Informe Final Práctica Académica

Modalidad Trabajo de Grado

Identificación del estudiante

Nombres y apellidos. Andrés Fernando González González

Semestre académico. 2015-2

Identificación del estudiante

Nombres y apellidos. Manuel Alejandro Montealegre Martínez

Semestre académico. 2015-2

Identificación del asesor interno (U. de A.)

Nombres y apellidos. Lía Isabel Alviar Ramírez

Identificación del grupo de investigación o empresa

Nombre del Grupo de

Investigación o Empresa.
Dirección.
Ciudad.
Teléfono.
Actividad económica.
SIMULACIÓN DE ESCENARIO CONTRAFACTUAL EN LA REGIÓN CENTRO – SUR DE
LA CUENCA DEL RÍO RANCHERÍA, DEPARTAMENTO DE LA GUAJIRA, A PARTIR DE
MODELOS DE CAMBIO DE COBERTURA Y USOS DEL SUELO.

Resumen

Desde hace 40 años en la región centro-sur del departamento de la Guajira,

en la jurisdicción de los municipios de Albania, Hato Nuevo, Maicao y
Barracas se lleva a cabo una de las actividades de extracción minera de
carbón a cielo abierto más grande del mundo. El Cerrejón ocupa un área de
800 km2, y tiene 5 zonas contratadas Zona Norte, Patilla, Oreganal, Zona Sur
y Zona Central (Fierro Morales, 2012). Entre muchos de los efectos que ha
traído esta actividad, tanto en términos ambientales como a las
comunidades asentadas en el territorio, han sido la transformación drástica
del paisaje y los conflictos por el uso del suelo. Lo primero tiene que ver con
cambios de coberturas (por ejemplo bosques a tierra degradada), y lo
segundo con el aprovechamiento que se le hace al suelo. El objetivo de
este trabajo apuntó a hacer una simulación de los cambios de las coberturas
y usos del suelo (CCUS) si hubieran predominado las actividades de sustento
de las comunidades del lugar. Para este fin, utilizando software libre (QGIS y
GRASS GIS) se realizó una clasificación de cobertura/uso del suelo a partir de
un procesamiento de imágenes de satélites Landsat 1 y 2 de los años 1973 y
1978 respectivamente. Se generaron 5 variables de paisaje (variables
explicativas de cambio), distancia a centros poblados, distancia a vías
principales, distancia vías secundarias, distancia a ríos y mapa de
pendientes. Una vez obtenidos estos mapas, se hizo el proceso de simulación
a través de una plataforma de modelación de CCUS llamada Dinamica EGO
y posteriormente se generaron proyecciones hasta el año actual tomando
como base la trayectoria de cambio obtenida. Los resultados fueron 3
escenarios que muestran cómo hubiera sido la dinámica del territorio
considerando diferentes tipos de decisiones administrativas de ocupación de
la zona.

1 Introducción

Generalmente se piensa en el departamento de La Guajira como una zona

desértica, en donde la explotación minera se justifica por no haber formas
de producción agropecuarias de bajo costo en sitios como este. Sucede que
además de tener zonas desérticas, La Guajira cuenta con zonas de vida
como Páramo, Selva Andina, Sabana, Bosque húmedo tropical, Bosque seco
tropical, Monte espinoso subtropical y Manglar. Esta diversidad de zonas de
vida es el hogar de varias especies tanto de flora como de fauna. En 2011 se
habían registrado 512 especies de aves, 81 especies entre reptiles y anfíbios,
87 especies de mamíferos, 669 especies de flora. (Corpoguajira,2011)
En cuanto a diversidad cultural en este territorio convergen las comunidades
Wiwa, Yulpa, Wayuu, Kogui, Arahuacos, Afrodescendientes y Guajiros, cada
uno de ellos con un entendimiento propio de su territorio.

El proceso de ocupación del departamento de La Guajira ha sido

fuertemente influenciado por el desarrollo de la explotación de carbón por
minera a cielo abierto. Con la invitación hecha por el gobierno colombiano
en 1975 a 17 firmas para participar en la licitación para realizar la explotación
de 32.000ha, inicia la ruta que como nación se ha recorrido hasta hoy.
El primer contrato realizado con Carbocol S.A e Intercor en el año 1976 se
definió por 33 años y su cronograma a groso modo estaba dividido en 3
etapas a saber:

1. Entre 1977 y 1980 etapa de exploración

2. Entre 1981 y 1986 etapa de construcción
3. Entre 1986 y 2009 etapa de producción

La última etapa fue extendida en 1999 hasta el año 2034 (Cerrejón, 2016).
Algunos de los posibles impactos de la minería son descritos por Fierro
Morales (2012) de la siguiente manera:

“...En general la actividad minera puede impactar las

fuentes hídricas superficiales por manejo inadecuado de aguas al
interior de la mina, por aumento en los sólidos y turbidez por partículas
en suspensión y en arrastre; afectación de las rondas y cauces de los
ríos y la red de drenajes natural, alterando su dinámica fluvial y
equilibrio hidrológico; desaparición de cuerpos de agua como
quebradas y manantiales; estos impactos pueden ser de carácter
directo, en algunos casos a largo plazo y en algunos casos puede ser
irremediable...”

Otra preocupación es la conservación del ecosistema Bosque seco tropical

(bs-T), la Figura 1 que se construyó a partir de datos del Sistema de
Información Ambiental de Colombia -SIAC- muestra el solapamiento entre el
ecosistema bs-T y los títulos mineros 2014 en la región centro-sur de La
Guajira.
 Figura 1 Bosque seco tropical y títulos mineros

Según el Instituto de Investigación de Recursos Biológicos Alexander Von

Humboldt, el bs-T cubría más de 9 millones de hectáreas, de las cuales solo
queda en la actualidad el 8%, por lo cual es uno de los ecosistemas más
amenazados del país. En el Cesar departamento vecino de La Guajira en
donde también se realiza minería a cielo abierto de carbón, la organización
The Nature Conservancy expresó su preocupación en 2009 de la siguiente
manera:
“... Los remanentes de bosques secos riparios y bosques
inundables (aquellos aledaños a los cuerpos de agua) se encuentran
en peligro crítico, por lo que hay que conservar el 100% y el 76% de lo
que queda con un agravante: los remanentes más viables de estos
ecosistemas se localizan en el área de influencia minera, en títulos con
PTO aprobado que aún no cuentan con licencia ambiental. Si
seguimos interviniendo lo que queda de los ecosistemas en el valle
central del Cesar, se perderá el agua y el suelo de manera
irremediable, para no hablar de su biodiversidad y otros bienes y
servicios ambientales...”

Entre los años 2013 y 2015, el Ministerio de Ambiente y Desarrollo Sostenible,

junto con corpoguajira y acompañados por la Universidad de Antioquia
realizaron el Plan de Manejo Ambiental de Acuífero Cuenca del Río
Ranchería -PMAA-.

Dentro de las amenazas y problemáticas encontradas asociadas a

contaminación del acuífero están, el mal manejo de aguas residuales y
residuos sólidos, el uso inadecuado de pesticidas y plaguicidas y la infiltración
de lixiviados por explotación de carbón.

En las amenazas por desabastecimiento se identificaron problemáticas

asociadas a minería extractiva, desviación del río, operación de la represa y
tala y quema de bosques.

Dentro de las amenazas naturales están el cambio climático y la intrusión

salina.

En el diagrama resumen de las amenazas se plantea que las problemáticas

pueden darse por débil gobernanza y gobernabilidad, falta de educación
entorno al agua y desconocimiento de la dinámica natural de los acuíferos
(MinAmbiente, Corpoguajira, & Universidad de Antioquia, 2015).

En agosto de 2014 se llevó a cabo el Tribunal Ético: Agresión Minera al

Territorio de La Guajira, allí se hizo la denuncia del confinamiento que están
pasando las comunidades que habitan la región, por la expansión de la
actividad minera; además se pronunciaron sobre los daños ambientales y de
salud ocasionados por el polvillo de carbón cuando se hacen voladuras, el
desabastecimiento de agua por contaminación y por reducción de
caudales en arroyos y ríos debido a la remoción de suelo, la pérdida de
autonomía, el desalojo que sufrieron algunas comunidades como Tabaco,
Roche y Caracolí, la pérdida de territorios para cultivar sus alimentos, la
vulneración a sus sitios sagrados (cementerios), entre otras.

Con este panorama establecido, surge la pregunta: ¿Cómo sería el paisaje

de La Guajira si no se hubiera tomado la decisión de hacer minería; si en
cambio se hubieran llevado a cabo las actividades de agricultura y
ganadería que las comunidades tenían?

El objetivo de este trabajo apuntó a hacer una simulación de los cambios de

las coberturas y usos del suelo (CCUS) si hubieran predominado las
actividades de sustento de las comunidades del lugar. Para este fin utilizando
software libres QGIS y GRASS GIS se realizó una clasificación de
cobertura/uso del suelo a partir de un procesamiento de imágenes de
satélites Landsat 1 y 2 de los años 1973 y 1978 respectivamente. Se generaron
5 variables de paisaje (variables explicativas de cambio), distancia a centros
poblados, distancia a vías principales, distancia vías secundarias, distancia a
ríos y mapa de pendientes. Una vez obtenidos estos mapas, se hizo el
proceso de simulación a través de una plataforma de modelación de CCUS
llamada Dinamica EGO y posteriormente se generaron proyecciones hasta el
año actual tomando como base la trayectoria de cambio obtenida, se
propusieron 3 escenarios que muestran cómo hubiera sido la dinámica del
territorio considerando diferentes tipos de decisiones administrativas de
ocupación de la zona.

