Recibido, 22/06/2018 Aceptado, 12/07/2018 DOI:10.25127/aps.20182.

393 Artículo original

Deforestación en el área de conservación privada Tilacancha: zona de recarga hídrica y de abastecimiento

de agua para Chachapoyas

Deforestation in the Tilacancha private conservation area: water recharge zone and water supply for
Chachapoyas
Rolando Salas1*, Elgar Barboza1, Nilton Beltran Rojas1, José Mamani1, Nelson Yohel Rodriguez1

RESUMEN
La deforestación es un componente principal del cambio climático; el mismo que está contribuyendo a la rápida
pérdida del área de bosques con importantes implicaciones para la conservación de la biodiversidad y el
funcionamiento del ecosistema. Este estudio tiene como objetivo determinar la deforestación en el área de
conservación privada Tilacancha, cuya zona representa la recarga hídrica y de abastecimiento de agua para
Chachapoyas. Se aplicó el algoritmo de clasificación supervisada de máxima probabilidad incorporada en el QGIS
para detectar cambios en la cobertura del suelo observados en el ACP Tilacancha utilizando datos satelitales
multiespectrales obtenidos de Landsat 5 y 8 para los años 1984, 2000 y 2016. El ACP se clasificó en cinco clases
principales de cobertura: arbustos, pastos y cultivos, pajonal y superficie quemada. Los mapas generados
presentaron una exactitud temática global de 87% y un índice Kappa de 0.78. Los resultados indican que la cobertura
forestal para el primer y segundo periodo se redujo en un 21,63% y 41,39% respectivamente, mientras que el área de
pajonal se ha incrementado en un 13,63 % y 18,06% respectivamente. Durante los últimos 32 años, el uso y cobertura
del suelo en la zona de estudio ha estado influenciado por factores clave que giran en torno al desarrollo ganadero y
agrícola. El nivel de degradación forestal ha aumentado y requiere de manera inmediata tomar nota de los cambios
ambientales y establecer políticas urgentes, rigurosas y coherentes para el desarrollo racional de los recursos de esta
zona.
Palabras claves: Cobertura del suelo, teledetección, cambio de cobertura, exactitud.

ABSTRACT

Deforestation is a major component of climate change; the same that is contributing to the rapid loss of the forest area
with important implications for the conservation of biodiversity and the functioning of the ecosystem. The objective
of this study is to determine deforestation in the Tilacancha private conservation area, whose zone represents water
recharge and water supply for Chachapoyas. The maximum probability supervised classification algorithm
incorporated in the QGIS was applied to detect changes in soil cover observed in the Tilacancha ACP using
multispectral satellite data obtained from Landsat 5 and 8 for the years 1984, 2000 and 2016. TheACP was classified
in five main classes of cover: shrubs, pastures and crops, grassland and burned surface. The generated maps
presented an overall thematic accuracy of 87% and a Kappa index of 0.78. The results indicate that the forest cover
for the first and second period was reduced by 21.63% and 41.39% respectively, while the area of pajonal has
increased by 13.63% and 18.06% respectively. During the last 32 years, the use and coverage of the soil in the study
area has been influenced by key factors that revolve around livestock and agricultural development. The level of
forest degradation has increased and requires immediately taking note of environmental changes and establishing
urgent, rigorous and coherent policies for the rational development of the resources of this area.

Keywords: Land cover, remote sensing, change of coverage, accuracy.

Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas (UNTRM-A), Instituto de Investigación para el Desarrollo Sustentable de
1

Ceja de Selva, Calle Higos Urco N° 342-350-356, Calle Universitaria N° 304, Chachapoyas, Perú
Autor de correspondencia. E-mail: rsalas@indes-ces.edu.pe
*

