105217

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Impacto de los ciclones tropicales en zonas de distribución de pastos marinos en la Península de Yucatán, México.

Impact of tropical cyclones on seagrass distribution - Yucatán Peninsula, México. by/por

Gilberto Hernández Cárdenas 11825778

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Karl Atzmanstorfer Ciudad de México – México, octubre de 2021.

COMPROMISO DE CIENCIA Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Ciudad de México, 20 de octubre de 2021 Lugar y fecha

Firma

AGRADECIMIENTOS A mis hijas Leila Azalea Hernández Coronel e Itzmana Ponce Coronel por su apoyo al comprender la importancia de la maestría para mi desarrollo profesional y personal.

A mi esposa Claudia Coronel Enríquez por su apoyo incondicional para seguir adelante pese a todo con la maestría.

A mis padres, a donde quiere que se encuentren, Roberto Hernández Rivera y Mercedes Cárdenas Urrea por traerme a este mundo y educarme para progresar y desarrollarme en lo personal y lo profesional.

Al Consorcio de Investigación del Golfo de Mexico (CIGoM) proyecto 20144 Fondo de hidrocarburos SENER-CONACyT y al Proyecto PEMEX-CICESE-UAMI: Monitoreo de praderas de pastos marinos en Yucatán y Campeche, por los apoyos recibidos para el desarrollo de este trabajo. Éste es parte del esfuerzo multidisciplinario impulsado por CIGoM, para generar una explicación integral del gran sistema ecológico del golfo de México.

Al Dr. Felipe Omar Tapia Silva que como participante del nodo México de UNIGIS, me ayudo a obtener una beca para cubrir parte de los gastos de la maestría.

A la Dra. Margarita E. Gallegos Martínez por invitarme a participar en el proyecto de Monitoreo de praderas de pastos marinos en Yucatán y Campeche, que dio origen a la idea del tema de la tesis que aquí se presenta.

A la M. en B. Alma Delia Toledo Guzmán por sus comentarios y revisiones del contenido de esta tesis que fueron valiosos para llevarla acabo.

A la Bióloga Sandra Jocelyn Garrido Mijangos por su ayuda en la traducción al inglés del resumen.

A la Lic. Ofelia Ocampo Jaramillo por su apoyo en el desarrollo de los módulos de la maestría a través de sus comentarios, sugerencias y por la ayuda en la edición final de este documento.

DEDICATORIA Dedico esta tesis a mi hermano mayor Roberto Hernández Cárdenas, quien falleciera en febrero de este año, víctima de la pandemia que nos a puesto a prueba a todos y cada uno de los habitantes humanos de este planeta. Él me enseño el valor de la persistencia, perseverancia y alegría de vivir, como una actitud ante la vida que me han permitido cumplir con mis metas. Mi cariño y reconocimiento Beto a dónde quiera que estés.

5

RESUMEN Los pastos marinos son plantas con flor que cumplen su ciclo de vida bajo el agua en zonas costeras de aguas someras de sistemas lagunares y esteros del mundo. Los pastos marinos se distribuyen formando praderas que son importantes por los servicios ecosistémicos que aportan. Actualmente, a causa de las actividades humanas en las zonas costeras, se han perdido a nivel mundial grandes extensiones de pastos marinos. En este estudio, se evaluó la vulnerabilidad de los de pastos marinos en la zona costera de la península de Yucatán frente a fenómenos ciclónicos extremos, usando la información histórica de los trayectos de ciclones tropicales (IBTrACS, versión 4) para el periodo de 1957 a 2018. Se aplicó la metodología del Atlas de riesgos de México del Centro Nacional para la Prevención de Desastres para estimar la probabilidad de presencia de ciclones tropicales (CT). Para ello, se calculó la peligrosidad de ocurrencia (P(i)) y los periodos de retorno (Tr(i)) de los CT. Los pastos marinos de las costas de Campeche y Yucatán son los componentes principales de la vegetación acuática sumergida que se distribuyen sobre una superficie de 3,375 km2. La actividad ciclónica en el golfo de México, para el periodo analizado, osciló entre 43 y 47 CT hasta la última década del siglo XX. En la primera década del siglo XXI, se disparó a 77 CT. Es destacable que las costas del estado de Campeche, que mantienen el 71% de la superficie de pastos marinos, son las menos afectadas por CT extremos. El modelo de vulnerabilidad de los pastos marinos en la península de Yucatán permitió conocer su susceptibilidad a los CT. La información que aporta este trabajo es útil para que los tomadores de decisiones cuenten con elementos de juicio para enfocar sus esfuerzos para en prevenir, mitigar o tomar medidas de adaptación dirigidas a aminorar los efectos negativos de los CT y contribuir a mantener la diversidad y servicios ecosistémicos que los pastos marinos proporcionan.

Palabras clave: Pastos marinos, vegetación acuática sumergida, ciclones tropicales, vulnerabilidad, SIG, servicios ecosistémicos.

6

ABSTRACT Seagrasses are flowering plants that carry out their life cycle under water in shallow coastal areas, in lagoon systems and estuaries around the world. In its distribution, ecosystems of seagrass meadows are generated that are important for the ecosystem services they provide. Currently, due to human activities in coastal areas, large areas of seagrass have been lost worldwide. In this study, the vulnerability of the marine grasses in the coastal zone of the Yucatán peninsula was evaluated against extreme cyclonic phenomena using the historical information of the tropical cyclone paths (IBTrACS, version 4) for the period from 1957 to 2018. This study applied the methodology of the risk atlas of México of the National Center for Disaster Prevention to estimate the probability of the presence of tropical cyclones (TC). For this, the dangerous occurrence (P(i)) and the return period (Tr(i)) of tropical cyclones were calculated. The seagrasses of the coasts of Campeche and Yucatán are the main components of the submerged aquatic vegetation that are distributed over a surface of 3,375 km². The cyclonic activity in the gulf of México, for the analyzed period, ranged between 43 and 47 TC until the last decade of the 20th century. In the first decade of the 21st century, it rose to 77 TC. It is noteworthy that the coasts of the state of Campeche, which maintain 71% of the seagrass surface, are the least affected by extreme TC. The seagrass vulnerability model in the Yucatán peninsula allowed to know their susceptibility to tropical cyclones. The information provided by this work is useful for decision-makers to have elements of judgment to focus their efforts to prevent, mitigate or take adaptation measures aimed at reducing their negative effects and helping to maintain the diversity and ecosystem services that pastures marine provide.

Key words: Seagrasses, submerged aquatic vegetation, tropical cyclones, vulnerability, GIS, ecosystem services.

7

TABLA DE CONTENIDO RESUMEN.................................................................................................................5 ABSTRACT ...............................................................................................................6 LISTA DE TABLAS...................................................................................................10 LISTA DE FIGURAS ................................................................................................ 11 LISTA DE MAPAS ....................................................................................................13 CAPÍTULO 1. INTRODUCCIÓN..............................................................................18 1.1 Antecedentes ...............................................................................................18 1.2 Objetivos .....................................................................................................20 1.2.1 Objetivo general ........................................................................................20 1.2.2 Objetivos específicos ................................................................................20 1.2.3 Preguntas de investigación .......................................................................21 1.2.3.1 General ..................................................................................................21 1.2.3.2 Específicas .............................................................................................21 1.3 Hipótesis ......................................................................................................21 1.4 Justificación ..................................................................................................21 1.5 Alcance .........................................................................................................23 CAPÍTULO 2. MARCO TEÓRICO ...........................................................................24 2.1 Distribución de pastos marinos ....................................................................24 2.1.1 Protección de costa ...................................................................................26 2.1.2 Aumento de la temperatura de los océanos ..............................................26 2.1.3 ENSO ........................................................................................................28 2.1.3.1 Periodos de El Niño, La Niña y Neutro ..................................................30 2.1.4 Ciclones tropicales ....................................................................................31 2.1.4.1 Categorías de huracanes escala Saffir-Simpson ...................................32 2.1.4.2 ENSO y ciclones tropicales (CT) ............................................................32 2.1.5 Amenaza o peligro, vulnerabilidad y riesgo ...............................................34 2.2 Marco histórico .............................................................................................36 2.3 Marco metodológico .....................................................................................38 2.3.1 Distribución de los pastos marinos en la península de Yucatán ...............38 2.3.2 Análisis de trayectorias de ciclones tropicales .........................................39

8 2.3.3 Cálculos de los parámetros para determinar el peligro y probabilidad de ciclones tropicales en función de la frecuencia de eventos ..........................40 2.3.3.1 Tasa de excedencia v(i) .........................................................................40 2.3.3.2 Peligro y probabilidad de ocurrencia de CT P(i).....................................41 2.3.3.3 Periodo de retorno Tr(i) ..........................................................................42 2.3.4 Empirical Bayesian Kriging (EBK) .............................................................42 2.3.5 Analytical Hierarchical Process (AHP) ......................................................44 2.3.5.1 Escenarios de vulnerabilidad de CT.......................................................46 2.3.5.2 Integración de peligro de CT y periodo de retorno de CT ......................46 CAPÍTULO 3. METODOLOGÍA ...............................................................................48 3.1 Zona de estudio ...........................................................................................48 3.2 Flujograma de la metodología ......................................................................51 3.3 Capas y datos usados para desarrollar la investigación ..............................52 3.4 Proceso metodológico ..................................................................................54 3.4.1 Cobertura de pastos marinos (PM) ...........................................................54 3.4.2 Frecuencia de impactos de CT en la costa de la península .....................56 de Yucatán y en el área de distribución de pastos marinos ...............................56 3.4.3 Escenarios de vulnerabilidad de ciclones tropicales en la península de Yucatán .........................................................................................................57 3.4.3.1 Cálculo de la frecuencia de CT (v(i)), peligro (P(i)) y periodo de retorno (Tr(i)) ..................................................................................................................57 3.4.3.2 Interpolación EBK del peligro (P(i)) y periodos de retorno (Tr(i)) de los ciclones tropicales en la península de Yucatán .......................................60 3.4.3.3 Escenario de vulnerabilidad a partir de las capas de peligro de CT y periodo de retorno usando AHP para la zona de distribución de pastos marinos en la península de Yucatán ..................................................................64 3.4.3.3.1 Integración de P(i) y Tr(i) y escenarios de riesgo ................................64 3.4.4 Descripción de la ocurrencia de CT e influencia por ENSO para el golfo de México ..............................................................................................65 CAPÍTULO 4. RESULTADOS Y DISCUSIÓN .........................................................67 4.1 Cobertura de pastos marinos ......................................................................67

9 4.2. Frecuencia de impactos de CT en la costa de la península de Yucatán y en el área de distribución de pastos marinos .................................................71 4.3 Frecuencia de ciclones tropicales en el golfo de México .............................75 4.3.1 Capas de peligro de CT (P(i)) ...................................................................75 4.3.2 Capas de periodo de retorno de CT (Tr(i)) ................................................83 4.3.3 Aplicación de AHP P(i) en el golfo de México ...........................................84 4.4 Aplicación de AHP en el ADEPM para P(i) ...................................................89 4.5 Integración de P(i) y Tr(i) y escenarios de riesgo en ADEPM .....................95 4.6 Descripción de la ocurrencia de CT influenciada por ENSO para el golfo de México ............................................................................................100 5. CONCLUSIONES ..............................................................................................107 5.1 Recomendaciones ..................................................................................... 111 6. REFERENCIAS ................................................................................................. 113

10

LISTA DE TABLAS * Tabla 1. Resumen de servicios ambientales de los pastos marinos de acuerdo con opiniones de expertos y de revisión de literatura para la bioregión 2 propuesta por Short et al. (2007) ....................................................................................................22 * Tabla 2. Categoría de huracanes escala Saffir-Simpson ......................................32 * Tabla 3. Escala de Saaty (1980) para establecer la escala de preferencias ........46 * Tabla 4. Insumos de datos cartográficos y estadísticos usados en esta investigación .................................................................................................................................51 * Tabla 5. Superficies (km2) de las asociaciones de VAS por categoría de área natural protegida..................................................................................................................70 * Tabla 6. Resumen del número de impactos de CT en la línea costera de la península de Yucatán ...............................................................................................................72 * Tabla 7. Valores mínimos y máximos obtenidos de las capas interpoladas con EBK de P(i) y Tr(i) ............................................................................................................80 * Tabla 8. Resumen de valores de WLC AHP por estado y asociación vegetal ......90 * Tabla 9. Categorías de CT por estado y asociación vegetal .................................91 * Tabla 10. Resumen de categorías de riesgo en función del peligro y periodo de retorno (P(i)-Tr(i)) por el número de zonas con distribución de los pastos marinos ................96 Tabla 11. Resumen por año de la actividad ciclónica en el golfo de México y del ENSO para el mismo periodo de tiempo por trimestres ....................................................101 * Tabla 12. Se muestran los eventos ENSO y número de CT para el periodo de 1957 a 2018....................................................................................................................104 * Tabla 13. Resumen por década de la actividad ciclónica en el golfo de México..... 105

11

LISTA DE FIGURAS * Figura 1. Fotografías de las especies de pastos marinos que se presentan en el área de estudio a) Thalassia testudinum en asociación con macroalgas, b) Halodule wrightii cubierto de epífitas, c) Syringodium filiforme tomadas en la lancha para apreciar la estructura modular de la especie, d) manchón monoespecífico de Thalassia testudinum en aguas poco profundas, e) toma aérea con UAV en la costa de la ciudad de Campeche que muestra los manchones de PM .........................................25 * Figura 2. Cambios en la Circulación de Walker que afectan los patrones atmosféricos. a) Condición anormal causado por los periodos de calentamiento durante El Niño. b) Patrones de circulación normal sin presencia del El Niño .........................30 * Figura 3. Climograma con los promedios de las temperaturas y precipitación de acuerdo con las normales climáticas de las estaciones de la zona costera de la península de Yucatán .......................................................................................................50 * Figura 4. Flujograma de la metodología generada ...............................................52 * Figura 5. Captura de pantalla de Visual Habitat que muestra el ecograma, a la izquierda, y los recorridos con la ecosonda en Los Petenes a la derecha ................55 * Figura 6. Proceso para obtener el conteo de los ciclones tropicales para cada cuadro de 1° x 1° de la malla ........................................................................................59 * Figura 7. Ejemplo de hoja de Excel con los cálculos con los datos ordenados con la tabla dinámica......................................................................................................60 * Figura 8. Proceso de asignación de los cálculos de v(i), P(i) y Tr(i) a la malla de 1G x 1G .........................................................................................................................61 * Figura 9. Proceso de cálculo de P(i) y de Tr(i) usando Empirical Bayesian Krigging en Model Builder. .....................................................................................................63 * Figura 10. Porcentajes de superficies de la distribución de PM por estados en la Península de Yucatán..............................................................................................69 * Figura 11. Porcentaje de superficies por categoría de manejo de Áreas Naturales Protegidas ...............................................................................................................69 * Figura 12. Porcentaje de superficies dada las dominancias de las especies en la distribución de la VAS..............................................................................................70

12 * Figura 13. Histograma de la suma de los valores de las 7 capas de las P(i) interpoladas .................................................................................................................................77 * Figura 14. Histogramas de frecuencias de las capas de Tr(i). ..............................87 * Figura 15. Matriz de comparación pareada para obtener los valores de ponderación .................................................................................................................................88 * Figura 16. Variaciones en el número de CT para el periodo analizado considerando el promedio anual de CT y sus desviaciones estándar .........................................103 * Figura 17. Frecuencia de CT por categoría y década.........................................106

13

LISTA DE MAPAS * Mapa 1. Mapa de ubicación de la zona de estudio ...............................................49

* Mapa 2. Malla para el análisis de trayectorias de CT y frecuencia por cuadro de 1° x 1° .................................................................................................................................58 * Mapa 3. Malla convertida a los puntos que son los centros geométricos con los valores de atributos asignados ................................................................................62 * Mapa 4. Distribución de los pastos marinos y de la VAS en la zona costera de la península de Yucatán. .............................................................................................68 * Mapa 5. Impactos de CT en la línea de costa de la península de Yucatán para el periodo analizado. ...................................................................................................73 * Mapa 6. Impactos de los CT en las áreas de distribución de especies de pastos marinos para el periodo analizado con las velocidades de vientos (kt) alcanzadas y sus nombres ............................................................................................................74 * Mapa 7. Trayectorias de ciclones tropicales en el golfo de México para los meses de actividad ciclónica...............................................................................................76 * Mapa 8. Capas interpoladas con EBK de las P(1) a P(3) .....................................78 * Mapa 9. Capas interpoladas con EBK de las P(4) a P(7) .....................................79 * Mapa 10. Zonas que tienen mayor peligro de eventos de huracanes de categorías 3 a 5.........................................................................................................................82 * Mapa 11. Capas interpoladas de Tr(i) con EBK de intensidades de Tr(1) a Tr(4) .................................................................................................................................85 * Mapa 12. Capas interpoladas de Tr(i) con EBK de intensidades de Tr(5) a Tr(7) .................................................................................................................................86 * Mapa 13. Escenario de AHP para CT eligiendo las zonas de menor peligro .......92 * Mapa 14. Escenario de WLC AHP para CT de acuerdo con la capa de distribución de los pastos marinos y de la VAS ..........................................................................93 * Mapa 15. Categorías de CT que se han presentado en las áreas de distribución de la VAS ......................................................................................................................94 * Mapa 16a. Combinación de P(i) y Tr(i) para obtener categorías de amenaza en función de ambos parámetros de i de 1 a 4. ...........................................................97

14 * Mapa 16b. Combinación de P(i) y Tr(i) para obtener categorías de amenaza en función de ambos parámetros de i de 5 a 7 ............................................................98 * Mapa 17. Mapa de unidades por la integración de peligro y periodo de retorno para generar los riesgos por los CT ................................................................................99

15 GLOSARIO DE ACRÓNIMOS ADE

Áreas de distribución de una especie

ADEPM

Áreas de distribución de especies de pastos marinos.

AGEBs

Áreas Geoestadísticas Básicas

AMM

Modo meridional del Atlántico

AHP

Analytic Herarchy Process

BVI

British Virgin Islands

CI

Índice de consistencia

CPC

Climate Prediction Center

CONABIO

Comisión Nacional para el Conocimiento y Uso de la Biodiversidad

CT

Ciclones tropicales

DGPS

Geoposicionador con cálculo diferencial

DIC

Carbón inórganico disuelto (Dissolved inorganic carbon)

DT

Depresión tropical

E

Obtenidos de expertos

EBK

Empirical Bayesian Kriging

ENSO

El Niño Oscilación del Sur (El Niño Southern Oscillation)

ERSST

Extended Reconstructed Sea Surface Temperature

ERSSTv5

Extended Reconstructed Sea Surface Temperature version 5

H1

Huracán categoría 1

H2

Huracán categoría 2

H3

Huracán categoría 3

H4

Huracán categoría 4

H5

Huracán categoría 5

Hw

Halodule wrightii

IBTrACS

International Best Track Archive for Climate Stewardship

INEGI

Instituto Nacional de Estadística y Geografía

kts

Nudos

LR

Regresión logística

MEDMC

Métodos de Evaluación y Decisión Multicriterio

MEI

Multivariate ENSO Index

16 NCDC

National Climatic Data Center

NCEI

National Center for Environmental Information

NOAA

National Oceanic and Atmospheric Administration

NWS

National Weather Service

OK

Ordinary kriging

ONI

Ocean Niño Index

PFRV

Valor de clasificación del factor priorizado

PM

Pastos marinos

PPA

Precipitación promedio anual

PPM

Praderas de pastos marinos

P

Probabilidad o peligro

P(i)

Probabilidad o peligro de la intensidad i

PY

Península de Yucatán

RAMSAR

Convención Relativa a los Humedales de Importancia Internacional Especialmente como Hábitat de Aves Acuáticas

RBP

Reserva de la biosfera

RC

Razón de consistencia

RES

Relative enviromental suitability (idoneidad relativa del medio ambiente)

RI

Índice aleatorio

RL

Revisión de la literatura

Sf

Syringodium filiforme

SOC

Carbón orgánico del suelo

SST

Sea surface temperature

STD

Desviación estándar

TPA

Temperatura promedio anual

TT

Tormenta tropical

Tt

Thalassia testudinum

Tr

Periodo de retorno

Tr(i)

Periodo de retorno de la intensidad i

UAMI

Universidad Autónoma Metropolitana Iztapalapa

UAV

Vehículo aéreo no tripulado (Unmanned aerial vehicle)

VAS

Vegetación acuática sumergida

17 WLC

Combinación linear ponderada (weighted linear combination)

WDC

World Data Center for Meteorology

18

CAPÍTULO 1. INTRODUCCIÓN 1.1 Antecedentes En las zonas costeras, se da el contacto entre la tierra, agua dulce, agua salada, y el aire. Son áreas altamente pobladas en todo el planeta porque son el punto de partida o llegada de personas o mercancías y son importantes polos de desarrollo. Se estima que la población mundial que vive en las costas puede ir de 50 a 60% y alcanzará hasta el 75% (Azuz-Adeath y Rivera-Arriaga, 2009; Merkens et al., 2016). Esa población depende de una gran variedad de actividades productivas tales como la pesca, acuacultura, turismo, industria, servicios, y comercio de diferente escala. La zona costera del golfo de México, en particular de la península de Yucatán, presenta como característica fisiográfica la Plataforma Yucatán que se distingue por su poca profundidad, menos de 50m a grandes distancias de la costa (French y Schenk, 1997). En la costa se encuentran grandes extensiones de manglar, algunas de las cuales son consideradas áreas de conservación o sitios considerados dentro de la Convención Relativa a los Humedales de Importancia Internacional Especialmente como Hábitat de Aves Acuáticas conocido como RAMSAR. En las aguas someras cercanas a la costa, a no más de 10 m de profundidad, se encuentran las praderas de pastos marinos, que son comunidades que albergan una gran biodiversidad y que son refugio de muchas especies, especialmente en las etapas iniciales de su ciclo de vida.