2 Objetivos

2.1 General

Simular el cambio espacio-temporal de las coberturas del suelo en la zona

centro- sur de cuenca del río Ranchería, en el departamento La Guajira, con
las actividades de aprovechamiento del suelo de las comunidades propias
de la región como predominantes.

2.2 Específicos

 Procesar y clasificar imágenes de satélite de fechas anteriores al

establecimiento del complejo minero el Cerrejón.

 Seleccionar y ejecutar un modelo de simulación de cambios de

cobertura y usos del suelo

3 Marco Teórico

3.1 Paisaje

Comprender las causas que cambian el paisaje se ha convertido de vital

importancia en la ecología del paisaje. Uno de los enfoques que tiene esta
área de conocimiento es precisamente la de considerar las acciones
humanas como las causas principales de alteración sobre la biodiversidad
del Planeta (Petitpas, 2010).

Los patrones del paisaje son el resultado de las relaciones complejas que se
dan por factores que están interviniendo en el ecosistema. Uno de ellos es el
componente abiótico que junto con el clima definen los patrones
biogeográficos, tales como el relieve físico y el desarrollo de los suelos. Las
diferentes interacciones bióticas y el rol de las especies claves definen los
grupos de poblaciones o comunidades observadas en el paisaje, y por otro
lado se tiene los patrones del paisaje determinados por la actividad
antrópica, más propiamente por la manera en cómo se hace uso de los
suelos (Turner, 2005).
Para estudiar las variaciones en el paisaje es necesario contar con
herramientas y técnicas que permitan analizarlas de forma rápida. La
geomática es una disciplina que agrupa técnicas para el procesamiento de
la información y adquisición de datos referente a variaciones en la superficie
terrestre, utilizando los sistemas de información geográfica, la teledetección y
los sistemas de posicionamiento global -GPS-.

3.2 Sistemas de información geográfica -SIG-

Los sistemas de información geográfica, son una tecnología que se aplica

para solucionar problemas territoriales; añaden valor a la información y
pueden comportarse como una base de datos y como un sistema de apoyo
para la toma de decisiones (Bosque Sendra, 1997). La Tabla 1 resume, qué es,
qué hace y para qué se usa un SIG.

Tabla 1. ¿Qué es un SIG?

¿Qué es? ¿Qué hace?

Conjunto formado por: ● Manipula

● Metodologías ● Gestiona
● Datos ● Analiza
● Recursos humanos ● Recupera
● Objetivos ● Representa
● Herramientas Datos del mundo real, referenciados
elementos relacionados entre sí, geográficamente
formando un todo

¿Cómo? ¿Para qué?

A partir de una tecnología informática y Para ofrecer una abstracción de los

unos procedimientos elaborados datos que nos permite mejorar el
conocimiento que tenemos del territorio
y poder resolver, así, problemas
espaciales complejos (muchas veces
no previstos inicialmente)
(Marron Gaite, Salom Carrasco, & Souto Gonza lez, 2007)

El uso de los SIG y de los datos espaciales ha tomando gran relevancia no

sólo en el ámbito ambiental sino también a nivel político, económico y social,
ya que trata de entender cómo, por qué y qué está pasando en el entorno.
Esta tecnología brinda también una nueva forma de ver y entender el
pasado, presente y futuro para cuestionar y explorar el entorno (Burrough,
McDonnell, & Lloyd, 2013). La Figura 2 muestra los componentes principales
de un SIG.

Figura 2. Componentes de un SIG. Tomada de: (Burrough et al, 2013)

El software o programa utilizado se centra en 4 tipos de acciones a saber:

1. Ingreso y verificación de datos

2. Almacenamiento y manejo de datos
3. Salida de datos y presentación
4. Transformación, análisis de datos y modelación

Estas cuatro acciones pueden realizarse en programas de licencia tanto

privativa como libre, “«Software libre» es el software que respeta la libertad
de los usuarios y la comunidad. A grandes rasgos, significa que los usuarios
tienen la libertad de ejecutar, copiar, distribuir, estudiar, modificar y mejorar
el software.” (Proyecto GNU - Free Software Foundation, 2016).

Para almacenar datos espaciales, el programa SIG debe tener la capacidad

de manejar dos tipos de información, la primera referida a su ubicación
espacial y la segunda a qué es, esto se llama comúnmente localización y
atributo del dato, y se hace a través de información representada de forma
vectorial o raster (Wise, 2013).
3.2.1 Representación raster

En la representación raster una malla de cuadrados imaginaria se pone

sobre la superficie que se quiere estudiar, cada celda de la malla es llamada
pixel y se observa qué objeto queda contenido dentro de cada pixel, la
Figura 3 ilustra lo descrito anteriormente.

Figura 3. Representación raster tomada de: (IGAC & CIAF, n.d.)

Ya que los computadores trabajan mejor con números, a cada pixel se le

asigna un número que es usado para diferenciar las distintas características
que tiene el mundo real, así por ejemplo si tenemos una región con
vegetación natural, a todos los pixeles que contengan vegetación natural se
les asignará el mismo número, de igual forma para cuerpos de agua, suelo
desnudo, entre otras características; en caso de que se encuentren en un
mismo pixel dos tipos de coberturas (ej. vegetación natural, suelo desnudo)
el pixel tomará el valor de aquella que ocupa mayor área, si se requiere
tener la información de las dos coberturas presentes en el mismo pixel, se
debe generar una capa raster para cada cobertura.

Ya que las capas raster se componen de una malla de cuadrados, basta

con saber el tamaño del pixel y la ubicación de al menos uno de ellos para
conocer la ubicación de los demás, entre mayor cantidad de ubicaciones
tenga, mejor será la precisión sobre su sitio geográfico; la información sobre
la ubicación de los pixeles es manejada algunas veces con un archivo
auxiliar (Wise, 2013). La Figura 4 muestra a la izquierda la representación
gráfica en caso de tener 2 coberturas en una capa raster y a la derecha la
forma como el computador lo entiende.
 Figura 4. Raster, salida visual y computacional

3.2.2 Representación vectorial

Para el caso de la representación vectorial los objetos son almacenados

como puntos, líneas o polígonos y a cada objeto se le asigna un identificador
único. Los puntos, líneas y polígonos son utilizados dependiendo de lo que se
quiera representar, así por ejemplo se utiliza la geometría tipo punto para
representar la ubicación geográfica de árboles, postes de luz, pozos, entre
otros, ya que la geometría de punto solo puede tener como atributo las
coordenadas y no da información sobre área o longitud; la geometría de
línea es utilizada para obtener además de una ubicación geográfica la
longitud y se utiliza para representar vías, ríos, líneas de conducción eléctrica,
curvas de nivel o isolíneas; la geometría polígono es útil para obtener
información sobre áreas y perímetros y con ella se representan zonas con
coberturas uniformes, como bosques, cultivos, lagunas, entre otros. Asociado
a cada tipo de geometría se encuentra una tabla de atributos que puede
complementar la información para diferenciar por ejemplo, en una capa de
tipo punto, entre la ubicación de los árboles y la ubicación de los pozos o
postes de luz a esta tabla de atributos se le puede agregar un campo o
columna que contenga una descripción, y dicha descripción se asocia al
identificador único. (Wise, 2013). La Tabla 2 ilustra lo descrito anteriormente.
 Tabla 2. Representación vectorial

Tomada de:("Modelos para la información geográfica", 2016)

En la Tabla 3 se muestran las ventajas y desventajas de cada una de las

representaciones, raster y vectorial.

Tabla 3. Ventajas y desventajas de las representaciones

Tomado de: (IGAC & CIAF, n.d.)

3.3 Teledetección

La percepción remota o teledetección es una forma de obtener información

y estudiar un objeto, área, o fenómeno a partir de datos obtenidos por
medio de un dispositivo que no está en contacto con el objeto, área o
fenómeno que se está estudiando. El ejemplo más sencillo de percepción
remota son nuestros ojos, por medio de ellos tenemos información del
entorno que nos rodea sin estar en contacto directo con él (Lillesand, Kiefer,
& Chipman, 2004).

El fenómeno de teledetección es posible por la interacción que hay entre la

energía electromagnética y las cubiertas terrestres; estas tienen un
comportamiento reflectivo que varía tanto por condiciones externas
(factores ambientales) como por sus propias características tanto físicas
como químicas. (Perez Gutierrez & Munoz Nieto, 2006) La Figura 5 muestra los
componentes básicos para que se dé el proceso de teledetección satelital.

Figura 5. Componentes de teledetección, tomada de: (IGAC & CIAF, 2016)

Siguiendo el esquema planteado en la Figura 5, la fuente de energía

electromagnética es el Sol, esta energía es reflejada por las distintas
coberturas de la superficie terrestre y tras atravesar la atmósfera es
“capturada” por sensores óptico-electrónicos. La información “capturada”
es transmitida a La Tierra como una señal digital en formato raster, luego de
un tratamiento previo para realizar correcciones eom tricas es distri uida
en formato an lo o o di ital para ue el usuario a a sus respecti os
an lisis erez et al, 2006).

