Evaluación de uso del suelo y cambio en el uso del suelo, y recomendaciones para una agricultura compatible con la sostenibilidad regional

JOSÉ M. PARUELO; DOLORES AROCENA; MARÍA VALLEJOS; MARIANO OYARZABAL; CAMILO BAGNATO; PABLO BALDASSINI; SEBASTIÁN AGUIAR

2010-03-01/2010-07-06

1-49

Agronómica

Agropecuario

El trabajo se focalizó en el área legalmente factible de conversión según el Ordenamiento Territorial de Bosques Nativos de la provincia de Chaco (Categoría III) que corresponde a los siguientes departamentos: Maipú, Comandante Fernández, Independencia, Gral. Belgrano, 9 de Julio, Chacabuco, 12 de Octubre, 2 de Abril y la porción sur de los departamentos de Almirante Brown y General Güemes. Los objetivos fueron: 1.Clasificar los usos del suelo en el área de estudio a enero de 2008 diferenciando tres clases de uso: Monte, Monte modificado y Cultivos agrícolas. 2.Estimar la productividad primaria para las unidades de uso clasificadas. 3. Analizar la estructura del paisaje (forma, conectividad, borde, etc.) en los parches identificados. La metodología utilizada para la clasificación según usos del suelo en el área de estudio consistió en la combinación de información de alta resolución espacial con imágenes de alta resolución temporal. Las imágenes de alta resolución espacial (Landsat) fueron utilizadas para la identificación de áreas coincidentes con lotes o polígonos uniformes en el uso del suelo. Este proceso, denominado segmentación, es utilizado para la definición de las unidades mínimas de clasificación (de ahora en más, lotes) y se realizó mediante el software SPRING / INPE, con un compilado de 2 imágenes Landsat por escena. Las escenas Landsat utilizadas se obtuvieron de la Comisión Nacional de Actividades Espaciales (CONAE). Se eligieron imágenes Landsat 5 sin nubes de los path/row 228/78 y 228/79 correspondientes a las fechas 14 de julio y 31 de agosto de 2007. Las imágenes satelitales de alta resolución temporal (MODIS) fueron utilizadas para realizar la clasificación por uso del suelo a nivel de pixel mediante árboles de decisión. Los árboles de decisión se realizaron en base a la evolución temporal (firmas espectrales) del Índice de Vegetación Normalizado (IVN) del producto MOD13Q1 del sensor MODIS para cada tipo de cobertura. Dado que el IVN posee una alta correlación con la intercepción de radiación fotosinteticamente activa por parte de los tejidos verdes, un conjunto de imágenes consecutivas de una estación de crecimiento permite ver el comportamiento fenológico de cada unidad. Según este comportamiento puede determinarse qué tipos de vegetación o usos podrían estar asociados a esta superficie. Cada cobertura, entonces, es definida en base a una firma espectral característica (un vector de valores de IVN durante la estación de crecimiento), con una variabilidad espacial y temporal asociada, dada por la heterogeneidad ambiental en el espacio y el tiempo, a las perturbaciones y al manejo. La obtención de firmas espectrales para cada tipo de uso del suelo a nivel pixel (cada pixel MODIS mide 5,3 ha) es un insumo clave en el proceso de clasificación ya que permite generar las situaciones de referencia para las distintas clases. Para obtener las firmas espectrales de cada clase es necesario disponer de “verdad terrestre”, es decir, de puntos conocidos de uso del suelo. En base a las firmas espectrales de cada clase se obtienen los llamados árboles de decisión. Un árbol de decisión es un proceso de clasificación que repetidamente divide un conjunto de datos en subgrupos sobre la base de una regla lógica en cada nodo del árbol. Estos métodos tienen ventajas sustanciales para las clasificaciones con imágenes debido a su naturaleza no paramétrica, robustez con respecto a las relaciones no lineales entre características y su velocidad de procesamiento. Para la obtención de los parámetros de decisión del árbol de decisión se utilizó el software See5, mientras que la ejecución del árbol se realizó con el software ENVI 4.2, utilizando el compilado de imágenes MODIS de la escena h12 v11 desde julio de 2007 a junio de 2008. Una vez obtenida la clasificación, se elaboró una máscara con los pixeles puros, es decir, los pixeles MODIS que están totalmente contenidos en el archivo vectorial de lotes (obtenido mediante la segmentación), y se obtuvo una imagen de la clasificación para los píxeles puros. De esta manera se descartaron los píxeles “sucios”, es decir, que comparten 2 o más lotes contiguos. Por último, utilizando la clasificación de píxeles puros y el archivo vectorial de lotes se determinó la clase dominante de cada polígono mediante un programa ejecutado en el software Pyton 2.6, y se asignó a cada lote el valor de la clase dominante. Como resultado se obtuvo un mapa de clasificación de a nivel de lote, con las clases “Monte”, “Monte modificado”, “Cultivos agrícolas” y “No clasificado”, siendo esta última clase asignada a los lotes que, debido a su pequeño tamaño, no incluyen pixeles puros del satélite MODIS. La PPNA se estimó a partir del modelo desarrollado por Monteith (1972). Este establece que la productividad (o sea la cantidad de materia seca acumulada en un periodo de tiempo y por unidad de superficie, kg MS.ha-1.mes-1) está determinada por la cantidad de radiación fotosintéticamente activa absorbida (RFAA) por los tejidos verdes de las plantas y la eficiencia con que esa energía es transformada en materia seca aérea (EUR). Utilizando este modelo, se estimó la productividad primaria neta aérea de los principales tipos de vegetación de los 9 departamentos del centro sur de la provincia del Chaco mediante datos provistos por el Sensor MODIS. La estimación de productividad se hizo a escala de píxel de 5.3 has y con paso mensual. Para los píxeles cuya cobertura fue “Monte”, la