Los pastos marinos son plantas con flor que cumplen su ciclo de vida bajo el agua en zonas costeras de aguas someras, tanto en sistemas lagunares como en esteros del mundo (Collier y Waycott, 2014; Nordlund et al., 2016, 2018). Se conocen alrededor de 60 especies de pastos marinos (PM) agrupados en 15 géneros y 5 familias (Short, Coles, y Pergent-Martini, 2001). Los ecosistemas de pastos marinos son importantes en la productividad primaria, la captura de carbono, y además representan un hábitat importante para distintas especies de bentos y necton. Su distribución es mundial pero discontinua y restringida a las zonas costeras.

19 Los pastos marinos también aportan servicios ambientales1 o ecosistémicos2 que son fuente de beneficios para las poblaciones humanas que viven en las zonas costeras (Nordlund et al., 2016, 2018; Unsworth, van Keulen, y Coles, 2014). Para fines de este estudio, ambas definiciones servicios ambientales y servicios ecosistémicos se toman como sinónimos reconociendo el énfasis que Daily (1997) da en los procesos que mantienen a los ecosistemas. Nordlund et al. (2016) y Short et al.

(2007) presentan una propuesta de bioregiones que contiene un listado de servicios ambientales que los pastos marinos proveen de acuerdo con la opinión de expertos y con la revisión de literatura. Los servicios que los PM proveen son: su uso para generar composta para fertilizar, forman hábitat para peces y vertebrados como las aves, son parte del alimento de especies asociadas a sus comunidades, así como vivero para juveniles de peces que proveen de alimento a los humanos. Así mismo, contribuyen al secuestro de carbono, a la acreción de sedimentos (proceso geomorfológico) y a la purificación del agua, aportando un medio de recreación para los humanos, la investigación y el turismo. Finalmente, desempeñan un papel importante en la protección de la costa (ver la Tabla 1). En un medio ambiente global cambiante el papel de las praderas de pastos marinos en los ecosistemas cumple con las funciones de ser productores primarios dominantes en las zonas costeras en donde tienen una función clave en la trofo-dinámica, dando estabilidad al sustrato y formando parte de los ciclos biogeoquímicos. Así mismo, los PM se encuentran asociados a especies de macro algas con las cuáles conforman comunidades que se denominan genéricamente como vegetación acuática sumergida (VAS).

Grandes extensiones de pastos marinos se han perdido a nivel mundial a causa de las actividades humanas en zonas costeras o cercanas a estas. Una de las actividades humanas que se ha reconocido que los afectan es la eutrofización de las aguas

1 Incluyen la provisión de materias primas y energía usada para producir bienes y servicios, la adsorción de basura proveniente de las actividades humanas, y con papeles básicos en el soporte de la vida y en la provisión de otros bienes como el paisaje.

2 Las condiciones o procesos a través de los cuales los ecosistemas naturales y las especies que los mantienen cumplen con sostener la vida humana. Estos incluyen funciones que dan soporte a la vida, como la limpieza, reciclamiento y renovación y los que confieren muchos beneficios intangibles estéticos, y culturales.

20 debido al incremento en el aporte de nutrientes provenientes de los cultivos o del vertido de aguas negras, lo cual provoca zonas de hipoxia, anoxia e incremento de la frecuencia de blooms fitotóxicos. Otras actividades humanas causan la pérdida de vegetación por deforestación en tierras altas o circundantes a la zona costera debido a que cambia la dinámica sedimentaria generando procesos de erosión y sedimentación. Las construcciones y dragados alteran la redistribución de sedimentos y el cambio climático global ha favorecido el crecimiento de especies exóticas con efectos negativos para las poblaciones de pastos marinos. En México ocurren estos procesos que han degradado grandes extensiones de pastos marinos.

1.2 Objetivos 1.2.1 Objetivo general Evaluar el impacto en la vulnerabilidad de los pastos marinos y de sus zonas de distribución ante fenómenos ciclónicos extremos entre 1957 a 2018 en la península de Yucatán, México.

1.2.2 Objetivos específicos ● Establecer la distribución de pastos marinos en la península de Yucatán. ● Establecer la influencia del fenómeno El Niño Southern Oscillation (ENSO), para el periodo de 1957 a 2018, en los ciclones tropicales que ocurren en el golfo de México. ● Evaluar el incremento en la intensidad de los ciclones tropicales y el número de impactos en el litoral del golfo de México de 1957 a 2018 a partir del cálculo de la probabilidad de su ocurrencia, así como su efecto en la zona litoral de la península de Yucatán. ● Generar el modelo de vulnerabilidad de los pastos marinos en la península de Yucatán ante los ciclones tropicales a partir de su probabilidad de ocurrencia, y efectos en la zona litoral.

21

1.2.3 Preguntas de investigación 1.2.3.1 General ● ¿Cómo se ha incrementado la vulnerabilidad de las comunidades de pastos marinos por ciclones tropicales extremos para el periodo de 1957 y 2018 en el litoral de la península de Yucatán?

1.2.3.2 Específicas ● ¿Cuál es la extensión actual de las praderas de pastos marinos en la península de Yucatán? ● ¿Han sido los periodos de ENSO, entre 1957 a 2018, un factor que favorezca o suprima la actividad ciclónica en el golfo de México? ● ¿Se ha incrementado la frecuencia de ciclones tropicales de mayor intensidad para el periodo de tiempo analizado entre 1957 y 2018 en el golfo de México? ● ¿Se verá incrementada la vulnerabilidad de las praderas de pastos marinos a los ciclones tropicales en la península de Yucatán entre 1957 y 2018?

1.3 Hipótesis La ocurrencia de fenómenos ciclónicos extremos incrementa la vulnerabilidad de los pastos marinos en sus zonas de distribución en la península de Yucatán, México.

1.4 Justificación Las actividades productivas humanas son estresores que afectan a los componentes de la biosfera y producen su degradación. Las zonas costeras, con aguas someras y los esteros, no están exentas de esa presión ya que son afectadas por las obras de construcción de puertos, desarrollos industriales o centros urbanos, que a su vez demandan alimentos provenientes del mar o de servicios turísticos. Todo lo

22 anterior tiene efectos sobre las praderas de pastos marinos (PPM) que son ecosistemas que cumplen con ser productores primarios dominantes en las zonas costeras y son considerados como el ecosistema más productivo del planeta. Están ligados a la producción de pesquerías porque son hábitat crítico para los alevines, también lo son en las pesquerías directas. Su productividad primaria tiene altas tasas en las zonas tropicales lo que las hace proveedoras de una sustancial proporción de esa productividad para los ecosistemas asociados. Adicionalmente son altamente dinámicos, sus cambios son debidos tanto a influencias naturales como antropogénicas (Unsworth, van Keulen, y Coles, 2014).

Pese a su importancia se ha señalado que al menos 14% de las especies de PM están en peligro de extinción. El papel del cambio climático puede ser el de exacerbar los impactos sobre las praderas de pastos marinos, en especial en aquellas que carezcan de resiliencia (Unsworth, van Keulen, y Coles 2014).

Tabla 1. Resumen de servicios ambientales de los pastos marinos de acuerdo con opiniones de expertos y de revisión de literatura para la bioregión 2 propuesta por Short et al. (2007).

Elaboración propia con los datos de Nordlund et al. (2016). La cruz indica presencia.

Servicio / Bioregión-Género

2 RL

Composta para fertilizar Habitat de peces Alimento de especies asociadas Vivero para juveniles de peces Hábitat de vertebrados incluyendo las aves Alimento para humanos de especies asociadas a los PM Secuestro de carbono Geomorfología (acreción de sedimentos) Acreción de sedimentos Purificación del agua Recreación Investigación Turismo Proteción de costa

X X X

Halodule E

Syringodium E

Thalassia E

X

X

X

X X X X

X X

X X X X

X X X

X X X

X

X X X

E: obtenidos de expertos; RL: revisión de la literatura; ambas para la bioregión 2.

X X X X

X X X X X

23 La degradación de las PPM puede tener serias consecuencias en actividades productivas como la pesca, puesto que los PM dan hábitat a una gran cantidad de alevines, y de especies de moluscos y crustáceos que tienen alta demanda como alimento. Es importante su conservación por el papel que juegan en la trofo-dinámica de los ecosistemas costeros. El romper las redes tróficas modifica los flujos de energía del ecosistema con consecuencias directas en la degradación de su funcionamiento reflejados en una baja en su productividad. La conservación de los PM debe de ser importante para las comunidades humanas que viven de la pesca y del turismo que genera la pesca deportiva. Los PM juegan un importante papel en la captura de carbono con hasta el 10% anual (Tyllianakis et al., 2019), por lo que la disminución de sus poblaciones a nivel mundial repercutirá en el calentamiento de la tierra. Adicionalmente, se considera que el cambio climático global tendrá efectos importantes de la distribución de los PM con el aumento del nivel medio de los océanos, la acidificación y el incremento de la temperatura de los océanos y, además del impacto que pueden tener una mayor frecuencia de los ciclones tropicales (CT).

1.5 Alcance En este estudio, se evaluó la vulnerabilidad en las áreas de distribución de especies de pastos marinos en la zona costera de la península de Yucatán frente a fenómenos ciclónicos extremos usando la información histórica disponible de sus trayectos para un periodo de 1957 a 2018. Con ello se establecieron zonas de mayor o menor vulnerabilidad a la que se enfrentan las comunidades de pastos marinos. Las escalas de trabajo fueron desde 1:25,000 para las áreas de distribución de especies de pastos marinos hasta 1:1,000,000 para integrar la información a escala regional. Los escenarios generados sirvieron para mostrar el probable grado de vulnerabilidad de zonas litorales afectadas por CT y establecer su grado de afectación.

24

CAPÍTULO 2. MARCO TEÓRICO 2.1 Distribución de pastos marinos Short et al. (2007) hicieron una propuesta de distribución y diversidad de pastos marinos creando 6 bioregiones en las que consideran su distribución templada y tropical que presentan la mayoría de sus especies, además de las restricciones impuestas por los océanos, los orígenes tectónicos y el clima. De acuerdo con esa clasificación, la bioregión 2 comprende al Atlántico tropical y por tanto al golfo de México (Tabla 1), donde está la zona de estudio de esta investigación. En la bioregión 2 se presentan 10 especies de PM con las especies dominantes Thalassia testudinum, Syringodium filiforme y Halodule wrightii (Figura 1 y ver Tabla 1). En esta biorregión, las interacciones de los PM con los manglares y arrecifes de coral son importantes, y se les reconoce por ser sistemas que ejercen efectos estabilizadores en el ambiente, lo que resulta en un soporte físico y biológico para otras comunidades (Short et al., 2007).

Dada la importancia de los ecosistemas de pastos marinos, han sido utilizados como indicadores en el diagnóstico de la salud de las zonas costeras. Este es el caso del estudio en la costa de Palk Bay en el sureste de la India donde analizaron 14 especies de pastos marinos, utilizando indicadores de salud del ecosistema (Purvaja et al., 2018).

Un aspecto importante e interesante es la comprensión del papel de los PM como proveedores de servicios ambientales que ha derivado en la cuantificación de su valor económico. En el trabajo de Tyllanakis et al. (2019), se hace una estimación del valor económico que tienen las praderas de pastos marinos en las British Virgin Islands (BVI). Se establece que la clave para hacer una valoración económica es conocer la distribución de las PPM y realizaron el análisis de costo beneficio (CBA). En ese trabajo encontraron que los efectos de los huracanes sobre los PM varían. Estudios reportan pérdidas en extensiones cubiertas por PM en aguas someras u otros en los que no hay pérdidas. Tyllanakis et al. (2019) concluyen que “el incremento en el conocimiento del recurso pastos marinos ilustra el potencial de la resiliencia de los

25 servicios ecosistémicos contra fenómenos extremos como los huracanes” (p. 2115).

Lo cual es muy importante para los tomadores de decisiones.

La ubicación geográfica de los PM en las zonas tropicales es cercana a las barreras arrecifales. Los PM protegen a las líneas de costa y a las lagunas formadas entre los arrecifes y a las tierras continentales de las olas, por lo que proveen de hábitat para las comunidades de las que forman parte (Figura 1d y 1e). En este contexto geográfico, los PM filtran los sedimentos de las escorrentías de tierra arriba al mismo tiempo que actúan como tierra de crianza y alimentación de especies de los arrecifes. Por otro lado, especies de vertebrados como las tortugas marinas, y manatíes dependen directamente de los pastos marinos para alimentarse en los océanos tropicales (Nordlund et al., 2018).

a

c

b

d

e

Figura 1. Fotografías de las especies de pastos marinos que se presentan en el área de estudio. a) Thalassia testudinum en asociación con macroalgas, b) Halodule wrightii cubierto de epífitas, c) Syringodium filiforme tomadas en la lancha para apreciar la estructura modular de la especie, d) manchón monoespecífico de Thalassia testudinum en aguas poco profundas, e) toma aérea con UAV en la costa de la ciudad de Campeche que muestra los manchones de PM. Todas las fotografías tomadas por GHC en Los Petenes y ciudad de Campeche en Campeche, México.

26

2.1.1 Protección de costa El papel en la protección de costa de las praderas de pastos marinos es analizado por Paul (2018) quien hace una exhaustiva revisión. El estudio infiere la magnitud en la reducción de las olas que tienen las tres especies dominantes de pastos marinos en las costas del golfo de México que está en función de la densidad de raíces, del cociente de altura de planta y la profundidad del agua. Con ello se calcula que el porcentaje de reducción es de entre 27.8% (850-1,500m2) a 30% (1,100m2) para Thalassia testudinum (Tt), 25% (1,900-2,870m2) para Halodule wrightii (Hw), y 26.5% (230-1,350m2) de Syringodium filiforme (Sf) (Paul, 2018). El mismo estudio concluye al respecto de los pastos marinos y la protección de erosión de costa que: Los pastos marinos tienen el potencial de apoyar el crecimiento de costa como una medida suave de protección de costa por ralentizar la erosión y por tanto reducir sus costos asociados. Más aun, ha sido demostrado que esos servicios pueden también ser provistos por las especies pequeñas de pastos marinos, las cuales no son usualmente consideradas en el contexto de los servicios ecosistémicos relacionados con la protección de la costa.

(Paul, 2018, p. 158).

2.1.2 Aumento de la temperatura de los océanos En Australia, en la gran Barrera Arrecifal, se ha detectado que el calentamiento extremo de las aguas someras, de hasta 43°C según mediciones realizadas durante 5 años, causa la disminución del crecimiento de los pastos marinos e induce su mortalidad (Collier y Waycott, 2014). Este es otro efecto del cambio climático que ocurre en las zonas de distribución de praderas de pastos marinos. En Australia se generaron escenarios de los efectos del cambio climático usando el novedoso modelo de idoneidad relativa del medio ambiente (RES por sus siglas en inglés) que usa variables fisiológicamente importantes para los pastos marinos de la costa Sureste de Australia (Davis et al., 2016). Las simulaciones se basaron en la distribución en 2016 de las especies de pastos marinos Posidonia australis y Zostera muelleri entre

27 Nelson Bay, al sur y Hawks Nest y en el lago Wallis al norte al año 2050 y al 2100. El RES representa los nichos ecológicos de P. australis y Z. muelleri. Los resultados del estudio de Davis et al. (2016) respaldan la teoría de que el incremento del nivel de los océanos causará el retroceso de las líneas de costa y cambios en las camas de pastos marinos. Este es un probable efecto de cambio climático que se suma a los efectos por incremento de la temperatura de la superficie del océano y al incremento en la intensidad de CT. Short y Neckles (1999) hicieron una exhaustiva revisión de los probables efectos del cambio climático en los pastos marinos como el efecto de la temperatura en el óptimo térmico para la fotosíntesis, respiración y crecimiento que depende de las especies. También se ve afectado el periodo de floración de los pastos marinos. Los efectos del incremento del nivel del océano se examinaron en función del incremento de la profundidad y reducción de luz, intervalos de marea, movimientos de agua, incremento de la salinidad por intrusión, efectos de la salinidad en la reproducción y propagación, y estrés salino. El incremento del dióxido de carbono en las plantas responde a corto plazo al enriquecimiento del CO2 incrementando la fotosíntesis, crecimiento, biomasa total, el cociente raíz/tallo y el cociente en tejidos de carbón/ nitrógeno. Esta respuesta es temporal y dependerá del grado de aclimatación. En el agua el CO2 se disuelve para formar ácido carbónico en las plantas acuáticas que se disocia en iones de bicarbonato y carbonato. El almacén de carbón inorgánico disuelto (DIC) se constituye de esos iones cuyas proporciones relativas depende del pH, temperatura, y alcalinidad. Las especies de pastos marinos responden de manera diferente al DIC, algunas asimilan mejor el CO2 y otras el bicarbonato (HCO3-) (Short y Neckles, 1999).

Aunado a los efectos antes reseñados por el cambio climático, otros han sucedido de manera no prevista. Este el caso de las especies de alga como el Sargassum fluitans y Sargassum natans que en los últimos 5 años se ha producido la llegada masiva de esas especies que se les conoce como la marea marrón. Esto ha dado como resultado que las praderas de pastos marinos dominadas por Thalassia testudinum en el Caribe mexicano estén en un proceso de eutrofización, lo que ha causado su

28 reemplazo por algas rizofitas calcáreas (van Tussenbroek et al., 2017). La causa de la gran cantidad de mareas marrones parece ser por el exceso de materia orgánica depositado por el río Amazonas entre las costas de Sudamérica y África y al calentamiento de la superficie del océano. Este es un claro ejemplo de procesos globales de los cuales nadie se puede sustraer. Aunque este fenómeno hasta ahora no ha afectado de manera importante al golfo de México, no significa que pudiera ser un problema en el futuro.

Las áreas de distribución de las comunidades de PM se han visto modificadas por efecto de los CT. En las últimas décadas se han intensificado por el calentamiento global que conlleva el incremento de la temperatura de la superficie de los océanos (SST). La magnitud de los efectos de los CT sobre los PM está sujeta a discusión. Esto es debido a que los efectos de los CT son difíciles de evaluar. Sin embargo, en Madagascar se evaluó, contando con mediciones recientes antes y después del impacto del CT Haruna (22 de febrero de 2013) que la cobertura de PM se redujo entre un 15% y un 36%, y la altura del dosel se redujo significativamente (Côté-Laurin, et al., 2017).

2.1.3 ENSO El Niño Oscilación del Sur (ENSO por sus siglas en inglés) es un fenómeno que ocurre frente a las costas de Ecuador y Perú. La tradición dice que los pescadores de Ecuador percibieron el cambio de temperatura del agua frente a sus costas en los días cercanos a la navidad cuando los cristianos festejan el nacimiento del niño Jesús. Por ello, le nombraron El Niño en honor a la coincidencia entre la presencia del fenómeno y las fechas de ese festejo. Este fenómeno consiste en que la temperatura SST se calienta lo suficiente como para cambiar los patrones de circulación atmosférica a nivel del Ecuador geográfico (Organización Meteorológica Mundial, 2014).

De acuerdo con la Climate Prediction Center (2020): Durante los episodios de calentamiento los patrones normales de precipitación y circulación atmosférica son interrumpidos. El calentamiento anormal

29 de las aguas en el Ecuador central y Pacífico oriental dan lugar a una mayor nubosidad y lluvia en esa región especialmente durante las estaciones del invierno y la primavera boreal. Al mismo tiempo, la precipitación se reduce en Indonesia, Malasia, y norte de Australia. Así, la Circulación de Walker normal durante el invierno y primavera presentan el aumento del aire, la nubosidad y la lluvia sobre la región de Indonesia y el Pacífico occidental, y el hundimiento del aire sobre el Pacífico oriental ecuatorial. Con el ENSO se vuelve más débil de lo normal y, para episodios cálidos fuertes, puede incluso revertirse.

(Climate Prediction Center-NCEP-NOAA, 2020).

Según el Climate Prediction Center (Climate Prediction Center-NCEP-NOAA, 2020) respecto de los episodios de calentamiento (Warm Episodes) del ENSO sucede que: El incremento del calentamiento de la atmósfera tropical sobre el Pacífico central y oriental que durante los episodios cálidos del ENSO afecta tanto las características de circulación atmosférica, como las corrientes en chorro en el subtrópico y en las latitudes templadas del hemisferio en invierno. Esto causa que las corrientes en chorro sobre el Océano Pacífico oriental sean más fuertes de lo normal durante los episodios cálidos de ENSO que indican la presencia del El Niño. Además, durante esos episodios cálidos, las tormentas extra tropicales y los sistemas frontales siguen caminos que son significativamente diferentes de lo normal, lo que produce anomalías persistentes de temperatura y precipitación en muchas regiones (Figura 2).

(Climate Prediction Center-NCEP-NOAA, 2020)

30

a

b

Figura 2. Cambios en la Circulación de Walker que afectan los patrones atmosféricos. a) Condición anormal causado por los periodos de calentamiento durante El Niño. b) Patrones de circulación normal sin presencia del El Niño. Imágenes tomadas del CPC-NCEP-NOAA.