3.3.1 Espectro electromagnético

La luz visible (colores que vemos) solo es una parte del espectro
electromagnético, las ondas de radio, el calor, la luz ultravioleta y los rayos X
también hacen parte de este. Todo el espectro electromagnético tiene
características similares e irradian de acuerdo a la teoría básica de ondas.
En 1864 J.C Maxwell estableció la teoría electromagnética de la luz y la
describió de la siguiente manera: “la luz no es una onda mecánica, sino una
forma de onda electromagnética de alta frecuencia. Las ondas luminosas
consisten en la propagación, sin necesidad de soporte material alguno de
un campo eléctrico y un campo magnético. Dichos campos son
perpendiculares entre sí y a la dirección de propagación” esto se muestra en
la Figura 6.

Figura 6. Movimiento de la luz como campo electromagnético. Modificada de Tippler

La distancia entre un pico y otro en la Figura 6 es llamado longitud de onda

(λ) y el número de picos que pasan por un punto fijo en el espacio por
unidad de tiempo, se llama frecuencia (ϑ).

Es común categorizar las ondas electromagnéticas por su localización dentro

del espectro electromagnético, es decir por su longitud de onda; las
unidades de medida usados comúnmente son el micrómetro (1 x 10-6 m) y el
nanómetro (1 x 10-9 m) para longitudes de onda corta, y el centímetro, metro
y kilómetro para longitudes de onda larga, la Figura 7 ilustra lo descrito.

Figura 7. Espectro electromagnético tomada de: (Domínguez et al, 2011)

3.3.2 Firma espectral

Según el tipo de cobertura terrestre que refleje la luz solar, se tiene un

comportamiento en cada una de las regiones del espectro
electromagnético, a esto se le llama firma o signatura espectral, y se
representa en un r fico de dos dimensiones en donde en el eje “Y” se
re istra el porcentaje de reflecti idad y en el eje “X” la lon itud de onda.
Para identificar un objeto con técnicas de teledetección es necesario
conocer su comportamiento reflectivo en distintas longitudes de onda
(Chuvieco Salinero, 1990), La Figura 8 muestra el comportamiento reflectivo o
firma espectral de algunas coberturas.

Figura 8. Firmas espectrales típicas para algunas coberturasTomada de: (Chuvieco Salinero,
1990)

Como puede verse en la Figura 8, la vegetación refleja la mayor cantidad

de energía a partir de los 0,7 μm es decir finalizando el espectro visible e
iniciando el infrarrojo cercano, mientras que la nieve tiene mayor
reflectividad en la región visible (0,4 a 0,7 μm), el agua por su parte tiene la
capacidad de absorber gran cantidad de energía por lo que su reflectividad
es baja en todo el espectro y se reduce a medida que aumenta la longitud
de onda.
3.3.3 Satélites y características

El uso de los satélites para la observación de la superficie terrestre tiene una

gran ventaja, ya que las fotografías aéreas solo se centraban en el espectro
electromagnético visible e infrarrojo próximo (entre 0.4 μm y 0.9 μm) y los
satélites permitieron ampliar el rango del espectro captado.

En 1972 se pone en órbita el primer satélite para el monitoreo de recursos de

La Tierra llamado ERTS-1 (Earth Resourses Technology Satellite), que ahora
conocemos como Landsat 1. En la década del 70 además de continuar la
serie de satélites Landsat con el lanzamiento de su segundo satélite en 1975 y
del tercero en 1978, se dan a conocer otros proyectos para observaciones
meteorológicas como el GOES lanzado en 1974 y el Meteosat, satélite
europeo lanzado en 1977; en 1978 son lanzados los satélites Seasat y Nimbus-
7 con fines oceanográficos y el HCMM (Heat Capacity Mapping Mission)
provisto de sensores térmicos de media resolución, del cual se obtuvo
información sobre la temperatura de la superficie de La Tierra y la inercia
térmica.

Cada sensor satelital utilizado para obtener información de la superficie de

La Tierra, varía en las siguientes características:

Resolución espacial: se refiere al objeto más pequeño que se puede

distinguir en la imagen, esta característica está relacionada con la escala de
trabajo y con la fiabilidad obtenida en la interpretación erez et al, 2006).

Resolución radiométrica: se refiere a la capacidad que tiene el sensor para

diferenciar niveles de radiancia. La energía electromagnética recibida por el
sensor debe ser convertida a nivel digital y para esto es necesario un formato
binario (número de bits) que la codifique, a mayor cantidad de bits
reservados para almacenar la radiancia recibida mayor es la resolución
radiométrica erez et al, 2006).

Resolución espectral: indica el número y ancho de banda espectral que

puede discriminar el sensor (longitud de onda del espectro electromagnético
captada), en este sentido tendrá más resolución espectral si cuenta con
mayor número de bandas erez et al, 2006).

Resolución temporal: Se refiere a la periodicidad de adquisición de imágenes

de una misma zona, (el tiempo que tarda en pasar de nuevo por un mismo
punto). La resolución será mayor si pasa con más frecuencia por el mismo
sitio erez et al, 2006).

Resolución angular: Se refiere a la capacidad del sensor para tomar

imágenes oblicuas esto permite acortar ciclos temporales y posi ilita la
eneración de im enes estereoscópicas y por tanto la reconstrucción del
relie e erez et al, 2006).

Según lo descrito anteriormente los sensores remotos están dispuestos de tal

forma que capten unas regiones del espectro electromagnético, según sea
su objeto de estudio, la Tabla 4 muestra algunos sensores representativos y
sus respectivas características.
Tabla 4. Sensores representativos

Satélite Sensor Resolución Resolución Resolución Resolución

Espectral Radiométrica Temporal Espacial

Landsat7 ETM+ (1)0.45- 0.52 8 bits 16 días 30 metros

(2 0.52- 0.60
(3)0.63-0.69
(4)0.76-0.9
(5)1.55-1.75
(6)10.4-12.5
(7) 2.08-2.35

Spot HVR 0.50-0.89 8 bits 26 días 20 metros

HRVIR 0.61-1.75 20 metros
HRG 0.48-1.75 10 metros

NOAA AVHRR (1)0.58-0.68 10bits Diaria 1.1kilómetr

(2)0.72-1 os
(3)1.58-1.64
(4)3.55-3.93
(5)10.3-11.3
(6)11.5-12.25

Ikonos OSA (1)0.45-0.90 11bits 1-3 días 1.metro

(2)0.45-0.52
(3)0.52-060
(4)0.63-0.90
(5)0.76-0.90
Conocidas las firmas espectrales de diversas coberturas es posible determinar
qué longitud de onda (banda espectral del satélite) se debe usar según lo
que se quiera describir, la Tabla 5, muestra para el caso del satélite Landsat 7
la numeración de las bandas, la longitud de onda que capta cada banda y
su aplicación.
Tabla 5. Bandas Landsat 7 y sus aplicaciones

Banda longitud de onda (μm) Aplicaciones

1 0,45-0,52(azul) mapeo de aguas costeras,

diferenciación entre suelo y
vegetación, diferenciación
entre vegetación conífera y
decídua

2 0,52-0,60(verde) mapeo de vegetación,

calidad de agua

3 0,63-0,90(rojo) absorción de la clorofila,

diferenciación de especies
vegetales, áreas urbanas, uso
del suelo, agricultura, calidad
de agua

4 0,76-0,90 (infrarrojo delineamiento de cuerpos de

cercano) agua, mapeo geomorfológico,
mapeo geológico, áreas de
incendios, áreas húmedas,
agricultura, vegetación

5 1,55-1,75 (infrarrojo uso del suelo, medidas de

medio) humedad de la vegetación,
diferenciación entre nubes y
nieve, agricultura, vegetación

6 10,40-12,50 (infrarrojo mapeo de estrés térmico en

termal) plantas, corrientes marinas,
propiedades térmicas del
suelo

7 2,08-2,35 (infrarrojo identificación de minerales,

medio) mapeo hidrotermal
Modificado de: (Geoserver Perú, s.f.)
3.3.4 Tratamiento previo de imágenes

Antes de iniciar el análisis o la clasificación en grupos de coberturas de una

imagen de satélite, se deben realizar dos procedimientos conocidos como
corrección geométrica y corrección radiométrica.

3.3.4.1 Corrección geométrica

La corrección geométrica tienen como finalidad reconstruir la geometría de

la imagen y se hace asignándole un sistema de coordenadas y una
proyección cartográfica; esta operación se hace de forma conjunta en un
pro rama y tiene por nom re eorreferenciación. erez et al, 2006).

Para realizar la georreferenciación se toman puntos de control de

coordenadas conocidas e identificables en la imagen que se quiere
georreferenciar. Se define un algoritmo de transformación y un método de
remuestreo. Los algoritmos de transformación más conocidos y disponibles en
cualquier software SIG son:

● Algoritmo Lineal
● Transformación Helmert
● Algoritmos polinomiales de orden 1 a 3
● Algoritmo Thin Plate Spline
● Transformación proyectiva

La elección del algoritmo depende de la cantidad de puntos de control que

se tengan, el tipo y la calidad de los datos de entrada y la cantidad de
distorsión geométrica que se esté dispuesto a introducir (QGIS, 2016).

