verde olivo oscuro y las primarias y secundarias azul turquesa. Su rabadilla y la cola también son azul turquesa con las coberturas superiores rojas. (Conabio, 2011).

Por abajo y al vuelo, las plumas de la cola se ven amarillas y las alas se ven verde olivo mate y las plumas primarias y secundarias amarillas. Su gran pico es color negro mate. Su piel de la zona desnuda en la cara es de blanca a rosada, el iris en el adulto es amarillo a café claro lechoso y las patas son gris oscuro. Mide entre 67.5 y 75 cm de longitud total (se han registrado de hasta 80 cm), el largo de sus alas mide entre 37.5 a 36.9 cm y pesa aproximada-mente 900 gr. (Conabio, 2008).

En México se encuentra en selvas bajas caducifolias, bosques áridos a semiáridos, así como en bosques de pino-encino. Ocurre desde el nivel del mar hasta los 3,100 msnm. Anidan colonialmente en cavidades tanto en árboles grandes vivos o muertos así como en paredes verticales cársticas (Iñigo-Elías, 1999; Arizmendi, 2008).

Esta especie se alimenta principalmente de plantas incluyendo en su dieta frutos, semillas, hojas, brotes y tallos. Se le puede considerar como una especie con una dieta muy especializada ya que se conoce que consume solo entre el 10 y 23 % de los recursos vegetales que se encuentran disponibles en las regiones donde tiene presencia (Monterrubio-Rico,2011).

El principal factor de riesgo en contra de la guacamaya verde en Mé-xico es la intensa destrucción de los hábitats donde vive por actividades prin-cipalmente agrícolas y ganaderas, así como la deforestación y desaparición de las poblaciones de especies de grandes árboles. La destrucción de hábitat es


seguida de la amenaza del tráfico ilegal, siendo una de las especies más coti-zadas, ya que en 2010, se encontró en el quinto lugar en aseguramientos por la Procuraduría Federal de Protección al Ambiente (PROFEPA) entre las 22 especies de psitácidos.

Ciertas características en la biología reproductiva de la guacamaya verde, y en general de todos los psitácidos, aumentan la vulnerabilidad de sus poblaciones como son: las bajas tasas reproductivas debidas a los pocos huevos que producen y a la baja supervivencia de los polluelos; la edad tardía de la primera reproducción y baja disponibilidad de sitios para anidar. También sus hábitos sociales la hacen fácil presa de los traficantes. (CONANP. 2010).

HIPÓTESIS

“Con el uso de Sistemas de Información Geográfica y la aplicación de méto-dos de máxima entropía es posible determinar la distribución actual y poten-cial de la Ara militaris y la caracterización de su hábitat”

MATERIALES

Descripción de la región de Estudio Chihuahua se localiza en la parte cen-tral del norte del país. Colinda al norte con los estados de Nuevo México y Texas de los Estados Unidos de A mérica; al este con los estados de Coahui-la de Zaragoza y Durango; al sur con Durango y Sinaloa; al oeste con Sinaloa, Sonora y los Estados Unidos de América. Está situado al norte de los 25°30”€™ a los 31° 47”€™ latitud norte, y al oeste de los 103° 18”€™ a los 109° 07”€™ longitud oeste. Chihuahua es el que mayor línea fronteriza tiene con el país vecino, ya que cuenta con 760 kilómetros de un total de 3,125. El estado de Chihuahua es el más extenso del país; abarca una superficie de 247,087 kilómetros cuadrados que representa el 12.5% del total nacional. El territorio de Chihuahua pertenece a dos grandes provincias fisiográficas que dividen al estado en dos mitades: La provincia de Cuencas y Sierras al este y la Sierra madre Occidental al oeste (Almanzán et al. 2006).

Provincia de la sierra madre occidentalLa Sierra Madre Occidental tiene una longitud de 1,250 kilómetros y una anchura media de 150 kilómetros la provincia ha sido definida una gran alti-planicie de rocas volcánicas, con angostas depresiones estructurales entre se-


rranías de clima suave, mesas y mesetas; segmentada por gargantas de corrien-tes transversales antecedentes, o corrientes re montantes, que fluyen a través de barrancas profundas hacia las tierras bajas de la Costa del Pacífico; Dentro del estado, la Sierra Madre Occidental se divide en tres Sub provincia; La Mesa, Las Barrancas y Las Altas Llanuras (INEGI,2012).

Sub provincia de la mesaLa región conforma una gran mesa que promedia 2,400 m de altitud, con relieve ondulado suave. Por encima de la Mesa, emergen cordones monta-ñosos irregulares, de relieve moderado, separados por valles amplios de fondo plano y en parte cenagoso; el modelado de la cabecera del drenaje es dendrí-tico, y los cauces meándricos se extienden a lo largo de valles amplios. (CO-NANP. 2010).

HidrografíaLos recursos hidrológicos de Chihuahua se alimentan de una precipitación pluvial media de 470 mm anuales. Las corrientes que drenan al interior, suma-das a los depósitos lagunas y presas, y aguas subterráneas integran el potencial hidrológico del estado. (CONANP. 2010).

Aguas superficialesEl parte aguas continental discurre a lo largo de las cimas de la Sierra Tara-humara y divide la superficie de la entidad en tres vertientes: Vertiente del Golfo de California, Vertiente del Golfo de México y Vertiente Interna.

Las corrientes de la Vertiente del Golfo de California en que predo-minan los tributarios de los ríos Yaqui, Mayo, Fuerte y Sinaloa, alimentan las cuencas que dan su riqueza agrícola a Sonora y Sinaloa; sin embargo, su velo-cidad y encajonamiento impide el aprovechamiento local (como excepción a la regla, se aprovechan para riego las aguas del río Papigochi, nacimiento del río Yaqui); A la vertiente del Golfo de México pertenecen los ríos y arroyos de curso extenso y poco Volumen. Todos son tributarios del río Bravo; el más importante es el Río Conchos, que nace en las estribaciones de la Sierra Tarahumara. (CONANP. 2010).

FisiografíaEl estado de Chihuahua, se encuentra dividido en dos Provincias Fisiográfi-cas: a) Sierra Madre Occidental y b) Sierras y Llanuras del Norte; la primera


presenta cinco sub provincias, Sierras y Cañadas del Norte en el extremo oc-cidental de la entidad, Sierras y Llanuras Tarahumaras en la parte media, Gran Meseta y Cañones Chihuahuenses hacia el suroeste, Sierras y Llanuras de Durango, se extiende del centro hacia el sur y Gran Meseta y Cañones Duranguenses ubicada en el extremo suroeste. De la segunda provincia, son cuatro sub provincias que cubren la parte norte y oriente de esta entidad; Lla-nuras y Médanos del Norte hacia el norte, Sierras Plegadas del Norte recorre la fracción noreste del territorio estatal, Del Bolsón de Mapimí, franja que se ubica del centro hacia el sur y Llanuras y Sierras Volcánicas en la porción sureste del estado. (Carta fisiográfica. INEGI 2012)

Principales ecosistemasComo se mencionó en los capítulos de orografía y clima al hablar de los prin-cipales ecosistemas del estado de Chihuahua se pueden clasificarlos en tres zo-nas: La desértica, la de las llanuras y la de la sierra o montañosa. (INEGI, 2012).

En la desértica se encuentran muy pocos vegetales y los animales, alta-mente adaptados al medio, tienen colores y figuras diferentes a sus similares de otras partes del estado. (INEGI, 2012).

La flora es diversa según se trate de la región de la sierra, de la llanura o del desierto. Una de las regiones más espectaculares de todo México es sin duda la Sierra Madre Occidental, especialmente su porción chihuahuense conocida como sierra Tarahumara (Bird Life international, 2008).

En la sierra crecen aile, abeto, chamal, ciprés y diferentes encinos; es aquí donde se encuentran los principales parques nacionales del estado, el de Basaseachic su imponente caída de agua de más de 300 metros de altura presenta la base del ecosistema más singular del estado aquí se cría el venado cola blanca, el jabalí, el león americano, la guacamaya una de las diez especies de aves registradas en la sierra tarahumara que se encuentran en peligro de extinción. (CONANP. 2010).

ClimaEn el 40% de su territorio existe clima Muy seco, localizado en las sierras y Llanuras del Norte; 33% de clima Seco y semi seco en las partes bajas de la Sierra Madre Occidental y en el 24% Templado subhúmedo, localizado en las partes altas de la misma. Sólo una pequeña proporción del territorio (3%) presenta clima Cálido subhúmedo. La temperatura media anual en el estado es de17°C. La temperatura más alta es mayor de 30°C, y se presenta en los


meses de mayo a agosto y la más baja, alrededor de 0°C, en el mes de enero. (INEGI, 2012)

Descripción de la población de estudioSe seleccionó la especie que en este caso es Ara militaris por las siguientes características:

Que presenten sitios de presencia en el estado de Chihuahua. Que se encuentren registradas en alguna categoría de la NOM-059-SEMARNAT- 2010. Fuentes bibliográficas de donde fueron obtenidos los registros de presen-cias. Global biodiveristy information facility 2012. Conjunto de datos: MVZ catálogo de aves y la ONG Coalición Cestac -Ecos A.C (Marzo del 2012)

METODOLOGÍA

Para modelación de nicho ecológico actual del Ara militaris se analizó con base a un sistema de información geográfica (Arcgis 9.3) y se modelo el nicho ecológico actual y potencial mediante el uso del método de máxima entropía (Maxent) para la modelización de la distribución geográfica de las especies (Figura1).

Maxent es un método que interpola entre puntos de ocurrencia, ajus-tando los datos a partir de una distribución uniforme, que va modificando hasta una distribución de Máxima Entropía. Elmodelo se basa en ajustar los parámetros de la distribución final y tiene un número de aspectos que hacen que sea muy adecuada para el modelado de la distribución de especies, el cual necesita un conjunto de localidades o puntos donde se sabe que la especie está presente y coberturas geográficas (parámetros ambientales que pueden, potencialmente, limitar la capacidad de supervivencia de la especie).

Estos parámetros ambientales imponen restricciones sobre la distribu-ción desconocida de la especie, es decir que el enfoque de máxima entropía se aproxima a la distribución desconocida usando los puntos de ocurrencia conocidos para maximizar la entropía, sujetas a las limitaciones impuestas por los puntos conocidos. Además Maxent no está fuertemente influenciado por el número de parámetros ambientales utilizados para construir el modelo porque ignora los que no tienen suficiente información y utiliza técnicas de regularización para evitar el exceso de parametrización (Phillips et al. 2006).

MAXENT (entropía máxima) estima la probabilidad de distribución esperada, encontrando la probabilidad de distribución que es más uniforme (entropía máxima), dadas las restricciones de que el valor esperado de cada


variable predicativa ambiental ajuste con su promedio empírico (valores para los datos de registros positivos) (Pearson, 2007).

La entropía es el grado de evolución (orden) existente en un sistema. El principio de la entropía máxima afirma que, para todo sistema cerrado, la entropía siempre tiende a aumentar, es decir que todo sistema cerrado siempre tiende al desorden o a la incertidumbre estadística (Phillips et al. 2006).

Al aplicar MAXENT para modelar la distribución de presencia de es-pecies, los píxeles de la zona de estudio son el espacio en el que la distribu-ción de probabilidades de MAXENT está definida. Los píxeles con presencia de la especie registrada, constituyen los puntos de muestra y las características son las variables climáticas (Phillips et al. 2006; Peterson et al. 2005). La pre-dicción de la distribución potencial de la especie Ara militaris, en el estado de Chihuahua, se fundamentó metodológicamente en la teoría de modelos de distribución y en los Sistemas de Información Geográfica (SIG).

El sistema metodológico se desarrolla de acuerdo al objetivo específico. La figura siguiente, muestra los pasos para el análisis y el cumplimiento del objetivo general.

VALIDACIÓN

Registros lat-long

Evaluación Determinación de variables importantes

AUCCURVA ROC

Puntos train

Puntos test Mapa de distribución

potencial

Variables bioclimáticas

MDE

MAXENT

MAXENT

Figura 1. Modelo conceptual de la metodología de la predicción de las áreas potenciales de distribución de la especie Ara militaris, en el estado de

Chihuahua. Fuente: Elaboración propia.


Con base a la norma oficial mexicana NOM-059-SEMARNAT-2010, protección ambiental-especies nativas de México de flora y fauna silves-tres-categorías de riesgo y especificaciones para su inclusión, exclusión o cam-bio-lista de especies en riesgo, donde se encuentra registrada la Aras militaris como ave en peligro de extinción.

Se realizó una tabla de Excel con los 55 sitios de presencia de esta ave, con sus respectivos renglones y columnas que indican sus coordenadas en latitud y longitud. Así como el nombre de la especie. A la que se le hizo una depuración de errores o puntos que quedaran localizados fuera del país y que sería innecesaria su utilización. Para la elaboración de los mapas de distri-bución, se utilizó el Sistema de Información Geográfica ArcMap™ 910, y ArcView 3.2 por el tipo de datos que se utilizaron, son los más apropiados. ArcMap se eligió porque cumple con las condiciones que permiten operacio-nes avanzadas de álgebra de mapas y dispone de un lenguaje de desarrollo suficiente para la automatización de tareas. Asimismo, el ArcMap™ 10 de ESRI resulta un elemento valioso para la sistematización de información y ofrece una base de datos dinámica, en la que se puede trabajar interactiva-mente con distintas imágenes y con distintas capas de información vinculadas entre sí. Para la generación de modelos de distribución potencial, basados en el concepto de nicho ecológico se utilizó MAXENT. Ya que este algoritmo detecta las relaciones entre dos conjuntos de datos.

El propósito general fue hacer predicciones o inferencias a partir de in-formación incompleta y estimar la distribución probable de máxima entropía (la distribución más lejana a lo uniforme) para cada especie, esto estuvo suje-to a un grupo de restricciones (puntos de presencia) que se complementaron con información de variables ambientales para producir la mejor distribución (la más restringida) que satisface las restricciones proporcionadas por los pun-tos de presencia (Almazán-Núñez, 2006).

Se aprovecharon las ventajas de MAXENT sobre otros programas simi-lares: sólo requiere datos de presencia de las especies, utiliza datos categóricos y continuos, incorpora interacciones entre variables y permite interpretar cada variable de acuerdo con su importancia para determinar la distribución (Phi-llips et al. 2006).

En el modelado se utilizaran 19 variables bioclimáticas obtenidas de WorldClim que es un conjunto de capas del clima global (redes climáticas) con una resolución espacial de aproximadamente 1 kilómetro cuadrado así como otra variable de altitud. Los datos pueden ser utilizados para el mapeo y


modelado espacial en un SIG o con otros programas de ordenador y puntos de presencia de la especie Ara militaris en la zona de estudio.

Variables climáticas que se utilizaron

Estas variables ambientales se derivan de las temperaturas mensuales y valores de precipitación con el fin de generar las variables más significativas biológicamente, estas se utilizan a menudo en modelos de nicho ecológico; Representan las tendencias anuales (por ejemplo, la temperatura media anual, la precipitación anual) estacionalidad (rango por ejemplo, anual de temperatu-ra y precipitación) y factores ambientales extremos (por ejemplo, la tempera-tura del mes más frío y más caliente). Un cuarto es un período de tres meses (1/4 de año) (Hijmans et al. 2005).

1. Temperatura promedio anual (°C)2. Oscilación diurna de la temperatura (°C)3. Isotermalidad (°C) (cociente entre parámetros 2 y7)4. Estacionalidad de la temperatura (coeficiente de variación, en %)5. Temperatura máxima promedio del periodo más cálido (°C)6. Temperatura mínima promedio del periodo más frío (°C)7. Oscilación anual de la temperatura (°C) (cociente entre parámetros 5

y 6)8. Temperatura promedio del cuatrimestre más lluvioso (°C)9. Temperatura promedio del cuatrimestre más seco (°C)10. Temperatura promedio del cuatrimestre más cálido (°C)11. Temperatura promedio del cuatrimestre más frío (°C)12. Precipitación anual (mm)13. Precipitación del periodo más lluvioso (mm)14. Precipitación del periodo más seco (mm)15. Estacionalidad de la precipitación (coeficiente de variación, en %)16. Precipitación del cuatrimestre más lluvioso (mm)17. Precipitación del cuatrimestre más seco (mm)18. Precipitación del cuatrimestre más cálido(mm) 19. Precipitación del cuatrimestre más frío (mm)

Su distribución actual se analizó mediante sistemas de información geográfica y su distribución potencial se obtuvo mediante el uso del método


de máxima entropía (Maxent) para la modelización de la distribución geográ-fica de las especies.

Se evaluó la coincidencia entre registros de presencia y la distribución de condiciones ecológicas propicias (elevación, pendiente, etc. Además de las 19 variables ambientales) para la especie, generadas mediante modelaje eco-lógico de nicho.

EJECUCIÓN DE MODELOS

Una vez recopilados todos los datos de presencia que al final sumaron 54 se anotó por cada registro la latitud y longitud, y nombre de la especie), las 19 variables bioclimáticas y el modelo digital de elevación. Después estos datos fueron transformados a “shapefile” y cargados en ArcGis 9.3 para visualizar espacialmente los registros y revisar que las coordenadas estuvieran dentro de los límites del estado de Chihuahua.

A continuación se cargaron los puntos de presencia y las variables am-bientales en MaxEnt para efectuar la corrida. Cada una de estas variables ambientales fue modificada y generalizada a una resolución espacial de 1 km cuadrado para después convertirlas al formato “ASCII” (en el formato .asc de ESRI). Además se hizo una carpeta que contuviera los datos de ocurrencia en formato .csv, y otra carpeta para las salidas del modelo. Todos los “Grids” se encontraban bajo los mismos límites geográficos y tamaño de celda opixel.

Se seleccionó del 100% de los datos mediante un muestreo aleatorio para extraer el 75% de los registros con los que entrenar el algoritmo y un 25% con los que evaluar los modelos. El formato de salida seleccionado fue el logístico ya que proporciona un estimado entre cero y uno de probabilidad de presencia [0, 1] (Phillips et al. 2006). Los parámetros fijados para cali-brar el modelo fueron los recomendados por Phillips et al. (2006): número máximo de iteraciones = 500; regularización = 1.0; convergencia umbral = 0.000001; en “random test percentage” se introdujo el 25, número que indica al programa que debe escoger de manera aleatoria y apartar el 25% de los re-gistros de presencia de Ara militaris para usarlos en la prueba. Esto permite al programa efectuar algunos análisis estadísticos simples. Para la realización del modelo se eliminaron los datos duplicados, es decir, en aquellos pixeles donde se encontró más de un punto de presencia, se consideró solo uno de los datos. La mayor parte de los análisis empleados usan un umbral para hacer una predicción binaria, estando las condiciones adecuadas por arriba de dicho umbral y las inadecuadas por debajo.


Se generaron 30 modelos para la especie y se seleccionaron los me-jores que cubren las siguientes condiciones: (1) los 6 modelos en los que los errores de omisión (es decir, predecir ausencia de la especie, cuando en reali-dad está presente) fueran mínimos y, (2) de esos 6 modelos, se seleccionaron 3 modelos que estén más cercanos a la mediana del porcentaje del área predicha con respecto al total del área de estudio (Almazán-Núñez, et al. 2012), lo que quiere decir que los mapas que presenten una AUC mayor a .75 los cuales se sumaron mediante un proceso conocido como “álgebra de mapas” o map cal-culator una herramienta del analyst de ArcView, a través de una función que combina los valores de cada matriz raster, para obtener un mapa de consenso de distribución potencial actual de cada una de las especies analizadas.

La predicción final se proyectó en un mapa digital (grid) y se interpreta como la distribución potencial de la especie. Para realizar la suma de los mapas de distribución potencial se utilizó la herramienta Map Calculator de Analyst de ARCVIEW 3.2

Para obtener el mapa final de la predicción del área potencial de dis-tribución de Ara militaris, se realizó una suma de los mejores modelos que arrojaran los mejores resultados de los modelos de predicción.

EVALUACIÓN Y VALIDACIÓN DEL MODELO

Para la evaluación del modelo se realizó una prueba estadística para saber cómo está funcionando el modelo en relación a la exactitud de la predicción con la realidad. Se determinó la calidad de la predicción del área de distribu-ción de Ara militaris en el estado de Chihuahua, utilizando la herramienta de evaluación del área bajo la curva (ROC).

Lo que hace esta prueba es que en cada vuelta del modelo se excluye una variable y se crea el modelo con las variables remanentes (Phillips et al. 2006); de tal forma que se generan curva de la función ROC (Receiver Operating Characteristic).

Una vez obtenido el mapa de distribución potencial generado por Maxent, la evaluación de los resultados obtenidos fue complementada con los parámetros que son proporcionados por el programa, como el área bajo la curva (AUC, por sus siglas en inglés), la cual es un índice de probabilidad de que los sitios de presencia fueran clasificados al azar como sitios de ausencia.

Los modelos arriba de 0.75 son considerados potencialmente útiles (Elith et al. 2006). En este caso no se tienen registros de ausencia con los cuales medir AUC, por lo tanto, el programa utiliza datos de presencia ele-


gidos al azar del área de estudio que son borradas de la matriz de datos para después ser utilizados como pseudoausencias (Muñoz, 1996).

El resultado, expresado como el área bajo la curva (AUC), indica la probabilidad de que un punto de evaluación seleccionado al azar tenga un valor mayor que un punto cualquiera de la muestra aleatoria (Phillips et al. 2006).

Para calcular la contribución de cada variable al modelo, se corrió la prueba de “Jackknife”; la cual consiste en corregir el estimador inicial con base en el promedio de los m estimadores que se obtienen al aplicar el procedi-miento inicial de estimación a cada una de las submuestras que resultan al eliminar una observación de la muestra inicial (Fielding, 1997) tres conjuntos de modelos; el primero en donde se excluye una variable, el segundo usando cada variable de manera independiente y el tercero usando todas las variables (Elith et al. 2006).

CURVA ROCLa curva ROC (Receiver Operating Characteristic) es una técnica que indica la exactitud global de la prueba. Un diagrama de ROC es obtenido trazando la fracción de casos clasificados correctos en el eje de y contra la fracción de los casos clasificados incorrectos para todas las probabilidades posibles en el eje de x (Fielding y Bell, 1997).

RESULTADOS

Los primeros mapas que se obtuvieron como resultado fueron, los 6 mejores modelos de los 30 realizados para la predicción de la presencia de Ara mi-litaris en la región. Los cuales se seleccionaron conforme a la mayor AUC obtenida por cada modelo.

Los modelos 3, 5, 7, 14, 19 y 27. Obtuvieron un AUC mayor a .989 la cual indica que la calidad de los mapas es buena de acuerdo con Elith et al. (2006), como se mencionó anteriormente cuando los modelos con los valores mayores a 0.75, son útiles para ver las diferencias entre los tipos de caracterís-ticas; donde muestra la probabilidad predicha de condiciones favorables tal y como es dada en el formato de salida logístico.

La figura 2 y 3 muestran el mapa de salida del modelo MaxEnt en for-mato logístico con valores de 0-1, y el mapa consenso obtenido por la herra-mienta algebra de mapas de ArcGis 10, en el que se sumaron los tres mejores modelos con los valores de AUC más altos, respectivamente. (Modelos 19,


14 y 5). En la figura 4 se muestra el mapa de probabilidad de distribución para Ara militaris obtenido también por MaxEnt y reclasificado en ArcGis10.

Los figuras 5, 6 y 7 nos muestran la curva operada por el receptor (ROC, por sus siglas en inglés) tanto para los datos de entrenamiento como para los de prueba, para cada uno de los 3 mejores. También se proporciona el área bajo la curva (AUC) que presenta un resultado de 0.992, .994 y .994.

Figura 2. Mapa de idoneidad de distribución de Ara militaris, obtenido a través del programa MaxEnt. Los tonos más cálidos muestran las áreas con mayor probabilidad de ocurrencia de la especie. Los puntos rosados mues-

tran los registros de la especie (presencias), mientras que los puntos violetas muestran los puntos de entrenamiento (con los que se validó el modelo).


Figura 3. Mapa consenso obtenido por la herramienta algebra de mapas de ArcGis 10.

Figura 4. Mapa de probabilidad de distribución para Ara militaris obtenido a través del programa MaxEnt y reclasificado en ArcGis 10 para una mejor

comprensión de los resultados.


Figura 5. Curva operada por el receptor (ROC) del modelo 19, tanto para los datos de entrenamiento como para los de prueba.

Figura 6. Curva operada por el receptor (ROC) del modelo 14, tanto para los datos de entrenamiento como para los de prueba.


Figura 7. Curva operada por el receptor (ROC) del modelo 5, tanto para los

datos de entrenamiento como para los de prueba.

En estos modelos se presentó una AUC con valores mayores a .99, Las líneas azul y roja serian idénticas si se hubiera usado los mismos datos para el entrenamiento y para la prueba (Phillips et al. 2006). Sin embargo solo se utilizó el 25% de los datos y por lo tanto la curva roja (entrenamiento) mues-tra una mayor AUC que la curva azul (prueba). La curva roja representa el ajuste del modelo a los datos de entrenamiento y es la auténtica prueba de la capacidad que tienen los modelos de predecir. La línea negra muestra lo que se esperaría si el modelo no fuera mejor que al azar. Si la curva azul (la curva de prueba) estuviera por debajo de la línea negra, entonces indicaría que su modelo se desempeña peor de lo que lo haría un modelo aleatorio. Por el con-trario, cuanto más se aproxime la curva azul a la esquina superior izquierda, mejor es el modelo para predecir las presencias contenidas en la muestra de prueba de los datos (Phillips et al. 2006). Por lo que se concluye que el mejor modelo de predicción de presencia fue el 19 ya que presenta la AUC más alta tanto en las muestras de entrenamiento como en las de las pruebas.

Las siguientes Tablas (1, 2 y 3) muestran una estimación de las contri-buciones relativas de las variables ambientales para cada modelo.


Tabla 1. Porcentajes de Contribución de cada variable para la distribución. Slo_mex: pendiente, bio9: Temperatura promedio del cuatrimestre más seco (°C), bio15: Estacionalidad de la precipitación, bio18: Precipitación del cua-

trimestre más cálido (mm) y bio19: Precipitación del cuatrimestre más frío (mm) en la que vemos la que más contribuye es la pendiente.

Variable % de contribuciónSlo_mex 24bio9 15.9bio15 14.8bio18 13.3bio19 8.9

Tabla 2. Porcentajes de Contribución de cada variable para la distribución. bio13: Precipitación del periodo más lluvioso (mm), bio15: Estacionalidad

de la precipitación, bio14: Precipitación del periodo más seco (mm) y bio18: Precipitación del cuatrimestre más cálido (mm), puede verse la que más contribuye a la distribución es la precipitación del periodo más lluvioso.

Variable % de contribuciónBio13 37.9bio15 17.6bio14 13.2bio18 7.3

Tabla 3. Porcentajes de Contribución de cada variable para la distribución. bio18: Precipitación del cuatrimestre más cálido (mm), bio4: Estacionalidad de la temperatura, Slo_mex: pendiente y bio15: Estacionalidad de la precipi-tación, por lo que puede verse que la que más contribuye es la precipitación

del cuatrimestre más cálido.

Variable % de contribución

bio18 37.3bio4 24.2Slo_mex 7.4bio15 6.3

Los valores de contribución únicamente están definidos de manera heu-rística: ellos dependen de la ruta particular que usa el código MaxEnt para obtener la mejor solución y un algoritmo diferente podría obtener la misma


solución por medio de una ruta distinta, lo cual resultaría en valores de con-tribución porcentual diferente. Y para estimar cuales son las variables más importantes al modelo, se realizó el análisis “Jackknife” que corresponde al AUC para los tres modelos en los que se muestra que la bio9: Temperatura promedio del cuatrimestre más seco (°C), bio18: Precipitación del cuatrimes-tre más cálido (mm) y bio14: Precipitación del periodo más seco (mm) son las variables que por sí solas predicen de manera más efectiva la distribución, y comparadas con los porcentajes de contribución de los cuadros anteriores corroboramos que efectivamente estas son las variables que son altamente significativas para el modelo. En las siguientes figuras (8, 9 y 10) se muestran la importancia de cada una de las variables.

