104582 by UNIGIS América Latina

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

Cambios en la distribución de manglares en el Archipiélago de Jambelí - Ecuador, entre 1985 y 2017. Changes in mangroves distribution in the Jambelí Archipelago Ecuador, between 1985 and 2017.

by/por

MSc. Juan Pablo Narváez Vinueza 01633564 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Quito- Ecuador, Septiembre 2018

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el 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.

(Quito, 23/09/2018)

(Firma)

Resumen Desde finales de los años sesenta, el Archipiélago de Jambelí habría sido testigo de una de las mayores deforestaciones de su cobertura natural, constituida principalmente por bosques de manglar. Estos territorios fueron convertidos en piscinas camaroneras durante una época exitosa para la industria que se extendió hasta finales de los noventa. La depredación de este ecosistema ha puesto en riesgo la sustentabilidad ambiental y económica de los pobladores de las islas, al mismo tiempo que se ha incrementado la vulnerabilidad de la zona a amenazas naturales. En tal sentido, mediante técnicas de teledetección y sistemas de información geográfica –SIG, este trabajo evaluó los cambios producidos en la cobertura natural de manglar en el Archipiélago de Jambelí entre 1985 y 2017, no solo con el fin de establecer los cambios durante este período, sino con la finalidad de proporcionar información técnica y actualizada a las instituciones públicas o privadas involucradas en el ámbito social, ambiental y riesgos para la toma de decisiones. El estudio se basó en un análisis multitemporal en donde se procesaron imágenes Landsat de tres diferentes años: 1985, 2000 y 2017. Se aplicó el método de clasificación por Árbol de Decisión, el cual permitió integrar imágenes satelitales con datos auxiliares para la obtención de la distribución de los manglares en el Archipiélago. Adicionalmente, se construyeron mapas que demuestran las pérdidas y ganancias de la cobertura de manglar en la zona. Los resultados obtenidos muestran dos períodos de cambio. El primero comprendido entre 1985 y 2000, marcado por una fuerte presión de la industria camaronera en el cual la superficie de manglar disminuyó drásticamente. El segundo período entre 2000 y 2017, en el cual se observa una leve mejora de la cobertura posiblemente causado por un mayor control y regulación del Estado. Palabras clave: Archipiélago de Jambelí, deforestación, manglar, industria camaronera, clasificación por árbol de decisión, análisis multitemporal, teledetección, Landsat.

Abstract Since the late sixties, the JambelĂ Archipelago has witnessed one of the largest deforestation of its natural cover, mainly mangroves forest. These territories were converted into shrimp ponds during a prosperous period for the shrimp industry that lasted until the late nineties. The depredation of this ecosystem has put at risk the environmental and economic sustainability of the inhabitants of the islands, and at the same time the vulnerability of the area to natural threats has increased. From this perspective, through the use of remote sensing and geographic information systems-GIS techniques, this paper evaluates the changes produced in the natural mangrove cover in the JambelĂ Archipelago between 1985 and 2017, not only to establish changes during this period, but also to provide technical and new information to public or private institutions involved in the social, environmental and risks management for decision-making. This study was based on a multi-temporal analysis where Landsat images from three different years, 1985, 2000 and 2017, were processed. A Decision Tree classification method was applied, integrating satellite images and ancillary data, in order to obtain the distribution of mangroves in the archipelago. Additionally, maps that show the gains and losses of mangrove coverage in the archipelago were obtained. The results show two periods of change. The first one between 1985 and 2000, marked by a strong shrimp industry pressure in which mangroves area decreased drastically. The second one between 2000 and 2017, which shows a slight recovery, presumably caused by greater control and regulation of the State. Keywords: JambelĂ archipelago, deforestation, mangrove, shrimp industry, classification by decision tree, multitemporal analysis, remote sensing, Landsat.

Abreviaturas ASPRS AVIRIS BID BM CASI CBD CDR CE CLIRSEN COA EMR FAO

FMI GAD GPS IGBP IGM INEFAN IPCC IR LAI MAE MAGAP MDE NDVI NIR ONG PDyOT PMRC POEMC ROI SAR SIG SNI SUIA SWIR UNESCO

USGS UV

American Society for Photogrammetry and Remote Sensing. Airborne Visible and Infrared Imaging Spectometer. Banco Interamericano de Desarrollo. Banco Mundial. Compact Airborne Spectrographic Imager. Convenio de Diversidad Biológica. Climate data records. Constitución de la República del Ecuador. Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos. Código Orgánico Ambiental. Radiación electromagnética. En inglés Electromagnetic radiation Organización de las Naciones Unidas para la Alimentación y la Agricultura. En inglés Food and Agriculture Organization of the United Nations). Fondo Monetario Internacional. Gobierno Autónomo Descentralizado. Sistema de Posicionamiento global. En inglés Global Positioning System International Geosphere- Biosphere Program. Instituto Geográfico Militar Instituto Ecuatoriano Forestal y de Áreas Naturales y Vida Silvestre Intergovermental Panel for Climate Change Radiación infrarroja. Índice de área foliar. En inglés Leaf area index Ministerio del Ambiente. Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. Modelo digital de elevación. Normalized Different Vegetation Index. Infrarrojo cercano. Organizaciones No Gubernamentales. Plan de Desarrollo y Ordenamiento Territorial. Programa de Manejo de Recursos Costeros. Plan de Ordenamiento del Espacio Marino Costero. Regiones de interés. En inglés Regions of interest. Synthetic Aperture Radar Sistemas de Información Geográfica. Sistema nacional de información. Sistema único de información ambiental. Infrarrojo de onda corta. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. En inglés United Nations Educational, Scientific and Cultural Organization. United States Geological Survey. Radiación ultravioleta.

TABLA DE CONTENIDO 1.

INTRODUCCIÓN ..................................................................................................... 11 1.1.

ANTECEDENTES .............................................................................................. 11

1.2.

OBJETIVOS ....................................................................................................... 12

1.2.1.

Objetivo General .............................................................................................. 12

1.2.2.

Objetivos Específicos ...................................................................................... 12

1.3.

PREGUNTA DE INVESTIGACIÓN ................................................................... 13

1.4.

HIPÓTESIS ........................................................................................................ 13

1.5.

JUSTIFICACIÓN ................................................................................................ 13

1.6.

ALCANCE .......................................................................................................... 14

MARCO TEÓRICO .................................................................................................. 16 2.1.

LOS MANGLARES ............................................................................................ 16

2.1.1.

Los Manglares y su importancia ecológica .................................................. 16

2.1.2.

Distribución de los manglares ....................................................................... 17

2.1.3.

Degradación del ecosistema de manglar ...................................................... 17

2.1.4.

Conservación del manglar desde la normativa ............................................ 19

2.2.

TELEDETECCIÓN Y ANALISIS DE CAMBIOS DE COBERTURAS .............. 22

2.2.1.

Teledetección de la vegetación y de manglares .......................................... 22

2.2.2.

Espectro electromagnético ............................................................................. 24

2.2.3.

Adquisición de los datos ................................................................................ 27

2.2.4.

Procesamiento de las imágenes para estudios de cobertura y uso de la

tierra

………………………………………………………………………………………………………………………..….30

2.2.5.

Análisis multitemporal y detección del cambio ........................................... 33

METODOLOGÍA ...................................................................................................... 39 3.1.

ÁREA DE ESTUDIO .......................................................................................... 39

3.2.

FLUJOGRAMA DE LA METODOLOGÍA ......................................................... 42

3.2.1.

Fase 1. Colección de información.................................................................. 44

3.2.2.

Fase 2. Preprocesamiento y corrección de imágenes ................................ 45

3.2.3.

Fase 3. Procesamiento de imágenes ............................................................. 47

3.2.3.1. Selección de bandas espectrales para la clasificación............................... 47 3.2.3.2. Clasificación de las imágenes por el enfoque de árbol de decisión. ........ 49 3.2.4.

Fase 4. Post- clasificación .............................................................................. 51

3.2.4.1. Aplicación de filtros ......................................................................................... 51 3.2.4.2. Matriz de confusión ......................................................................................... 52 3.2.4.3. Coeficiente KAPPA .......................................................................................... 53 3.2.5. 4.

Fase 5. Detección del cambio ......................................................................... 54

RESULTADOS Y DISCUSIÓN ................................................................................ 55 4.1.

RESULTADOS................................................................................................... 55

4.1.1.

Resultado de la clasificación por árbol de decisión.................................... 55

4.1.2.

Validación de la clasificación ......................................................................... 57

4.1.3.

Cambios en la cobertura de manglar entre 1985 y 2000. ............................ 59

4.1.4.

Cambios en la cobertura de manglar entre 2000 y 2017. ............................ 61

4.2.

DISCUSIÓN ....................................................................................................... 63

CONCLUSIONES .................................................................................................... 71

REFERENCIAS........................................................................................................ 74

LISTA DE FIGURAS Figura 1. Espectro electromagnético ............................................................................ 25 Figura 2. Características espectrales de vegetación verde y saludable................. 26 Figura 3. Firmas espectrales de manglares y otros tipos de vegetación. .............. 27 Figura 4. Consideraciones importantes para la adquisición de una imagen. ....... 29 Figura 5. Enfoque de Árbol de Decisiones para la extracción de manglares. ....... 32 Figura 6. Flujograma de la metodología aplicada ...................................................... 42 Figura 7. Imágenes Landsat utilizadas para el análisis ............................................. 45 Figura 8. Recorte de imágenes al área de estudio .................................................... 47 Figura 9. Perfil espectral de las coberturas identificadas para cada período ........ 49 Figura 10. Diagrama de flujo del árbol de decisión utilizado para la clasificación 51 Figura 11. Aplicación de filtro mayoritario .................................................................... 52 Figura 12. Cobertura de manglar en 1985................................................................... 55 Figura 13. Cobertura de manglar en el año 2000....................................................... 56 Figura 14. Cobertura de manglar en el año 2017....................................................... 57

LISTA DE TABLAS

Tabla 1. Coberturas identificadas desde 1969 a 2016 .......................................... 48 Tabla 2. Fuentes de comparación utilizadas ......................................................... 53 Tabla 3. Resultado del proceso de validación de la clasificación de la imagen Landsat TM - 1985 ................................................................................................ 58 Tabla 4. Resultado del proceso de validación de la clasificación de la imagen Landsat ETM+ -2000 ............................................................................................. 58 Tabla 5. Resultado del proceso de validación de la clasificación de la imagen Landsat OLI – 2017. .............................................................................................. 59 Tabla 6. Cambios en la cobertura de manglar entre 1985 y 2000. ....................... 59 Tabla 7. Cambios en la cobertura de manglar entre 2000 y 2017. ....................... 61

LISTA DE MAPAS Mapa 1. Ubicación del área de estudio ................................................................ 41 Mapa 2. Cambios producidos en la cobertura de manglar en el Archipiélago de Jambelí entre 1985-2000. .................................................................................... 60 Mapa 3. Cambios producidos en la cobertura de manglar en el Archipiélago de Jambelí entre 2000 y 2017. .................................................................................. 62