En cuanto al método de remuestreo el software SIG cuentan con al menos 5

métodos a saber:

● Vecino más próximo

● Lineal
● Cúbica
● Spline Cúbica
● Lanczos

El tipo de remuestreo elegido depende del objetivo del ejercicio, así por
ejemplo si no se desea cambiar las estadísticas de la imagen, el método a
elegir será el de Vecino más próximo, los demás tipos de remuestreo
modifican las estadísticas pero generan salidas más suaves (cambios en
tonos de grises menos marcados) (QGIS, 2016).

3.3.4.2 Corrección radiométrica

La corrección radiométrica se utiliza para corregir distorsiones atmosféricas o

distorsiones por fallas en los sensores tam i n se utili a para reesta lecer los
alores de los ni eles di itales de la ima en a alores de reflectancia de la
superficie erez et al, 2006). Se distinguen los valores de niveles digitales de
los de reflectancia, porque los primeros están dados en números enteros
entre 0 y 255 para el caso de una resolución radiométrica de 8bit, mientras
que los valores de reflectancia están dados en número reales (punto
decimal) en un rango entre 0 y 1.

Entre los métodos para hacer corrección radiométrica se encuentran:

● Procesamiento multivista
● Promediado espacial
● Filtro Speckle
● Método de sustracción de objetos oscuros

Estos métodos se utilizan según el tipo de error que se encuentre. La

conversión a niveles de reflectancia no es siempre necesaria, únicamente
debe hacerse si lo que se pretende es comparar la reflectancia de dos
imágenes de fechas diferentes o cuando se van a utilizar índices de
vegetación normalizados para la clasificación de coberturas (Song,
Woodcock, Seto, Lenney, & Macomber, 2001).

3.3.4.3 Clasificación de coberturas y usos del suelo

El tratamiento digital (correcciones geométrica, radiométrica, entre otros) se

hace con el fin de extraer información temática del territorio (coberturas y
usos del suelo), por medio de métodos matemáticos y estadísticos
implementados mediante algoritmos en un software SIG. El proceso de
extracción de información temática se conoce también como clasificación
y puede dividirse en 3 fases:

1. Fase de entrenamiento
2. Fase de asignación
3. Fase de verificación erez et al, 2006)
Son conocidos también dos métodos de clasificación de información
temática; la clasificación supervisada y la clasificación no supervisada.
La primera se basa en la disponibilidad de áreas de entrenamiento, estas
deben ser homogéneas y se debe tener información sobre qué había (tipo
de cobertura) el día que fue tomada la imagen de satélite; por lo general la
información sobre qué había se consigue con fotografías aéreas o con visita
a campo cuando la imagen fue tomada recientemente.

En la segunda, no se tiene conocimiento previo de la zona; en este caso se

utilizan algoritmos que constan de N pasos, siendo N el número de clases que
se van a generar; en cada paso se identifican los individuos más cercanos, se
hace una clase con ellos y se sustituyen por el centroide de la clase
resultante (Universidad de Murcia, 2016). Para entender mejor este proceso
se presenta la Figura 9.

Figura 9. Dendrograma

En la Figura 9 puede verse cómo se van agrupando los individuos hasta tener
el número de clases que se le indica al algoritmo en este caso 3.

La salida gráfica de la clasificación no supervisada en el programa SIG es un

mapa en donde los pixeles que pertenecen a un mismo grupo tienen el
mismo valor y color.

El resultado de la clasificación temática de una zona dada, es utilizado

como insumo para ejercicios de modelación de cambios de coberturas y
usos del suelo.
3.4 Modelos espaciales

Los modelos espaciales fueron desarrollados principalmente en el campo de

la ecología por la necesidad de incluir el espacio como una de las variables
en la modelación de los procesos ecológicos (Zabala et al., 2006). Estos
modelos han permitido estudiar las dinámicas de los patrones de los
ecosistemas tanto en el tiempo como en el espacio.

Un caso especial de estos modelos son los espacialmente explícitos, que

siguiendo la misma línea de Zabala et al., (2006), son entendidos así porque
“la evolución en el tiempo de alguna de sus variables de estado dependen
del espacio”. La base conceptual de alguno de ellos está fundamentada a
partir de la herramienta matemática de Autómatas Celulares (AC)
propiciada por los investigadores científicos John Von Neuman y Stanislaw
Ulam (Aguilera, 2006), que junto a un enfoque estocástico se genera un
modelo matemático para representar un sistema dinámico y que a su vez
evoluciona en pasos discretos. Padilla, Pérez, Cruz, Huilcamaigua, & Astudillo,
(2015) detallan el significado de lo mencionado anteriormente como sigue:

● Modelo matemático, porque permite expresar los fenómenos

de la vida real en forma matemática, es decir, hacer
aproximaciones de la realidad física y predicciones para
generar escenarios futuros.
● Sistema dinámico, porque es un sistema complejo que
presenta cambio o evolución de su estado en el tiempo.
● Pasos discretos, porque estos modelos se caracterizan por sus
propiedades discretas en el espacio, tiempo y valores de
estado.

En la Tabla 6 Zabala et al., hace una clasificación de los modelos

espacialmente explícitos y hace una descripción de sus características.
 Tabla 6. Modelos espacialmente explícitos

Características Metodologías no Modelos espacialmente explícitos

espaciales

Espacio, tiempo y Sistemas de ● Interacción espacial

estados continuos. ecuaciones desacoplada de la
diferenciales ordinarias dinámica. Teselas de EDOs
(EDO) con términos difusivos.
● Interacción espacial del
mismo orden que la
dinámica. PDE, ecuaciones
integro-diferenciales.

Espacio y tiempo Sistemas de ● Mallas de mapas acoplados

discretos, estados ecuaciones en
continuos. diferencia (mapas)

Espacio, tiempo y --- ● Autómatas celulares

estado discretos. (determinista): interacciones
Interacciones locales.
deterministas

Espacio y estados Procesos estocásticos. Sistemas de partículas interactivos o

discretos. Tiempo sistemas estocásticos espaciales.
discreto o Muy difícil de tratar analíticamente.
continuo. ● Modelos de ocupación de
Interacciones celdas. Autómatas celulares
estocásticas. estocásticos.
● Modelos basados en
individuos (MBI)
Tomada de Zabala et al, (2006)

Un AC es un espacio subdividido por celdas o teselas, donde cada una de

ellas representan un conjunto finito de estados o atributos de un sistema
ocupando una posición (i,j) como se muestra en la Figura 10.
 Figura 10. Representación AC

En esta representación espacial hay dos estados posibles, un estado gris y

otro verde.

Otro componente importante en los modelos de AC es el de vecindad,

definido por un conjunto de celdas que está en las cercanías de una celda
central. Cada celda cambia o no, a otro estado, dependiendo de la
información contenida en ella misma y las de sus cercanías o vecindad, la
celda central es sobre la cual se hacen los cálculos (Padilla et al, 2015).

Las reglas de transición local o de evolución son las que definen cómo
cambia una celda dependiendo, como se mencionó anteriormente, de su
estado anterior y el de su vecindario. Estás por lo general se expresan por un
conjunto de ecuaciones.

Los modelos de simulación espacialmente explícitos se construyen de esta

manera para simular la dinámica de un sistema intentando reproducir la
forma en cómo sus patrones espaciales evolucionan, para proyectar las
posibles consecuencias ecológicas y socioeconómicas de un sistema
dinámico (Soares-Filho, Rodrigues & Costa, 2009). Dentro de estos tipos de
modelos de simulación se encuentran los modelos de cambio de cobertura y
usos del suelo CCUS, que han tomado mucha importancia por la
preocupación de la expansión de las actividades humanas sobre la
superficie terrestre y de cómo éstas están afectando la biodiversidad en el
planeta.

Muchos modelos de CCUS han sido desarrollados en las últimas décadas

enfocados en la simulación de procesos de cambio. Mas et al, (2011),
compara 4 modelos que presentan una gran variedad de enfoques y
métodos cada uno, estos son: Cadenas de Markov, CLUE-S, Dinamica EGO, y
Land Change Modeler.

Las Cadenas de Markov son un método probabilístico que está incorporado

en muchas herramientas de SIG, una de sus aplicaciones está relacionada
con los cambios de cobertura y uso del suelo. Consiste en hallar una matriz
de probabilidad de transición y hacer una evaluación multicriterio (EMC), la
cual necesita del conocimiento de un experto para generar mapas de
aptitud (Olmedo, Malgajero & Paegelow, 2010).

CLUE-S (the Convertion of Land Use and its Effects at Small regional extent) es
un modelo dinámico de cambio de cobertura y uso del suelo. Su
característica principal es que fue desarrollado específicamente para el
análisis de usos del suelo en regiones pequeñas, con una fina resolución
espacial (Verburg et al., 2002). Una característica importante de este modelo
es que el usuario proporciona para cada año simulado la cantidad de
categorías de ocupación del suelo.

