Heliyón

Machine Translated by Google
Heliyon 5 (2019) e02701
Listas de contenidos disponibles en ScienceDirect
Heliyón
página de inicio de la revista: www.heliyon.com
Artículo de investigación
Evaluación del estado de conservación del ecosistema del páramo: un análisis de imágenes
basado en objetos y un enfoque de algoritmo CART para el centro de Ecuador
Víctor J. García a,b,* , Carmen O. Márquez cd , Tom M Isenhart mi

, marco rodriguez
C
,
Santiago D. Crespo , Alexis G Cifuentes
C C
a
Facultad de Ingeniería, Escuela de Ingeniería Civil, Universidad Nacional de Chimborazo, Riobamba, Provincia de Chimborazo, 060150, Ecuador
b
Facultad de Ciencias, Universidad de Los Andes, Mérida, Estado Mérida, 5101, Venezuela
C
Facultad de Ingeniería, Escuela de Ingeniería Ambiental, Universidad Nacional de Chimborazo, Riobamba, Provincia de Chimborazo, 060150, Ecuador
d
Facultad de Ciencias Forestales y Ambientales, Universidad de Los Andes, Mérida, Estado Mérida, 5101, Venezuela
mi
Departamento de Ecología y Gestión de Recursos Naturales, Universidad Estatal de Iowa, Ames, IA, EE. UU.
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: Los ecosistemas de páramo ecuatoriano (EPEs) funcionan como fuentes de agua, contienen grandes reservas de carbono en
Ecología el suelo y altos niveles de biodiversidad, y sustentan a las poblaciones humanas. Los EPE son principalmente herbáceos de
Cambio de ecosistema
páramo (HP). Para informar las políticas y la gestión y ayudar a impulsar la ciencia ecológica hacia una mejor comprensión del
Análisis ambiental
ecosistema HP y las relaciones entre sus múltiples servicios ecosistémicos, preguntamos: (1) ¿Cuál es el estado del HP con
Evaluación ambiental
respecto a su uso de la tierra/cobertura terrestre (LULC)? )?; y (2) ¿Se está alejando el HP de su estado natural o se está
Evaluación de impacto ambiental
Ciencia medioambiental regenerando? Para responder a estas preguntas, evaluamos el LULC en EPE centrales utilizando imágenes Landsat 8, análisis
Geografía Humana de imágenes basado en objetos (OBIA) y un algoritmo de árboles de clasificación y regresión (CART). Los resultados muestran
Uso del suelo que dos quintas partes del ecosistema de páramo permanecen como HP nativo (NHP) y dos quintas partes como HP
Conservación natural antropogénico (AHP). Aunque la alteración antrópica de la pedogénesis del suelo de páramo joven conduce al establecimiento
ecosistema de páramo de AHP, encontramos evidencia de regeneración y resiliencia del NHP. Los resultados de este estudio serán de utilidad para
Ecosistema de páramo herbáceo científicos y tomadores de decisiones interesados en los ecosistemas de páramo en el centro de Ecuador. La metodología
Resiliencia del páramo
propuesta es simple, rápida y podría implementarse en otros paisajes para establecer sistemas de monitoreo integrales útiles
Árbol de decisión del clasificador
en la evaluación y planificación del paisaje.
1. Introducción áreas naturales protegidas [4]. Las EPE pueden producir entre 506 y 933 mm de agua por
año [1], lo que equivale a 2/3 de la precipitación anual en la región. Así, las EPE abastecen
Los páramos son ecosistemas montañosos neotropicales de gran altitud dominantes de agua doméstica a muchas de las principales ciudades del Ecuador. Debido a la alta
entre 3000 y 4700 msnm (por encima de la línea superior del bosque) y cubren una superficie retención de materia orgánica del suelo, la capa superior del suelo de EPE puede almacenar
mayor a 7.500.000 ha que se extienden desde Costa Rica hasta los Andes del norte de hasta 143 toneladas de C/ha [5], lo que representa una reserva de carbono vital a nivel
Colombia, Ecuador, Venezuela y Perú [1 , 2, 3]. mundial. Aunque el suelo de ceniza volcánica cubre aproximadamente el 0,85 % de la
Los ecosistemas de páramo ecuatoriano (EPEs) cubren una superficie de 1.833.834 ha, superficie terrestre del mundo, contiene aproximadamente el 5 % del carbono del suelo global
alrededor del 5 % del territorio nacional [2], y se extienden desde el límite norte con Colombia [6], aproximadamente 12 veces más de la cantidad almacenada bajo la misma superficie
hasta el límite sur con Perú, a través del corredor andino, y se extienden 600 km hacia abajo. terrestre del suelo forestal del mundo.
a lo largo de la columna vertebral de los Andes (alrededor de 180 km de ancho y 600 km de Los cambios en el uso de la tierra/cobertura terrestre (LULC), como la conversión a la
largo). Los EPE funcionan como importantes fuentes de agua con grandes reservas de agricultura y la tala para plantaciones madereras y pastos, amenazan a las EPE a través de
carbono en el suelo y altos niveles de biodiversidad y han sostenido durante mucho tiempo a la degradación del suelo y el cambio climático. El aumento de las temperaturas y los cambios
las poblaciones humanas. Las EPE albergan aproximadamente 628 especies de plantas en los patrones de precipitaciones influyen directa e indirectamente en la evolución del suelo
endémicas, lo que equivale al 15% de toda la flora endémica y al 4% de la flora total del país. (pedogénesis) de los suelos Andosoles jóvenes, alterando la capacidad de almacenamiento
El setenta y cinco por ciento de las especies endémicas están amenazadas y el 48% están en de carbono y la liberación de carbono de la materia orgánica del suelo humificada (MOS) [7] .
peligro. Por lo tanto, los efectos de los cambios en el clima y LU en SOM en suelo de ceniza volcánica son
* Autor correspondiente.
Correo electrónico: [email protected] (VJ García).
https://doi.org/10.1016/j.heliyon.2019.e02701 Recibido
el 14 de agosto de 2019; Recibido en forma revisada el 8 de octubre de 2019; Aceptado el 16 de octubre de 2019
24058440/© 2019 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BYNCND (http://creativecommons.org/licenses/by ncnd/4.0/).
VJ García et al. Heliyon 5 (2019) e02701
sustancial [8]. Asimismo, persisten complicaciones en el mapeo de extensas áreas de los Coordenadas UTM Zona Sur 17, Datum WGS84 (X ¼ 694531; Y ¼ 9840051) y (X ¼ 789975;
páramos debido a los cambios bruscos de humedad, altitud, temperatura y topografía. Y ¼ 9714929) (Fig. 1). La provincia de Chimborazo tiene una superficie aproximada de 649
970 ha, de las cuales 273 660 ha (42,1 %) pertenecen al ecosistema de páramo (Fig. 1).
La conservación de los servicios ecosistémicos que brindan las EPE ante los cambios Chimborazo tiene una topografía irregular que se encuentra en un rango altitudinal de 143 a
ambientales y antrópicos se ha convertido en una prioridad clave. 6,263 msnm. Los suelos son en su mayoría Andosoles. El clima tiene una estacionalidad diaria
Sin embargo, al determinar las estrategias de conservación, es de vital importancia poder que se puede expresar como “invierno todas las noches y verano todos los días”, con notables
identificar cuándo el ecosistema está a punto de cruzar un umbral de un estado estable variaciones de temperatura entre 2 C y 20 C según las isotermas del Instituto Nacional de
deseable a uno indeseable con pérdida de resiliencia [9]. Por lo tanto, el conocimiento sobre Meteorología e Hidrología del Ecuador [15] . Sin embargo, el clima es generalmente frío, lo
la resiliencia del ecosistema del páramo tiene implicaciones directas para el manejo del que contrasta con la alta radiación UV que se siente principalmente al mediodía cuando el
ecosistema del páramo, donde LULC es un gran problema. Aunque muchas herramientas cielo está despejado. Por lo general, existe una bimodalidad en cuanto a las precipitaciones,
tecnológicas combinan algoritmos inteligentes artificiales e imaginarios satelitales para el con picos de lluvia alrededor de abril y mayor sequía alrededor de julioagosto. Para este
monitoreo de LULC, hay pocos ejemplos que extiendan el uso de estas tecnologías para estudio, segmentamos el área en 81 regiones de 10 10 km2 (10 000 ha) cada una y
evaluar la resiliencia del sistema, como dentro de EPE. procesamos cada región individualmente (Fig. 1).
Como los páramos son sensibles a las perturbaciones, una mejor comprensión de las
respuestas naturales de las EPE a los LULC y al cambio climático podría tener implicaciones
significativas para las decisiones de gestión de la tierra [3], así como para la adaptación, 2.2. El páramo herbáceo
mitigación y cambio climático global. Los cambios en LULC son generalizados, rápidos y
pueden tener un impacto significativo en los seres humanos, la economía y el medio ambiente El Ministerio del Ambiente de Ecuador (MEE) define las EPE de acuerdo con los tipos de