1. INTRODUCCIÓN 1.1. ANTECEDENTES En 1966, nace la industria camaronera en el Ecuador y frente a su alta demanda y rentabilidad a nivel nacional y sobre todo internacional, comienza su rápida expansión sobre áreas salinas y terrenos agrícolas (CLIRSEN, 1990, 2006). A falta de espacio para continuar con su crecimiento, las piscinas camaroneras comienzan a ocupar zonas de manglar de manera indiscriminada e irresponsable, trayendo consigo conflictos sociales y especialmente ambientales (CLIRSEN, 2006). En vista del rápido deterioro de los ecosistemas de manglar y de la expansión acelerada de la industria camaronera en el país, en 1984 se realiza el primer estudio multitemporal de manglares, camaroneras y áreas salinas para determinar con mayor precisión las áreas donde se han producido los cambios (CLIRSEN, 2006). Posteriormente, se realiza la actualización de este estudio en 1987 y 2006, pero a diferencia del primer estudio en el cual se usaron fotografías aéreas, estos utilizaron imágenes satelitales para el análisis. Estos estudios determinaron una alta tasa de deforestación del manglar en el país. El Golfo de Guayaquil, el Estuario Cayapas-Mataje y el Archipiélago de Jambelí agrupan las mayores áreas de manglar del país, en una superficie que al 2006 superaba las 141,738 ha (Bravo, 2010), aproximadamente un 96 % de la superficie de manglar del Ecuador. Esta superficie de bosque es mucho menor que el existente medio siglo atrás y continúa decayendo. Según Bravo (2010), solo en la zona del Archipiélago de Jambelí la cobertura de manglar habría descendido de 34,712.5 ha a 15,207.6 ha entre 1969 y el 2006. Sin embargo, esta cifra debe ser aún menor, ya que toma como referencia el estudio realizado por el Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos CLIRSEN en el 2006, en donde se incluyen zonas del continente que no forman parte del archipiélago. Los manglares han provisto históricamente de bienes y servicios a las poblaciones locales asentadas en el Jambelí y zonas aledañas (CLIRSEN, 2006). Madera, leña, especies comerciales de peces y crustáceos, retención de sedimentos y la

prevención de la erosión e inundaciones son algunos de los bienes y servicios ambientales que brindan estos bosques (Senplades, 2017). Tanto los manglares como también otros ecosistemas naturales habrían sido remplazados por miles de hectáreas de piscinas camaroneras, las cuales al 2006 habrían abarcado alrededor de 42,090.3 ha (Bravo, 2010). No obstante, en los últimos años, como resultado de la aplicación de programas de reforestación asociados a la aplicación de un acuerdo de uso sustentable y custodia del manglar en favor de comunidades ancestrales y la regularización de las camaroneras en el país, es probable que el ecosistema de manglar haya tenido una leve recuperación (Senplades, 2017). La información disponible sobre el tema es escasa y las metodologías utilizadas en los estudios anteriores difieren de la metodología a usarse en el presente estudio, lo cual podría causar incompatibilidad al momento de realizar comparaciones entre períodos. Por lo tanto, el presente estudio pretende identificar los cambios producidos en el ecosistema de manglar en el Archipiélago de Jambelí – Ecuador entre 1985 y 2017, a través de un análisis multitemporal en donde se utilizarán técnicas de teledetección y Sistemas de Información Geográfica - SIG.

1.2. OBJETIVOS 1.2.1. Objetivo General Identificar los cambios espaciales y temporales producidos en la distribución de los ecosistemas de manglar en el Archipiélago de Jambelí (Ecuador) entre 1985 y 2017.

1.2.2. Objetivos Específicos 

Conocer la distribución de las áreas de manglares en el Archipiélago de Jambelí (Ecuador) en 1985, 2000 y 2017.



Identificar las áreas de manglares perdidas en el Archipiélago de Jambelí (Ecuador) entre 1985 -2000 y 2000- 2017.



Identificar las áreas de manglar que han sido recuperadas en el Archipiélago de Jambelí (Ecuador) entre 1985 -2000 y 2000- 2017.

1.3. PREGUNTA DE INVESTIGACIÓN El presente estudio permitirá responder la siguiente pregunta: ¿Cómo ha cambiado la distribución de manglares en el Archipiélago de Jambelí desde 1985?

1.4. HIPÓTESIS Las actividades acuícolas y antrópicas han inducido la disminución de los ecosistemas de manglar en el Archipiélago de Jambelí en más de un 30 % desde 1985.

1.5. JUSTIFICACIÓN Los manglares son árboles de menor tamaño y siempre verdes que se ubican generalmente en las zonas intermareales de las deltas de los ríos, estuarios y lagunas de las latitudes tropicales, subtropicales y algunas zonas temperadas del mundo (CLIRSEN, 2006; Liu, Li, Shi, y Wang, 2008). Se trata de ambientes de gran valor ecológico, que proporcionan una serie de servicios ecosistémicos tales como hábitat para especies comerciales de peces, filtración de escorrentías, protección contra la erosión costera y disminución de impactos por inundaciones (Jupiter, Potts, Phinn, y Duke, 2007; Kuenzer, Bluemel, Gebhardt, Quoc, y Dech, 2011). Tradicionalmente, los manglares han sido utilizados para la extracción de alimentos, madera, medicamentos (Alongi, 2002). Sin embargo, hoy en día es uno de los ecosistemas más amenazados del planeta. En los últimos 50 años, más de un tercio de las áreas de manglares de todo el mundo se habrían perdido debido a la expansión de las actividades humanas como el desarrollo urbano, la acuicultura y la sobreexplotación de los recursos naturales (Alongi, 2002). Solamente entre 1980 y 2005, la perdida de manglar alcanzaría la cifra de 3,6 millones de hectáreas, lo que correspondería a un 20 % del total, siendo Asia la de mayor área deforestada con alrededor de 1,9 millones de hectáreas (FAO, 2007). A nivel nacional, las áreas de manglar se redujeron extensivamente de 203.624,6 ha (CLIRSEN, 2006) a 157,094.28 ha entre 1969 y el 2014 (MAE y FAO, 2014). Mientras que, en 1969 las áreas manglar del Archipiélago de Jambelí y las parroquias aledañas en el litoral costero superaban las 34,712.5 ha, al 2006 esta cifra descendió a 15,207. 6 ha, significando una pérdida del ecosistema del 43.8 % 13

(Bravo, 2010). La mayoría de estas áreas fueron transformadas para fines de acuicultura, específicamente para la construcción de piscinas de camarón durante un período de auge, que comenzó en la década de los 70´s y se extendió hasta finales de los 90’s (CLIRSEN, 1990; Paredes, 2006). Al 2006, el sector camaronero en esta zona abarcó alrededor 42,090.3 ha, siendo una de las áreas de mayor importancia para esta industria en el país (Bravo, 2010). Para el 2015, solo en el Archipiélago de Jambelí se registraron un total de 12,916.85 ha de piscinas camaroneras, es decir, aproximadamente un 50.8 % de su superficie (GAD Jambelí, 2015). El deterioro de estas áreas de manglar pone en riesgo la sustentabilidad social y económica de los pobladores de la zona. A través del tiempo, los manglares han provisto de recursos a la población local quienes se han visto beneficiados por sus múltiples beneficios. Entre estos se encuentra la explotación de pilotes de mangle para la construcción de viviendas, producción de carbón vegetal para cocinas, extracción de taninos para convertir las pieles de animales en cuero o curtiembres y para la pesca y captura de peces y crustáceos para consumo y venta (CLIRSEN, 2006). Aunque en menor medida, estas actividades artesanales de extracción de materiales y recursos del manglar también han tenido su impacto sobre el ecosistema. La realización de un análisis multitemporal permitirá conocer la situación actual del ecosistema de manglar en el Archipiélago de Jambelí y comparar su estado con relación a décadas anteriores. Conocer los cambios producidos en el tiempo, constituye una importante herramienta para mejorar las medidas de conservación implementadas en este ecosistema.

1.6. ALCANCE El área de estudio del presente trabajo corresponde a los bosques de manglar que se localizan en el Archipiélago de Jambelí. Esto incluye las 5 islas que componen la parroquia de Jambelí (Bellavista, Costa Rica, Las Huacas, Las Casitas y Pongalillo), en una superficie aproximada de 25,427.36 ha. El área de estudio se encuentra constituida por ecosistemas naturales, sistemas lacustres, matorrales, zona de estuario, zonas antrópicas y zonas urbanas.

La escala de información utilizada es a nivel parroquial y será recogida solamente de fuentes oficiales y con sus respectivos metadatos, esto en referencia a los archivos vectoriales y raster. En cuanto a las imágenes para el análisis, su escala temporal deberá estar dentro del período 1985 y 2017. Aquellas imágenes fuera de este período no serán tomadas en cuenta para el análisis. Además, es importante que las imágenes sean multiespectrales debido a que los factores dominantes que controlan la reflectancia de la vegetación se ubican en la región del espectro electromagnético entre 0.35 y 2.6 µm, lo que incluye bandas del espectro visible e infrarrojas (Jensen, 2014). Considerando que las imágenes Landsat tienen una resolución de 30m por pixel, la cartografía temática que se generará de este estudio tendrá una escala de 1:60,000. Esta escala fue calculada de acuerdo a la regla que expone Tobler la cual permite encontrar la escala de mapeo que se puede generar a partir de una imagen satelital (Tobler, 1987). Se espera que los resultados obtenidos en el presente estudio constituyan una base científica y técnica para otros estudios y principalmente para los diferentes instrumentos de planificación y ordenamiento territorial. El estudio proporcionará importante información cuantitativa y cuantitativa que podrá ser utilizada para la toma de decisiones por parte de instituciones públicas, privadas y Organizaciones No Gubernamentales - ONGs interesadas en la conservación y la restauración de los servicios ambientales del ecosistema. Así mismo, se espera que la metodología utilizada pueda ser replicada no solo para el análisis de manglar, sino para el estudio de otros ecosistemas sensibles que necesitan de medidas urgentes para su conservación.

2. MARCO TEÓRICO 2.1. LOS MANGLARES 2.1.1. Los Manglares y su importancia ecológica Los manglares son ecosistemas costeros que se encuentran en las regiones tropicales y subtropicales del mundo, en zonas intermareales a lo largo de la desembocadura de ríos y estuarios (FAO, 2007). Se trata de un conjunto de árboles y arbustos que han desarrollado adaptaciones morfológicas especiales como raíces aéreas, glándulas de excreción de sal y semillas vivíparas entre otras, para colonizar y tolerar zonas anegadas por agua salada e influenciadas por mareas (CLIRSEN, 2006). En condiciones ambientales adecuadas estos bosques pueden alcanzar un dosel de 30 a 40 metros de altura y extenderse por varios kilómetros hacia el interior del continente (FAO, 2007). Este ecosistema constituye un importante recurso para la conservación biológica de flora y fauna en el mundo. Aves, cocodrilos, delfines, serpientes, peces, entre otros forman parte de la fauna asociada a este ecosistema (MAE y FAO, 2014). Su alta biodiversidad está relacionada a la presencia de plantas epífitas como bromelias, orquídeas, musgos y helechos, así como también a la alta productividad generada a partir de la materia orgánica generada de la hojarasca y de la retención de nutrientes (CLIRSEN, 2006). Entre sus principales funciones o servicios ecosistémicos se encuentran la protección de otros ecosistemas y ambientes marino costeros, el mantenimiento de la calidad del agua, hábitat para la cría de especies de invertebrados y peces en sus diferentes ciclos de vida, protección de la cadena alimenticia de los estuarios, entre otros (Manson, Loneragan, y Phinn, 2003). Además, el manglar funciona como un retenedor y acumulador de sedimentos, metales pesados y minerales producidos por las actividades humanas tierra arriba y que son arrastrados por la escorrentía del agua, garantizando la salud de arrecifes de coral, pastos marinos y la navegabilidad de los estuarios (CLIRSEN, 2006; FAO, 2007). Otros servicios incluyen el secuestro de carbono y la filtración de contaminantes, la reducción de la erosión costera y protección de las comunidades litorales en contra de eventos naturales como vientos, marejadas, corrientes de agua e incluso tsunamis (Chen et al., 2013; FAO, 2007; Rodriguez, Feller, y Cavanaugh, 2016). 16

2.1.2. Distribución de los manglares Según la Organización de las Naciones Unidas para la Alimentación y la Agricultura - FAO (2007), alrededor del mundo al 2005 habrían existido aproximadamente entre 50 y 70 especies de manglar, distribuidas en 15,2 millones de hectáreas. De esta extensión alrededor de un 42 % se encuentra en Asia, un 20 % en África, seguido por Norte y Centro América con un 15 %, Oceanía con un 12 % y Sudamérica con un 11 % (Dan, Chen, Chiang, y Ogawa, 2016). El continente asiático posee la mayor diversidad con aproximadamente 50 especies, seguido de Oceanía con alrededor de 37 especies concentradas en un 75 % en Australia y África oriental con 14 especies. Mientras tanto en América del Sur se han identificado 10 especies de manglar, cubriendo una superficie un poco menor que 2 millones de hectáreas, ubicadas mayormente en un 90 % en Brasil, Colombia, Venezuela, Ecuador y Suriname (FAO, 2007). En el Ecuador, la superficie de manglar se encuentra distribuida en las 5 provincias costaneras, Esmeraldas, Manabí, Santa Elena, Guayas, y el Oro (CLIRSEN, 2006). Aproximadamente, en el país existe un remanente de 157,094.28 ha, compuestas principalmente por 4 géneros: mangle rojo (Rhizophora), mangle negro (Avicennia), mangle blanco (Laguncularia) y mangle jelí (Conocarpus) (MAE y FAO, 2014). Cinco zonas estuarinas albergarían cerca del 99 % de estos manglares: Estuario Cayapas Mataje y Estuario del Río Muisne en Esmeraldas, el Estuario del Río Chone en Manabí, el Golfo de Guayaquil en las provincias de Santa Elena y Guayas y el Archipiélago de Jambelí en El Oro (Flores, 2012). Según Bravo (2010), el Archipiélago de Jambelí y sus parroquias aledañas concentrarían la tercera mayor extensión de este ecosistema en el país, pues al 2006 este sistema estuarino abarcaba alrededor de 15,207.6 ha, lo que significa aproximadamente un 10 % del total de manglares en el Ecuador.