54 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760

Deforestación Tilacancha Salas R

I. INTRODUCCIÓN amenazada por problemas ambientales a causa de la

La deforestación es el principal motivo de la pérdida deforestación, quema de pajonales y otras actividades
de biodiversidad en los países en desarrollo (Rolland (GRA 2012, 2014). Es por ello, que se pretende deter-
et al., , 2014). Normalmente, se debe a los cambios en minar la deforestación en el área de conservación
la cobertura y al uso de la tierra, que se han visto acele- privada Tilacancha, cuya zona representa la recarga
rados como resultado de varios factores, como los hídrica y de abastecimiento de agua para Chachapo-
económicos y biofísicos (Somanathan et al., , 2009; yas, por medio de la clasificación digital de imágenes
Mölders, 2012; Awasthi et al,. 2003), impactando satelitales LANDSAT de los años 1984, 2000 y 2016.
negativamente los paisajes, la vegetación, los recursos
hídricos y la biodiversidad de manera significativa II. MATERIAL Y MÉTODOS
(Sharma et al,. 1999; Singh et al,. 2017). La deforesta- Ubicación del área de estudio
ción es uno de los principales componentes del cambio El ACP Tilancancha está ubicada en los Andes Centra-
climático y tiene implicaciones en la extinción de les, en la ecorregión páramo de la Cordillera Central y
especies (Brook, Sodhl, and Ng 2003), la pérdida de ocupa el 4% del territorio de la Región Amazonas
servicios ecosistémicos (Bendix et al., 2013) la emi- (IIAP 2006). El ACP Tilacancha fue reconocido como
sión de gases de efecto invernadero (Fearnside and tal el 6 de julio del 2010 con Resolución Ministerial
Laurance 2004; Gibbs and Herold 2007; Kindermann 118-2010-MINAM, con el fin de conservar y proteger-
et al., 2008; Eva et al., 2012), la conservación de la los a los pajonales (jalca), los bosques montanos, la
biodiversidad (Tapia-Armijos et al., 2015) y cambios diversidad biológica y la parte alta de las subcuencas
en la estructura y la calidad del hábitat de los ecosiste- Tilacancha y Cruzhuayco, fuentes de agua que abaste-
mas acuáticos (Iñiguez-Armijos et al., 2014). ce a la población asentada en las comunidades de
El monitoreo a largo plazo de la cobertura de la tierra y Levanto, San Isidro del Maino y de la ciudad de Cha-
los bosques pueden detectar eventos de deforestación, chapoyas (Guzmán-Castillo et al., 2012; MINAM
forestación y reforestación, siendo una herramienta 2010).
esencial para la contabilidad de la captura de carbono El ACP se encuentra ubicado en la subcuenca del río
en los bosques (Reddy et al., 2015). La información Osmal, conocido como quebrada Tilacancha, a su vez,
fiable sobre la deforestación puede ayudar en el mane- esta pertenece a la cuenca del río Utcubamba, al mar-
jo efectivo de ecosistemas forestales, así como la eva- gen derecho del río Marañón. Abarca las tierras de las
luación y conservación de la biomasa (Souza et al., comunidades campesinas y los distritos de Levanto y
2003). San Isidro de Mayno las que se encuentran ubicadas en
La Teledetección y el Sistema de Información Geográ- la provincia de Chachapoyas dentro de la región Ama-
fica (SIG), proporciona las capacidades para evaluar la zonas (Figura 1). Según el SENAMHI, el clima en el
degradación de bosque, más aún en áreas inaccesibles. área de estudio es lluvioso, con invierno y otoño seco,
Puede jugar un papel importante en la generación de la varía de semicálido a semifrío y húmedo. 5% de signi-
información relacionada con la cubierta forestal ficación.
(Beuchle et al., 2015). Materiales
En la región Amazonas en el transcurso de los años, se Los materiales empleados para la elaboración de la
han ido deteriorando las fuentes de agua debido a la presente investigación, fueron obtenidos distintas
quema de sus páramos y destrucción de sus bosques. fuentes, el límite del ACP fue obtenida a través del
La fuente de abastecimiento de agua de la ciudad de SERNAMP. Para la interpretación de las coberturas
Chachapoyas, proviene del Área de Conservación del suelo de los años 1984 y 2000 se utilizaron las 2
Privada (ACP) Tilacancha, la misma que está siendo imágenes del sensor Landsat-5 TM y para el año 2016

Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760 55

 Deforestación Tilacancha Salas R

Figura 1. Ubicación geográfica del área de estudio en la provincia de Chachapoyas (Departamento de Amazonas).

se empleó una imágen del sensor Landsat 8 OLI de

USGS Earth Explorer (Path 9, Row 64). Las imágenes
fueron seleccionadas teniendo consideración los
siguientes criterios, presentar como máximo un 10%
del área nublada o con sombras; haber sido tomadas
durante la misma época de tiempo, evitando así la
alteración fenológica de la vegetación (Li et al., 2013;
Lillesand et al., 2015).
Las imágenes multiespectrales de Landsat fueron
adquiridas por el conjunto de datos USGS disponible y
Figura 2. Esquema metodológico de la investigación
constan de:
Ÿ Landsat 5 TM capturados el 02 de setiembre de Etapa 1
1984 y el 29 de agosto de 2000 cuya resolución Para corregir los efectos atmosféricos y las distorsio-
espacial es de 30 metros. Las bandas espectrales nes ocurridas en el proceso de captura e inherentes al
utilizadas de este sensor fueron 1, 2,3, 4, 5 y 7. movimiento del sensor, se realizó la corrección por
Ÿ Landsat 8 OLI capturado el 24 de julio de 2016. Substracción de Objetos Oscuros (DOS1) (Chávez,
Las bandas espectrales utilizadas de este sensor 1996). En esta etapa las imágenes digitales satelitales
fueron 2, 3, 4, 5, 6 y 7. fueron preparadas mediante la eliminación de distor-
Métodos siones ocurridas por las condiciones de iluminación, la
Los datos satelitales utilizados en el estudio se dispersión atmosférica y en el proceso de captura e
procesaron mediante el software gratuito y libre Quan- inherentes al movimiento del sensor (Lazarevic et al.,
tum GIS (QGIS) (Quantum GIS, 2015). La Figura 2 2000; Manjula et al., 2013). Las imágenes fueron re-
muestra el procedimiento adoptado para identificar los proyectadas en el sistema cartográfico WGS84, en el
cambios en la cobertura del suelo en el área de estudio. sistema de coordenadas universal transversal de Mer-
cator (UTM), 18S (EPSG: 32718). Las imágenes se