[10]. Los cambios de LULC contribuyen a la fragmentación del ecosistema del páramo e vegetación, precipitación y suelos. Si bien se pueden encontrar humedales, bosques, cuerpos
impactan el clima y las condiciones climáticas desde escalas locales a globales, reducen la de agua y nevados, el ecosistema de páramo en la provincia de Chimborazo es principalmente
diversidad biológica, aumentan la erosión del suelo y alteran otros servicios ecosistémicos del tipo HP. Dentro de los grupos de clases herbáceas, el HP cubre la mayor área (más del 90
importantes, lo que lleva a la interrupción de las prácticas socioculturales y al aumento de los %) de los ecosistemas de montaña ubicados en valles glaciares, laderas y llanuras subglaciales,
desastres naturales [11] . ]. El mapeo preciso de LULC es de suma importancia para el y sus suelos son ricos en materia orgánica. El páramo herbáceo montano alto húmedo que se
monitoreo continuo de los cambios y la determinación de los factores bióticos y abióticos que encuentra en enclaves volcánicos presenta una humedad relativamente baja y suelos con baja
contribuyen a la resiliencia de los ecosistemas de páramo [9]. El desarrollo sostenible de la concentración de carbono orgánico. El páramo herbáceo de planicie de inundación tiene un
EPE flaqueará sin datos. Por lo tanto, existe la necesidad de establecer sistemas de monitoreo balance hídrico positivo y los suelos tienen condiciones anaeróbicas que inhiben la
integrales que utilicen datos de sensores remotos para evaluar los cambios en LULC y descomposición de la materia orgánica (carbono orgánico hasta un 50%). Finalmente, el
combinar esta información con el conocimiento de la función EPE para informar la planificación páramo herbáceo húmedo subnival se ubica en taludes periglaciales en suelos entisoles poco
espacial y lograr objetivos de conservación a largo plazo [12] . En este estudio se propone una profundos y exhibe baja capacidad de retención o regulación hídrica [16].
clasificación basada en objetos como una alternativa viable en los complejos paisajes andinos.
El análisis de imágenes basado en objetos geográficos (OBIA) se refiere a un enfoque que
estudia entidades geográficas a través de la delimitación y el análisis de objetos de imagen en
lugar de píxeles individuales. Los objetos de imagen son 'objetos' visualmente perceptibles 2.3. flujo de trabajo
dentro de la imagen, típicamente representados por grupos de píxeles vecinos similares que
comparten un significado común [13]. La metodología de clasificación LULC tuvo 5 etapas principales: preprocesamiento de
imágenes, implementación del marco OBIA, extracción de atributos, extracción de datos y
clasificación y análisis (Fig. 2).
OBIA no solo supera el efecto de "sal y pimienta" asociado con otras técnicas, sino que El preprocesamiento de imágenes incluyó la descarga de imágenes Landsat 8, nitidez
también agrega información adicional sobre espectros, geometría, contexto y textura que panorámica y corrección de radiancia y reflectancia. La implementación del marco de trabajo
puede ser útil en la clasificación. Por estas razones, OBIA se ha utilizado ampliamente en la OBIA incluyó la segmentación de imágenes y la generación de objetos. La extracción de
clasificación de cobertura terrestre basada en imágenes [14]. atributos comprendió la extracción de los valores máximo, promedio y mínimo de reflectancia,
índices espectrales y datos auxiliares para cada objeto. La extracción de datos del esquema
Para informar la política y la gestión y fomentar una mejor comprensión del suministro de de clasificación involucró el muestreo de 466 objetos aleatorios y la extracción de sus valores
servicios ecosistémicos del páramo herbáceo (HP), preguntamos: (1) ¿Cuál es el estado del de atributos; búsqueda del CDT y evaluación de su desempeño; y evaluar la capacidad de
HP con respecto a su LULC?; y (2) ¿Se está alejando el HP de su estado natural o se está aprendizaje del clasificador de la muestra y la validación del clasificador para obtener una
regenerando? Para lograr estos objetivos, utilizamos el marco OBIA, el algoritmo CART e estimación de los rendimientos del clasificador. A través de la minería de muestras, realizamos
imágenes Landsat 8 para analizar el estado de los ecosistemas de páramo y generar una una selección de características para clasificar la importancia de las características (variables
base de datos actualizada mediante el mapeo de LULC en EPE central. Realizamos minería predictoras). La clasificación y el análisis incluyen la generación de un código phyton para la
de datos de objetos LULC y desarrollamos un árbol de decisión de clasificación (CDT) con clasificación de cada objeto en las categorías objeto de estudio.
seis variables predictivas importantes con la tasa de clasificación errónea más baja. La
ejecución del conjunto de datos completo a través del modelo CDT escrito en un código
PHYTON, condujo a la distribución de los diferentes LULC en el área de estudio. La
metodología propuesta es simple, rápida y podría implementarse en otros paisajes para 2.4. Imágenes Landsat8 OLI
establecer sistemas de monitoreo completos y competentes útiles en la evaluación y
planificación del paisaje. El estudio de la superficie total se completó con dos imágenes captadas por el satélite
Landsat 8. Las escenas del área de estudio fueron capturadas el 20/11/2016 con las siguientes
etiquetas: (1) LC80100612016325LGN01 y LC80100622016325LGN01; (2) Época del año:
verano; (3) Ruta/ Fila: 010/061 y 010/062; (4) Acimut solar (grados): 130.33674 y 128.09132;
2. Materiales y métodos (5) Elevación del Sol (grados): 60.56479 y 61.31854; (6)
2.1. Área de estudio Hora del centro de la escena: 15:26:38 y 15:27:15; (7) Nubosidad: 19% y 25%; (8) Sensores:
OLI_TIRS; y, (9) Datum – proyección: WGS 84 UTM
El área de estudio se ubica en la provincia de Chimborazo (Ecuador Central). Chimborazo ZONA 17s.
se encuentra a 135 km al sur de Quito y se extiende entre las coordenadas: 78 390 W y 1 390 Aunque el Servicio Geológico de los Estados Unidos proporciona imágenes Landsat8
S, definidas entre las que tienen un nivel de preprocesamiento L1T, estas imágenes tienen un
2
corrección sistemática radiométrica y geométrica mediante la incorporación de Ground realizado utilizando el método de sustracción de objetos oscuros asumiendo una
Control Points (GCP) [17], y también son ortorrectificados a través del Digital Elevation reflectancia mínima del uno por ciento. El uno por ciento deducido de la radiación mínima
Model (DEM). La precisión geométrica de las imágenes Landsat 8 se verificó utilizando se calcula a partir de la fórmula donde: cos θs ¼ coseno del ángulo cenital solar en
las cartas topográficas y cartografía base de ríos y caminos, a escala 1:50000, grados, ESUN ¼ Irradiancia solar exoatmosférica media, d ¼
georeferenciadas en la proyección UTM Datum WGS84, del Instituto Geográfico Militar Distancia TierraSol en unidades astronómicas [19]. Herramienta: Radiancia atmosférica
del Ecuador, [18] . corregida (Lansat 8).
(3) El uso de canales DN de nitidez pancreática creó canales con reflectancia
2.5. Marco OBIA corregida atmosféricamente en la superficie de la Tierra.
DN 0:0002 0:1 DNmínimo 0:0002 0:1 cosθs
La imagen de cada escena se procesó en ArcGIS siguiendo el flujo de trabajo trasero ¼ 0:01 (2)
cosθs
sugerido por Urbanski [19] para convertir imágenes Landsat8 OLI en un mapa de
cobertura terrestre utilizando la clasificación OBIA: El cálculo de la reflectancia espectral comienza con la conversión de DN a
reflectancia TOA. Luego se estima la reflectancia mínima del uno por ciento y se calcula
(1) Cree un compuesto de enfoque panorámico a partir de datos de Landsat 8 y la reflectancia en la superficie de la Tierra. El más bajo válido
canales de 15 15 m con enfoque panorámico con valores de DN preservados. El valor se determina utilizando el valor mínimo absoluto en la banda [19].
Para el pansharpening, se utiliza la técnica de modulación de intensidad basada Herramienta: Reflectancia atmosférica corregida (Lansat8).
en filtros de suavizado [20]. DN ¼ Número digital (valores de píxel de producto
estándar cuantificados y calibrados). Banda multiespectral combinada: Banda 4 (4) A partir de la reflectancia, las imágenes realizan la segmentación, creando una
(roja), Banda 3 (verde), Banda 2 (azul) y Banda 8 (pancromática). Herramienta: capa poligonal de segmentos. Divida la escena en un conjunto de regiones
Compuesto de afilado panorámico (Lansat 8). discretas u objetos que son internamente más uniformes que en comparación