2.1.3. Degradación del ecosistema de manglar Aproximadamente, un tercio de la cobertura de manglar en el mundo se ha perdido durante los últimos 50 años (Alongi, 2002). A partir de 1980 la reducción de estos bosques parece haber tenido sus puntos más críticos. De acuerdo a un estudio realizado por la FAO (2007), alrededor de 185,000ha de manglar fueron

deforestadas anualmente en la década de los 80s, mientras que para para los 90s esta cifra se redujo a 118,500ha, y para el período 2000-2005 la deforestación alcanzó las 102,000ha anuales. Según Chen et al. (2013), desde 1980 hasta el año 2000, aproximadamente se habrían perdido un total de 3,6 millones de hectáreas de manglar en el mundo. Factores naturales, pero principalmente antropogénicos serán la causa de que las superficies de estos bosques sigan reduciéndose en el futuro (Alongi, 2008). Por siglos el manglar ha sido utilizado para la provisión de recursos contribuyendo a la economía de las poblaciones costeras rurales (Pham y Yoshino, 2015). Desde tiempos precolombinos hasta la actualidad los manglares han sido explotados para la producción de combustibles como leña y carbón, madera para la construcción, provisión de alimentos como crustáceos y peces, producción de medicinas, azúcar, alcohol, miel, cera, papel, extracción de taninos para el proceso de curtiembre de pieles de animales, entre otros (FAO, 2007). Durante el siglo 17, en ciudades estratégicas de Latinoamérica como Guayaquil en Ecuador, Nicoya en Costa Rica y Ciudad de Panamá en Panamá, se instalaron astilleros en donde se demandaba una gran cantidad de maderas como el laurel y el manglar para la construcción de barcos (López-Angarita, Roberts, Tilley, Hawkins, y Cooke, 2016). Gran parte de las Iglesias y casas de Lima en Perú edificadas entre el siglo 16 y mediados del siglo 18 fueron construidas con madera de manglar exportados desde Colombia y Ecuador (López-Angarita et al., 2016; MAE y FAO, 2014). Mientras tanto entre 1980 y 1990, las tierras cubiertas por bosques de manglar en América del Sur fueron consideradas improductivas e insalubres por los gobiernos locales, conduciendo a una perdida extensiva de aproximadamente 250,000 ha de manglares (FAO, 2007). Ignorantemente gobiernos nacionales e instituciones multinacionales como el Banco Mundial - BM y el Fondo Monetario Internacional FMI promovieron la deforestación y la destrucción de este ecosistema para la ubicación de actividades “más productivas” (López-Angarita et al., 2016). Colombia, Ecuador, Brasil y Venezuela experimentaron la mayor deforestación de manglares en el continente con cerca de 30,000 ha pérdidas durante este período (FAO, 2007). Desde 1980, aproximadamente entre el 20 % y 50 % de los bosques de manglar 18

en Latinoamérica se habrían perdido a causa de la producción camaronera (Chen et al., 2013). En el Ecuador, entre 1969 y 2006 se registró una pérdida de la superficie de manglar superior al 27.7 %, lo que significó aproximadamente 56,395.9 ha (Bravo, 2010).

Durante

ese

mismo

período

industria

camaronera

creció

exponencialmente cubriendo una superficie aproximada de 175,660.1ha (Bravo, 2010). El establecimiento descontrolado de esta actividad ha significado la conversión insostenible de miles de hectáreas de manglar, provocando un gran impacto ambiental y social al reducir la productividad natural del ecosistema y destruir el hábitat de especies comerciales que son el sustento de muchas comunidades locales (CLIRSEN, 2006; MAE y FAO, 2014). La ampliación de la frontera agrícola para cultivos de palma africana y coco, así como también para actividades ganaderas y el crecimiento de centros urbanos de manera descontrolada han incrementado la degradación del ecosistema de manglar en las últimas décadas (MAE y FAO, 2014)

2.1.4. Conservación del manglar desde la normativa Como resultado de una mayor conciencia global y de un mayor conocimiento sobre los servicios ambientales de los ecosistemas, en la década de los 90 varios gobiernos de la región incluido el ecuatoriano, deciden unirse a movimientos internacionales, como la Convención de Ramsar sobre Humedales y el Convenio de Diversidad Biológica - CDB, en la búsqueda de orientar sus políticas hacia la conservación de ecosistemas sensibles (López-Angarita et al., 2016). Años antes, en América del Sur, en 1981 se creó un plan de acción para la protección de las áreas costeras por parte de la Comisión Permanente del Pacífico Sur y más tarde, en el 2004, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura – UNESCO, creó el Corredor de Conservación Marina del Pacífico Tropical Oriental con la finalidad de establecer políticas para la conservación de los ecosistemas marinos y su uso sustentable (López-Angarita et al., 2016). El Ecuador además de ser parte, ha ratificado los acuerdos y convenciones internacionales antes mencionadas. La protección del ecosistema de manglar no es algo nuevo en la normativa ecuatoriana. En 1986, el gobierno mediante acuerdo ministerial 498 declaró a las 19

áreas de manglar como bosques protectores de la costa continental, mientras que en 1994 por Decreto Ejecutivo se prohibió la explotación y tala de estos bosques y la propagación de nuevas piscinas camaroneras (CLIRSEN, 2006; FAO, 2007). En este último, también se dispuso la actualización de la cartografía y delimitación de los manglares en el país para incorporarlos dentro del Patrimonio Forestal del Estado, lo cual estaría a cargo de Instituto Ecuatoriano Forestal y de Áreas Naturales y Vida Silvestre - INEFAN y el CLIRSEN (Decreto Ejecutivo 1907, 1994). Dentro de este marco, y con la finalidad de conservar los remanentes de manglar en el país, el CLIRSEN en el año 1987 realiza una actualización de la superficie de manglar, camaroneras y áreas salinas utilizando técnicas de teledetección (CLIRSEN, 1990). Posteriormente, se realizaron ejercicios de actualización similares para los años 1991 y 1995. Para 1999, el Ministerio del Ambiente - MAE y CLIRSEN establecieron un contrato para la elaboración de un estudio multitemporal de los manglares, piscinas camaroneras y áreas salinas en el país tomando como base el estudio realizado en 1995 por CLIRSEN y el INEFAN (CLIRSEN, 2006). En el 2005, con un préstamo al Banco Interamericano de Desarrollo - BID se desarrolló la segunda etapa del Programa de Manejo de Recursos Costeros – PMRC. Este incluía la realización de una nueva actualización de las áreas mencionadas previamente dentro de un estudio denominado “Actualización del Estudio Multitemporal de Manglares, Camaroneras y Áreas Salinas en la Costa Continental Ecuatoriana al Año 2006” (CLIRSEN, 2006). Actualmente, entre los instrumentos más importantes en materia de regulación, sanción y protección ambiental se encuentran: la Constitución de la República del Ecuador - CE, el Código Orgánico Ambiental - COA, Ley de Gestión Ambiental, Ley Forestal y Conservación de Áreas Naturales y Vida Silvestre, entre otros. Esta normativa ha permitido la conservación, la recuperación, el manejo y el uso sustentable del ecosistema de manglar en el país. En el Art 406 de la CE del 2008 se señala que “El Estado regulará la conservación, manejo y uso sustentable, recuperación, y limitaciones de dominio de los ecosistemas frágiles y amenazados; entre otros, […] manglares, ecosistemas

marinos y marinos-costeros” (CE, 2008). En el mismo año, por Decreto Ejecutivo 1391 se plantearon algunas regulaciones a la industria camaronera, entre ellas la prohibición del otorgamiento de nuevas concesiones para la actividad acuícola sobre zonas de manglar. Así mismo, en el Art 1 de la Ley Forestal y Conservación de Áreas Naturales y Vida Silvestre (2004), se menciona que los manglares constituyen parte del patrimonio forestal del Estado, inclusive aquellas áreas que se encuentran en propiedad privada por lo cual se requerirá de una concesión para su explotación. En el Art 78 de la misma ley se establecen sanciones y multas para quienes destruyan los manglares, equivalentes al 100 % del valor de la restauración del ecosistema. Mientras tanto, la Disposición Reformatoria Primera de la Ley de Gestión Ambiental del 2004 cataloga al manglar como un ecosistema “altamente lesionable” y también sanciona con multas a quienes talen, quemen o realicen algún tipo de acción destructiva en contra de este ecosistema. En el Art 99 del COA (2017) se menciona que la conservación, protección y restauración de los manglares son de interés público, prohibiendo así su deforestación y cambio en el uso del suelo. Mientras tanto en el Art 103 del mismo código se indica que el manglar es un bien del Estado y podrá ser concesionado únicamente para ser aprovechado sosteniblemente por comunidades, pueblos y nacionalidades ancestrales con fines de subsistencia y comercialización dentro del sistema de economía popular y solidaria. Así mismo, el en artículo 284 se plantean incentivos económicos para la conservación de los manglares y el Art 318 y 320 consideran las infracciones y sanciones para quienes atenten en contra del ecosistema. Una de las medidas más importantes adoptadas por la autoridad ambiental es la Resolución 56 (2011), en la cual se estableció un costo de restauración por cada hectárea de manglar destruida. La resolución se basó en un informe técnico de valoración económica, que determinó el costo asociado a la pérdida de los bienes y servicios ambientales proporcionados por los manglares y el valor de su restauración. De acuerdo al Art.1 de esta resolución, el costo por la restauración de cada hectárea talada, alterada, transformada o destruida ascendería a 89,273.01 dólares americanos. 21

Por otro lado, el país también cuenta con instrumentos de planificación diferenciada, en donde la conservación del ecosistema de manglar toma importancia en el ordenamiento del territorio. El Plan de Ordenamiento del Espacio Marino Costero – POEMC, el cual se encuentra en etapa de implementación, constituye el máximo instrumento de planificación del espacio marino costero en la actualidad. En este documento se realiza un diagnóstico de la situación actual y un análisis de la problemática asociada a los manglares en el país. Además, presenta lineamentos de política pública enfocados a la conservación y recuperación de este ecosistema (Senplades, 2017).