2.1.3.1 Periodos de El Niño, La Niña y Neutro El Climate Prediction Center-NWS-NOAA (2020) publica en su página los episodios de frío y calor asociados con el ENSO. Usan la metodología propuesta por Huang et al. (2017) que se basa en una malla de 2° X 2° para generar lo que le llaman Extended Reconstructed Sea Surface Temperature (ERSST) que actualizan de la versión 4 a la versión 5 (ERSSTv5) y de acuerdo con Ocean Niño Index (ONI) con periodos base de 30 años para analizar la variabilidad del ENSO lo que permite establecer las anomalías por periodos sucesivos de 5 años (Climate Prediction Center-NCEP-NOAA 2020; Climate Prediction Center - Monitoring & Data: Ocean Niño Index Changes Description, s.f.). Huang et al. (2017) menciona en sus conclusiones que el ERSSTv5 representa una mejora con respecto a la versión previa en aspectos claves como el control de calidad, homogeneidad e interpolaciones. También hace mención que la tendencia de calentamiento global de la SST permanece sin cambios de 1900 a 2015.

La variabilidad espacial y temporal local de la SST son más realistas en el ERSSTv5 y los promedios de SST de El Niño y La Niña son más cercanos a las observaciones.

31

2.1.4 Ciclones tropicales Los CT son sistemas atmosféricos de tormenta de rápida rotación, cuyo viento circula en dirección ciclónica; es decir, en el sentido contrario a las manecillas del reloj en el hemisferio norte, y en el mismo sentido del reloj en el hemisferio sur. Se originan en regiones tropicales de donde extrae la energía necesaria para desarrollarse.

Tiene un centro de baja presión y nubes que se desplazan en espiral hacia la pared que rodea el “ojo”, que es la parte central del sistema donde no hay nubes y las condiciones meteorológicas son por lo general tranquilas. Su diámetro suele ser de unos 200 a 500 km, pero pueden alcanzar los 1000 km. Las bajas presiones atmosféricas y la circulación ciclónica coexisten normalmente, por lo que al referirse a este tipo de fenómenos se manejan de manera intercambiable huracán o ciclón tropical (Jiménez et al., 2007; Ciclones tropicales, 2020) La génesis de los fenómenos ciclónicos, de acuerdo con Jiménez et al. (2007, p. 6), requiere de condiciones tales como: ● Una superficie oceánica con temperatura mayor a los 26°C. ● Cambios pequeños en la dirección y rapidez del viento con la altura en la capa de la atmosfera que va de la superficie hasta unos 15 km de altura. ● Una distribución vertical de la humedad y temperatura que permita la formación de nubes cumulonimbos. ● Una perturbación inicial consistente en la existencia de una concentración de rotación ciclónica en las partes bajas y medias de la troposfera. ● Una localización en las zonas oceánicas tropicales del planeta, en donde la fuerza de Coriolis no sea demasiado pequeña, es decir, más allá de los 4 o 5 grados de latitud norte o sur. Generalmente se forman en latitudes de entre los 5 y 25 grados.

La cuenca del Atlántico, que incluye al golfo de México, presenta una media histórica (1966-2002) en cuanto al número de total de ciclones de 12.6 y para tormentas tropicales y huracanes 10.3. Para el periodo señalado las tormentas tropicales se

32 presentan en promedio 4.5, los huracanes de categorías 1 y 2 en 3.6 y huracanes 3 a 5 en 2.2 (Jiménez et al., 2007).

2.1.4.1 Categorías de huracanes escala Saffir-Simpson La propuesta de escala de huracanes de Saffir-Simpson que clasifica a los CT según la intensidad del viento fue desarrollada en 1969 por Herbert Saffir y Robert Simpson quien era el director del Centro Nacional de Huracanes de EU (Wikipedia, 2021; National Hurricane Center and Central Pacific Hurricane Center-NOAA, s.f.; Oliver y Fairbridge, 1987).

Los CT varían en intensidad y es de acuerdo con los intervalos de velocidad de vientos máximos sostenidos (VMS) que alcanzan que se clasifican en 7 categorías de acuerdo con la Organización Meteorológica Mundial (OMM), las categorías se presentan en la Tabla 2 en nudos (Ciclones tropicales, 2020). El uso de las unidades en nudos (kts) es para facilitar la asignación de categorías de CT a partir de los datos de vientos máximos sostenidos en los IBTrACs v4.

Tabla 2. Categoría de huracanes escala Saffir-Simpson. Los intervalos de VMS se muestran junto con la intensidad asignada y los nombres de categorías que se usan para denominar a los fenómenos ciclónicos.

Clasificación de la OMM (Ciclones tropicales, 2020).

Intensidad (i) 1 2 3 4 5 6 7

Categoría nombre D.T. T.T. H1 H2 H3 H4 H5

Descripción Depresión tropical Tormenta tropical Huracán categoría 1 Huracán categoría 2 Huracán categoría 3 Huracán categoría 4 Huracán categoría 5

VMS (kts) <34 34-63 64-82 83-95 96-113 114-135 136+

2.1.4.2 ENSO y ciclones tropicales (CT) La relación que existe entre la variabilidad en la actividad de los CT con el ENSO se ha analizado para diferentes regiones del planeta. Como ya se ha establecido la

33 presencia del ENSO conlleva cambios importantes en la circulación atmosférica y afectan la actividad ciclónica. Los métodos y las zonas que los autores analizan en donde la variabilidad en la actividad ciclónica es debida a eventos El Niño, La Niña y Neutro son diversos. Jien, Gough y Butler (2015) para la cuenca del Pacífico Norte hacia el Este, frente a las costas del Sur de México, usaron una métrica del Multivariate ENSO Index (MEI) y regionalizaron lo que definieron como las regiones principales de desarrollo de CT al Este y Oeste. Al analizar sus relaciones con la actividad de CT y su intensidad. En esa investigación encontraron significancia estadística en la región Oeste. Para el Atlántico Norte Kossin, Camargo y Sitkowski (2010) analizaron las tormentas tropicales, los trayectos de huracanes y sus relaciones con la variabilidad climática usando técnicas de agrupamiento. De acuerdo con su investigación encontraron que los miembros del agrupamiento de CT son profundamente modulados por el modo meridional del Atlántico (AMM) y por el ENSO, mientras que la oscilación Madden-Julian, que consiste en bajas presiones por periodos de 30 a 60 días (Centro Nacional de Prevención de Desastres, s.f.), modula las tormentas al norte y oeste del Cabo Verde en el Atlántico frente a las costas de África. La relación entre las tormentas tropicales del Atlántico y el ENSO se han establecido desde la década de los ochenta. De acuerdo con lo cual revelan que durante los eventos El Niño, son significativamente menores en número las tormentas tropicales. De acuerdo con Vitart y Anderson (2001, p. 534): El impacto de El Niño en las tormentas tropicales puede ser resumido como sigue: durante un evento de El Niño, las anomalías cálidas de SST en el Pacífico oriental tropical aumentan la convección de cúmulos profundos y crean localmente un realce de la divergencia en la troposfera superior y mayor convergencia en la troposfera inferior. Esto se produce porque la circulación de la troposfera inferior sobre el Atlántico tropical es dominada por los vientos del este, la cizalladura vertical del viento aumenta. Adicionalmente El Niño se asocia con la reducción ciclónica de vorticidad en la troposfera inferior y vorticidad anticiclónica en la troposfera superior sobre la cuenca del Caribe. Esto también contribuye a crear un ambiente hostil para la génesis y desarrollo de las tormentas tropicales en el Atlántico.

34

2.1.5 Amenaza o peligro, vulnerabilidad y riesgo Las definiciones de amenazas (hazard) o peligros son variadas y difieren poco haciendo énfasis en los efectos que producen o en declararlos fenómenos o eventos.

Sin pretender hacer una revisión exhaustiva, en este trabajo se toma el termino amenaza y peligro como sinónimo. Sin embargo, la traducción correcta de la palabra en inglés hazard (peligro) que hace referencia, de acuerdo con Merrian-Webster dictionary a “el efecto de fuerzas impredecibles e inanalizables en la determinación de eventos” (Merrian-Webster, s.f., definición 2 a). El peligro, de acuerdo con el diccionario de la Real Academia de la Lengua Española es “riesgo o contingencia inminente de que suceda algún mal” (ASALE y RAE, s.f., definición 1) lo que claramente hace énfasis en los efectos negativos cuando ocurren. De acuerdo con Brimicombe (2010, p. 102) “se puede considerar una amenaza como cualquier fenómeno potencialmente dañino. Para lo cual existe una probabilidad de que ocurra dentro de un determinado periodo de tiempo y en un área determinada”. La UN/ISDR (2004, p.

16) la define como “un evento físico, potencialmente perjudicial, fenómeno y/o actividad humana que puede causar la muerte o lesiones, daños materiales, interrupción de la actividad social y económica o degradación ambiental”. Ambas definiciones coinciden en señalar las consecuencias negativas, pero la segunda hace énfasis en las actividades humanas, mientras que la primera en la ocurrencia en un área y tiempos determinados. Los CT de diferentes categorías son amenazas que constituyen peligros latentes y futuros. Los CT son fenómenos naturales que ocurren durante una temporada del año que varía en cuanto a la extensión y duración de los eventos.

Pero ocurren cada año por lo que es importante el concepto de periodo de retorno.

Este se define y está asociada “a cualquier peligro donde hay una probabilidad de ocurrencia. Por lo general, esto se expresa como el tiempo promedio esperado en años para que vuelva a ocurrir un evento de una magnitud particular” (Brimicombe, 2010, p. 102). En este trabajo se calcula como el periodo de retorno de los fenómenos ciclónicos dependiente de su intensidad.

El concepto de vulnerabilidad es de amplia interpretación con connotaciones diferentes según el tema del cual se quiera a abordar. La definición de la palabra, de

35 acuerdo con la Real Academia de la Lengua Española (ASALE y RAE, s.f., definición 1) que refiere a la cualidad, “que es un elemento distintivo o su condición, de recibir lesiones físicas”. Es un concepto que se aplica partiendo de la vulnerabilidad intrínseca que se refiere a la probabilidad de experimentar daño que se centrada en los humanos. Este es un enfoque dualista que considera la susceptibilidad y la capacidad de afrontar la susceptibilidad, exposición, y capacidad de adaptación. En otro nivel la vulnerabilidad multidimensional incluye las características físicas, sociales, económicas, ambientales e institucionales (Birkmann, 2007; Cardona et al., 2012). La definición de vulnerabilidad de la UN/ISDR (2004, p. 16) es “condiciones determinadas por factores físicos, sociales económicos y ambientales o procesos que incrementan la susceptibilidad de una comunidad a el impacto de amenazas”.

Esta otra definición dice “la vulnerabilidad es el grado de pérdida que puede resultar de la exposición a un peligro. Esa pérdida puede clasificarse desde daño leve (vulnerabilidad baja que tiende a 0) hasta pérdida total (vulnerabilidad alta que tiende a 1)” (Brimicombe, 2010, p. 103). En este trabajo, se consideran a la amenaza y susceptibilidad de los pastos marinos cuya exposición a los CT causan daños a sus poblaciones.

El concepto de riesgo no se define por sí mismo sino en función de las amenazas y vulnerabilidad. Así para Eslava et al. (2006) es una combinación de los factores costo o valor de los bienes expuestos, nivel de vulnerabilidad o daño ocasionado y la probabilidad de que el fenómeno ocurra. En este estudio no se cuantifican los daños económicos a las poblaciones de pastos marinos, por ello el riesgo se evalúa de manera ecológica a partir de las amenazas y vulnerabilidad, como lo propone la European Environment Agency (2021): Riesgo = amenaza * vulnerabilidad Se aplicaron los conceptos, amenazas, vulnerabilidad y riesgo para generar un marco conceptual que nos permitió entender los efectos de las amenazas de fenómenos naturales como los CT.

36

2.2 Marco histórico Los estudios de largo plazo usando sensores remotos han dado resultados en el monitoreo de los efectos de los CT sobre los pastos marinos. Un claro ejemplo es el análisis realizado con percepción remota en las costas de la península de Corea en 24 años de seguimiento de las praderas de pastos marinos. En el periodo de tiempo analizado sucedieron tifones, que es como se les llama a los CT en la región asiática, donde encontraron que los pastos marinos pueden recolonizar un área después de un gran disturbio cuando tallos y rizomas se mantienen, pero cuando son completamente desenraizados no se recuperan. Comparando el efecto de los tifones Bolaven y Sanba, que ocurrieron en 2012, encontraron que si bien la columna de agua puede amortiguar el paso de un tifón cuando hay mayor profundidad, si el paso del tifón coincide con la marea baja, como con el tifón Sanba, el impacto suele ser mucho mayor sobre las praderas de pastos marinos. Adicionalmente, los tifones pueden influir en la erosión de sedimentos y en la dinámica de entierro. Los sedimentos tienden a erosionar más cuando son sumergidos que cuando son expuestos. El tifón Sanba sumergió el sedimento, causando erosión severa. Este tifón lo identificaron como el que ha tenido el mayor impacto sobre los pastos marinos causando mortandad, probablemente debido al efecto acumulativo de 3 tifones que pasaron en menos de 3 semanas produciendo un efecto acumulativo (Kim et al., 2015).

Los efectos de los CT sobre las praderas de pastos marinos pueden “ser específico de cada especie e incluyen defoliación, exposición de las partes bajo tierra, desprendimiento, enterramiento, abrasión de arena y mortalidad causada por una disminución de la salinidad y un aumento de la turbidez del agua” (Rioja-Nieto, Chiappa-Carrara y Sheppar, 2012, p. 48). Rioja-Nieto et al. (2012) analizaron los efectos del huracán Emily en julio de 2005 que paso siendo de categoría 4 sobre la Isla Cozumel en el Caribe Mexicano. Los autores mencionan que la recuperación a la condición pre-huracán de las praderas de pastos marinos sucede después de 1 año. Los efectos del huracán Emily sobre la cobertura de pastos marinos fue una reducción del 56%. Este resultado contrasta, según los autores, con lo publicado sobre Thalassia testudinum señalando que es menos susceptible a los efectos de huracanes por

37 sus raíces y rizomas profundamente enterrados (Cruz-Palacios y van Tussenbroek, 2005; Rioja-Nieto, Chiappa-Carrara, y Sheppard, 2012).

Los cambios en las condiciones ambientales después del paso de los CT se ha visto que se manifiestan en tiempos prolongados. Este el caso de la investigación realizada sobre las poblaciones de Syringodium filiforme en el Sureste de Florida en el Loxahatchee River Estuary donde impactaron los huracanes Frances y Jeanne en septiembre de 2004. El estudio presenta los resultados del seguimiento de 15 meses antes del impacto de los huracanes y 12 meses después de ocurrido. Detectaron una marcada disminución en la cobertura de Syringodium filiforme y realizaron un proceso de análisis para determinar cuáles fueron las causas. Descartaron los efectos que tienen los huracanes en la atenuación de la luz, clorofila a, turbidez y color del agua que por su magnitud y duración de esos efectos no son suficientes para explicar el declive en la cobertura de S. filiforme. Establecieron que las variaciones en la salinidad fueron la causa del declive de la cobertura y fundamentaron sus resultados con datos obtenidos por 25 años de seguimiento en trabajos realizados en la misma área (Ridler, Dent y Arrinton, 2006).

El incremento de la frecuencia de huracanes es un tema que causa controversia entre los científicos. Los especialistas hacen simulaciones usando escenarios de cambios climáticos y datos de la ocurrencia de CT durante periodos de tiempo hasta de 50 años usando modelos matemáticos con los cuales tratan de pronosticar si en el futuro cercano se incrementará la frecuencia de fenómenos ciclónicos extremos (Mei et al., 2019; Sugi et al., 2017). No hay una conclusión contundente al respecto de los CT por lo que no se puede asegurar ni negar que pueda aumentar su frecuencia.

La importancia de los pastos marinos para la estabilidad y continuo aprovisionamiento de los servicios que aportan a las zonas costeras se ha documentado y tiende a incrementarse el número de estudios que se publican y dan cuenta de ello.

El deterioro que experimentan actualmente las praderas de pastos marinos que es causado por las actividades humanas y los fenómenos naturales es preocupante. En esta investigación se evaluará la amenaza de los CT para evaluar la vulnerabilidad

38 de las praderas de pastos marinos que se encuentran en la zona costera de la península de Yucatán usando la información disponible sobre ambos.

2.3 Marco metodológico 2.3.1 Distribución de los pastos marinos en la península de Yucatán Los métodos más usados para determinar la distribución de los pastos marinos requieren de las herramientas de la percepción remota. Es decir, de la obtención de datos sobre un elemento u objeto a distancia. Para este estudió se usó la información obtenida por un equipo de investigadores que realizaron el monitoreo de pastos marinos en las costas de Campeche, Yucatán y Quintana Roo de 2016 a 2019 usando una ecosonda hidroacústica calibrada para la detección de vegetación acuática sumergida que es un método de percepción remota. Esto se hizo en el marco de un convenio de colaboración entre la Universidad Autónoma Metropolitana Unidad Iztapalapa (UAMI) y el Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE) del estado de Baja California para el Consorcio de Instituciones del golfo de México (CIGOM). Como producto de ese estudio se generó un Atlas de Pastos Marinos para la Península de Yucatán (Gallegos y Hernández-Cárdenas, 2020).

Es necesario precisar el concepto de área de distribución de una especie (ADE) a manera de contexto y para guiar en el desarrollo de esta investigación. El concepto de ADE, de acuerdo con Maciel-Mata et al. (2015, p. 5) citando a Zunino y Palestrini (1991), refiere a “aquella fracción del espacio geográfico donde una especie está presente e interactúa en forma no efímera con el ecosistema”. La distribución de una especie varía en función de procesos de cambio inducidos por modificaciones a las condiciones en dónde una especie puede prosperar y en función del tiempo que haya transcurrido. Por ello, las ADE se conoce que se contraen o expanden en el tiempo dependiendo de factores biológicos, ecológicos y geográficos (Zunino y Zullini, 2003). En esta investigación cuando se hace referencia al área de distribución de las especies de pastos marinos se referencia al concepto de Zunino y Palestrini (1991);

39 mientras que la referencia a la cobertura de las especies de pastos marinos se refiere a la capa de información que contiene el área geográfica en donde se distribuyen.

2.3.2 Análisis de trayectorias de ciclones tropicales El análisis de los International Best Track Archive for Climate Stewardship (IBTrACS3) son los conocidos como “Best Tracks” que son “resultado del reanálisis post-estación de la posición de una tormenta y de la intensidad de todos los datos disponibles” (Knapp et al. 2010, p. 364). Quienes elaboran los IBTrACS son 12 agencias de 8 países, dentro de los cuales se encuentran Australia, Fiyi, India, Francia, Nueva Zelanda, E.U.A. y China. Los datos de IBTrACS son usados a menudo “para estimar la variabilidad interanual e Inter décadas de los CT y su relación con el cambio climático” (Knapp et al. 2010, p. 364). Una de las fuentes de información para generar los Best Tracks es el formato HURDAT (Hurricane Research Division-NOAA, 2020) que es usado desde 1851 por agencias climatológicas de EU y por otros países. Los que usan o han usado el formato hacen la toma de datos cada 6 horas.

Es de considerar que los conjuntos de datos para generar los IBTrACS no son una construcción homogénea debido a varios factores que pueden ser una fuente de error y por ello deben ser considerados y que se reseñan a continuación: 1. La identificación de cada tormenta como única. Varias agencias del clima pueden reportar la misma tormenta. Por ello se debe revisar sus coordenadas para identificar posibles errores por duplicación.

2. En el caso de tormentas débiles puede haber grandes variaciones para detectar sus centros de circulación. Estos pueden llegar a ser de hasta 100 km.

3 Glosario en línea del Centro Nacional de Huracanes, los IBTrACS son “una representación subjetivamente suavizada de la ubicación e intensidad de un ciclón tropical a lo largo de su vida útil ...” y “... en general no reflejarán el movimiento errático implicado al conectar posiciones individuales de fijación central”. Dada esta subjetividad, la cantidad de suavizado espacial también variará entre las agencias.

40 3. La OMM en 1983 estableció los VMS para el promedio de velocidad de 10 min average wind speed a 10m sobre el nivel de altura por arriba de la tierra o agua. En desprecio del estándar de la OMM, varias agencias usan diferentes periodos de promedios que incluyen promedios de 1-, 2-, 3-, y 10-min.

2.3.3 Cálculos de los parámetros para determinar el peligro y probabilidad de ciclones tropicales en función de la frecuencia de eventos El cálculo de los parámetros de peligro o probabilidad de CT y su periodo de retorno usados en esta investigación parten del cálculo de la frecuencia de acuerdo con la contabilidad de trayectorias una malla cuadrada de 1 grado por lado. El parámetro base es el cálculo de la tasa de excedencia que se calcula a partir de la frecuencia de eventos para el periodo de análisis para cada cuadro de la malla. Los parámetros de probabilidad y periodos de retorno se obtienen de las tasas de excedencias en una hoja de cálculo donde se realizaron las operaciones que se indican a continuación de acuerdo con las fórmulas que proponen Eslava et al. (2006).

2.3.3.1 Tasa de excedencia v(i) El cálculo de las tasas de excedencias se registra a partir del número de niveles rebasados durante el mismo evento. Es decir, el paso de intensidad 1 a 2 a 3 ...a 7. En esta investigación se usó una hoja de cálculo y se aplicó una tabla dinámica usando el archivo obtenido del proceso que se muestra en la Figura 6 (ver capítulo 3 de metodología) mediante el cual se contabilizaron el número de ocurrencias por categoría de CT para un cuadro de un grado por un grado de la malla de tal manera que se generó en un registro (Figura 7). Las tasas de excedencias v(i) se calcula de acuerdo con la siguiente fórmula:

41 Donde: N = máximo nivel de intensidad i que puede alcanzar M = conteo de ocurrencias por categoría

2.3.3.2 Peligro y probabilidad de ocurrencia de CT P(i) Para calcular el peligro se consideraron las 7 intensidades con las cuales se calcularon las tasas de excedencias. El cálculo de k se hace con la siguiente ecuación:

Donde: P = probabilidad o peligro de ocurrencia v(i) = tasas de excedencias k = es una constante que se calcula como sigue:

Se simplificó el cálculo como sigue:

El valor calculado para la probabilidad por categoría de CT indica el porcentaje de que pueda ocurrir un evento dada la tasa de excedencia por intensidad (v(i)) para el periodo de tiempo analizado. Así, un alto valor de P(i) para intensidades bajas indica una alta probabilidad de que no pase a una categoría mayor de CT (ver Tabla 2 que hace referencia a las intensidades de CT). Esto es considerando el total de CT para el mismo cuadro (registro). Por ejemplo: si para P(1) con 17 pasos de trayectos con categoría de depresión tropical (DT) y para tormenta tropical (TT) de 4, se obtiene un valor de P(1) de 0.81 y para P(2) un valor de 0.19, la ocurrencia de CT solo tiene el

42 19% de probabilidad de que pase de DT a TT de acuerdo con su tasa de excedencia.