(2) El uso de canales DN de nitidez panorámica creó canales con radiación corregida con su objeto vecino. La segmentación se realiza utilizando el algoritmo de
atmosféricamente en la superficie de la Tierra (Learthrad). crecimiento de región de enlace híbrido, que funciona en 2 pasos. En el primer
paso, las pendientes multiespectrales se calculan y se convierten en el mapa de
ESUN cosθs
Leathrad ¼ ðDN M þ AÞ Lminrad 0:01 (1) bordes usando un umbral adecuado.
πd2
Este mapa ráster de borde se adelgaza mediante la extracción de píxeles con
Los valores de DN se convierten en radiancia utilizando coeficientes de cambio de "pendientes máximas" locales [21]. Seleccionamos la escala de segmentación
escala radiométricos del archivo de metadatos MTL de Landsat 8. La radiancia espectral después de una serie de pruebas interactivas de "ensayo y error" y validación visual
de la parte superior de la atmósfera (TOA) se calcula utilizando factores de reescalado [22]. Herramienta: Segmentación (Lansat8).
multiplicativos (M) y aditivos (A) específicos de la banda. La corrección atmosférica es
Figura 1. Zona de estudio.
3
(5) Extracción de atributos descriptivos. Extraiga de los píxeles ráster de los objetos y Los SVI se usaron como variables predictoras en oposición a la banda de la imagen
asigne a cada segmento sus estadísticas (media, desviación estándar, máximo, porque los SVI contienen información sobre la firma espectral del material vegetal, lo que
mínimo) [19]. Herramienta: Extracción de raster (OBIA). no ocurre con la banda de la imagen. El SVI derivado de la información proporcionada por
sensores remotos es la principal fuente de información para monitorear y evaluar la
cobertura vegetal de la superficie terrestre [24, 25].
2.6. Verificación en tierra y LULC conocido
LU se caracteriza por los arreglos, actividades e insumos que las personas realizan en 2.8. Procesamiento de datos
una cubierta terrestre específica para producirla, cambiarla o mantenerla. La cobertura
terrestre (LC) es la cobertura biofísica observada en la superficie de la Tierra [23]. Para este Para la extracción de datos se utilizó el algoritmo CART disponible en el paquete de
estudio, los datos de LULC se dividieron en cinco clases: NHP, AHP, bosque (FRS), cuerpos software SPM®8 de Salford Systems San Diego, EE. UU. CART es un método de
de agua (WTR) y nieve (SNW). Se realizó una verificación en tierra para proporcionar datos aprendizaje automático basado en reglas y no paramétrico que intenta descubrir de forma
de campo para validar la clase LULC. . Los datos se recopilaron en 466 ubicaciones inductiva la relación entre los atributos de entrada (variables de predicción) y un atributo de
(objetos) ubicados aleatoriamente en el área de estudio y las coordenadas geográficas del destino. El método divide la variable predictora en diferentes regiones para que la variable
objeto LULC se registraron utilizando un dispositivo de sistema de posicionamiento global objetivo se pueda predecir con mayor precisión. La relación descubierta se representa en
portátil. Las clases LULC basadas en la observación visual de las imágenes se muestran una estructura denominada árbol de decisión (DT). El DT describe un patrón oculto en el
en la Fig. 3. Los objetos de entrenamiento para cada clase se seleccionaron al azar dentro conjunto de datos y que se puede usar para clasificar y diferenciar objetos de LULC dentro
del área de estudio utilizando ubicaciones de clase bien conocidas. del área de estudio asignando el espacio de entrada a una clase predefinida. Además,
CART elige automáticamente las mejores variables y el punto de división al reducir el
cuadrado del criterio de error absoluto. CART maneja automáticamente la selección de
variables, el modelado de interacción de variables, el modelado de relaciones no lineales,
los valores perdidos, los valores atípicos y no se ve afectado por la transformación monótona
2.7. Funciones basadas en objetos (variables predictoras)
de las variables [26, 27].
Las características basadas en objetos utilizadas en este estudio para completar la
clasificación OBIA se recuperaron de las bandas Landsat 8 y el DEM. El
Un DT es un modelo jerárquico de decisiones basado en reglas no paramétricas y sus
la media de los valores de reflectancia del suelo en el fondo de la atmósfera para todos los
consecuencias. Por lo tanto, un DT es un gráfico que usa nodos y nodos de conexión de
píxeles dentro de un objeto se etiquetaron como información espectral básica de reflectancia.
ramas para ilustrar un curso de acción y varios resultados [26]. Los temas críticos en un DT
Probamos 18 características candidatas, incluida la información espectral básica de
son:
reflectancia, 12 índices de vegetación espectral (SVI) derivados de bandas multiespectrales
y cinco índices derivados de DEM (Tabla 1).
(1) El nodo en la parte superior del árbol se denomina nodo raíz (un nodo con
Se utilizó el álgebra de bandas a través de la herramienta Math Band, de ENVI, para
una rama no entrante).
generar los índices detallados en la Tabla 2 según sus correspondientes bandas Landsat 8.
Fig. 2. Diagrama de flujo que muestra las etapas esenciales de este esquema de clasificación.
4
Fig. 3. Características típicas de la clase LULC identificadas a partir de pruebas de campo y reconocidas en imágenes Landsat 8. (a) y (b) Agua (WRT); Curso de agua y masas de agua. Río, pequeños lagos y embalses. La clase
de agua incluye el sistema lacustre y áreas adyacentes con alta susceptibilidad a inundaciones. (c) y (d) Bosque (FRS) dominado por plantas coníferas, principalmente Pinus spp. Vegetación mixta que tiene una distribución
dispersa, en su mayoría arbustiva. Bosque con copas cerradas y abiertas de más de 12 m de altura. (e) y (f) Ecosistema de páramo herbáceo nativo (NHP) dominado por Calamagrostis spp. (g) y (h) Ecosistema de páramo
herbáceo antropogénico (AHP) que ha sido perturbado o transformado por LU humana. Campo de cultivo, pastizal, suelo desnudo, áreas construidas/infraestructura, caminos, áreas quemadas y páramo herbáceo regenerado con
asociación de especies y fenología alterada. (i) y (j) La clase de nieve (SNW) corresponde a áreas con una altitud superior a los 3827 msnm en las que existen depósitos de precipitación de pequeños cristales de hielo, con formas
geométricas que se agrupan en escamas dando como resultado valores de reflectancia más altos.
(2) Un nodo que no tiene subrama es terminal. También conocido como "hojas" el error más bajo. Todas las variables se consideran para cada división, pero no todas
o nodos de "decisión". las variables se utilizan necesariamente. Solo se utilizan las variables que maximizan el
(3) Un nodo con una rama saliente se denomina "nodo interno". En un DT, cada nodo criterio de división en cualquier división dada (las variables importantes). CART construye
interno considera un solo atributo (variable predictiva) y lo divide según el valor DT con solo seis variables predictoras importantes a la vez, y la cantidad de nodos varía
del atributo (rango). Cada división divide un nodo en dos subconjuntos (una de 5 a 27. Elegimos la DT que condujo al error más pequeño con la pequeña cantidad
división binaria). de nodos. CART usó aleatoriamente el 80 % (373) de los datos reales del terreno para el
aprendizaje y el 20 % (93) para la validación y creó una matriz de confusión para el
(4) La poda implica eliminar un nodo de subconjunto de un DT. Cada nodo terminal aprendizaje y la validación. En aras de la claridad y la exhaustividad, se realizó una
se asigna a una clase que representa el valor objetivo más apropiado. tabulación cruzada binaria para evaluar el rendimiento de DT categorizando cada clase
Alternativamente, cada nodo terminal puede tener un vector de probabilidad que de acuerdo con la ecuación de la Tabla 3.
indique que la probabilidad de que el atributo objetivo tenga un valor particular.
3. Resultados
El algoritmo CART hace crecer automáticamente un árbol grande. Además, el
algoritmo CART poda automáticamente el árbol grande hacia arriba y utiliza una muestra 3.1. Descubrimiento del conocimiento
de prueba o una validación cruzada para podar los subárboles. El árbol final da como resultado
3.1.1. Importancia de las variables predictoras
La importancia de las variables en el desempeño del clasificador disminuyó con la
Tabla 1 siguiente tendencia: Reflectancia > VARIg > Altitud >
Características utilizadas para la clasificación. SAVI > BI > EVI2 > NDWI > NDVI > NBR > NDMI > NBR2 > NDBI >
Características del objeto Descripción Pendiente (Fig. 4). La Fig. 4 también muestra las seis variables predictivas (enfatizadas)