Figura 8. Análisis “Jackknife” que corresponde al AUC para el modelo 5 en el

que la bio9: Temperatura promedio del cuatrimestre más seco (°C), es la variable que por sí sola predice de manera más efectiva la distribución de Ara militaris.


Figura 9. Análisis “Jackknife” que corresponde al AUC para el modelo 14 en el que la bio18: Precipitación del cuatrimestre más cálido (mm), Es la va-

riable que por sí sola predice de manera más efectiva la distribución de Ara militaris.


Figura 10. Análisis “Jackknife” que corresponde al AUC para el modelo 19 en

el que la bio14: Precipitación del periodo más seco (mm), Es la variable que por sí sola predice de manera más efectiva la distribución de Ara militaris.

El modelo final de distribución potencial para Ara militaris se presentó en las Sierra Madre Occidental siendo los municipios de Ocampo, Urique y Batopilas en el estado de Chihuahua los sitios con mayor probabilidad de ocurrencia de la especie. Con estos resultados puede observarse que la Ara mi-litaris se encuentra restringida en las áreas montañosas del norte de México de climas templados, con vegetación pino–encino y niveles de altura hasta los 2,200 m (CONANP. 2010).

El modelo presento un AUC con un valor de 0.993 en promedio, se-gún los criterios de Fieding (2002), se considera útil, ya que tiene un AUC mayor a 0.75, así también la información obtenida en la bibliografía sustenta la distribución predicha en el mapa. Las curvas de respuesta permiten ver la contribución de las variables, así que, si la curva de respuesta decrece hacia


los valores más altos de la variable hay un descenso en la influencia de esta variable en la probabilidad de distribución de la especie (Phillips et al. 2006; Peterson et al .2005; Stockwell y Noble, 1992 y De la Garza. 1995).

CONCLUSIONES GENERALES

La información disponible que fue utilizada en el modelado de la distribu-ción potencial de la especie Ara militaris fue escaza.

La calidad de los mapas es buena de acuerdo con los valores de AUC según los criterios de Fielding, et al. (1997), donde nos indica que los modelos con los valores mayores a 0.75, son útiles en este tiempo y espacio.

Por el contrario la Ara militaris mostro una distribución muy restrin-gida esto debido a la pérdida y degradación del hábitat como consecuencias de las actividades humanas que están alterando la distribución de Ara militaris, reflejándose en el declive de su población.

El resultado en conjunto de los modelos destaca un área de 560 km2 con probabilidad de presencia de Ara militaris restringidos a las zonas montaño-sas de la sierra madre occidental. Las áreas con probabilidad más alta de pre-sencia son la parte noreste y sureste de la sierra madre occidental Ara militaris, tiene una distribución natural en zonas de bosque pino-encino entre los 0 y los 2600 m.s.n.m

Por otro lado los modelos de predicción obtenidos en esta investigación solo se basaron en datos climáticos y sitios de presencia, para realizar la pre-dicción de la distribución potencial de la especie sin tomar en cuenta que en la actualidad alguna de estas áreas predichas ha sido transformada por factores bióticos y abióticos, determinantes en la distribución de la especie.

Respecto a las variables que más contribuyeron a la distribución final son la: bio9: Temperatura promedio del cuatrimestre más seco (°C), bio18: Precipitación del cuatrimestre más cálido (mm) y bio14: Precipitación del periodo más seco (mm), Según Mackey y Lindenmayer (2001), las variables climáticas tales como la temperatura y la precipitación son apropiadas a escala global y regional, ya que a escala local no hay tanta variedad de climas. Esta misma variedad de clima permite tener una variabilidad importante dentro de los valores de las variables climáticas utilizadas en la predicción. Finalmente, esta variabilidad es la que permite obtener una variación en las probabilidades de la predicción.

Por otra parte, Pearson (2007) dicen que las variables climáticas afectan la distribución de la especie a una escala relevante, determinada por el grado


y la escala geográfica, dependiendo del caso de estudio. Precisamente, en este caso, el amplio rango de altura justifica la utilización de estas variables cli-máticas, estas variables climáticas y registros de presencia de la especie para realizar un perfil bioclimático que sintetiza las condiciones climáticas de los sitios analizados y los compara con los atributos climáticos del área de estudio (Herbert 2006 y Phillips et al.,2006).

Herramientas predictivas como MaxEnt son útiles debido a que per-miten identificar áreas con las condiciones adecuadas para la supervivencia de las especies y es posible proponer áreas de conservación y amortiguar los cambios en las poblaciones de este tipo de fauna.

RECOMENDACIONES

Se recomienda llevar a cabo más investigaciones básicas (inventarios) asi como añadir datos de perfil de suelo, formación, topografía, composición y uso de suelo con el fin de aumentar la información que se tiene hasta ahora y con esto mejorar la calidad de los mapas que sirven como base para realizar los modelos de distribución. Permitiendo esto, ajustar los modelos para que hagan perfiles del hábitat de las especies, más acordes con la actualidad; a su vez, con estos modelos proponer áreas de protección, como por ejemplo la Sierra Madre Occidental, este estudio permitirá complementar el Ordena-miento Ecológico del cual inicialmente se produjo la idea.

BIBLIOGRAFÍA

Almazán-Núñez, R. Carlos, Nova-Muñoz, Oscar. La guacamaya verde (Ara militaris) en la Sierra Madre del Sur, Guerrero, México Huitzil. Revista Mexicana de Ornitología [en línea] 2006, 7 (junio): [fecha de consulta: 18 de diciembre de 2012] Disponible en: <http://www.redalyc.org/arti-culo.oa?id=75670105> ISSN 1870- 459

Arizmendi, M. C. (2008). Conservación de la guacamaya verde (Ara militaris) en la Reserva de la Biosfera Tehuacán-Cuicatlán, México: un estudio de abundancia y reproducción en la zona de la Cañada. Universidad Na-cional Autónoma de México. Facultad de Estudios Superiores Iztacala. Informe final SNIB-CONABIO proyecto No. DT006. México D. F.

Bird Life International 2008. BirdLife International 2012. Ara militaris. In: IUCN 2012. IUCN Red List of Threatened Species. Version 2012.2. <www.iucnredlist.org>. Downloaded on 9 december 2012.


BirdLife. (2012). http://www.birdlife.org/. Recuperado el 20 de septiem-bre de 2012, de http://www.birdlife.org/datazone/spe ciesfactsheet.php?id=1549.

Busby, J.R. 1991. BIOCLIM - A Bioclimatic Analysis and Prediction System. In: Margules, C.R.& M.P. Austin (eds.) Nature Conservation: Cost Effective Biological Surveys and Data Analysis.pp. 64-68. Canberra: CSIRO

Ceballos y L. Márquez (coord.). Comisión Nacional para el Conocimiento y Uso de la Biodiversidad, Instituto de Ecología, de la Universidad Na-cional Autónoma de México y Fondo de Cultura Económica. México.

CONABIO. 2008. Especies nativas valiosas para la reforestación. Índice de Especies. Comisión Nacional para el Conocimiento y Uso de la Bio-diversidad. http://www.conabio.gob.mx/conoci miento/info_especies/arboles/doctos/ indice_especies.

CONABIO. 2011. Fichas de especies prioritarias. Guacamaya Verde (Ara mi-litaris). Comisión Nacional de Áreas Naturales Protegidas y Comisión Nacional para el Conocimiento y Uso de la Biodiversidad, México D.F.

CONANP. 2010. Se fortalecen las acciones para la conservación de la Guaca-maya Verde en México. Comunicado de prensa fechado el 20 de mayo de 2010. Comisión Nacional de Áreas Naturales Protegidas.

De la Garza, M. 1995. Aves sagradas de los mayas. Facultad de Filosofía y Letras. Centro de Estudios Mayas del Instituto de Investigaciones Fi-lológicas. Universidad Nacional Autónoma de México.

Diario Oficial de la Federación. Norma Oficial Mexicana NOM-059-ECOL- 2010. México, D.F.

Elith, J., H. Graham, C., P. Anderson, R., Dudík, M., Ferrier, S., Guisan, A., J. Hijmans, R., Huettmann, F., R. Leathwick, J., Lehmann, A., Li, J., G. Lohmann, L., A. Loiselle, B., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., McC. M. Overton, J., Townsend Peterson, A., J. Phillips, S., Richardson, K., Scachetti-Pereira, R., E. Schapire, R., Soberón, J., Williams, S., S. Wisz, M. and E. Zimmermann, N. 2006, Novel me-thods improve prediction of species’ distributions from occurrence data. Ecography, 29: 129–151. doi: 10.1111/j.2006.0906-7590.04596.x

Fielding, A.H. & Bell, J.F. 1997. A review of methods for the assessment of prediction errors in conservation presence/absence models. Environ-mental Conservation, 24, 38–49.DOI: 10.1017/S0376892997000088


Herbert J. 2006. Distribution, habitat and Red List status of the New Ca-ledonian endemic tree Canacomyrica monticola (Myricaceae). Biodiv. Conserv. 15: 1459-1466.

Hirzel, A.H. & Arlettaz, R .2003. Modelling habitat suitability for complex species distributions by the environmental-distance geometric mean. Environmental Management, 32, 614-623.

Hijmans, R.J., S.E. Cameron, J.L. Parra, P.G. Jones and A. Jarvis, 2005. Very high resolution interpolated climate surfaces for global land areas. In-ternational Journal of Climatology 25: 1965-1978.

INEGI. 2012. http://cuentame.inegi.org.mx/. Recuperado el 1 de diciembre de 2012, de http://cuentame.inegi.org.mx/monografias/informacion/chih/territorio/clima.aspx?tema=meye=08

Íñigo-Elías, E. 1999. Las guacamayas verde y escarlata en México. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad, CONA-BIO. Biodiversitas 25:7-11.

Íñigo-Elías, E. 2000. Ara militaris Linnaeus, 1758. Guacamaya verde. 213-215. En: Las aves de México en Peligro de extinción.

Liras E. 2008. Funcionamiento, interfaz y formato de los datos en MaxEnt Réplica del IV taller de modelización de nichos ecológicos. Dpto. Bio-logía Vegetal y Ecología Universidad de Almería.

Longoria-Quiroz, C.A. 2008. Distribución hipotética de especies de aves y mamíferos con categoría de riesgo en la NOM-059-SEMAR-NAT-2001 registradas en el Estado de Durango. CIIDIR-IPN- DU-RANGO Maestría en Gestión Ambiental.

Mackey, B. G. and Lindenmayer, D. B. 2001. Towards a hierarchical fra-mework for modelling the spatial distribution of animals. Journal of Biogeography, 28: 1147–1166. doi: 10.1046/j.1365-2699.2001.00626.x

Monterrubio-Rico. 2011 Guacamaya verde en Michoacán. Longoria- Quiroz, C.A. CIIDIR-IPN- DURANGO Maestría en Gestión Ambiental.

Muñoz, A. M. 1996. Ciencia y ambiente. Los Sistemas de Información Geo-gráfica y sus aplicaciones en la conservación de la diversidad.

Navarro Sigüenza, A. G. y A. Townsend Peterson, 2007. Mapas de las aves de México basados en WWW. Informe final SNIB-CONABIO proyecto No. CE015. México D. F.

NOM-059-SEMARNAT- 2010. NORMA OFICIAL MEXICANA NOM-059-SEMARNAT-2010, Proteccion ambiental-especies na-tivas de mexico de flora y fauna silvestres-categorias de riesgo y es-pecificaciones para su inclusion, exclusion o cambio-lista de especies


en riesgo. http://dof.gob.mx/nota_detalle.php?codigo=5173091&fe-cha=30/12/2010

Pearson RG. 2007. Species’ distribution modeling for conservation educators and practitioners. Synthesis. American Museum of Natural History. Available at http://ncep.amnh.org.

Peterson, A. T., Martínez Meyer, Enrique, Flores, Rita, Sánchez Cordero, Víc-tor. (2005) Distribución de roedores reservorios del virus causante del síndrome pulmonar por hantavirus y regiones de posible riesgo en Mé-xico Acta Zoológica Mexicana (nueva serie) [en línea] (2005, 21 (Sin mes)): [fecha de consulta: 19 de diciembre de 2012] Disponible. En http://www.redalyc.org/articulo.oa?i d=57521303> ISSN 0065-1737

Phillips, S Robert P. Anderson, Robert E. Schapire.2006 Maximum entro-py modeling of species geographic distributions. Ecological Modelling, 190:231-259.

Stockwell, D.R.B. & Noble, I.R. 1992. Induction of sets of rules from ani-mal distribution data: a robust and informative method of data analysis. Math. Comp. Simul. 32: 249–254

Peterson T. and Daniel A. K .2005.Ecological Niche Modeling as a New Pa-radigm for Large-Scale Investigations of Diversity and Distribution of Birds.

UNEP-WCMC. 2012. http://www.cites.org/. Recuperado el 7 de NOVIEM-BRE de 2012, de http://www.cites.org/eng/resources/s pecies.html.

369

Modelado de nicho ecológico para la predicción

del área de distribución actual y potencial del venado cola blanca (Odocoileus virginianus) en

el estado de Chihuahua

Carlos Daniel Fierro Macias, María Elena Torres Olave, Luis Carlos Alatorre Cejudo y Hugo Luis Rojas Villalobos

INTRODUCCIÓN

La biodiversidad y los recursos naturales son una parte funda-mental en el desarrollo de una nación. México, gracias a su di-versidad climática y topográfica, así como a su privilegiada ubi-cación geográfica, permite la existencia de una enorme cantidad de especies, lo que lo convierte en un país megadiverso; En el país se hallan casi todos los tipos de vegetación que existen en el mundo, así como un gran número de especies de los grupos

taxonómicos más importantes. Se estima que del total de especies en el pla-neta entre el 10 y el 12% se encuentran en nuestro territorio; México ocupa el segundo lugar mundial en riqueza de reptiles, rebasando las 800, y el tercero en mamíferos con más de 500 (SEMARNAT, 2008).


Por muchos años se ignoraron los temas ambientales o se considera-ron de poca relevancia (SEMARNAT, 2008). Las actividades antropogénicas cambian de manera drástica la composición y estructura de las comunida-des ecológicas y traen consigo la pérdida de la biodiversidad (Chillo y Ojeda, 2012). Gran parte de los suelos y de la cubierta vegetal del país fueron degra-dados (SEMARNAT, 2008). El hábitat de numerosas especies fue fragmen-tado a raíz de los rápidos cambios en las coberturas de suelo y los procesos de urbanización (Fuller et al., 2007). Más de dos mil especies de plantas y anima-les se hallan en algún nivel de riesgo de extinción (SEMARNAT, 2008). Los grupos de animales que se ven más afectados por estos rápidos cambios en las estructuras de sus hábitats son los mamíferos (Fuller et al., 2007).

Una de las especies con mayor área de distribución en el continente americano es el venado cola blanca (Odocoileus virginianus), especialmente en México (Bolívar, 2009). De las 38 subespecies presentes en el continente, 14 pueden ser halladas en el país (Villarreal, 2002). Los únicos estados que no cuentan con su presencia son Baja California y Baja California Sur, habitando el 92.7% del territorio nacional (Rojo et al., 2007). En la Figura 1 se muestra su distribución histórica dentro del territorio nacional. Entre estas 14 subes-pecies O. virginianus, couesi ocupa la mayor extensión con 28.3% del total del territorio (Fullbright y Ortega, 2007; Rojo et al., 2007). Esta subespecie habita, principalmente, en los estados áridos del norte y centro de México, extendiéndose su área de influencia hasta más allá de la frontera con los Esta-dos Unidos (Fullbright y Ortega, 2007). Le siguen en porcentaje de superficie habitada las subespecies O. virginianus carminis y O. virginianus mexicanus con alrededor de 10% cada una (Rojo et al., 2007). El resto de las subespecies se extiende en menos del 10% del país (Rojo et al., 2007).

La importancia de Odocoileus virginianus radica en su valor cinegéti-co, es decir, como trofeo de caza (Villarreal, 2002). El venado cola blanca es la especie de caza mayor más importante de Norteamérica y, sobretodo, de México (Villarreal, 2002). La actividad cinegética en relación al venado cola blanca representa una importante fuente de ingresos en diversos sectores de la economía nacional (Villarreal, 2002). Sin embargo, muchas de las subes-pecies mexicanas no califican como trofeos de caza (Villarreal, 2002). Sólo cuatro subespecies son consideradas de caza mayor, por importancia son: O. virginianus texanus, O. virginianus couesi, O. virginianus carminis y O. virgi-nianus miquihuanensis (Villarreal, 2002). La subespecie de mayor importancia cinegética, y cuya caza representa el mayor porcentaje de ingreso económico al país dentro de este rubro, es O. virginianus texanus (Mandujano, 2004). Las


tres subespecies de valor cinegético más importantes se ubican principalmente dentro del estado de Chihuahua (Mandujano, 2004; Rojo et al., 2007).

Los ecosistemas en regiones áridas y semiáridas son más vulnerables a los fenómenos de degradación y fragmentación del paisaje (Chillo y Ojeda, 2012). El hábitat de las subespecies de venado cola blanca en el estado de Chihuahua se ubica principalmente en zonas de tipo semiárido (Rojo et al., 2007). Debido a los cambios constantes en los usos de suelo y la remoción de las cubiertas vegetales para el aprovechamiento agrícola y la expansión urbana las zonas áridas y semiáridas del estado de Chihuahua se hallan en un proceso de degradación continua de los ecosistemas (Arriaga, 2009). Este fenómeno se agudiza conforme aumenta la presión por los recursos naturales, especial-mente el agua, para sostener a la creciente población estatal (González et al., 2008). El cambio climático es otro de los factores, derivado mayormente de la acción antrópica, que ayudan al aumento de la degradación de los sistemas naturales (Ramírez et al., 2011). El hábitat del venado cola blanca en el estado de Chihuahua, así como el de otras especies, principalmente mamíferos, se ve afectado por los fenómenos de degradación de los ecosistemas (Fuller et al., 2007; Arriaga, 2009).

El ubicar el área de distribución actual del venado cola blanca es im-portante como un primer acercamiento para la evaluación de la pérdida de su hábitat. La degradación, la pérdida e incluso el más mínimo cambio en el hábitat de una especie resultan en una disminución significativa de su número de individuos (Fuller et al., 2007). Debido a su carácter de especie cinegética una baja en las poblaciones de venado cola blanca tendría graves repercusio-nes económicas, especialmente durante la temporada de caza. Otros sectores también se verían afectados con esta disminución, ya que la venta de la carne y la piel de esta especie de venado, aunque de menor importancia que la caza, también son actividades económicas relevantes (Rojo et al., 2007).


Figura 1. Distribución histórica de Odocoileus virginianus (Rojo et al., 2007).

Para el buen manejo de los recursos naturales, sin llegar a la sobreexplo-tación, se requiere de un conocimiento amplio sobre los mismos (SEMAR-NAT, 2008). La biodiversidad, las distintas especies, animales y vegetales, que se hallan en un ecosistema, también es un recurso natural, y, por lo tanto, es explotable (SEMARNAT, 2008). Es decir, para tener un buen manejo de las distintas subespecies del venado cola blanca como recurso natural aprovecha-ble es necesario tener un extenso conocimiento sobre este. Uno de los factores de mayor valor a la hora de diseñar un plan de utilización de una especie ani-mal es su área de distribución (Rojo et al., 2007; Villarreal, 2002).

La modelación del área de distribución potencial de una especie tiene como principal objetivo la identificación de zonas idóneas para la especie, pero que no hayan sido ocupadas por esta, para su traslado como medio de rescate y conservación en su medio ambiente natural (Galparsoro, et al., 2009). Para el caso de O. virginianus el conocer su distribución potencial puede ser un me-dio para extender sus poblaciones a zonas menos degradadas o fragmentadas donde el número de individuos pueda aumentar y su aprovechamiento como recurso cinegético mejore (Bolívar, 2009; Mandujano, 2004).

Es importante estudiar las áreas de distribución de las distintas subes-pecies de venado cola blanca presentes en el estado de Chihuahua. Las tres subespecies más importantes, económicamente, de venado cola blanca son O. virginianus texanus, couesi y carminis, que se encontraban presentes en el es-tado de Chihuahua (Rojo et al., 2007; Villarreal, 2002). Sin embargo debido a la cacería intensiva actualmente sólo se conservan algunos ejemplares de O.


virginianus couesi (Rojo et al., 2007). La mayor parte del estado presenta cli-más secos, de tipo árido y semiárido (Ramírez et al., 2011). Los climas áridos y semiáridos son más susceptibles a la pérdida de hábitats por degradación y fragmentación (Chillo y Ojeda, 2012). Por lo tanto, dentro del estado de Chihuahua el hábitat del venado cola blanca puede verse más afectado que en otros sitios de la República Mexicana, debido a las características geográficas de sus ecosistemas (Estrada y Villarreal, 2010).

De los diversos trabajos realizados en México sobre el venado cola blanca la mayoría abarca temas sobre aspectos demográficos, especialmente la densidad de población (Mandujano, 2004). Algunas otras investigaciones profundizan sobre la dieta, la relación con el ganado, su comportamiento y su morfología (Mandujano, 2004). Destaca el estudio de la subespecie O. vir-ginianus texanus, probablemente debido a su importancia económica (Man-dujano, 2004; Villarreal, 2002). Existen algunos trabajos que analizan el área de distribución de esta especie en algún sector específico del país, ya sea de manera aislada (Bolívar, 2009; Sánchez et al., 1997) o como parte de un tazón más amplio (González et al., 2008; Yañez et al., 2012). Sin embargo no existen trabajos que analicen el área de distribución de las subespecies de venado cola blanca para el estado de Chihuahua.

Existen varios métodos para obtener el área de distribución de una es-pecie, sin embargo, el único estadísticamente válido y a través del cual se ob-tienen mejores resultados es a partir de la modelación del nicho ecológico de la especie (Barve et al., 2011). El nicho ecológico fundamental de una especie es el espacio ambiental donde esta se desarrolla, y puede ser referenciado a un espacio geográfico, donde ocurren las interacciones ambientales (Bolívar, 2009). Por lo tanto el modelado de nicho ecológico es el modelado de las interacciones ambientales de la especie en el espacio geográfico. Las interac-ciones ambientales que considera dicho modelo son todas abióticas, debido a la dificultad de modelar las relaciones bióticas de la especie (Galparsoro et al., 2009). Para modelar estas interacciones abióticas se consideran diversas variables climáticas, derivadas de la temperatura y la precipitación, y algunas topográficas, como la altitud, la pendiente y la orientación de laderas (Barve et al., 2009; Galparsoro et al., 2009).

Las interacciones ambientales de una especie quedan determinadas por la ocurrencia de la misma (Phillips et al., 2006). La ocurrencia de una especie se define como los registros de presencia de individuos pertenecientes a la población analizada dentro del área de estudio (Phillips et al., 2006). Por lo tanto, la ocurrencia de una especie define su nicho ecológico; y el lugar donde


se da el nicho ecológico fundamental de la especie y esta tiene ocurrencia es la distribución realizada o, para el caso particular de este estudio, actual de la especie (Phillips et al., 2006). Mientras que el área de distribución potencial de una especie es donde se halla su nicho fundamental, sin tener que presentar forzosamente la ocurrencia, conteniendo el área de distribución actual (Phi-llips et al., 2006).

El algoritmo de máxima entropía (MaxEnt) es uno de los múltiples dis-ponibles para la modelación de nicho ecológico (Phillips et al., 2006). Su prin-cipal ventaja frente al resto de métodos es la realización de predicciones o infe-rencias a partir de información incompleta (Phillips et al., 2006). Es necesaria la utilización de este algoritmo debido a que los datos faltantes para la modelación son las interacciones bióticas de la especie. Otras cualidades que distinguen a MaxEnt de otros métodos son la capacidad de utilización de información con-tinua y categórica, el uso de algoritmos determinísticos que garantizan la obten-ción de la máxima probabilidad de distribución y una distribución probabilística con una definición matemática concisa (Phillips et al., 2006).

Para la validación estadística del modelo “MaxEnt” permite utilizar una muestra aleatoria para calcular la precisión de los resultados, utilizando el método de la Curva Característica Operativa del Receptor, o Curva ROC (Phillips et al., 2006). El método de la Curva ROC permite conocer el grado de incertidumbre asociado a un umbral de clasificación concreto (Alatorre y Beguería, 2009). El umbral en este caso queda definido automáticamente por el programa y corresponde al valor de 0.5 o 50%, que es el valor máximo que se esperaría obtener si el modelo no fuera mejor que uno producido al azar (Phillips et al., 2006).

El objetivo de este trabajo es modelar el nicho ecológico del venado cola blanca (Odocoileus virginianus) a partir del algoritmo de máxima entropía para predecir su área de distribución actual y potencial dentro del estado de Chi-huahua. Los objetivos particulares dentro del área de estudio son:

• Obtención del modelo de nicho ecológico para O. virginianus a partir del algoritmo de máxima entropía.

• Obtención del área de distribución potencial de O. virginianus a partir del modelado de nicho ecológico fundamental.

• Obtención del área de distribución realizada o actual de O. virginianus a partir del área de distribución potencial.

• Validación estadística de los modelos de nicho ecológico a partir del mé-todo de la curva ROC.


• Comparación entre la distribución histórica y actual de O. virginianus para determinar la existencia de cambios en la superficie ocupada por la especie.

Área de estudio

El área de estudio para este trabajo comprende el territorio situado dentro de los límites administrativos del estado de Chihuahua, México (figura 2). El estado de Chihuahua es el más grande de la República Mexicana, con un área de 247 087 Km2 (Estrada y Villarreal, 2010). Se ubica entre los 25°15’ y los 31°50’ de latitud norte y entre los 103°15’ y los 109°10’ longitud oeste, respec-to al meridiano de Greenwich (SGM, 2011). Presenta una altitud que oscila desde los 1440 hasta los 3300 msnm (INEGI, 2011). Un 70% del estado se halla dominado por climas de tipos árido y semiárido (Estrada y Villarreal, 2010). Sin embargo, su extensión, relieve y privilegiada ubicación en el globo propician la aparición de numerosos microclimas (SGM, 2011).

Figura 2. Área de estudio. Ubicación del estado de Chihuahua.

El clima predominante en el estado es de tipo muy seco templado, con 25.6% de la superficie estatal (INEGI, 2011). Le siguen el semiseco templa-


do con 15.4% del territorio, el muy seco semicálido con 14.3%, el templado subhúmedo con lluvias en verano con 12.9% y el semifrío subhúmedo con lluvias en verano con 11.2% (INEGI, 2011). El resto de climas cubre en con-junto 20.6% del área del estado (INEGI, 2011). Las medias de temperatura anual oscilan entre los 13 y los 21°C (INEGI, 2011). La temperatura máxima extrema mensual corresponde al mes de julio con 41.6°C, mientras que la temperatura mínima extrema mensual corresponde a los -10°C en el mes de diciembre (CONAGUA, 2011). El promedio de precipitación anual es de 385.7 mm, con una máxima en 24 horas de 85.3 mm, y de 315.2 mm como máxima mensual, correspondiente al mes de julio (CONAGUA, 2011).

El estado de Chihuahua se encuentra dividido en dos provincias fisio-gráficas, Sierra Madre Occidental y Sierras y Llanuras del Norte (INEGI, 2011). La primera se halla al oeste del estado y se subdivide en cinco subpro-vincias: Sierras y Cañadas del Norte, Sierras y Llanuras Tarahumaras, Gran Meseta y Cañones Chihuahuenses, Sierras y Llanuras de Durango y Gran Meseta y Cañones Duranguenses (INEGI, 2011). La segunda ocupa ma-yormente el área desértica y la conforman cuatro subprovincias: Llanuras y Médanos del Norte, Sierras Plegadas del Norte, Del Bolsón de Mapimí y Llanuras y Sierras Volcánicas (INEGI, 2011).


Para el caso de este trabajo se utilizó el algoritmo de Máxima Entropía para la modelación del nicho fundamental de Odocoileus virginianus en el estado de Chihuahua. Para obtener el modelo de nicho fundamental de la especie de estudio se utilizó el software libre “MaxEnt”, desarrollado por Dudík, Phillips y Schapire (2004), en su versión 3.3.3k. Este programa genera el modelo de nicho fundamental de una especie usando el algoritmo de Máxima Entro-pía a partir de los registros de presencia de la especie y una o más variables ambientales (Phillips et al., 2006). Los registros de presencia de la especie O. virginianus se obtuvieron de la base de datos de acceso libre de GBIF (“Glo-bal Biodiversity Information Facility”). En total se cuenta con 36 registros de presencia de la especie dentro del área de estudio, se depuró la base de datos de acuerdo a las especificaciones del software “MaxEnt”, teniendo cada registro únicamente tres campos, consistentes en el nombre científico de la especie o subespecie, su latitud y su longitud, ambos en grados decimales.