Por lo tanto, en este ejemplo el peligro es bajo.

2.3.3.3 Periodo de retorno Tr(i) El periodo de retorno se define, de acuerdo con Eslava et al. (2006, p. 288) “como el promedio de tiempo en que vuelve a ocurrir la excedencia de cierta intensidad i”.

El cálculo se obtiene por el recíproco de la tasa de excedencia de acuerdo con la siguiente fórmula:

Donde: Tr = periodo de retorno i = intensidad v(i) = tasa de excedencias de la intensidad i

2.3.4 Empirical Bayesian Kriging (EBK) De acuerdo con Farina et al. (2016, p. 132) “en general el término kriging se refiere a un grupo de métodos de interpolación geoestadística en los que el valor en una ubicación no observada se predice por los valores en ubicaciones circundantes, utilizando pesos de acuerdo con un modelo que describe la correlación espacial”.

El kriging es de los métodos de interpolación más usados. Es una técnica de interpolación geoestadística que devuelve la mejor predicción lineal insesgada de los datos intermedios y evita los efectos de grupo (Zou et al., 2015). Sin embargo, es un método que no considera la incertidumbre respecto de la distribución (o transformación) y en la estimación de la función de covarianza de los datos. Esto es porque asume que la distribución de datos a analizar es gaussiana, pero el comportamiento de muchos fenómenos espaciales no es gaussiano (Pilz y Spöck, 2008). Por otro lado, el kriging

43 asume la estructura de correlación definida por la estimación del semivariograma, que es difícil de establecer en la práctica (Zou et al., 2015).

Para Zou et al. (2015) y Pilz y Spöck (2008), la estadística o enfoque bayesiano proporciona un enfoque estadísticamente sólido para modelar las incertidumbres con respecto a la distribución desconocida y los parámetros de las muestras de entrada.

El Kriging Bayesiano Empírico (EBK) combina el teorema de Bayes y la interpolación de kriging y explica el error en estimar el verdadero semivariograma a través de simulaciones iterativas. El algoritmo de ESRI (2020) calcula el semivariograma de los datos de localidades conocidas, este proceso implícitamente asume que el semivariograma estimado es el verdadero semivariograma para la región (subconjunto de datos) interpolada. Al no tomar en cuenta la incertidumbre del semivariograma estimado en la contabilidad, otros métodos subestiman los errores de predicción estándar. Lo anterior es explicado por Zou et al. (2015) y por Krivoruchko (2012) (como se citó en Farina et al., 2016) para el funcionamiento del algoritmo de EBK como se describe a continuación: 1. Se crea un semivariograma usando (n-1) datos. De acuerdo con ESRI (2020) es en subconjuntos de 100 que es modificable.

2. Usando este semivariograma, se simula un nuevo valor en cada uno de los n-1 ubicaciones de datos de entrada.

3. Se estima un nuevo modelo de semivariograma a partir de los datos simulados.

4. Es entonces calculado un peso para este semivariograma utilizando la regla de Bayes, que indica la precisión del semivariograma para simular los datos observados.

El método de EBK ha sido usado por varios autores con muy buenos resultados.

Zou et al. (2015) comparó el EBK y ordinary kriging (OK) mostrando que las tasas de subsidencia interpoladas de EBK están más cerca de estudios previos que los valores derivados de OK. Al respecto Zou et al. (2015, p. 12) concluye que “en comparación con OK, las tasas de hundimiento obtenidas por EBK tienen acuerdos más altos con hallazgos publicados anteriormente”. Farina et al. (2016) usaron el EBK

44 para interpolar datos de carbón orgánico del suelo (SOC), mencionan que “EBK representa la incertidumbre de las estimaciones, como también lo requieren los procedimientos del IPCC para estimar las existencias de SOC” (p. 132). Inclusive en estudios de salud humana para enfermedades como la Podocoinosis en donde hicieron la comparación entre varios métodos de interpolación, concluyen que el EBK funcionó mejor (Gislam et al., 2020).

Las ventajas por las cuales se eligió el EBK son: ● Los errores estándar de predicción son más precisos que otros métodos de kriging. ● Es más preciso que otros métodos de kriging para pequeños conjuntos de datos. En el caso de esta investigación son 300 datos que corresponden con los centros geométricos (centroides) de la malla de 1° x 1°.

La ocurrencia de un CT es completamente al azar por ello los datos obtenidos no son estacionarios. Es decir que se asume que todos los valores de v(i), P(i) y Tr(i) son resultado de procesos al azar. Para encontrar los subconjuntos de datos se usó la búsqueda en el vecindario de las opciones de interpolación Standard Circular y Smooth Circular.

2.3.5 Analytical Hierarchical Process (AHP) Uno de los procedimientos de Métodos de Evaluación y Decisión Multicriterio (MEDMC) son los Procesos Jerárquicos Analíticos (AHP por sus siglas en inglés) propuesto por Saaty (1977). Este requiere del cálculo de factores ponderados para auxiliarse de una matriz de preferencias donde se identifican todos los criterios relevantes que son comparados uno contra otro con factores reproducibles de preferencia (Marinoni, 2004; Saaty, 1984; Wind y Saaty, 1980). Saaty, Roger y Pell (1988) describen al AHP como la forma de “desmenuzar un problema y luego unir todas las soluciones de los subproblemas en una conclusión” (como se citó en Martínez, 2007, p. 527).

45 El método de AHP ha sido extensivamente usado en la evaluación de amenazas, vulnerabilidad y riesgo. Mondal y Maiti (2013) basan su metodología para desarrollar un modelo espacial de susceptibilidad a los deslizamientos de tierra en una cuenca en el Himalaya usando el AHP para descomponer, comparar juicios y sintetizar las prioridades de los variables del relieve como factores que pueden disparar un evento. A partir del AHP, se generaron lo que llamaron un valor de clasificación del factor priorizado (PFRV por sus siglas en inglés). Pardeshi, Autade y Pardeshi (2013) realizaron una revisión de las tendencias y de las técnicas en la evaluación de las amenazas de deslizamientos de tierra. Mencionan brevemente la base metodológica del AHP. Adicionalmente, discuten sus resultados que comparando con la regresión logística (LR) y con mapas de la actividad de deslizamientos, se encontró que los mapas generados con AHP se ajustan mejor que los producidos por LR. En otros estudios se han usado para generar escenarios que requieren comparar múltiples criterios y un objetivo, como es el Galacho Jiménez y Arrebola Castaño (2010) para evaluar los senderos según las condiciones físicas del terreno en el Parque Natural Sierra de las Nieves en Málaga, España. En el cual hacen uso de las matrices de comparación pareada con la escala de asignación de juicios del AHP. Saaty (1980) propuso para realizar la comparaciones pareadas entre criterios o variables una escala que va del 1 al 9 de acuerdo a la cual se establece su prioridad en función del grado de importancia que tienen respecto del objetvo propuesto. Los números nones se aplican directamente de acuerdo con la escala verbal de la Tabla 3 y los números pares refieren a los valores intermedios entre los juicios adyacentes. La técnica consiste en aplicar una generalización del método de eigenvectores para determinar los pesos de una variable a través de una matriz de comparación pareada (Saaty, 1995).

46 Tabla 3. Escala de Saaty (1980) para establecer la escala de preferencias.

Escala numérica 1 3 5 7 9 2, 4, 6, 8

Escala verbal, explicación Ambos elementos son de igual importancia.

Ambos elementos contribuyen con la propiedad en igual forma.

Moderada importancia de un elemento sobre otro.

La experiencia y el juicio favorece a un elemento por sobre de otro.

Fuerte importancia de un elemento sobre otro.

Un elemento es fuertemente favorecido.

Muy fuerte importancia de un elemento sobre otro.

Un elemento es muy fuertemente dominante.

Extrema importancia de un elemento sobre otro.

Un elemento es favorecido, por lo menos con un orden de magnitud de diferencia.

Valores intermedios entre dos juicios adyacentes.

Usados como valores de consenso entre dos juicios.

2.3.5.1 Escenarios de vulnerabilidad de CT La amenaza de los CT a los pastos marinos y en general a la vegetación acuática sumergida (VAS) es por lo potencialmente perjudicial que estos fenómenos pueden causar a sus comunidades y poblaciones por una probable degradación ambiental.

El peligro de que se presenten CT de intensidad mayor y con más frecuencia se evaluó para determinar la susceptibilidad de los pastos marinos y es lo que se define como la vulnerabilidad en función de la amenaza (peligro) que representan los CT de acuerdo con su intensidad. Las amenazas son cada una de las categorías de CT consideradas por la intensidad de los vientos como se explica en el subcapítulo 2.3.3. Aquí, se considera a los peligros (P(i)) como las amenazas con las cuales se generó el escenario de vulnerabilidad a través del uso de una combinación lineal ponderada (WLC) con las capas interpoladas por intensidad y categoría, siguiendo el proceso que se menciona en el inciso anterior. Para calcular la ponderación se usó la técnica de AHP (Saaty, 1995).

2.3.5.2 Integración de peligro de CT y periodo de retorno de CT Las amenazas por CT tienen dos parámetros de acuerdo con la metodología que se usó en esta investigación el primero es la P(i) que es el peligro o probabilidad de

47 que ocurra un CT de cierta intensidad que resultaron en un alto valor para intensidades menores como son las depresiones o tormentas tropical, lo que conlleva una baja probabilidad de pasar a la siguiente categoría. En otras palabras, dada una probabilidad alta, la tasa de excedencia es baja para pasar a la siguiente categoría de velocidad de vientos máximos. El segundo es el periodo de retorno de los CT que se denomina Tr(i), dice el número de años que pueden pasar para que ocurra un CT de cierta categoría. Si la Tr(i) da por resultado un número de años alto, indican que no ocurren en periodos de tiempo cortos y pocos años, indican que ocurren con alta frecuencia temporal. Para interpretar correctamente ambos parámetros, se desarrolló un método que los integra. Se usó una sobre posición espacial por combinación pareada de capas por su intensidad.

48

CAPÍTULO 3. METODOLOGÍA 3.1 Zona de estudio La zona de estudio se encuentra en las partes costeras de la de península de Yucatán en el Sureste de México. Su posición geográfica se encuentra aproximadamente entre los 22° 00’ de latitud Norte y 92° 00’ de longitud Oeste a los 18° de latitud Norte y 86° 30’ de longitud Oeste (Mapa 1). La península de Yucatán presenta una conformación diferente al resto de la república de México ya que es predominantemente plana y la litología dominante es la de calizas que permiten la infiltración de la precipitación pluvial y son especialmente susceptibles a la dilución formado Karst. Otra característica particular es la formación de cenotes que son “dolinas o depresiones kársticas de colapso que se presentan en el fondo un lago originado por agua subterránea” (Lugo, 2011, p. 68). En cuanto a la zona costera, la península de Yucatán que da a la vertiente del golfo de México se caracteriza por una plataforma continental extensa con profundidades someras. Esto la hace propicia para el desarrollo de comunidades de pastos marinos. La península de Yucatán carece de un sistema profuso de drenaje. El drenaje es subterráneo de profundidades someras que se alimenta de la abundante precipitación de la península de Yucatán que va de los 1,100 mm a los 1,500 mm del sur al este (Bryant et al., 1991). En la vertiente de la península de Yucatán al Mar Caribe, solo se contempla la porción de Cabo Catoche en el estado de Quintana Roo. El clima de la zona costera de la península de Yucatán, de acuerdo con las normales climáticas de 1981 a 2010 del Servicio Meteorológico Nacional-CONAGUA (2021), presenta una temperatura promedio de 26.4°C. El máximo de temperatura se da en mayo y el mínimo en enero (Figura 3). La variación entre la temperatura mínima y máxima es de 5.1°C. La precipitación promedio anual de las estaciones de la costa de la PY es de 922 mm. La mayor precipitación promedio anual (PPA) se presenta en las estaciones de El Carmen, Isla Aguada, Sabancuy y Campeche con más de 1,000 mm y disminuye en dirección norte en las estaciones de Isla Arena, Celestún y Sisal hasta llegar a los 525 mm. En la zona costera norte de Yucatán las estaciones

49 de Chicxuluc, Telchac, Dzilam de Bravo y Ría Lagartos no pasa de los 750 mm de PPA. Los meses de mayor PPA van de mayo a octubre que son los seis meses de la temporada lluvias (Figura 3). La PPA que se presenta en los meses de noviembre a febrero es producto de los nortes que ocurren anualmente debido a la entrada de frentes fríos en el golfo de México.

Mapa 1. Mapa de ubicación de la zona de estudio. Fuente de las capas de vías de comunicación, nombre de los estados, ciudades principales y topónimos son de ESRI, Garmin, USGS, NPS. La fuente de las capas de batimetría, modelo digital sombreado de batimetría, modelo digital sombreado de las tierras del continente para México y límites de países de Norteamérica son de CICESE-CIGOM (2018).

50

Figura 3. Climograma con los promedios de las temperaturas y precipitación de acuerdo con las normales climáticas de las estaciones de la zona costera de la península de Yucatán.

Elaboración propia con datos del Servicio Meteorológico Nacional-CONAGUA (2021).

La temperatura de la columna de agua en las áreas de distribución de especies de pastos marinos es importante porque regula diversas funciones fisiológicas como la fotosíntesis y la reproducción sexual. Cuando la temperatura es muy alta puede causar daños por quemaduras en hojas, estolones y rizomas verticales (Gallegos y Hernández-Cárdenas, 2020). La temperatura de la columna de agua varía en las estaciones de secas, lluvias y nortes. Siendo la más alta y constante la que se alcanza en época de lluvias de entre 28°C a 33°C. En épocas de secas y nortes puede variar entre 20°C y 28°C (Gallegos y Hernández-Cárdenas, 2020). La SST obtenida por imágenes de satélite es un buen instrumento para monitorear sus cambios. La SIMAR-CONABIO pone a disposición esta información en capas raster para México y el Caribe con el promedio anual del año 2018 (CONABIO et al., s.f.). De acuerdo con esa información, el promedio de SST nocturna es de 27.4°C con un mínimo de 25.95°C y un máximo de 28°C con una varianza de 0.27°C y desviación estándar de 0.52°C4. Esta condición de alta SST del golfo de México es lo que permite que los CT que se forman en el Mar Caribe y que al atravesar la península de Yucatán recobren fuerza al tocar sus aguas.

4 La información que se presenta aquí se extrajo usando una función de estadística de zona sobre la capa raster de SST nocturna usando la capa vectorial de distribución de pastos marinos en QGIS v3.10.

51 La distribución de pastos marinos en la península de Yucatán se presenta de manera discontinua en las zonas costeras someras desde la Laguna de Términos hasta Cabo Catoche para el golfo de México y en las costas del Caribe del estado de Quintana Roo. Para este trabajo solo se consideran las comunidades de pastos marinos del golfo de México, aunque hay importantes extensiones en el Caribe Mexicano.

3.2 Flujograma de la metodología La metodología generada para lograr los objetivos planteados y responder a las preguntas de investigación parte de información generada por diversas fuentes cartográficas y estadísticas (Tabla 4). En el flujograma (Figura 4) se muestra cómo se sistematizó y se procesó la información cartográfica y estadística usada para resolver modelos geográficos que permitieron generar escenarios de vulnerabilidad de los pastos marinos frente a los CT en la península de Yucatán en México.

Tabla 4. Insumos de datos cartográficos y estadísticos usados en esta investigación.

Conjunto de datos

Escala

Fuente

Periodo de actualización

Distribución de pastos marinos

1:25,000

UAMI-CONABIO

No determinado

Línea de costa de la península de Yucatán

1:25,000

Creación propia a partir de la capa de AGBs Estatales de INEGI - México

No determinado

No determinado

NCDC-NOAA

Sin escala

NOAA-NWC-CPC

IBTrACS v4 Datos Periodos del ENSO

A partir de 2020 dos veces por semana Mensual

AGB: Área geoestadística básica; INEGI: Instituto Nacional de Estadística y Geografía – México; NCDC: National Climatic Data Center; UAM: Universidad Autónoma Metropolitana Iztapalapa; CONABIO: Comisión Nacional para el Conocimiento y Uso de la Biodiversidad; NOAA: National Oceanic and Atmospheric Administration; NWS: National Weather Service; CPC: Climate Prediction Center.

52

Figura 4. Flujograma de la metodología generada. AHP: Procesos jerárquicos analíticos (Analytic Herarchy Process); CT: Ciclones tropicales; EBK: Empirical Bayesian Kriging; ENSO: El Niño Oscilación del Sur (El Niño Southern Oscillation); IBTrACS: International Best Track Archive for Climate Stewardship; PM: pastos marinos; ADEPM: Área de distribución de especies de pastos marinos; P(i): Probabilidad o peligro de la intensidad i; PY: península de Yucatán; Tr(i): periodo de retorno de la intensidad i.

3.3 Capas y datos usados para desarrollar la investigación Se usaron tres capas de información como insumos para el análisis especial y datos estadísticos del ENSO que se analizaron con estadística descriptiva. Los procesos realizados se explican en los posteriores subcapítulos. En este apartado, se describirán las capas y las fuentes de información de donde se obtuvieron.

La capa de información sobre la distribución de pastos marinos que se presenta para este trabajo fue obtenida del grupo de Investigación en Pastos Marinos de la Universidad Autónoma Metropolitana Unidad Iztapalapa, quienes, bajo un convenio de colaboración entre 2011 y 2014 con el Instituto Nacional de Cambio Climático,

53 elaboraron la cartografía de distribución de pastos marinos en el golfo de México, y a partir de 2015 en colaboración con el CICESE-CIGOM realizaron el monitoreo de las áreas de distribución de pastos marinos en la península de Yucatán (Gallegos, Hernández-Cárdenas y Pérez-Espinosa, 2018).

El análisis de los impactos de CT en las costas de la península de Yucatán requirieron del uso de una capa de línea de costa para interceptarla con las trayectorias de CT del periodo analizado. La capa de línea de costa se generó a partir de las Áreas Geoestadísticas Básicas (AGEBs) estatales de INEGI convertida a formato de líneas y se refinó el contorno de esas líneas usando una imagen de fondo de Google Earth en el software QGIS 3.10.

La capa de IBTrACS v4 (NCDC-NOAA, National Climatic Data Center 2019; 2020) se usó para la descripción y análisis de la actividad ciclónica en el golfo de México.

A partir del análisis de los IBTrACS v4, se obtuvo el cálculo de las excedencias con la frecuencia de CT con la malla de 1 grado por 1 grado (ver subcapítulo 2.3), se desarrolló el modelo para calcular el impacto de CT en la línea de costa de la península de Yucatán y se usó para obtener la frecuencia de ocurrencia de eventos ENSO para el periodo analizado por estación y por década. El análisis de P(i) y Tr(i) se hizo para toda la extensión completa del golfo de México, porque es la escala espacial y temporal necesaria para realizarla.

Para analizar los efectos de los CT en las áreas de distribución de PM, se usó la capa de polígonos con la información geográfica de las ADEPM disponible en la página de CONABIO (Gallegos, Hernández-Cárdenas, Pérez-Espinoza, 2018).

Los datos de los episodios de frío y calor asociados con el ENSO se obtuvieron del Climate Prediction Center-NWS-NOAA (2020). A estos datos se les denomina Extended Reconstructed Sea Surface Temperature versión 5 (ERSSTv5). En el subcapítulo 2.1.3.1 del marco teórico se detalla el origen de los datos y su proceso metodológico. En la Tabla 4 se muestran los nombres de los conjuntos de datos, escala, fuente de la información y el periodo de actualización si es que aplica.

54

3.4 Proceso metodológico 3.4.1 Cobertura de pastos marinos (PM) La detección de los pastos marinos como componentes de la VAS se realizó usando una ecosonda Hidroacústica DT-X Biosonics conformada por un transductor digital que emite y recibe sonidos (ecos) que son transformados a señales eléctricas. Este equipo se coloca a un costado de una embarcación con motor fuera de borda junto con un geoposicionador con cálculo diferencial (DGPS). El DGPS adquiere las coordenadas de posición en los trayectos realizados de VAS que se sincroniza con las señales recibidas por el transductor. El transductor envía y recibe las señales de sonido y éstas se convierten en pings que son clasificados como planta o descubierto.

Conforme avanza, para cada posición que el DGPS realiza, se emite un ciclo de 8 a 10 pings. Este se clasifica de acuerdo con la detección del fondo marino. Con esa detección de 10 pings se calculó la altura promedio de la planta, considerando la distancia recorrida y el tiempo que le toma a la señal rebotar y regresar al transductor, la cobertura en porcentaje a partir del número de pings con vegetación y la profundidad promedio en metros considerando los pings registrados (Biosonics, 2008). Los datos registrados de la VAS, en dónde se presentan los pastos marinos, se procesaron en computadora durante los recorridos in situ con el software Visual Adquisition.

