Análisis multitemporal de cambios de uso de la tierra en San Fernando, Tamaulipas, durante el periodo 1987 a 2017

Autores/as

  • Wilver Enrique Salinas-Castillo Universidad Autónoma de Tamaulipas, Instituto de Ingeniería y Ciencias, Centro Universitario Adolfo López Mateos, Edificio Centro de Gestión del Conocimiento, Ciudad Victoria, Tamaulipas, México, C. P. 87149. http://orcid.org/0000-0002-6526-7959
  • Marijose Terrazas-Ruiz Universidad Autónoma de Tamaulipas, Instituto de Ingeniería y Ciencias, Centro Universitario Adolfo López Mateos, Edificio Centro de Gestión del Conocimiento, Ciudad Victoria, Tamaulipas, México, C. P. 87149. http://orcid.org/0000-0002-7151-3204
  • Arturo Mora-Olivo Universidad Autónoma de Tamaulipas, Instituto de Ecología Aplicada, Ciudad Victoria, Tamaulipas, México. http://orcid.org/0000-0002-9654-0305
  • Cutberto Uriel Paredes-Hernández Universidad Autónoma de Tamaulipas, Instituto de Ingeniería y Ciencias, Centro Universitario Adolfo López Mateos, Edificio Centro de Gestión del Conocimiento, Ciudad Victoria, Tamaulipas, México, C. P. 87149. http://orcid.org/0000-0002-0666-7274

DOI:

https://doi.org/10.29059/cienciauat.v14i2.1298

Palabras clave:

uso de la tierra, detección de cambios, segmentación, Landsat

Resumen

 

El cambio de uso de la tierra (CUT) tiende a impactar de manera negativa los procesos atmosféricos y climáticos globales. El presente artículo tuvo como objetivo evaluar el CUT en el municipio de San Fernando, Tamaulipas, México, durante el periodo 1987 a 2017. Se utilizó el método de clasificación por segmentación de imágenes satelitales, de los años 1987, 1997, 2007 y 2017, el cual, permitió reducir el ruido característico de la clasificación basada en pixeles. Sin embargo, fue necesario editar los resultados, para recuperar los asentamientos humanos, eliminar nubes y sombras, y reducir los efectos de confusión entre cobertura vegetal y zonas agrícolas con cultivos presentes, para evitar introducir CUT artificiales en las estadísticas obtenidas. El análisis multitemporal mostró una clara tendencia en la reducción de la cobertura vegetal (- 6.53 %) y del área sin vegetación aparente (- 1.71 %). También se observó un importante incremento en el uso agrícola (+ 7.61 %), que no pareció. estar asociado a un incremento en asentamientos humanos (+ 0.08 %). La metodología desarrollada parece ser adecuada y fácil de implementar para el análisis de CUT en regiones de interés.

 

Citas

Alva-Álvarez, G. I., Reyes-Hernández, H., Palacio-Aponte, A. G., Núñez-López, D. y Muñoz-Robles, C. (2018). Cambios en el paisaje ocasionados por incendios forestales en la región de Madera, Chihuahua. Madera y Bosques. 24(3): e2431694.

Cárdenas-Hernández, O .G. and Gerritsen, P. R. W. (2015). Dinámica paisajista y cambio de cobertura en la comunidad indígena de Cuzalapa (1972 a 2000). CienciaUAT. 9(2): 30-40.

Cohen, W. B., Yang, Z., and Kennedy, R. (2010). Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. Time Sync–Tools for calibration and validation. Remote Sensing of Environment. 114(12): 2911-2924.

Comaniciu, D. and Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence. 24(5): 603-619.

Eastman, J. R. (2012). IDRISI Selva. Guía para SIG y Procesamiento de Imágenes. Manual Versión 17. Clark Labs – Clark University. [En línea]. Disponible en: https://clarklabs.org/wp-content/uloads/2016/10/IDRISI-Selva-Spanish-Manual.pdf. Fecha de consulta: 23 de octubre de 2018.

ESRI, Environmental Systems Research Institute (2018a). Preparar clasificador de máquina de vectores de soporte. [En línea]. Disponible en: http://desktop.arcgis.com/es/arcmap/10.4/tools/spatial-analyst-toolbox/train-support-vector-machine-classifier.htm. Fecha de consulta: 24 de octubre de 2018.

ESRI, Environmental Systems Research Institute (2018b). Información general sobre el conjunto de herramientas Superposición. [En línea]. Disponible en: http://desktop.arcgis.com/es/arcmap/10.4/tools/analysis-toolbox/an-overview-of-the-overlay-toolset.htm. Fecha de consulta: 24 de octubre de 2018.