Las variables ambientales consideradas se obtuvieron del portal Worl-dClim. Se consideraron 19 variables climáticas globales y tres topográficas.


Todas de tipo continuo, aunque el software permite el uso de variables ca-tegóricas numéricas (Elith et al., 2011; Phillips et al., 2006). En el cuadro 1 se muestran las variables ambientales y el identificador asignado. Todas las variables climáticas se obtuvieron a partir de los registros de temperatura y precipitación. Las variables topográficas consideradas fueron la altitud, la pen-diente y la orientación de laderas, obtenidas a partir del Modelo Digital de Elevaciones de WorldClim.

“MaxEnt” requiere que los registros de presencia se encuentren en for-mato de base de datos CSV (del inglés Comma-separated values), y que el ar-chivo incluya en la primera fila de la tabla los encabezados, seguidos en las filas subsecuentes por los registros de presencia (Phillips et al., 2006). Para trans-formar los registros de presencia al formato requerido se utilizó el programa Microsoft Excel versión 2007. Las imágenes de WorldClim se recortaron para coincidir con el área de estudio. Las envolventes bioclimáticas y las variables topográficas deben utilizarse en formato ASCII, para su transformación des-de el formato nativo (ESRI Grid) se utilizó el software de ambiente SIG (Sistema de Información Geográfica) ArcMap de ESRI en su versión 9.3.

Debido a que los registros de presencia en el área de estudio son muy pocos (36) se utilizó un tamaño de muestra aleatoria para generación y va-lidación del modelo de nicho fundamental del 50%. Esta muestra se generó aleatoriamente durante cada iteración del modelo, para evitar la pérdida de solidez estadística cuando se utiliza un mismo grupo de muestra.

MaxEnt arroja como principal resultado un mapa o modelo del nicho fundamental de la especie expresado en una probabilidad de presencia que va desde 0 hasta 1, siendo 0 presencia nula y 1 máxima probabilidad de presencia (Phillips et al., 2006). El modelo presentado es el promedio de los generados (Phillips et al., 2006). Para el caso de este trabajo se generaron 50 mode-los, utilizando el método de remuestreo “Bootstrap”. Además se obtuvo el comportamiento de las variables durante el proceso de modelación, es decir, en qué grado, en escala porcentual, la variable explica el comportamiento o distribución de la especie (Phillips et al., 2006). Adicionalmente, para evitar errores debidos a la aleatoriedad de las pruebas, se obtuvieron tres gráficos de Jackknife para analizar el comportamiento de las variables, consistentes en un gráfico de ganancia regularizada de entrenamiento, otro de ganancia y un último de área debajo de la curva (Phillips et al., 2006).


Cuadro 1. Envolventes ambientales.

Envolvente ambiental IdentificadorTemperatura media anual BIO01Rango diurno medio BIO02Índice de variabilidad de la temperatura BIO03Estacionalidad de la temperatura BIO04Temperatura máxima del mes más cálido BIO05Temperatura mínima del mes más frío BIO06Rango anual de temperatura BIO07Temperatura media del cuarto del año más húmedo BIO08Temperatura media del cuarto del año seco BIO09Temperatura media del cuarto del año más cálido BIO10Temperatura media del cuarto del año más frío BIO11Precipitación anual BIO12Precipitación del mes más húmedo BIO13Precipitación del mes más seco BIO14Estacionalidad de la precipitación (Coeficiente de variación) BIO15Precipitación del cuarto del año más húmedo BIO16Precipitación del cuarto del año seco BIO17Precipitación del cuarto del año más cálido BIO18Precipitación del cuarto del año más frío BIO19Altitud ALT01Pendiente (Grados) SLO01Orientación de ladera ASP01

El nicho realizado corresponde al área de distribución donde realmente se halla presente la especie (Bolívar, 2009). El nicho realizado puede obtenerse a partir del fundamental, pues forma parte de este último. Para ello se indicó al programa que calculara el percentil 10 de cada uno de los 50 modelos, y a partir de este realizara una reclasificación de la imagen. Esta reclasificación representa el nicho realizado, o mapa de ausencia-presencia de la especie. Se seleccionaron y promediaron aquellos modelos cuya área debajo de la curva sobrepasara el valor de 0.99, obteniendo así el mapa consenso o mapa de ido-neidad de la especie que explica el 99% de la distribución de la especie en el área de estudio. A partir del mapa consenso y los valores umbral (percentil 10) de los modelos seleccionados se reclasificó la imagen para obtener el mapa de ausencia-presencia.


RESULTADOS

Se generaron 50 modelos de nicho ecológico de la especie en el área de estu-dio. Todos obtuvieron valores de área debajo de la curva mayores a 0.85, es decir, estiman adecuadamente el nicho de O. virginianus en más de un 85%. Se seleccionaron aquellos modelos cuyo valor de AUC fuera mayor a 0.99, consiguiendo un modelo promedio final que predice en un 99% el nicho fun-damental del venado cola blanca en el estado de Chihuahua. El modelo de nicho fundamental de la especie, que se muestra en la figura 3, se calculó a partir de las modelaciones 2, 22, 32 y 36 de 50.

Figura 3. Mapa de idoneidad de nicho de Odocoileus virginianus en el estado

de Chihuahua.

El mapa promedio de idoneidad muestra que la región que presenta me-jores condiciones ambientales para O. virginianus se halla al centro y noroeste del estado, en parte de la Altiplanicie Mexicana y adentrándose a la Sierra Madre Occidental. En la figura 4 se muestra el mapa de ausencia-presencia de la especie, calculado a partir del valor de umbral promedio de los modelos se-


leccionados (42%). El mapa de ausencia-presencia indica que el venado tiende a ocupar la mayor parte del nicho predicho en el área de estudio, su presencia puede validarse a partir de la existencia de ranchos cinegéticos y unidades de manejo ambiental para la especie en la zona.

A partir de los datos de los modelos seleccionados se obtuvieron los por-centajes de contribución de las 22 variables ambientales, figura 5, y el gráfico de Jackknife para el AUC utilizando cada variable individualmente cada en-volvente y omitiéndola para modelar, figura 6. El porcentaje de contribución indica el grado en que cada variable contribuye al total del modelo, mientras que los valores de AUC de la prueba de Jackniffe muestran la forma en que la variable define el nicho de la especie (Phillips y Dudík, 2008).

Las variables que contribuyeron en mayor grado al desarrollo del mode-lo fueron la estacionalidad de la temperatura (17.9%), la pendiente (14.4%), el rango diurno medio de temperatura (13.9%), la precipitación del cuarto más seco del año (13.3%), la precipitación del mes más seco (11.1%), la precipi-tación del mes más húmedo (10.5%) y la orientación de laderas (5.7%), que representan casi el 90% de la contribución total del modelo. Las principales variables que explican el nicho ecológico del venado cola blanca en Chihuahua fueron la precipitación del cuarto del año más seco, el rango diurno medio de temperatura, la precipitación del cuarto más frío del año y la precipitación del mes más seco.

Figura 4. Mapa de ausencia-presencia de Odocoileus virginianus en el estado

de Chihuahua.


Las curvas de respuesta de las variables de mayor contribución se mues-tran en la figura 7. Los valores de rango diurno medio varían desde los 15 a los 20°C, y presentan valores de idoneidad de nicho de hasta el 70% en el orden de los 17°C. Las condiciones preferidas por O. virginianus para la esta-cionalidad de la temperatura van de 55 a 65%. Para la precipitación en el mes más húmedo los valores ideales van desde los 100 hasta los 120 mm, mientras que durante el mes más seco son de 7 mm. Los valores de la precipitación del cuarto más seco del año son del orden de los 25 mm, y de 40 mm para el cuarto más frío del año. En cuanto a pendientes prefiere lugares con menos de 5°. Y se halla principalmente en laderas con orientación este y oeste, donde se presentan valores más altos de insolación.

DISCUSIÓN

El venado cola blanca es el ungulado de mayor distribución en el continente americano (Yañez et al., 2012). Esto se debe a su gran capacidad de adaptación a diversas condiciones climáticas (Bolívar, 2009). Sin embargo, de acuerdo a los resultados obtenidos en este trabajo, dentro del área de estudio, existen pocas zonas aptas para su distribución (figura 4), aunque con un alto grado de idonei-dad (figura 5). Esto se debe principalmente a la predilección de la especie por climas templados, y a su nula presencia en zonas desérticas (Rojo et al., 2007).

Porc

enta

je d

e co

ntrib

ució

n

201816

12

10864

20

0.0

5.7

0.1 0.1

13.9

0.71.5

0.8 0.51.3 1.7

10.511.1 11.1

3.0

1.00.2

2.4

14.413.3

0.00.0

17.9

ALTO

01

ASP0

1

BIO0

1

BIO0

2

BIO0

3

BIO0

4

BIO0

5

BIO0

6

BIO0

7

BIO0

8

BIO0

9

BIO1

0

Variable ambiental

BIO1

1

BIO1

2

BIO1

3

BIO1

4

BIO1

5

BIO1

6

BIO1

7

BIO1

8

BIO1

9

BIO2

0

14

Figura 5. Porcentaje de contribución de las variables al modelo de nicho ecológico.


La distribución histórica del venado cola blanca lo encuentra en la ma-yor parte del estado de Chihuahua (figura 2), sin embargo, la distribución potencial obtenida muestra una disminución importante en las áreas donde se halla el nicho de la especie, ubicándolo principalmente en las faldas de la zona serrana y los valles intramontanos de la Sierra Madre Occidental (figura 4). Esta reducción se debe principalmente a la reducción del hábitat como re-sultado de actividades antrópicas y a la caza desmedida en las décadas pasadas (Bolívar, 2009; Villarreal, 2002).

Otros trabajos muestran que la distribución del venado cola blanca suele estar ampliamente relacionada con las variables de temperatura (media, máxima y mínima), la orientación de laderas y la pendiente (Bolívar, 2009). Sin embargo, para el área de estudio, la variable de mayor contribución al modelo resultó ser la estacionalidad de la temperatura (figura 5), mientras que la variable que explica de mejor manera la presencia de la especie es la precipitación del cuarto más seco del año (figura 6). Estas discrepancias se deben principalmente a las diferentes condiciones ambientales presentas en las áreas de estudio. Bolívar (2009) y otros autores han realizado sus trabajos en zonas templadas, el clima predominante del estado de Chihuahua es de tipo árido. En las zonas templadas y tropicales las variables que condicionan la presencia de las especies de mamíferos de tamaños medio y grande suelen ser las tendencias anuales, como la temperatura media (Bolívar, 2009; Yañez et al., 2012); mientras que en zonas áridas son los factores limitantes, como la precipitación del cuarto del mes más seco del año. Esto se debe principalmen-te a la disponibilidad de alimento, que suele ser mayor en zonas templadas y tropicales que en regiones áridas.


Figura 6. Gráfico de Jackknife para el Área Debajo de la Curva.

El venado cola blanca prefiere un rango diurno de temperaturas que oscile entre los 15 y los 20 °C, especialmente uno de 17 °C (figura 7), estos va-lores son típicos de zonas de pastizales y zacates, alimento preferido de O. vir-ginianus (Fullbright y Ortega, 2007). Una variable altamente relacionada con la aparición de este tipo de vegetación es la estacionalidad de la temperatura, que entre valores de 60 y 65% (donde se distinguen los valores de idoneidad de nicho más altos) indica la existencia de estaciones claramente diferenciadas, propiciando un hábitat adecuado para el venado.

En cuanto a la precipitación el venado cola blanca prefiere ambientes con valores de alrededor de 120 mm en el mes más húmedo del año, 7 mm para el mes más seco, 25 mm para el cuarto del año más seco y 40 mm para el cuarto más frío del año (figura 7). Estos valores son aptos para la aparición de praderas y arbustos en zonas áridas, propiciando un aumento de los valores de idoneidad de nicho


Figura 7. Curvas de respuesta de las variables con mayor grado de contribución.

(Fullbright y Ortega, 2007). En lo que respecta a la pendiente el venado suele elegir lugares con pendientes no mayores a 6°. Esto coincide con los va-lores reportados por Bolívar (2009), quien afirma que esta especie no suele ha-llarse en zonas con pendientes superiores a 9°. Bolívar (2009) también afirma que el venado cola blanca prefiere laderas con orientaciones Oeste, Noroeste y Norte, ya que presentan una mayor insolación durante el año, propiciando la aparición de una mayor cantidad de vegetación. Para el caso del área de estudio O. virginianus prefirió las laderas con las orientaciones anteriormente mencionadas (figura 7).


CONCLUSIONES

Este trabajo aporta información importante sobre el comportamiento del ve-nado cola blanca en las zonas áridas, un hábitat poco estudiado en lo que a la especie respecta. Se encontraron resultados diferentes a los descritos en trabajos similares sobre las variables ambientales que determinan la aptitud del nicho ecológico de O. virginianus. Y se demostró que a través del uso del algoritmo de máxima entropía es posible determinar con un alto valor de fiabilidad (99%) el área de distribución actual y potencial de la especie en el estado de Chihuahua.

Los resultados del estudio, en comparación con los datos de históricos, indican que existe una reducción importante del nicho ecológico y de la distri-bución actual del venado cola blanca en el estado de Chihuahua con respecto a la distribución original. Es por ello que es importante el tomar acciones de mitigación, conservación y manejo de venado cola blanca en el estado de Chihuahua. Algunas de estas acciones se llevan a cabo ya en algunas regiones, ya sea de manera extractiva o no extractiva, dentro de las unidades de manejo ambiental (UMA) reguladas por la Secretaría de Medio Ambiente y Recursos Naturales.

REFERENCIAS

Alatorre, L. C., y Beguería, S. 2009. “Identificación de zonas de erosión activa y áreas de riesgo mediante teledetección: un ejemplo de un paisaje de cárcavas sobre margas en el Pirineo Central Español”. Cuadernos de In-vestigación Geográfica, 2(35), 171-194.

Arriaga, L. 2009. “Implicaciones del cambio de uso de suelo en la biodiversi-dad de los matorrales xerófilos: un enfoque multiescalar”. Investigación ambiental, 1(1), 6-16.

Barve, N., Barve, V., Jiménez, A., Lira, A., Maher, S., Peterson, T., y Villalo-bos, F. 2011. “The crucial role of the accessible area in ecological niche modeling and species distribution modeling”. Ecological Modelling(222), 1801-1819.

Bolívar, B. 2009. Análisis del hábitat óptimo y modelado de nicho ecológico para la conservación del venado cola blanca en el centro de Veracruz. Xalapa, Vera-cruz, México.


Chillo, V., y Ojeda, R. 2012. “Mammal functional diversity loss under hu-man-induced disturbances in arid lands”. Journal of Arid Environ-ments(87), 95-102.

Comisión Nacional del Agua. 2011. Normales Climatológicas Chihuahua. Ciu-dad de México: Gobierno Federal. 09). “Globalization and population drivers of rural-urban land-use change in Chihuahua, Me Currit, N., y Easterling, W. (20xico”. Land Use Policy(26), 535–544.

Elith, J., Phillips, S., Hastie, T., Dudík, M., En Chee, Y., y Yates, C. (2011). “A statistical explanation of MaxEnt for ecologist”. Diversity and Distribu-tions(17), 43-57.

Estrada, E., y Villarreal, J. Á. 2010. “Flora del Centro del Estado de Chi-huahua, Mexico”. Acta Botánica Mexicana(92), 51-118.

Fuller, T., Sánchez, V., Illoldi, P., Linaje, M., y Sarkar, S. 2007. “The cost of postponing biodiversity conservation in Mexico”. Biological Conserva-tion(134), 593-600.

Fullbright, T., y Ortega, A. 2007. Ecología y manejo de venado cola blanca. Texas: Texas AyM University Press.

Galparsoro, I., Borja, Á., Bald, J., Liria, P., y Chust, G. 2009. “Predicting sui-table habitat for the European lobster (Homarus gammarus), on the Bas-que continental shelf (Bay of Biscay), using Ecological-Niche Factor Analysis”. Ecological Modeling(220), 556–567.

González, R. M., Gallina, S., Mandujano, S., y Weber, M. 2008. “Densidad y distribución de ungulados silvestres en la Reserva Ecológica del Edén, Quintana Roo, México”. Acta Zoológica Mexicana, 24(1), 73-93.

Illoldi, P., Sánchez, V., y Peterson, T. 2004. “Predicting distributions of mexi-can mammals using ecological niche modeling”. Journal of Mammalogy, 4(85), 658-662.

Mandujano, S. (2004). “Análisis bibliográfico de los estudios de venados en México”. Acta Zoológica Mexicana (nueva serie), 20(1), 211-251.

Phillips, S., y Dudík, M. 2008. “Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation”. Ecogra-phy(31), 161-175.

Phillips, S., Anderson, R., y Schapire, R. 2006. “Maximum entropy modeling of species geographic distributions”. Ecological Modelling(190), 231-259.

Ramírez, M. R., Ruiz, J. A., Medina, G., Jacobo, J. L., Parra, R. Á., Ávila, M. R., y Amado, J. P. 2011. “Perspectivas del sistema de producción de manzano en Chihuahua, ante el cambio climático”. Revista Mexicana de Ciencias Agrícolas(2), 265-279.


Rojo, A., Lizardo, J., Solano, G., Hernández, R. 2007. Plan de manejo tipo de Venado Cola Blanca en zonas templadas y tropicales de México. México.

Sánchez, G., Gallina, S., y Mandujano, S. 1997. “Área de actividad y uso del hábitat de dos venados cola blanca (Odocoileus virginianus) en un bos-que tropical de la costa de Jalisco, México”. Acta Zoológica Mexicana(72), 39-54.

Secretaría de medio ambiente y recursos naturales. 2008. “Informe de la si-tuación del medio ambiente en México”. Edición 2008. Compendio de estadísticas ambientales. México.

Servicio Geológico Mexicano. 2011. Panorama Minero del Estado de Chi-huahua. Ciudad de México: Gobierno Federal.

Villarreal, O. 2002. “El Grand-Slam de Venado Cola Blanca Mexicano, una alternativa sostenible”. Archivos de zootecnia, 187-193.

Yañez, C., Mandujano, S., Martínez, E., Pérez, A., y González, A. 2012. “Mo-delación de la distribución potencial y el efecto del cambio de uso de suelo en la conservación de los ungulados silvestres del Bajo Balsas, Mé-xico”. THERYA, 3, 67-79.

389

Modelación del Potencial Actual del Quercus emoryi

y Quercus grisea Mediante Variables Bioclimáticas y del Potencial

a Futuro Hacia los Años 2020 y 2050 Bajo el Escenario CGCMA2en el Estado de Chihuahua

México

Mario Iván Uc Campos, María Elena Torres Olave, Elifalet López Gonzáles y Lara Cecilia Wiebe Quintana

INTRODUCCION

La ubicación geográfica y la forma del territorio de México pro-pician las condiciones necesarias para que sea un país con más biodiversidad en el mundo. Entre las causas está la topografía, la variedad de climas y una compleja historia, tanto geológica y biológica como cultural. Estos factores y otros han contribuido a formar un mosaico de condiciones ambientales que promue-ven una gran variedad de hábitat, de formas de vida y biodiver-

sidad (Ferrier et al, 2002).


La biodiversidad se refiere a la variabilidad de la vida; abarca tres niveles de expresión: ecosistemas, especies y genes. Esta diversidad se expresa en los diferentes tipos de ecosistemas, el número de especies, el cambio de riqueza de especies de una región a otra, el número de especies endémicas, las subespecies y variedades o razas de una misma especie (Guisan et al., 2005). La existen-cia de biodiversidad a lo largo y ancho del planeta no tiene una distribución homogénea; esta distribuciónse da principalmente en zonas tropicales y en países llamados “Megadiversos” (Nix, 1986).

Entre las especies que predominan y presentan mayor distribución en todo el mundo es el género del Quercus spp. Este se encuentra en casi todos los bosques templados del hemisferio norte, así como en unas regiones tropicales y subtropicales del mismo. En América se localiza desde Canadá hasta Co-lombia incluyendo Cuba (Valencia, 2004). Se reconocen dos centros de biodi-versidad para el género del Quercus spp. El primero se localiza en el sureste de Asia con alrededor de 125 especies (Ortega-Huerta et al. 2008). El segundo se encuentra en México, particularmente en las regiones montañosas, en donde forman parte importante de los bosques templados (Myers et al. 2000). Su presencia en México se debe a que es uno de sus centros de origen; además, este país es uno de los más ricos en cuanto a la población de encinos, pues cuenta con aproximadamente 160 especies de las 400 o 500 que se reportan en todo el mundo (García, 2012).

Los encinos aparecen en toda una gama de condiciones climáticas, de suelo y relieve, crecen desde laderas bajas de macizos montañosos o colinas de zonas semiáridas, sobre laderas medias y altas con zonas boscosas de cli-ma templado-subhúmedo hasta en los márgenes de arroyos en cañones de bosques húmedos; prosperan en terrenos moderadamente fértiles y húmedos, pero algunas especies se adaptan a terrenos pobres, aunque siempre en lugares montañosos (Benito, 2009).

La distribución del encino en las montañas mexicanassobre las zonas con más presencia; son las del centro y sur además de la Sierra Madre Orien-tal, y los estados con mayor riqueza de esta especie son Oaxaca, Nuevo León, Chihuahua y Veracruz (García, 2012). En la parte oriental de Chihuahua, a altitudes superiores a los 1750 msnm (Engler et al. 2004) se presentan man-chones aislados de encino bajo y abierto de Q. grisea, al que pueden acompañar Q. emoryi entre otros.

Debido a diversas problemáticas se ha dificultado la identificación y la distribución del encino (Quercus spp), tales como los incendios, prácticas histó-ricas antrópicas como la deforestación y el cambio climático están modificando


los ecosistemas, los hábitats, la superficie y el clima, entre otros, han provocado la extinción y modificación de la distribución del género de encino. Entre estos factores el estudio hace énfasis a lo que se refiere a cambio climático.

El Panel Intergubernamental de Cambio Climático (IPCC por sus si-glas en inglés), define al cambio climático como “Un cambio de clima atribuido directa o indirectamente a la actividad humana que altera la composición de la atmosfera mundial y que se suma a la variabilidad natural del clima observada durante periodos de tiempo comparable” (IPCC, 2001). Aunado a los problemas relacionados con el cambio climático, la deforestación y los incendios foresta-les entre otros, son problemas que afectan directamente a las poblaciones de Quercus spp. en el estado de Chihuahua sobre todo en las partes altas que es donde se les encuentra.

Este tipo de actividades y de cambio climático sobre Quercus spp pue-den generar pérdida del hábitat, cambio de componentes del ecosistema y de interacciones intra e interespecífica; así como aumento en la distribución de especies invasoras, modificaciones en los patrones de la migración de los orga-nismos, y cambios en el tamaño y distribución de las poblaciones, entre otros aspectos (Peterson, 2006; Phillips, et al. 2004 y Phillips et al. 2006).

En la actualidad se está produciendo un desarrollo importante en las técnicas aplicadas a la generación de modelos de distribución de especies; Los modelos resultantes de estas técnicas se están mostrando eficaces para esta-blecer planes de conservación (Thorn, et al. 2009) buscar nuevas localizaciones de especies raras y amenazadas, avanzar en la comprensión de los patrones espaciales de la biodiversidad, o evaluar el impacto del cambio global sobre la distribución de los organismos (Wisz, et al. 2008).

ANTECEDENTES

En la sierra madre occidental de Sonora y Chihuahua los bosques de Quercus spp ocupan característicamente un piso altitudinal que colinda hacia abajo con vegetación más xerófila, mientras que arriba limita con bosques de pino o de pino encino (INE, 2010).

Los encinares son de gran importancia para todo el estado, no solo so-cial y económicamente, sino también, para la conservación de la diversidad biológica de la región, y por su capacidad de absorción de dióxido de carbono (CO2) evitan el efecto invernadero y/o aumento de temperatura en las regio-nes serranas del estado de Chihuahua. En algunas zonas montañosas aisladas en Chihuahua la ausencia absoluta de encino (Quercus spp) puede deberse a


causas de tipo histórico, tales como la deforestación e incendios (INE, 2010). Es muy probable también que las características del suelo jueguen un papel importante en la distribución de estos bosques que vale la pena investigar más a fondo; Mateo et al. (2011), indican que los principales factores que han acabado con los árboles y las superficies cubiertas con bosques en Chihuahua, es la ganadería extensiva.

Antecedentes de los SIG (Sistemas de Información Geográfica)

“Un SIG es un sistema de hardware, software y procedimientos diseñados para auxiliar en la captura, administración, manipulación, análisis, y presen-tación de datos u objetos referenciados espacialmente llamados comúnmente datos espaciales u objetos espaciales” (Mostacedo et al. 2000). Los SIG ade-más de capturar, representar, etc, modelan toda la información necesaria ya sea pasada, actual o a futuro (Myers, et al. 2000); el objetivo de estos modelos es predecir la distribución espacial más probable de una especie o comunidad biológica.

Antecedentes de la modelación mediante SIG

Se pueden distinguir cuatro grandes familias de técnicas de modelación de la distribución geográfica de las especies/ecosistemas: las relacionadas a mo-delos estadísticos de regresiones GLM (Modelos Lineales Generalizados), GAM (Modelos Aditivos Generalizados), los métodos de clasificación (Ran-dom Forest (RF)), BRT (Boosted regresion trees), los métodos de “sobre” (BIOCLIM, ENFA) y aquellos basados en algoritmos específicos GARP (Genetic Algorithm for Rule-set Production) o algoritmo genético basado en reglas y MAXENT (Máxima entropía) (Pliscoff, 2011). Los métodos del pro-grama BIOCLIM han sido descritos con detalle por Nix, (1986) y Phillips et al. (2004), definen la idea general de MaxEnt: es estimar una probabilidad de distribución destino (objetivo, blanco) por medio de; encontrar la distribución de probabilidad de máxima entropía (es decir, que es la más extendida, o más cercana a ser uniforme), sujeta a una serie de restricciones que representan información incompleta acerca de la distribución objetivo.


Antecedentes del modelo de MaxEnt (Máxima Entropía)

MaxEnt es un programa que modela la distribución geográfica de las espe-cies, utilizando como datos sólo los sitios de presencia y las variables biocli-máticas asociadas a cada uno de esos puntos de presencia. Para modelar las distribuciones se basa en el principio de máxima entropía (Phillips et al. 2004, 2006 y 2008), y afirman que cuando se quiere aproximar a una distribución de probabilidad desconocida, la interrogante es cuál será la mejor aproximación; una respuesta general a esto es: “La mejor aproximación es asegurarse de que la aproximación satisface todas las restricciones de la distribución desconocida, y que sujeta a esas restricciones, la distribución debería de tener la mínima entropía”.

Phillips et al. (2004) menciona que la teoría de la información propor-ciona un criterio constructivo para la creación de distribuciones de probabili-dad sobre la base de un conocimiento parcial, y da lugar a un tipo de inferencia estadística que se llama, “la estimación de máxima entropía”.

MaxEnt solo necesita puntos de presencia de una especie y variables ambientales y se obtienen buenos resultados (Elith et al. 2006). Este software toma como entrada un conjunto de capas o variables ambientales (tales como elevación, precipitación, morfología del suelo, etc), así como un conjunto de lugares de ocurrencia georreferenciados, y produce un modelo de la gama de la(s) especies dadas.

JUSTIFICACIÓN

Existe un gran interés en torno a los géneros del Quercus spp atribuido a su alta diversidad y a su gran importancia ecológica y económica. Diversos pro-blemas dificultan conocer la distribución de la especies de encino rojo (Q. emoryi) y blanco (Q. grisea).