utilizadas por la CDT final que se muestra en la Fig. 6. La CDT de la Fig. 6 condujo al
Información espectral básica de reflectancia El promedio de los valores de REFLECTANCIA del
error más pequeño con el número más pequeño de nodos. Las variables CURVA TURE,
(Landsat 8 bandas B2, B3, B4 y B8). suelo en el fondo de la atmósfera para todos los
píxeles dentro de un objeto. TWI, ASPECT, WDRVI y NDSI mostraron poca importancia y proporcionaron información
Índices espectrales de vegetación derivados EVI2, WDRVI, SAVI, NDVI, NDWI, VARIg, NDSI, BI, limitada para el desempeño del clasificador.
de Landsat 8 bandas B2, B3, B4, B5, B6 y B7. NDMI, NBR, NBR2 y NDBI.
3.1.2. Árbol de decisión
Índices topográficos derivados de ALTITUD, PENDIENTE, CURVATURA, TWI
DEM. (Índice topográfico de humedad es un indicador CART construyó aleatoriamente 1500 subDT, cada uno con un subconjunto de
del efecto de la topografía local en la dirección y variables, y ejecutó los 466 datos de verdad en tierra en los árboles más pequeños y
acumulación del flujo de escorrentía) y ASPECTO.
calculó los errores para cada árbol en función de los números de nodo. El subconjunto
del predictor que condujo al subDT con el error de prueba más bajo es
5
Tabla 2 otra clase) estaban por encima del 72 %. El coeficiente de correlación de Matthew
Índices espectrales de vegetación derivados de las bandas Landsat 8 OLI. entre el objeto observado y el predicho estuvo por encima del 82 %.
Vegetación espectral Formulación Descripción