Dinamica EGO (Environmental for Geoprocessing Objects) es una plataforma

de modelación ambiental desarrollado por el Centro de Sensoramiento
Remoto de la Universidad Federal de Minas Gerais, Brasil. Tiene incorporado
una variedad de métodos geoestadísticos de los cuales se pueden generar
los modelos de cambios de cobertura y usos del suelo. Las aplicaciones se
han extendido desde los estudios para simular la deforestación en el
Amazonas, hasta la simulación del crecimiento urbano. Su licencia es
gratuita y ofrece un entorno intuitivo de diagramas de flujo para una mejor
comprensión de modelos espaciales complejos.

Land Change Modeler es una extensión para plataformas de licencias

comerciales como ArcGis e IDRISI GIS que permiten modelar CCUS.

En el ejercicio de comparación Mas et al, (2011) hizo la simulación con estas

herramientas teniendo en cuenta los principales abordajes en la modelación
espacial:

1. ¿Cómo el modelo calcula la cantidad de cambios?

2. ¿Cómo establece la relación entre las variables explicativas y los
cambios a fin de evaluar la probabilidad de cambio?
3. ¿Cómo se asignan los cambios?
4. ¿Cómo se simulan los patrones espaciales de los cambios?
5. ¿Cómo se evalúa el modelo?
Unas consideraciones que mencionaron en este último trabajo fue que los
programas que ofrecieron más flexibilidad para desarrollar modelos
personalizados fueron los basados en Cadenas de Markov y Dinamica EGO.
Los modelos más fáciles de usar eran los que estaban montados en IDRISI, ya
que permitía hacer en el mismo entorno de trabajo las operaciones previas a
la simulación, y Dinamica EGO por presentar un entorno de programación
muy intuitivo, además estos últimos trabajan en entornos gráficos.

Como una conclusión final Mas et al, (2011) expone la necesidad de crear
modelos que se ejecuten de acuerdo a las necesidades del usuario y que se
puedan acoplar a otros modelos. De estas herramientas estudiadas, el único
que no presentaba una estructura rígida y que permitía al modelador
implementar diferentes estrategias fue Dinamica EGO.

4 Metodología

La Figura 11, es un resumen de la metodología que se siguió para la

realización de la simulación.

Figura 11 Diagrama de flujo

Como se puede apreciar en el diagrama, el trabajo está dividido en dos
partes:

1. Clasificación de imágenes de satélite y generación de variables de

paisaje
2. Modelación o simulación

4.1 Clasificación de imágenes de satélite y generación de variables de

paisaje.

4.1.1 Datos Iniciales

4.1.1.1 Imágenes de satélite y Modelo de Elevación Digital -MED-

Las imágenes Landsat de 1973, 1978 y el MED, se obtuvieron de la página

web EarthExplorer.

La descripción de los datos y las características radiométricas de las

imágenes Landsat y del MED se muestran en la Tabla 7 yTabla 8
respectivamente, los metadatos con una descripción más detallada se
encuentran en la carpeta anexo 1. Metadatos.

Tabla 7 Descripción de los datos

Dato ID Path Tamaño Fecha Sensor

- Row de celda de toma

MED ASTGTM2_N10W073 --- 30 x 30 m 17- Oct ASTER

- 2011

MED ASTGTM2_N11W073 --- 30 x 30 m 17 - Oct ASTER

- 2011

MED ASTGTM2_N10W074 --- 30 x 30 m 17 - Oct ASTER

- 2011

MED ASTGTM2_N11W074 --- 30 x 30 m 17 - Oct ASTER

- 2011

Landsat LM10080521973001AAA04 8 - 52 60 x 60 m 01 - Ene MSS

1973 - 1973 L1

Landsat LM10080531973001AAA04 8 - 53 60 x 60 m 01 - Ene MSS

 1973 - 1973 L1

Landsat LM2008521978362AAA02 8 - 52 60 x 60 m 28 - Dic MSS

1978 - 1978 L2

Landsat LM20080531978362AAA04 8 - 53 60 x 60 m 28 - Dic MSS

1978 - 1978 L2

Tabla 8 Características radiométricas

Satélite Resolución espectral (um) Banda

Landsat 1 - 3 Banda 4: 0.50 - 0.60 Verde

Banda 5: 0.60 - 0.70 Rojo
Banda 6: 0.70 - 0.80 Infrarrojo cercano
Banda 7: 0.80 - 1.10 Infrarrojo cercano
Traducido de: Landsat Technical Guide (Universidad de Maryland, 2004)

4.1.1.2 Cartografía Instituto Geográfico Agustín Codazzi -IGAC-

La cartografía del IGAC se consultó en su portal web. En él se pudieron

visualizar las planchas 8, 14, 15, 20, 21, 22 y 28 a escala 1:100.000. Las
planchas corresponden a los años 1960 y 1964.

Se obtuvo además de la página web de la Infraestructura Colombiana de

Datos Espaciales -ICDE- los drenajes sencillos a escala 1:100.000 en formato
shape (formato que se visualiza a través de un programa SIG).

4.1.2 Procesos

4.1.2.1 Imágenes Landsat.

Las imágenes Landsat son ofrecidas de forma gratuita en dos niveles: 1G y 1T.
El primero quiere decir que la imagen no está correctamente
georreferenciada, o que la georreferencia no se hizo con suficiente precisión.
El segundo quiere decir que la imagen está correctamente georreferenciada
y se entrega junto con ella un archivo con los puntos de control usados para
su georreferenciación.
Las imágenes obtenidas con Path: 8 Row: 53, eran de nivel 1T, mientras que
las imágenes con Path 8 Row: 52 tenían nivel 1G.

4.1.2.2 Corrección geométrica

Con la herramienta georreferenciador del programa QGIS se realizó la

corrección geométrica de las imágenes de los años 1973 y 1978 con Path: 8
Row: 52. La Tabla 9, muestra el número de puntos de control utilizados, la
transformación elegida, el método de remuestreo usado, la proyección
asignada y el error medio.

Tabla 9 Georreferencia

Imagen No. Puntos Transformación Método de Proyección Error

de control remuestreo asignada medio
(EPSG)

LM100805219730 55 Thin Plate Vecino 32618 0,0004

01AAA04 Spline más 242
próximo

LM200852197836 30 Thin Plate Vecino 32618 2,02 x

2AAA02 Spline más 10-5
próximo

Los puntos fueron tomados de dos imágenes nivel 1T; se aprovechó el área
de solape entre imágenes de la misma fecha pero de Row diferente para
tomar algunos puntos, los otros fueron tomados de la imagen Landsat 5 del
año 1985, con Path:8 y Row:52 En la carpeta anexos 2.
Corrección_geométrica, se encuentran los archivos con las coordenadas de
los puntos de control utilizados, un informe de georreferencia y un mapa con
los puntos usados.

4.1.2.3 Unión de imágenes

Debido a que la zona de estudio no estaba cubierta por una sola imagen
satelital, se hizo la unión de las imágenes de Path: 8 Row: 52, con las de Path:
8 Row: 53, utilizando la función r.patch del software GRASS GIS. La Figura 12
muestra el resultado obtenido para la banda 4 del año 1973.
 Figura 12 Unión de imágenes banda 4 del año 1973

4.1.2.4 Composición falso color

Las imágenes obtenidas del satélite como se explicó en el marco teórico

vienen separadas por bandas. Una composición de falso color se realiza
cuando se unen 3 de las bandas y al menos una de estas no corresponde al
espectro visible (colores rojo (0,6 a 0,9 um), verde (0,52 a 0,6 um) o azul (0,45
a 0,52 um)). Existen variadas composiciones que realzan ciertos aspectos o
componentes de la imágen, para este trabajo se realizó la combinación de
las bandas 7-5-4 (r-g-b) mediante el comando r.composite de GRASS GIS,
con el fin de resaltar vegetación densa y poco densa, además esta
composición ofreció gran contraste para identificar parches de cultivos. Se
puede apreciar el resultado en la Figura 13.

Figura 13 Composición falso color 7-5-4

4.1.2.5 Mapa de pendiente, direcciones de flujo, drenajes y delimitación de
la cuenca Río Ranchería

A partir del MED se obtuvieron por medio de los comandos r.slope y

r.watershed del programa GRASS GIS el mapa de pendientes, el mapa de
direcciones de flujo, drenajes y un mapa de cuencas con áreas mínimas de
2.000 km2.

El mapa de cuencas fue evaluado visualmente para dejar solo la cuenca del
Río Ranchería, teniendo presente otras delimitaciones hechas por
Corpoguajira en 2011 y 2015. La Figura 14 muestra la cuenca obtenida
finalmente.

Figura 14 Cuenca Río Ranchería

El mapa de pendientes, que está en porcentaje, se reclasificó utilizando el

comando r.recode del mismo programa y asignando valores según
metodología del IGAC, para hacer clasificaciones agrológicas como se
muestra en la Tabla 10.
 Tabla 10 Clasificación de pendientes
Pendiente (%) Valor asignado Significado

0-1 1 A nivel

1-3 2 Ligeramente plana

3-7 3 Ligeramente inclinada

7 - 12 4 Moderadamente inclinada

12 - 25 5 Fuertemente inclinada

25 - 50 6 Ligeramente escarpada

50 - 75 7 Moderadamente escarpada

75 - 100 8 Fuertemente escarpada

> 100 9 Totalmente escarpada

El mapa de drenajes se convirtió a formato vectorial y se verificó junto con la

cartografía IGAC.