56 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760

Deforestación Tilacancha Salas R

georreferenciaron a partir puntos de control terrestre cionar información con una precisión, derivada de una
(GCP), distribuidos dentro y fuera del área de estudio matriz de confusión.
para asegurar la autenticidad de la información en la
elaboración de mapas de cobertura. Los datos fueron
corregidos con un error medio cuadrado menor a un
pixel para todas las imágenes (Abrams, 2000).
Etapa 2 Donde:
Clasificación supervisada
Las imágenes satelitales fueron clasificadas mediante i = Dimensión de la matriz (número de clases)
la técnica de clasificación supervisada utilizando el ann = Número de observaciones en la fila n columna n
algoritmo de máxima probabilidad incorporada en la an+a+n = total de marginal de fila n y columna n
Clasificación Semiautomática (Echeverria et al., m = Número total de observaciones.
2006). Para reducir los errores de la clasificación de las
coberturas se realizó una interpretación y corrección La precisión global es calculada como el número de
visual mediante la técnica de interpretación interde- unidades clasificadas correctamente, sobre el número
pendiente. Esta técnica fue esencial debido a que los total de unidades consideradas, este índice tiende a
procedimientos digitales de la clasificación pueden evaluar la fiabilidad de la clasificación (Tabla1) (Boca
proporcionar resultados erróneos, los cuales necesitan y Rodríguez, 2012).
de la confirmación del investigador para su aceptación Tabla 1. Matriz de confusión y exactitud temática
(Reddy et al., 2015), asimismo la heterogeneidad de la Clases de referencia
Exactitud
A1 A2 … AM Total Error Comisión
Usuario

vegetación en la zona de estudio es alta y puede causar A1 a11 a12 … a1m a+1 a11/a+1 1-(a11/a+1)
A2 a21 a22 … a2m a+2 a22/a+2 1-(a22/a+2)

errores de clasificación en mayor medida. La defores- … … … … … … … …

Clases mapa

AM am1 am2 … amm a+m amm/a+m 1-(amm/a+m)

tación y los cambios en la cobertura del suelo se identi-

Total a1+ a2+ … am+ m
Exactitud
a11/a1+ a22/a2+ … amm/am+
Productor

ficaron según las categorías de cobertura propuestas Error Omisión 1-(a11/a1+) 1-(a22/a2+) …. 1-(amm/am+)

por el MINAM (2015) en la metodología CORINE Fuente: Boca y Rodríguez, (2012)

Land Cover adaptada para Perú, y son las siguientes: La tasa anual de cambios se calculó comparando el área
(1) arbustos, (2) pastos y cultivos, (3) pajonal y (4) cubierta por bosques en la misma región en dos
Superficie quemada. momentos diferentes. La tasa de variación anual se
Evaluación de la exactitud temática calculó según la ecuación (2) de tasa de interés:
Se utilizó un enfoque de muestreo aleatorio estratifica-
do de sitios de verificación (Landis y Koch, 1977) para
evaluar la precisión del mapa de cobertura terrestre de
2016, se utilizó un total de 239 puntos de verificación
superficial. Se elaboró una matriz de confusión para Donde:
calcular la precisión del productor (indicadores de
errores de omisión), la precisión del usuario (indicado- r = tasa de cambio anual (% por año)
res de errores de comisión) y la precisión general de la a1, a2 = superficies de la cubierta en el tiempo t1 y t2
clasificación mediante el análisis de disposición
utilizando la estadística kappa (Tabla 1) (Chuvieco, Análisis de cambio
1995), mediante la ecuación 1 (Congalton y Green, Mediante el uso de la técnica de detección de cambios,
2009; Lillesand et al., 2015). Según Congalton (1991), se puede observar las variaciones en los diferentes
el índice Kappa es una técnica importante para propor- periodos (Macleod y Congalton, 1998; Lu et al., 2004;
Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760 57
 Deforestación Tilacancha Salas R