Hasta el momento no existe una revisión integral y actualizada sobre la distribución del género de las especies del Quercus en México (Valencia, 2004). Los cambios constantes en el clima han provocado que las especies modifiquen su distribución natural, ya que se ha observado que los bosques son particular-mente vulnerables si hay un incremento o disminución en el gradiente de tem-peratura estos tienden a recorrerse hacia la parte superior de la montaña, por lo cual llegará un momento en el que ya no exista más espacio y las especies ya no tendrán hacia donde moverse o ubicarse, esto traerá consigo la disminución de especies y en el peor de los casos su extinción en la región.


Otro problema que se presenta en lo que se refiere a la disminución de especies vegetales, es la tala inmoderada de bosques, por ello se necesita saber que partes están siendo taladas, ubicar las especies afectadas y la disminución de las antes mencionadas por dicha actividad; y uno de los aspectos más im-portantes que influyen en la disminución y modificación de la distribución de las especies, son los incendios.

Por las problemáticas anteriores, este documento está dirigido a la dis-tribución de dos especies de la Sierra Madre Occidental del estado de Chi-huahua; Q. emoryi y el Q. grisea. Estas dos especies han sido afectadas por los acontecimientos antes mencionados, de ahí surge la necesidad de ubicar su distribución actual y encontrar los lugares con el mayor potencial y condicio-nes adecuadas en las cuales se podrían ubicar y distribuir en un futuro.

OBJETIVOS

Un primer objetivo es generar la distribución potencial actual del Quercus emoryi y Quercus grisea bajo variables bioclimáticas actuales de Worldclim por medio de la modelación de MaxEnt en el estado de Chihuahua.

El segundo objetivo es generar modelos de distribución potencial a fu-turo bajo las variables bioclimáticas del escenario de CGCMA2 de World-Clim (escenario no conservador) del ICPP, hacia los años 2020 y 2050 en el estado de Chihuahua.

HIPÓTESIS

Mediante los SIG (Sistemas de Información Geográfica) y un software de modelación (MaxEnt) es posible generar la distribución actual potencial de las especies de Quercus emoryi y Quercus grisea, además de generar modelos de distribución potencial a futuro hacia los años 2020 y 2050 bajo un escenario climático (CGCMA2) en el estado de Chihuahua.

METODOLOGÍA

Área de estudioEl área de estudio (Figura1) para el análisis comprende el estado de Chi-huahua, México; este se encuentra ubicado en sus coordenadas geográficas extremas, al norte 31°47’, al sur 25°38’ de latitud norte; al este 103°18’, al oes-


te 109°07’ de longitud oeste Chihuahua representa el 12.6% de la superficie del país y colinda con al norte con los Estados Unidos de América; y al este Coahuila de Zaragoza y Durango; al sur con Durango y Sinaloa; al oeste con Sinaloa, Sonora (INEGI, 2012).

Base de datos GBIFLa base de datos que se utilizó para el análisis de las especies se descargó del sitio: http://data.gbif.org/datasets/resource/13111: estas tablas contienen la información de las especies, tal como: familia, género, clase, país, región, lo-calidad, etc. Estas se depuraron de tal manera que solo se dejaron las columnas del nombre de la especie (Quercus spp), además de, sus coordenadas geográfi-cas (longitud y latitud), una vez arregladas las tablas se guardaron en formato (*.csv) que es el que se utiliza para introducir a MaxEnt™.

Para comprobar que las coordenadas son correctas y se ubican espa-cialmente bien, se hizo una réplica de esa tabla cambiando el nombre de las columnas longitud por X y latitud por Y, esta tabla se guardó en formato de Excel 97-2003 y se importó a ArcMap 9.3™ por medio de la herramienta “Add XY Data” donde se sobre-posicionaron a las capas bioclimáticas para corroborar la ubicación de cada punto.

Variables ambientalesLas capas ambientales se descargaron del sitio www.worldclim.org el cual se explica en detalle en Hijmans et al., 2006. Esta base de datos contiene datos climáticos que corresponden a capas climáticas globales (grids de 20 x 20 km, formato ESRI) con una resolución de 1 km obtenidos de la interpolación de los registros de estaciones climáticas de 1950 al 2000 procedentes de diversas fuentes a nivel global, nacional, regional y local (ICPP, 2002). Estas capas con-tienen las variables bioclimáticas de bioclim (Tabla 1), las variables se derivan de la temperatura mensual y los valores de precipitación con el fin de generar las variables más biológicamente significativas.


Figura 1. Área de estudio, Estado de Chihuahua

Escenario CGCMA2Para evaluar la distribución de las especies en un escenario de cambio climá-tico hacia el 2020 y 2050. Se incluyó el escenario del Centro Canadiense Cli-mático (http://www.ipccdata.org/sres/cgcm2_download.html):CGCMA2 (escenario no conservador). Este escenario supone un incremento de las tem-peraturas para el 2100 de 3.0ºC a 5.2ºC.

Preparación de las capasDescargadas las capas se introdujeron a ArcMap 9.3™ en donde fueron desple-gadas cada una de las 19 variables bioclimáticas y se cortaron para México. Tam-bién se agregó un Modelo Digital de Elevación (MDE) de México, del cual se obtuvo un mapa de pendientes (slope) y un mapa de orientación de laderas (as-pect). A todas estas capas se les realizó un resample tomando la bio1 como base y se convirtieron a formato ascii (*.asc). Este proceso se aplicó para las variables bioclimáticas ambientales actuales y los escenarios hacia el 2020 y 2050.


Tabla 1. Variables bioclimáticas de Bioclim, Hijmans et al., 2006.

Variable Significadobio1 Temperatura media anualbio2 Media rango diurna (media mensual (max temp - min temp))bio3 Isotermalidad (BIO2/BIO7) (*100)bio4 Temperatura de estacionalidad (desviación estándar * 100)bio5 Temperatura máxima del mes más calientebio6 Temperatura mínima del mes más fríobio7 Amplitud de la temperatura anual (BIO5-BIO6)bio8 Temperatura media del trimestre más húmedobio9 Temperatura media del trimiestre más secobio10 Temperatura media del trimestre más cálidobio11 Temperatura media del trimestre más fríobio12 Precipitación anualbio13 Precipitación del mes más lluviosobio14 Precipitación del mes más secobio15 Precipitación estacionalidad (coeficiente de variación)bio16 Precipitación del trimestre más húmedobio17 Precipitación del trimestre más secobio18 Precipitación del trimestre más calientebio19 Precipitación del trimestre más frío

MaxEnt

Se descargó el software de modelación por máxima entropía (MaxEnt™) de la página:(http://www.cs.princeton.edu/~schapire/maxent) en su versión 3.3.3k. En él se introdujeron los puntos en formato *.csv de las especies a analizar y las capas de las variables bioclimáticas en formato *.asc, esto para la modela-ción actual potencial y para la modelación a futuro se agregaron las capas del escenario A2 en formato *.asc hacia los años 2020 y 2050.

Funcionamiento del algoritmo

La distribución de una especie se representa mediante una función de proba-bilidad P sobre un conjunto X de lugares en el área estudiada. P asigna un valor positivo a todo lugar x de forma que la suma de P(x) es la unidad. Se


construye un modelo de P mediante un conjunto de restricciones derivadas de datos empíricos de presencia.

El método que usa MaxEnt obliga a que la media de cada función de cada variable esté próxima a la media real de la variable en las zonas de pre-sencia. De las posibles combinaciones de funciones, se utiliza la que minimiza la función de entropía medida con el índice de Shannon lo que, según los au-tores, permite realizar una selección óptima de variables y funciones con base asu significación y eliminar aquellas que no aportan restricciones significativas al modelo.

Bootstrap

Este enfoque permite obtener estimaciones de medidas de precisión así como la realización de contrastes de hipótesis en aquellas situaciones en las que no se dispone de información acerca de la distribución muestral de un estadístico o en que esta es dependiente de parámetros desconocidos (Bradley Efron, 1979). Es una técnica denominada “método de remuestreo”; reutiliza los datos observados para constituir un universo del cual extraer repetidas muestras y los datos son tratados como si constituyesen los datos de toda la población y su enfoque está indicado en casos en que los datos no siguen una distribución normal.

Llenado de los parámetros

En el apartado de muestras se introdujo el archivo de puntos de la especie en formato *.csv que contiene las localidades con la presencia del género, el ar-chivo contiene el nombre de la especie, la latitud y longitud en coordenadas geográficas. El apartado de capas ambientales, se introdujeron las capas de las variables ambientales cortadas, el MDE, mapa de pendientes y el mapa de orientación de laderas, estos son un grid en formato ascii (*.asc de ESRI), los grids deberán de tener los mismos límites geográficos y tamaño de celda.

Para el estudio que se realizóse seleccionaron las casillas de crear curvas de respuesta y la de medir la importancia de la variable, además en opciones en la pestaña de básico se dejó sin seleccionar la casilla de ignorar si esta fuera del área, en la opción de porcentaje de la prueba al azar se escribió 50, que indica que tomo el 50% de los puntos introducidos de la muestra, en la opción de réplicas se escribió 30 ya que se corrió el modelo con 30 réplicas y en la opción de tipo de replicado se eligió la de “Bootstrap”; lo demás se dejaron por


default; continuando se seleccionó la pestaña de avanzado en donde se dejó sin seleccionar las casillas de agregar todas las muestras al fondo y la de anexar resumen de los resultados a un archivo maxentResults.csv, las demás de igual manera por default y para finalizar se seleccionó el directorio donde se desean guardar los resultados y se corre el algoritmo, este proceso es para modelar el actual potencial de las especies. Para las modelaciones a futuro en el apartado de capas de predicción se agregaron las capas del escenario A2, el MDE, mapa de pendientes y mapa de orientación de laderas en formato *.asc para los años 2020 y 2050, y se eligió una nueva carpeta para los resultados.

Las capas que se usaron para crear los modelos a futuro deben de tener el mismo nombre que las capas ambientales y ser de igual número en cantidad.

Selección de las variables

Para obtener estimaciones alternativas de las variables más importantes en el modelo, se realizó una prueba Jackknife. Este creó una serie de modelos en la que cada variable se excluye a su vez y un modelo con el resto de variables. Los resultados de Jackknife aparecen en los archivos contenidos de la página HTML en tres gráficos de barras llamados “training gain”, “test of gain” y “AUC”.

La comparación de los tres gráficos de Jackknife es muy informativa. La trama “AUC” muestra la variable individual más eficaz para predecir la distribución de los datos de ocurrencias que se reservó para las pruebas. La importancia relativa de las variables también aumentan en la gráfica de la ganancia de prueba “test of gain”, cuando se compara con la gráfica de la ga-nancia de entrenamiento “training gain”. Además, en los tres gráficos, algunas de las barras de color azul claro son más largos que la barra roja, indicando que el rendimiento predictivo mejora cuando las variables correspondientes no se utilizan.

Con este proceso se identificaron las tres variables más importantes y que describan con mayor eficiencia la distribución de las especies analizadas, de las cuales se utilizaron las de extensión*.asc al momento de realizar el “al-gebra de mapas”.


Generación del mapa Consenso para el área potencial actual y a futuro

En este caso de realizaron 30 réplicas para cada caso y se seleccionaron las mejores que cubrían las siguientes condiciones: los 10 modelos en los que los errores de omisión (predecir ausencia de la especie cuando en realidad está presente, es decir AUC mayor a .09) fueran mínimos; y de esos modelos, se seleccionaron tres de los que estén más cercanos a la media del porcentaje del área predicha con respecto al total del área de estudio (Elith, et al. 2006).

Estos mapas se sumaron mediante un proceso llamado “algebra de ma-pas” por medio de una función que combina los valores de la matriz raster, para obtener un mapa de consenso de distribución actual potencial y de cada año a analizar. Para realizar la suma de los modelos de distribución, estos se importaron a ArcView 3.2™ en formato ascii y se utilizó la herramienta “Map Calculator” para sumarlos (Benito, et al. 2009 y Bravo et al., 2012,). El proceso se hizo de igual manera para los modelos a futuro hacia el año 2020 y 2050 para el escenario A2. Después de obtener los mapas consenso se cortaron para el estado de Chihuahua con ayuda de la herramienta “Clip with Polygons”; como los archivos que se obtuvieron son temporales y más adelante se utili-zaron fue necesario guardarlos como grid, esto mediante la herramienta de “Convert to Grid”.

Reclasificación de los modelos seleccionados y mapas Consenso

Una vez que se generaron los mapas consenso (Potencial Actual, 2020 y 2050) para el estado de Chihuahua; estos se reclasificaron con base al resulta-do del porcentaje del 10 percentil de cada modelo que se seleccionó, este valor viene en la página html generada por el software para cada modelo; los valores fueron promediados en donde: los valores menores al percentil promedio tie-nen un valor de 0 (no idóneo para que la especie exista) y los valores mayores al percentil promedio tienen un valor de 1 (idóneo para que la especie exista).

Para reclasificar cada uno de los modelos que se seleccionaron, se utilizó el mismo valor del 10 percentil; en donde: el valor menor al .10 percentil tiene el atributo de 1 (áreas sin condiciones óptimas para que la especie exista), el valor mayor al .10 percentil a .60 tiene el atributo de 2 (áreas con posibles condiciones para que la especie exista) y los valores mayores a .61 tienen el


atributo de 3 (áreas con las condiciones óptimas para que la especie exista). Este proceso se realizó para los modelos de Potencial Actual, 2020 y 2050.

GENERACIÓN DE LOS MAPAS RESULTADO

Uso de suelo y vegetación Idónea y No IdóneaEn ArcMap 9.3™ se abrieron los tres mapas consenso (Potencial Actual, 2020 y 2050) y los nueve modelos que se seleccionaron (tres por cada periodo de análisis); por medio de la herramienta “Raster to Polygon” se convirtieron los mapas consenso a un archivo tipo *.shp.

Para obtener los usos de suelo que son Idóneos y No Idóneos para las especies, se descargó un mapa de usos de suelo y vegetación potencial *.shp de México del portal: www.conabio.gob.mx modificado por CONABIO 2008 a escala 1:400 000, este mapa se cortó para el estado de Chihuahua por medio de la herramienta “Clip” y para integrar cada uso de suelo y vegetación en un solo polígono por categoría se aplicó un “Dissolve” al archivo resultante el cual contiene las siguientes categorías: Agricultura, Áreas sin Vegetación Aparente, Bosque Bajo, Bosque de Encino, Bosque de Pino, Bosque de Táscate, Chapa-rral, Cuerpos de Agua, Matorral, Mezquital, Pastizal, Selva Baja Caducifolia, Vegetación de Desiertos Arenosos, Zona Urbana y Agricultura de Temporal.

En la herramienta “Intersect” se introdujo el mapa consenso de Poten-cial Actual y el mapa de usos de suelo y vegetación; al mapa que se creó de este proceso de nueva cuenta se le hizo un “Dissolve” y el mapa resultante tiene los usos de suelo y vegetación que están dentro de lo Idóneo y No Idóneos para la especies. Este proceso se realizó de igual manera para los años 2020 y 2050.

Mapas de pérdida de IdoneidadPara generar los mapas de perdida de Idoneidad se utilizó la herramienta de “InList”, esta herramienta determina que valores contenidos en el archivo de entrada están presentes en el segundo archivo; para esto se convirtieron los mapas de idoneidad en archivos *.tif o *.rst; y se introdujeron en la herramien-ta; el primer mapa resultado que se obtuvo de este proceso muestra las áreas que han perdido idoneidad de lo Actual Potencial hacia el 2020, y el segundo mapa resultante nos muestra las áreas que han perdido idoneidad del 2020 hacia el 2050.


INDICE KAPPA

Obtención de información para el Índice Kappa (Potencial ac-tual_2020_2050)Se generó una red de 779 puntos que represente lo idóneo y no idóneo para cada polígono del mapa de usos de suelo y vegetación del INEGI (2008); esto es un muestro simple y se utiliza en casos en que se dispone de poca infor-mación previa acerca de las características de la población a medirse. Fielding, (1997) menciona en un estudio que se realizó un levantamiento de un punto por cobertura de especie para ser representado sin importar el área a cubrir. En este estudio se abrió de nuevo el archivo *.shp antes mencionado, y por medio de la herramienta “Convert Features to Centroids” se generó un punto por cada polígono de cobertura obteniendo 380 para lo idóneo y 399 para lo no idóneo. El archivo *.shp de puntos que resulta contiene el tipo de uso de suelo y vegetación, este fue utilizado para extraer la idoneidad actual de cada uso de suelo y vegetación del archivo *.tif de idoneidad Potencial Actual mediante la herramienta “Extract Values to Points”; este mismo archivo se utilizó para ex-traer los usos de suelo y vegetación del 2020; para esto se convirtió a formato *.rst y se le extrajeron los valores mediante la herramienta “Extract by Mask”; el archivo resultante del proceso fue utilizado para extraer la idoneidad de cada uso de suelo y vegetación del 2020, para esto se convirtió el archivo *.tif de idoneidad del 2020 a un archivo de polígonos *.shp del cual se extrajeron los valores mediante la herramienta “Intersect”.

El archivo resultante es una red de puntos con una tabla de atributos de 5 columnas; una columna que contiene el ID del punto; una columna con el tipo de uso de suelo y vegetación actual, una columna con la idoneidad Actual Potencial del tipo de uso de suelo y vegetación, una columna con valores nu-méricos (Raster Value) de cada uso de suelo y vegetación 2020 y una columna de idoneidad Potencial de usos de suelo y vegetación 2020; esta tabla se ex-porto en formato *.xlsx. Este proceso se realizó para obtener la información del Índice Kappa de Potencial Actual al 2020 y se hizo de igual manera para obtener la información del Potencial 2020 al 2050.

Generación del Índice KappaEl índice kappa relaciona el acuerdo que exhiben los observadores, más allá del debido al azar, con el acuerdo potencial también más allá del azar. En esen-cia, el proceso de elaboración del índice es el siguiente: se calcula la diferencia


entre la proporción de acuerdo observado y la proporción de acuerdo esperado por azar (Raynal, 2008). Kappa es el cociente entre esa cantidad y el acuerdo máximo que se puede esperar sin intervención del azar. Este índice cumple las características que definen Cerda et al., (2008) que debe tener una medida de concordancia. Se procedió a calcular un Índice Kappa para cada uno de los siguientes aspectos: idóneo potencial actual a idóneo potencial 2020, no idóneo potencial actual a no idóneo potencial 2020, idóneo potencial actual a no idóneo potencial 2020, no idóneo potencial actual a idóneo potencial 2020, idóneo potencial 2020 a idóneo potencial 2050, no idóneo potencial 2020 a no idóneo potencial 2050, idóneo potencial 2020 a no idóneo potencial 2050, no idóneo potencial 2020 a idóneo potencial 2050. Esto se hizo mediante la metodología sugerida por Velazquez (2012), en donde la clasificación de los valores de Kappa (k) son los siguientes: <.20 = pobre, de .21 a .40 = débil, de .41 a .60 = moderada, de .61 a .80 = buena y de .81 a 1 = muy buena, mientras que Yáñez (2011) proponen una escala de interpretación del valor de kappa que considera como aceptable un valor mayor o igual a 0,40 y excelentes los valores superiores a 0,75.

RESULTADOS

Descripción de las variables seleccionadas y los modelos del Po-tencial ActualLa tabla (Tabla 2) muestra una lista de las variables que contribuyen más a todos los modelos, el texto “No Aparece” indica que esas variables no contri-buyen en un modelo pero si en otro.


Figura 2. Tabla de las variables que más contribuyen a las modelaciones

Variable% Contribución Modelo 2

actual% Contribución Modelo 9

actual% Contribución Modelo 15

actualmex_mde 26.6 24.8 30.6mex_slo 10.9 No aparece No aparecebio_03 7.0 No aparece No aparecebio_04 11.5 14.3 20.9bio_05 No aparece No aparece No aparecebio_07 No aparece 5.3 6.9bio_10 No aparece 16.3 No aparecebio_15 No aparece No aparece No aparecebio_19 No aparece No aparece 5.5

Variable% Contribución Modelo 1 2020

% Contribución Modelo 5 2020

% Contribución Modelo 19 2020

mex_mde No aparece 34.5 9.4mex_slo 18.6 6.7 14.2bio_03 No aparece No aparece 21.4bio_04 22.4 23.7 21.0bio_05 No aparece No aparece No aparecebio_07 No aparece 6.3 No aparecebio_10 11.7 No aparece No aparecebio_15 9.2 No aparece No aparecebio_19 No aparece No aparece No aparece

Variable% Contribución

Modelo 12 2050% Contribución

Modelo 18 2050% Contribución

Modelo 21 2050mex_mde 24.5 22.9 17.1mex_slo 15.5 8.3 23.0bio_03 No aparece No aparece No aparecebio_04 19.6 23.7 23.0bio_05 No aparece No aparece 6.5bio_07 16.3 No aparece No aparecebio_10 No aparece 6.8 No aparecebio_15 No aparece No aparece No aparecebio_19 No aparece No aparece No aparece

Descripción de las variables

• mex_mde: Esta variable es un MDE con las alturas de México, muestra el mayor porcentaje de contribución a los modelos, Cerda (2008) men-cionan que las especies se encuentran en alturas de los 1200 a 2800 msnm por lo que su contribución al modelado es muy significativo.


• mex_slo: Esta variable contiene valores de la pendiente de México en grados.

• bio_03: Isotermalidad, esta variable indica que las especies existen, en lugares en donde hay isotermas entre la temperatura media mensual y diurna con la amplitud de temperatura anual.

• bio_04: Temperatura de estacionalidad, esta variable propone que las es-pecies existen en los lugares con una temperatura estacional.

• bio_5: Temperatura máxima del mes más caliente, esta variable indica que las especies podrían existir en las áreas modeladas donde la tempera-tura sea cercana a la del mes más caliente.

• bio_07: Amplitud de la temperatura anual, esta variable muestra que las especies existirán donde la temperatura anual sea cercana a la resta de la temperatura máxima del mes más caliente menos la temperatura mínima del mes más frío.

• bio_10: Temperatura media del trimestre más cálido, esta variable dice que las especies se encontraran en lugares donde la temperatura sea cer-cana a la media del trimestre más cálido.

• bio_15: Precipitación estacionalidad, esta variable predice que los lugares en que podría haber una precipitación constante durante todo el año se-gún su coeficiente de variación serán aptos para las especies.

• bio_19: Precipitación del trimestre más frío, esta variable, indica que las especies existen en lugares donde hay precipitación en el trimestre más frío del año.

Descripción de los modelos actual

Las imágenes (Figura 2, 3 y 4) muestran los cortes para Chihuahua de los modelos 2, 9 y 15, donde los valores entre 0 a .322 son las regiones en que las condiciones no son apropiadas para que la especie sobreviva, de .323 a .643 los lugares con probables condiciones para que las especies subsistan y de .644 a .965 son áreas en las que las condiciones son óptimas para las especies; esto es generalizando los valores de los tres cortes.


Figura 2. Corte para Chihuahua del modelo 2



Descripción de los modelos 2020

Las imágenes (Figuras 5, 6 y 7) muestran los cortes para Chihuahua de los modelos 1, 5 y 15, donde los valores entre 0 a .303 son las regiones en que las condiciones no son apropiadas para que las especies sobrevivan, de .304 a .606 los lugares con probables condiciones para que las especies subsistan y de .607


a .908 son áreas en las que las condiciones son óptimas para las especies; esto es generalizando los valores de los tres cortes.

Figura 5. Corte para Chihuahua del modelo 1 al 2020




Descripción de los modelos 2050

Las imágenes (Figura 8, 9 y 10) muestran los cortes para Chihuahua de los modelos 12, 18 y 21, donde los valores entre 0 a .298 son las regiones en que las condiciones no serán apropiadas para que las especies sobrevivan, de .299 a .596 los lugares que tendrían probables condiciones para que las especies subsistan y de .597 a .893 son áreas en las que las condiciones serán óptimas para las especies; esto es generalizando los valores de los tres cortes.





Figura 11. Mapas de condiciones, estos son los modelos reclasificados del potencial actual

Mapas de condiciones para los modelos 2,9 y 15 del Potencial Actual

La Figura11 muestra los tres modelos reclasificados basados en el 10 percentil de cada modelo (umbral de corte), donde la leyenda muestra las áreas en tonos grises y negros “Sin Condiciones, en verde obscuro “Posibles Condiciones” y en verde claro “Con Condiciones” para las especies.

Mapas de condiciones para los modelos 1,5 y 19 del Potencial 2020

La Figura 12 muestra los tres modelos reclasificados basados en el 10 percen-til de cada uno (umbral de corte), donde la leyenda muestra en colores grises y negros las áreas que estarán “Sin Condiciones, en verde obscuro serán “Po-sibles Condiciones” y en verde claro las que contarán “Con Condiciones” para las especies.


Mapas de condiciones para los modelos 12, 18 y 19 del Poten-cial 2050

Figura 12. Mapas de condiciones, estos son los modelos reclasificados del potencial 2020

La Figura 13 muestra los tres modelos reclasificados basados en el 10 percentil para cada modelo (umbral de corte), donde la leyenda se muestra en tonos grises y negros los lugares que estarán “Sin Condiciones, en verde obscuro los que tendrían “Posibles Condiciones” y en verde claro las áreas que contarán “Con Condiciones” para las especies.

Descripción del mapa consenso actual

El mapa consenso (Figura 14) es el resultado de la suma de los tres modelos (2, 9 y 15), este mapa aún no cuenta con la clasificación de la línea de corte, pero con él ya se puede inferir que lugares cuentan con las condiciones apro-piadas para las especies y las áreas que no son aptas: la leyenda va de tonos verde claro a verde obscuro, que se han clasificado de la siguiente manera: de 0 a .674 son las regiones en que las condiciones no son apropiadas para que


las especies sobrevivan, de .675 a 1.348 los lugares con probables condiciones para que las especies subsistan y de 1.349 a 2.021 son áreas en las que las con-diciones son óptimas para las especies.

Descripción del mapa Consenso 2020

El mapa consenso (Figura 15) es el resultado de la suma de los tres modelos (1, 5 y 19), este mapa aún no cuenta con la clasificación de la línea de corte, pero con él ya se puede observar que lugares tendrán las condiciones apro-piadas para las especies y las áreas que no serán aptas hacia el año 2020; la leyenda va de tonos verde claro a verde obscuro, que se han clasificado de la siguiente manera: de0 a .691 son las regiones en que las condiciones no serían apropiadas para que las especies sobrevivan, de .692 a 1.379 los lugares con las probables condiciones para que las especies pudieran subsistir y de 1.380 a 2.068 son áreas en las que las condiciones serán óptimas para las especies; si esta clasificación se compara con la de los cortes de los modelos (1, 5 y 19), se observa que al realizar la suma de los modelos, Ferrier et al. (2002) mencio-nan que la escala generaliza los lugares sin condiciones con los de probables condiciones; esto debido a que el escenario A2 es no conservador y sugiere un aumento de temperatura muy drástico hacia esa fecha (IPCC, 2002) por lo que los lugares que presentan posibles condiciones para las especies desapare-cen, ubicando a áreas del potencial actual como posibles y disminuyendo estas mismas hacia el 2020.

Descripción del mapa Consenso 2050

El mapa consenso (Figura 16) es el resultado de la suma de los tres modelos (12, 18 y 21), este mapa aún no cuenta con la clasificación de la línea de corte, pero con él ya se aprecian que lugares tendrán las condiciones apropiadas para las especies y las áreas que no serán aptas hacia el año 2050; la leyenda va de tonos verde claro a verde obscuro, que se han clasificado de la siguiente ma-nera: de 0 a .622 son las regiones en que las condiciones no serán apropiadas para que las especies sobrevivan, de .623 a 1.243 los lugares con probables condiciones para que las especies subsistan y de 1.244 a 1.863 son áreas en las que las condiciones llegarán a ser óptimas para las especies.


Figura 13. Mapas de condiciones, estos son los modelos reclasificados del potencial 2050

Figura 14. Mapa consenso del potencial actual

Figura 15. Mapa Consenso del potencial 2020


Figura 16. Mapa Consenso del potencial 2050

Mapa de Idoneidad Potencial Actual

Este mapa (Figura 17) es la reclasificación del mapa consenso basado en el promedio percentil de los modelos 2, 9 y 15, la línea de corte se realizó del valor .332, donde los valores menores a este se les identifica con un 0 que re-presenta lo No Idóneo para que la especie exista, y los valores mayores a .332 se les asignó el valor de 1 que indica las áreas en donde es Idóneo para que la especie subsista.