Con este software se visualizaron en la pantalla de la computadora ecogramas que permitieron determinar si durante el recorrido se registró la presencia o ausencia de VAS y mostró los rangos de profundidad de los recorridos realizados.

Con los datos recopilados durante los recorridos de campo, se compiló la información de la distribución de los pastos marinos y de la VAS y se registró la batimetría.

La manera de registrar los PM en la VAS fue a través de trayectos paralelos y transversales en las zonas costeras. Los recorridos se planearon en donde previamente se reportó presencia de pastos marinos o VAS. Con el conjunto de la extensión de los trayectos se determinó, a través de la digitalización de polígonos alrededor de las áreas detectadas de VAS, su área cubierta (Gallegos, Hernández-Cárdenas, Pérez-Espinoza, 2018).

55 Los datos registrados de los trayectos obtenidos se procesaron con el software de Visual Hábitat de Biosonics (Figura 5). El software Visual Adquisition interpreta los datos obtenidos y los traduce a registros con coordenadas y variables obtenidas con la ecosonda en formato tabular que posteriormente se convirtieron a un formato interpretable por software para sistema de información geográfica. Con los datos tabulados se generaron capas de puntos que contienen las variables de porcentaje de cobertura (%), la altura de planta (m) y la profundidad (m) entre otros campos de información como la fecha y hora de toma, nombre de archivo etc. Estas capas describen los trayectos que se realizaron en todos los sitios donde se registró la presencia de pastos marinos. Con ello se generó la capa de distribución de los pastos marinos y de la VAS incluyendo a los pastos marinos que son parte de esa comunidad.

Figura 5. Captura de pantalla de Visual Habitat que muestra el ecograma, a la izquierda, y los recorridos con la ecosonda en Los Petenes a la derecha. La línea en rojo en los recorridos indica que es el tramo de recorrido realizado que se muestra en el ecograma.

La distribución de pastos marinos se representó por la capa vectorial que se menciona como la distribución de pastos marinos en la península de Yucatán en la Tabla 4.

En los atributos asociados a la capa de polígonos de pastos marinos se encuentra una regionalización, las asociaciones de especies de pastos marinos y la pertenencia

56 a alguna área natural protegida (ANP) del ámbito federal o estatal y entidad federativa a la que pertenece. Usando este último campo (campo Estados) se describen las superficies por regiones y por entidades federativas. Se obtuvieron las superficies en las que se encuentran las ADEPM de acuerdo la categoría de conservación de la CONANP y las que se encuentran sin protección legal (campo ANP). Para describir las asociaciones por la dominancia de alguna o varias especies de pastos marinos (campo Especies) se generó un resumen en un gráfico. El resultado se presenta en el subcapítulo 4.1.

La capa de ADEPM se usó como capa de corte de las capas resultado de peligro de CT y periodo de retorno de CT, una vez que fueron interpoladas (ver Figura 4). El resultado se presenta en el subcapítulo 4.3. Así mismo se usó para interceptar las trayectorias de CT y obtener los impactos en las ADEPM (ver subcapítulo 4.2).

3.4.2 Frecuencia de impactos de CT en la costa de la península de Yucatán y en el área de distribución de pastos marinos Para evaluar los impactos de los CT en los estados de la península de Yucatán se usaron como insumos las trayectorias de los IBTrACS versión 4 de la cual se seleccionaron las que sucedieron en el periodo analizado de 1957 a 2018, la capa de línea de costa de los 3 estados que se encuentran en la península de Yucatán y la capa de distribución de pastos marinos. Para obtener los impactos en la línea de costa se usó una intersección (intersect) espacial en ArcGIS Pro 2.4 entre la capa de IBTrACS y la línea de costa con una tolerancia de 100m y solicitando que la capa resultado fuera la entidad espacial de puntos. Con la capa resultado se exportaron los datos a una hoja de cálculo para poder realizar un análisis estadístico descriptivo de los datos obtenidos. El mismo procedimiento se realizó con la capa de distribución de pastos marinos con el objetivo de conocer mejor el número de impactos que han ocurrido en las zonas de su distribución actual y así obtener datos relevantes sobre su frecuencia e intensidad (ver subcapítulo 4.2).

57

3.4.3 Escenarios de vulnerabilidad de ciclones tropicales en la península de Yucatán 3.4.3.1 Cálculo de la frecuencia de CT (v(i)), peligro (P(i)) y periodo de retorno (Tr(i)) Se aplicó la metodología del atlas de riesgos de México del Centro Nacional para la Prevención de Desastres (Eslava et al., 2006) que se describe en el marco metodológico para estimar la probabilidad de ocurrencia de CT. Para aplicar dicha metodología, se usaron los IBTrACS v04 publicados en 2019. Se descargó la capa shapefile a partir de la cual se realizó el corte a los límites del Golfo de México y se seleccionaron las estaciones (años) de 19575 a 2018 (NCDC-NOAA, 2019; NCDC-NOAA, 2020). El modelo espacial para obtener la probabilidad de ocurrencia de CT usa como fuentes de información las capas de IBTrACS versión 04 y una malla de 1° x 1° (Mapa 2). La extensión geográfica de la malla en la latitud norte comprende de los 17° a los 32° y en la longitud de 78° a los 99° oeste (capa Grid_1G). Esta es la extensión seleccionada para la cuenca del golfo de México. La capa de los IBTrACS v4 para el periodo de 1957 a 2018 se cortó usando la capa de malla para contar con los datos de trayectorias para el golfo de México.

Para obtener por registro de trayectoria la categoría de ciclón tropical de acuerdo con la escala Saffir-Simpson que usa los vientos máximos sostenidos (VMS) en superficie en nudos (kts), se adicionaron dos campos en donde se calculó en función del campo USA_WIND la categoría de ciclón tropical por nombre (texto) e intensidad (ver Tabla 2). La frecuencia de CT se obtuvo de las trayectorias seleccionadas de los IBTrACS de 1957 a 2018 para el golfo de México, la operación mediante la cual se realizó fue la unión espacial usando la opción de unión de uno a muchos, es decir que 1 cuadro puede contener más de 1 registro de trayectoria y categoría, con la capa de Grid_1G (Figura 6). Así se realizó la contabilidad de trayectorias de acuerdo con la categoría de ciclón tropical por cada cuadro de 1° x 1° de la malla (Mapa 2). El

5 Esto es el año en que se iniciaran las mediciones sistemáticas del bióxido de carbono en la atmósfera.

58 resultado se exportó a un archivo de hoja de cálculo para hacer los cálculos de tasa de excedencias (vi), peligro (probabilidad) y periodo de retorno (Figura 7) con las fórmulas que se muestran en el marco metodológico del capítulo 2 (ver subcapítulos 2.3.3.1 a 2.3.3.3).

Mapa 2. Malla para el análisis de trayectorias de CT y frecuencia por cuadro de 1° x 1°.

La fuente de la capa vectorial de continente es CICESE-CIGOM, la malla de 1° x 1° es de elaboración propia, y la capa de las trayectorias de CT de IBTrACS v4.

59

Figura 6. Proceso para obtener el conteo de los ciclones tropicales para cada cuadro de 1° x 1° de la malla.

60

Figura 7. Ejemplo de hoja de Excel con los cálculos con los datos ordenados con la tabla dinámica.

Se observa la intensidad y categorías de CT transpuestas para contabilizar el número de incidencias por registro asociado a un cuadro de 1° x 1°.

3.4.3.2 Interpolación EBK del peligro (P(i)) y periodos de retorno (Tr(i)) de los ciclones tropicales en la península de Yucatán Las interpolaciones a partir de los cálculos de peligro (P(i)) de CT y tiempos de retorno (Tr(i)) de los CT que fueron calculadas en el inciso anterior se realizaron con la hoja de cálculo obtenida de acuerdo con proceso realizado en Model Builder que se muestra en la Figura 6. El resultado son los datos de las variables P(i) y Tr(i) que se importaron en el ArcGIS Pro y mediante un proceso generado en Model Builder se unió a la capa de malla de 1° x 1° con lo cual se generó una nueva capa de malla con los datos calculados de ambas variables. En la Figura 8 se muestra el proceso creado en Model Builder.

61

Figura 8. Proceso de asignación de los cálculos de v(i), P(i) y Tr(i) a la malla de 1G x 1G. Donde ProcesoCT es la capa de malla con los atributos asignados.

Una vez que la capa de la malla contuvo los valores de los cálculos de v(i), P(i) y Tr(i) esta se convirtió a una capa de puntos calculando el centro geométrico de cada cuadro de la capa de malla conservando los atributos de la capa original (Mapa 3).

Con esta capa se realizó la interpolación de los valores usando el EBK. El proceso se realizó en ArcGIS Pro 2.4 usando Model Builder mediante el cual se realizó la interpolación EBK de P(i) y Tr(i) como se muestra en la Figura 9. En el subcapítulo 4.3 se muestran los mapas, gráficos y tablas con los resultados obtenidos.

62

Mapa 3. Malla convertida a los puntos que son los centros geométricos con los valores de atributos asignados. La fuente de la capa vectorial de continente es CICESE-CIGOM, la malla de 1°x1° es de elaboración propia, y los centroides fueron calculados a partir de la malla de 1°x1°.

63

Figura 9. Proceso de cálculo de P(i) y de Tr(i) usando Empirical Bayesian Krigging en Model Builder.

64

3.4.3.3 Escenario de vulnerabilidad a partir de las capas de peligro de CT y periodo de retorno usando AHP para la zona de distribución de pastos marinos en la península de Yucatán La aplicación del método se hizo usando el complemento para QGIS 2.18 de Easy AHP para obtener la WLC. Previamente, se reclasificaron las capas interpoladas de P(i) asignando a 9 clases. Lo anterior de cuerdo a la escala de Saaty, el valor de 9 a 1 dependiendo de las preferencias o priorización del objetivo propuesto (ver Tabla 3).

El objetivo de los escenarios de vulnerabilidad de los pastos marinos que fue encontrar las áreas menos susceptibles a los CT de mayores intensidades, para ello se reclasificaron los mapas interpolados donde la preferencia mayor (9) es sobre las bajas intensidades y disminuye a 1 para las probabilidades de CT de intensidades cercanas a 7.

La sobre posición ponderada se hizo mediante el Raster Calculator de ArcGIS Pro 2.2 con las 7 capas reclasificadas de P(i) de acuerdo a las ponderaciones obtenidas con el Easy AHP. A partir de ello se generaron los escenarios de vulnerabilidad identificando las zonas donde pueden ocurrir los mayores peligros de impactos de CT en el golfo de México. Para conocer la coincidencia espacial entre el escenario de vulnerabilidad generado y los pastos marinos, se sobrepuso con la capa de áreas de distribución de especies de pastos marinos en la península de Yucatán.

3.4.3.3.1 Integración de P(i) y Tr(i) y escenarios de riesgo La integración consistió en combinar los mapas interpolados de P(i) y de la Tr(i) usando criterios sencillos mediante los cuales se propusieron categorías en función del grado de riesgo. Las amenazas son las capas de Tr(i) y la vulnerabilidad son las capas de P(i). La regla general de los criterios propuestos se basa en que a mayor peligro de P(i) y menor periodo de retorno (Tr(i)) mayor es el riesgo de que ocurran CT de esas intensidades; de manera recíproca a menor peligro de P(i) y mayor Tr(i) entonces se presentará un menor riesgo. Para aplicar lo anterior, se reclasificaron

65 las capas de P(i) en 10 clases, puesto que el peligro va 0 a 1 y en 6 clases para Tr(i) por la distribución de valores sesgada a la izquierda. Sin embargo, se debe ser cuidadoso con las categorías de huracanes de H1 a H5, puesto que su periodo de retorno es relativamente bajo comparado con depresiones y tormentas tropicales, pero por la velocidad de sus vientos máximos y velocidad de movimiento pueden ser fenómenos que generen grandes perturbaciones y daños. Lo anterior se considera en los criterios aplicados. El proceso consistió en hacer una combinación pareada para cada una de las capas de P(i) y Tr(i) reclasificadas y asignar un atributo en función de la amenaza y vulnerabilidad. Las categorías usadas son: muy alto (5), alto (4), medio (3), bajo (2), muy bajo (1). La aplicación de los criterios se realizó a las 7 intensidades de P(i) y Tr(i). Una vez obtenidas las combinaciones pareadas se procedió a combinarlas en una sola capa que contiene a las siete peligrosidades (P(i)) y siete periodos de retorno (Tr(i)) (ver subcapítulo 4.5). Al obtener todas las combinaciones pareadas en una sola capa, se generó un mapa de unidades que muestra el riesgo de la vulnerabilidad y las amenazas por el periodo de retorno de los CT. En el subcapítulo 4.3 se presenta la frecuencia de CT en el golfo de México. En los subcapítulos 4.3.1 a 4.3.3 las capas ráster de P(i), Tr(i) y los resultados de la aplicación de AHP para el P(i) para el golfo de México. Los resultados de AHP en las áreas de distribución de PM y la integración de P(i) y Tr(i) se presentan en los subcapítulos 4.4 y 4.5.

3.4.4 Descripción de la ocurrencia de CT e influencia por ENSO para el golfo de México Se aplicó el análisis estadístico descriptivo con estadísticas de tendencia central a partir de la frecuencia de CT. Esto se realizó usando una hoja de cálculo que fue generada de acuerdo con el proceso que se muestra en la Figura 6. Mediante una consulta de base de datos se obtuvo el número de CT por estación (año) de ocurrencia desde 1957 a 2018. Debido a las variaciones Inter decadales que se presentan en el número de CT se hizo un resumen por décadas completas para el periodo considerado que permitieran visualizarlas, es decir que se consideraron 5 décadas completas de 1960 a 2010.

66 Los datos usados de ENSO6 que se relaciona frecuentemente a la supresión o incremento en la actividad ciclónica y cambios climáticos a nivel global, como se hace referencia en el marco teórico, se obtuvieron de CPC-NWS-NOAA (2020). Esta serie de tiempo que muestra los eventos El Niño, La Niña y Neutro desde 1950 los obtuvieron y analizaron a partir de los ERSST en su versión 5 (Huang et al., 2017). Para ver un mayor detalle revisar las bases teóricas en el subcapítulo 2.1.3. La presencia de los eventos de El Niño y La Niña se establecen usando los datos de anomalías de las SST en las zonas de monitoreo del ENSO que se designaron como 1+2, 3, 4 y 3+4. Cuando la anomalía de SST medida en la zona de monitoreo es mayor a +0.5 °C, se considera un evento El Niño, si la anomalía de SST menor que -0.5°C, se considera un evento La Niña. Las anomalías de SST que varían entre -0.5°C a +0.5°C se consideran eventos Neutros.

Los resultados de la descripción de la ocurrencia de CT para el periodo de 1957 a 2018 y la influencia que la presencia que eventos de El Niño tiene para el golfo de México se presenta en el subcapítulo 4.6.

6 http://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php

67

CAPÍTULO 4. RESULTADOS Y DISCUSIÓN 4.1 Cobertura de pastos marinos Las comunidades de pastos marinos tienen una distribución extendida pero discontinua en las costas de la península de Yucatán. De la Laguna de Términos en el estado de Campeche a Cabo Catoche en Quintana Roo. Abarcan una superficie de 3,375 km2 (Mapa 4). El 71% de esa superficie se encuentra en el estado de Campeche, el 23% en Yucatán y sólo el 6% en Quintana Roo (Figura 10).

En la distribución de los pastos marinos se encuentran declaratorias de ANP lo cual es favorable para su conservación. El 91% de las ADEPM se encuentran bajo alguna categoría de ANP y solo el 9% no lo está (Figura 11). La categoría de ANP de Reserva de la Biosfera es en donde se encuentra la mayor superficie de pastos marinos con aproximadamente 2,000 km2. La siguiente categoría de ANP es la de Área de Protección de Flora y Fauna (APFyF) con casi 700 km2. Las reservas estatales ocupan aproximadamente 390 km2. El 9% del área de estudio se encuentra sin protección, con una superficie son 300 km2.

Las especies de pastos marinos que dominan en el golfo de México son Thalassia testudinum (Tt), Syringodom filiforme (Sf) y Halodule wrightii (Hw) mismas que se encuentran en sus áreas de distribución en las zonas costeras de aguas someras de la península de Yucatán. Estas especies de pastos marinos se encuentran frecuentemente asociadas a varias especies de macroalgas (A) marinas, formando comunidades diversas y con diferentes especies dominantes (ver Figura 1). La asociación entre pastos marinos y A se le denomina VAS. En este trabajo no se hace una descripción detallada de la composición florística de esas comunidades. La asociación entre las especies Tt, Sf, Hw y A, se presentó como dominante ya que se extiende un 62% de la superficie de la ADEPM (Figura 12). Esta superficie se encuentra en categorías de conservación de RB y en APFyF (Tabla 5, Figura 11). Las asociaciones entre Tt, Sf con Hw o con A corresponde con el 27% de la superficie en la ADEPM. La asociación entre Tt, Sf y A corresponden con el 11% de la superficie y se encuentran en RE (Figura 12 y Tabla 5).

68

Mapa 4. Distribución de los pastos marinos y de la VAS en la zona costera de la península de Yucatán.

69

Figura 10. Porcentajes de superficies de la distribución de PM por estados en la Península de Yucatán.

Figura 11. Porcentaje de superficies por categoría de manejo de Áreas Naturales Protegidas. APFyF: Área de Protección de Flora y Fauna; RB: Reserva de la Biosfera; RE: Reserva estatal; SP: Sin protección.

70

Figura 12. Porcentaje de superficies dada las dominancias de las especies en la distribución de la VAS. Thalassia testudinum (Tt); Syringodium filiforme (Sf); Halodule wrightii (Hw); macroalgas (A).

Tabla 5. Superficies (km2) de las asociaciones de VAS por categoría de área natural protegida.

Asociaciones Sf, A

APFyF

RB

SP 3.17

Tt, Hw, A Tt, Sf Tt, Sf, A Tt, Sf, Hw Tt, Sf, Hw, A Total general

RE 0.00

0.00

445.03 384.92 159.41 536.31 695.72

299.58 1,547.15 1,992.18

384.93

Total general 3.17

302.76

445.03 384.92 458.99 2,083.47 3,375.58

Thalassia testudinum (Tt); Syringodom filiforme (Sf); Halodule wrightii (Hw); algas (A); Área de Protección de Flora y Fauna (APFyF); Reserva de la Biosfera (RB); Reserva Estatal (RE); Sin protección (SP).

71

4.2. Frecuencia de impactos de CT en la costa de la península de Yucatán y en el área de distribución de pastos marinos Para el periodo de 1960 a 2017 se registraron 124 impactos de CT. De los cuales 60 fueron depresiones tropicales y 39 tormentas tropicales. Sumando ambas categorías representaron el 80% de los impactos ocurridos (Mapa 5 y Tabla 6). El mayor número de impactos en las costas se presentó entre 2010 a 2017 con 31. Estos son 4 CT más que con respecto a la década previa (2000 a 2009) en donde ocurrieron 27. Aunque el número es menor como se indicó entre 2000 y 2009 se presentaron 8 CT de categorías H4 y H5 que fueron de mayor intensidad y fuerza lo que incrementa el riesgo de perturbaciones fuertes y daños a las poblaciones humanas. La década que presentó menores impactos de CT es la 1980 a 1989 con 10 (Tabla 6), pero en 1988 ocurrió el huracán Gilberto que ha sido uno de los huracanes de mayor intensidad para América del Norte.

El estado de Quintana Roo presentó el 65% de los impactos en costa de los CT tropicales para el periodo analizado. Campeche presentó el 20% de impactos y el restante 15% han impactado en Yucatán.

El análisis de la frecuencia de impactos que han ocurrido en el área de distribución actual de los pastos marinos dio como resultado que son 36 los que se han presentado para el periodo de tiempo analizado. De los 36 impactos de CT, 32 de ellos fueron de las categorías depresión y tormenta tropical. Por ello se puede decir que las áreas de distribución de especies de pastos marinos han sido relativamente poco afectadas por CT de categorías de huracán. El CT Wilma de categoría H2 impactó en la zona de Cabo Catoche y Laguna Yalahao en el año 2005 y el CT Dean impacto en la zona de Champotón con la categoría de H1 en el año 2007 (Mapa 6). En 2017 el CT Harvey impactó en Los Petenes como depresión tropical, después de atravesar la península de Yucatán y entrar en aguas del golfo de México retomo fuerza y se intensificó hasta llegar a la categoría 5 de huracán.

72 El Mar Caribe es un gran formador de CT ya que para el periodo analizado aproximadamente 130 se iniciaron ahí. Cerca de 41 de esos CT que se formaron en el Mar Caribe atravesaron la península de Yucatán convirtiéndose en depresiones o tormentas tropicales, muchas de las cuales al entrar en contacto con las aguas del golfo de México se intensificaron y siguieron su trayecto. Esto es interesante para el caso de la distribución de pastos marinos que, en las costas del estado de Campeche, es la más amplia de la península de Yucatán y probablemente de México, pero no ha recibido el impacto de CT de categorías superiores a H2. Esto se puede deber a la relativa protección que la península de Yucatán brinda al disminuir la intensidad de los CT cuando la atraviesan (Mapa 6).

Tabla 6. Resumen del número de impactos de CT en la línea costera de la península de Yucatán.

Periodo 60-69

DT 13

TT 1

H1

70-79

18

6

1

80-89 90-99 00-09 10-17 Total

1 5 10 13 60

6 6 6 14 39

1 1 1 4

H2 2

H3

H4

H5

2 1 1 2 3 7

2

27 2

3

5

5

7

DT: depresión tropical; TT: tormenta tropical; H: huracán; 1, 2, 3 …, 5 categoría de huracán.