Mei et al., 2016). Para el análisis, se calculó la categorías de cobertura de suelo del tiempo 2 (t2) en las
superficie de cada tipo de cobertura en 1984 se columnas, también se representa la superficie que
convirtió en otro tipo de cobertura en el 2000, usando cambia de una categoría a otra y la persistencia es
como primera escena el mapa de la cubierta terrestre mostrada en la diagonal (Tabla 2)
de 1984 y como escena final las categorías que En la Tabla 2 tenemos Pij que representa la cantidad de
representan el mapa de cobertura terrestre de 2016. Se cobertura del suelo que cambia de la categoría i a la ca-
utilizó la metodología de detección de cambio tegoría j. Asimismo Pij, en la diagonal, indica la pro-
mediante matrices de tabulación cruzada para los porción de persistencia de la categoría j, y el resto de
periodos de 1984 – 2000 y 2000 – 2016 para determi- celdas indican una transición de la categoría i a una ca-
nar al tipo de cobertura de suelo que transformaron las tegoría diferente j. Las pérdidas, son calculadas como la
áreas de cada clasificación, los análisis estuvieron diferencia de la categoría i entre el tiempo 1 y el tiempo
basados en la metodología propuesta por (Pontius et 2, y las ganancias son representadas como la diferencia
al., 2004), el cual analiza las categorías de cobertura de de la categoría j entre el tiempo 1 y el tiempo 2.
suelo del tiempo 1 (t1), representadas por filas y las
Tabla 2. Matriz de tabulación cruzada y tasa de cambios

Tiempo 2
Total tiempo 1 Pérdida (Li) Tasa de cambio
Tiempo 1 Clase 1 Clase 2 Clase 3
Clase 1 P11 P12 P13 P+1 P+1-P11 %
Clase 2 P21 P22 P23 P+2 P+2-P22 %
Clase 3 P31 P32 P33 P+3 P+3-P33 %
Total tiempo 2 P1+ P2+ P3+ n

Ganancia (Gi) P1+-P11 P2+-P22 P3+-P33

Fuente: (Gallardo y Martínez-Vega 2012)

III. RESULTADOS Y DISCUSIÓN asignados es correctamente. Para este estudio, el

Evaluación de la exactitud índice Kappa (k) de 0.78 con un intervalo de confianza
El resultado de la validación del mapa de cobertura del 95 % lo que significa que la clasificación de la
terrestre para el año 2016, se muestra en matriz de cobertura del suelo para 2016 podría considerar un
confusión (Tabla 3). Los resultados mostraron una nivel de fuerza de concordancia considerable según
precisión global del 87%, lo que significa que la los parámetros propuestos por (Landis y Koch, 1977).
clasificación de la cobertura terrestre de 2016 tuvo un Las exactitudes del productor para la categoría de
alto nivel de concordancia, de acuerdo con (Foody, pajonal, superficies quemadas y arbustos son de 0,89,
2002), el porcentaje la precisión general de casos 1,00 y 0,93 respectivamente (Tabla 3).
Tabla 3. Matriz de confusión y exactitud temática para la ACP Tilacancha
Clases de Referencia
Pastos y Total
Pajonal S. Quemada Arbustos Exactitud Usuario Error Comisión
cultivos Mapa
Pajonal 108 0 3 4 115 0,94 0,06
S. Quemada 0 4 0 0 4 1,00 0,00
Clases del mapa

Pastos y cultivos 0 0 11 2 13 0,85 0,15

Arbustos 13 0 9 85 107 0,79 0,21
Total referencia 121 4 23 91 239
Exactitud
0,89 1,00 0,48 0,93 Exactitud global = 0,87
Productor
Error Omisión 0,11 0,00 0,52 0,07 Índice Kappa = 0,78

58 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760

Deforestación Tilacancha Salas R

Tasa de cambios ción para todo el período de estudio de 32 años fue del
La deforestación en la zona de estudio ha estado sujeto 1,59 %.
a cambios severos que han sido causados por factores Análisis de cambios
humanos. La tasa de deforestación anual en el en el Las tablas 4 y 5 muestran el área de cambio de superfi-
ACP Tilacancha para el período de 1984-2000 fue 1,11 cie entre las diversas categorías cobertura del suelo en
%; aumentando considerablemente en el período la comparación entre los períodos pasados y presentes
2000-2016 a 2,06%. La tasa promedio de deforesta- (Figura 3).

Tabla 4. Matriz de tabulación cruzada y tasa de cambio en el periodo de 1984 - 2000

Tasa de cambio
2000 Total 1984 Pérdida (Li)
1984 (r)
(ha)
Pajonal S, quemadas Pastos y cultivos Arbustos %
Pajonal 3840,98 1,03 3,64 122,70 3968,35 3,21 0,71
S, quemadas 35,95 0,01 0,00 13,22 49,19 99,97 -14,41
Pastos y cultivos 104,81 0,00 53,94 1,72 160,47 66,39 -0,16
Arbustos 465,31 3,03 98,79 2055,30 2622,43 21,63 -1,11
Total 2000 (ha) 4447,06 4,08 156,37 2192,94 5950,23
Ganancia (Gi) 13,63 99,67 65,50 6,28