2.2. TELEDETECCIÓN Y ANALISIS DE CAMBIOS DE COBERTURAS 2.2.1. Teledetección de la vegetación y de manglares Según la American Society for Photogrammetry and Remote Sensing - ASPRS, la teledetección se define como “la medición o adquisición de información de alguna propiedad de un objeto o fenómeno, por un dispositivo de registro que no está en contacto físico o íntimo con el objeto o fenómeno en estudio” (Colwell, 1983, citado en Jensen, 2014, p.3). Mientras tanto, Jensen (2014) señala que la teledetección es el arte y la ciencia de obtener información sobre un objeto sin estar directamente en contacto físico con el objeto. Para Chuvieco (2008, p.17) “la teledetección no engloba sólo los procesos que permiten obtener una imagen, sino también su posterior tratamiento e interpretación”. Entre sus principales usos se encuentra la posibilidad de medir y monitorear las actividades humanas y las características físicas de su entorno (Khorram, Koch, Wiele, y Nelson, 2012). Por ejemplo, los cambios en la cobertura y uso de la tierra, monitoreo y estimación de las fuentes de agua, monitoreo de la salud de los ecosistemas, monitoreo de cultivos, análisis de la composición atmosférica, humedad del suelo, modelamiento de procesos de eutrofización, mancha urbana, entre otros. Investigadores y personas involucradas en el manejo ambiental generalmente usan técnicas de teledetección para estudiar los cambios en la composición y el comportamiento de la vegetación de una zona (Khorram et al., 2012). Por medio de 22

sensores remotos es posible obtener datos precisos de variables como, por ejemplo, pigmentación y contenido de agua de las hojas, estructura y altura del dosel, biomasa, evapotranspiración, índices de vegetación, absorción fotosintética, entre otros (Jensen, 2007). La detección de patrones en la distribución de la vegetación, la alteración de sus ciclos fenológicos, la fisiología y geomorfología de las plantas son particularidades que permiten obtener información de las características climáticas, edafológicas, fisiográficas y geológicas de un área determinada (Jensen, 2014). Sus aplicaciones dentro de paisajes de vegetación incluyen áreas destinadas para la agricultura, vegetación urbana, bosques, pastizales, humedales y en especial aquellas zonas de difícil acceso (Jensen, 2014). La teledetección ha sido ampliamente usada en el monitoreo y en la detección de cambios temporales y espaciales de los bosques de manglar (Chen et al., 2013). Debido a las características de inaccesibilidad de este ecosistema, la teledetección resulta ser una herramienta más eficiente y conveniente que otros métodos de investigación (Pham y Yoshino, 2015). Una de las principales ventajas es la posibilidad de monitorear grandes extensiones de manglares que posiblemente con un método tradicional tomaría más esfuerzo (Liu et al., 2008). La conservación, manejo y control de los manglares son algunos de los beneficios que se obtienen de la teledetección. A través de los sensores remotos es posible obtener información de los manglares relacionada con la composición de especies, estado de salud, extensión, productividad, estimación de la biomasa, capacidad de regeneración, evaluación de la calidad del agua, gestión de desastres, relaciones ecológicas y biológicas con otros ecosistemas, cambio de uso y cobertura de la tierra, monitoreo de la reforestación y conservación, monitoreo de las actividades acuícolas, entre otros (Kuenzer et al., 2011). Un sin número de estudios demuestran la efectividad de la teledetección en el monitoreo del ecosistema de manglar. Aschbacher et al. (1995) realizaron una evaluación del estado ecológico de un bosque de manglar determinando su densidad, edad y especies de mangle en la Bahía de Phangnga, Tailandia. El estudio demostró que a través de la clasificación de imágenes satelitales es posible discriminar los manglares de otros tipos de vegetación e incluso diferenciar si un 23

bosque es joven o maduro. Por su lado, Kovacs, Wang y Flores-Verdugo (2005) estimaron la condición de la salud de los manglares de la Laguna de Agua Brava en el Pacífico Mexicano. Por medio de sensores remotos, los autores mapearon el índice de área foliar - LAI de los manglares para conocer si su condición era saludable, pobre o si se trataba de manglares muertos. Jupiter et al. (2007) en su estudio “Cambios naturales y antropogénicos en la distribución de manglares en el Estuario del Río Pioneer (QLD, Australia)” aplicaron técnicas de teledetección en la cuantificación de los cambios de la vegetación de manglar en un determinado tiempo y en el análisis de las características biofísicas de los manglares. En su investigación, combinaron una serie de fotografías aéreas y de imágenes Landsat para documentar los cambios naturales y antrópicos producidos sobre el manglar en un período de 54 años. Los resultados demostraron la idoneidad de la teledetección para identificar áreas degradadas y priorizar sitios para restauración con la finalidad de recuperar los servicios y funciones del ecosistema.

2.2.2. Espectro electromagnético La radiación electromagnética - EMR puede ser entendida como una combinación de ondas electromagnéticas que se mueven de manera harmónica a través del espacio a la velocidad de la luz (Jensen, 2014). Estas ondas electromagnéticas en conjunto compuestas por ondas de luz visible, ondas de radio, radiación infrarroja IR, radiación ultravioleta - UV, rayos X y rayos gama comprenden el espectro electromagnético (Figura 1) (Khorram et al., 2012). Cuando la radiación electromagnética toma contacto con cualquier superficie u objeto se produce la transferencia de energía en 3 diferentes maneras: se absorbe, se refleja, se dispersa o emite (Jensen, 2014). La reflectancia y la emisión de la EMR son quizás la base de la teledetección, ya que a través de sensores remotos es posible recoger información para diferenciar objetos o materiales los cuales presentan características propias que pueden ser obtenidas a través de las firmas espectrales (Khorram et al., 2012).

Figura 1. Espectro electromagnético Fuente: Khorram et al. (2012) Es así que, la vegetación verde y saludable presenta sus características espectrales propias. Jensen (2014) explica que la luz solar es interceptada en forma de EMR por las hojas de las plantas de manera directa o difusa e interactúa con los pigmentos, agua y espacios de aire intercelular. Esta EMR reflejada, absorbida y transmitida a través de la hoja puede ser medida a través de las longitudes de onda del espectro electromagnético que son captadas por sensores remotos. Generalmente, vegetación en condiciones saludables refleja dentro del intervalo de la longitud de onda de entre 0.4 – 2.6 µm, es decir entre el rango luz visible y la radiación infrarroja (Jensen, 2007). En la figura 2 se puede observar la firma espectral característica de vegetación saludable en donde se presenta una mayor reflectancia en la banda 0.5 y 0.6 µm que corresponde al color verde de la luz visible, lo que significa una mayor presencia de clorofila y por ende se observan las hojas de color verde; y en la longitud de onda de Infrarrojo cercano - NIR (Jensen, 2014).

Figura 2. Características espectrales de vegetación verde y saludable. Fuente: Jensen (2014) Según Jensen (2014), los manglares absorben aproximadamente un 86 % de la luz verde, la misma que es utilizada para el proceso de la fotosíntesis, y reflejan aproximadamente un 14 %, mientras que la luz roja es absorbida en un 91 % para fotosíntesis y reflejada en un 9 % aproximadamente. También, existe una mayor reflectancia de la radiación infrarroja cercana, aproximadamente un 28 %, lo que indica la presencia de mayor cantidad de biomasa. Por su lado, Dan et al. (2014) mencionan que la reflectancia en el infrarrojo de onda corta - SWIR es menor en comparación con otros tipos de vegetación y esto estaría atribuido a que los manglares están asociados con el lodo, sedimentos y el agua (Figura 3). Por otro lado, las zonas anegadas presentan una mayor absorción de la energía en el NIR lo que determina un color oscuro del agua (Jensen, 2014). Estas características permitirían contrastar las dos coberturas y discriminar si se trata de zonas de manglar o de agua que se encuentran generalmente asociadas dentro de una misma área geográfica. 26

Figura 3. Firmas espectrales de manglares y otros tipos de vegetación. Fuente. Dan et al. (2014)

2.2.3. Adquisición de los datos La teledetección permite la colección de la información de forma análoga como fotografías aéreas impresas, o digital como por ejemplo imágenes satelitales (Jensen y Jensen, 2013). Estas últimas a ser usadas en el presente estudio son colectadas a través de sensores montados en aeronaves o satélites en el espacio los cuales capturan imágenes e información espectral de los elementos u objetos que se encuentran en el mundo real (Khorram et al., 2012). Adicional a la identificación de las firmas espectrales para el análisis de elementos u objetos en un estudio de teledetección, es necesario conocer los principios más fundamentales de interpretación, los cuales se obtienen a través de la visualización directa de las imágenes (Jensen, 2014). Estos incluyen localización, tono, coloración, altura, tamaño, forma, textura, asociación con otros elementos, patrones, sombras, entre otros (Jensen, 2007, 2014). Además, dependiendo del estudio es importante tener en cuenta la resolución de las imágenes para su adquisición en base a 4 parámetros o tipos de resolución: espectral, espacial, temporal y radiométrica (Khorram et al., 2012).

La resolución espectral hace referencia al número y ancho de bandas en el espectro electromagnético que puede capturar un sensor (Jensen y Jensen, 2013; Longley, 2005). Por ejemplo, los sensores multiespectrales de las plataformas Landsat permiten capturar la EMR en múltiples bandas, mientras sensores hiperespectrales como AVIRIS (Airborne Visible and Infrared Imaging Spectometer) pueden capturar hasta 224 bandas en el espectro electromagnético (Jensen, 2007). La resolución espacial representa el nivel de detalle de una imagen determinada por el tamaño del pixel y la superficie de terreno capturada por el mismo (Khorram et al., 2012). Por su lado, la resolución temporal de una imagen hace referencia a la frecuencia y el tiempo que demora un sensor en volver a colectar información de un área en particular como, por ejemplo, Landsat revisita la misma zona cada 16 días (Jensen y Jensen, 2013). Finalmente, la resolución radiométrica se refiere a la sensibilidad del sensor a los diferentes niveles de gris o valores de brillo en que se divide la EMR, es decir, la radiación que se emite, refleja o dispersa desde el terreno (Jensen, 2014). Dependiendo de los objetivos del análisis, en el mercado existe un sin número de satélites, plataformas y proveedores de imágenes que pueden ser utilizadas para el mapeo de manglares. De acuerdo a su resolución espacial y espectral se puede categorizar a las imágenes de la siguiente manera: las fotografías aéreas y ortofotos obtenidas desde aeronaves; imágenes multiespectrales y de alta resolución como IKONOS o QuickBird o de mediana resolución como Landsat o SPOT; imágenes hyperespectrales como Compact Airborne Spectrographic Imager - CASI e imágenes radar como Synthetic Aperture Radar - SAR (Kuenzer et al., 2011). En la figura 4 se presentan 2 consideraciones muy importantes al momento de la adquisición de una imagen: la escala temporal y la escala espacial.

Figura 4. Consideraciones importantes para la adquisición de una imagen. Fuente: Jensen (2014) Para varios autores las imágenes multiespectrales Landsat, de mediana resolución, son muy útiles para el mapeo de manglares. Según Pham y Yoshino (2015), las imágenes de la plataforma Landsat 8 han demostrado tener un gran potencial en la detección de los cambios producidos en los bosques de manglar a una escala regional y nacional, por lo que pueden ser utilizadas para priorizar mecanismos de protección y rehabilitación del ecosistema. Para Chen et al. (2013), el libre acceso y la disponibilidad de un archivo histórico de imágenes de décadas pasadas hace que las imágenes de las imágenes de los satélites Landsat sean preferidas sobre otras de alta resolución, especialmente en estudios de detección de los cambios en la cobertura de manglar. Según Manson et al. (2003), la resolución espacial de Landsat permite realizar estimaciones de la superficie de manglares bastante precisas, no muy distintas si se usara una imagen de alta resolución. Mientras tanto, Jupiter et al. (2007) mencionan que, a diferencia de la fotografía aérea tradicional, las imágenes Landsat a través de sus bandas espectrales permiten realizar cálculos 29

de índices de vegetación, muy importantes para conocer la biomasa, productividad, el área foliar y diferenciar áreas de manglar de otras coberturas. Por otro lado, Kuenzer et al. (2011) explican que la resolución de las imágenes Landsat también puede ser un limitante en el mapeo de pequeñas áreas de manglar. Debido a su resolución espacial de 30m por pixel, pequeños parches y franjas de manglar muy comunes en las zonas costeras y que a menudo tienen menos de 50m, pueden quedar invisibilizadas, obteniendo errores en el resultado. Otro factor que ha limitado el uso de estas imágenes es el exceso de nubes para ciertas áreas (Terchunian et al., 1986).

2.2.4. Procesamiento de las imágenes para estudios de cobertura y uso de la tierra Dentro de un estudio de cobertura y uso de la tierra, las imágenes generalmente están sometidas a técnicas de pre procesamiento, procesamiento y post procesamiento (Khorram et al., 2012). A continuación, se describirá cada una de estas técnicas. 