Total 16 10 13 27 31 124

73

Mapa 5. Impactos de CT en la línea de costa de la península de Yucatán para el periodo analizado.

74

Mapa 6. Impactos de los CT en las áreas de distribución de especies de pastos marinos para el periodo analizado con las velocidades de vientos (kt) alcanzadas y sus nombres. Se muestran solo las intensidades de CT de la 2 a la 4.

75

4.3 Frecuencia de ciclones tropicales en el golfo de México La actividad ciclónica en el golfo de México comienza en el mes de mayo y es frecuente que se prolongue hasta octubre o noviembre (Mapa 7). En raras ocasiones, para el intervalo de tiempo analizado, se han presentado CT en diciembre. Solo en dos ocasiones ocurrió, una en 1989 con la TT Karen y en 2007 con la DT Olga.

Ambos sucedieron en el contexto de ENSO en eventos de La Niña de moderados a fuertes (ver Tabla 13). La Niña en contraparte a El Niño suele provocar un aumento en la actividad ciclónica. El máximo número de CT para el periodo analizado ocurre en septiembre, pero suele haber un pico en el número de CT en el mes de junio.

Esto último se percibe muy bien cuando se observa en el Mapa 7 el número de las trayectorias que ocurren entre junio y julio. Por otro lado, en el mismo mapa, es muy evidente la gran densidad de trayectorias por la alta frecuencia con la que ocurren en el mes de septiembre.

4.3.1 Capas de peligro de CT (P(i)) Las interpolaciones a partir de los resultados del cálculo de P(i) muestran patrones que deben ser interpretados correctamente para ser útiles. Dado que los cálculos para cada P(i) son complementarios entre sí, la suma de las siete probabilidades debería dar 1. Sin embargo, los métodos de interpolación presentan errores en las predicciones por lo que al sumar las 7 capas interpoladas se presentaron valores menores a 1 o mayores a 1. Para el caso de las 7 capas interpoladas con EBK al sumarlas, se observaron valores mínimos de 0.85055 y máximos de 1.07131 que se distribuyen como se muestra en el histograma de la Figura 13. El intervalo de errores es de 0.22, pero el número de pixeles por debajo de 0.95 es muy bajo y también por arriba de 1.05. Por ello se consideró que el resultado de la suma de valores, para ese intervalo, es razonable pensar que es válido si es 1 ± 0.22.

76

MAY

JUN

JUL

AGO

SEP

OCT

NOV

DIC

Mapa 7. Trayectorias de ciclones tropicales en el golfo de México para los meses de actividad ciclónica.

Se usan todas las trayectorias para el periodo de tiempo analizado.

77

Figura 13. Histograma de la suma de los valores de las 7 capas de las P(i) interpoladas.

Altos valores de P(i) a intensidades bajas indican que es poco probable que pasen a la siguiente categoría de CT. Así, cuando los valores de P(i) son bajos es muy probable que se alcancen categorías de intensidades mayores, salvo que no ocurran CT. En la Tabla 7 se resumen en los valores mínimo y máximos de las probabilidades de ocurrencia de CT. De acuerdo al Mapa 8 para P(1) se muestra que los altos valores, cercanos a 1, ocurren en las zonas de tierra firme, en el sureste mexicano sobre los territorios de Tabasco y en Estados Unidos de América en Texas, esto quiere decir que la probabilidad de que no pase de los vientos máximos sostenidos (tasas de excedencias) de una depresión tropical es alta. Lo anterior es consistente con el comportamiento de un ciclón tropical (CT) que al entrar a tierras continentales disminuye la intensidad de sus vientos.

Sobre las aguas del golfo de México se presentaron altos valores de P(1) lo que significa que son zonas en donde no es frecuente que ocurran CT de intensidades mayores. Los valores bajos de P(1) indican que son zonas en las que las posibilidades de que se presenten CT de intensidades mayores pueden ser altas. Por ello, es importante interpretar el conjunto de los mapas con las 7 intensidades para saber en donde pueden ocurrir CT de intensidades mayores que pueden afectar a las zonas de costa (Mapas 8 y 9).

78

Mapa 8. Capas interpoladas con EBK de las P(1) a P(3).

79

Mapa 9. Capas interpoladas con EBK de las P(4) a P(7). Debido a las bajas probabilidades de que ocurran CT de estas intensidades (ver Tabla 7) los intervalos van de 0.05 hasta 0.5.

80 Tabla 7. Valores mínimos y máximos obtenidos de las capas interpoladas con EBK de P(i) y Tr(i).

El valor de cero en H2 a H5 indica ausencia de CT de esas intensidades.

DT

TT

H1 P(i)

Máximo

0.980000

0.983715

0.373905

Mínimo

0.014068

0.011118

Máximo Mínimo

51.252 0.367

34.377 0.933

0.000866 Tr(i) 53.081 3.000

H2

H3

H4

H5

0.21549

0.214389

0.145425

0.145229

0

0

0

0

48.888 0

50.203 0

33.213 0

52.704 0

Peligro de CT:P(i); periodo de retorno de CT: Tr(i).

Para entender mejor la información generada para las probabilidades por intensidades, se aplicó la suma de cada capa de intensidad y se condicionó a mostrar las zonas que sumaron un valor cercano a 1. Esto, como se explicó antes, por los errores de interpolación y considerando la distribución de valores de que se presentan en la Figura 13. Por ello, se estableció que la condición fuera que la suma de las capas de las P(i) fuera mayor de 0.95.

Donde: i = intensidad Al realizar las sumatorias P(i) se generaron capas que se corresponden con las categorías de CT. Es decir al sumar P(1) + P(2) y aplicar la condición de mayor o igual que 0.95 (>= 0.95) se generó una capa booleana con valores de 1 para las

81 zonas donde se cumple la condición y 0 donde no. Para este ejemplo la suma de las probabilidades de las intensidades de depresiones tropicales (DT) más las de tormentas tropicales (TT) nos mostró las zonas en donde ocurren ambos CT porque se alcanzó los VMS por su tasa de excedencia para ser considerado una TT. En otras palabras, se generó el escenario de zonas donde las intensidades de vientos máximos no exceden la categoría de TT puesto que ambas suman aproximadamente 1. Siguiendo el mismo procedimiento para cada una de las siete intensidades, se obtuvieron capas booleanas de huracanes categoría 1 (H1), huracanes categoría 2 (H2), huracanes categoría 3 (H3), huracanes categoría 4 (H4) y huracanes categoría 5 (H5). Las seis capas por categoría de CT se sumaron y se obtuvo un mapa donde se observa en colores verdes donde ocurren categorías de DT, TT, en colores verdes a amarillos indicando las zonas donde las excedencias de vientos no sobrepasan frecuentemente las categorías de H1 y H2. Los colores anaranjados a rojos intensos indican las zonas donde las excedencias de vientos pueden alcanzar categorías de H3 a H5 (Mapa 10). Cabe aclarar que las zonas en blanco designadas como sin datos (S/D) suceden porque los errores de predicción en la interpolación son mayores que la condición establecida, por lo que no se contabilizaron.

En el Mapa 10 es notorio que las zonas que tienen mayor peligro de eventos de huracanes de categorías 3 a 5 son el mar Caribe, en las costas de centros turísticos importantes como Cancún, Cozumel e Isla Mujeres, el cabo de la península de Florida, y las costas de Nuevo Orleans a Texas, con grandes centros de población, y Tamaulipas alrededor de la frontera con México.

82

Mapa 10. Zonas que tienen mayor peligro de eventos de huracanes de categorías 3 a 5 son el Mar Caribe, en las costas de centros turísticos importantes como Cancún, Cozumel e Isla Mujeres, el cabo de la península de Florida, y las costas de Nuevo Orleans a Texas, con grandes centros de población, y Tamaulipas alrededor de la frontera con México.

83

4.3.2 Capas de periodo de retorno de CT (Tr(i)) Complementario al cálculo del peligro de CT está el de los periodos de retorno (Tr(i)) que dado que ha ocurrido un evento de CT nos dice cuál es el tiempo en que puede volver a ocurrir. El tiempo máximo en que puede ocurrir es igual al número de años considerados en el análisis. Para este estudio fue de 1957 a 2018, es decir 61 años.

Considerando que entre más corto es el periodo de retorno de un CT es más probable su recurrencia y por lo cual puede causar daños, se usó una paleta de colores de cian a azules a rojos intensos para representar el periodo de retorno. Los colores de cian a azules muestran periodos largos de varios años a décadas y de amarillos a rojos tiempos cortos de solo algunos años (Mapa 11 y 12). Así para el periodo de retorno de intensidades de 1 (Tr(1)), es decir de depresiones tropicales (DT), en la parte continental se observaron periodos de retorno largos de hasta 51 años (ver Tabla 7). En la Figura 14 para el histograma de Tr(1), los datos se encuentran concentrados en menos de 4 años (primera desviación estándar), lo que quiere decir que las DT presentan una alta frecuencia temporal en el golfo de México. Las Tr(2) que corresponden con las tormentas tropicales (TT) se concentran en menos de 6 años (+1 STD) lo que indica su alta frecuencia temporal (Mapa 11 y Figura 14). En el Mapa 11 se observa que en el canal de Yucatán y hacia el centro y norte del golfo de México frente a las costas de Nueva Orleans los Tr(2) se presenta con una constancia de menos de 2 años. Ver en la Tabla 7 el resumen de los valores mínimos y máximos de los periodos de retorno de CT para el periodo analizado.

En los Mapa 11 y 12 y Figura 14 se muestran los Tr(1) a Tr(7) con los siguientes resultados: Los Tr(3), que son los CT de categoría 1, ocurren en promedio cada 8 años con 1 STD ± 4.7 años. Esto los hace relativamente frecuentes en el Caribe, Canal de Yucatán y hacia las costas de Nueva Orleans. Las Tr(4) a Tr(6) son los CT de categorías de 2 a 4 que en promedio ocurren entre 12.5 a 12.8 años con 1 STD ± 6 a 7 años. En los histogramas de Tr(4) a Tr(6) los tiempos de retorno se extienden y se distribuyen mejor a lo largo de los años. Por ejemplo, para los CT de categoría 4 el tiempo máximo de retorno es de 33 años. Así mismo, se observa en la alta frecuencia de valores cercanos a 0 años. En los Mapa 11 y Mapa 12 se muestran en

84 color blanco las zonas con valores iguales a cero de las los Tr(4) a Tr(7). Lo anterior indica que son las zonas en donde no han ocurrido CT de esas categorías.

4.3.3 Aplicación de AHP P(i) en el golfo de México El objetivo planteado en la metodología usando el AHP (subcapítulo 3.4.3.3) se alcanzó usando las capas de P(i) que se generaron y se describen en los subcapítulos 4.3.1 y 4.3.2. El resultado de la aplicación es la matriz de comparación pareada. Esta se presenta en la Figura 15 junto con el cálculo del índice de consistencia (CI) que fue de 0.119. Para saber si la razón de consistencia (RC) es aceptable, se usó el valor del índice aleatorio (RI) que es para 7 variables de 1.32. Dividiendo el CI entre el RI nos da que es de 0.09 que es menor que 0.1 el cual es límite para establecer que los juicios emitidos en la matriz de comparación pareada por lo que es aceptable la matriz (Figura 15).

Los valores de ponderación obtenidos son los siguientes: Intensidad (i)

Valor de Ponderación (W)

1

0.381

2 3 4

0.236 0.168 0.102

5 6 7

0.059 0.033 0.02

85

Mapa 11. Capas interpoladas de Tr(i) con EBK de intensidades de Tr(1) a Tr(4). A partir de Tr(4) se añadió la categoría cero que indica que para el periodo analizado no han ocurrido CT de esa intensidad en esas zonas.

86

Mapa 12. Capas interpoladas de Tr(i) con EBK de intensidades de Tr(5) a Tr(7). A partir de Tr(4) se añadió la categoría cero que indica que para el periodo analizado no han ocurrido CT de esa intensidad en esas zonas.

87

Figura 14. Histogramas de frecuencias de las capas de Tr(i).

88

H1

H2

H3

H4

H5

H6

H7

H1

1

3

4

5

7

8

9

H2 H3 H4 H5 H6 H7

0.333 0.25 0.2 0.143 0.125 0.111

1 0.333 0.25 0.2 0.143 0.111

3 1 0.333 0.2 0.143 0.111

4 3 1 0.333 0.2 0.143

5 5 3 1 0.333 0.2

7 7 5 3 1 0.333

9 9 7 5 3 1

Figura 15. Matriz de comparación pareada para obtener los valores de ponderación.

La WLC de las capas se realizó en la calculadora ráster de ArcGIS Pro 2.4. De acuerdo con la siguiente ecuación:

Donde: P(i) = Probabilidad para la intensidad i Wi = ponderación

89 El escenario planteado por el objetivo fue el de encontrar las zonas con menor peligro o probabilidad de presentar CT extremos. El resultado se muestra en el Mapa 13 en donde los colores que van de anaranjados a rojos son los menos preferidos, es decir las áreas más vulnerables y los más preferidos son los colores de verdes a azules de acuerdo con el objetivo planteado.

4.4 Aplicación de AHP en el ADEPM para P(i) Los escenarios de vulnerabilidad de CT se elaboraron para todo el golfo de México puesto que los fenómenos climáticos lo afectan al conjunto de su área. Los pastos marinos que se encuentran dentro de las comunidades de vegetación acuática sumergida en las aguas someras del golfo de México son afectados continuamente por los CT. Esta investigación fue enfocada en los que se distribuyen en la zona costera de la península de Yucatán. Por ello, el escenario de AHP WLC (Mapa 13) fue cortado con la capa del área de distribución de especies de PM. El resultado del corte se muestra en el Mapa 14, los valores se acotan en este mapa, con respecto al intervalo de valores del Mapa 13 (6 a 7), quedan entre 6 y menos de 7. Este gradiente de valores indica la preferencia y los valores próximos a 7 son lo que presentan menor riesgo de CT extremos. De acuerdo con el Mapa 14 las ADEPM que menor peligro tienen son Los Petenes-Celestún y Dzilam-San Felipe. Los Petenes es una reserva de la Biosfera (RBP) terrestre y marina que da protección a la más amplia extensión de pastos marinos en México. Esta alcanza más de 100 km a lo largo de la costa y los 25 km mar adentro.

La relativa estabilidad que se presenta en la RBP en cuanto a eventos CT no extremos puede favorecer que se mantengan estas enormes praderas de pastos marinos.

Por otro lado, como se señala en los antecedentes, especies de pastos marinos como la Thalassia testudinum (Tt) con rizomas profundos son más resistentes a las perturbaciones de CT y son un componente principal de las asociaciones de pastos marinos. La presencia de Tt en las asociaciones de VAS contribuyen a disminuir el tamaño del oleaje protegiendo la costa por lo que se les considera protectores de las costas (Tabla 8). Esta especie es dominante en la mayoría de la zona de distribución de las asociaciones de pastos marinos.

90 Tabla 8. Resumen de valores de WLC AHP por estado y asociación vegetal.

Estado y Asociación

Promedio

Mínimo

Máximo

Campeche

6.41

6.07

6.74

Tt, Sf, Hw Tt, Sf, Hw, A Quintana Roo

6.45 6.39 6.47

6.42 6.07 6.46

6.59 6.74 6.59

Tt, Sf Tt, Sf, Hw Yucatán Sf, A Tt, Hw, A Tt, Sf Tt, Sf, A Total general

6.46 6.48 6.59 6.58 6.58 6.68 6.54 6.52

6.46 6.46 6.43 6.58 6.58 6.43 6.50 6.07

6.46 6.59 6.84 6.58 6.58 6.84 6.58 6.84

Thalassia testudinum (Tt); Syringodom filiforme (Sf); Halodule wrightii (Hw); algas (A).

Si se analiza el Mapa 14 por zonas, la Laguna de Términos presenta valores menores en la ponderación lineal del AHP lo que indica que los eventos de CT pueden generar inestabilidad. En Laguna de Términos la distribución de VAS a disminuido en los últimos 20 años. Champotón presenta valores intermedios por lo que no hay amenazas fuertes de CT, pero no se encuentra bajo algún esquema de conservación. En el norte del estado de Yucatán, Dzilam de Bravo y San Felipe presentan riesgos bajos a CT, por el contrario, las zonas Holbox y Cabo Catoche en el estado de Quintana Roo presentan mayores peligros por CT de acuerdo con el Mapa 14.

El Mapa 14 dice cual es el nivel de peligro por CT, pero no dice que categorías de huracanes se han presentado en las áreas de distribución de VAS y PM para el periodo de tiempo analizado. Para ello, se extrajo del Mapa 10, a partir de la capa de ADEPM, las categorías que han acontecido en donde se encuentran los PM. Esta información se resume en la Tabla 9 donde se muestran las categorías de CT que han ocurrido por estado y por asociaciones de especies. En el Mapa 15 se observa la distribución geográfica de los eventos de CT del periodo analizado. Esto indica cuales han sido las categorías máximas y mínimas que se han presentado en las áreas de distribución de PM. Se muestra que los eventos van de tormentas tropicales (TT) a

91 huracanes de categoría 4 (H4). El estado que presenta la mayor categoría de CT es Quintana Roo con huracanes de categoría 4 (H4). Lo cual contrasta con el estado de Campeche donde la máxima categoría de CT es la de huracán de categoría 1 (H1).

En el norte de Yucatán, en las ADEPM, se han presentado huracanes con categoría máxima de 3 (H3).

Tabla 9. Categorías de CT por estado y asociación vegetal.

Estado y Asociación

Máximo

Mínimo

Cuenta de ANP

Campeche

H1

TT

3

Tt, Sf, Hw Tt, Sf, Hw, A Quintana Roo

H1 H1 H4

H1 TT H3

1 2 2

Tt, Sf Tt, Sf, Hw Yucatán Sf, A Tt, Hw, A Tt, Sf Tt, Sf, A Total general

H4 H3 H3 H3 H3 H2 H3 H4

H3 H3 H1 H3 H3 H1 H3 TT

1 1 6 2 1 1 2 11

Thalassia testudinum (Tt); Syringodom filiforme (Sf); Halodule wrightii (Hw); algas (A); H1: huracanes categoría 1; H2: huracanes categoría 2; H3: huracanes categoría 3; H4: huracanes categoría 4; TT: tormenta tropical.

92

Mapa 13. Escenario de AHP para CT eligiendo las zonas de menor peligro.

93

Mapa 14. Escenario de WLC AHP para CT de acuerdo con la capa de distribución de los pastos marinos y de la VAS.

94

Mapa 15. Categorías de CT que se han presentado en las áreas de distribución de la VAS.

95

4.5 Integración de P(i) y Tr(i) y escenarios de riesgo en ADEPM Los escenarios resultantes de las amenazas y vulnerabilidad por CT combinando P(i) y Tr(i) muestran lo que se espera de la aplicación de criterios por combinación pareada. Para mayor facilidad las combinaciones realizadas se les asignó un identificador (ID) que se muestra en la Tabla 10 y en el Mapa 17. Interpretando la Tabla 10 por columna se observó que para la combinación de P(1) y Tr(1), que es para la intensidad de depresiones tropicales (DT), se presentaron las categorías alta y medio que se muestran en colores rojo y amarillo en el Mapa 16a. Leyendo la Tabla 10 por registro se observó que las zonas que presentaron la categoría alta son Laguna de Términos, Laguna Yalahao y la costa norte del estado de Yucatán donde se encuentran Dizlam de Bravo y San Felipe (Mapa 16a). Las zonas en categoría medio van desde Champotón hasta los Petenes, en Campeche y en la costa de Quintana Roo en Cabo Catoche. El resultado es consistente con el hecho de que las DT son muy frecuentes en términos espaciales y temporales en zonas como Laguna de Términos. Las tormentas tropicales (TT), por P(2) y Tr(2) se clasificaron como amenazas de medio a muy bajo. Estas categorías se presentaron en los Petenes y en parte de Champotón, mientras que las categorías de bajo a muy bajo en Laguna de Términos, Celestún, Dizlam de Bravo y San Felipe. Lo anterior significa que, aunque se presentaron en esas zonas TT estas son poco frecuentes en términos de su periodo de retorno. Para las categorías de huracanes de categoría 1 a 2 que corresponden con la combinaciones de P(3)-Tr(3) y P(4)-Tr(4) respectivamente solo se dan las categorías bajo y muy bajo e inclusive para LT no hay datos (sin datos) lo que significa que no se han presentado CT de la categorías H2 (Mapa 16a). A partir de las categorías de huracán 3 y 4 (P(5)-Tr(5) y P(6)-Tr(6) respectivamente) algunas zonas no han presentado esos eventos de CT por ello no aparecen en las áreas de distribución de pastos marinos en el Mapa16b y en la Tabla 10 se muestran cómo sin datos. Eventos de huracanes de categoría 5 (P(7)-Tr(7)) no se han presentado en la mayor parte de la península de Yucatán y en las ADEPM, salvo en el estado de Yucatán y en Quintana Roo en Holbox y Cabo Catoche (Mapa 16b).

96 Las combinaciones de P(i) y Tr(i) para las 7 intensidades (categorías de CT), fueron sintetizadas en una sola capa que muestra el riesgo por CT. El resultado fue que se generaron 13 combinaciones posibles. Estas 13 unidades de riesgo se muestran en la Tabla 10 en conjunto con las zonas en donde se presentan ADEPM. Es de notar que ninguna combinación alcanza la categoría de “Muy alto” por eso no se observa en la Tabla 10. En las primeras 4 combinaciones de la Tabla 10, ID de 1 a 4, aparecen las siete intensidades de CT con diferentes categorías de riesgos que se pueden presentar hasta en 4 de las 8 zonas de las ADEPM consideradas en este estudio (ver Mapa 12). Esto indica que han ocurrido en el periodo analizado casi todas las categorías de huracanes, salvo los de categoría 5 (H5), en las zonas de la parte norte y noreste de la península de Yucatán donde se encuentran Dzilam de Bravo, San Felipe, Holbox y Cabo Catoche. Las zonas que presentan menos combinaciones de riesgo son Laguna de Términos, Champotón, Los Petenes y Celestún (Tabla 10). En el Mapa 17 y Tabla 10 se presentan las unidades de riesgo con el identificador de cada una. Adicionalmente se muestran la subdivisión en zonas en el área de distribución de especies de pastos marinos.