4.1.2.6 Delimitación de zona de estudio

La delimitación de la zona de estudio se realizó teniendo en cuenta que

sobre la cuenca del Río Ranchería (hacia el norte) había mucha nubosidad,
como puede verse en la Figura 14.

La zona de estudio está contenida en la cuenca del Río Ranchería, y abarca

un área de 2588 km2, un poco más de la mitad del total de área de la
cuenca del Río Ranchería (4223 km2). La Figura 15 muestra el área de
estudio.
 Figura 15 Zona de estudio

4.1.2.7 Clasificación no supervisada

Los pasos con los que se hizo la clasificación no supervisada en GRASS GIS
para las imágenes de 1973 y 1978 fueron:

1. Se crearon grupos y sub grupos (comando i.group). El grupo contenía

la composición de falso color y las bandas con las que se hizo dicha
composición (7, 5 y 4) y el sub grupo contenía únicamente las bandas
4 y 7.

2. Se definieron 15 clases en las que se separaron las imágenes con el

comando i.cluster, este pidió como datos de entrada el grupo y
subgrupo. El comando entregó como salida un archivo que se llamó
“Firmas espectrales”.

3. Finalmente se hace la clasificación con el comando i.maxlik, que utiliza

el algoritmo de máxima verosimilitud, este requirió como datos de
entrada el grupo, sub grupo y las firmas espectrales.
4.1.2.8 Delimitación de regiones

Debido a que la clasificación no supervisada sobre toda la zona de estudio,

no permitió diferenciar las zonas con poca vegetación o con suelo desnudo
de aquellas en donde se realizaba alguna actividad antrópica (cultivo,
ganadería o centro poblado), como se ve en la Figura 16, se crearon cinco
regiones para la imagen de 1973 y seis para la imagen de 1978, esto se hizo
teniendo presente las formas rectangulares que caracterizan a las
delimitaciones que se hacen para separar predios (ver Figura 17).

Figura 16 Limitación clasificación no supervisada sobre toda la zona de estudio

Figura 17 Delimitación de subregiones

4.1.2.9 Clasificación no supervisada y reclasificación

Se realizó la clasificación no supervisada para cada una de las subregiones

definidas de la forma descrita en el aparte clasificación no supervisada, una
vez realizada se procedió a reclasificar el mapa obtenido con el comando
r.reclass. En la carpeta anexo 3. Reclasificación, se muestran los documentos
en extensión .txt con las reglas que se siguieron. Se pasó de tener 15 clases a
4.
La Tabla 11 muestra la codificación utilizada para cada una de las
categorías.

Tabla 11 Categorías

Cobertura Valor raster

Vegetación poco densa 1

Actividad Antrópica 2

Vegetación densa 3

Nube 4

4.1.2.10 Georreferenciación de cartografía y digitalización

La georreferenciación de las planchas cartográficas se realizó con la

herramienta georreferenciador del programa QGIS, se tomaron 5 puntos
para cada plancha teniendo en cuenta la malla de coordenadas que tiene
la plancha.

Se digitalizaron las vías pavimentadas (principales), vías carreteables

(secundarias) y los centros poblados en formato vectorial. Se generó una
capa para cada uno.

4.1.2.11 Generación de mapas clasificados y variables de paisaje

Una vez obtenidas las clasificaciones con las 4 categorías de cada

subrregión, se procedió a unirlas mediante el comando r.patch de GRASS
GIS. De esta forma se obtuvieron los mapas clasificados de los años 1973 y
1978 que se muestran en la Figura 18 y que fueron usados en el ejercicio de
modelación como paisaje inicial y final respectivamente.
 Figura 18 Mapas paisaje inicial y final

Se generaron 5 variables de paisaje a saber:

1. Distancia a centros poblados

2. Distancia a drenajes (ríos y arroyos)
3. Distancia a vías principales
4. Distancia a vías secundarias
5. Mapa de pendientes

Digitalizadas las vías (principales y secundarias) y centros poblados se

pasaron de formato vectorial a formato raster mediante el comando v.to.rast
de GRASS GIS.

Para tener las distancias a cada una de las variables (vías principales, vías
secundarias, centros poblados y drenajes) se utilizó el comando
r.grow.distance de GRASS GIS, el mapa de pendientes se había generado
con anterioridad, los mapas resultantes se muestran en la Figura 19.

Figura 19 Variables de paisaje

4.2 Modelación

Para la simulación de cambios de coberturas y usos del suelo se eligió la

plataforma de modelación Dinamica EGO (D-EGO), por ser un sotfware
gratuito y por su flexibilidad de interacción con el conocimiento del usuario.

4.2.1 Tasas de transición global

Las tasas de transición global se calcularon teniendo en cuenta los mapas

de paisaje inicial (1973) y final (1978). Esas tasas de transición representan los
cambios de un sistema en pasos discretos de tiempo. D-EGO permite obtener
dos matrices de transición, la matriz de transición de un solo paso y la matriz
de transición de múltiples pasos.

La matriz de un solo paso calcula el porcentaje que cambia por cada

transición en un intervalo de tiempo, en este caso el intervalo corresponde a
cinco años.

Por otro lado, la matriz de múltiples pasos calcula las tasas de transición por
cada periodo de tiempo que se requiera. En este caso la matriz de transición
ocurrió para un periodo anual en un intervalo de cinco años.

4.2.2 Variables de paisaje

Las variables de paisaje que se generaron anteriormente, fueron insumos de

entrada para el modelo construido en D-EGO como variables estáticas, que
son tales porque se mantiene constante durante su ejecución.

Por otro lado, se consideró también una variable dinámica, Distancias a

actividades antrópicas, definida así porque es retroalimentada por cada
iteración durante la ejecución del modelo.

4.2.3 Probabilidad de transición local

La probabilidad de transición local es calculada por cada celda y está

influenciada por las variables de paisaje. En este paso D-EGO emplea el
método geoestádistico de Pesos de Evidencia (P de E) que está basado en
la teoría de la probabilidad condicional del teorema de bayes. El resultado
es un mapa de probabilidad de transición que muestra dónde es más
pro a le ue ocurra una transición i → j en el sistema de inter s. ara poder
emplearlo se requieren de dos procedimientos previos:

1. Categorización de las variables: El método de pesos de evidencia sólo

se aplica a variables categóricas, por lo tanto, fue necesario
categorizar las variables continuas como era el caso de las Distancia a
Centros poblados, Distancia a Vías principales, Distancia a Vías
secundarias y Distancia a los ríos. En el caso de las pendientes, éstas ya
tenían categorías del procesamiento previo, que se hizo tomando en
cuenta la clasificación de suelo de Klingebiel y Montgomery adoptada
por el IGAC. D-EGO realiza esta operación de manera automática, el
método que adopta es el de Agterberg and Bonham-Carter (1990), el
cual considera el cálculo de los rangos preservando la estructura de
los datos. El procedimiento puede detallarse en Soares-Filho et al.,
(2009)

2. Independencia entre las variables: Una condición para usar el método

de los pesos de evidencia es que las variables sean independientes
entre sí. Existen muchos métodos para evaluar la correlación entre
variables espaciales. Los métodos que emplea D-EGO para evaluar
esa correlación son: Chi-cuadrado, Crammer, Contigency, Joint
Entropy y Joint Information Entropy.

El método para calcular los Pesos de Evidencia es presentado en las

ecuaciones 1, 2 y 3:

W+ representa el peso de evidencia de haber ocurrido el evento D, dado un

patrón espacial B. La ecuación 3 representa la probabilidad posterior dado
un conjunto de variables espaciales B, C, D, y N, las cuales son los valores de
las k variables espaciales (Soares-Filho et al., 2009).
4.2.4 Calibración de los parámetros internos.

Para realizar la simulación fue necesario calibrar los parámetros internos del
modelo. Entre estos están dos algoritmos de Autómatas Celulares: El
Expander y el Patcher. La función del Expander, es la responsable de la
expansión o contracción de los parches conformados por una clase o
cate oría en particular es decir las transiciones ue ocurren de i → j sólo es
posible en las vecindades contiguas con estado j. La función Patcher, por el
contrario, enera nue os parc es a partir de un mecanismo “semilla” las
transiciones i → j se reali an cuando las ecindades conti uas tienen un lu ar
diferente de j (Soares-Filho et al., 2009).

La asignación para la explicación de la expansión o generación de nuevos

parches se da en un rango de 0 a 1, donde el primer filtro pasa por el
expander, y el resto por el patcher, es decir, si se le asigna un valor de 0.2 al
Expander, se dice que el 20 % de los cambios que ocurren se da por
expansión y el 80% restante por la generación de nuevos parches (Patcher).

Otros parámetros internos que consideró el modelo tenían que ver con el
tamaño, la variación y la forma de los parches; los dos primeros se daban en
hectáreas y el último definió la forma de esos parches en un rango de 0 a 2,
si el valor es más cercano a dos, la formación de los parches será más
agrupada adquiriendo formas circulares, para una explicación más
profunda del funcionamiento de este procedimiento se puede ver en Soares-
Filho et al., (2003).