Mapa de Idoneidad Potencial 2020

Este mapa (Figura 18) es la reclasificación del mapa consenso Potencial 2020 basado en el promedio percentil de los modelos 1, 5 y 19, la línea de corte se realizó del valor .300, donde los valores menores a este se les identifica con un 0 que representaran lo No Idóneo para que las especies existan, y los valores mayores a .300 se les asignó el valor de 1 que indica las áreas en donde será Idóneo para que las especies subsistan.

Mapa de Idoneidad Potencial 2050

Este mapa (Figura 19) es la reclasificación del mapa consenso Potencial 2050 basado en el promedio percentil de los modelos 12, 18 y 21, la línea de corte se realizó del valor .260, donde los valores menores a este se les identifica con un 0 que representa lo que será No Idóneo para que las especies existan, y los valores mayores a .260 se les asignó el valor de 1 que indica las áreas en donde será Idóneo para que las especies subsista.


Figura 17. Mapa de idoneidad del potencial actual

Figura 18. Mapa de idoneidad del potencial 2020


Figura 19. Mapa de idoneidad del potencial 2050

Mapa de pérdida de Idoneidad del Potencial Actual al Poten-cial 2020

La Figura 20 muestra el mapa de pérdida de idoneidad del potencial actual hacia el potencial del 2020, la leyenda muestra en color café lo que permaneció no idóneo hacia el 2020 y en color verde lo que se mantuvo idóneo hacia la misma fecha; las áreas en tonos gris y blanco son las que dejaron de ser idóneas hacia el 2020 para el estado.

Mapa de pérdida de Idoneidad del Potencial 2020 al Potencial 2050

La Figura 21 muestra el mapa de pérdida de idoneidad del potencial 2020 hacia el potencial del 2050, la leyenda muestra en color café lo que permaneció no idóneo hacia el 2050 y en color verde lo que se mantuvo idóneo hacia la misma fecha; las áreas en tonos gris y blanco son las que dejaron de ser idóneas hacia el 2050 para el estado.


Tabla de concordancia de idoneidad e índice Kappa del poten-cial actual al 2020.

Tabla 3. Concordancia de idoneidad del potencial actual al 2020

Concordancia actual-2020 (idóneo) ValorConcordancia observada 0.8058824Concordancia esperada 0.0000014Kappa 0.8058821

Concordancia actual-2020 (no idóneo) ValorConcordancia observada 0.8361775Concordancia esperada 0.0000021Kappa 0.8361771

Concordancia actual-2020 (idóneo-no idóneo) ValorConcordancia observada 0.8082192Concordancia esperada 0.0000276Kappa 0.8081639

Concordancia actual-2020 (idóneo-no idóneo) ValorConcordancia observada 0.8219178Concordancia esperada 0.0000365Kappa 0.8219113

Los resultados de las tablas 3 y 4, muestran un valor de Kappa por enci-ma de .80, esta clasificación es muy buena (Velázquez 2012); con base la cla-sificación de los uso de suelo y vegetación de CONABIO (2008), lo que per-mite destacar que los resultados obtenidos por las modelaciones de MaxEnt son altamente significativos y que las áreas modeladas de idoneidad para las especies son regiones precisas.


Tabla de concordancia de idoneidad e Índice Kappa del poten-cial 2020 al 2050

Tabla 4. Concordancia de idoneidad del potencial 2020 al 2050

Concordancia 2020-2050 (idóneo) ValorConcordancia observada 0.8058824Concordancia esperada 0.0000014Kappa 0.8058821

Concordancia 2020-2050 (no idóneo) ValorConcordancia observada 0.8156997Concordancia esperada 0.0000020Kappa 0.8156993

Concordancia 2020-2050 (idóneo-no idóneo) ValorConcordancia observada 0.7945205Concordancia esperada 0.0000276Kappa 0.7945149

Concordancia 2020-2050 (idóneo-no idóneo) ValorConcordancia observada 0.8219178Concordancia esperada 0.0000365Kappa 0.8219113

La Tabla 5 muestra las áreas de idoneidad en km2 así como su área de perdida para cada periodo analizado.

Figura 5. Tabla de áreas de idoneidad

Área idónea actual 136144.64

Área idónea 2020 119266.34

Área idónea 2050 121453.34

Pérdida de área idónea actual-2020 16878.301

Pérdida de área idónea 2020-2050 -2186.998

La gráfica (Figura 22) muestra las áreas idóneas en km2 por uso de suelo para cada periodo.

DISCUSIÓN

La información generada y obtenida se toma como resultados preliminares ya que debido a la falta de estudios en el estado sobre estas especies es difícil


tener resultados concisos. Por otro lado considerando estudios nacionales, los resultados obtenidos por el análisis de modelación son satisfactorios.

Figura 20. Mapa de pérdida de idoneidad del potencial actual al potencial 2020


Figura 21. Mapa de pérdida de idoneidad del potencial 2020 al potencial 2050


Usos de suelo y vegetación

Agric

ultu

ra

Agric

ultu

ra d

e te

mpo

ral

Área

s sin

veg

etac

ión

apar

ente

Bosq

ue b

ajo

Bosq

ue d

e en

cino

Bosq

ue d

e pi

no

Bosq

ue d

e ta

scat

e

Chap

arra

l

Cuer

pos

de a

gua

Mat

orra

l

Mez

quita

l

Past

izal

Selva

baja

cad

ucifo

lia

Vege

tació

n de

des

ierto

s ar

enos

os

Zona

urb

ana

Área idoneo actual

Área no idoneo actual

Área idoneo 2020

Área no idoneo 2020

Área idoneo 2050

Área no idoneo 2050

70 000

60 000

50 000

40 000

30 000

Área

en

Km2

20 000

10 000

0

Figura 22. Gráfico de áreas de idoneidad por uso de suelo y periodo.

Yáñez (2012) realizó un estudio de dos subespecies del género del Quercus emoryi y grisea (blanco y rojo) en el que obtuvo: que la distribución de encinos en el país es variada; aparentemente hay diferencias entre regiones geográficas, habiendo mayor riqueza de especies en la región central; algunas de distribu-ción México-Norteamericana. Los encinos blancos fueron más abundantes por entidad en el norte del país, en tanto que los rojos lo fueron en el sur; éstos resultaron más abundantes que los blancos en las regiones occidental-sur y sureste (Neyra, et al.,2010). En este estudio se utilizó la modelación bajo la máxima entropía, esta modelación predice para el estado de Chihuahua la dis-tribución potencial del Quercus emoryi y griseaobteniendo resultados actuales y a futuro (2020 y 2050), de los cuales se estimaron las áreas de idoneidad y de pérdida de la misma hacia los diferentes periodos analizados; es de gran importancia tomar en cuenta que la distribución de estas especies se da por factores ambientales como el cambio climático y factores antrópicos como el cambio de uso de suelo, incendios, tala, fragmentación del hábitat, entre otros. A diferencia de estudios anteriores como el de Yáñez, (2012). En este trabajo se generaron modelos de distribución y los recortaron con base en mapas de vegetación sin considerar el impacto humano y después los recortaron nueva-mente con mapas de vegetación basados en los inventarios nacionales foresta-


les de 1996 y 2000, que consideran el cambio de uso de suelo. La metodología utilizada en este análisis es un poco más compleja ya que se utilizaron capas ambientales no sólo actuales, también a futuro, además se agregaron capas de relieve, laderas y pendientes lo que permite obtener resultados más concisos; pero a su vez esta metodología es aplicable no sólo para la modelación de es-pecies vegetales sino también para estudios en casos análisis de distribución de fauna. Esto permite ubicar las zonas en que la especie existe actualmente con una gran potencial, y las regiones donde los determinados años contarán con las condiciones propicias para su desarrollo. Los resultados obtenidos en este estudio son de gran importancia para el estado, ya que por ser una región de productividad y comercialización del encino, se puede establecer un desarrollo sustentable de las especies debido a que se cuenta con una gran superficie apta para su producción agregando posibles regiones que podrían ser consideradas como Áreas Naturales Protegidas (ANP).

Considerando los factores antrópicos como la emisión de CO2 los re-sultados no muestran que sea un variable que afecte a la distribución de las especies; por otro lado el cambio de uso de suelo muestra que regiones en las que existe la especie han cambiado a ser suelos agrícolas, urbanos o suelo des-nudo, estos factores provocan que las especies tengan una mayor volumen en una menor área y a su vez estas se vayan desarrollando hacia partes más altas de su hábitat.

Tomando en cuenta los factores anteriormente mencionados con los resultados de las modelaciones, se considera la distribución potencial como una distribución histórica ya que esta ha sido afectada por acciones huma-nas; mientras que los resultados para las modelaciones a futuro la distri-bución potencial se toma como una distribución potencial ambiental, de-bido a que de un periodo a otro el área de idoneidad aumenta conforme a los cambios de temperatura registrados por el escenario CGCMA2. Estos cambios demuestran que para el año 2050 las condiciones bioambientales serán más propicias para la subsistencia y desarrollo del Q. Emoryi y grisea. Englobando en el tema del factor antrópico se considera que, en casos muy aislados puede existir una distribución de las especies benéfica, se mencionan las Áreas Naturales Protegidas (ANP), como un foco de conservación y de-sarrollo para las especies, en estos se toman en cuenta distintas variables para conservación de las especies, aunado a esto desarrollan estudios que puedan describir y ubicar centros en los que una(as) especies están en peligro de ex-tinción y establecer reglas o normas para su protección.


Para terminar; hay que tomar en cuenta que la distribución espacial de las especies está dada por dos factores: el entrópico y el ambiental, se conside-ran soluciones a futuro para la conservación de las especies, pero éstas son a largo plazo, es inminente la pérdida de ecosistemas, que con el tiempo estos se han fraccionado y modificado afectando no sólo su subsistencia sino también la del hombre.

CONCLUSIÓN

Se han modelado las especies del Quercus emoryi y Quercus grisea bajo las variables bioclimáticas actuales y el escenario no conservador A2 de worldclim hacia los años 2020 y 2050, se ha obtenido que bajo condiciones bioclimáticas actuales existe un área potencial actual idónea de 136 144.6386 km2 para el 2020 esta área disminuyó 16 878.3007 km2 prediciendo un potencial idóneo hacia esta fecha de 119 226.3378 km2; el modelado hacia el 2050 predice un área potencial idónea de 121 453.3356 km2 recuperando un área idónea de 2 186.9977 km2 hacia este año para las especies. Las regiones que comprenden las áreas predichas se ubican al oeste del estado de Chihuahua sobre la Sierra Madre Occidental (SMO) en donde el clima es templado subhúmedo y tem-plado semiseco donde se desarrollan bosques de (Quercus) encino. La mode-lación muestra que las especies se encuentran sobre toda la SMO, desde valles hasta las partes más altas de la sierra.

Los resultados indican que la distribución de las especies está dada por regiones geográficas como la pendiente y el relieve mientras que en aspectos ambientales sobresalen regiones que cuentan con peculiaridades climatológi-cas como: temperatura estacional, amplitud de la temperatura anual, tempe-ratura media del trimestre más cálido, precipitación del trimestre más frío y temperatura máxima del mes más caliente.

La región con menos área idónea es el noreste del estado, esta región está constituida por un clima cálido y seco, mientras que el área idónea para los tres periodos se encuentra en las regiones noroeste, sur-suroeste y una pequeña región al sureste del estado; estas cuentan con las características geo-gráficas y bioclimáticas antes mencionadas para la subsistencia y desarrollo de las especies. Este análisis ha demostrado que la distribución actual y a futuro de las especies no cambia significativamente de región; sin embargo los resul-tados presentan un aumento de idoneidad de área por lo que las condiciones bioclimáticas hacia el periodo de los años 2020-2050 se muestran satisfacto-rias para las especies.


La aplicación del método de máxima entropía muestra una gran solidez en los resultados de la modelación realizada, la comparación de los resultados obtenidos con los puntos de presencia de la base de datos GBIF (2001). El ín-dice kappa obtenido y la cartografía publicada respaldan el estudio dándole un alto nivel de significación, además de ser el primero realizado a nivel estatal.

BIBLIOGRAFÍA

Benito BM, Martınez-Ortega MM, Munoz LM, Lorite J, Penas J. 2009. As-sessing extinction-risk of endangered plants using species distribution models: a case study of habitat depletion caused by the spread of green-houses. Biodiv. Conserv. doi: 10.1007/s10531-009- 9604-8.

Bradley Efron.1979. “Bootstrap methods: Another look at the jackknife”, The Annals of Statistics, 7, 1-26.

Bravo j., Sánchez G., 2012, “Estudio de la distribución de las especies frente al cambio climático”, Cuadernos de biodiversidad. [http://www.uaeh.edu.mx/investigacion/icbi/LI_EcoConserBiolo/gerardo_sanchez/2011CuadernosBio.pdf: 5 de Noviembre del 2012].

Cerda J. y Villarroel L. 2008, “Evaluación de la Concordancia Inter-obser-vador en investigación Pediátrica: Coeficiente Kappa”, Bioestadística, Revista Chilena de Pediatría, vol. 79, núm. 1, Chile, 17 de Enero del 2008. [http://www.scielo.cl/pdf/rcp/v79n1/art08.pdf: [15 de Diciembre del 2012].

Elith J, Graham CH, Anderson RP, Dudik M, Ferrier S, Guisan A, Hij-mans RJ, Huettmann F, Leathwick JR, Lehmann A, Li J, Lohmann LG, Loiselle BA, Manion G, Moritz C, Nakamura M, Nakazawa Y, Overton JM, Peterson AT, Phillips SJ, Richardson K, Scachetti- Pereira R, Schapire RE, Soberon J, Williams S, Wisz MS, Zimmermann NE 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography 29: 129-151.

Engler R, Guisan A, Rechsteiner L. 2004. An improved approach for predic-ting the distribution of rare and endangered species from occurrence and pseudo-absence data. J. Appl. Ecol. 41: 263-274

Ferrier S, Watson G, Pearce J, Drielsma M. 2002. Extended statistical approa-ches to modeling spatial pattern in biodiversity: the north-east New South Wales experience. I. Species-level modeling. Biodiv. Conserv. 11: 2275–2307


Fielding AH, Bell JF. 1997. A review of methods for the assessment of predic-tion errors in conservation presence/absence models. Environ. Conserv. 24: 38-49.

García Y. 2012. “Los encinos: un Tesoro poco valorado”, Revista de divul-gación científica y tecnológica de la Universidad Veracruzana, Univer-sidad de Veracruz, vol. XXV, núm. 2, Mayo-Agosto del 2012. [http://www.uv.mx/cienciahombre/revistae/vol25num2/articulos/encinos/: 10 de Octubre del 2012]

Global Biodiversity Infomation Facility (GBIF), 2011: http://www.gbif.org/Guisan A, Thuiller W. 2005. Predicting species distribution: offering more

than simple habitat models. Ecol. Lett. 8: 993–1009.INE, 2010, “Para comprender el cambio climático” Cambio Climático en

México, Instituto Nacional de Ecología, México, 8 de Abril del 2010. [http://cambio_climatico.ine.gob.mx/comprendercc/queeselcc/quee-selcc.html: 2 de Noviembre del 2012].

INEGI, 2012. http://www.cuentame.inegi.org.mx/monografias/informacion/chih/default.aspx?tema=me&e=08

IPCC, 2001: climate change 2001: the scientific basis. Contribution of Wor-king Group 1 to the Third Assessment Report of the Intergovernmen-tal Panel on Climate Change, edited by J. T. Houghton, Y. Ding, D. J. Griggs, M. Noguer, P. J. van der Linden, X. Dai, K. Maskell and C. A. Johnson (eds). Cambridge University Press, Cambridge, UK, and New York, USA, 2001. No. of pages: 881.

Jáuregui L. y Oliden E., 2004. “Estimaciones Bootstrap para el Coeficiente de Determinación: un Estudio de Simulación”, Revista Electrónica de Me-todología Aplicada, España, vol. 9, núm. 2, España, pp. 1-14, 2004. [ht-tps://docs.google.com/viewer?a=vyq=cache:9taqpn67kxYJ:www.unio-viedo.es/reunido/index.php/Rema/article/view/9768/9511+yhl=esypi-d=blysrcid=ADGEEShf9zekCaeAP1c8DQ-T6pU0YzdzF5f81Ln-6RqVV7NFlpA7QhORdagwAWkGRec_eIU_rf-hWqoW1MUH-CAdndcQyvoghAz6oWpcklE_-ieTZfdCQ_z _orikAIX9yerV3eWm-vWIRsysig=AHIEtbRKY_HhZ4gfJMU5SEJ6i5zJHpwzrw: 22 de Noviembre del 2012].

Martínez N. 2010. “Apunte sobre modelación de nichos ecológicos”, Labora-torio de Evolución Molecular y Experimental, del Instituto de Ecología de la UNAM, Evolución Molecular, UNAM, 2010. [http://www.eco-logia.unam.mx/laboratorios/evolucionmolecular/images/file/ClaseSig/Apuntes_ENM_W.pdf: 7 de Noviembre del 2012].


Mateo R., Felicísimo A. 2011. “Modelos de distribución de especies: Una revisión sintética”, Revista Chilena de Historia Natural, Vol. 82, núm. 2, Chile, pp. 217-240, Junio del 2011. [http://www.scielo.cl/scielo.php?pi-d=S0716-078X2011000200008yscript=sci_arttext: 11 de Noviembre del 2012].

Mostacedo B. y Fredericksen T. 2000, “Manual de Métodos Básicos y Análisis en Ecología Vegetal”, Proyecto de Manejo Forestal Sostenible (BOL-FOR), Santa Cruz, Bolivia, 2000. [http://pdf.usaid.gov/pdf_docs/Pna-cl893.pdf: 22 de Noviembre del 2012].

Myers N, Mittermeier RA, Mittermeier CG, da Fonseca GAB, Kent. 2000. Biodiversity hotspots for conservation priorities. Nature 403: 853–858

Neyra L. y Durand L. 2012. “Biodiversidad”, Recursos Naturales parte II, bio-diversidad, 2010.[http://www.igeograf.unam.mx/web/sigg/docs/pdfs/publicaciones/inves_geo/boletines/72/normas_autores_bol72.pdf: 3 de Octubre del 2012].

Nix H.A. 1986. A biogeographic analysis of Australian Elapid snakes. In: Longmore R (Editor), Australian Flora and Fauna Series 8: 4-15.

Ortega-Huerta MA, Peterson AT. 2008. Modeling ecological niches and pre-dicting geographic distributions: a test of six presence-only methods. Revista Mexicana de Biodiversidad 79: 205-216.

Peterson AT. 2006. Uses and requirements of ecological niche models and related distributional models. Biodiv. Inform. 3: 59-72.

Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions. Ecol. Modell. 190: 231- 259.

Phillips SJ, Dudik M, Schapire RE. 2004. A maximum entropy approach to species distribution modeling. Proceedings of the 21st International Conference on Machine Learning. ACM Press, New York pp. 655–662.

Pliscoff T y Fuentes T. 2011, “Modelación de la distribución de especies y ecosistemas en el tiempo y en el espacio: una revisión de las nuevas he-rramientas y enfoques disponibles”, Revista de Geografía Norte Grande, nùm.48, Chile, pp. 91-79, Mayo del 2011. [http://www.scielo.cl/scielo.php?pid=S0718-34022011000100005yscript=sci_arttext: 11 de No-viembre del 2012].

Raynal J. 2008. “Comparación del Método de Máxima Entropía en la Esti-mación de Parámetros de la distribución de Valores Extremos Tipo I”, Información Tecnológica, Vol. 19 núm. 2, Mexico, pp.103-112, 2008. [http://www.scielo.cl/pdf/infotec/v19n2/art12.pdf: 19 de noviembre del 2012].


Thorn JS, Nijman V, Smith D, Nekaris KAI. 2009. Ecological niche modelling as a technique for assessing threats and setting conservation priorities for Asian slow lorises (Primates: Nycticebus). Divers. Distrib. 15:289-298.

Valencia S. 2004. “Diversidad del Genero Quercus (Fagaceae) en México”,So-ciedad Botanica de México, Boletín, núm. 75, Redalyc, México, pp 33-53, Diciembre 2004. [http://www.igeograf.unam.mx/web/sigg/docs/pdfs/publicaciones/inves_geo/boletines/72/normas_autores_bol72.pdf: 5 de Octubre del 2012].

Velázquez A., 2012. “Cambios en las coberturas de vegetación y usos del suelo en regiones con manejo forestal comunitario y áreas naturales protegi-das de México”, INE, Capítulo 10, México, 2012. [http://www2.ine.gob.mx/publicaciones/libros/532/cap10.pdf: 6 de Maro del 2013].

Wisz MS, Hijmans RJ, Li J, Peterson AT, Graham CH, Guisan A, NCEAS Predicting Species Distributions Working Group. 2008. Effects of sam-ple size on the performance of species distribution models. Divers. Dis-trib. 14: 763-773.

Yáñez C., Mandujano S., 2012. La conservación de los ungulados silvestres del bajo Balsas, México”, Mastozoología Mexicana, vol. 3, núm. 1, Ther-ya, pp. 67-79, Abril del 2012. [http://www.mastozoologiamexicana.org/therya/vol3num1/therya31_yanez.pdf: 6 de Noviembre del 2012].

Yáñez D. 2011.“Modelos de distribución de especies y su aplicación para la gestión de territorios”, Teledetección, IEE, 2011. [http://www.iee.gob.ec/clirsen/dmdocuments/08_modelos_ditribucion_especies.pdf: 8 de Noviembre del 2012]

427

C A P Í T U L O V I I

La Geoinformática como alternativa para el análisis de realidades educativas

Responsable: Fernando Sandoval Gutiérrez

Panorama general del capítulo

Hablar de educación en México es un ejercicio reiterado. Desde la emergencia del sistema educativo nacional, y so-bre todo desde hace un par de décadas, la reflexión con respecto a qué es lo que ocurre en las escuelas y cómo es que la experiencia educativa en su conjunto opera y puede ser mejorada se ha ido extendiendo y ampliando. Cada vez miramos con más exhaustividad y precisión estos fe-

nómenos, que por razones de índole económica, política y sobre todo social se han convertido en un tema estratégico para el país. En realidad siempre lo


han sido, sin embargo los eventos y transformaciones que observamos hoy en día en la educación en México tienen como nunca implicaciones profundas en temas clave para el devenir nacional.

Aunque resulta sencillo hacer propia la afirmación de que hablar de educación es importante, no lo es tanto encontrar los cómos para hacerlo. El incremento en el interés y en la frecuencia de las investigaciones sobre el tema aparentemente no ha contribuido significativamente al abatimiento de los grandes desafíos de nuestro sistema educativo. Para comprender me-jor esta afirmación basta ver que existe –mucho más allá de los rendimientos académicos medidos usando recursos estandarizados- un inventario mínimo simbólico y académico que alcanzan los niños con el tránsito por la escuela, pero este inventario con frecuencia no resulta suficiente para lidiar con los de-safíos de la vida cotidiana durante y después de estar estudiando. En términos agregados la pregunta de en qué medida la escuela pública está respondiendo a las prescripciones para el perfil de egreso contenidas en el Artículo Tercero Constitucional es inquietante.

De manera paralela a este fenómeno agregado, las escuelas son esce-nario de la actividad de miles de profesores que se empeñan por alimentar ese inventario simbólico y académico mediante el ejercicio de sus habilidades profesionales y de la adopción de una moral bienintencionada, cimentada en esquemas de valores específicos y en intereses íntimos y particulares por hacer las cosas bien, por lograr que los niños aprendan. Esto plantea una paradoja importante: ¿Por qué los resultados de nuestras escuelas son tan malos, si hay tantos maestros buenos? En el fondo estamos hablando de una realidad alta-mente compleja en la que se articulan innumerables acciones comunicativas enmarcadas en la escuela como fenómeno social y como escenario de cientos de miles de interacciones cotidianas.

Estudiar estas realidades altamente complejas no es fácil. Hoy en día los interesados en los procesos educativos nos enfrentamos a la necesidad de hacernos de recursos instrumentales nuevos, de trepar a nuevos miradores pa-radigmáticos para pensar mejor sobre lo que observamos, y para hacer más potentes los alcances de nuestras conclusiones. Por eso resulta tan importante que se ensayen aproximaciones al fenómeno educativo utilizando recursos ba-sados en la interdisciplinariedad y en el aprovechamiento de las nuevas tecno-logías analógicas y digitales. La Geoinformática cumple con estas condiciones, y añade un importante componente de versatilidad conceptual y metodológica al estudio de los fenómenos educativos.

Capítulo VII La Geoinformática como alternativa para el análisis de realidades educativas 429

El trabajo de Claudia Legarreta es un excelente ejemplo de cómo puede plantearse un proyecto de investigación basado en esas premisas. Se trata de un estudio de las relaciones que se tienden entre el contexto en el que opera la escuela y los rendimientos de los niños, utilizando el abanico instrumental de la Geoinformática. Su aportación más importante radica en que utiliza esta disciplina para mirar al objeto de estudio usando recursos poco utilizados en estudios educativos, con lo que se logra echar luz sobre matices velados en la relación de la escuela y su entorno. El trabajo de Claudia tiene una virtud adicional: reenfoca el interés hacia la reflexión de la escuela en su conjunto, y no del docente como responsable solitario de los rendimientos de los niños, lo que permite entender el fenómeno educativo como un proceso enfáticamente comunicativo, pero sobre todo social. Este golpe de timón en la manera de concebirlo, y en la forma en la que miramos y estudiamos lo que sucede en las escuelas mexicanas, supone un paso adelante en los esfuerzos compartidos por hacer realidad las prescripciones constitucionales para las y los egresados de la educación pública mexicana.

En este capítulo se presenta el siguiente trabajo:Legarreta Miranda Claudia Karina, Sandoval Gutiérrez Fernando,

Wiebe Quintana Lara Cecilia y Trevizo Nevarez María Olivia (2013). Co-rrelación entre los indicadores sociodemográficos y de rendimiento escolar en escuelas primarias de ciudad Cuauhtémoc, Chihuahua. .

431

Correlación entre indicadores

sociodemográficos y de rendimiento escolar en escuelas primarias de

ciudad Cuauhtémoc

Claudia Karina Legarreta Miranda, Fernando Sandoval Gutiérrez, Lara Cecilia Wiebe Quintana y María Olivia Trevizo Nevares

INTRODUCCIÓN

Los trabajos acerca de indicadores estadísticos sobre la realidad educativa son instrumentos analíticos que permiten compren-der mejor la realidad de lo que ocurre en las escuelas. Desde tiempo atrás el interés por entender a las instituciones educa-tivas se ha convertido en uno de los temas más importantes para la investigación social, asociado a la necesidad de mejorar la calidad de la oferta de la educación escolarizada y a que los

sistemas educativos en las sociedades contemporáneas consumen buena parte de los presupuestos nacionales (Consejo Mexicano de Investigación Educa-tiva, 2003).


La educación es un factor de desarrollo estratégico para la sociedad, por ello, un acercamiento prometedor para saber más acerca de lo que sucede en las instituciones dedicadas a los servicios educativos, consiste en practicar un aná-lisis correlacional entre los indicadores socioeconómicos de los contextos en los que operan dichas instancias y los índices de aprovechamiento académico que arrojan, para así identificar posibles relaciones entre los resultados de lo que está ocurriendo dentro del salón de clases con los factores subyacentes al alumno.

El presente reporte de investigación es un ejemplo de ese tipo de in-dagaciones (Elacqua, 2007), pensado con un propósito central: construir una explicación de los posibles factores que inciden en la realidad escolar y su po-tencial influencia en los resultados del proceso de aprendizaje, tomando como base para el estudio una serie de indicadores que se usarán como herramienta para el análisis planteado. La investigación se planteó teniendo en cuenta que la educación es un espacio que nos involucra todos, siendo éste uno de los ám-bitos que cuentan con mayor inversión en capital humano y en otro tipo de re-cursos. Es aquí donde adquiere importancia su estudio y análisis, debido a las implicaciones sociales que tiene una buena o una mala experiencia educativa.