Tabla 5. Matriz de tabulación cruzada y tasa de cambio en el periodo de 2000 - 2016

Tasa de cambio
2016 Total 2000 Pérdida (Li)
2000 (s)
(ha)
Pajonal S, quemadas Pastos y cultivos Arbustos %
Pajonal 4127,4 30,17 19,54 269,93 4447,09 7,19 0,78
S- quemadas 0,72 0,00 0,00 3,36 4,08 100,00 15,76
Pastos y cultivos 60,18 0,00 82,92 13,26 156,36 46,97 -0,31
Arbustos 848,90 12,22 46,44 1285,38 2192,93 41,39 -2,06
Total 2016 (ha) 5037,2 42,39 148,90 1571,93 5495,75
Ganancia (Gi) 18,06 100,00 44,31 18,23

Pajonal
Superficies quemadas
Pastos y cultivos
Arbustos
1984 2000 2016
Figura 3. Cobertura del suelo para los años 1984, 2000 y 2016.
Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760 59
 Deforestación Tilacancha Salas R

En el primer periodo de 1984 a 2000, se ha producido ascendió a 1304,71 hectáreas (19,2%) y la persistencia
un cambio total en la cobertura suelo de 850,21 hectá- de 5495,75 hectáreas (80,8%), la pérdida de arbustos
reas (12,5 %) y una persistencia (cantidad de superficie fue aproximadamente 41,39%, de 2192,93 ha en el año
que no ha cambiado) de 5950,23 hectáreas (87,5%). 2000 a 1571,93 ha en el año 2016 (tabla 5). Los lugares
Asimismo, el área cubierta por arbustos original dismi- ocupados inicialmente por arbustos fueron transfor-
nuyó en aproximadamente 21,63%, de 2622,43 hectá- mados a las siguientes coberturas: pajonal: 465,31
reas en el año 1984 a 2192,94 hectáreas en 2000 (Tabla hectáreas; superficie quemada: 3,03 hectáreas; pastos
4, Figura 4). El área anteriormente ocu-pada por arbus- y cultivos: 98,79 hectáreas. El área anteriormente
tos, redujo una parte importante de su superficie a ocupado por arbustos, se redujo en gran parte impor-
favor de otras coberturas del suelo de la siguiente mane- tante de su superficie a favor de otras coberturas del
ra: pajonal: 465,31 hectáreas; superficie quemada: suelo de la siguiente manera: pajonal: 848,9 hectáreas;
3,03 hectáreas; pastos y cultivos: 98,79 hectáreas. superficie quemada: 12,22 hectáreas; pastos y culti-
Para el segundo periodo el cambio total de la cobertura vos: 46,44 hectáreas.

Figura 4. Cambios de cobertura del suelo para los periodos 1984-2000; 2000-2016 y 1984- 2016.

Al igual que en otros países de América Latina, éstas máticas que presenta el bosque matorral premontano
áreas fueron transformadas principalmente en pastiza- (características propias del área de estudio) aparente-
les para la ganadería, que es el principal factor de con- mente son óptimas para el desarrollo de la ganadería,
versión de las coberturas de bosques, seguido de la pero debido a la baja fertilidad del suelo muchos pas-
agricultura migratoria (Trejo, 2000; Sierra, 2000), tos no son muy productivos y, por lo tanto, con fre-
dado que esto son rasgos característicos de las zonas cuencia se abandonan después de algunos años (Ben-
altoandinas (Geist y Lambin, 2002). dix et al., 2013).
Durante los 32 años del período de estudio, 1110,15 ha Por otro lado, la parte no significativa del área de
de arbustos se han convertido en pajonal y un área de estudio en el momento de la toma de las imágenes,
109.21 ha se ha convertido en pastos y cultivos. El presentó superficies quemadas, dada la quema de la
análisis de detección de cambios (Tabla 6) muestra que biomasa, práctica muy común de los campesinos para
los arbustales, los pastos y cultivos se transformaron convertir los bosques en pastos y/o cultivos (Kauff-
principalmente en pajonal en un 22,04% y 2,18% del man et al., 2003).
área inicial, respectivamente. Las características cli-

60 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760

Deforestación Tilacancha Salas R

Tabla 6. Matriz de tabulación cruzada y tasa de cambio durante los 32 años del periodo de estudio

Tasa de cambio
2016 Total 1984 Pérdida (Li)
1984 (s)
(ha)
Pajonal S. quemadas Pastos y cultivos Arbustos %
Pajonal 3781,4 26,34 3,02 157,57 3968,35 4,71 0,75
S. quemadas 35,80 5,77 0,00 7,62 49,19 88,28 -0,46
Pastos y cultivos 109,83 0,00 36,66 13,96 160,46 77,15 -0,23
Arbustos 1110,1 10,28 109,21 1392,77 2622,42 46,89 -1,59
Total 2016 (ha) 5037,2 42,39 148,90 1571,93 5216,62
Ganancia (Gi) 24,93 86,40 75,38 11,40