El fin de la calibración era lograr un mapa simulado de 1978, considerando el

mapa inicial de 1973 y el comportamiento obtenido (cambio matriz de
transición), entre el periodo 1973 a 1978. La simulación se hizo repetidamente
ajustando los parámetros hasta lograr la mayor similitud posible con el mapa
histórico de 1978 (mapa obtenido de la clasificación).

4.2.5 Validación

Para medir el ajuste espacial entre el mapa simulado con el mapa histórico
se consideró el método incorporado en D-EGO de ventanas múltiples, el cual
emplea una función de decaimiento constante dentro de un tamaño de
ventana variable.
Esta herramienta permite hacer el ajuste teniendo en cuenta si las mismas
celdas que cambiaron caben dentro de un tamaño de ventana que
aumenta de manera impar, esto permite considerar ajustes con resoluciones
espaciales bajas.

4.2.6 Escenarios

Luego de obtener el mejor ajuste se procedió a generar proyecciones desde

el año 1978 a 2016 y se consideraron tres escenarios que fueron nombrados
como: tendencial, gobernabilidad y el de las comunidades. Para el primero
se tomó en cuenta el comportamiento histórico entre los mapas 1973 y 1978,
asumiendo que durante la proyección no hubo ningún control sobre la
expansión de las actividades antrópicas ni tampoco políticas de
conservación de los ecosistemas del lugar.

El segundo escenario se basó sobre la suposición de que, durante el periodo

proyectado, hubo una gobernabilidad preocupada por la manera en cómo
se ocupa el territorio y con políticas de preservación sobre la vegetación de
la zona. Para este fin, se redujeron las tasas de transición global, de cambio a
actividades antrópicas, a un 50%, teniendo en cuenta el caso mencionado
del Cesar, donde se recomienda para los bosques secos tropicales, una
protección incluso del 100%, dado su vulnerabilidad por peligro de extinción.

El último escenario se generó tomando en cuenta observaciones y

testimonios tomados de las comunidades indígenas y afrodescendientes del
lugar sobre la manera en como ellos interactúan con el entorno, sus sitios
sagrados, las ceremonias y las actividades que realizaban de sustento. Por tal
razón, el panorama esperado era de más conservación que el escenario de
gobernabilidad. En este paso se redujeron las tasas de transición de
gobernabilidad consideradas en el estudio a la proporción de 0.002.
5 Resultados y análisis

5.1 Tasas de transición global

En la Tabla 12 se puede observar la matriz de múltiples pasos

Tabla 12. Matriz de múltiples pasos

Periodo de tiempo 1973 a 1978

Transición Tasa anual (%)

Vegetación poco densa a Actividad antrópica 1.07

Vegetación poco densa a Vegetación densa 19.71

Vegetación densa a Vegetación poco densa 5.11

Vegetación densa Actividad antrópica 1.78

Se puede observar que de las 42352,3 hectáreas que había de vegetación

poco densa en el año 1973, 453,17 ha (el 1.07%) cambiaron a actividad
antrópica y 8347,64 ha (el 19.71%) cambiaron a vegetación densa. En el
caso de la vegetación densa, el 5.11% (9540,52 ha) cambió a vegetación
poco densa y el 1.78% (3323,31 ha) a actividad antrópica. Otras transiciones
no fueron consideradas porque, o bien no era posible ese proceso en la
realidad, como el caso de pasar de actividad antrópica a vegetación
densa, o porque su tasas de probabilidad era aproximado a cero.

5.2 Probabilidades de transición local

5.2.1 Independencia de las variables:

Los métodos que se consideraron para evaluar la correlación de las variables

espaciales fueron el coeficiente de Crammer (v) y el Joint Information
Uncertainty (U). En la Tabla 13 los cuadros de color verde y azul corresponden
a los coeficientes V y U respectivamente.

Ambos coeficientes varían entre 0 y 1, por lo que se infiere que las variables
comparadas con valores mayores a 0.5 están muy correlacionadas, y valores
menores a ese número poco correlacionadas. Como se puede ver, ningún
valor está por encima a 0.5, dando cuenta de la independencia entre las
variables, por tal razón, se consideran todas como insumo para el modelo.

Tabla 13. Coeficientes V y U

5.2.2 Rangos y coeficientes de Pesos de Evidencia

Los valores positivos de los coeficientes de los pesos de evidencia,

representan una alta probabilidad de ocurrencia de una transición. Por otra
parte, valores negativos indican una baja probabilidad de cambio de una
clase a otra. En la Tabla 14 se muestran las gráficas de algunas de las
variables más explicativas para la ocurrencia de las transiciones de
vegetación poco densa a actividad antrópica y de vegetación densa a
actividad antrópica.

Tabla 14. Variables explicativas

Como se puede observar, la distancia a la actividad antrópica representa

para la primer transición mencionada, alta probabilidades de cambio para
rangos entre 0 y 1750 m; en cambio, las distancias a centros poblados para
dicha transición, las probabilidades de cambio son menores en los rangos de
0 a 700 m.

Por otra parte, para la transición de vegetación densa a actividad

antrópica, los valores positivos más representativos se obtuvieron para las
variables Distancia a ríos y Distancia a vías secundarias en rangos de 0 a 1500
m y 0 a 1800 m respectivamente. Los coeficientes de los pesos de evidencia
se adjuntan en la carpeta Anexo 4. Resultados.

5.3 Calibración de los parámetros y simulación.

En la Figura 20 se muestra una comparación del mapa simulado de 1978

con el mapa histórico

Figura 20. Comparación mapa simulado

Los porcentajes con los que se logró la mejor similitud del expander y el
patcher en cada transición se muestran en la Tabla 15.

Tabla 15. Porcentajes Expander y Patcher

Transición Expander (%) Patcher (%)

Vegetación poco densa a Actividad antrópica 80 20

Vegetación poco densa a Vegetación densa 40 60

Vegetación densa a Vegetación poco densa 80 20

Vegetación densa Actividad antrópica 80 20

Como se puede observar, la mayoría de las transiciones son explicadas por
la expansión de los parches con un 80%, exceptuando la transición de
vegetación poco densa a vegetación densa, aunque esta última depende
de otras consideraciones como variables climáticas, para lograr una mejor
aproximación.

El tamaño medio del parche que se determinó fue de 0.36 hectáreas,

correspondiente al tamaño de un píxel, es decir que la expansión, o la
generación de parches, está condicionado a ese tamaño. Por otra parte, la
isometría se acomodo mejor en valores de 1.5 en lo que corresponde a las
transiciones a actividad antrópica.

5.4 Validación

En la Gráfica 1 se ilustra la similitud entre los mapas simulados y el histórico. La

curva superior corresponde a la máxima similitud, y la de abajo a una mínima
similitud. Se consideran buenos niveles de compatibilidad para valores de
40%.

Gráfica 1. Modelo de similitud

Tomando en cuenta las dos curvas, se observa que una similitud mayor del
50% para ambas curvas corresponden a una resolución espacial de 70
metros para el modelo de mínima similitud y 40 metros para el de máxima
similitud, lo que significa que el nivel de compatibilidad entre el mapa
simulado y el histórico es bueno.
5.5 Escenarios

El escenario tendencial se observa en la Figura 21

Figura 21. Escenario tendencial

Este escenario refleja una expansión de las actividades antrópicas ocupando

en primera medida las zonas de bajas pendientes y luego las de alta. Como
se había planteado, la falta de definición de una política de conservación o
de ocupación del territorio, genera un panorama que puede ser
comparable con la manera en que ha ocurrido la evolución del paisaje con
mina en cuanto a cambios de cobertura, interpretación que se puede hacer
si considera el diagnóstico y las amenazas esbozadas en el PMAA de la
cuenca del Río Ranchería y mencionados en la introducción del presente
trabajo, sin embargo, no podría ser comparable con respecta a usos del
suelo, dado que las actividades antrópicas que se supusieron en este trabajo
eran de sustento vital tal como ganadería y agricultura.

El escenario de gobernabilidad se ve en la Figura 22

Figura 22. Escenario de gobernabilidad

En este panorama, es evidente que hay una expansión de la actividad

antrópica más controlada, y por ende, hay preservación de la vegetación. El
escenario señala lo que se pudo haber obtenido si se hubieran tomado
mejores decisiones de ocupación de la zona.

El escenario de las comunidades se presenta en la Figura 23

Figura 23. Escenario de las comunidades

En este escenario, la conservación de la vegetación del lugar se ve mayor al

escenario de la gobernabilidad. De la misma manera, se presenta un
panorama donde se le da importancia a los ecosistemas del lugar. Cabe
decir que, estos lugares de preservación pudieron representar para las
comunidades sitios sagrados o lugares donde realizaba algún tipo de
actividad que dependían de tener ecosistemas conservados y/o sitios
preservados para la ejecución de cada cosmogonía, razón por el cual las
comunidades del lugar hacen resistencia de permanecer en sus territorios
dada la expansión de la actividad minera.

La comparación entre los escenarios generados se muestra en la Figura 24.