Uno de los aspectos más llamativos de éste trabajo es que se trata de una investigación realizada desde la perspectiva de la Geoinformática pero con un enfoque social. Este tipo de análisis puede implementarse ya que ésta disciplina es multidimensional. Utilizando el conjunto de herramientas que conforman la Geoinformática, se puede llevar a cabo una amplia variedad de estudios, permi-tiendo la obtención de resultados más precisos y potentes para la comprensión y transformación de la realidad estudiada. Aunque a primera vista pareciera ser que las Ciencias Sociales se alejan del campo de estudio de la Geoinformática, en realidad hay muchos puntos de encuentro entre ellas: las dos disciplinas se dedican a estudios humanos o factores en los que intervienen aspectos sociales, diversos indicadores socioeconómicos se pueden estudiar fácilmente por me-dio de los llamados Sistemas de Información Geográfica (SIG), facilitando el análisis y el desarrollo en un contexto determinado.

Por otro lado el tomar como herramienta de apoyo a los sistemas de información geográfica permite contar con un abanico de posibilidades analí-ticas, como las que se exploran en el presente estudio. Además, la importancia del trabajo compartido entre las Ciencias Sociales y la Geoinformática radica en su capacidad para descubrir dimensiones de las realidades estudiadas que de otra manera seguirían ocultas; en otras palabras, la Geoinformática consti-tuye un mirador novedoso para observar los fenómenos educativos.


Finalmente es importante afirmar que el trabajo con indicadores so-ciodemográficos tiene una gran importancia debido a que por medio de éste podemos realizar estimaciones espaciales y temporales en cortes amplios, lo que implica la posibilidad de entender lo que sucede entre la población y el es-pacio a su alrededor de manera más profunda. En todo caso, la posibilidad de combinar lo que sabemos del contexto sociodemográfico de las escuelas con sus resultados académicos es muy importante, y nos permite tomar mejores decisiones con respecto a la política educativa y al destino del financiamiento que recibe el Sistema Educativo Estatal.

Planteamiento del problema

Por medio de éste trabajo se respondió el cuestionamiento siguiente:¿Cómo se relaciona un conjunto de indicadores sociodemográficos con una selección de indicadores de rendimiento de algunas escuelas primarias de la ciudad de Cuauhtémoc?

La pregunta se contestó mediante la realización de un análisis de tipo descriptivo-correlacional entre una serie de indicadores sociodemográficos (densidad de población, población ocupada en edad de trabajar, porcentaje de población indígena e índice de marginación) y otros más identificados como indicadores de rendimiento escolar (resultados en los exámenes de ENLACE alcanzados en Matemáticas, Español, Ciencias; reprobación y deserción), para así construir un modelo que permita conocer cómo se correlaciona este con-junto de indicadores sociodemográficos con el rendimiento de los estudiantes y con los índices de deserción y reprobación de las escuelas a las que acuden. Cada una de las variables a estudiar responde a una selección que se explicará líneas más adelante. Es así que la pregunta de trabajo puede explicarse me-diante el cuadro 1:

Cuadro 1. Pregunta de trabajo

Indicadoressociodemográficos

¿Cómo secorrelacionan?

Indicadores de rendimiento

Densidad poblacional.Porcentaje de población indígena.Índice de marginación.Población ocupada en edad de trabajar

Resultados en ENLACE en EspañolResultados en ENLACE en Matemáticas.Resultados en ENLACE en CienciasDeserciónReprobación


Los indicadores que conforman la pregunta de trabajo anteriormente mencionada fueron seleccionados con base en el análisis de investigaciones similares realizadas con anterioridad que indican por qué son esos y no otros los que tienden a correlacionarse de manera más significativa (Márquez Jime-nez, 20101-25).

Los proyectos de análisis de relaciones correlacionales son cada vez más comunes en contextos sociales, y exploran la magnitud en la que el comporta-miento de una determinada variable afecta el comportamiento de una o más variables. Para el caso de esta investigación, resulta importante resaltar que enfatiza la búsqueda de una potencial correlación significativa entre uno o más de los indicadores sociodemográficos seleccionados con uno o más de los indicadores de rendimiento escolar usados.

Hipótesis

Dados los términos en los que se planteó la pregunta de trabajo, el proyecto de investigación se encaminó en un sentido exploratorio, con el propósito de describir una potencial correlación significativa entre dos colecciones de va-riables, y avanzar en la comprensión de sus causas posibles. En ese sentido, la hipótesis de trabajo fue de carácter correlativo y se enunció así:

El contexto en el que se inserta la mayoría escuelas primarias de la ciudad de Cuauhtémoc se correlaciona de manera directa con los resultados académicos de dichos centros educativos

Es importante precisar que las hipótesis de tipo correlativo presentan características específicas que las distinguen de hipótesis de otro tipo, según el metodólogo Roberto Hernández Sampieri, una hipótesis correlativa debe presentar las siguientes características:

“debe especificar las relaciones entre dos o más variables, debe explicar cómo están asociadas, el orden en que se coloquen dichas variables no es importante” (Her-nández Sampieri, 2010).

Una consideración de relevancia es que para el caso de ésta investiga-ción, las expectativas de los alcances del proyecto son de tipo descriptivo y posiblemente explicativo.

Objetivos generales


1. Comprender cómo se correlacionan los resultados de las escuelas prima-rias estudiadas con el contexto en el que operan.

2. De entre el conjunto de correlaciones identificadas, ubicar las correlacio-nes con signficancia entre los indicadores estudiados.

3. Contribuir al mejoramiento de lo que ocurre en las escuelas primarias de la ciudad.

Objetivos específicos

1. Identificar los patrones de distribución espacial de los indicadores de ren-dimiento académico de las instituciones educativas estudiadas en relación correlacional con los indicadores sociodemográficos.

2. Practicar un acercamiento simultáneo al tema de estudio desde la Geoin-formática y desde las Ciencias Sociales, para construir conclusiones más informadas.

3. Identificar las colas de la distribución normal de los indicadores de ren-dimiento educativo en busca de casos atípicos, que posibiliten otros acer-camientos analíticos.

4. Comparar los resultados de este estudio con los obtenidos en otras inves-tigaciones en otros contextos.

5. Alimentar el debate académico con respecto a cómo mejorar la calidad de la oferta educativa en el estado de Chihuahua.

Justificación

Inicialmente podemos afirmar que los estudios sobre los asuntos educativos son intrínsecamente relevantes ya que la educación es un bien público de pri-mera importancia; es un factor de desarrollo económico, político y social de cualquier nación.

En otro sentido, mejorar los servicios educativos es una preocupación co-lectiva histórica en nuestro país: ello explica parcialmente la ampliación de la cobertura del servicio educativo a nivel nacional iniciada desde la década de los veinte del siglo pasado y el aumento sostenido a los presupuestos de la Secreta-ría de Educación Pública (SEP) (Secretaría de Educación Pública, 2008). Sin embargo, la educación en México sigue enfrentando serios problemas de calidad (Secretaría de Educación Pública, 2008). En otras palabras, es posible afirmar que la primera justificación de estudios como el que se presenta es que la socie-


dad mexicana espera aún mucho de sus escuelas. Entre otras, se tienen las si-guientes expectativas del Sistema Educativo Nacional (SEN) (Miranda, 1995):

• Se espera que la escuela sea un factor de movilidad social, en términos ge-nerales se mantiene la idea de que si una persona eleva su preparación académica, podrá alcanzar una mejor calidad de vida, podrá ser “alguien importante”.

• Existe la expectativa social que la escuela contribuya a la disminución de la violencia. Se mantiene la idea de que el tránsito por la escuela permi-tirá que amplias masas de la sociedad encuentren un plan de vida, una ocupación, disminuyendo las motivaciones para las conductas y prácticas violentas que se han convertido en un verdadero flagelo para la sociedad mexicana en los últimos años.

• La sociedad mexicana tiene la expectativa de que la escuela formará ciudada-nos exitosos y realizados. Se sostiene la visión de que la preparación escolar permitirá a los individuos el cumplimiento de sus expectativas de vida (Miranda, 1995).

Por todo ello, mientras más se conozca con respecto a lo que sucede en los centros educativos, se conocerá más acerca de cómo potencializar las acciones de los maestros y maestras de México para poder dar respuesta a dichas expectativas sociales. Naturalmente se entiende que el SEN no está en posibilidades de ofrecer todas las respuestas de los complejos problemas so-ciales que enfrenta el país y que en muchos sentidos son multidimensionales, sin embargo la investigación educativa aparece como un recurso efectivo para saber más acerca de los complejos fenómenos que ocurren teniendo como escenario la escuela.

En cuanto a la realización de éste trabajo, es posible afirmar que su di-seño y aplicación es de gran importancia debido a que permite contar con un panorama más amplio acerca de la realidad educativa y de cómo se relaciona ésta con su entorno.

Por otro lado, por medio de las conclusiones que se obtuvieron se puede enriquecer el proceso de toma de decisiones de los encargados del diseño y la implementación de las políticas educativas, mediante una comprensión más precisa de lo que pasa en las escuelas, propiciando así un avance en la forma en la que se pueden estudiar éstas y facilitando la comprensión de los diferentes escenarios con base en resultados más precisos.


Adicionalmente, el trabajo presente puede ser un insumo para resolver un problema que actualmente enfrentamos: no tenemos claro cómo se rela-cionan los centros escolares con su contexto en nuestra ciudad; saber de esto es importante porque a partir de estos resultados se pueden tomar acciones mejor documentadas para beneficio de los alumnos. Si no avanzamos en el conocimiento de cómo se relaciona el contexto en el que se ubica la escuela y los resultados que ésta arroja, estaremos propiciando la ignorancia de esta relación estratégica en el logro de mejores resultados educativos.

Naturaleza de la investigación

La investigación que se presenta es de tipo cuantitativa, por lo tanto, presen-ta las características siguientes:

• La investigación es el resultado de la revisión de la literatura asociada al tema, de un conjunto de acervos documentales y de diversas bases de datos.

• Depende de los objetivos del investigador para combinar los elementos en el estudio.

• Permite ofrecer predicciones limitadas a los indicadores de correlación estudiados.

• Explica la relación entre las variables analizadas y• Cuantifica las relaciones entre ellas (Hernández Sampieri, 2010).

Las investigaciones cuantitativas se clasifican mediante la siguiente ta-xonomía: exploratorias, descriptivas, correlacionales y explicativas. Esta inves-tigación es de tipo correlacional, por ello, la finalidad del proyecto es investigar en qué medida el comportamiento de una variable se refleja sobre el compor-tamiento de otra más. Si la relación entre las variables es positiva, se cuenta con elementos para presumir la existencia de una relación entre el comporta-miento de ambas variables. Procedimientos estadísticos tales como el índice de correlación posibilitan además estimar la magnitud de dicha relación. En cambio, si se encuentra que el indicador de correlación entre una y otra es negativo, es posible afirmar que ambas variables presentan comportamientos totalmente independientes (Hernández Sampieri, 2010).

El punto clave de este planteamiento radica en explicar cómo se rela-cionan las variables que estamos estudiando y la cuál es la magnitud de su


correlación. En este caso, se desea saber el comportamiento de un total de 18 variables, conocer su relación y cómo cada una influye en la otra.

Un riesgo en este tipo de estudios es incurrir en un error común que los metodólogos denominan correlación espuria (Hernández Sampieri, 2010). Este error consiste en el establecimiento de indicadores de correlación que aparentemente son válidos –incluso pueden llegar a serlo en términos neta-mente estadísticos- pero que en realidad no reflejan una relación verdadera entre una variable y otra.

Para el caso de este proyecto no existe este riesgo puesto que estos indi-cadores han sido analizados ya en otros contextos por esfuerzos de investiga-ción similares al que se presenta (Consejo Mexicano de Investigación Educa-tiva, 2003). En otras palabras, el planteamiento de la investigación no se basó en una presunción personal, o en la observación de una tendencia específica que puede resultar falsa (Guzman Arredondo & Alvarado Cabral, 2008), sino en la revisión de la literatura existente.

METODOLOGÍA

Delimitación de los indicadores a analizarPara el planteamiento de la investigación, fue necesario establecer una se-lección de los indicadores a analizar con base en la revisión de la literatura existente acerca del tema y de experiencias de investigación similares. El pro-pósito fue trabajar con una buena selección de indicadores de uno y otro tipo que arrojaran resultados significativos a la hora de buscar correlaciones entre unos y otros.

Con respecto a los indicadores educativos, se utilizaron dos criterios para seleccionarlos:

• Por rendimiento de los estudiantes en exámenes o evaluaciones.• Por operación del centro escolar.

Primeramente se planteó la selección de indicadores de rendimiento de los estudiantes en exámenes o evaluaciones. Esto hace referencia a la evalua-ción del conocimiento adquirido o construido en el ámbito escolar. La cons-trucción de estos indicadores parte de la idea de que un estudiante con buen rendimiento académico es aquél que obtiene calificaciones positivas en los exámenes que debe presentar a lo largo de un periodo escolar, y que, en con-


secuencia, una buena escuela es una en la que los estudiantes obtienen buenos resultados en los exámenes (Secretaría de Educación Pública, 2006).

En otras palabras, el rendimiento académico es una medida de las capa-cidades del alumno que expresa lo que éste ha aprendido a lo largo su proceso formativo. En este sentido, el rendimiento académico está vinculado en esta visión a la capacidad del estudiante para responder un examen escrito.

Éste auge de las pruebas escritas para los estudiantes está relacionado con una tendencia creciente a nivel internacional a medir la calidad de las es-cuelas con base en sus resultados medibles, en este sentido, la forma de evaluar la calidad de los planteles educativos se ha asociado a los exámenes escritos cada vez más en los últimos cuarenta años. La primera evaluación del apren-dizaje a nivel nacional se llevó a cabo durante el sexenio del presidente José López Portillo (1976-1982). Con este ejercicio se pretendió conocer si los estudiantes de las escuelas primarias en México habían adquirido y construido las capacidades esenciales para participar en la comunidad y que tan capaces eran para aplicar lo que iban aprendiendo, esa experiencia de evaluación del SEN constituye el antecedente más temprano de la aplicación de exámenes estandarizados en México (Instituto Nacional para la Evaluación de la Edu-cación, 2005). La práctica de evaluaciones de esta naturaleza se volvió con los años en un ejercicio cada vez más frecuente, hasta convertirse en una práctica común a partir de la década de los noventa.

Desde entonces la evaluación del Sistema Educativo Nacional mediante el uso de instrumentos estandarizados se ha ido transformando en una herra-mienta estratégica para la planeación educativa nacional. Adicionalmente la instalación de la cultura de uso de dichos instrumentos estandarizados en Mé-xico ha contribuido a la implantación en diversos niveles educativos de con-troles de calidad, de eficacia, rendimiento o excelencia. El uso de instrumentos estandarizados, y en general la ampliación de una cultura de la evaluación es muy positiva para los procesos educativos, dado que la evaluación se convierte en un reductor de incertidumbres en diversos niveles del SEN (Pérez Daniel & Ibarra Valenciana, 2011).

Hoy en día aunque en nuestro país se aplican diversos instrumentos estandarizados para la medición de rendimientos escolares -TIMSS (Institute of Education Sciences, 2013), PISA (OECD, 2013), entre otros-, uno de los exámenes escritos más conocidos en el ámbito educativo mexicano es el del programa de Evaluación Nacional del Logro Académico en Centros Escola-res (ENLACE), es una prueba que tiene como principal objetivo proporcionar información con respecto al nivel de dominio de los estudiantes sobre los con-


tenidos de las asignaturas de Español, Matemáticas y Ciencias. Se aplica cada año a todos los alumnos de tercero a sexto grados de primaria, de tercero de secundaria y de tercer grado de educación media superior (ENLACE, 2012).

Además de ejercicios de examinación nacionales, México ha participado desde hace años en otras evaluaciones estandarizadas de magnitud interna-cional, como el tercer Estudio Internacional sobre Matemáticas y Ciencias (TIMSS), las pruebas del Laboratorio Latinoamericano de Evaluación de la Calidad Educativa de la OREALC (LLECE) y el Program for International Student Assessment (PISA) de la OCDE.

La aplicación de los instrumentos de ENLACE arrancó durante el ciclo escolar 2005-2006. Sus resultados se dan a conocer a partir del mes de septiembre de cada año mediante diversos canales: documentos impresos, informes a cada padre de familia y vía internet, en la redacción de dichos resultados se evita el uso de tecnicismos que podrían dificultar su interpretación; se incluyen referencias para comparar los resultados de los estudiantes y para poder comprender mejor el significado del nivel del logro en el que éstos se ubican (ENLACE, 2012).

Desde su arranque, la responsabilidad del diseño, aplicación y difusión de los resultados de las pruebas ENLACE recayeron en el Instituto Nacional de Evaluación Educativa (INEE) (INEE, 2007). En fechas recientes el Ins-tituto se vio envuelto en la polémica debido a su importancia en la reforma constitucional del 21 de diciembre de 2012, que le otorgó autonomía a dicho órgano y que lo facultó para aplicar exámenes de acceso, ascenso y permanen-cia al servicio docente (Cámara de Diputados del Honorable Congreso de la Unión. LXII Legislatura, 2012). ENLACE divide sus resultados en cuatro categorías, a saber: insuficiente, elemental, bueno y excelente, clasificando así los alcances de los estudiantes y permitiendo una comprensión de los rendi-mientos en Español, Matemáticas y Ciencia mediante un sistema de clusters. Es así que, de ENLACE, utilizamos en este estudio los siguientes indicadores:

1. Insuficiente en Español2. Elemental en Español3. Bueno en Español4. Excelente en Español5. Insuficiente en Matemáticas6. Elemental en Matemáticas7. Bueno en Matemáticas8. Excelente en Matemáticas9. Insuficiente en Ciencias


10. Elemental en Ciencias11. Bueno en Ciencias12. Excelente en Ciencias

Adicionalmente a los indicadores de rendimiento de ENLACE, se trabajó en el planteamiento de ésta investigación con otros dos indicadores educativos reportados en el Sistema de Indicadores del Instituto Nacional de Evaluación Educativa (INEE): deserción y reprobación (INEE, 2007).

Se realizó ésta selección de indicadores debido a diversas razones: de entrada son los que se encuentran disponibles en el nivel de desagregación que compete a las necesidades de información de éste proyecto de investigación (plantel escolar). Además, la revisión de la literatura relativa al tema permitió ver que son los que en otros contextos presentan correlaciones significativas con indicadores sociodemográficos. Así lo señalan investigaciones en Europa (Elacqua, 2007) y en México (INEE, 2007).

Delimitación de la selección de escuelas analizadasEl presente estudio se realizó en un conjunto de escuelas primarias de los tres tipos de sostenimiento ubicadas en la mancha urbana de la ciudad de Cuauhtémoc, en el estado de Chihuahua. El trabajo abarcó un conjunto de 54 escuelas, cifra que representa el 94.73% del universo total de centros edu-cativos de nivel primaria en la ciudad. Inicialmente la pretensión era poder trabajar con todos los planteles de la ciudad, sin embargo debido a una serie de circunstancias técnicas que es explican en las líneas siguientes, quedaron fuera de este estudio tres centros educativos.

La lógica para la organización espacial de los centros educativos fue agruparlos por área geoestadística básica (AGEB). Este concepto se concep-tualiza como:

“Una herramienta para permitir la formación de unidades primarias de muestreo y la organización de la información estadística. Tiene tres atributos fundamentales: a) es perfectamente reconocible en el terreno por estar delimi-tada por rasgos topográficos identificables y perdurables; b) por lo general es homogénea en cuanto a sus características geográficas, económicas y sociales; c) su extensión es tal que puede ser recorrida por una sola persona. Las AGEB se clasifican en más y menos urbanizadas, dependiendo de su densidad de vi-viendas”. (Instituto Nacional de Estadística y Geografía, 2013)


En todo caso la cobertura de la investigación es lo suficientemente am-plia para poder construir conclusiones sólidas con respecto a las posibles co-rrelaciones entre las variables estudiadas.

Se analizó éste grupo de instituciones educativas debido a que todas ellas contaron con los requisitos técnicos necesarios para el análisis propues-to, su selección se llevó a cabo por medio de una depuración del padrón de centros educativos de la SEP mediante los siguientes criterios; para poder ser parte del estudio, cada centro de trabajo debió:

1. Localizarse dentro de la mancha urbana de la ciudad de Cuauhtémoc, en el municipio del mismo nombre del estado de Chihuahua.

2. Pertenecer al tipo educativo de educación básica, de nivel primaria de cualquier sostenimiento.

3. Contar con resultados de exámenes ENLACE.

La selección de las escuelas se ajustó a las de nivel primario porque es el nivel que atiende la mayor parte de la matrícula de la educación básica. Es decir, el estudio pudo haberse realizado igualmente con los planteles de nivel preescolar, o con los de secundarias ubicadas en la ciudad, sin embargo, dado que la matrícula en primaria es mayor, nos permite anticipar la obtención de conclusiones más acertadas al haber trabajado con ese nivel.

Dicha selección incluyó a las escuelas primarias de los tres sostenimien-tos, esto se decidió para analizar sus indicadores sin importar su modalidad de financiamiento y para poder contar con un nivel más de desagregación de los resultados.

Solamente tres de las instituciones evaluadas por ENLACE en la loca-lidad fueron descartadas, esto se debió a que se encontraban fuera de la zona urbana y no se contaba con los datos suficientes para su estudio. Las tres son rurales y sus datos no eran accesibles para este proyecto.

El acopio de los datos para la integración de la selección de escuelas se realizó por medio de la consulta a las siguientes fuentes de información:

• Portal de acceso al Padrón Nacional de Escuelas. Sitio mantenido por la SEP que ofrece información básica (nombre del centro escolar, clave federal, nombre del director) referente a escuelas oficiales y particulares que tanto en el ámbito federal como estatal se encuentran incorporadas al SEN, así como domicilio, teléfonos, correo electrónico y página web (Padrón Nacional de Escuelas, 2013).


• Evaluación Nacional del Logro Académico en Centros Escolares, Documento editado por la SEP que informa acerca del logro académico en Matemá-ticas, Español y Ciencias (ENLACE, 2012).

• Sistema Nacional de Información de Escuelas. Sitio web mantenido por el Gobierno Federal que incluye información detallada de la ubicación geo-gráfica de cada escuela pública y particular en el país, además de otros datos: índices de deserción y reprobación, número de docentes por grado, número de docentes especiales y matrícula de la escuela (SNIE, 2013).

Para trabajar en la ubicación espacial de las escuelas analizadas se con-sultó el portal del Sistema Nacional de Información de Escuelas (SNIE) para integrar una base de datos adicional con la dirección, clave y el nombre com-pleto de cada una de las 54 instituciones estudiadas. Adicionalmente, utilizan-do como herramienta el paquete informático ArcGis, se geolocalizó cada uno de los planteles.

Delimitación espacial del estudioEl municipio de Cuauhtémoc es uno de los más importantes del estado de Chihuahua en términos económicos, políticos y sociales. Se divide en tres secciones municipales: Anáhuac, Álvaro Obregón y Lázaro Cárdenas. El mu-nicipio se encuentra situado en la región centro-oeste del estado, en la zona de transición entre la meseta y la sierra. Se localiza en la latitud norte 28º 25’’; longitud oeste 106º 52’; con una altitud de 2,060 metros sobre el nivel del mar. Colinda al norte con Namiquipa, al este con Rivapalacio, al sur con Cusihuiriachi y con Gran Morelos; al oeste con Bachíniva y con Guerrero. La cabecera municipal se encuentra a 103 kilómetros de la capital del estado (INEGI, 2010).

El territorio del municipio se sitúa en las estribaciones de la Sierra Ma-dre Occidental, lo que le da un relieve accidentado en su región occidental, mientras que en el este es principalmente plano. El municipio tiene una super-ficie de 3,018.90 km2, lo que representa el 1.2% de la superficie total del estado.

El uso predominante del suelo es agrícola y ganadero. La tenencia de la tierra en su mayoría es privada con 156,573 hectáreas, equivalentes al 51.9%. El régimen ejidal comprende 64,307 hectáreas, que representan el 21.3%; a usos urbanos corresponden 75,472 hectáreas, que significan el 25.04% del suelo total (INEGI, 2010).

Con respecto a otras consideraciones del contexto, de acuerdo a datos del Consejo Nacional de Población (CONAPO), el 98% de la población de 15


años o más del municipio es capaz de leer y escribir y tan solo el 56% solamente cuenta con primaria terminada (Consejo Nacional de Población, 2000). Por otro lado, con una tasa de crecimiento de 7.7% para el 2007, Cuauhtémoc abar-ca el primer lugar en cuanto a la población total de la entidad (UACJ, 2008).

La selección de escuelas estudiadas en este proyecto de investigación opera en una ciudad considerada como media según su tamaño; Cuauhtémoc es un asentamiento que en 2010 contaba con 154, 639 habitantes y que se ubica hacia el sur del municipio del mismo nombre, en la región sur de un amplio valle que por sus condiciones geográficas es ideal para el desarrollo de una serie de actividades económicas: la agricultura, la ganadería, el comercio y la industria (Instituto Nacional de Estadística y Geografía, 2011).

El área en la que se ubican las escuelas analizadas se corresponde con la mancha urbana de la ciudad de Cuauhtémoc (figura 1). La ciudad se despliega en un polígono de unas 467 mil 374 hectáreas, mayormente extendido en una serie de planicies extendidas en las riberas del arroyo San Antonio y que son interrumpidas por dos elevaciones orográficas hacia el suroeste de la ciudad. En diversas secciones de la mancha urbana se ubica un sistema de huertas manzaneras, que comparten el espacio con otros sectores destinados al uso industrial, agrupados principalmente hacia la salida a Ciudad Anáhuac al no-reste y hacia la Colonia Álvaro Obregón al noroeste. Los lindes de la ciudad se delimitan con polígonos que se utilizan para fines agrícolas y pecuarios, principalmente para la siembra de maíz y frijol y para agostadero. Otras carac-terísticas de la ciudad, tales como el volumen de su población, su traza urbana, las características de sus vialidades, permiten considerarla una ciudad media.


Figura 1. Ciudad Cuauhtémoc Chihuahua. Fuente: elaboración propia.

Caracterización de los indicadores de rendimientoEn este punto del estudio, se alimentó la matriz de trabajo con los datos co-rrespondientes a cada uno de los 54 planteles analizados. Dicha matriz se integró con las categorías siguientes:

1. Deserción2. Reprobación3. Insuficiente en Español / Matemáticas / Ciencias4. Elemental en Español / Matemáticas / Ciencias5. Bueno en Español / Matemáticas / Ciencias6. Excelente en Español / Matemáticas / Ciencias

El análisis inicial de esta tabla nos permitió construir una idea general del comportamiento de los indicadores de rendimiento, mediante la identifi-cación de los casos extremosos de cada uno de los indicadores y de la media en los indicadores de reprobación y deserción de la selección de escuelas estudia-das. Es importante recordar que el trabajo abarcó un 95% del total de planteles de primaria en Cuauhtémoc, por lo que sus resultados son casi universales.


Análisis descriptivo de los indicadores de rendimiento

A continuación, como una estrategia para comprender mejor las característi-cas de la selección de escuelas estudiadas, se sometió el conjunto de indicadores seleccionados a un análisis estadístico descriptivo. Éste tipo de estudios, de acuerdo a Hernández Sampieri (2010), permite especificar propiedades, carac-terísticas y rasgos importantes de cualquier fenómeno, describiendo tendencias.

Enseguida, mediante el empleo de recursos de la estadística descriptiva, se obtuvo una medida de tendencia central de cada indicador educativo desa-gregado por AGEB. El principal propósito de este procedimiento consistió en identificar patrones de comportamiento de los indicadores educativos asocia-dos a las AGEB, que permitieran avanzar en la construcción de conclusiones posteriores.

Así, los datos se analizaron de acuerdo a su comportamiento en una distribución normal. Las medidas de tendencia central, tal y como la que uti-lizamos, constituyen puntos específicos en una distribución determinada. La media es una medida de este tipo.

Es importante decir que este análisis es de tipo paramétrico. Para llevar a cabo análisis de este tipo debe partirse de varios supuestos:

La distribución poblacional de la variable dependiente es normal.El nivel de medición de las variables puede presentarse por intervalos o por razón.Cuando dos o más poblaciones son estudiadas, tienen una varianza ho-mogénea.