Índices 3.2. LULC en el ecosistema de páramo de la provincia de Chimborazo
NDVI: Normalizado ðNIR RÞ =ðNIR þ RÞ Cuanto mayor sea el

Diferencia índice, mayor será el La Fig. 7b muestra el conjunto completo de datos del objeto desde la escena
Índice de vegetación contenido de clorofila [28] general hasta el modelo CDT (Fig. 6) escrito en un código PHYTON. Este mapa
SAVI: ajustado al suelo ðNIR RÞ Explica el efecto de la
ð1 þLÞ : L ¼ 0.05 ðNIR þ R þ LÞ ðG
muestra una distribución pronosticada de los diferentes LULC en el área de estudio.
Índice de vegetación SWIR1Þ =ðG þ SWIR1Þ reflectancia del suelo [29]
En aras de la claridad y la comparación, incluimos la distribución de HP informada por
NDWI: Normalizado Mapeo de agua usada
Diferencia Agua [30]
MEE en la Fig. 7a. Utilizamos el mapa de ecosistemas del Ecuador como línea base
Índice y de comparación ya que es la herramienta oficial para la especialización,
WDRVI: Ancho ð0:05 NIR RÞ =ð0:05 Más sensible al índice de caracterización y definición de ecosistemas a nivel nacional. El Sistema de Clasificación
Gama dinámica NIR þ RÞ área foliar. habilitar un
de Ecosistemas del Ecuador se ha establecido desde escalas continentales hasta
Índice de vegetación caracterización robusta
escalas finas (paisaje, local); y puede ser utilizado en diferentes niveles según el
de las características
fisiológicas y fenológicas propósito de los estudios realizados en cualquier territorio [16].
del cultivo [31]
VARIG: Visible ðG RÞ =ðG þ R BÞ Linealmente sensible a La superficie cubierta por cada categoría derivada del análisis OBIA para NHP,
atmosféricamente la fracción de vegetación,
AHP, FRS, WTR y SNW fue de 121 905 ha (44,55 %), 105 470 ha (38,54 %), 25 749
Resistente exhibe una buena
correlación con los ha (9,41 %), 19 973 ha (7,30 %). , y 560 ha (0,20%), respectivamente. Sin embargo,
Índice de vegetación
verde contenidos de nitrógeno [32] en 2012, el MEE reportó que existían 141.827 ha de PHN [16], y no hay reporte de
EVI2: mejorado ðNIR RÞ Brindar mayor superficie de AHP.
2:5
Índice de vegetación 2 ðNIR þ 2:4 R þ 1Þ sensibilidad en regiones La distribución de LULC para toda el área de estudio y cada región se muestra en
con alta biomasa minimizando
la Tabla 6. Las regiones con mayor área de NHP, AHP, FRS, WTR y SNW son la
la influencia del suelo y la
atmósfera [33]. región 71, con (7633 ha), 35 (6970 ha) , 11 (2654 ha), 17 (1842 ha) y 70 (120 ha),
respectivamente (Cuadro 6). Según, cada región tiene 10.000 ha de superficie. Así, el
NDSI: Normalizado Es útil para el mapeo de
ðG NIRÞ =ðG þ NIRÞ 76 % de la superficie de la región 71 está cubierta por PHN. La Región 35 exhibe la
diferencia nieve nieve [34]
mayor área de actividades antrópicas, con un 70% de su superficie de AHP. FRST
Índice
BI: Índice de suelo desnudo el monto de la diferencia cubre el 26 % de la superficie de la región 11. WTR cubre el 17 % de la superficie de
½ðSWIR1 þ RÞðNIR þ BÞ
½ðSWIR1 þ RÞþðNIR þ BÞ áreas de suelo desnudo, la región 11, y el 0,1 % de la región 70 está cubierto por
terrenos, vegetación, se
marca usando el BI [35] nieve.
NDMI: Normalizado ðNIR SWIR1Þ =ðNIR þ NDMI es para la
Diferencia Humedad
Hay ocho regiones (2, 9, 19, 20_1, 21, 29, 34, 41) donde la diferencia entre la
SWIR1Þ detección del contenido de
Índice agua de la vegetación [36] superficie del PHN reportada en el mapa MEE y la superficie resultante de nuestro
NBR: Normalizado ðNIR SWIR2Þ =ðNIR þ NBR permite análisis es menor a 100 ha ( Tabla 6). Así, se puede inferir que el PHN de estas
discriminación de
Relación de quemado SWIR2Þ regiones se mantiene en las mismas condiciones que en 2012. Por ejemplo, la
áreas quemadas y no
superficie del PHN de las regiones 21 y 29 reportada por el MEE fue de 3.805 ha y
quemadas [37]
NBR2: Normalizado NBR2 es útil para la
4.061 ha, respectivamente; mientras que nuestro análisis sugiere 3.766 ha y 4.044
ðSWIR1 SWIR2Þ =ðSWIR1 þ
Relación de quemado 2 SWIR2Þ evaluación de la recuperación ha, respectivamente. De manera similar, hay 5 regiones (16, 51, 58, 65, 66) donde el
después de un incendio [38]. CDT identifica que el ecosistema HP se encuentra en una etapa de mejoramiento,
NDBI: Normalizado ðSWIR1 NIRÞ =ðSWIR1 þ Mapeo de áreas edificadas con todas estas regiones aumentando en área en 1000 ha o más. Esto sugiere que el
Diferencia acumulada NIRÞ [39]
Índice
NHP se está regenerando. La Región 66 también ganó 3.600 ha. Por otro lado, el
CDT identificó 13 regiones (17, 24, 25, 33, 37, 41_1, 44, 47, 49, 69, 75, 76, 77) donde
el ecosistema NHP se encuentra en una etapa de degradación, con todos los estas
resaltado en la Fig. 3, y el error del subDT en función del número de nodos se muestra regiones disminuyen en superficie en 1.000 ha o más). Esto sugiere que NHP se está
en la Fig. 5. Por lo tanto, el subDT con el error más pequeño tiene 14 nodos (Fig. 6), convirtiendo a otros usos de la tierra o se está perdiendo.
y se refiere como el CDT final.
La Región 33 perdió la mayor área de NHP con 2.500 ha. En resumen, la suma de
3.1.3. Evaluación de la precisión todas las diferencias positivas entre el área total dada por GEOBIA y la reportada por
Los resultados de la clasificación después del aprendizaje y la validación se MEE en cada región sugiere una ganancia total de 14,265 ha, mientras que la suma
muestran en la Tabla 4. Durante el proceso de aprendizaje, el CDT clasificó de todas las diferencias negativas entre el área total dada por GEOBIA y lo reportado
correctamente 344 de 373 objetos reales (precisión general del 93,03 %). Además, de por MEE en cada región sugieren una pérdida total de 34.186 ha. Por el contrario, con
74 objetos WTR, 73 se clasificaron correctamente (98,65 %) y de 83 objetos NHP, 67 respecto al informe del MEE, los resultados sugieren una pérdida neta total de 19 921
se clasificaron correctamente (78,31 %) (Tabla 4). Después de la validación, el CDT ha (141 827–121 905) de NHP.
clasificó correctamente 88 de 93 objetos de verdad en tierra (precisión general del
94,68 %). Además, de 14 objetos WTR, 14 se clasificaron correctamente (100 %) y de 4. Discusión
20 objetos NHP, 18 se clasificaron correctamente (90 %) (Tabla 4).
4.1. Variables importantes
3.1.4. Características del árbol de decisión: tabulación cruzada binaria La importancia relativa baja se asocia con variables con poca relevancia para la
Las características de CDT derivadas de la matriz de confusión mediante una categorización y el desempeño del CDT. Las variables predictoras con poca
tabulación cruzada binaria (Tabla 3) se muestran en la Tabla 5. La precisión general importancia proporcionan información limitada y no reducen la entropía de la
por clase de objeto es superior al 94 % y la tasa de clasificación errónea es inferior al información. Sin embargo, este marco jerárquico debe tomarse con precaución porque
6 %. La especificidad de CDT (la proporción de casos negativos reales que se la correlación entre las variables podría haber tenido un impacto en la evaluación
predijeron correctamente como negativos) está por encima del 94%. La probabilidad relativa de la importancia de las variables, pero no afectar el desempeño predictivo
de una clasificación informada para cada clase fue superior al 78 %. Las medidas de cuánto del
cadaCDT [25] .
clase se marca como posible causa de las negativas (todo el conjunto de La variable “Reflectancia” proporcionó más información –con una
6
Tabla 3
Notación sistemática en una matriz de confusión, tabulación cruzada binaria para la clase “i” e índices utilizados para evaluar el desempeño del árbol de decisión que categoriza la clase “i”.
Matriz de confusión Clase real Clases previstas
Clase 1 .. clase j.. clase n
Clase 1 P11 .. P1j
.. P1n
.. .. .. .. .. ..
clase i Pi1 .. Pij
.. Alfiler
.. .. .. .. .. ..
clase n Pn1 .. Pnj
.. PNN
Tabulación cruzada binaria para la clase “i”. Predicho Negativo pronosticado