Preprocesamiento

Las técnicas de pre-procesamiento son utilizadas generalmente para corregir errores y preparar a las imágenes de la mejor manera para que sean sometidas a la etapa de procesamiento (Khorram et al., 2012). Estas incluyen: correcciones geométricas, las cuales son utilizadas para corregir distorsiones causadas por el movimiento de los sensores, altitud, curvatura de la tierra, entre otros; correcciones atmosféricas, las cuales son usadas para remover contribuciones atmosféricas causadas por la suspensión de material particulado o aerosoles al momento de la adquisición de la imagen; y correcciones radiométricas las cuales son usadas para remover cualquier condición ambiental que afecte la reflectancia de un objeto en el terreno (Jensen, 2007; Khorram et al., 2012). 

Procesamiento

La etapa de procesamiento consiste en la clasificación de las imágenes en base a la asignación de pixeles a diferentes categorías. Esta puede ser realizada utilizando distintos métodos de clasificación como, por ejemplo, clasificación supervisada o

no supervisada (Jensen, 2007) o un enfoque de árbol de precisión (Dan et al., 2014). En la clasificación supervisada, el conocimiento previo del analista es requerido de manera activa ya que se necesita asignar manualmente, a través de áreas de entrenamiento o regiones de interés - ROI, los pixeles a cada una de las categorías seleccionadas (Monterroso, 2013). Mientras tanto la clasificación no supervisada, se realiza a través de la asignación automática de pixeles de similares características espectrales a un grupo o clase por medio de un computador, por lo cual el conocimiento previo por parte del analista no es necesario (Jensen, 2007). Sin embargo, es el analista es quien toma la decisión de que algoritmo aplicar para obtener los mejores resultados (Khorram et al., 2012). Tanto para la clasificación supervisada como no supervisada, es necesario previamente definir un sistema de clasificación que permita delimitar los diferentes tipos de coberturas como: agua, arena, bosques, cultivos, infraestructura; o usos como: agricultura, comercio, asentamientos humanos (Jensen, 2007). Varios sistemas han sido desarrollados para este fin, entre ellos se encuentran: el sistema de clasificación de la United States Geological Survey - USGS el cual es uno de los más usados globalmente para el mapeo de cobertura de la tierra; el sistema de clasificación de la cobertura de la tierra del International Geosphere- Biosphere Program - IGBP; el Sistema de clasificación basado en tierra de la American Plannig Association, entre otros (Jensen, 2007). Para la elaboración del Mapa de Cobertura y Uso de la tierra del Ecuador Continental 2013-2014 se utilizó un esquema de 4 niveles basado en la clasificación de cobertura y uso propuesto por el Intergovermental Panel for Climate Change IPCC (MAE y MAGAP, 2015). La utilización de un sistema de clasificación estandarizado permite realizar comparaciones con otros estudios (Jensen, 2007). Por otro lado, la clasificación por el enfoque de árbol de decisión consiste en un método que discrimina categorías de manera secuencial en base a las bandas espectrales de la imagen u otras entradas como Modelo Digital de Elevación - MDE o índices de vegetación como el Normalized Different Vegetation Index - NDVI (Chuvieco, 1995). En los manglares, el mostrar características espectrales

específicas, como por ejemplo, menor reflectancia en las bandas del infrarrojo de onda corta hace posible que se puedan usar estas bandas para diferenciarse de otros tipos de vegetación (Dan et al., 2014). Además, al estar los manglares restringidos por factores topográficos, el uso de un MDE permite excluir las zonas que se encuentran fuera de su rango de distribución (Liu et al., 2008). La figura 5 muestra un árbol de decisiones realizado por Dan et al. (2014) para la extracción de la cobertura de manglar.

Figura 5. Enfoque de Árbol de Decisiones para la extracción de manglares. Fuente. Dan et al. (2014) 

Post-procesamiento

En la etapa de post-procesamiento, las técnicas más usadas son la aplicación de filtros espaciales, la evaluación de la precisión y la detección del cambio (Khorram et al., 2012). Los filtros espaciales son operaciones matemáticas utilizadas para realzar o mejorar el contraste de una imagen por medio de la alteración de los niveles de grises de cada pixel o de un grupo de pixeles (Aldalur y Santamaría, 2002). Acorde con Dan et al. (2014), toda imagen luego de pasar por un proceso de clasificación es afectada por ruidos de “Sal y pimienta” los cuales se caracterizan por cubrir a la imagen con pixeles blancos y negros de forma dispersa. Para ello,

Chen et al. (2013) recomiendan el uso de un filtro mayoritario, el cual permite remplazar una celda acorde con sus celdas vecinas. Por otro lado, todo mapa derivado de un proceso de teledetección debe pasar por un proceso de evaluación de la precisión o validación antes de ser utilizado para estudios científicos o toma de decisiones (Kuenzer et al., 2011). Este proceso consiste en la comparación de datos de referencia recogidos en campo, mapas de uso de la tierra o de imágenes de mayor resolución, con los resultados de la clasificación de la imagen, por medio de una matriz de confusión (Khorram et al., 2012). Por ejemplo, Chen et al. (2013) utilizaron un mapa de uso de la tierra de donde recogieron aleatoriamente alrededor de 10,000 pixeles para cada clase como puntos de referencia del terreno y procedieron a construir una matriz de confusión con la cual obtendría el coeficiente Kappa, el cual mide la diferencia observada entre los dos mapas. Finalmente, la detección del cambio es un proceso en el cual es posible determinar los cambios o la variación producida sobre una cobertura durante dos o más fechas distintas (Ramachandra y Kumar, 2004). Este tipo de análisis es generalmente usado para identificar los cambios en el uso de la tierra, fragmentación de hábitat, cálculos de deforestación, expansión urbana y análisis multitemporal, entre otros (Ramachandra y Kumar, 2004). Según Kuenzer et al. (2011), la detección del cambio es una herramienta muy poderosa para la visualización, medición y entendimiento de los cambios producidos en los ecosistemas de manglar, sean estos sobre un largo período de tiempo o repentinos debido a eventos de carácter natural o antrópico. Los estudios que utilizan esta herramienta generalmente miden la distribución, condición, incremento y reducción de la superficie de manglar.

2.2.5. Análisis multitemporal y detección del cambio De acuerdo a Dan et al. (2016), la detección del cambio es una herramienta muy utilizada para análisis multitemporales de ecosistemas de manglar. Esta técnica de teledetección permite visualizar, medir y entender las variaciones de la cobertura sufridas sobre largos períodos de tiempo, así como también los impactos repentinos producidos por eventos naturales (tsunamis) o de forma antropogénica (construcción de piscinas camaroneras). Además, la formulación de este tipo de análisis resulta indispensable para conocer las interacciones entre el cambio de uso 33

de la tierra y el crecimiento poblacional sobre un determinado tiempo (Chen et al., 2013). Con la finalidad de conocer los cambios producidos en el ecosistema de manglar dentro de determinado período de tiempo, varios estudios han recurrido a este tipo de análisis entre sus técnicas de investigación. En ciertos casos la superficie de manglar tuvo un incremento significativo, mientras que en otros casos se pudo detectar considerables cambios negativos, los mismos que han servido de alerta para la implementación de políticas de reforestación y conservación. Entre estos estudios cabe citar los siguientes: Mangrove mapping and change detection in Sungai Asam Village, Indragiri Hilir Regency, Riau Province (Permatasari, Setiawan, Khairiah, y Mulyana, 2017) En este estudio llevado a cabo en Indonesia se determinó un incremento significativo en la superficie de manglar en el pueblo de Sungai Asam en los últimos 20 años. El estudio señala que a partir del 2002 los pobladores iniciaron un proyecto de recuperación de las zonas de manglar debido a que el agua del mar empezó a ingresar a las plantaciones de coco, volviendo estas tierras improductivas. Para conocer el impacto de esta restauración, la investigación tomó en cuenta tres años referenciales 1996, 2006 y 2016 para los cuales se utilizó imágenes Landsat. Previo al análisis, las imágenes pasaron por una etapa de preprocesamiento en donde principalmente se ejecutaron correcciones geométricas con la finalidad de unificar el sistema de coordenadas. Datos de campo fueron recolectados de las coberturas existentes en el área de estudio, especialmente de aquellas zonas cubiertas por manglar. Por medio de un Sistema de Posicionamiento Global - GPS, se colectaron una cierta cantidad de puntos que servirían como áreas de entrenamiento o ROI para realizar una clasificación supervisada y que luego también serían utilizados para generar la matriz de confusión para la validación del proceso de clasificación. Los resultados demostraron que antes de la reforestación el área de estudio estaba dominada por zonas anegadas y pantanosas y por lo tanto tierras no aptas para el cultivo de coco. Para el 2006, se observó el dominio de plantas jóvenes de manglar, 34

mientras que para el 2016 el área de bosque de manglar habría aumentado hasta en 25 veces. Hoy en día, el bosque reforestado es un santuario natural de aves y peces y es usado para la investigación por varias universidades. Detecting changes in the mangrove forests of Southern Thailand using remotely sensed data and GIS (Sremongkontip, Hussin y Groenindijk, 2000). Similarmente, en el sur de Tailandia un estudio fue conducido para detectar los cambios producidos en los bosques de manglares en un período de 20 años para las localidades de Bang-Toey y Ban Klang village. Un cambio en la política pública del país sobre el uso y manejo del manglar habría influido en la expansión de tres actividades que desencadenaron la degradación y la deforestación de este ecosistema. Estas actividades asociadas a la concesión del manglar, extracción de estaño y el cultivo intensivo de camarón habrían afectado directamente a las comunidades dependientes de los recursos del manglar. Para el análisis multitemporal de manglares en la localidad de Bang- Toey, imágenes Landsat de 1988 y 1996 fueron procesadas. Estas fueron primeramente georreferenciadas y luego para su clasificación se generó una imagen compuesta de color falso usando 3 la combinación de bandas espectrales 453/RGB. Puntos recolectados en campo fueron utilizados como áreas de entrenamiento o ROI para la clasificación supervisada, en la cual se diferenciaron 9 clases. Al ser el foco de estudio las zonas de manglar, los autores optaron por agrupar aquellas coberturas que presentaban características espectrales similares, la mayoría de estas asociadas a cultivos. Los mapas generados de este proceso fueron sobrepuestos para conocer los cambios en la cobertura del suelo. Para la localidad de Ban Klang fotografías aéreas de 1976,1984 y 1995 fueron utilizadas para generar 2 mapas de cambio para los períodos 1976-1984 y 19841995. Al tratarse de una serie de fotografías que cubrían el área de estudio para un mismo año, se usaron técnicas de triangulación radial para unificar las fotografías recolectadas para el análisis. Estas técnicas de preprocesamiento se realizaron para las fotografías de los 3 distintos años. A continuación, procedieron a realizar la fotointerpretación y digitalización de las coberturas para cada año y finalmente sobrepuestas para generar los mapas de cambio.