Para poder analizar los valores contemplados en la fórmula anterior se construyeron matrices para cada una de los indicadores estudiados. En la misma matriz donde se integraron las escuelas se agregaron los datos de ren-dimiento por centro escolar. Esta información fue obtenida por medio de la consulta del portal digital del programa ENLACE. Como ya se dijo, dicha información, correspondiente a las tres áreas del instrumento ENLACE (Es-pañol, Matemáticas y Ciencias) fueron subdivididos a su vez en las siguientes categorías: insuficiente, elemental, bueno y excelente, que corresponden a las categorías por medio de las cuales ENLACE reporta sus propios resultados.

Análisis descriptivo de los indicadores sociodemográficos


Una vez que se terminó esta parte del estudio, se procedió a construir las matrices correspondientes a la información sociodemográfica de las AGEBS contenidas en el proyecto de investigación. Para la obtención de estos datos se utilizó como única fuente los datos provistos por el Instituto Nacional de Geografía e Informática (INEGI) con respecto a los siguientes indicadores:

• Densidad de población,• Porcentaje de población indígena• Porcentaje de población ocupada en edad de trabajar• Índice de marginalidad

Los datos se localizaron por lugar de trabajo que a su vez se analizaron por AGEB, haciendo una depuración de las cuales no se tenían datos y/o no contaba con cobertura escolar alguna.

Análisis de patrones

De manera adicional a la aproximación meramente estadística a los datos, se generó una colección de mapas en los cuales se incluyeron las variables y su comportamiento para con las demás. En estos mapas se incluyó traza urbana y las escuelas pertenecientes al estudio para tener un panorama más limpio de su localización y distribución.

La realización del procesamiento espacial, se llevó a cabo en el programa ArcMap 10.0, en el cual se involucraron bases de datos previamente realiza-das y AGEBS de la ciudad, para proceder con la actualización y realización de los mapas correspondientes. Estos mapas se realizaron sobre la base de los hallazgos obtenidos, para con ellos demostrar de una forma gráfica el com-portamiento de una y otra variable. Se utilizó un comando a emplear según su función y utilidad: La herramienta Autocorrelación espacial I de Moran glo-bal. Hasta el momento se han expuesto algunos métodos para recoger la con-figuración espacial de las unidades, aplicadas a un tópico de la investigación en Ciencias Sociales como es la segregación residencial. Una vez cumplido este objetivo el siguiente paso consiste en analizar si el comportamiento de las va-riables refleja está determinada configuración. El análisis de la autocorrelación espacial permite descubrir si se cumple la hipótesis de que una variable tiene una distribución aleatoria o si, por el contrario, existe una asociación signifi-cativa de valores similares o no similares entre zonas vecinas. Expresado en otros términos; se trata de analizar si la distribución de las variables muestra


la configuración espacial de las unidades sobre las cuales se observa, o si por el contrario esta distribución es independiente de dónde se realiza. La autoco-rrelación espacial puede ser definida como el fenómeno por el cual la similitud de observaciones próximas espacialmente se une con la similitud de valores. Así, valores altos o bajos de una variable aleatoria tienden a agruparse en el espacio (autocorrelación espacial positiva), o bien se sitúan en localizaciones rodeadas de unidades vecinas con valores disímiles (autocorrelación espacial negativa) ( J. J. Camarero, 2006).

Análisis correlacional entre indicadores de rendimiento escolar e indicadores sociodemográficos

Finalmente, utilizando como herramienta principal de análisis la correlación estadística de Spearman, se verificó la posible existencia de correlaciones sig-nificativas entre los indicadores educativos desagregados por AGEB y los indicadores sociodemográficos de los mismos. Este tipo de análisis permite determinar si las dos variables están correlacionadas (Martínez et al., 2009).

Cuando se finalizó el proceso de construcción de la base de datos ya mencionada, la información se introdujo a un paquete informático especiali-zado en el análisis estadístico de datos (SPSS; IBM Statistical Package for the Social Sciences), lo que posibilitó el análisis correlacional de las de las 18 varia-bles comprendidas en el estudio.

El procedimiento mediante el cual se aplica este análisis es el siguiente: se relacionan las puntuaciones recolectadas de una variable con las puntua-ciones obtenidas de la otra, con los mismos principiantes o casos. Cuando el coeficiente de Spearman se eleva al cuadrado, se obtiene el coeficiente de determinación y el resultado indica la variación de factores comunes. Esto es el porcentaje de la variación de una variable debido a la variación de la otra y viceversa (Hernández Sampieri, 2010).

Con respecto a la interpretación de los distintos coeficientes cabe seña-lar que no hay una regla específica que indique un rango determinado para determinar la fiabilidad del instrumento. Más bien, según Roberto Hernández Sampieri (2010):

“El investigador calcula su valor, lo reporta y lo somete a un escrutinio de los usuarios de estudio u otros investigadores. Pero podemos decir que si obtengo 0.25 en la correlación, esto indica baja confiabilidad; si el resultado es 0.50,


la fiabilidad es media. En cambio si supera el 0.75 es aceptable y es mayor a 0.90 es elevada”.

El coeficiente de correlación mide el grado de asociación entre dos cantidades, pero no considera el nivel de acuerdo o concordancia. Si los ins-trumentos de medida miden sistemáticamente cantidades diferentes uno del otro, la correlación puede ser 1 y su concordancia ser nula. El coeficiente de correlación de Spearman es recomendable cuando los datos presentan valores extremos, ya que dichos valores afectan considerablemente su grado de corre-lación o ante distribuciones no normales cuando no está afectada por los cam-bios en las unidades de medida (Martínez Ortega, Tuya Pendás, & Martínez Ortega, 2009).

En otras palabras, dado que la distribución de los datos de las variables no presenta una distribución normal, la correlación de Spearman es el instru-mento ideal.

Usando dichas cifras, podremos identificar en escalas ascendentes los indicadores de rendimiento de las escuelas que presenten mayor correlación estadística con los indicadores sociodemográficos abordados (Reynaga Obre-gón, 1979).

Identificación de centros escolares ubicados en situaciones ex-tremosas de la distribución de los datos

Como un ejercicio de investigación adicional, se identificaron las cinco es-cuelas que presentaron los valores más altos y más bajos de cada uno de los indicadores estudiados. Estas escuelas se identificaron ordenando cada una de sus variables para así poder ubicar las que pertenecen a cada una de las colas de cada variable, identificando:

• Las cinco escuelas con los resultados en ENLACE más altos en Español, Matemáticas y Ciencias.

• Las cinco escuelas con los resultados en ENLACE más bajos en Español, Matemáticas y Ciencias.

• Las cinco escuelas con mayor grado de deserción.• Las cinco escuelas con menor grado de deserción.• Las cinco escuelas con mayor grado de reprobación.• Las cinco escuelas con menor grado de reprobación


La importancia del contexto sociodemográfico para los rendi-mientos escolares

La pregunta acerca de qué afecta los resultados de los estudiantes en la es-cuela es clave para los sistemas educativos modernos. Una manera de avanzar en dar respuesta a éste cuestionamiento es revisar los resultados de un cuerpo amplio y sólido de investigaciones que han estudiado en los últimos veinte años cómo el estudiante se ve afectado por diversos factores en su experien-cia escolar y en los resultados que se obtienen de ésta. Brunner y Elaqua, por ejemplo, identificaron en 2007 tres grandes áreas que se relacionan con los rendimientos de los estudiantes (figura 2).

Como vemos, los logros escolares están condicionados por tres aspectos principales (INEE, 2007): factores asociados a la propia escuela (por ejemplo calidad del profesor, acceso a tecnologías de la información, disponibilidad de material didáctico, estilo de liderazgo del director, infraestructura escolar, violencia dentro del plantel, motivación del estudiante, cobertura curricular); factores relativos al hogar (entre los que destacan la presencia de violencia intrafamiliar, consumo de alcohol y tabaco, actividad laboral, lenguas que se hablan en casa), y factores relacionados con la comunidad en la que se inserta la escuela (índice de calidad de vida, índices de escolaridad, alfabetización, grado de marginación, población indígena, tamaño de la población y densidad de población).

No existe consenso con respecto a la importancia predominante de una de éstas áreas por encima de las otras; los rendimientos de los alumnos se explican a partir de la combinación de todos ellos en la vida cotidiana de los estudiantes. A los factores identificados por la investigación, es importante incluir una cuarta dimensión que se relaciona con las características propias, íntimas de cada uno de los estudiantes, como por ejemplo, personalidad, his-toria personal, carácter, entre otras (Bisquerra Alzina, 2003).


Escuela

Hogar y familia Comunidad

Características intrínsecas al propio alumno

Figura 2. Factores asociados al rendimiento escolar. Adaptado de Brunner y Elaqua (2007).

Adicionalmente, se considera de gran importancia observar y analizar la realidad educativa desde el contexto sociodemográfico, dado que es uno de los elementos centrales para dichos resultados (Blanco Bosco, 2008). El análisis parte de la consideración honesta de que en tanto no se tome en cuenta la totalidad de los factores que inciden en el aprendizaje, el mejoramiento de los resultados no será posible, sin embargo estudiar uno de los cuatro factores es un punto de partida, la naturaleza de nuestra investigación radica en los límites de los indicadores que la investigación nos revele como significativos solamente.

Además, el estudio de dichos factores en la región analizada es impor-tante porque en ella conviven tres culturas totalmente diferentes que se com-portan de manera distinta en relación a las variables socioeconómicas que influyen en la educación, tal es el caso de gran parte de la población que tiene experiencias escolarizadas intermitentes, ya que por la actividad laboral de sus padres (en este caso la pizca de la manzana y los ciclos de cosecha) se ven obligados a dejar temporalmente sus estudios, para así ayudar en los ingresos del hogar.

En otro sentido la situación socioeconómica y el contexto familiar de los estudiantes constituyen causas fundamentales de diversos hechos que pueden facilitar directa o indirectamente la deserción escolar, tales como: condiciones de pobreza y marginalidad, la actividad laboral temprana, la desintegración familiar, las adicciones, entre otras. (Moreira-Mora, 2007).


Experiencias en investigación de correlaciones entre indicadores

La combinación del análisis de indicadores sociodemográficos con indicado-res de rendimiento escolar no es nueva; en el mundo tenemos diferentes ejem-plos. Uno de los más interesantes es el trabajo realizado por Daniel Madrid (2009), que aborda el tópico mediante el planteamiento de qué elementos externos inciden en los rendimientos de los alumnos. Éste autor español iden-tificó cuatro:

• El nivel sociocultural de los padres: las familias cuyos padres cuentan con niveles socioculturales más altos (asociados sobre todo al grado de esco-laridad) tienden a criar hijos e hijas con mejores resultados académicos.

• Las características de la comunidad: comunidades con altos índices de capi-tal social, participación social y niveles bajos de pobreza y violencia suelen obtener mejores resultados en la escuela.

• El contacto con hablantes de una lengua extranjera: - Madrid realizó su tra-bajo teniendo en cuenta los resultados de los alumnos en el aprendizaje de una segunda lengua; por ello el tema de la lengua es fundamental en sus conclusiones.- la influencia del contacto con una lengua extranjera radica en la diversificación cultural y el constante cambio de conducta individual aunado al tiempo de relación.

• Las lenguas que se hablan en casa: cuando en casa se habla una segunda len-gua, para el alumno es favorable, ya que al escuchar esta lengua se forman bases específicas y se hace notar de manera positiva al llegar a la escuela.

Las conclusiones de Madrid y Bosco permiten ver que existen realida-des propias de la comunidad y del hogar que afectan la manera en la que a los niños les va en la escuela (Blanco Bosco, 2008). En análisis similares como el encabezado por Brunner y Elacqua, es posible apreciar cómo aparecen cier-tos elementos sociodemográficos relacionados de una u otra manera con los resultados de los estudiantes. Esto es válido para la realidad mexicana. En un estudio realizado en 2007 por el Instituto Nacional de Evaluación Educativa (INEE), un grupo de investigadores mexicanos identificaron una serie de ele-mentos clave en éste sentido:

1. Densidad poblacional: Indica el número promedio de habitantes que viven en un área geográfica determinada, en un año dado. Su importancia está en su relación con la demanda y provisión de servicios. A mayor densidad


mayor demanda y disposición de éstos; a mayor dispersión menos de-manda y mayores costos (Secretaría de Educación Pública, 2006).

2. Población ocupada en edad de trabajar: Personas de 12 a 130 años de edad que trabajaron o que no trabajaron pero sí tenían trabajo en la semana de referencia (INEGI, 2010).

3. Población indígena: Muestra la presencia relativa de población indígena en México, lo cual es indicativo de diversidad cultural y de la importancia de ésta dentro del territorio nacional. Permite dimensionar la demanda de servicios públicos, especialmente educativos, para dicha población en las entidades federativas (Secretaría de Educación Pública, 2006).

4. Población total: Total de personas que residen habitualmente en el país, entidad federativa, municipio y localidad. Incluye la estimación del nú-mero de personas en viviendas particulares sin información de ocupantes. Incluye a la población que no especificó su edad (INEGI, 2010).

5. Índice de marginación: Refleja las desventajas relativas que enfrenta una po-blación como producto de su situación geográfica, económica y social. El índice permite la ubicación de las entidades federativas en cinco categorías de marginación: Muy Baja, Baja, Media, Alta y Muy Alta. Esta clasifica-ción distingue las diferencias entre diversas zonas del país en relación con las condiciones de exclusión social de sus pobladores. Este índice no es comparable a nivel internacional (Secretaría de Educación Pública, 2006).

Estos seis elementos han sido identificados como claves para los rendi-mientos escolares de los alumnos, o en otras palabras; la investigación ha iden-tificado correlaciones de importancia entre éstos elementos y los indicadores de rendimiento. Lo interesante del estudio que se planteó aquí es constatar si esto mismo es válido para el contexto cuauhtemense. Éstos indicadores fueron analizados en correlación con la selección de indicadores de rendimiento que sigue:

1. Deserción: Es el porcentaje de alumnos que abandona las actividades es-colares durante el ciclo escolar (desertores intracurriculares) y al finalizar éste (desertores intercurriculares) respecto al total de alumnos inscritos en el ciclo escolar (INEE, 2007).

2. Reprobación: Es el porcentaje de alumnos reprobados de un nivel educa-tivo determinado respecto a los alumnos inscritos al final del ciclo escolar (existencia) del nivel educativo (INEE, 2007).

3. Rendimiento en Español por centro de trabajo (ENLACE, 2012)


4. Rendimiento en Matemáticas por centro de trabajo (ENLACE, 2012)5. Rendimiento en Ciencias por centro de trabajo (ENLACE, 2012)

Existen otros estudios similares, entre los cuales destaca el realizado por Piedad Patricia Rastrepo y Mauricio Alviar en 2004, que muestra las relacio-nes existentes entre diversos factores y el aprovechamiento de los alumnos de escuelas primarias en Bogotá, el estudio mencionado fortalece la noción de que la colección de indicadores educativos mencionada tiende a presentar correlaciones significativas con determinados indicadores sociodemográficos.

Aunque esfuerzos de investigación como los mencionados en este apar-tado indican que efectivamente existe la tendencia a que el contexto sociode-mográfico de las escuelas se correlacione con sus resultados, la misma literatu-ra sobre el tema hace hincapié en que lo que ocurre en los centros educativos no se debe solamente esa relación, sin embargo, los factores demográficos y sociales tienen gran impacto en sus rendimientos (Restrepo, 2004).

Definición de indicador

Un indicador es una expresión cualitativa o cuantitativa observable, que permite describir características, comportamientos o fenómenos de la realidad a través de la evolución de una variable o el establecimiento de una relación entre variables (DANE, 2010).

Los indicadores se usan para describir con precisión una situación. Se desarrollan recolectando datos y se expresan a través de fórmulas matemáticas. Los indicadores son útiles para poder medir con claridad los resultados obte-nidos con la aplicación de programas, procesos o acciones específicos, con el fin de obtener el diagnóstico de una situación, comparar las características de una población o para evaluar las variaciones de un evento.

Su implementación y uso permite al interior de las instituciones o en el ámbito académico identificar las diferencias existentes entre los resultados planeados y obtenidos como base para la toma de decisiones, fijar el rumbo y alinear los esfuerzos hacia la consecución de las metas establecidas con el fin de lograr el mejoramiento continuo de la realidad abordada o estudiada (UNICEF, 1995).

Definición de los indicadores de rendimiento escolar


Los indicadores de rendimiento son valores basados en datos referentes al nivel de aprendizaje en los alumnos, siendo estos, según la Secretaria de Edu-cación Pública:

“instrumentos que nos permiten medir y conocer la tendencia o desviación de las acciones educativas, con respecto a una meta o unidad de medida esperada o establecida; así como plantear previsiones sobre la evolución futura de los fe-nómenos educativos”. Los indicadores educativos se han generado en México, de manera sistemática, a partir del ciclo educativo 1976 – 1977 y se han con-vertido en insumos indispensables de la planificación educativa” (SEP, 2005)

Armando Loera complementa la definición de indicadores educativos provista por la SEP al afirmar que:

“los indicadores educativos además de comunicar el estado real de la educación deben introducir procesos de decisión”(SEP, 2005).

Definición de los indicadores sociodemográficos

Un indicador sociodemográfico es una variable con la que se pretende clasi-ficar a una población humana o a un determinado conjunto de sus caracterís-ticas en categorías analíticas (UA, 2011).

Los indicadores sociodemográficos pretenden conocer la situación social en determinado momento y los cambios operados en determinados períodos a fin de medir los avances hacia metas y objetivos de desarrollo (Maguid, 2007).

La idea de desarrollar sistemas de indicadores sociodemográficos tiene una larga trayectoria internacional. Ya en 1954 la Organización de las Nacio-nes Unidas (ONU) publicó el «Informe sobre la definición y medición inter-nacional del nivel de vida» que reflejaba su preocupación por medir el grado de desarrollo, los niveles de vida y las condiciones sociales asociadas con ellos (Maguid, 2007).

La selección de escuelas estudiadas

En ese contexto operan 57 escuelas primarias en condiciones muy diversas en cuanto a infraestructura, perfil de los docentes, perfil de los directivos, ac-ceso a tecnologías de la información y la comunicación, perfil de los padres de familia, composición familiar, entre otros muchos factores.


Figura 3. Localización de escuelas y AGEBS. Fuente: elaboración propia.

De entre ese conjunto total de las escuelas de la ciudad, se seleccionó, mediante la aplicación de los criterios detallados en un apartado previo, un grupo de 54 centros educativos, adscritos a los tres niveles de sostenimiento que operan en el municipio (figura 3). De dichas instituciones, únicamente dos pertenecen al programa federal de Escuelas de Tiempo Completo, y la mayoría operan en turno matutino. Todos estos factores complementan los indicadores sociodemográficos que rodean a la escuela y que en conjunto de-terminan su rendimiento.

Descripción general de las escuelas

El sector educativo chihuahuense es la parte más grande en términos de personal ocupado y de inversión de la administración pública en la entidad. De cada peso que gasta el Gobierno del Estado, cerca de 41 centavos se in-vierten en educación (Gobierno del Estado de Chihuahua, 2012). Los servi-cios educativos chihuahuenses se dividen en dos subsistemas: federalizado y estatal; en total el sector educativo chihuahuense atiende a unos 800,000 es-tudiantes en todos los niveles. El nivel educativo más grande es el la primaria, al que concurre un medio millón de niños y niñas en todo el estado (Secretaria de Educación Pública, 2010).


La matrícula es atendida por cerca de 15,000 profesores adscritos al subsistema estatal y unos 35,000 pertenecientes al subsistema federalizado, nuestra investigación se orientará a una sección del universo estatal de escue-las, correspondiente a los planteles de nivel primario de ambos subsistemas ubicados en la localidad de Cuauhtémoc, Chihuahua. Los porcentajes en re-lación con la modalidad de sostenimiento son muy diversos, haciéndose notar con un 67% el tipo federalizado (Secretaría de Educación Pública, 2012)

El número total de alumnos en las 54 instituciones sometidas a estudio es de 13,812 estudiantes, lo cual significa una proporción de 22.13 alumnos por docente.

Contexto social y demográfico

Las condiciones culturales de la mancha urbana estudiada se destacan por la presencia de tres culturas que interactúan entre sí, a saber: los mestizos, menonitas y la comunidad indígena, por ello, se habla de “la cuna de las tres culturas” como elemento cultural distintivo de la ciudad. En muchos sentidos la cultura de la ciudad mantiene características rurales, ya que está asociada a actividades agrícolas y ganaderas.

La oferta cultural que se ofrece es pobre, ya que se pueden observar rezagos en la implementación de espacios culturales recreativos: solo hay un cine para la población, dos teatros y un museo. Es una ciudad en la que todo el mundo se conoce, y en cualquier lugar siempre se han de encontrar personas conocidas, a diferencia de lo que pasa en las ciudades grandes. El municipio de Cuauhtémoc, en comparación con los municipios aledaños, presenta una den-sidad de población de 42.97 hab/km2; muy por encima de municipios como: Carichí con 3.41 hab/km2, Guerrero 6.94 hab/km2, Namiquipa 4.71 hab/km2 y Rivapalacio con 3.54 hab/km2.

RESULTADOS

Análisis descriptivo de los indicadores de rendimientoEl análisis de los indicadores de rendimiento de los centros educativos obser-vador arrojó una serie de conclusiones que resultaron insospechadas en los primeros momentos de esta investigación. El primer paso para este análisis fue ponderar las calificaciones obtenidas en los instrumentos de ENLACE para Español, Matemáticas y Ciencias con el propósito de contar con una visión


más sencilla de sus resultados; así, los resultados identificados en ENLACE como insuficiente, se ponderaron con, 6 para elemental, 9 para bueno y exce-lente con 10. Esta sencilla medida se llevó a cabo en las 54 escuelas estudiadas, y nos permitió obtener un solo resultado numérico por escuela.

Teniendo en consideración lo anterior, fue posible ordenar las escuelas a partir de su calificación promedio en ENLACE, e identificar a aquellos centros escolares que se ubican en las colas de la distribución de los resultados (figura 4)

De entrada llama la atención que, aunque no es uno de los indicadores que se analizan en este estudio, cuatro de las cinco mejores escuelas –en cuanto a sus resultados en Español- pertenezcan al sostenimiento privado. Solamente un plantel, la escuela Cuauhtémoc (08DPR1450Z) es público, perteneciente al subsistema federalizado.

Figura 4 .Calificaciones promedio en ciudad Cuauhtémoc.


En este punto de la distribución encontramos solamente escuelas públi-cas, ninguna particular, pertenecientes e ambos subsistemas. Como veremos


más adelante, las escuelas que se ubican en las colas de los resultados de EN-LACE presentan particularidades muy interesantes.

Vemos aquí como se mantiene la tendencia a que los mejores resultados en ENLACE de las escuelas estudiadas sean alcanzados por las escuelas de sostenimiento particular. A pesar de ello en las cinco mejores escuelas por sus resultados en ENLACE en Matemáticas aparecen dos primarias pertenecien-tes al subsistema estatal. Es muy importante hacer la precisión de que la posible conclusión de que la evidencia mostrada es prueba de que la calidad del servicio educativo que se ofrece en las escuelas particulares es superior al de las públicas es aventurado: el fenómeno educativo es altamente complejo y, como se dijo antes, multidimensional, por lo que hay que tomarlos en su justa medida.

Los peores resultados en Matemáticas fueron obtenidos por escuelas de los subsistemas federalizado y estatal. Llama la atención que estos centros escolares aparentemente no comparten un patrón homogéneo de indicadores socioeconómicos, lo que apunta a que sus malos resultados pueden estar rela-cionados con otros elementos de las realidad educativa.

Por otro lado, en cuanto a los resultados de Ciencias, los mejores re-sultados incluyeron a escuelas de diferentes sostenimientos, y con escenarios sociodemográficos bien variados.

Finalmente, los peores resultados en Ciencias son congruentes con los rendimientos de los niños en Español y en Matemáticas. Resulta muy intere-sante observar que existen centros educativos en la población estudiada cuyos estudiantes mayormente obtienen calificaciones que ENLACE califica de insu-ficientes, y que en el análisis presentado se corresponden con la calificación de 5.

La información contenida en las tablas anteriores permite construir una idea general de los rendimientos de las escuelas observadas. En este punto es posible incluir en el análisis los indicadores sociodemográficos: las escuelas con los mejores rendimientos de la localidad presentan índices de margina-ción diversos que van desde el -0.32 al -1.30, sin que éste indicador represente un alto grado de importancia.

Por otro lado las peores escuelas se ubican en AGEBS con una densidad de población que oscila entre los 1,800 y 6,200 habitantes por kilómetro cua-drado, lo cual tampoco constituye evidencia clara de correlación entre dicho fenómeno y los rendimientos de los niños en la escuela; de hecho, si se observa el indicador para las escuelas con más altos rendimientos, es posible constatar que las AGEBS en las que se ubican presentan indicadores de densidad de población similares.


Una vez que se contó con los resultados de ENLACE ordenados y pon-derados de la manera en la que se explicó, fue posible obtener una calificación única por plantel promediando sus resultados en los exámenes correspondien-tes a las tres áreas del conocimiento (Español, Matemáticas y Ciencias).

El estudio de estos centros educativos a la luz del análisis de sus in-dicadores sociodemográficos permite matizar las razones que explican estos resultados. Se realizan una serie de consideraciones con respecto al contexto sociodemográfico en el que operan estas escuelas, y que resulta, como se verá en los apartados finales de gran importancia para los procesos educativos.

Análisis descriptivo de los indicadores sociodemográficos

Los indicadores sociodemográficos que presenta la realidad estudiada pre-sentan diferencias importantes con respecto a los datos agregados para el es-tado de Chihuahua.

La densidad de población del municipio es mucho mayor que la que presenta el estado, aunque hay que tomar el dato con reservas puesto que la cifra para la entidad no contempla el hecho de que dicha población es mucho mayor para otras áreas urbanas de Chihuahua (por ejemplo la densidad de población para el municipio de Chihuahua es de 88.89 hab/km2; para el mu-nicipio de Juárez es de 264.5 hab/km2) (INEGI, 2010).

En cuanto a la población indígena, nuevamente el indicador para el mu-nicipio que alberga a las escuelas estudiadas presenta una cifra inferior al dato para el estado. Sin embargo es importante precisar que dicho indicador no contempla el fenómeno de la población flotante –mayoritariamente de origen indígena- que llega a la ciudad en el periodo de cosecha de la manzana (entre septiembre y noviembre de cada año) y que de acuerdo a algunas estimaciones alcanza hasta las 18,000 personas (Favret Tondato, 2010).

En cuanto al índice de marginalidad, el dato para el estado es de -0.37. Esta cifra es baja en comparación con el resto de la República, aunque existen municipios que se ubican de acuerdo al CONAPO en situación de alta y muy alta marginación (por ejemplo Guadalupe y Calvo, Urique, Témoris, entre otros) (Consejo Nacional de Población, 2010). El índice de marginación del municipio estudiado es muy bajo (-1.4), de hecho, se ubica entre los munici-pios menos marginados de todo México.

Para esto se utilizó la I de Moran (figura 5), la cual nos muestra las ubicaciones y los valores de agrupamiento para el índice de Marginación, ob-teniendo un 95% de fiabilidad lo cual indica que hay 5% de probabilidad de


que los resultados de la prueba señalados sean producto de la aleatoriedad de la muestra. Como se muestra en la figura 5, donde se puede observar que nuestros datos se encuentran de forma agrupada en el zona de estudio dado que los datos tienen buena significancia y los valores críticos son positivos, esto nos da una idea del cómo se relaciona una con la otra.

De acuerdo a esta prueba los AGEBs se encuentran significativamen-te agrupados, de tal forma que aquellos con valores de marginación alta se encuentran significativamente cerca o contiguos, mientras que lugares con marginación baja presentan el mismo patrón. Lo cual indica que existe una marcada distribución de la población de acuerdo a sus condiciones sociales, específicamente de aquellas tomadas en cuenta para construir el índice de marginación.

Significativo Significativo(Aleatorio)

Nivel de significancia(p- valor)

0.010.050.10

---0.100.050.0.1

Valor crítico(z- puntuación)> -2.58-2.58 – -1.96-1.96 – -1.65-1.65 – 1.651.65 – 1.961.96 – 2.58>2.58

Figura 5. Índice de Moran


Figura 6. Agrupación con Índice de Moran. Fuente: elaboración propia.