Tabla 10. Resumen de categorías de riesgo en función del peligro y periodo de retorno (P(i)-Tr(i)) por el número de zonas con distribución de los pastos marinos.

ID

P(1)-Tr(1) P(2)-Tr(2) P(3)-Tr(3) P(4)-Tr(4) P(5)-Tr(5) P(6)-Tr(6) P(7)-Tr(7)

Z1

Z2

Z3

1

Alto

Bajo

Muy bajo

Bajo

Bajo

Muy bajo

Muy bajo

SnF

Dz

Ho

2

Medio

Bajo

Muy bajo

Bajo

Bajo

Muy bajo

Muy bajo

Ca

Dz

Ho

3

Medio

Bajo

Muy bajo

Muy bajo

Bajo

Muy bajo

Muy bajo

Dz

4

Alto

Bajo

Muy bajo

Muy bajo

Bajo

Muy bajo

Muy bajo

Dz

5

Medio

Bajo

Bajo

Muy bajo

Muy bajo

Muy bajo

Sin datos

Ce

6

Medio

Medio

Bajo

Muy bajo

Muy bajo

Muy bajo

Sin datos

Ce

Pe

7

Medio

Medio

Bajo

Muy bajo

Muy bajo

Sin datos Sin datos

Pe

Ch

8

Medio

Bajo

Bajo

Muy bajo

Muy bajo

Sin datos Sin datos

Ch

9

Alto

Bajo

Bajo

Muy bajo

Muy bajo

Sin datos Sin datos

Ch

10

Alto

Muy bajo

Bajo

Muy bajo

Muy bajo

Sin datos Sin datos

Ch

11

Alto

Muy bajo

Bajo

Muy bajo

Sin datos Sin datos Sin datos

LT

12

Alto

Muy bajo

Bajo

Sin datos Sin datos Sin datos Sin datos

LT

13

Alto

Muy bajo

Muy bajo

Sin datos Sin datos Sin datos Sin datos

LT

Z4 SnF

LT: Laguna de Términos; Ch: Champotón; Pe: Los Petenes; Ce: Celestún; Dz: Dzilam de Bravo; SnF: San Felipe; Ho: Holbox; Ca: Cabo Catoche; Z1: Una zona; Z2: dos zonas; Z3: tres zonas; Z4: cuatro zonas.

97

Mapa 16a. Combinación de P(i) y Tr(i) para obtener categorías de amenaza en función de ambos parámetros de i de 1 a 4.

98

Mapa 16b. Combinación de P(i) y Tr(i) para obtener categorías de amenaza en función de ambos parámetros de i de 5 a 7.

99

Mapa 17. Mapa de unidades por la integración de peligro y periodo de retorno para generar los riesgos por los CT.

100

4.6 Descripción de la ocurrencia de CT influenciada por ENSO para el golfo de México A partir de los datos obtenidos de ocurrencia de CT se hicieron resúmenes estadísticos que nos permiten conocer su actividad en el golfo de México. De ahí conocemos que entre 1957 a 2018 se presentaron en total 327 CT con un promedio anual de ocurrencias de 5.3. El máximo de CT se presentó en el año 2005 con 14 y el mínimo ha sido de 1. Al respecto de este último, en 1997 se ha presentado esta situación de supresión de actividad ciclónica en el golfo de México que coincide con la presencia del fenómeno ENSO uno de las más intensos registrados en el siglo XX. En 1962 no se registró actividad ciclónica en el golfo de México. En ese año el ENSO fue neutro (Tabla 11).

Respecto de la frecuencia anual de CT el promedio es de 5.3. En 27 estaciones de CT fueron mayores que el promedio anual durante el periodo de tiempo analizado de 1957 a 2018. Las estaciones que presentaron menores al promedio fueron 26.

En número igual al promedio anual de CT se presentaron en 7 estaciones. Es interesante que solo en 3 ocasiones se hayan presentado más del doble del promedio anual de CT en el golfo de México. Las tres sucedieron durante el presente siglo XXI en los años 2005, 2008 y 2010 (Tabla 11). Se observó que en total se presentaron 18 fenómenos El Niño. De los cuales 10 se pueden considerar como débiles al no pasar de más 1.5°C de anomalía de SST por trimestre promediado y 8 fuertes al rebasar el valor indicado. El promedio de CT en presencia de El Niño es de 3.9 anual, lo cual es consistente en cuanto a que su efecto es disminución de la actividad ciclónica en el golfo de México. En contraparte cuando ocurre La Niña el promedio anual es de 6.2 con mayor actividad ciclónica. Cuando es Neutro, es decir que no es caliente ni frío con respecto a la anomalía de la SST al mantenerse entre -0.5°C y +0.5°C, el promedio de CT es de 5.6, ligeramente mayor al promedio anual.

101 Tabla 11. Resumen por año de la actividad ciclónica en el golfo de México y del ENSO para el mismo periodo de tiempo por trimestres. Las celdas y números en color rojo indican presencia del El Niño y las celdas y números azules indican la presencia de La Niña. En color blanco son eventos Neutros.

Las anomalías se dan en grados centígrados.

102

Fuentes: (Center s.f.) y análisis de datos de IBTrACS v4 2018. Por las siglas en inglés de los meses para los trimestres indicados son: D: Diciembre; J: Enero; F: Febrero; M: Marzo; A: Abril; M: Mayo; J: Junio; J: Julio; A: Agosto; S: Septiembre; O: Octubre; N: Noviembre.

Para el periodo analizado resulta discernible que cuando se presentan eventos de El Niño se suprime la actividad ciclónica lo cual se refleja en su disminución. En la Tabla 12 se muestra con mayor claridad que el número total de CT durante eventos de El Niño fue de 78, mientras que en eventos de La Niña los CT aumentaron a 131 más los que se considera eventos Neutros, en donde se presentaron 118 CT,

103 sumando en total 249 CT. El cálculo de la anomalía en el número de CT donde se consideró que el promedio aproximado es de 5 CT por año para el periodo analizado, se obtiene que, en eventos de El Niño, solo ocurrieron 30 CT cuando la anomalía fue positiva y 38 cuando fue negativa. En el caso de eventos de La Niña, ocurrieron 108 CT cuando fue positiva, indicando claramente que durante la presencia de estos eventos suceden un mayor número de CT. De manera similar ocurrieron más CT en eventos Neutros (ver Tabla 12).

Las variaciones anuales en los CT que se presentan en los eventos ENSO son fácilmente visibles al graficarlas con su promedio anual, desviaciones estándar de la media y con respecto a la anomalía de la SST anual para el periodo analizado. Así se observó en la Figura 16 que cuando hay un incremento en la SST por arriba de +0.5°C se produce una disminución en el número de CT en el golfo de México. Es muy evidente en los años 1962, 1965, 1972, 1977, 1982, 1991, 1992, 1997 y 2015 que presentaron este incremento en la anomalía de SST y una disminución en el número de CT. En la misma Figura 16 se observó que cuando una anomalía de la SST anual es negativa, es decir que es evento La Niña, se incrementa el número de CT. Los eventos fríos (La Niña) o neutros incrementan el número de CT tal y como se observa en la Tabla 12. Los eventos de La Niña fuertes ocurrieron en los años 1975, 1988, 2008, y 2011 (ver Figura 16).

Al resumir por década la actividad de CT se destaca el hecho de que entre 2001 y 2010 ocurrieron 77, mientras que las décadas anteriores, el máximo había sido de 47 (ver Tabla 13). La explicación del alto número de CT puede argumentarse por la diferencia de eventos ENSO entre la década de 1991 a 2000 vs la primera del siglo XXI. Si bien en la primera década del siglo XXI, los fenómenos de El Niño que se presentaron fueron la mitad de la anterior, como se muestra en la Tabla 13, y eso pudo haber influido en una mayor actividad ciclónica debido a que disminuyeron los eventos del El Niño. Sin embargo, el número total de ENSO no es muy diferente en la última década del siglo XX con respecto a las décadas anteriores. Este varía de entre 9 y 11 como se observa en la Tabla 13. Por ello la disminución de eventos El Niño como causa del incremento de la actividad ciclónica que se presentó en golfo

104 de México entre 2001 y 2010 no es suficiente y debe haber otras causas. Una causa muy probable es el calentamiento de nuestro planeta.

En la década que transcurre, hasta 2016 de acuerdo con el IBTrACS v4 se han presentado 35 CT. En el 2017, se presentaron 7 CT7. Para el 2018, se consultó a NHC-NOAA8 con datos preliminares de esa estación y se registraron 3 CT. Entonces hasta 2018 se habían presentado 45 CT. El pronóstico de El Niño en el inicio de 2019 fue que se seguía presentando una anomalía positiva con una alta probabilidad de sostener el incremento en el primer semestre del año9.

Tabla 12. Se muestran los eventos ENSO y número de CT para el periodo de 1957 a 2018. La anomalía se calculó considerando que el promedio aproximado es de 5 CT por año, cuando el número de CT es menor que el promedio se asignó negativo (-), cuando es mayor se asignó positivo (+) y cuando es igual (0).

ENSO/CT EL NIÑO

Total EL NIÑO LA NIÑA

Total LA NIÑA NEUTRO

Total NEUTRO Total general

Anomalía de CT + 0 + 0 + 0

Total de CT 38 30 10 78 13 108 10 131 30 73 15 118 327

7 NOAA National Centers for Environmental Information, State of the Climate: Hurricanes and Tropical Storms for Annual 2017, published online January 2018, retrieved on January 31, 2019 from https://www.ncdc.noaa.gov/sotc/tropical-cyclones/201713.

8 https://www.nhc.noaa.gov/archive/2018/ 9 http://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/lanina/enso_evolution-status-fcsts-web.pdf

105

Figura 16. Variaciones en el número de CT para el periodo analizado considerando el promedio anual de CT y sus desviaciones estándar. Estos se comparan con las anomalías promedio anual de SST para el mismo periodo.

Tabla 13. Resumen por década de la actividad ciclónica en el golfo de México. Se muestra el número total de CT por décadas, el número de eventos de El Niño, La Niña y de Neutros, así como el total.

Década*

Número de CT

El Niño

La Niña

Neutro

Total ENSO

1961-1970

43

4

2

4

10

1971-1980

47

2

4

4

10

1981-1990 1991-2000 2001-2010

44 46 77

3 4 2

5 4 3

1 3 4

9 11 9

CT: Ciclones tropicales. *Nota: No se considera a la segunda década del siglo XXI debido a que no se completaban los 10 años y es el mismo caso para los 50s.

Las trayectorias de CT de IBTrACS se muestran gráficamente como líneas que corresponden con el recorrido de cada evento. Los CT pueden aumentar o disminuir la intensidad de los vientos (excedencias) y ser categorizados de acuerdo con ello (ver Tabla 2), esto implica que segmentos de la trayectoria de cada CT pueden comenzar su existencia como DT y aumentar la velocidad de los vientos hasta alcanzar la categoría H5. Sin embargo, esto no sucede en la mayoría de los CT ya que son pocos

106 los que llegan a huracanes de categoría 5. Considerando lo anterior, se analizaron los datos de las trayectorias (IBTrACS) por década y categoría de CT para el golfo de México, con lo cual se confirma que el número de eventos de CT que ocurrieron en la primera década del siglo XXI supera por mucho a las décadas que precedieron.

Esto se muestra claramente en la Figura 17 en donde la frecuencia para todos los eventos por categoría es mayor, tanto como del doble para las categorías de TT a H3 e incluso del triple para categorías H4 y H5. Estos datos sugieren que la frecuencia de fenómenos ciclónicos extremos se ha incrementado. Sin embargo, por razones de tiempo del desarrollo de esta investigación, no se pudo analizar completa la década de 2011 a 2020 para las trayectorias de CT, por lo que no se puede asegurar que sea una tendencia que persistió en la segunda década del siglo XXI. Sin duda, contar con datos de la distribución multitemporal de PM en sus zonas de distribución en la península de Yucatán aportarían información valiosa para corroborar respuestas a la ocurrencia de esos CT como en el trabajo de Kim et al. (2015) en donde usando percepción remota se pudo analizar cambios diacrónicos en las áreas de distribución de especies de PM de 24 años.

Figura 17. Frecuencia de CT por categoría y década. Se consideran 5 décadas completas.

107

5. CONCLUSIONES La hipótesis de investigación planteada fue: La ocurrencia de fenómenos ciclónicos extremos incrementa la vulnerabilidad de los pastos marinos en sus zonas de distribución en la península de Yucatán, México. Los resultados de la investigación indican que los CT en la primera década del siglo XXI aumentaron su ocurrencia. Este incremento en la actividad ciclónica en el golfo de México aumenta la vulnerabilidad de los pastos marinos en sus zonas de distribución conocidas en la península de Yucatán, México.

La distribución de los PM en las zonas costeras de México se conoce hasta muy recientemente. En la distribución conocida hay una alta coincidencia entre la frecuencia de ocurrencia de CT, sobre todo en la parte noreste de la península de Yucatán, en laguna Yalahao y Cabo Catoche. Es notoria la dependencia de la actividad ciclónica en el golfo de México de los eventos ENSO, como se establece claramente en el análisis estadístico realizado. A continuación, se responde a manera de conclusión y profundizando en cada una de las preguntas de investigación que se plantearon en esta investigación. ¿Cómo se ha incrementado la vulnerabilidad de las comunidades de pastos marinos por ciclones tropicales extremos para el periodo de 1957 y 2018 en el litoral de la península de Yucatán?

Los resultados obtenidos muestran que el número de CT se incrementó en la primera década del siglo XXI. La descripción de eventos de ENSO que tienen una fuerte influencia en la actividad ciclónica del golfo de México indican que más eventos Neutros y La Niña se presentaron en la primera década del siglo XXI que eventos El Niño, por lo que no se presentó una supresión de los CT. Sin embargo, en la década de los 1970s sucedieron el mismo número de eventos El Niño y el número de CT es casi la mitad que entre los años 2001 a 2010 cuando se presentaron 77 CT. Por ello no puede ser considerada la única causa del incremento de CT registrado en esa década. El número de CT con intensidades de huracanes categorías 1 a 5 se

108 incrementó en esa misma década casi al doble con respecto a las 4 décadas previas analizadas. Entonces esto indica que si se presentó un incremento de fenómenos ciclónicos extremos en la primera década del siglo XXI. En la distribución de PM analizada las zonas noreste y norte de la península de Yucatán donde se encuentran Cabo Catoche, Ría Lagartos, San Felipe, Dzilam de Bravo y Progreso se presentó una mayor vulnerabilidad a los CT con categorías de huracanes 1 a 4 como lo muestra los resultados del AHP para la ADEPM. Lo que puede disminuir la vulnerabilidad de los PM frente a los CT es el periodo de retorno que varía entre 30 a 50 años. Así, aunque el peligro de presentarse CT extremos existe, el periodo de retorno en el que pueden suceder es amplio. Por los resultados anteriores podemos decir que la vulnerabilidad se ha incrementado en el norte y noreste de la PY en las zonas costeras someras donde se encuentra el área de distribución de los PM. Con una menor vulnerabilidad se encuentran las zonas de Celestún, Los Petenes, Champotón y Laguna de Términos. De las anteriores zonas la que presenta la menor vulnerabilidad es en Los Petenes que presentan el área de distribución de pastos marinos continua más grande de México. ¿Cuál es la extensión actual de las praderas de pastos marinos en la península de Yucatán?

Los pastos marinos siendo componentes principales de la VAS se distribuyen sobre una superficie de 3,375 km2, la cual es más del doble de la superficie que ocupa la Ciudad de México con 1,479 km2. Ésta alberga una gran diversidad biológica que provee de servicios ecosistémicos que mantienen sistemas biológicos y sistemas productivos. La composición de las especies de pastos marinos es importante para su resistencia y resiliencia frente a fenómenos ciclónicos extremos donde el pasto marino Thalassia testudinum es dominante y tiene un importante papel en la estructuración de las comunidades de VAS del golfo de México y en especial de la península de Yucatán. ¿Han sido los periodos de ENSO, en el periodo de 1957 a 2018, un factor que favorezca o suprima la actividad ciclónica en el golfo de México?

109 De acuerdo con el análisis por décadas que se resume en la Tabla 12 es claro establecer que la actividad ciclónica en el golfo de México osciló entre 43 y 47 CT hasta la última década del siglo XX. En la primera década del siglo XXI se disparó a 77 CT lo cual sorprende puesto que es casi del doble del menor número de CT por década.

El número de eventos de El Niño para la primera década del siglo XXI fue menor que en décadas previas. En contraste, el número de eventos Neutros fue mayor.

La presencia de eventos El Niño causan la supresión de la actividad ciclónica, por lo que es consistente que al no suceder se favorece un incremento de la actividad ciclónica. Lo anterior se muestra de manera muy clara en las Tablas 12 y 13 y en el Figura 16, en donde se observa sin duda que durante los eventos de El Niño la actividad ciclónica disminuye sustancialmente, mientras que en eventos de La Niña y Neutros se incrementa. La magnitud del incremento es de llamar la atención en la primera década del siglo XXI. El análisis de los impactos de CT en las costas de la península de Yucatán revela que la costa mayormente impactada es la del Mar Caribe del estado de Quintana Roo. La porción norte de este Estado presenta el impacto de CT de categorías mayores en las áreas de distribución de especies de pastos marinos en Cabo Catoche y Laguna de Yalahao y Holbox. Las áreas de distribución de especies de pastos marinos de Campeche son las que reciben menos impactos de altas intensidades de CT lo cual puede haber favorecido, además de otros factores, que ahí se encuentre la mayor distribución de pastos marinos. ¿Se ha incrementado la frecuencia de ciclones tropicales de mayor intensidad para el periodo de tiempo analizado de entre 1957 y 2018 en el golfo de México?

De acuerdo con el análisis de los datos de IBTrACS por década y categoría si se incrementó la frecuencia de CT en la península de Yucatán para la primera década del siglo XXI. Sin embargo, este aumento en la frecuencia se dio para todas las categorías y no solo para categorías de H3 a H5. No es posible decir que sea esta una tendencia que se continuó de 2011 a 2020, puesto que no se contaba con el tiempo para analizar los datos hasta el año 2020. Por otro lado, el análisis de los CT por

110 categoría contenida en los Mapas 10, 14 y 15 muestran que no afectan de manera homogénea a la península de Yucatán, sino que se genera un gradiente de intensidades de huracanes que va de la Laguna de Términos y siguiendo la zona costera del estado de Campeche las categorías de CT que van de depresiones tropicales a huracanes de categoría 2. Mientras que en la costa norte de Yucatán los eventos de CT que se llegan a presentar son huracanes de categoría 3 hasta categoría 5 en la zona de Cabo Catoche y en la costa del Mar Caribe. Ello favorece que en las zonas de más amplia distribución de pastos marinos no se presenten de manera frecuente CT de categorías superiores a H3. ¿Se verá incrementada la vulnerabilidad de las praderas de pastos marinos a los ciclones tropicales en la península de Yucatán entre 1957 y 2018?

El modelo de vulnerabilidad de los pastos marinos en la península de Yucatán permite conocer la susceptibilidad de los pastos marinos a los CT. Es destacable que las costas del estado de Campeche que mantienen el 71% de la superficie de pastos marinos es la zona que tiene la menor amenaza y susceptibilidad a ser afectados por los CT extremos. La zona de mayor amenaza es la costa norte de Quintana Roo en la laguna Yalahao y Cabo Catoche.

La combinación entre la peligrosidad de CT y los periodos de retorno, dan una muy buena idea de la vulnerabilidad de las áreas de distribución de especies de pastos marinos en la península de Yucatán que integran en categorías la probabilidad de ocurran y la frecuencia temporal en la cual ocurren. Asimismo, confirma lo observado en el modelo de vulnerabilidad aplicando el método de AHP. Así, se observa que son las intensidades de CT de depresiones tropicales las que presentan mayor peligrosidad por frecuencia de ocurrencia presentando una amenaza media a alta.

Le siguen las tormentas tropicales con amenazas de muy bajas a medias. Tomando este resultado podríamos decir que no presenta una gran amenaza los CT en las áreas de distribución de especies de pastos marinos puesto que la intensidad de los vientos máximos no muy alta y aunque la frecuencia de ocurrencia temporal es alta, su probable impacto puede ser menor. Sin embargo, una variable no considerada

111 es la velocidad de paso de los CT puesto que un paso lento o estacionario puede generar mayores daños que uno de paso “rápido”. Las amenazas por intensidades de viento de CT de 3 a 7 son de muy bajas a bajas, pero la presencia de un solo fenómeno de intensidad 7 (huracanes de categoría 5) puede generar grandes daños, dependiendo a su vez de su velocidad de paso.

La disminución en la actividad ciclónica debida a El Niño puede generar que a su vez disminuya la vulnerabilidad a CT. Sin embargo, cuando suceden estos episodios se incrementa la temperatura en la columna de agua en las ADEPM y eso genera una amenaza para algunas especies de pastos marinos que son susceptibles a ese incremento.

Este trabajo aporta información relevante sobre la frecuencia espacial de ocurrencia de CT en la península de Yucatán y sobre la frecuencia temporal en que suceden.