En base a los resultados del estudio se pudo determinar que en efecto los principales factores de cambio en el ecosistema de manglar para las dos localidades están relacionados a la explotación de estaño y el cultivo de camarón en piscinas, los cuales fueron extensivos durante 1988 y 1996. Esto habría afectado de manera directa a las poblaciones locales que viven de la extracción de recursos del manglar. Mapping and change analysis in mangrove forest by using Landsat imagery (Dan et al. 2016) Dan et al. (2016) detectaron cambios significativos en la cobertura de manglar en el Centro – Occidente de África y en la Delta del Sudarbans en la frontera entre Bangladesh y la India. En el primer caso, aproximadamente el 16.9 % de la cobertura total del manglar se habría perdido entre 1988 y el 2014 y apenas un 2.5 % se habría recuperado. La agricultura y la acuicultura serían las principales causas de la deforestación del manglar al haber sido grandes territorios convertidos en campos de arroz y piscinas de peces y camarón. Mientras tanto en la Delta del Sudarbans, se observó un incremento aproximado de 900 km2 de manglar durante el mismo período. Aunque el área actual es dos veces menor que la existente en la época colonial, el manejo adoptado por el gobierno de Bangladesh ha logrado incrementar gradualmente el área de manglar en la zona. Estas medidas estarían dirigidas al manejo sustentable del ecosistema, con la finalidad de obtener beneficios de producción y especialmente de protección, ya que se trata de una zona afectada periódicamente por ciclones y marejadas. Imágenes satelitales Landsat de 1988, 2001 y 2014 fueron colectadas para el análisis. Adicionalmente, un MDE fue utilizado para remover las zonas con elevaciones mayores a 30m y menores a 0 m.s.n.m. La metodología del estudio contemplo cuatro principales pasos: 1) Preprocesamiento de las imágenes en donde se aplicaron correcciones atmosféricas y geométricas; 2) Procesamiento de las imágenes, en donde se utilizó a clasificación supervisada como método; 3) evaluación de la precisión; y 4) análisis de detección del cambio. Uno de los procedimientos más importantes utilizados en el preprocesamiento de las imágenes fue la utilización de NDVI y el MDE para remover áreas de no 36

vegetación y aquellas que por su elevación se encuentran fuera del rango altitudinal de distribución de los manglares. Adicionalmente se creó un buffer con diferentes distancias para cada localidad basadas en la distribución espacial de los manglares en cada región, es decir, la distancia máxima a la que pueden ser encontrados desde la línea de costa hacia el interior del continente. De esta manera el área de estudio fue reducida en gran proporción para su clasificación. Para la clasificación se crearon áreas de entrenamiento para cada una de las coberturas identificadas en las áreas de estudio, en un total de seis. El resultado de la clasificación fue sometido a la aplicación de filtros para remover el efecto de sal y pimienta de las imágenes. Para ello, los autores utilizaron un filtro mediano con un tamaño de Kernel de 3x3. Este filtro permitió obtener imágenes más suaves y con un menor número de pixeles clasificados erróneamente. Luego, las imágenes fueron sometidas a la evaluación de la precisión, en donde el coeficiente Kappa fue incorporado como elemento necesario para la validación de los resultados. Finalmente, las imágenes clasificadas fueron comparadas entre ellas para obtener la información de los cambios producidos en la distribución de los manglares. El resultado del estudio demostró que el principal factor de cambio se atribuye a la industria camaronera y a la extracción de madera para la construcción. Los autores resaltaron la importancia de las técnicas de teledetección y su efectividad en la investigación de cambios espaciales y temporales del bosque de manglar ya que proporciona información cuantitativa que puede ser utilizada por planificadores para mejorar la toma de decisiones. Multi-Decadal Mangrove Forest Change Detection and Prediction in Honduras, Central America, with Landsat Imagery and a Markov Chain Model (Chen et al., 2013) En este estudio se realizó un análisis multitemporal de los bosques de manglares de Honduras en tres períodos distintos 1985–1996, 1996–2002, y 2002–2013, para luego realizar una proyección al 2020. Los cambios producidos en la cobertura de manglar estarían asociados a la tendencia global de crecimiento de la acuacultura, especialmente de la construcción de piscinas para la producción de camarón.

Similar a los estudios anteriormente señalados, Chen et al. (2013) utilizaron imágenes satelitales Landsat TM y ETM+ para el análisis. Correcciones geométricas, radiométricas y atmosféricas fueron aplicadas a las imágenes. Un MDE fue utilizado para remover las zonas con elevaciones superiores a los 30m, mientras que el NDVI fue aplicado para excluir zonas de no vegetación incluido cuerpos de agua y zonas urbanas. Adicionalmente se realizó un análisis de separabilidad de bandas espectrales para identificar que bandas espectrales son más eficientes para identificar manglares. El resultado de este análisis demostró que la banda del infrarrojo de onda corta (SWIR1) fue la más indicada para diferenciar manglares de cualquier otra cobertura. El estudio utilizó un método de clasificación no supervisada denominado Otsu, el cual permite convertir la imagen en una imagen binaria de manera que se identificó solamente dos clases: manglar y no manglar. Los resultados producidos de esta clasificación fueron sometidos a un proceso post-clasificación y luego de detección del cambio. Finalmente, para la proyección de los cambios al 2020, el estudio utilizó el modelo de cadena de Markov, para analizar la tendencia de cambio en la cobertura de manglar entre 1996 y 2013 y comparar con los resultados de la clasificación de una imagen del 2002. Este modelo se basa en un proceso estocástico para predecir la probabilidad de cambio o transición de una cobertura de un estado a otro (Mukhopadhyay et al., 2015). Los resultados demostraron la efectividad de este método en la proyección y predicción de los cambios a futuro por lo cual se aplicó el mismo procedimiento para el 2020. Las proyecciones mostraron una posible reducción de 1,200ha de manglar desde el 2013 al 2020, causadas principalmente por la industria camaronera. Con esta metodología los autores prevén aportar con información confiable y cuantitativa para entender los impactos que podría ocasionar la acuacultura en el futuro.

3. METODOLOGÍA 3.1. ÁREA DE ESTUDIO El Archipiélago de Jambelí, se encuentra ubicado al extremo sur de la costa ecuatoriana, en el Golfo de Guayaquil, entre las coordenadas 3° 12´ - 3° 26´ Latitud Sur y 80° 18´ - 80° 00´ Longitud Oeste. Administrativamente pertenece a la parroquia Jambelí, cantón Santa Rosa de la provincia de El Oro (Mapa 1). Limita al norte y al oeste con las aguas del Océano Pacífico que cubren el Golfo de Guayaquil; al sur oeste con las parroquias de Arenillas, Huaquillas y el vecino país del Perú; y al este con las parroquias de Machala y Santa Rosa (GAD Jambelí, 2015). El Archipiélago está compuesto principalmente por 5 islas: Bellavista, Costa Rica, Las Huacas, Las Casitas y Pongalillo conformando una superficie aproximada de 25,427.36 ha. Su cabecera parroquial es la Isla Tembleque, más conocida como Isla Costa Rica. Su población al 2012 fue de 1,718 habitantes quienes se dedican principalmente a actividades de pesca y recolección de crustáceos (GAD Jambelí, 2015). Mayormente plano, con una altitud que no sobrepasa los 7 m.s.n.m, el archipiélago se encuentra morfológicamente ubicado en la Llanura Litoral en un 99.03 % y en la Llanura de Marea en un 0.97 %. Geológicamente está formado por sedimentos marinos con alto contenido de materia orgánica y carbonatos, que corresponden aproximadamente a un 95.19 % de su superficie. Sus suelos son ricos en sedimentos, poco profundos y de textura muy fina, no aptos para las actividades agrícolas. Su uso debería restringirse únicamente a conservación del ecosistema (GAD Jambelí, 2015). Históricamente el ecosistema predominante fue el manglar, con pequeños remanentes de bosque seco, playas y salitrales. Acorde con Bravo (2010), para el 2006, aproximadamente el 10 % (15.207,6 ha) de los bosques de manglares del país se encontraba en el Archipiélago y sus parroquias aledañas en el litoral costero. Sin embargo, hasta ese mismo año, tanto el Golfo de Guayaquil como el Archipiélago de Jambelí habrían experimentado la mayor deforestación del país, lo que en conjunto significaría una pérdida del 68.6 % del total de manglares a nivel 39

nacional.

intervención

antrópica

solo

Archipiélago

alcanzaría

aproximadamente las 12,951.85 ha, correspondiente al 50.94 % de la superficie total de las islas (GAD Jambelí, 2015). La industria camaronera sería la principal razón de esta degradación ambiental con aproximadamente 12,916.93 ha de manglar convertidas en piscinas para el cultivo del crustáceo (GAD Jambelí, 2015).

Mapa 1. Ubicaciรณn del รกrea de estudio 41

3.2. FLUJOGRAMA DE LA METODOLOGÍA La metodología propuesta para este estudio contempló 5 fases de trabajo: en la primera fase de colección de la información, se realizó principalmente una búsqueda intensiva y posterior selección de las imágenes satelitales idóneas para el análisis, especialmente de aquellas con mínima nubosidad. En la segunda fase de preprocesamiento se analizó el nivel de correcciones que tiene cada una de las imágenes seleccionadas. En la fase 3 de procesamiento, principalmente se aplicó el método de clasificación escogido y se generaron las coberturas necesarias para el análisis. En la fase 4 de post-clasificación se analizó el margen de error de cada una de las coberturas generadas en comparación con otra información de referencia; y finalmente en la fase 5 se realizaron 2 pasos muy importantes: el primero consistió en la elaboración de matrices de cambio para analizar las transformaciones existentes entre los distintos períodos y en el segundo paso se generaron los mapas que demuestran el cambio producido en los diferentes períodos de estudio. La figura 6 presenta un diagrama de la metodología aplicada en el presente estudio en el cual se resumen las fases utilizadas para lograr el mapeo de los manglares del Archipiélago de Jambelí y detectar los cambios en su cobertura en 3 diferentes períodos de tiempo: 1985, 2000 y 2017.

Figura 6. Flujograma de la metodología aplicada

La metodología escogida toma en cuenta varios de los procesos utilizados por varios de los autores analizados en la revisión de la literatura. Entre las similitudes de los trabajos estudiados se encuentra la utilización de las imágenes de los satélites Landsat en la mayoría de ellos. La principal razón de su utilización es que las imágenes Landsat tienen la ventaja de ser colectadas desde la década de los 70, por lo cual se cuenta con una temporalidad lo suficientemente amplia para detectar los cambios en la cobertura del suelo. Adicionalmente, los satélite Landsat revisitan la misma zona cada 16 días, teniendo así un extenso archivo de imágenes del cual se pueden escoger aquellas con menor nubosidad. Así mismo, la metodología incluye datos auxiliares como un MDE para remover las zonas que se ubican a una elevación de 0m.s.n.m. A diferencia de los trabajos realizados por Dan et al. (2016) y Chen et al. (2013) quienes usaron el MDE para remover elevaciones mayores de 30m.s.n.m., en este estudio no será necesario puesto que el Archipiélago difícilmente supera esta altura. Otra diferencia radica en que los autores mencionados utilizan el MDE para crear una máscara y remover las coberturas fuera de estos rangos, mientras que en el presente estudio el MDE es utilizado como parámetro de la clasificación en el árbol de decisión. En cuanto a la clasificación de coberturas, este estudio propone un método que ha sido poco utilizado en el mapeo de manglares, pero que ha mostrado un alto nivel de eficiencia, denominado Árbol de Decisión. Los estudios revisados generalmente utilizan métodos tradicionales de clasificación los cuales en ciertos casos han presentado problemas al mostrar coberturas de vegetación con características espectrales similares como lo expuesto por Sremongkontip et al. (2000). Mientras tanto, el proceso de post-clasificación propuesto en el presente estudio es muy similar al planteado por otros autores, pues se utilizan filtros espaciales para reducir errores en la clasificación. Adicionalmente, se utiliza una matriz de confusión y el coeficiente Kappa para conocer el nivel de precisión de la clasificación de las imágenes. La sobreposición de los mapas generados para conocer las diferencias espacio temporales de la cobertura de manglar también son similares en los trabajos analizados.

3.2.1. Fase 1. Colección de información En esta fase se recopiló información cartográfica base extraída de entidades oficiales como el Instituto Geográfico Militar – IGM a través de descargas de su geoportal

(http://www.geoportaligm.gob.ec/portal/),

Sistema

Nacional

Información - SNI (http://sni.gob.ec) y del Sistema único de Información Ambiental –

SUIA

(http://mapainteractivo.ambiente.gob.ec/portal/).

información

descargada de estas páginas corresponde a los límites parroquiales de Jambelí que fueron utilizados como área de estudio e información temática de la cobertura y uso de la tierra que fue utilizada para la obtención de puntos de referencia. Además, se descargó imágenes del Satélite Sentinel 2 del Programa de la Unión Europea para la Observación de la Tierra – COPERNICUS de la página web (https://scihub.copernicus.eu/dhus/#/home) con una resolución de 10m por pixel como medio de referencia para la identificación de coberturas. Las imágenes utilizadas para el análisis corresponden a las plataformas Landsat para tres períodos: 1985 (Landsat 5 TM), 2000 (Landsat 7 ETM+) y 2017 (Landsat 8 OLI) (Figura 7). Estas fueron descargadas de la página web de la USGS (https://earthexplorer.usgs.gov/) y se seleccionaron aquellas procesadas a un nivel L2, es decir, imágenes con reflectancia a la superficie las cuales ya contienen correcciones geométricas, radiométricas y atmosféricas, siendo las más óptimas para estudios de cambio de uso de la tierra (USGS, 2018). Al ubicarse el área de estudio en una zona tropical, la temporalidad de las imágenes no es muy relevante ya que los cambios en los manglares a lo largo del año no son importantes. Estas imágenes fueron utilizadas para la clasificación de la cobertura extracción de manglares.