positivo
Ejemplo positivo TPi ¼ Pi;j¼i
Ejemplo
negativo
FNi FPi ¼ Pn j¼1Pi;j6¼i
¼ Pn i¼1Pi6¼j;j TP ¼ Verdadero positivo; FP TNi ¼ N TPi FPi FNi
¼ Falso positivo; FN ¼ Falso negativo; TN ¼ Verdadero negativo; n ¼ número total de clases; N ¼ Número total de objetos.
Sensibilidad (recuperación) ¼
TPi Representa la probabilidad de que un objeto pertenezca a una clase “i” y el clasificador lo asigne con precisión a la clase
TPi + FNi “i” (Exactitud del usuario UA).
especificidad ¼
TNi Mide qué tan bien el clasificador puede reconocer muestras negativas. La proporción de casos negativos reales que se
TNi + FPi pronosticaron correctamente como negativos.
Precisión TPI Expresa la probabilidad de que una clase “i” sea reconocida correctamente (Exactitud del productor PA).
¼
TPi + FPi
Exactitud ¼
TPi + TNi Expresa la probabilidad de que un objeto seleccionado al azar en el mapa se clasifique correctamente (Exactitud general OA).
norte
Tasa de clasificación errónea
¼
FPi + FNi
norte
información TNi TPi Probabilidad de una decisión informada sobre la condición aleatoria [40].

¼
þ 1
TNi + FPi TPi + FNi
marcaje TNi TPi Medidas de cuánto se comercializa una variable como predictor o posible causa de otra [40].
¼
þ 1
TNi + FPi TPi + FNi
Correlación de Matthew ¼ Una medida de la calidad de la predicción de clasificaciones binarias; El valor +1 representa una predicción perfecta, 0 no es
TNi TPi FPi FNi mejor que la predicción aleatoria y 1 indica un desacuerdo total entre la predicción y la observación [40, 41]. El coeficiente de
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
p ðTNi þ FNiÞðTPi þ FPiÞðTNi þ FPiÞðTPi þ FNiÞ correlación de Matthew es un coeficiente de correlación entre la clasificación observada y predicha.
importancia relativa del 100%– que cualquiera de los SVI o variables topográficas heterogeneidad [14]. Sin embargo, Berhane et al. [43] encontraron que la
(Fig. 4). Por lo tanto, la "reflectancia" determina significativamente el rendimiento de heterogeneidad topográfica de las regiones de interés no reducía la precisión de la
la CDT. Se ha demostrado que es crucial emplear valores de reflectancia superficial clasificación a menos que la heterogeneidad se volviera extrema. En general, la
para lograr resultados de clasificación precisos y confiables para aplicaciones a gran precisión general del clasificador tendió a la baja con el aumento de la heterogeneidad,
escala en las que las condiciones climáticas pueden cambiar significativamente [42]. pero se mantuvo relativamente alta hasta que se alcanzaron niveles extremos de
El valor de la reflectancia captura los parámetros físicos y biofísicos de los objetos heterogeneidad [43].
LULC y depende de los efectos de la estructura de los objetos LULC complejos El VARIg –con una importancia relativa del 62,54 %– fue el segundo en
tridimensionales en la reflectancia, así como de la topografía. importancia para “Reflectancia”, y superior al de “Altitud”. Anterior
Figura 4. Importancia de las variables predictoras. El árbol de decisión de clasificación final utiliza variables enfatizadas.
7
Tabla 4
La matriz de confusión resultante del proceso de aprendizaje y validación.
Matriz de confusión – Aprendizaje (373) – 80%
Clase real ↓ Clase predicha
Agua Bosque Nativo herbáceo nieve
(74) (33) herbáceo antropogénico (18)
páramo (67) 1 páramo (181) 0
agua (74) 73 0 0
Bosque (31) 0 30 0 1 0
Nativo 1 0 sesenta y cinco 17 0
herbáceo
páramo (83)
herbáceo 0 3 1 162 1
antropogénico
páramo (167)
nieve (18) 0 0 0 1 17
Matriz de confusión – Validación (93) – 20%
Clase real ↓ Clase predicha
Agua Bosque Nativo herbáceo nieve
(14) (7) herbáceo antropogénico (6)
páramo (19) 0 páramo (47) 0
Agua (14) 14 0 0
Fig. 5. Curva de error del clasificador de la Fig. 5. Bosque (7) 0 7 0 0 0
Nativo 0 0 18 2 0
herbáceo
estudios realizados por Gitelson et al. [31] mostró que VARIg es sensible a todo
páramo (20)
el rango (0100%) de variación de la fracción vegetal. El indicador VARIg se Páramo herbáceo 0 0 1 44 1
desarrolló para estimar las condiciones del cultivo porque presenta una buena antropogénico
correlación con el contenido de nitrógeno (g N/m2 ) [31]. (46)
nieve (6) 0 0 0 1 5
“Altitud” es una variable topográfica derivada de DEM escalada a la resolución
espacial de los SVI. La importancia de la altitud sugiere que la distribución
espacial de las categorías de LULC en la región de estudio depende de la importancia a la “Reflectancia”, y su aporte de información fue superior al
topografía y el microclima relacionado. En nuestra área de estudio la altitud varió proporcionado por el NBR2. EVI2 está relacionado con el índice de área foliar y
desde los 3000 msnm hasta los 4730 msnm, resultando en una gama de no pierde sensibilidad en áreas con vegetación densa y abundante producción
microclimas que impactan la fisiología de las plantas. Se encontró que la “altitud” de clorofila [33]. NBR2, con una importancia relativa del 33,94 %, se utiliza para
es la variable ambiental más importante que predice la distribución espacial de evaluar la trayectoria de rebrote posterior al incendio y como un medio para
los bosques en las regiones montañosas como resultado de la relación con la identificar los impactos a largo plazo del fuego en ecosistemas sensibles [38].
altitud, la pendiente y el aspecto [25]. Nuestros resultados indicaron que la pendiente tiene una importancia de 22.98
EVI2, con una importancia relativa del 46,02 %, –ocupó el cuarto % en la categorización de LULC en nuestra región de estudio. Las pendientes van desde ond
Fig. 6. El árbol de decisión del clasificador.
8
Tabla 5
Características del árbol de decisión. L significa aprendizaje y V validación.
Agua Bosque Páramo herbáceo nativo Páramo herbáceo antropogénico Nieve
LVL VL V L V L V
Sensibilidad (Precisión del usuario) 0.99 1.00 0.91 1.00 0.97 0,95 0.90 0.94 0.94 0.83
especificidad 1.00 1.00 1.00 1.00 0.94 0.97 0.97 0,96 1.00 0.99
Precisión (Precisión del productor) 0.99 1.00 0.97 1.00 0.78 0.90 0.97 0,96 0.94 0.83
Precisión (precisión general) 0.99 1.00 0.99 1.00 0,95 0.97 0.94 0,95 0.99 0.98
Tasa de clasificación errónea 0.01 0.00 0.01 0.00 0.05 0.03 0.06 0.05 0.01 0.02
información 0.98 1.00 0,96 1.00 0.78 0.89 0.88 0.89 0.94 0.82
marcaje 0.98 1.00 0,96 1.00 0.72 0.87 0.94 0.91 0.94 0.82
correlación de Mateo 0.98 1.00 0.93 1.00 0.82 0.90 0.90 0.90 0.94 0.82
Fig. 7. (a) El páramo herbáceo nativo reportado en el Mapa de Ecosistemas del Ecuador 2012 [16]. (b) El páramo herbáceo nativo y el páramo herbáceo antropogénico predicho por el árbol
de decisión del clasificador en este estudio.
(5%) a muy empinada (70%). Se sabe que la “Pendiente” puede ser relevante en una distribución investigación de aprendizaje automático y minería de datos [45]. Se ha utilizado para identificar
espacial de la vegetación que requiere grandes cantidades de humedad y tiene una influencia bandas espectrales con las capacidades discriminatorias más altas entre clases y bajas tasas de
significativa en el microclima [25]. Debido a que la “pendiente” afecta las condiciones del agua en errores de clasificación [45]. La clasificación que utiliza el algoritmo DT ya se ha aplicado para
el suelo así como la temperatura, la pendiente es una de las fuentes de heterogeneidad en el identificar cultivos de campo y de invernadero a partir de datos de teledetección con resultados
paisaje que controla la distribución espacial de la vegetación en las regiones montañosas [25]. excelentes y sólidos [44]. Sin embargo, el CDT encontrado en este estudio puede volverse
inestable, ya que un cambio en un nodo afecta a todos los nodos que están conectados a
Utilizando nuestras seis variables predictoras, el porcentaje general de categorizaciones continuación. Nuestras reglas CDT están restringidas por la variable raíz y solo permiten extraer
correctas de los 93 objetos terrestres verdaderos fue del 94,68 % (Tabla 4). Este valor es aceptable las reglas indicadas por la "Reflectancia", la variable superior. Sin embargo, esta debilidad de CDT
si consideramos la heterogeneidad de la región estudiada y que solo usamos 373 objetos para no debe pasarse por alto. Ligeros ajustes pueden ayudar a identificar el efecto estacional en la
entrenar el algoritmo. En general, estas áreas están ubicadas en áreas de difícil acceso, poseen categorización de la unidad LULC y mejorar la precisión. En un escenario hipotético, se podría
una topografía muy accidentada y climas extremos, y ofrecen poca información local disponible. identificar el mejor rendimiento de CDT en función de la temporada y compararlo con la temporada
de recopilación de datos. Tenga en cuenta las diferencias con el algoritmo Random Forest, donde
el rendimiento depende del rendimiento de la mayoría de los DT.
4.2. algoritmo CDT
Nuestro CDT sirve como una herramienta exploratoria para el descubrimiento y la predicción
basados en datos para obtener nuevos conocimientos sobre LULC en las EPE centrales. Aunque
otros clasificadores podrían lograr mejores resultados de clasificación, CDT proporciona reglas de 4.3. Base de datos y descubrimiento de conocimiento
decisión claras con valores de umbral fijos que se pueden usar en el futuro.
investigación sin ninguna fase de formación [44]. Se ha demostrado que el algoritmo CART puede Nuestros resultados indican que los ecosistemas de páramo perdieron superficie debido a las
proporcionar un rendimiento estable y resultados fiables en actividades antropogénicas. Los habitantes del páramo, en su mayoría indígenas,
9
Tabla 6
La distribución de LULC para el área de estudio completa y cada región.
Región Coordenadas UTM zona 17 Superficie (ha)
hemisferio sur
Páramo herbáceo nativo (MEE 2012) Páramo herbáceo nativo Páramo herbáceo antropogénico Bosque agua nieve
X Y
2 749121.1 9840957.6 816 906 760 148 110 1