Gómez, C., White, J. C., and Wulder, M. A. (2016). Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing. 116: 55-72.

INEGI, Instituto Nacional de Estadística y Geografía (2015). Guía para la Interpretación de Cartografía: Uso del suelo y Vegetación. Escala 1:250,000, Serie V. [En línea]. Disponible en: http: //www.inegi.org.mx/geo/contenidos/recnat/usosuelo/doc/guia_interusosuelov.pdf. Fecha de consulta: 20 de octubre de 2018.

INEGI, Instituto Nacional de Estadística y Geografía (2018). Marco Geoestadístico, Febrero 2018. [En línea]. Disponible en: http://www.beta.inegi.org.mx/app/biblioteca/ficha.html?upc=889463526636.Fecha de consulta: 20 de octubre de 2018.

IPCC, Intergovernmental Panel on Climate Change (2012). Glossary of terms. In C. B. Field, V. Barros, T. F. Stocker, D. Qin, D. J. Dokken, K. L. Ebi, M. D. …, and P. M. Midgley (Eds.), Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. [En línea]. Dis-ponible en: http://www.ipcc.ch/pdf/special-reports/srex/SREX-Annex_Glossary.pdf. Fecha de consulta: 25 de octubre de 2018.

Jensen, J. R. (2004). Introductory Digital Image Processing: A Remote Sensing Perspective (Third edition). USA: Prentice Hall. 526 Pp.

Lillesand, T. M., Kiefer, R. W., and Chipman, J. W. (2004) Remote Sensing and Image Intrerpetation. Fifth Edition. USA: John Wiley & Sons. 763 Pp.

López-Vazquez, V., Balderas-Plata, M., Chávez-Mejía, M., Juan-Pérez, J. y Gutiérrez Cedillo, J. (2015). Cambio de Uso de Suelo e Implicaciones Socioeconómicas en un Área Mazahua del Altiplano Mexicano. CIENCIA Ergo-Sum. 22(2): 136-144.

Lu, D., Hetrick, S., and Moran, E. (2010). Land Cover Classification in a Complex Urban-Rural Landscape with QuickBird Imagery. Photogrammetric Engineering & Remote Sensing. 76(10): 1159-1168.

NASA, National Aeronautics and Space Administration (2018). Landsat 9: Continuing the Legacy–2020 and beyond. [En línea]. Disponible en: https://landsat.gsfc.nasa.gov/landsat-9/. Fecha de consulta: 23 de octubre de 2018.

Osuna-Osuna, A. K., Díaz-Torres, J. J., Anda-Sánchez, J. A., Villegas-García, E., Gallardo-Valdez, J. y Davila-Vazquez, G. (2015). Evaluación de cambio de cobertura vegetal y uso de suelo en la cuenca del río Tecolutla, Veracruz, México; periodo 1994-2010. Ambiente & Água-An Interdisciplinary Journal of Applied Science. 10(2): 350-362.

Phiri, D. and Morgenroth, J. (2017). Developments in Landsat Land Cover Classification Methods: A Review. Remote Sensing. 9(9): 967.

Press, W. H., Teukolsky, S. A., Vetterling, W. T., and Flannnery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing. Third Edition. UK: Cambridge University Press. 1235 Pp.

Sahagún-Sánchez, F. J. y Reyes-Hernández, H. (2018). Impactos por cambio de uso de suelo en las áreas naturales protegidas de la región central de la Sierra Madre Oriental, México. CienciaUAT. 12(2): 6-21.

Sexton, J. O., Urban, D. L., Donohue, M. J., and Song. C. (2013). Long-term land cover dynamics by multi-temporal classification across the Landsat-5 record. Remote Sensing of Environment. 128: 246-258.

USGS, United States Geological Survey (2018). EarthExplorer. [En línea]. Disponible en: https://earthexplorer.usgs.gov/. Fecha de consulta: 2 de enero de 2018.

Yin, H., Prishchepov, A. V., Kuemmerle, T., Bleyhl, B., Buchner, J., and Radeloff, V. C. (2018). Mapping agricultural land abandonment from spatial and temporal segmentation of Landsat time series. Remote Sensing of Environment. 210: 12-24.

Publicado

2020-01-31

Cómo citar

Salinas-Castillo, W. E., Terrazas-Ruiz, M., Mora-Olivo, A., & Paredes-Hernández, C. U. (2020). Análisis multitemporal de cambios de uso de la tierra en San Fernando, Tamaulipas, durante el periodo 1987 a 2017. CienciaUAT, 14(2), 160-173. https://doi.org/10.29059/cienciauat.v14i2.1298

Número

Sección

Ingenierías