Figura 7. Imágenes Landsat utilizadas para el análisis Adicionalmente se obtuvo un MDE en formato GeoTIFF, con una resolución espacial de 30m (NASA STRM V3.0, 1 arcsec), el cual fue descargado desde la página web de la USGS (https://gdex.cr.usgs.gov/gdex/) y fue determinado por medio de un polígono que incluía el área de estudio. Este MDE fue utilizado para remover aquellas superficies que se encuentran bajo los 0 m.s.n.m, es decir, el océano y canales del estuario entre islas.

3.2.2. Fase 2. Preprocesamiento y corrección de imágenes Tomando en cuenta que en el presente estudio se utilizarán imágenes Landsat para el análisis, cabe mencionar la experiencia de 2 estudios que aportan importante información sobre las características de las mismas. Chen et al. (2013) en su estudio “Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with Landsat imagery and a Markov chain model” mencionan que las imágenes Landsat extraídas desde USGS ya han sido sometidas a correcciones radiométricas de nivel 1. Sin embargo, en su análisis fue necesario realizar correcciones geométricas para lo cual los autores usaron la imagen de Landsat 8 (OLI) del 2013 como la imagen de referencia para rectificar las imágenes de Landsat TM y ETM adquiridas para los años 1985, 1996 y 2002. Por su lado Dan et al. (2014) en su estudio “Change detection of mangrove forests in West and Central Africa with Landsat imagery” explican que correcciones atmosféricas no fueron necesarias en las imágenes Landsat TM y ETM de 1988 y 2001 respectivamente, debido a que se tratan de productos CDR (Climate Data Records) que ya poseen este tipo de correcciones. Sin embargo, las imágenes de Landsat 8 fueron sometidas a un proceso de correcciones atmosféricas, ya que en 45

aquel entonces las imágenes disponibles no pasaban por una tapa de preprocesamiento. Actualmente, la USGS dispone de un archivo de imágenes Landsat con un tipo de procesamiento L2, es decir, con parámetros de reflectancia a nivel de superficie. Estas imágenes, utilizadas para el presente estudio, denominadas “Productos de Ciencia” o en inglés “Science Products” han sido generadas para respaldar estudios de cambios de cobertura de la tierra (USGS, 2018). Se caracterizan por aplicar correcciones atmosféricas a los productos de nivel L1, los cuales de antemano ya han pasado por parámetros estándar de procesamiento, como correcciones geométricas. En el caso de las imágenes registradas por los sensores Landsat 5 TM y Landsat 7 ETM+, parámetros de vapor de agua, ozono, aerosoles y elevación son utilizados para para remover contribuciones atmosféricas al proceso de teledetección (USGS, 2018). Para la imagen Landsat 8 OLI, la corrección atmosférica es generada a partir de una de las bandas espectrales, la b1 o banda costera de aerosol y datos auxiliares del clima del satélite MODIS usando un modo de transferencia radiativa (USGS, 2018). Por lo tanto, las imágenes descargadas no fueron sometidas a ningún tipo de corrección geométrica, radiométrica o atmosférica. Sin embargo, para alistar las imágenes para el procesamiento se realizaron 2 pasos importantes con la ayuda del Software ERDAS IMAGINE 2016: como primer paso se realizó la unión de bandas espectrales o Layer Staking para cada imagen y se obtuvo 3 imágenes multiespectrales para cada uno de los años señalados anteriormente. Como segundo paso se realizó un recorte o Subset del área de estudio para cada una de las imágenes con la finalidad de obtener el área de interés y por lo tanto una superficie menor que mejore los tiempos de respuesta del software en el momento de la realización de la clasificación de las imágenes. Para esto se utilizó la capa vectorial del área de estudio, la cual es el límite parroquial de Jambelí. Los recortes realizados pueden verse en la figura 8, los mismos que se muestran con la combinación de falso color para su mejor visualización.

Figura 8. Recorte de imágenes al área de estudio

3.2.3. Fase 3. Procesamiento de imágenes 3.2.3.1. Selección de bandas espectrales para la clasificación Previo a la clasificación de las imágenes fue necesario identificar las diferentes coberturas existentes en el área del Archipiélago de Jambelí, para lo cual se revisaron fuentes secundarias como el mapa de cobertura y uso de la tierra de 1969 y 1999 utilizados para el “Estudio multitemporal de manglares, camaroneras y áreas salinas de la costa ecuatoriana, mediante información de sensores remotos (196947

1984)” (CLIRSEN, 1990) y su actualización (CLIRSEN, 2006), elaborados por el CLIRSEN, y el “Mapa de Cobertura y Uso de la Tierra del Ecuador Continental 2013-2014” elaborado por el MAE y el Ministerio de Agricultura, Ganadería, Acuacultura y Pesca – MAGAP (MAE y MAGAP, 2015). Las coberturas identificadas para los diferentes períodos se muestran en la tabla 1. Tabla 1. Coberturas identificadas en 1969, 1999 y 2013-2014 1969

1999

2013-2014

Áreas Salinas

Cuerpos de agua

Camaroneras, Mar

Cuerpo de agua

Manglar

Bosque nativo

Matorral

Otros usos

Otros Usos

Otras tierras

Sin información

Zona Poblada

Zona Antrópica

Área Agrícola

Con esta base de coberturas se procedió a realizar un análisis de las firmas espectrales (Figura 9) con la finalidad de identificar como responde cada cobertura en la longitud de onda del espectro electromagnético y por lo tanto cuales serían las bandas espectrales óptimas para discriminar el manglar y que puedan ser utilizadas para la clasificación. De esta manera se logró seleccionar las bandas en el infrarrojo de onda corta (SWIR1) y el infrarrojo cercano (NIR) como las bandas en las que el manglar muestra una mayor separabilidad con el resto de coberturas. Inclusive, los manglares pueden diferenciarse fácilmente de otros tipos de vegetación ya que presentan una menor reflectancia en el SWIR1 debido a que se encuentra asociados con lodos, sedimentos y agua (Dan et al., 2014). Este procedimiento se realizó en el Software ENVI 5.3 y para cada una de las imágenes.

Figura 9. Perfil espectral de las coberturas identificadas para cada período

3.2.3.2. Clasificación de las imágenes por el enfoque de árbol de decisión. A través de la herramienta de clasificación “Decision Tree” o “Árbol de Decisión” de ENVI 5.3, se realizó la clasificación de las imágenes Landsat para los tres períodos: 1985, 2000 y 2017. Este método permite discriminar categorías de manera secuencial, conforme se van ingresando parámetros relacionados a las bandas, 49

permitiendo una mayor separación de clases (Chuvieco, 1995).

Para ello, el

método permite integrar en conjunto imágenes y datos auxiliares, como MDE o variables de proximidad, para obtener resultados superiores. Se utilizó este método debido a que no se necesita conocimiento previo del área de estudio y reacciona bastante bien en la discriminación de manglares, a diferencia de métodos convencionales de clasificación en donde se crean confusiones entre los distintos tipos de vegetación que presentan similares respuestas espectrales (Liu et al., 2008). Otra ventaja importante de este método es que el mismo set de reglas o parámetros es utilizado para procesar las imágenes de los distintos períodos, asegurando que la clasificación resultante sea comparable. Para la clasificación se utilizaron las imágenes recortadas y sus bandas espectrales y como información auxiliar un MDE de 30m por pixel. El objetivo final de la clasificación fue la de obtener 2 clases, aunque como primer paso se realizó una separación de 5 coberturas: Océano, No vegetación, Otra vegetación 1, Otra vegetación 2 y Manglar. Estas clases fueron combinadas finalmente en el proceso posterior a la clasificación en Manglar y No Manglar. Cuatro reglas principales fueron adicionadas a cada nodo de decisión dentro del árbol, basadas en el MDE, NDVI, SWIR1 y NIR (Figura 10) según los siguientes criterios: 

DEM: Si la elevación es mayor a 0 m.s.n.m., entonces se trata de tierra, caso contrario se considera como océano o los canales del archipiélago.



NDVI: Si el umbral del NDVI tiene un valor mayor a 0.2, entonces la cobertura es vegetación, caso contrario se trata de otro tipo de cobertura (Dan et al., 2014).



SWIR1: Si el valor de la reflectancia en esta banda es inferior a 1,400 es posible que sea manglar, caso contrario se trata de otra vegetación. Este valor fue determinado basado en el perfil espectral anteriormente generado.



NIR: Si el valor de la reflectancia es mayor a 1,900 entonces se trata de manglar, caso contrario se trata de otro uso como áreas de crecimiento

vegetativo o canales de agua con abundante materia orgánica. Este valor fue determinado en base al perfil espectral anteriormente generado.

Figura 10. Diagrama de flujo del árbol de decisión utilizado para la clasificación

3.2.4. Fase 4. Post- clasificación 3.2.4.1. Aplicación de filtros Previo a la aplicación de filtros se procedió combinar las categorías de las imágenes clasificadas de manera que solo se obtenga 2 coberturas: la primera denominada Manglar y la segunda No Manglar. En esta última se considera todas las áreas que no corresponden a los bosques de manglar, incluido cuerpos de agua, otros tipos de vegetación y zonas antrópicas. La categoría Océano y áreas del continente que fueron introducidas por el software al momento de la clasificación fueron eliminadas por medio de una máscara con el área de estudio. El resultado de esta combinación de clases fue sometido a la aplicación de un filtro espacial con la finalidad de remover el ruido o efecto de “sal y pimienta” caracterizados por cubrir de forma dispersa a la imagen con pixeles solitarios o en grupos muy reducidos (Khorram et al., 2012). Para ello se utilizó un Filtro 51

mayoritario o Majority filter en ENVI 5.3, el cual basa su análisis en la asignación de los falsos pixeles o solitarios pixeles que se encuentran dentro de una gran categoría a esa categoría (Harris Geospatial Solutions, 2018). Un Kernel con un tamaño de ventana de 3x3 se utilizó para remplazar el pixel central con el valor de la clase que tienen la mayoría de celdas contiguas. La finalidad de este procedimiento es contar con una imagen resaltada o suavizada con menor número de pixeles espurios (Figura 11).

Figura 11. Aplicación de filtro mayoritario

3.2.4.2. Matriz de confusión La clasificación lleva siempre consigo un margen de error producto del proceso de teledetección donde las principales fuentes están relacionadas con la adquisición de

imagen,

calibración

del

sensor,

condiciones

medioambientales,

preprocesamiento, método de clasificación, entre otros (Chuvieco, 1995; Jensen, 2007). La matriz de confusión es un importante recurso para la validación de los resultados de la clasificación. Esta permite conocer la precisión de los mapas generados en la clasificación y compararlos con datos de referencia (Jensen, 2007). La matriz de confusión fue construida a partir de la generación de un total 100 puntos de muestreo extraídos de los mapas generados y sobrepuestos en las fuentes de referencia para su comparación. Estos fueron generados con el software ENVI bajo el método Equalized Random el cual permite de manera aleatoria 52

generar puntos en la imagen asegurĂĄndose de que cada clase tenga el mismo nĂşmero de puntos (ENVI HELP, 2015). Es decir, 50 puntos fueron extraĂdos para la clase No Manglar y 50 para la clase Manglar aleatoriamente. La matriz se construyĂł en base a la comparaciĂłn presentada en la tabla 2. Tabla 2. Fuentes de comparaciĂłn utilizadas Imagen Clasificada

Datos de referencia

Landsat 5 TM - 1985

Landsat 7 ETM - 2000

Mapa de Cobertura y Uso de la Tierra 2000 Imagen Sentinel 2 - 2018, resoluciĂłn espacial

Landsat 8 OLI - 2017

10m pixel

Cabe mencionar que la clasificaciĂłn resultante de la imagen de 1985 tuvo que ser comparada con la misma imagen debido a la falta de informaciĂłn de referencia para ese aĂąo que permita realizar una auditorĂa mĂĄs adecuada. Esta opciĂłn no es la Ăłptima ya que puede existir un sesgo en los resultados de la comparaciĂłn.