4 779121.1 9840957.6 55 7 1
6 739121.1 9830957.6 2949 1958 2373 86 477 86
7 749121.1 9830957.6 50 943 480 102 449 27
8 759121.1 9830957.6 1895 1497 1665 310 378 0
9 769121.1 9830957.6 494 496 430 152 41 2
10 779121.1 9830957.6 21 199 26 315 87
11 789121.1 9830957.6 1396 483 379 2654 876
12 739121.1 9820957.6 3961 2934 1742 285 381 10
13 749121.1 9820957.6 23 14 58 21
14 759121.1 9820957.6 7 10
dieciséis 779121.1 9820957.6 720 2479 362 682 341 2
17 789121.1 9820957.6 3724 1895 461 1978 1842 67
18 739121.1 9810957.6 3840 3702 2831 137 196 3
19 749121.1 9810957.6 230 188 3932 24 309
20 759121.1 9810957.6 34 2047 30 271
20_1 769121.1 9810957.6 321 265 39 44 5
21 779121.1 9810957.6 3805 3766 534 369 237 1
22 789121.1 9810957.6 41 63 8 2 dieciséis
24 729121.1 9800957.6 4372 2216 1338 1154 580

25 739121.1 9800957.6 5583 3820 2071 271 185 4
26 749121.1 9800957.6 1337 845 1701 dieciséis 239 26
27 759121.1 9800957.6 103 4577 64 528
28 769121.1 9800957.6 1274 746 1064 312 92
29 779121.1 9800957.6 4061 4045 781 328 193 2
30 789121.1 9800957.6 521 414 83 128 78
32 729121.1 9790957.6 778 276 584 1831 361
33 739121.1 9790957.6 6980 4528 3027 385 468 1
34 749121.1 9790957.6 908 957 1949 62 271
35 759121.1 9790957.6 59 6970 24 437
36 769121.1 9790957.6 1447 989 1295 283 139
37 779121.1 9790957.6 3949 2678 1503 704 493 2
38 789121.1 9790957.6 1259 970 98 91 207 1
41_1 749121.1 9780957.6 6003 3874 2637 574 402 2
41 739121.1 9780957.6 955 949 4344 56 203
42 759121.1 9780957.6 758 351 5866 343 861
43 769121.1 9780957.6 2367 3091 752 637 420
44 779121.1 9780957.6 5059 3217 1610 1547 757
45 719121.1 9770957.6 167 19
46 729121.1 9770957.6 5 676 21 118
47 739121.1 9770957.6 3157 980 5084 553 534 2
48 749121.1 9770957.6 52 2811 104 105
49 759121.1 9770957.6 4755 3323 4535 194 624 89
50 769121.1 9770957.6 1629 2163 2429 529 482 1
51 779121.1 9770957.6 2951 3991 2251 1430 515
54 729121.1 9760957.6 496 60 1059 131 376
55 739121.1 9760957.6 1086 226 1799 83 340
56 749121.1 9760957.6 114 2326 0 30
57 759121.1 9760957.6 5540 5054 3131 78 196 10
58 769121.1 9760957.6 2924 4366 3323 133 259
59 779121.1 9760957.6 2341 2091 593 278 229
63 739121.1 9750957.6 291 101 172 25 65
64 749121.1 9750957.6 866 608 613 15 57
sesenta y cinco 759121.1 9750957.6 2473 4841 3787 299 219 5
66 769121.1 9750957.6 1953 5373 1408 63 288 4
66_1 779121.1 9750957.6 323 691 145 78 136
68 729121.1 9740957.6 712 391 262 sesenta y cinco 54
69 739121.1 9740957.6 3591 1953 1813 210 296 81
70 749121.1 9740957.6 6615 5937 1756 131 70 120
71 759121.1 9740957.6 7162 7633 1527 173 85 10
72 769121.1 9740957.6 3939 4479 671 471 300 0
73 779121.1 9740957.6 434 278 17 731 175
74 749121.1 9730957.6 3678 3183 574 2 7 0
75 759121.1 9730957.6 4722 3525 1203 340 80
76 769121.1 9730957.6 4731 3024 544 1501 461
77 779121.1 9730957.6 1525 406 34 1056 600
77_1 759121.1 9720957.6 886 718 156 85 9
78 769121.1 9720957.6 771 336 147 321 24
79 779121.1 9720957.6 378 53 21 519 250
TOTAL 141827 121905 105470 25749 19973 560
10
se dedican a actividades agrícolas, ganaderas y madereras. No siempre hay una línea clara con seis importantes variables predictivas (Reflectancia, VARIg, Altitud, EVI2, NBR2 y
entre el uso comercial y el de subsistencia de los recursos. Es tentador pero poco realista pendiente). El CDT permite la categorización de las categorías de uso del suelo de NHP, AHP,
suponer que los residentes solo buscarán actividades de subsistencia o de bajo impacto [46]. FRS, WTR y SNW con la tasa de clasificación errónea más baja (por debajo del 6 %). La
En el páramo, la producción de cultivos se logra mediante la eliminación de la vegetación probabilidad de una clasificación informada para cada clase fue superior al 78 %, y el
nativa de la superficie del páramo, el cultivo durante 3 o 4 años y la reubicación en otras áreas coeficiente de correlación de Matthew entre el objeto observado y el predicho fue superior al
de páramo. Los campos anteriormente cultivados se dejan para la regeneración. 82 %.
Alternativamente, los residentes del páramo cultivan pastos para actividades ganaderas en El análisis de la base de datos LULC en las EPE centrales mostró que dos quintas partes
áreas de producción de cultivos anteriores. Por lo tanto, el ecosistema de páramo natural del ecosistema de páramo permanece como HP nativo (NHP), dos quintas partes se han
puede perder o ganar superficie como consecuencia de las actividades antrópicas. convertido en HP antropogénico (AHP) y una quinta parte permanece como FRS, WTR y
SNW . Aunque la alteración antrópica de la pedogénesis del suelo de páramo joven condujo
La LU itinerante por parte del habitante del páramo se debe a la poca capacidad productiva al establecimiento de AHP, encontramos evidencia de regeneración del NHP, lo que indica su
del suelo del páramo ecuatoriano. Estos son suelos volcánicos jóvenes, en su mayoría del resiliencia. El estudio adicional de la resiliencia del NHP es una tarea esencial para explorar la
orden andosol con baja densidad aparente, alto contenido de carbono orgánico y bajas respuesta del NHP al cambio climático global y la adaptabilidad de todas las comunidades del
reservas de nutrientes. La conversión de la vegetación nativa del páramo altera el rasgo páramo a dicho cambio. Tal evaluación depende del monitoreo preciso del patrón espacial de
pedogenético de los suelos andosoles jóvenes, lo que resulta en el endurecimiento de la LULC y de la evaluación de los mecanismos impulsores de los cambios de LULC (naturales o
superficie y la pérdida de carbono orgánico del suelo a la atmósfera. Los rendimientos de los antropogénicos).
cultivos son más altos en el primer año después de la conversión, pero son más bajos en los
años siguientes, lo que requiere el uso de fertilización para mantener la productividad. Después Los resultados de este estudio serán principalmente útiles para los científicos y tomadores
del tercer o cuarto año, la actividad agrícola es insostenible. de decisiones interesados en los ecosistemas de páramo en el centro de Ecuador. La
metodología propuesta es simple, rápida y podría implementarse en otros paisajes para
Las actividades antrópicas, incluida la quema de LC y el pastoreo de ganado, afectan la establecer sistemas de monitoreo integrales útiles en la evaluación y planificación del paisaje.
estructura y composición del NHP y conducen a la conversión a AHP. En las zonas donde
hubo mayor intensidad de quema y pastoreo, los pastizales tienen menor altura, han perdido
biomasa y el estrato arbustivo está ausente. Este ecosistema se caracteriza por una densa Declaraciones
vegetación dominada por pastos que emanan de los puntos basales de crecimiento. Los
arbustos y la paja apelmazada desaparecen gradualmente a lo largo del gradiente de elevación Declaración de contribución del autor
y son reemplazados por cojines, rosetas a caulescentes, arbustos postrados y pastos de tallo
corto. La composición resultante y la fisonomía de este AHP difieren altitudinal y latitudinalmente, Victor J Garcia, Carmen O. Marquez: Concibieron y diseñaron los experimentos; analizó
así como impulsadas por factores como el clima, la historia geológica, la diversidad inicial del e interpretó los datos; Reactivos, materiales, herramientas de análisis o datos aportados;
hábitat y la intensidad de la influencia humana [16]. Estas actividades antropogénicas aceleran Escribió el papel.
la pérdida de biodiversidad, el cambio climático, el deterioro de la función de los ecosistemas Tom M. Isenhart: concibió y diseñó los experimentos; Escribió el
y, en última instancia, comprometen la utilidad de la tierra para las comunidades locales y las papel.
generaciones futuras [46]. Marco V Rodríguez: Realizó los experimentos; analizó e interpretó los datos; Reactivos,
materiales, herramientas de análisis o datos aportados.
En nuestro estudio, el área total de AHP se estimó en 105 470 ha, con 36 regiones Santiago D. Crespo, Alexis G. Cifuentes: Realizó los experimentos.
exhibiendo más de 1000 ha de AHP (Cuadro 6). Este resultado sugiere una larga historia de
explotación del suelo del páramo, junto con una cantidad sustancial de actividades
Declaración de financiación
antropogénicas. Aunque esta conversión amenaza los medios de subsistencia de los residentes
del páramo, esta interacción es compleja y está condicionada por factores económicos,
Este trabajo fue apoyado por la Universidad Nacional de Chimborazo, Riobamba Ecuador,
sociales y ambientales críticos [47]. En contraste, estimamos que 14,265 ha de NHP se han
a través del proyecto “Carbono orgánico del suelo y secuestro en ecosistema de páramo
regenerado y ahora no se distinguen de NHP no impactado. Se necesita investigación adicional
ecuatoriano”.
para confirmar la extensión del área de la conversión de AHP nuevamente a NHP y evaluar
los atributos del ecosistema de estas comunidades. Sin embargo, nuestros resultados podrían
considerarse como un signo de resiliencia del NHP. Los estudios adicionales sobre la resiliencia Declaración de intereses en competencia
del NHP son esenciales para explorar la respuesta del NHP, así como la adaptabilidad de
todas las comunidades del páramo al cambio climático global. Los autores declaran no tener conflicto de intereses.
Información adicional
La respuesta de las funciones del ecosistema NHP (productividad, regulación hídrica,
secuestro de carbono, biodiversidad, etc.) al cambio de LU depende en gran medida de la
No hay información adicional disponible para este documento.
composición original de la vegetación del páramo, la intensidad de las actividades humanas y
los cambios en el clima [48] . Por lo tanto, las actividades antropogénicas y el cambio climático
Agradecimientos
global amenazan el futuro del ecosistema NHP. A medida que se acelera la presión antrópica
sobre el NHP, es fundamental fortalecer los esfuerzos de conservación. Es crucial proteger
Los autores expresan su agradecimiento al Vicerrectorado de Estudios de Posgrado e
estos valiosos recursos utilizando planes de gestión implementados de manera realista y el
Investigación de la Universidad Nacional de Chimborazo (Unach) a través del grupo “Energías
establecimiento de políticas y leyes bien definidas [42]. Sin embargo, cualquier política debe
Limpias y Medio Ambiente”.
considerar y reconocer los derechos de los Pueblos Indígenas como esenciales para cumplir