productividad fue estimada desde marzo de 2000 al presente. Para el resto de los píxeles con las otras dos coberturas producto del desmonte (“Cultivos agrícolas” y “Monte modificado”) el cálculo de productividad se restringió a los años más recientes, desde 2008 en adelante, momento para el que, con el mapa generado, se conoce con relativa buena certeza el tipo de cobertura. La Eficiencia en el Uso de la Radiación (EUR) se tomó de la literatura. Se utilizó la EUR de 0.41 gMSaérea/MJ para el “Monte”, 0.47 gMSaérea/MJ para el “Monte modificado” y 0.81 gMSaérea/MJ para los “Cultivos Agrícolas”. Estos valores surgieron del siguiente cálculo. Primero se tomaron datos promedio de EUR total usados en modelos globales para Bosques subtropicales secos, Cultivos agrícolas y Pastizales (Field etal. 1995, Potter etal. 1993 y Ruimy etal. 1994). Para las áreas de “Monte modificado” se tomó un valor promedio de las EUR de los bosques y los pastizales. Luego, se consideró una EURaérea de 0.52 MSaérea/MJ calculada en pastizales de la región pampeana (Piñeiro etal. 2006). Después, para los datos de los modelos globales se calculó la relación de la EUR de pastizales respecto a los bosques, cultivos agrícolas y monte modificado. Esa relación se aplicó a la “EUR base” de 0.52 estimada por Piñeiro et al.(2006). Esta metodología permitió ajustar en términos relativos los valores de EUR globales a un valor de EUR local. Además, se calculó la productividad primaria neta total (PPN), que cuantifica no solo la productividad aérea sino también la productividad subterránea. Se utilizaron estimaciones disponibles en la literatura de la relación entre la productividad subterránea y la productividad total (PPNS/PPN). Se utilizó una relación PPNS/PPN de 0.5 para el “Monte” y 0.14 para “Cultivos agrícolas” (Hui & Jackson 2005, Guerschman 2005). Para el “Monte modificado” se utilizó una relación de 0.56, que surgió del promedio de las indicadas para pastizales y bosques (Vogt etal. 1991 y Hui & Jackson 2005). Para cuantificar la superficie de los tipos de cobertura (composición del paisaje) y su distribución espacial (configuración del paisaje) se calculó una serie de índices, utilizando como base el mapa de cobertura del suelo, en donde se realizó una clasificación de usos del suelo según 3 clases: Cultivos Agrícolas, Monte y Monte modificado. Estos índices fueron seleccionados por ser utilizados habitualmente para caracterizar patrones de paisaje (Baldi et al. 2006. El índice porcentaje del paisaje (PPAI) refleja la composición de una clase dentro del paisaje, en relación al área total considerada. Para calcular el PPAI se extrajo la superficie ocupada por cada una de las clases de uso del suelo. El índice tamaño efectivo de malla (TEMA) (Jaeger 2000, Jaeger et al. 2001, Saura 2002) considera simultáneamente el tamaño de los parches y el nivel de disección del paisaje (de la cobertura en cuestión). Tiene la ventaja de ser insensible a la inclusión u omisión de pequeños parches, reflejando cambios estructurales del paisaje, y tiene una respuesta de tipo monotónica a través de las distintas fases de fragmentación (a mayor tamaño efectivo de malla, menor es la fragmentación). Se utilizó este índice como medida principal para captar la fragmentación. Los restantes índices se utilizaron como medidas complementarias, para describir en forma más explícita ciertas características de configuración de los parches dentro del paisaje. El número de parches (NUMP) es una medida intuitiva y simple acerca del grado de subdivisión de un determinado tipo de cobertura. El tamaño medio de parche (TMPA) es una medida también muy simple relativa a la configuración del paisaje. La densidad de borde (DBOR) es la suma de la longitud del perímetro de todos los parches, ponderada por el área total, y es útil para comparar unidades de tamaño idéntico, aunque tiene la desventaja de presentar una respuesta unimodal a la cantidad de disturbio (Hargis et al. 1998). La relación perímetro-área (RPAR) busca cuantificar la complejidad de la forma de los parches. Estos seis índices fueron calculados para dos escalas de análisis: a escala de paisaje y a escala de grilla. Para realizar el análisis a escala de paisaje todos los índices se analizaron por clase de uso, obteniéndose un único valor por clase para cada índice. Para realizar los cálculos a escala de grilla se generaron grillas de hexágonos de 6400 ha, quedando conformadas 551 celdas dentro del área de estudio. La elección de este tipo de grilla se debe a que el hexágono es una forma geométrica que permite formar una grilla de unidades adyacentes en todos sus sentidos o ejes, y que además disminuye el efecto de las esquinas en comparación a una grilla de cuadrados (Baldi et al. 2006). El grillado posibilitó el resumen de la información a escala de celda. Para apreciar los patrones en el espacio, se intersectaron los mapas con las grillas antes mencionadas, y sobre los mapas de cobertura grillados se calcularon los índices de porcentaje de paisaje y los cinco índices espaciales de configuración del paisaje (tamaño efectivo de malla, número de parches, tamaño medio de parches, densidad de borde y relación perímetro-área). Se obtuvieron mapas categóricos de todos los índices de paisaje que permitieron apreciar los patrones del paisaje y su grado de fragmentación. Por último, se realizó un análisis de escalamiento multidimensional (Multidimensional scaling, Legendre & Legendre 1998) y un análisis clasificación jerárquica. El objetivo de realizar este análisis fue designar clases con mayor similitud a nivel de celda en términos de los índices de paisaje calculados anteriormente (porcentaje de paisaje, tamaño efectivo de malla, número de parches, tamaño medio de parches, relación área-perímetro y densidad de borde).