IV. CONCLUSIONES Resolution Imager on NASA ' s Terra Plat-

Los resultados de la presente investigación demues- form.” International Journal of Remote Sens-
tran la vialidad de realizar un análisis del cambio de ing 21 (5): 847–59.
cobertura terrestre basado en imágenes de mediana Awasthi, A., S. K. Uniyal, G. S. Rawat, y A. Rajvanshi.
resolución (30 m). La deforestación en el ACP Tila- 2003. “Forest Resource Availability and Its
cancha ha estado sujeto a cambios severos inducidos Use by the Migratory Villages of Uttarkashi,
por factores humanos. La tasa de deforestación (2000- Garhwal Himalaya (India).” Forest Ecology
2016) a 2,06%. La investigación muestra además que and Management 174 (1–3): 13–24.
la cobertura del suelo con respecto al primer periodo doi:10.1016/s0378-1127(02)00026-9.
de estudio en las categorías de arbustos, pastos y culti- Bendix, J., E. Beck, A Bräuning, F. Makeschin, M.
vos se ha reducido en gran medida en un 21.63% y Reinhard, S. Scheu, y W. Wilcke. 2013. Eco-
66.39% respectivamente. Del mismo modo para el system Services, Biodiversity and Environ-
segundo periodo, las categorías de arbustos; pastos y mental Change in a Tropical Mountain Eco-
cultivos presentaron una reducción de 41.39% y 46.97 system of South Ecuador. Springer: Berlín
% respectivamente. (Alemania).
De seguir así los cambios de cobertura en el ACP Tila- Beuchle, R., R. C. Grecchi, Y. E. Shimabukuro, R.
cancha probablemente empeorará, por eso se espera Seliger, H. D. Eva, E. Sano, y F. Achard. 2015.
que estos resultados sean usados por las autoridades “Land Cover Changes in the Brazilian
políticas y administrativas para establecer una política Cerrado and Caatinga Biomes from 1990 to
urgente, rigurosa y coherente para la explotación y 2010 Based on a Systematic Remote Sensing
gestión racional de los recursos ambientales de esta Sampling Approach.” Applied Geography 58:
zona. En particular, la tasa de cambio forestal severo 116–27. doi:10.1016/j.apgeog.2015.01.017.
en esta región requiere una respuesta e intervención Boca, T., and G. Rodríguez. 2012. Métodos Estadísti-
rápidas, ya que los bosques de ésta área juegan un cos De La Evaluación De La Exactitud De
papel importante en la recarga hídrica, el abasteci- Productos Derivados De Sensores Remotos.
miento de agua para los distritos de Chachapoyas, Asociación Argentina de Mecánica Computa-
Levanto y San Isidro del Maino, la protección de los cional. Buenos Aires (Argentina): Instituto
ríos y la regulación del clima. Nacional de Tecnología Agropecuaria.
Brook, B. W., N. S. Sodhl, and P. K. L. Ng. 2003. “Cat-
V. REFERENCIAS BIBLIOGRÁFICAS astrophic Extinctions Follow Deforestation in
Abrams, M. 2000. “The Advanced Spaceborne Ther- S i n g a p o r e . ” N a t u re 4 2 4 : 4 2 0 – 2 3 .
mal Emission and Re Ection Radiometer ( doi:10.1038/nature01795.
ASTER): Data Products for the High Spatial Chávez, P. S. 1996. “Image-Based Atmospheric Cor-
Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760 61
 Deforestación Tilacancha Salas R

rections - Revisited and Improved.” Geográfica. Madrid (España).