con los objetivos de conservación locales y globales [49].
Referencias
[1] W. Buytaert, R. Celleri, B. De Bievre, et al., Impacto humano en la hidrología de los páramos andinos ,
5. Conclusión
Earth Sci. Rev. 79 (2006) 53–72.
[2] R. Hofstede, J. Calles, V. López, et al., ¿Qué sabemos? Quito, Ecuador Derechos,
2014.
La metodología desarrollada en este estudio podría ser la base de un sistema de
[3] JY Mcknight, Vinculando la humedad del suelo y los procesos del ciclo del carbono en dos
seguimiento integral para lograr los objetivos de sostenibilidad relacionados con las EPE. La ecosistemas terrestres poco estudiados: pastizales de páramo ecuatorianos y
minería de datos de objetos LULC permitió el descubrimiento de un CDT humedales agrícolas construidos 135 (2015).
11
[4] R. Hofstede, J. Calles, V. Lopez, et al., Los paramos andinos ¿Qué sabemos? Estado de conocimiento sobre [26] L. Breiman, JH Friedman, RA Olshen, et al., Árboles de clasificación y regresión, Chapman & Hall/CRC Press,
el impacto del cambio climatico en el ecosistema paramo. https://portals.iucn.org/library/node/44760, 2014. Boca Raton, EE. UU., 1984.
[27] D. Steingberg, P. Colla, CART. Árboles de clasificación y regresión, 2016, Salford Systems, San Diego, CA,
[5] KA Farley, LL Bremer, CP Harden, et al., Changes in carbon storage under EE. UU., 2016.
usos alternativos de la tierra en pastizales andinos biodiversos: implicaciones para el pago por servicios [28] JWJ Rouse, RH Haas, JA Schell, et al., Monitoreo de los sistemas de vegetación en las grandes llanuras con
ecosistémicos, Conserv. Letón. 6 (2012) 21–27. ERTS, en: SC Freden, EP Mercanti, MA Becker (Eds.), Tercer Simposio Satélite de Tecnología de
[6] FH Tonneijck, B. Jansen, KGJ Nierop, et al., Hacia la comprensión de las reservas de carbono y la Recursos Terrestres1 Volumen I: Presentaciones Técnicas. NASA SP351, NASA, Washington, DC,
estabilización en suelos de ceniza volcánica en ecosistemas andinos naturales del norte de Ecuador, Eur. 1974, págs. 309–351.
J. Ciencias del suelo. 61 (2010) 392–405. [29] AR Huete, Índice de vegetación ajustado al suelo (SAVI), Remote Sens. Environ. 25
[7] Q. Tian, H. He, W. Cheng, et al., Factores que controlan la estabilidad del carbono orgánico del suelo a lo (1988) 295–309.
largo de un gradiente altitudinal de bosque templado, Sci. Rep. 6 (2016) 18783. [30] H. Xu, Modificación del índice de agua de diferencia normalizada (NDWI) para mejorar las características de
[8] FH Tonneijck, M. Velthuis, W. Bouten, et al., El efecto del cambio en el volumen del suelo sobre la distribución aguas abiertas en imágenes de detección remota, Int. J. Remote Sens. 27 (2006) 3025–3033.
de materia orgánica en un suelo de ceniza volcánica, Eur. J. Ciencias del suelo. 67 (2016) 226–236.
[31] AA Gitelson, Índice de vegetación de amplio rango dinámico para la cuantificación remota de las características
[9] KJ Willis, ES Jeffers, C. Tovar, ¿Qué hace que un ecosistema terrestre sea resistente? biofísicas de la vegetación, J. Plant Physiol. 161 (2004) 165–173.
Ciencia 359(6379) (2018) 988–989. [32] AA Gitelson, YJ Kaufman, R. Stark, et al., Nuevos algoritmos para la estimación remota de la fracción de
[10] E. Guirado, S. Tabik, D. AlcarazSegura, et al., Aprendizaje profundo versus OBIA para vegetación, Remote Sens. Environ. 80 (2002) 76–87.
detección de arbustos dispersos con imágenes de Google Earth: ziziphus lotus como caso de estudio, [33] Z. Jiang, AR Huete, K. Didan, et al., Desarrollo de un índice de vegetación mejorado de dos bandas sin
Remote Sens. 9 (2017) 1–22. una banda azul, Remote Sens. Environ. 112 (2008) 3833–3845.
[11] M. Kindu, T. Schneider, D. Teketay, et al., Análisis de cambio de uso/cobertura terrestre
utilizando un enfoque de clasificación basado en objetos en el paisaje MunessaShashemene de las tierras [34] G. Riggs, D. Hall, V. Salomonson, et al., El algoritmo de cubierta de nieve del espectrorradiómetro de
altas de Etiopía, Remote Sens. 5 (2013) 2411–2435. imágenes de resolución moderada en desarrollo.pdf. 50.ª Conferencia de Nieve del Este y 61.ª
[12] T. Blaschke, Análisis de imágenes basado en objetos para sensores remotos, ISPRS J. Conferencia de Nieve del Oeste. Québec, 1993, pág. 51.
Fotogrametría Remote Sens. 65 (2010) 2–16. [35] W. Chen, L. Liu, C. Zhang, et al., Monitoreo de las áreas de suelo desnudo estacional en Beijing
[13] G. Chen, Q. Weng, GJ Hay, et al., Análisis de imágenes basado en objetos geográficos utilizando imágenes TM multitemporales, IEEE (2004) 3379–3382.
(GEOBIA): tendencias emergentes y oportunidades futuras, GIScience Remote Sens. 55 (2018) 159–182. [36] EH Wilson, SA Sader, Detección del tipo de explotación forestal utilizando múltiples fechas de imágenes
Landsat TM, Remote Sens. Environ. 80 (2002) 385.
[14] J. Wen, Q. Liu, Q. Xiao, et al., Caracterización de la reflectancia anisotrópica de la superficie terrestre sobre [37] CH Key, NC Benson, Evaluación del paisaje: métodos de muestreo y análisis,
terreno accidentado: una revisión de conceptos y desarrollos recientes, Remote Sens. 2006.
10 (2018). Epub antes de la impresión. [38] EA Storey, DA Stow, JF O'Leary, Evaluación de la recuperación posincendio del chamise
[15] INAMHI, Instituto Nacional de Meteorología e Hidrología. Red de Estaciones chaparral utilizando trayectorias de índice de vegetación espectral multitemporal derivadas de imágenes
Meteorologicas e Hidrologicas. http://www.serviciometeorologico.gob.ec/, 2018. Landsat, Remote Sens. Environ. 183 (2016) 53–64.
[16] Ministerio del Ambiente del Ecuador, Sistema de clasificación de los Ecosistemas del Ecuador Continental, [39] Y. Zha, J. Gao, S. Ni, Uso del índice de acumulación de diferencia normalizada en el mapeo automático de
Subsecretaría de Patrimonio Natural, Quito, 2012. áreas urbanas a partir de imágenes TM, Int. J. Remote Sens. 24 (2003) 583–594.
[17] D. Phiri, J. Morgenroth, Desarrollos en los métodos de clasificación de la cobertura terrestre Landsat: [40] J. Radoux, P. Bogaert, Buenas prácticas para la evaluación de la precisión basada en objetos, Remote
una revisión, Remote Sens. 9 (2017) 25. Sentencia 9 (2017). Epub antes de la impresión.
[18] IGM, Geoportal IGM. http://www.igm.gob.ec/index.php/en/servicios, 2016. [41] DMW Powers, Evaluación: desde precisión, recuperación y factor F hasta ROC,
[19] J. Urbanski, Integración de GEOBIA con GIS para cobertura semiautomática del suelo información, marcado y correlación, J. Mach. Aprender. Tecnología 2 (2011) 37–63.
mapeo de imágenes Landsat 8. V Congreso GEOBIA. Salónica, Polonia, 2014. [42] M. Amani, S. Mahdavi, M. Afshar, et al., Inventario de humedales canadienses usando el motor de Google
Earth: el primer mapa y resultados preliminares, Remote Sens. 11 (2019) 842.
[20] JG Liu, Modulación de intensidad basada en filtros de suavizado: una reserva espectral, Int. j [43] TM Berhane, H. Costa, CR Lane, et al., La influencia de la heterogeneidad de la región de interés en la
Sensores remotos 21 (2000) 3461–3472. precisión de la clasificación en los sistemas de humedales, Remote Sens. 11 (2019) 551.
[21] BJ Devereux, GS Amable, CC Posada, Una segmentación de imagen eficiente
algoritmo para el análisis del paisaje, Int. Aplicación J. Observación de la Tierra Geoinf. 6 (2004) 47–61. [44] A. Nemmaoui, MA Aguilar, FJ Aguilar, et al., Identificación de cultivos de invernadero a partir de imágenes
[22] Costa H, Foody GM, Boyd DS. Métodos supervisados de evaluación de la precisión de la segmentación de satelitales multisensoriales multitemporales utilizando un enfoque basado en objetos: un estudio de caso
imágenes en el mapeo de la cobertura terrestre. En: Teledetección del Medio Ambiente. Elsevier, págs. de Almería (España), Remote Sens. 10 (2018) ) 1–25.
338–351. [45] J. Cao, W. Leng, K. Liu, et al., Clasificación de especies de manglares basada en objetos utilizando
[23] Comité de Necesidades y Requerimientos de Investigación para Modelado de Cambios Terrestres, imágenes hiperespectrales de vehículos aéreos no tripulados y modelos digitales de superficie, Remote
Comité de Ciencias Geográficas, Junta de Ciencias y Recursos de la Tierra, et al., Advancing Land Sens. 10 (2018). Epub antes de la impresión.
Change Modeling: Opportunities and Research Requirements, National Academies Press, Washington [46] BL Naughtontreves, MB Holland, ¿Perdiendo terreno en áreas protegidas? ciencia 364
DC, 2015. Epub antes de imprimir 2015. (6443) (2019) 832–833.
[24] GT Yengoh, D. Dent, L. Olsson, et al., El uso de la diferencia normalizada [47] EB Barbier, JP Hochard, Degradación de la tierra y pobreza, Nat. sust. 1 (2018)
Vegetation Index (NDVI) to Assess Land Degradation at Multiple Scales: Current Status, Future 623–631.
Trends, and Practical Considerations, Springer Cham Heidelberg, Nueva York, 2015. Epub antes de [48] MK Peters, A. Hemp, T. Appelhans, et al., Forma de interacciones climauso de la tierra
imprimir 2015. biodiversidad de las montañas tropicales y funciones de los ecosistemas, Nature 568 (2019) 88–92.
[25] JE AyalaIzurieta, CO Márquez, VJ García, et al., Clasificación de la cobertura del suelo en un [49] ST Garnett, ND Burgess, JE Fa, et al., Una descripción espacial de la
geosistema de montaña ecuatoriano utilizando un clasificador de bosque aleatorio, índices importancia de las tierras indígenas para la conservación, Nat. sust. 1 (2018) 369–374.
espectrales de vegetación y datos geográficos auxiliares, Geoscience 7 (2017). Epub antes de la
impresión.
12

Heliyón

Cargado por

Copyright:

Formatos disponibles

Heliyón

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Heliyón

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Víctor J. García a,b,* , Carmen O. Márquez cd , Tom M Isenhart mi

Características del objeto Descripción Pendiente (Fig. 4). La Fig. 4 también muestra las seis variables predictivas (enfatizadas)

Vegetación espectral Formulación Descripción

NDVI: Normalizado ðNIR RÞ =ðNIR þ RÞ Cuanto mayor sea el

Tabulación cruzada binaria para la clase “i”. Predicho Negativo pronosticado

información TNi TPi Probabilidad de una decisión informada sobre la condición aleatoria [40].

Agua Bosque Páramo herbáceo nativo Páramo herbáceo antropogénico Nieve

2 749121.1 9840957.6 816 906 760 148 110 1

24 729121.1 9800957.6 4372 2216 1338 1154 580

También podría gustarte