En esta se refleja lo mencionado anteriormente, donde un escenario de

comunidades de la región representa más conservación sobre la vegetación
del lugar donde hay menos hectáreas de actividad antrópica (76571.3 ha)
con respecto al escenario de gobernabilidad (89907.1 ha) y más hectáreas
de vegetación tanto densa como poco densa (139749.6 ha y 36785 ha
respectivamente) en comparación al de gobernabilidad (129192.9 ha y
34006.1 ha).
 Figura 24. Comparación de escenarios

En la carpeta Anexos 4. Resultados se encuentran las animaciones que

representan el comportamiento de los tres escenarios mencionados.

6 Conclusiones

La misión para observación de La Tierra Landsat ofrece no solo imágenes

con buena calidad y sin costo alguno, sino también la serie temporal más
antigua para estudiar cambios de cobertura y usos del suelo.

Aunque el satélite Landsat 1 se lanzó con fines exploratorios, es posible

realizar clasificaciones con las imágenes que este tomó, teniendo en cuenta
no solo composiciones de bandas sino también las formas del paisaje. Para
futuros trabajos se puede obtener una mayor exactitud a la realidad, si se
cuenta con información de apoyo como fotografías aéreas.

La separación por subregiones cuando se presentaron valores iguales para

coberturas diferentes en la clasificación no supervisada, resultó ser una
buena alternativa, esto teniendo presente que no se contaba con
información de apoyo como fotografías aéreas.

En el escenario tendencial los efectos sobre la pérdida de coberturas

naturales debidas a la expansión de la actividad antrópica, pueden ser
comparables al desarrollo actual con el complejo minero. Cabe resaltar que
los usos del suelo del escenario tendencial son de producción agrícola y
pecuaria, lo que lleva a suponer que no habría pérdida de autonomía
alimentaria.
El planteamiento de escenarios contrafactuales permite hacer reflexiones
sobre cómo ocupar el territorio considerando decisiones administrativas de
gobernabilidad y la diversidad cultural con sus cosmogonías.

QGIS, GRASS GIS, y Dinamica EGO, son herramientas muy versátiles para
abordar estudios de cambios de coberturas y usos del suelo, además de que
permiten realizar la investigación a bajo costo.

Dinamica-EGO, como plataforma de modelación, ofrece una gran

flexibilidad que se puede acomodar a las necesidades del usuario o
modelador, por lo que permite la interacción con el conocimiento
espontáneo que se da comúnmente en investigaciones de este tipo,
además es posible la incorporación de otros modelos tales como los
hidrológicos, económicos, de conservación de especies entre otros.

7 Referencias Bibliográficas

Bosque Sendra, J. (1997). Sistemas de información geográfica (2nd ed.).

Alcalá: Rialp S.A.

Burrough, P., McDonnell, R., & Lloyd, C. (2013). Principles of Geographical

Information Systems:3rd Revised. Oxford: OXFORD UNIVERSITY PRESS.

CERREJÓN Minería Responsable | Nuestra empresa | Historia. (2016).

Cerrejon.com. Recuperado 2 May 2016, de
http://www.cerrejon.com/site/nuestra-empresa/historia.aspx

Chuvieco Salinero, E. (1990). Fundamentos de teledeteccion espacial.

Madrid: Rialp.

David, R. P. (2010). Cambios en los Patrones Espaciales del Paisaje: Caso de

Estudio en un Valle Pre-Cordillerano de la IX Región de Araucanía, Chile.

Fierro Morales, J. (2014). Identificación y análisis de proyectos y fuentes de

financiación. en Políticas mineras en Colombia (1st ed.). Bogotá: ILSA.

Geoserver Perú,. Información técnica resumida Landsat 7 ETM (pp. 3-4).

IGAC, & CIAF,. (2016). Fundamentos de percepción remota. Recuperado 29

Abril 2016, de
http://geoservice.igac.gov.co/contenidos_telecentro/fundamentos_pr-
semana1-unidad1/index.php?id=3

IGAC, & CIAF,. Fundamentos de sistemas de información geográfica, Datos

geográficos y métodos de almacenamiento. Presentation, Bogotá D.C.
Lillesand, T., Kiefer, R., & Chipman, J. (2004). Remote sensing and image
interpretation. New York: Wiley.

Marron Gaite, M., Salom Carrasco, J., & Souto Gonzalez, X. (2007). Las
competencias geograficas para la educacion ciudadana. Madrid:
Asociacion de Geografos Espanoles.

Mas, J. F., Kolb, M., Houet, T., Paegelow, M., & Camacho Olmedo, M. T.
(2011). Una comparación de programas de modelación de cambios de
cobertura/uso del suelo.

MinAmbiente, Corpoguajira, & Universidad de Antioquia,. (2015). Plan de

Manejo Ambiental de Acuífero cuenca del Río Ranchería. Presentation, La
Guajira.

Modelos para la información geográfica. (2016). Volaya.github.io.

Recuperado 29 Abril 2016, de http://volaya.github.io/libro-
sig/chapters/Tipos_datos.html

Olmedo, M. C., Melgarejo, E. M., & Paegelow, M. (2010). Modelos geomáticos

aplicados a la simulación de cambios de usos del suelo. Evaluación del
potencial de cambio. Tecnologías de la información geográfica. La
información geográfica al servicio de los ciudadanos, 658-678.

Padilla, O., Pérez, P., Cruz, M., Huilcamaigua, S., & Astudillo, S. (2015).
Utilización de autómatas celulares como técnica de modelamiento espacial
para determinación el cambio de uso de suelo y cobertura vegetal. Ciencias
Espaciales, 8(1), 310.

Perez Gutierrez, C. & Munoz Nieto, A. (2006). Teledeteccion. Avila: Carlos

Perez Gutierrez, Angel Luis Munoz Nieto.

QGIS,. (2016). Complemento Georreferenciador. Docs.qgis.org. Recuperado

30 Abril 2016, de
http://docs.qgis.org/2.2/es/docs/user_manual/plugins/plugins_georeferencer.
html

¿Qué es el software libre? - Proyecto GNU - Free Software Foundation. (2016).

Gnu.org. Recuperado 29 Abril 2016, de http://www.gnu.org/philosophy/free-
sw.es.html

Soares-Filho, B. S., Rodrigues, H. O., & Costa, W. L. (2009). Modeling

Environmental Dynamics with Dinamica EGO. Centro de Sensoriamento
Remoto. Universidade Federal de Minas Gerais. Belo Horizonte, Minas Gerais,
Brazil.

Soares-Filho, B. S., Corradi, L., Cerqueira, G., & Araújo, W. L. (2003). Simulating
the spatial patterns of change through the use of the DINAMICA model. XI
Simpósio Brasileiro de Sensoriamento Remoto, 721-728.
Sobrino, J., Sobrino, J., Raissouni, N., & Kerr, N. (2000). Teledeteccion.
Valencia: Universitat de Valencia.

Song, C., Woodcock, C., Seto, K., Lenney, M., & Macomber, S. (2001).
Classification and Change Detection Using Landsat TM Data. Remote Sensing
Of Environment, 75(2), 230-244. http://dx.doi.org/10.1016/s0034-4257(00)00169-
3

Turner, M. G. (2005). Landscape ecology: what is the state of the science?.

Annual review of ecology, evolution, and systematics, 319-344.

Unicrom,. (2015). Composición onda electromagnética - Electrónica Unicrom.

Electrónica Unicrom. Recuperado 30 Abril 2016, de
http://unicrom.com/composicion-onda-electromagnetica/

Universidad de Murcia,. (2016). Prácticas de Teledetección: Clasificación.

Um.es. Retrieved 30 April 2016, from
http://www.um.es/geograf/sig/teledet/clasific.html

Verburg, P., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V. &
Mastura, S. (2002). Modeling the Spatial Dynamics of Regional Land Use: The
CLUE-S Model. Environmental Management, 30(3), pp.391-405.

8 Anexos

 Carpeta 1. Metadatos
o ASTER
 ASTGTM2_N10W073.txt
 ASTGTM2_N10W074.txt
 ASTGTM2_N11W073.txt
 ASTGTM2_N11W074.txt
o LANDSAT
 LM10080521973001AAA04_MTL.txt
 LM10080531973001AAA04_MTL.txt
 LM20080521978362AAA02_MTL.txt
 LM20080531978362AAA04_MTL.txt

 Carpeta 2. Corrección_geometrica
o 1973_Puntos_Control_GPC.points
o 1978_Puntos_Control_GPC.points
o Informe_Georreferencia_1973.pdf
o Informe_Georreferencia_1978.pdf
o Mapa_Informe_1973.pdf
o Mapa_Informe_1978.pdf
 Carpeta 3. Reclasificacion
o reclasificacion pendientes.txt
o reclasificacion_1973_1.txt
o reclasificacion_1973_2.txt
o reclasificacion_1973_3.txt
o reclasificacion_1973_4.txt
o reclasificacion_1973_5.txt
o reclasificacion_1978_1.txt
o reclasificacion_1978_2.txt
o reclasificacion_1978_3.txt
o reclasificacion_1978_4.txt
o reclasificacion_1978_5.txt
o reclasificacion_1978_6.txt

 Carpeta 4. Resultados
o Escenario_Comunidades.gif
o Escenario_Gobernabilidad.gif
o Escenario_Tendencial.gif
o Coeficientes de Pesos de Evidencia.xls