A partir de estos datos el conjunto de AGEBs agrupados, mostrándonos que mientras más estén a la periferia, se encontraran altos índices de margi-nación como se muestra en la figura 6, la cual agrupa los datos según su corre-lación en alto-alto, alto-bajo, bajo-alto y bajo-bajo; siendo estos los atributos que se relacionan fuerte o débil. Estas categorías se basan según su grado de correlación con la o las variables a estudiar. En esta figura se observa de color verde los bajos índices de marginación con una alta fiabilidad. Las altas corre-laciones se pueden encontrar en el centro de la ciudad, difiriendo que son las zonas más aptas y donde afectan menos las demás variables, haciéndose notar que mientras más alejado del dentro, los alumnos suelen salir más bajos por centro escolar.

Finalmente, en cuanto al indicador de población ocupada en edad de trabajar, es posible afirmar que la cifra para el municipio de Cuauhtémoc es más elevada que el dato estatal, sobrepasándolo por 0.5 puntos.


Figura 7. Grado de Marginación en ciudad Cuauhtémoc por AGEB.


La densidad de población aparece mucho más alta para las AGEBS es-tudiadas que para el municipio porque el estudio se circunscribe a la cabecera municipal, mientras que el dato del municipio contempla toda la superficie del mismo. Los datos relacionados con la población indígena para el conjunto de AGEBS sometidas a análisis aparecen más bajos que la cifra para el mu-nicipio. Esa tendencia se mantiene en el indicador de población en edad de trabajar ocupada y en el índice de marginación(figura7).

Por otro lado se puede identificar observando la figura 8 que efectiva-mente el índice de marginación y se ve reflejado en el grado de calificaciones de los alumnos por centro educativo. Según estas dos cartografías, en el cen-tro de la ciudad se encuentran las instituciones con calificaciones más altas y conforme se acercan a la periferia, las calificaciones disminuyen. Esto a base de ciertos factores en la vida del contexto de la escuela, entre el que es más representativo en este estudio, la marginación.

Aparentemente coinciden en su totalidad los valores y disminución de calificaciones según el sector haciéndose así un notorio enlace entre estas dos variables.


Figura 8. Relación promedio contra marginación. Fuente: elaboración propia.

Es así que al revisar la matriz de doble entrada (cuadro 2) en la que se muestran los índices de correlación entre el índice de marginación según CONAPO desagregado por AGEB y los resultados de enlace, aparecen cifras reveladoras: los alcances de ENLACE calificados como elementales aparecen en un 33% relacionados con las zonas estudiadas con índice de marginación identificado como medio, y en un 14.8% en las zonas de la ciudad con índices de marginación bajos o muy bajos. Este hallazgo refuerza los indicios arroja-dos en otros momentos de este estudio en el sentido de que efectivamente el contexto sociodemográfico en el que se insertan las escuelas es un factor en los rendimientos de los estudiantes de las primarias, pero no necesariamente determinante. Llama además la atención el hecho de que los resultados exce-lentes en ENLACE se concentran en las zonas de muy baja marginación, lo que fortalece la hipótesis original de este trabajo.

Escuelas ubicadas en las colas de la distribución normal de los indicadores analizados

Situadas en las colas de la distribución de los indicadores de rendimiento (resultados de ENLACE, deserción y reprobación), apareció un conjunto de


instituciones educativas cuyo análisis resulta por demás significativo dado que constituyen las escuelas con los resultados más altos y más bajos de la ciudad. Es importante precisar de nueva cuenta que el ordenamiento de estas escuelas mediante la clasificación construida no puede interpretarse como una especie de lista de escuelas malas y buenas: la calidad de las instituciones, como ya se dijo con anterioridad, es un fenómeno multidimensional, que presenta un alto nivel de complejidad. El ordenamiento que se presenta en este documento tiene como propósito únicamente servir para los efectos de ésta investigación.

Cuadro 2. Matriz de concordancia índice de marginación y resultados ENLACE por porcentaje.

Índice de marginación / Resultados ENLACE

Excelente Bueno Elemental Insuficiente

Muy bajo 1.9% 11.1% 14.8% 0.0%

Bajo 0.0% 5.6% 14.8% 0.0%

Medio 0.0% 9.3% 33.3% 5.6%

Alto 0.0% 0.0% 3.7% 0.0%

Fuente: elaboración propia

Figura 9. Escuelas Altas y Bajas de la Ciudad. Fuente: elaboración propia


Lo que aparece al revisar los resultados del análisis es que la manera en la que se configuran los rendimientos de los estudiantes se matiza por diver-sos elementos: lo que pudiera esperarse es que los resultados insuficientes en ENLACE se concentraran en zonas con alto índice de marginación, cosa que no ocurre, y que los resultados de rendimientos excelentes se agruparan en las zonas con muy bajo índice de marginación. Aparentemente la construcción de los rendimientos escolares es altamente compleja.

Las calificaciones de cada escuela se modifican claramente según el in-dice de marginacion existente en la zona, con ello se puede onservar que si-guen un patron, habiendo una clara excepcion en la escuela Jose Vazconcelos, en donde se puede observar que su marginacion es alta y no por ello tiene las mas bajas calificaciones, es decir, el indice de marginacion afecta en gran ma-nera, pero a su alrrededor existen otros muchos factores que afectan el motivo de que esto suceda.

Cuadro 3. Las cinco escuelas con los indicadores de rendimiento más bajos por promedio en Ciudad Cuauhtémoc Chihuahua.

10.00

8.00

6.00

4.00

2.00

-0.30 -0.50 -0.85 -1.00

0.17

6.0 6.0 6.4 6.4 6.5

0.00

-2.0008DPR1392Z Ángela Peralta

I_Marginac

-0.30

-0.50

-0.85

-1.00

0.17

CALIF PROM

6.0

6.0

6.4

6.4

6.5

08EPR0092V José María Morelos y Pavón 258208DPR2106W 10 de abril08DPR2181C Ignacio Ramírez

08DPR2435O José Vasconcelos



Cuadro 4. Las cinco escuelas con los indicadores de rendimiento más altos por promedio en Ciudad Cuauhtémoc Chihuahua.

10.00

8.00

6.00

4.00

2.00

-1.15-0.93 -0.93-0.32

-1.30

8.4 8.4 8.5 8.7

0.00

-2.00

08PPR20100 Colegio Bilingüe Gestalt

I_Marginac

-1.15 8.4

-0.93 8.4-0.93 8.5-0.32 8.7

-1.30 9.6

CALIF PROM

08PPR1822E Colegio Pierre Faure A.C.08PPR0034K Cuauhtémoc08DPR1450Z Cuauhtémoc08PPR1853Y EducareCuauhtémoc

9.6


A la luz de la evidencia provista por este análisis, es posible afirmar que los resultados con respecto al rendimiento de los estudiantes –observados mediante los cinco indicadores de rendimiento estudiados- no están directa-mente correlacionados con el índice de marginación de las AGEBS en las que se ubican las escuelas estudiadas.

El estudio de los centros educativos ubicados en las colas de la distri-bución de resultados permite observar que hay un conjunto de escuelas que resaltan por su protagonismo en dichas colas. Enseguida se detallan las carac-terísticas de operación de dichos planteles.

Escuela “EDUCARE Cuauhtémoc” (08PPR1853Y)

Es la escuela que presenta los mejores resultados en las tres asignaturas analizadas (Español, Matemáticas y Ciencias). Esta institución es de sosteni-miento privado, cuenta con un total de 86 alumnos y 6 profesores frente a gru-


po. Se encuentra localizada en el AGEB 678, que se corresponde con la Co-lonia CTM. Dicha AGEB presenta una densidad de población de 1,541.27 habitantes por kilómetro cuadrado, un 0.2% de población indígena, un índice de marginación de -1.3.

Escuela “Cuauhtémoc” (08PPR0034K)

Por otra parte los datos analizados arrojan como resultado que la escuela que muestra los resultados de ENLACE más bajos para Español es la escuela “Cuauhtémoc” con clave federal 08PPR0034K. Esta institución es de modali-dad privada, cuenta con un total de 167 alumnos y 4 profesores. Se localiza en el AGEB 733, en el Fraccionamiento San Antonio. La densidad de población es de 2,417.51 personas por kilómetro cuadrado, 0.42 de población indígena, un índice de marginación de -0.93 y una población ocupada de 482 personas.

Escuela “Ignacio Ramírez” (08DPR2181C)

En cuanto al índice de deserción, la escuela que más llama la atención debi-do a su elevada tasa en dicho indicador es la “Ignacio Ramírez”, de sosteni-miento federalizado. Esta escuela atiende a un total de 132 alumnos con un equipo de 8 profesores y su turno es vespertino. Se localiza en el AGEB 1591, localizado en la colonia CTM, que cuenta con una densidad de población de 6,195.31 habitantes por kilómetro cuadrado, un 0.78% de población indígena, su índice de marginación es de -1 y su población ocupada es de 1612 personas.

Escuela “Magdalena Cabrera Arista” (08EPR0122Z)

La escuela “Magdalena Cabrera” pertenece al subsistema estatal, con un total de 198 alumnos, 10 profesores y con turno matutino. Se localiza en el AGEB 894, localizado en la colonia “Ampliación Francisco Villa”, con una densidad de población de 3,676.92 habitantes por kilómetro cuadrado, un 0.2% de población indígena, su índice de marginación es de -0.45 y cuenta con una población ocupada de 271 personas.


Escuela “Ricardo Flores Magón” (08DPR1391A)

Por otra parte, la escuela con la tasa de reprobación más elevada de aquellas contenidas en el estudio fue la “Ricardo Flores Magón”, del turno vespertino. El plantel pertenece al subsistema federalizado, cuenta con un total de 146 alumnos y 8 profesores. Se localiza en el AGEB 786, localizado en la colo-nia Benito Juárez, la cual cuenta con una densidad de población de 6,507.86 personas por kilómetro cuadrado, un 0.4% de población indígena, siendo su índice de marginación -0.26 y su población ocupada es de 706 personas.

Esta consideración se basa en el hecho de que los fenómenos analizados responden a una multiplicidad de factores en relaciones dialécticas que son difíciles de medir utilizando una sola variable; en otras palabras, los rendi-mientos de las escuelas efectivamente están relacionados con su contexto so-ciodemográfico, pero además lo están con otros muchos elementos presentes en la vida cotidiana de los centros escolares.

Teniendo en consideración lo anterior, fue posible identificar las si-guientes cinco correlaciones significativas entre los indicadores de rendimien-to y sociodemográficos estudiados (figura 10):

0.4 **0.37

Índice de marginación e insuficiente en

Ciencias

Índice de marginación e insuficiente en

Español

Índice de marginación e insuficiente en Matemáticas

Índice de marginación y Elemental en

Español

Pob. Ocup. y Elemental en

Español

**0.35

0.214

0.257

0.207

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0

Figura 10. Correlaciones significativas encontradas. Los datos marcados con doble asterisco señalan los índices de correlación de alta significancia. Fuente: elaboración propia.


Para poder darle sentido a estos resultados, es importante recordar la definición misma del término correlación: se trata de la influencia que el com-portamiento de una variable tiene sobre otra. Es así que podemos, con base en los resultados obtenidos, afirmar lo siguiente:

• Se encontró una correlación significativa entre el índice de marginación de las ABEGS estudiadas y el hecho de que los estudiantes obtengan resultados en Ciencias y en Español, y en menor medida en Matemáticas.

• Se encontró una correlación significativa entre el índice de marginación y el que los estudiantes alcancen resultados elementales en el área de Espa-ñol de la prueba ENLACE.

• Fue posible identificar una correlación significativa entre el indicador so-ciodemográfico de población en edad de trabajar ocupada, y el hecho de que los niños de las escuelas de esas AGEB obtengan resultados elemen-tales en el área de Español de la prueba ENLACE.

A pesar de que las correlaciones descritas fueron identificadas con clari-dad, es muy importante matizar el hecho de que existen otros elementos pre-sentes en la realidad de las escuelas y de los propios contextos sociodemográ-ficos que las albergan que se relacionan con sus resultados: el comportamiento de las variables “índice de marginación” y “población en edad de trabajar ocu-pada” se correlacionan significativamente con los resultados en ENLACE y con los indicadores de deserción y reprobación, pero ese fenómeno tiene lugar en una realidad compleja en la que opera un amplio conjunto de variables no contempladas en este estudio.

Correlación entre el índice de marginación y él índice de rendi-miento insuficiente en Español

La correlación más sólida de entre las que emergieron del análisis fue la que se encontró entre el índice de marginación y el indicador de insuficiente en Español (0.350). Las AGEBS que presentan un alto índice de marginación, tienden a albergar escuelas en las que los estudiantes alcanzan resultados cali-ficados como insuficientes en los instrumentos de examinación de ENLACE.

En otras palabras, fue posible observar que en las escuelas ubicadas en contextos sociodemográficos que presentan índices de marginación elevados,


es más factible esperar que los niños obtengan resultados insuficientes en Es-pañol.

Correlación entre el índice de marginación y el índice de rendi-miento insuficiente en Ciencias

La correlación identificada entre los indicadores: índice de marginación e insuficiente en Ciencias fue de 0.370. Esta fue la correlación más elevada de aquellas que fueron descubiertas mediante este estudio. Tal y como ocurre con los resultados descritos fue posible ver que las escuelas ubicadas en AGEBS con índices de marginación altos tienden a obtener resultados insuficientes en Ciencias.

En otras palabras, fue posible observar que en las escuelas con alto ín-dice de marginación, es más factible esperar que los niños obtengan resulta-dos insuficientes en esa materia. Nuevamente es importante precisar que esta correlación, aunque válida, funciona en una realidad multifactorial en la que están presentes otros elementos que influyen en la conformación de los fenó-menos educativos.

Interpretación de los resultados de los centros escolares ubica-dos en las colas de la distribución normal por indicadores de rendimiento y su contexto sociodemográfico

En anticipación a la hipótesis de trabajo de este proyecto, pudiera pensarse que las escuelas primarias que alcanzan los mejores resultados académicos se ubican en las AGEBS con mejores indicadores sociodemográficos.

Tal y como se observó en el apartado correspondiente a las correlaciones significativas encontradas, es posible ver que los indicadores sociodemográ-ficos efectivamente se relacionan con los indicadores de rendimiento, pero el comportamiento de la evidencia acopiada permite estimar que aparentemente existen otros elementos que quedan fuera de la óptica de este estudio y que también tienen que ver con la determinación de los rendimientos de los cen-tros escolares.


Interpretación de los resultados de correlaciones significativas

Del total de 56 correlaciones revisadas (producto del análisis de los 14 indi-cadores de rendimiento cruzados con los 4 indicadores sociodemográficos) únicamente se identificaron dos como altamente significativas:

• “Índice de marginación” en correlación con “Insuficiente en Español” (0.35)• “Índice de marginación” en correlación con “Insuficiente en Ciencias” (0.37)

La interpretación que puede realizarse de los datos anteriores consiste en afirmar que efectivamente el índice de marginación de la AGEB en la que se ubica la escuela se correlaciona significativamente con el hecho de que los estudiantes de dicho plantel obtengan muy bajos resultados en Español y en Ciencias.

Es interesante observar que otras correlaciones más débiles, ubicadas cerca del rango de significancia (“Índice de marginación” en correlación con “Insuficiente en Matemáticas”, con 0.214 de índice de correlación; “Índice de marginación” con “Elemental en Español”, con 0.257 de índice de correlación, y “Población ocupada” en correlación con “Elemental en Español”, con un índice de correlación de 0.207) nos permiten ver cómo el hecho de que en lo general los indicadores sociodemográficos sean más bajos se relaciona en tér-minos generales con el hecho de que las escuelas ubicadas en dichos contex-tos obtengan resultados más malos, que sus estudiantes reprueben más y que deserten con más frecuencia que aquellos que acuden a primarias con mejores indicadores sociodemográficos.

Verificación de la hipótesis de trabajo

Se definió la hipótesis de trabajo en los siguientes términos:El contexto en el que se insertan algunas escuelas primarias de la ciudad de

Cuauhtémoc se correlaciona de manera directa con los resultados académicos de di-chos centros educativos.

Una vez que se terminó el análisis de los datos, y habiendo interpretado cada sección de la información del proyecto de investigación, es posible afir-mar que la hipótesis se comprobó, puesto que se encontraron correlaciones significativas para afirmar que la correlación entre indicadores sociodemográ-ficos y de rendimiento existe. Efectivamente se observó que ambas variables están correlacionadas, es decir, que el comportamiento de una afecta a la otra,


sin embargo también es importante afirmar que, por el grado de significancia encontrado en dichas correlaciones, presumiblemente están presentes otros elementos que igualmente presentan algún grado de relación con los rendi-mientos de las escuelas.

Conclusiones y discusión

Habiendo finalizado el acopio y análisis de los datos, y luego de constatar la validez de la hipótesis de trabajo que fue planteada como instrumento de in-vestigación de este proyecto, fue posible establecer las siguientes conclusiones:

1. La correlación entre los indicadores sociodemográficos y de rendimiento en la selección de escuelas que fue analizada apareció mucho menos fuer-te de lo que originalmente se esperaba. Aparentemente las características del barrio o la colonia en la que se inserta la escuela no se relacionan de manera estrecha con las calificaciones que alcanzan los niños, o con los índices de deserción y reprobación de los planteles (con excepción de dos pares de indicadores que se explicarán enseguida).

2. Fue posible identificar correlaciones significativas solo entre el índice de marginación de las AGEBS y los resultados insuficientes en Ciencias y en Español. Otras correlaciones esperadas sí aparecieron en el análisis, pero no de manera significativa; en otras palabras, el hecho de que una escuela primaria en Cuauhtémoc se ubique en una AGEB con un alto índice de marginación, nos permite anticipar de acuerdo a lo analizado que los resultados de sus estudiantes en Español y Ciencias tenderán a ser insuficientes.

3. Las escuelas que obtienen peores resultados no necesariamente se ubican en las AGEBS con indicadores sociodemográficos más bajos, ejemplo de esto son los siguientes casos: escuela “10 de Abril” (tercera peor escuela en resultados de Español, pero con un índice de marginación de -0.85) y la “Ignacio Ramírez” (sexta escuela peor en resultados de Español, pero con un índice de marginación de -1.00 ).

4. Las escuelas que obtienen los mejores resultados tienden a ubicarse en AGEBS con los mejores indicadores sociodemográficos, pero no es una regla, así lo demuestra el caso de la escuela “Cuauhtémoc”, que en el aná-lisis se ubicó entre las cinco mejores escuelas en Español y Matemáticas, con índice de marginación de -0.32


5. Dado que la correlación entre los indicadores estudiados resultó signifi-cativa en muy pocos casos, podemos concluir que existen otros factores presentes en la realidad educativa que explican y determinan los rendi-mientos de los estudiantes.

6. Se pudo encontrar también una correlación importante entre el índice de Moran y el promedio de las calificaciones por sector, haciéndose notar una similitud de los datos espaciales, notándose las zonas de alta marginación con calificaciones bajas y de calificaciones altas con marginación baja, y demostrando que esta relación no se debe al azar sino que es significativo.

7. Los resultados obtenidos permiten concluir que el índice de marginalidad efectivamente marca en alguna medida los rendimientos de las escuelas, pero esa impronta no es definitiva ni directa, sino que interactúa de ma-nera multidimensional con otros elementos.

Queda pendiente, luego de concluir la reflexión emanada de la evidencia acopiada, la discusión con respecto a los siguientes puntos:

1. Aunque se está en posición de afirmar que la correlación anticipada por la hipótesis existe, no queda claro qué otros elementos están presentes en la configuración de los rendimientos escolares. Presumiblemente están presentes dimensiones de lo educativo tales como el perfil del docente, las características de la práctica docente, entre otros. En otras palabras, se sabe que el contexto sociodemográfico que rodea a la escuela es importante para los rendimientos escolares, pero ignoramos cómo esa correlación interac-túa con otras que pueden tener otros elementos de la realidad educativa.

2. Dado que se encontró una correlación positiva entre el contexto sociode-mográfico y los rendimientos escolares, queda pendiente el tópico acerca de cómo puede aprovecharse dicho conocimiento en términos de plan-teamiento de medidas de política educativa para solventar esos proble-mas; ¿qué se puede hacer, desde el ámbito de la política pública, para me-jorar los resultados de escuelas en situación de alta marginalidad? Es poco probable que la propia política educativa se convierta en un instrumento efectivo para la resolución de problemas sociodemográficos.

Consideraciones para trabajos posteriores

A partir de lo que se analizó en este proyecto de investigación, durante las distintas fases de diseño, implementación, acopio de los datos y obtención de


conclusiones, fue posible ir encontrando diversos puntos de interés y nuevas preguntas, que eventualmente pueden convertirse en puntos de partida para indagaciones futuras:

• ¿Por qué algunas escuelas con altos índices de marginalidad obtienen muy bue-nos resultados académicos? La pregunta se orienta hacia la potencial identi-ficación de otros elementos que puedan estar correlacionados con dichos indicadores, y que posibiliten una comprensión más completa de lo que ocurre en las escuelas.

• ¿Cómo explicar que escuelas ubicadas en contextos sociodemográficos muy simi-lares obtengan resultados académicos muy diferentes? Igualmente, este cues-tionamiento se orienta hacia el descubrimiento de qué otros elementos se correlacionan con los indicadores de rendimiento de la escuela. Es muy posible que esos otros elementos tengan que ver con dimensiones inhe-rentes a la propia escuela, tales como el perfil de los docentes, el plan de estudios, el tiempo que los estudiantes permanecen en el plantel educati-vo, entre otros. Estas reflexiones nos permiten plantear una pregunta más:

• Con esta investigación pudimos constatar que el contexto sociodemográfico influye en alguna medida en los resultados académicos de las escuelas ¿qué otros elementos se relacionan con dichos resultados? Es posible plantear una pregunta más:

• ¿Por qué las y los estudiantes de las primarias de ciudad Cuauhtémoc obtienen mejores resultados en Español y Matemáticas que en Ciencia? Cuáles ele-mentos propios del contexto, o de la escuela misma, explican cabalmente estos resultados.

REFERENCIAS

Bisquerra Alzina, R. (2003). Educación emocional y competencias básicas para la vida. Revista de Investigacion Educativa, 7-43.

Blanco Bosco, E. (2008). Factores escolares asociados a los aprendizajes en la educación primaria mexicana: un análisis multinivel. Revista Electrónica Iberoamericana sobre Calidad, Eficiencia y Cambio en Educación, 58-84.

Cámara de Diputados del Honorable Congreso de la Unión. LXII Legislatu-ra. (21 de Diciembre de 2012). Decreto que reforma y adiciona diversas disposiciones de la Constitución Política de los Estados Unidos Mexi-canos en Materia Educativa. Gaceta Parlamentaria, págs. 13-24.

Consejo Nacional de Población. (2000). Indice de desarrollo humano. México: CONAPO.


Consejo Nacional de Población. (2010). Índice de marginación por entidad fede-rativa y municipio. México: CONAPO.

DANE. (2010). Guia para el diseño , construcción e interpretación de indica-dores. Estrategia para el Fortalecimiento Estadistico Territorial.

Elacqua, J. J. (2007). Factores que inciden en una educación efectiva.ENLACE. (2012). Evaluación nacional del logro académico en centros escolares.

Recuperado el 22 de enero de 2013, de http://www.enlace.sep.gob.mx/ENLACE. (2012). Evaluacion Nacional del Logro Académico en Centros Esco-

lares. Recuperado el 14 de Noviembre de 2012, de http://www.enlace.sep.gob.mx/ba/

Favret Tondato, R. (2010). Condiciones laborales de jornaleros indígenas en una empresa frutícola. Actas del VIII Congreso Latinoamericano de So-ciología Rural (págs. 1-20). Recife: Instituto de Sociología y Estudios Campesino (ISEC).

Gobierno del Estado de Chihuahua. (2012). Presupuesto de egresos del Gobierno del Estado de Chihuahua para el ejercicio fiscal del año 2012. Chihuahua: Gobierno del Estado de Chihuahua.

Guzmán Arredondo, A., y Alvarado Cabral, J. (2008). Fases y operaciones me-todológicas en la investigación educativa. Durango: Consejo de Ciencia y Tecnología del Estado de Durango.

Hernández Sampieri, R. (2010). Metodología de la Investigación. México, Dis-trito Federal: McGraw-Hill.

INEE. (2007). Aprendizaje y desigualdad social en México. México: Instituto Nacional para la Evaluación de la Educación.

INEE. (2007). Factores escolares y aprendizaje en México: el caso de la educación básica. México.

INEGI. (2010). Instituto Nacional de Estadística y Geografía. Recuperado el 22 de enero de 2013, de www.inegi.org.mx

INEGI. (2011). México en cifras. Recuperado el 8 de Octubre de 2012, de INEGI: http://www3.inegi.org.mx/sistemas/mexicocifras/default.as-px?e=08

Institute of Education Sciences. (2013). National Center for Education Statis-tics. Retrieved Febrero 18, 2013, from Trends in International Mathe-matics and Science Study: http://nces.ed.gov/Timss/

Madrid, D. (1999). Modelos para investigar en el aula de LE. En Lingüística aplicada a la enseñanza de lenguas extranjeras (págs. 126-181). Salaberri: Universidad de Almería: Secretariado de Publicaciones.

Maguid, A. M. (2007). Los sistemas de indicadores sociodemográficos.


Martínez Ortega, R. M., Tuya Pendás, L. C., y Martínez Ortega, M. (2009). el coeficiente de correlación de los rangos de spearman caracterización. Revista Habanera de Ciencias Médicas.

Miranda, R. A. (1995). Expectativas sobre la escuela: la percepción de la fami-lia del escolar. Perfiles Educativos.

Moreira-Mora, T. E. (2007). Perfil sociodemográfico y académico de estu-diantes en deserción del sistema educativo. redalyc.

OECD. (2013). OECD Programe for International Students Asssessement (PISA). Retrieved Febrero 18, 2013, from http://www.oecd.org/pisa/

Padrón Nacional de Escuelas. (2013). Recuperado el enero de 22 de 2013, de http://cct.sep.gob.mx/

Pérez Daniel, G., y Ibarra Valenciana, K. (2011). Reflexiones sobre la evalua-ción de la educación básica en Chihuahua: cavilaciones sobre la prueba ENLACE-2010 en algunos municipios de Chihuahua. Chihuahua hoy. Visiones de su historia, economía política y cultura, 317-360.

Restrepo, P. y. (2004). El logro académico y el efecto colegio en las pruebas Icfes en Antioquia. Lecturas de Economía.

Reynaga Obregón, J. (1979). Programa de matemáticas integrado al modulo per-sona y sociedad. México: SESU.

Secretaría de Educación Pública. (15 de Julio de 2012). Secretaría de Educa-ción Pública. Recuperado el 24 de Septiembre de 2012, de Directorio de Escuelas a nivel Nacional: http://www.sep.gob.mx/es/sep1/directo-rio_de_escuelas#.UGDA6o0f4VQ

Secretaría de Educación Pública. (2006). Sistema de Indicadores Educativos de los Estados Unidos. México: SEP-INEE.

Secretaría de Educación Pública. (2008). Alianza por la calidad de la educación. México, Distrito Federal: SEP.

Secretaría de Educación Pública. (2010). “Consulta a base de datos de centros es-colares”. Recuperado el 17 de septiembre de 2012, de http://sep.gob.mx/

Secretaria de Educación Pública. (2010). Estadisticas e indicadores educativos por entidad federativa. Recuperado el 24 de Septiembre de 2012, de www.snie.sep.gob.mx/estadisticas_edicativas.html

SEP. (2005). Lineamientos para la formulación de indicadores educativos. Méxi-co: Secretaria de Educación Pública.

SNIE. (2013). Recuperado el 22 de enero de 2013, de Sistema nacional de informacion de escuelas: www.snie.sep.gob.mx

UA. (2011). Repositorio Institucional de la Universidad de Alicante. Recuperado el 9 de febrebro de 2013, de Modelos Socio-Demográficos: http://rua.


ua.es/dspace/bitstream/10045/12059/1/03%20Atlas%20Social-Capi-tulo1.pdf

UACJ. (Noviembre de 2008). Estudio de Factibilidad. Juárez: Universidad Au-tónoma de Ciudad Juárez.

UNICEF. (1995). Indicadores para el cálculo de los recursos físicos en las unidades médicas, México 1990.