Photogrammetric Engineering and Remote Geist, H. J., y E. F. Lambin. 2002. “Proximate Causes
Sensing 62 (9): 1025–36. doi:0099- and Underlying Driving Forces of Tropical
1112/96/6209-1025. Deforestation.” BioScience 52 (2): 143.
Chuvieco, E. 1995. Fundamentos De Teledeteccion d o i : 1 0 . 1 6 4 1 / 0 0 0 6 -
Espacial. Madrid (España): Ediciones 3568(2002)052[0143:PCAUDF]2.0.CO;2.
RIALP. doi:23.304-1995. Gibbs, H. K., y M. Herold. 2007. “Tropical Deforesta-
Congalton, R. G. 1991. “A Review of Assessing the tion and Greenhouse Gas Emissions.” Envi-
Accuracy of Classifications of Remotely ronmental Research Letters 2 (4): 9–11.
Sensed Data.” Remote Sensing of Environ- doi:10.1088/1748-9326/2/4/045021.
ment 37 (1): 35–46. doi:10.1016/0034- GRA. 2012. ¿Porqué Son Importantes Las Áreas
4257(91)90048-B. Protegidas? Chachapoyas (Perú): Gobierno
Congalton, R. G., y K. Green. 2009. Assessing the Regionl Amazonas.
Accuracy of Remotely Sensed Data: Princi- GRA. 2014. Autoridad Regional Ambiental: Ambiente
ples and Practices. Boca Raton (EEUU): Sano Para Vivir Mejor... Chachapoyas (Perú):
CRC Press. doi:10.1111/j.1477- Gobierno Regionl Amazonas.
9730.2010.00574_2.x. Guzmán-Castillo, W., E. S. Arellanos-Carrión, y S. G.
Echeverria, C., D. Coomes, J. Salas, J. M. Rey- Chavez-Quintana. 2012. “Determinación e
Benayas, A. Lara, y A. Newton. 2006. “Rapid Incidencia de La Disposición a Pagar En
Deforestation and Fragmentation of Chilean Esquemas de Pagos Por Servicios Ambienta-
Temperate Forests.” Biological Conservation les Hídricos: Estudio de Caso En Las Capita-
1 3 0 ( 4 ) : 4 8 1 – 9 4 . les de Las Provincias de Chachapoyas, Rodrí-
doi:10.1016/j.biocon.2006.01.017. guez de Mendoza y Uctubamba.” Folia Ama-
Eva, H. D., F. Achard, R. Beuchle, E. de Miranda, S. zónica 21 (1–2): 141–51.
Carboni, R. Seliger, M. Vollmar, et al., 2012. doi:10.24841/fa.v21i1-2.42.
“Forest Cover Changes in Tropical South and IIAP. 2006. Estrategia Regional de La Diversidad
Central America from 1990 to 2005 and Biológica de Amazónas. Iquitos (Perú):
Related Carbon Emissions and Removals.” BIODAMAZ.
Remote Sensing 4 (5): 1369–91. Iñiguez-Armijos, C., A. Leiva, H. G. Frede, H. Ham-
doi:10.3390/rs4051369. pel, y L. Breuer. 2014. “Deforestation and
Fearnside, P. M., y W. F. Laurance. 2004. “Tropical Benthic Indicators: How Much Vegetation
Deforestation and Greenhouse-Gas Emis- Cover Is Needed to Sustain Healthy Andean
sions.” Ecol. Appl. 14 (4): 982–86. Streams?” PLoS ONE 9 (8): 1–10.
Foody, G. M. 2002. “Status of Land Cover Classifica- doi:10.1371/journal.pone.0105869.
tion Accuracy Assessment.” Remote Sensing Kauffman, J. B., M. D. Steele, D. L. Cummings, y V. J.
o f E n v i ro n m e n t 8 0 ( 1 ) : 1 8 5 – 2 0 1 . Jaramillo. 2003. “Biomass Dynamics Associ-
doi:10.1016/S0034-4257(01)00295-4. ated with Deforestation, Fire, and, Conver-
Gallardo, M., y J. Martínez-Vega. 2012. “Cambios de sion to Cattle Pasture in a Mexican Tropical
Usos Del Suelo y Expansión Urbana En La Dry Forest.” Forest Ecology and Manage-
Comunidad de Madrid: Analizando El Pasado ment 176 (1–3): 1–12. doi:10.1016/S0378-
y Simulando El Futuro.” En XV Congreso 1127(02)00227-X.
Nacional de Tecnologias de La Informática Kindermann, G., M. Obersteiner, B. Sohngen, J.

62 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760

Deforestación Tilacancha Salas R

Sathaye, K. Andrasko, E. Rametsteiner, B. grini, y F. Petracchini. 2016. “Assessment of