Muestra que las mayores extensiones de praderas de pastos marinos se encuentran en zonas en donde los CT no ocurren frecuentemente de manera extrema y esto puede generar una condición más estable, en cuanto a perturbaciones, para su desarrollo y permanencia. Si bien este trabajo fue enfocado a las áreas de distribución de especies de pastos marinos, la información que aporta es útil para las poblaciones humanas que se encuentran en las costas de la península de Yucatán.

Así mismo, aporta información útil para los tomadores de decisiones para que puedan enfocar sus esfuerzos para prevenir, mitigar o tomar medidas de adaptación dirigidas a aminorar sus efectos negativos y contribuir a mantener la diversidad y servicios ecosistémicos que los pastos marinos proporcionan.

5.1 Recomendaciones Con base al desarrollo metodológico y los resultados obtenidos en la investigación es posible realizar mejoras y profundizar en algunos aspectos que por razones de tiempo del programa de estudio no era posible desarrollar. Los datos de IBTrACS a partir del año 2020 se actualizan semanalmente por lo que es posible llevar un monitoreo con la misma temporalidad de la ocurrencia de CT. Eso permitiría completar la información de la segunda década del siglo XXI para los análisis estadísticos.

112 Siendo la información de IBTrACS multitemporal con las fechas de cada CT que ha ocurrido se podría analizar los cambios en la cobertura de pastos marinos si se realizará un análisis con imágenes de satélite para el periodo de 1985 al presente con los sensores Landsat misiones 5 a 8 y Sentinel 2A y 2B para la segunda década del siglo XXI, se podría establecer relaciones de causa y efecto entre ambos fenómenos.

La clasificación de imágenes de satélite requiere de un esfuerzo metodológico profundo para obtener la fiabilidad necesaria en una investigación y por el número de escenas que hay que procesar. De acuerdo con López de Olmos et al. (2019) en su presentación el VII Congreso Mexicano de Ecología sobre los resultados del análisis de imágenes Sentinel 2A y 2B de la constelación de satélites Copernicus haciendo compuestos mensuales de los meses de lluvia, periodo de mayor actividad fotosintética de los pastos marinos, de la zona costera de la península de Yucatán de los años de 2016 a 2018, se detectó que se ha presentado una disminución significativa de la cobertura de pastos marinos en varias zonas de su distribución. Las causas de esta disminución no son claras pero una posible explicación es la ocurrencia de CT en las áreas de distribución de especies de pastos marinos.

113

6. REFERENCIAS ASALE, R.-, y RAE. (s.f.). Peligro | Diccionario de la lengua española. «Diccionario de la lengua española» - Edición del Tricentenario. Recuperado el 8 de mayo de 2021, de https://dle.rae.es/peligro ASALE, R.-, y RAE. (s.f.). Cualidad | Diccionario de la lengua española. «Diccionario de la lengua española» - Edición del Tricentenario. Recuperado el 8 de mayo de 2021, de https://dle.rae.es/peligro Azuz-Adeath, I. y Rivera-Arriaga, E. (2009). Descripción de la dinámica poblacional en la zona costera mexicano durante el periodo 2000-2005. (15) Recuperado de http://www.redalyc.org/articulo.oa?id=11212354003 Birkmann, J. 2007. Risk and Vulnerability Indicators at Different Scales: Applicability, Usefulness and Policy Implications. Environmental Hazards 7(1):20–31.

Biosonics Inc. (2008). Guía de uso de EcoSAV Software. Tech. rep., Seattle, WA, USA. Brimicombe, A. (2010) GIS, environmental modeling and engineering (2a ed.). USA. Taylor & Francis Group.

Bryant, W.R., Lugo, J.H., Córdova, C., y Salvador, A. (1991). Physiography and bathymetry. En A. Salvador (editor). The Gulf of Mexico Basin (p. 13- 30). USA: The Geological Society of America, Inc. Cardona, O.-D., van Aalst, M. K., Birkmann, J., Fordham, M., McGregor, G., Perez, R., Pulwarty, R. S., Schipper, E. L. F., Sinh, B. T., Décamps, H., Keim, M., Davis, I., Ebi, K. L., Lavell, A., Mechler, R., Murray, V., Pelling, M., Pohl, J., Smith, A.-O., y Thomalla, F. (2012). Determinants of Risk: Exposure and Vulnerability. En C. B. Field, V. Barros, T. F. Stocker, & Q. Dahe (Eds.), Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation (pp. 65–108). Cambridge University Press. https://doi.org/10.1017/ CBO9781139177245.005 Centro Nacional de Prevención de Desastres. (s.f.). Vuelta al mundo: Oscilación Madden-Julian. gob.mx. Recuperado el 11 de mayo de 2021, de http://www. gob.mx/cenapred/articulos/vuelta-al-mundo-oscilacion-maddenCiclones tropicales. (2020, junio 10). Organización Meteorológica Mundial. https:// public.wmo.int/es/ciclones-tropicales Climate Prediction Center—Monitoring & Data: Ocean Niño Index Changes Description. (s.f.). Recuperado el 10 de mayo de 2021, de https://origin.cpc.ncep. noaa.gov/products/analysis_monitoring/ensostuff/ONI_change.shtml

114 Collier, C. J., y Waycott, M. (2014). Temperature extremes reduce seagrass growth and induce mortality. Marine Pollution Bulletin 83(2):483–90.

CONABIO, S. C.-E., Martell-Dubois, R., E. Valdez, J., López-Perea, J., Ressl, R. (s.f.). SIMAR | CONABIO. Recuperado el 6 de julio de 2021, de https://simar. conabio.gob.mx/ Côté-Laurin, M.-C., Benbow, S., y Erzini, K. (2017). The short-term impacts of a cyclone on seagrass communities in Southwest Madagascar. Continental Shelf Research, 138, 132–141. https://doi.org/10.1016/j.csr.2017.03.005 CPC, Climate Prediction Center-NCEP-NOAA (2020). Climate Prediction Center Warm Episodes. Recuperado el 18 de mayo de https://www.cpc.ncep.noaa. gov/products/analysis_monitoring/impacts/warm_impacts.shtml CPC, Climate Prediction Center-NWS-NOAA (2020). NOAA’s Climate Prediction Center. Recuperado el 18 de mayo de https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php Cruz-Palacios, V., y van Tussenbroek, B. I. (2005). Simulation of Hurricane-like Disturbances on a Caribbean Seagrass Bed. Journal of Experimental Marine Biology and Ecology 324(1):44–60.

Daily, G. C. (1997). Introduction: What are Ecosystem Services? En Nature´s Services. Societal Dependence on Natural Ecosystems. USA: ISLAND PRESS. Davis, T. R., Harasti, D., Smith, S. D. A., y Kelaher, B. P. (2016). Using modelling to predict impacts of sea level rise and increased turbidity on seagrass distributions in estuarine embayments. Estuarine, Coastal and Shelf Science, 181, 294–301. https://doi.org/10.1016/j.ecss.2016.09.005 Eslava M. H., Espinosa, M. J., Salas, S. M., García, J. F., Vázquez, C. M. T., Baeza, R. C., y Mendoza, D. R. (2006). Guía Básica para la elaboración de Atlas Estatales y Municipales de Peligros y Riesgos: Fenómenos Hidrometereológicos. 1a Edición. Ciudad de México: Secretaria de Gobernación - Centro Nacional de Prevención de Desastres.

ESRI (2020). ArcGIS Pro v2.4. Ayuda de comandos. Environmental Systems Research Institute.

European Environment Agency (2021) Glossary: List of environmental terms used by EEA. Recuperado en línea en marzo de 2021 en: https://www.eea.europa.eu/ help/glossary#c4=25&c0=R&b_start=375 Farina, R., Marchetti, A., Francaviglia, R., Napoli, R., y Di Bene, C. (2016). Modeling regional soil C stocks and CO2 emissions under Mediterranean cropping systems and soil types. Agriculture Ecosystems & Environment, 238, 128–141. https://doi.org/10.1016/j.agee.2016.08.015

115 French, C.D. y Schenk, C.J. (1997). Map showing geology, oil and gas fields, and geologic provinces of the Caribbean region. U.S. Geological Survey Open-File Report 97-470. Recuperado de sitio de internet NGMD-USGS-AASG: https:// ngmdb.usgs.gov/Prodesc/proddesc_70005.htm Galacho Jiménez, F. B. y Arrebola Castaño, J. A. (2010): Metodología aplicada para la evaluación con SIG y EMC de senderos según las condiciones físicas del terreno. En: Ojeda, J., Pita, M.F. y Vallejo, I. (Eds.), Tecnologías de la Información Geográfica: La Información Geográfica al servicio de los ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla. (pp. 466-481).

Gallegos M. M. y Hernández-Cárdenas, G. (2020). Volumen VI Pastos Marinos. En Herzka, Sharon Z., Zaragoza Álvarez, Rigel Alfonso, Peters Recagno, Edward Michael, y Hernández-Cárdenas, Gilberto (Editores). Atlas de Línea Base Ambiental del Golfo de México. México: Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. Recuperado de https://atlascigom.cicese.mx/dataset/libro-atlas-tomo-6 Gallegos M. M., Hernández-Cárdenas, G. y Pérez- Espinosa, I. (2018). Comunidades de vegetación acuática sumergida del Golfo de México, escala: 1:25 000. edición: 2 URL: http://www.conabio.gob.mx/informacion/gis/?vns=gis_root/ biodiv/bidvegacsu/vagolf18gw Gislam, H., Burnside, N., Brolly, M., Deribe, K., Davey, G., Wanji, S., Suh, C., Kemp, S., Watts, M., y Blond, J. (2020). Linking soils and human health: Geospatial analysis of ground-sampled soil data in relation to community-level podoconiosis data in North West Cameroon. Transactions of the Royal Society of Tropical Medicine and Hygiene, 114, 937–946. https://doi.org/10.1093/trstmh/traa138 Huang, B., Thorne, P. W., Banzon, V. F., Boyer, T., Chepurin, G., Lawrimore, J. H., Menne, M. J., Smith, T. M., Vose, R. S., y Zhang, H.-M. (2017). Extended Reconstructed Sea Surface Temperature, Version 5 (ERSSTv5): Upgrades, Validations, and Intercomparisons. Journal of Climate, 30(20), 8179–8205. https:// doi.org/10.1175/JCLI-D-16-0836.1 Hurricane Research Division-NOAA. (2020) Original HURDAT format. Recuperado de http://www.aoml.noaa.gov/hrd/data_sub/hurdat.html Jien, J. Y., Gough, W. A., y Butler, K. (2015). The Influence of El Niño–Southern Oscillation on Tropical Cyclone Activity in the Eastern North Pacific Basin. Journal of Climate, 28(6), 2459–2474. https://doi.org/10.1175/JCLI-D-14-00248.1 Jiménez E.M., Matías, R.L.G., Fuentes, M.O. y Prieto G.R. (2007). Ciclones Tropicales. Centro Nacional de Prevención de Desastres (CENAPRED), Secretaría de Gobernación. Serie Fascículos. Versión Electrónica. México.

116 Kim, K., Choi, J.-K., Ryu, J.-H., Jeong, H. J., Lee, K., Park, M. G., y Kim, K. Y. (2015).

Observation of typhoon-induced seagrass die-off using remote sensing. Estuarine, Coastal and Shelf Science, 154, 111–121. https://doi.org/10.1016/j. ecss.2014.12.036 Knapp, K. R., Kruk, M. C., Levinson, D. H., Diamond, H. J., y Neumann, C. J. (2010).

The International Best Track Archive for Climate Stewardship (IBTrACS). Bulletin of the American Meteorological Society, 91(3), 363–376. https://doi.org/10.1175/2009BAMS2755.1 Kossin, J. P., Camargo, S. J., y Sitkowski, M. (2010). Climate Modulation of North Atlantic Hurricane Tracks. Journal of Climate, 23(11), 3057–3076. https://doi. org/10.1175/2010JCLI3497.1 Krivoruchko, K., 2012. Empirical bayesian kriging. ESRI: Redlands, CA, USA. Available online at: http://www.esri.com/news/arcuser/1012/empirical-byesian-kriging.html (Last accessed 08.02.2016).

López de Olmos, R.Y.S., Gallegos, M.M., Ressl, R.A., Hernández-Cárdenas, G., y Antonio, N.X. (septiembre-octubre, 2019). Disminución de la cobertura areal de la vegetación acuática sumergida en la costa norte de la península de Yucatán (2016 - 2018). Comunicación presentada en el VII Congreso Mexicano de Ecología: SMCE-VIICME 2019, Sociedad Científica Mexicana de Ecología-Unversidad Autónoma de Querétaro, pp 637. Memorias del VII CME. Lugo, J.H. (2011). Diccionario geomorfológico. CDMX, México: UNAM. Maciel-Mata, C. A., Manríquez Morán, N., Octavio Aguilar, P., y Sánchez Rojas, G. (2015). Geographical distribution of the species: A concept review. Acta Universitaria, 25(2), 3–19. https://doi.org/10.15174/au.2015.690 Marinoni, O. (2004). Implementation of the analytic hierarchy process with VBA in ArcGIS. Computers and Geosciencies. 30(6): 637-646.

Martínez, R. E. (2007). Aplicación del proceso jerárquico de análisis en la selección de la localización de una PYME. Anuario Jurídico y Económico Escurialense, XL. 523-542. Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=2267954 Mei, W., Kamae, Y., Xie, S.-P., y Yoshida, K. (2019). Variability and Predictability of North Atlantic Hurricane Frequency in a Large Ensemble of High-Resolution Atmospheric Simulations. Journal of Climate, 32(11), 3153–3167. https://doi. org/10.1175/JCLI-D-18-0554.1 Merkens, J.-L., Reimann, L., Hinkel, J., y Vafeidis, A. T. (2016). Gridded population projections for the coastal zone under the Shared Socioeconomic Pathways.

Global and Planetary Change, 145, 57–66. https://doi.org/10.1016/j.gloplacha.2016.08.009

117 Merriam-Webster (s.f.). Definition of HAZARD. En Merriam-Webster.com dictionary.

Recuperado el 8 de mayo de 2021, de https://www.merriam-webster.com/dictionary/hazard Mondal, S. y R. Maiti (2013) Integrating the Analytical Hierarchy Process (AHP) and the Frequency Ratio (FR) Model in Landslide Susceptibility Mapping of Shiv-khola Watershed, Darjeeling Himalaya. Int. J. Disaster Risk Sci. 4 (4): 200–212. doi:10.1007/s13753-013-0021-y National Hurricane Center and Central Pacific Hurricane Center-NOAA (s.f.). Saffir-Simpson Hurricane Wind Scale. Recuperado el 9 de mayo de 2021, de https://www.nhc.noaa.gov/aboutsshws.php NCDC-NOAA, National Climatic Data Center (2019) IBTrACS - International Best Track Archive for Climate Stewardship. Recuperado el 14 de julio de https:// www.ncdc.noaa.gov/ibtracs/ NCDC-NOAA, National Climatic Data Center (2020). IBTrACS - International Best Track Archive for Climate Stewardship. Recuperado el 21 de mayo de https:// www.ncdc.noaa.gov/ibtracs/ Nordlund, L. M., Koch †, E. W., Barbier, E. B., y Creed, J. C. (2016). Seagrass Ecosystem Services and Their Variability across Genera and Geographical Regions. PLoS One; San Francisco, 11(10). http://bidi.uam.mx:2199/10.1371/ journal.pone.0163091 Nordlund, L. M., Jackson, E. L., Nakaoka, M., Samper-Villarreal, J., Beca-Carretero, P., y Creed, J. C. (2018). Seagrass ecosystem services – What’s next?

Marine Pollution Bulletin, 134, 145–151. https://doi.org/10.1016/j.marpolbul.2017.09.014 Oliver, J. E., y Fairbridge, R. W. (Eds.). (1987). The Encyclopedia of Climatology.

Springer US. https://www.springer.com/gp/book/9780387307497 Organización Meteorológica Mundial (2014) El Niño/Oscilación del Sur. OMM-Nº 1145. Recuperado de https://library.wmo.int/doc_num.php?explnum_id=7889 Paul, M. (2018). The protection of sandy shores – Can we afford to ignore the contribution of seagrass? Marine Pollution Bulletin 134:152–59.

Pardeshi, S.D., Autade, S.E. y Pardeshi, S.S. (2013) Landslide hazard assessment: recent trends and techniques. SpringerPlus 2, 523. https://doi.org/10.1186/21931801-2-523 Pilz, J., y Spöck, G. (2008). Why do we need and how should we implement Bayesian Kriging methods. Stoch. Environ. Stochastic Environmental Research and Risk Assessment, 22, 621–632. https://doi.org/10.1007/s00477-007-0165-7

118 Purvaja, R., R. S. Robin, D. Ganguly, G. Hariharan, G. Singh, R. Raghuraman, y R. Ramesh. (2018). Seagrass meadows as proxy for assessment of ecosystem health. Ocean & Coastal Management 159:34–45.

Ridler, M. S., Dent, R. C. y Arrinton, D. A. (2006). Effects of Two Hurricanes on Syringodium filiforme, Manatee Grass, within the Loxahatchee River Estuary, Southeast Florida. Estuaries and Coasts; Port Republic 29(6):1019–25.

Rioja-Nieto, R., X. Chiappa-Carrara, y C. Sheppard. (2012). Effects of hurricanes on the stability of reef-associated landscapes. Efectos de los huracanes sobre la estabilidad de paisajes asociados con arrecifes coralinos. 38(1):47–55.

Saaty, T.L. (1977). A Scaling Method for Priorities in Hierarchical Structures. Journal of Mathematical Psychology 15(3): 234-281 Saaty, T.L. (1980). The Analytic Hierarchy Process. New York, USA: McGrawHill.

Saaty, T.L. (1984). The Analytic Hierarchy Process: Decision Making in Complex Environments (pp. 285–308) En Quantitative Assessment in Arms Control: Mathematical Modeling and Simulation in the Analysis of Arms Control Problems, editado por R. Avenhaus y R. K. Huber. Boston, MA: Springer US. Saaty, T.L., Rogers, P., y Pell, R. (1988) Portfolio selection through hierarchies. Journal of Porfolio Management 6(3):16-21.

Saaty, T.L. (1995). Decision-Making for Leaders. Pittsburgh, USA: RWS Publications.

Servicio Meteorológico Nacional-CONAGUA (2021) Información de Estaciones Climatológicas. Recuperado de https://smn.conagua.gob.mx/es/climatologia/informacion-climatologica/informacion-estadistica-climatologica Short, F. T., T. Carruthers, D. D., y Waycott, M. (2007). Global Seagrass Distribution and Diversity: A Bioregional Model. Journal of Experimental Marine Biology and Ecology 350(1–2):3–20.

Short, F. T., Coles, R. G. y Pergent-Martini, C. (2001). Chapter 1 - Global seagrass distribution (pp. 5–30). En Global Seagrass Research Methods, editado por F. T. Short y R. G. Coles. Amsterdam: Elsevier Science.

Short, F. T., y Neckles, H. A. (1999). The effects of global climate change on seagrasses. Aquatic Botany, 63(3–4), 169–196. https://doi.org/10.1016/S03043770(98)00117-X Sugi, M., Murakami, H., y Yoshida, K. (2017). Projection of future changes in the frequency of intense tropical cyclones. Climate Dynamics, 49(1–2), 619. https:// doi.org/10.1007/s00382-016-3361-7

119 Tyllianakis, E., Callaway, Koen Vanstaen, A. y Luisetti, T. (2019). The value of information: Realising the economic benefits of mapping seagrass meadows in the British Virgin Islands. Science of The Total Environment 650:2107–16.

UN/ISDR (2004) Living with Risk: A Global Review of Disaster Reduction Initiatives.

Recuperado el 19 de mayo de https://www.undrr.org/publication/living-risk-global-review-disaster-reduction-initiatives Unsworth, R. K. F., van Keulen, M. y Coles, R. G. (2014). Seagrass meadows in a globally changing environment. Marine Pollution Bulletin 83(2):383–86. van Tussenbroek, B. I., Hernández Arana, H. A., Rodríguez-Martínez, R. E., Espinoza-Avalos J., Canizales-Flores, H. M., González-Godoy, C. E., Barba-Santos, M. G., Vega-Zepeda, A. y Collado-Vides, L. (2017). Severe impacts of brown tides caused by Sargassum spp. on near-shore Caribbean seagrass communities. Marine Pollution Bulletin 122(1):272–81.

Vitart, F., y Anderson, J. L. (2001). Sensitivity of Atlantic Tropical Storm Frequency to ENSO and Interdecadal Variability of SSTs in an Ensemble of AGCM Integrations. Journal of Climate, 14(4), 533–545. https://doi.org/10.1175/1520-0442(2001)014<0533:SOATSF>2.0.CO;2 Wikipedia. (2021, 29 de marzo). Escala de huracanes de Saffir-Simpson. En Wikipedia, La enciclopedia libre. Fecha de consulta: 02:28, septiembre 24, 2021 desde https://es.wikipedia.org/w/index.php?title=Escala_de_huracanes_de_ Saffir-Simpson&oldid=134364990.

Wind, Y., y Saaty, T.L. (1980). Marketing applications of the analytic hierarchy process. Management science 26(7):641–658.

Zou, L., Kent, J., Lam, N., Cai, H., Qiang, Y., y Li, K. (2015). Evaluating Land Subsidence Rates and Their Implications for Land Loss in the Lower Mississippi River Basin. Water, 8, 10. https://doi.org/10.3390/w8010010 Zunino, M. y Palestrini, C. (1991). El concepto de especie y la biogeografía. Anales de Biología, 17 (6), 85-88.

Zunino, M. y Zullini, A. (2003). Biogeografía: la dimensión espacial de la evolución.

México: Fondo de Cultura Económica.