Schlamadinger, S. Wunder, y R. Beach. 2008. Land Cover Changes in Lampedusa Island
“Global Cost Estimates of Reducing Carbon (Italy) Using Landsat TM and OLI Data.”
Emissions through Avoided Deforestation.” Journal of African Earth Sciences 122:
Proceedings of the National Academy of Sci- 15–24. doi:10.1016/j.jafrearsci.2015.05.014.
ences 105 (30): 10302–7. MINAM. 2010. Resolución Ministerial 118-2010-
doi:10.1073/pnas.0710616105. MINAM. Lima (Perú): MINAM
Landis, J. R., y G. G. Koch. 1977. “The Measurement MINAM. 2015. Mapa Nacional de Cobertura Vegetal.
of Observer Agreement for Categorical Data.” Lima (Perú): MINAM.
Biometrics 33 (1): 159. doi:10.2307/2529310. Mölders, N. 2012. Land-Use and Land-Cover
Lazarevic, A., T. Fiez, y Z. Obradovic. 2000. “A Soft- Changes: Impact on Climate and Air Quality.
ware System for Spatial Data Analysis and New York (EEUU): Springer.
Modeling.” System Sciences 1 (1): 1–10. Pontius, R. G., E. Shusas, y M. McEachern. 2004.
http://ieeexplore.ieee.org/xpls/abs_all.jsp?ar “Detecting Important Categorical Land
number=926648. Changes While Accounting for Persistence.”
Li, P., L. Jiang, y Z. Feng. 2013. “Cross-Comparison Agriculture, Ecosystems and Environment
of Vegetation Indices Derived from Landsat-7 1 0 1 ( 2 – 3 ) : 2 5 1 – 6 8 .
Enhanced Thematic Mapper plus (ETM+) doi:10.1016/j.agee.2003.09.008.
and Landsat-8 Operational Land Imager QuantumGIS. 2015. QGIS Geographic Information
(OLI) Sensors.” Remote Sensing 6 (1): System. http://www.qgis.org.
310–29. doi:10.3390/rs6010310. Reddy, C., G. Rajashekar, P. Hari Krishna, C. S. Jha, y
Lillesand, T. M., R. W. Kiefer, y J. W. Chipman. 2015. V. K. Dadhwal. 2015. “Multi-Source and
Remote Sensing and Image Interpretation. Multi-Date Mapping of Deforestation in Cen-
New Jersey (EEUU): John Wiley & Sons. tral India (1935-2010) and Its Implication on
Lu, D., P. Mausel, E. Brondízio, y E. Moran. 2004. Standing Phytomass Carbon Pool.” Ecologi-
“Change Detection Techniques.” Interna- cal Indicators 57: 219–27.
tional Journal of Remote Sensing 25 (12): doi:10.1016/j.ecolind.2015.05.003.
2 3 6 5 – 2 4 0 7 . Rolland, J., F. L. Condamine, F. Jiguet, y H. Morlon.
doi:10.1080/0143116031000139863. 2014. “Faster Speciation and Reduced Extinc-
Macleod, R. D., y R. G. Congalton. 1998. “Quantita- tion in the Tropics Contribute to the Mamma-
tive Comparison of Change-Detection Algo- lian Latitudinal Diversity Gradient.” PLoS
rithms for Monitoring Eelgrass from B i o l o g y 1 2 ( 1 ) .
Remotely Sensed Data.” Photogrammetric doi:10.1371/journal.pbio.1001775.
Engineering and Remote Sensing 64 (3): Sharma, A., R. Prasad, S. Saksena, y V. Joshi. 1999.
207–16. “Micro-Level Sustainable Biomass System
Manjula, K. R., J. Singaraju, P. Anand, y K. Varma. Development in Central Himalaya: Stress
2013. “Data Preprocessing in Multi-Temporal Computation and Biomass Planning.” Sus-
Remote Sensing Data for Deforestation Anal- tainable Development 7 (3): 132–39.
ysis.” Global Journal of Computer Science doi:10.1002/(SICI)1099-
and Technology Software & Data Engineer- 1719(199908)7:3<132::AID-
ing 13 (6): 19–25. SD112>3.0.CO;2-2.
Mei, A., C. Manzo, G. Fontinovo, C. Bassani, A. Alle- Sierra, R. 2000. “Dynamics and Patterns of Deforesta-

Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760 63

 Deforestación Tilacancha Salas R

tion in the Western Amazon: TheNapo Defor-

estation Front, 1986–1996.” Applied Geogra-
phy 20: 1–16.
Singh, S., C. S. Reddy, S. V. Pasha, K. Dutta, K. R.L.
Saranya, y K. V. Satish. 2017. “Modeling the
Spatial Dynamics of Deforestation and Frag-
mentation Using Multi-Layer Perceptron
Neural Network and Landscape Fragmenta-
tion Tool.” Ecological Engineering 99.
E l s e v i e r B . V. : 5 4 3 – 5 1 .
doi:10.1016/j.ecoleng.2016.11.047.
Somanathan, E, R Prabhakar, y Bhupendra Singh.
2009. “Decentralization for Cost-Effective
Conservation SCIENCE.” PNAS 106 (11):
4143–47.
Souza, C., L. Firestone, L. M. Silva, y D. Roberts.
2003. “Mapping Forest Degradation in the
Eastern Amazon from SPOT 4 through Spec-
tral Mixture Models.” Remote Sensing of
Environment 87 (4): 494–506.
doi:10.1016/j.rse.2002.08.002.
Tapia-Armijos, M. F., J. Homeier, C. I. Espinosa, C.
Leuschner, y M. De La Cruz. 2015. “Defores-
tation and Forest Fragmentation in South
Ecuador since the 1970s - Losing a Hotspot of
Biodiversity.” PLoS ONE 10 (9): 1–18.
doi:10.1371/journal.pone.0133701.
Trejo, I. 2000. “Deforestation of Seasonally Dry Trop-
ical Forest a National and Local Analysis in
Mexico.” Biological Conservation 94 (2):
133–42. doi:10.1016/S0006-3207(99)00188-
3.

64 Rev. de investig. agroproducción sustentable 2(3): 54-64, 2018 ISSN: 2520-9760