3.2.4.3. Coeficiente KAPPA El coeficiente Kappa fue utilizado en este estudio para evaluar si la precisiĂłn de la clasificaciĂłn obtenida es estadĂsticamente significativa en comparaciĂłn a una clasificaciĂłn realizada de manera automĂĄtica o aleatoria (Chuvieco, 1995). Para el cĂĄlculo de este coeficiente se utilizĂł la siguiente formula: đ?&#x2018;&#x2DC;

đ?&#x2018;&#x2DC;Ě&#x201A; =

đ?&#x2018; â&#x2C6;&#x2018;đ?&#x2018;&#x2DC;đ?&#x2018;&#x2013;=1 đ?&#x2018;Ľđ?&#x2018;&#x2013;đ?&#x2018;&#x2013; â&#x2C6;&#x2019; â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1(đ?&#x2018;Ľđ?&#x2018;&#x2013;+ đ?&#x2018;&#x2039; đ?&#x2018;Ľ+đ?&#x2018;&#x2013; ) đ?&#x2018;&#x2DC;

đ?&#x2018; 2 â&#x2C6;&#x2019; â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1(đ?&#x2018;Ľđ?&#x2018;&#x2013;+ đ?&#x2018;&#x2039; đ?&#x2018;Ľ+đ?&#x2018;&#x2013; )

Donde, đ?&#x2019;&#x152; corresponde al nĂşmero de filas en la matriz; đ?&#x2019;&#x2122;đ?&#x2019;&#x160;đ?&#x2019;&#x160; es el nĂşmero de observaciones en la fila đ?&#x2019;&#x160; y la columna đ?&#x2019;&#x160;; đ?&#x2019;&#x2122;đ?&#x2019;&#x160;+ y đ?&#x2019;&#x2122;+đ?&#x2019;&#x160; corresponde a los marginales totales de la fila đ?&#x2019;&#x160; y la columna đ?&#x2019;&#x160;; y đ?&#x2018;ľ es el total del nĂşmero de observaciones o tamaĂąo de la muestra en la matriz. 53

Ě&#x201A; entre 0.80 y 1 representan una alta precisiĂłn o acuerdo entre el mapa Valores đ?&#x2019;&#x152; clasificado y los puntos de muestra, valores entre 0.40 y 0.80 representan una moderada precisiĂłn o acuerdo, mientras que valores inferiores a 0.40 representan una baja precisiĂłn (Jensen, 2007).

3.2.5. Fase 5. DetecciĂłn del cambio La detecciĂłn de los cambios espaciales y temporales en la cobertura de manglar del ArchipiĂŠlago de JambelĂ entre los aĂąos 1985, 2000 y 2017 se la realizĂł a travĂŠs de la herramienta de Flujo de Trabajo para la DetecciĂłn de Cambios de ENVI 5.3. Esta herramienta permite comparar los mapas producidos en la clasificaciĂłn y generar un reporte estadĂstico basado en el estado inicial y el estado final del perĂodo de investigaciĂłn. AsĂ mismo la herramienta genera un mapa en donde se observan las ganancias y las pĂŠrdidas para cada una de las coberturas en anĂĄlisis. Con los resultados obtenidos se crearon 2 matrices en donde se determinĂł la diferencia en las coberturas en los distintos aĂąos en base a 2 perĂodos de tiempo: el primero corresponde a los cambios producidos entre 1985 y 2000 y el segundo entre los aĂąos 2000 y 2017. Las coberturas generadas fueron transformadas a formato shapefile para el anĂĄlisis de superficie de los parches de manglar remanentes.

4. RESULTADOS Y DISCUSIÓN 4.1. RESULTADOS 4.1.1. Resultado de la clasificación por árbol de decisión Como resultado de la clasificación de las imágenes por el enfoque de árbol de decisión se obtuvo 3 mapas temáticos cada uno con 2 clases correspondientes a Manglar y No Manglar. Estos mapas muestran la distribución espacial de los manglares en el Archipiélago de Jambelí para los años 1985, 2000 y 2017. Los resultados evidencian visualmente un fuerte deterioro del ecosistema de manglar en todo el archipiélago entre 1985 y 2017. Para el año 1985 existían alrededor de 10,635 ha de manglar en el Archipiélago de Jambelí. Esto representaría aproximadamente un 42.27 % de la superficie del archipiélago. La superficie restante correspondería a la clase no manglar, es decir alrededor de 14,012 ha constituyen zonas antrópicas, camaroneras, suelos desnudos, áreas salinas y otra vegetación (Figura 12).

Figura 12. Cobertura de manglar en 1985. Para el año 2000, la superficie de manglar se habría reducido drásticamente a 6,380 ha aproximadamente o 25.32 %, es decir, un 16.94 % menos de superficie 55

que en 1985. Mientras tanto la superficie clasificada como no manglar alcanzó las 18,267 ha aproximadamente (Figura 13)

Figura 13. Cobertura de manglar en el año 2000. Sin embargo, para el 2017 la cobertura de manglar presenta una leve recuperación, alcanzando una superficie aproximada de 7,014 ha, es decir, un 2.53 % mayor que en el año 2000. Por su lado, la superficie clasificada como no manglar alcanzó alrededor de 17,633 ha (Figura 14).

Figura 14. Cobertura de manglar en el año 2017.

4.1.2. Validación de la clasificación Los mapas resultantes fueron sometidos a un proceso de validación por medio de una matriz de confusión la cual evidenció un alto porcentaje de precisión para las 3 clasificaciones siendo la imagen de 1985 la que presentó un porcentaje más alto con un 93 % de exactitud, seguido por la imagen de 2017 con un 89 % y la del año 2000 con un 83 %. En cuanto al coeficiente Kappa los resultados muestran para la ̂ de 0.86, es decir superior a 0.80 lo que significa que imagen de 1985 un valor 𝒌 existe una alta precisión o acuerdo entre el mapa clasificado y los puntos de muestra seleccionados para la comparación. Mientras tanto para los mapas de 2000 y 2017 el valor fue de 0.66 y 0.78 respectivamente evidenciando que la precisión en la clasificación fue moderada. Los resultados de la matriz y coeficiente Kappa para los tres mapas clasificados se presenta en las tablas 3, 4 y 5.

Tabla 3. Resultado del proceso de validación de la clasificación de la imagen Landsat TM - 1985

Mapa producido:

Imagen de referencia: Archipiélago de Jambelí 1985

Archipiélago de

Landsat 5TM

Jambelí 1985

Manglar

No Manglar

Total Fila

Exactitud Usuario %

Manglar

No Manglar

Total Columna

100

Exactitud Productor %

Índice de fiabilidad

93 %

Coeficiente Kappa

0.86

Tabla 4. Resultado del proceso de validación de la clasificación de la imagen Landsat ETM+ -2000 Mapa producido:

Mapa de referencia: Mapa de Cobertura y Uso de la Tierra

Archipiélago de

2000

Jambelí 2000

Manglar

No Manglar

Total Fila

Exactitud Usuario %

Manglar

No Manglar

Total Columna

100

Exactitud Productor %

Índice de fiabilidad

83 %

Coeficiente Kappa

0.66

Tabla 5. Resultado del proceso de validación de la clasificación de la imagen Landsat OLI – 2017. Mapa producido: Archipiélago de Jambelí 2017

Imagen de referencia: Sentinel 2 - 2018 Manglar

No Manglar

Total Fila

Exactitud Usuario %

Manglar

No Manglar

Total Columna

100

Exactitud Productor %

Índice de fiabilidad

89 %

Coeficiente Kappa

0.78

4.1.3. Cambios en la cobertura de manglar entre 1985 y 2000. La comparación realizada entre la etapa inicial 1985 y la etapa final 2000, evidencia que la superficie de manglar deforestada en este período alcanzó las 5,069.20 ha, mientras que la superficie que se recuperó durante el mismo período fue de 813.91 ha. Aproximadamente 5,566.05 ha de manglar se preservaron o no tuvieron cambios durante este período (Tabla 6). Los resultados de los cambios en la cobertura de manglar durante este período se presentan en el mapa 2. Tabla 6. Cambios en la cobertura de manglar entre 1985 y 2000. Período Final: Archipiélago de Jambelí 2000 (Ha) No manglar Manglar Total Clase Cambios Clase Diferencia de imagen

Período Inicial: Archipiélago de Jambelí 1985 (Ha) No Manglar

Manglar

Total fila

Total clase

13,198.43

5,069.20

18,267.63

813.91

5,566.05

6,379.96

14,012.34

10,635.25

813.91

5,069.20

4,255.29

-4,255.29

Mapa 2. Cambios producidos en la cobertura de manglar en el ArchipiĂŠlago de JambelĂ entre 1985-2000. 60

4.1.4. Cambios en la cobertura de manglar entre 2000 y 2017. Para el período 2000 – 2017 la cobertura de manglar habría presentado una menor intervención con apenas 592.27 ha deforestadas en comparación a las 1,225.95 ha que habría recuperado. El resultado demuestra una leve mejoría en el estado de los manglares del Archipiélago de Jambelí durante este período. La tabla 7 presenta los resultados de esta comparación entre estos dos años. La representación de los resultados de los cambios en la cobertura de manglar durante este período se presenta en el mapa 3. Tabla 7. Cambios en la cobertura de manglar entre 2000 y 2017. Período Final: Archipiélago de Jambelí 2017 (Ha) No manglar Manglar Total Clase Cambios Clase Diferencia de imagen

Período Inicial: Archipiélago de Jambelí 2000 (Ha) No Manglar

Manglar

Total fila

Total clase

17,042.99

590.66

17,633.65

1,224.64

5,789.30

7,013.94

18,267.63

6,379.96

1,224.64

590.66

-633.98

633.98

Mapa 3. Cambios producidos en la cobertura de manglar en el ArchipiĂŠlago de JambelĂ entre 2000 y 2017. 62

4.2.

DISCUSIÓN

La disponibilidad de imágenes e información auxiliar para un estudio multitemporal es muy relevante al momento del análisis puesto que de ella dependerá el éxito de los resultados. Es importante señalar que las imágenes utilizadas para el presente estudio respondieron a los requisitos mínimos necesarios para un análisis multitemporal, esto es la resolución espectral, espacial y temporal. En cuanto a la resolución espectral, las características de los sensores Landsat 5 TM, Landsat 7 ETM+ y Landsat 8 OLI permitieron discriminar diferentes coberturas del archipiélago de manera eficiente. Estos sensores se caracterizan por tener bandas espectrales que cubren el espectro de la luz visible y del infrarrojo cercano e infrarrojo medio, muy importantes y muy utilizadas para estudios de vegetación (Jensen, 2007). Con la utilización de estas bandas para la elaboración de firmas espectrales se pudo demostrar que estas imágenes son un recurso muy importante para la discriminación de manglar sobre otras coberturas y en especial para diferenciarla de otros tipos de vegetación al responder con menores niveles de reflectancia en el SWIR1. Por su lado, la resolución espacial de las imágenes Landsat de 30m por pixel permitieron obtener un panorama bastante cercano a la realidad. Según Manson et al. (2003), las estimaciones de la superficie de manglares realizadas con imágenes Landsat son bastante precisas y no difieren mucho con aquellas basadas en imágenes de alta resolución. Sin embargo, en este estudio, posibles limitaciones fueron observadas en ciertos sitios de vegetación debido a que el tamaño de pixel cubre una superficie de 900m2, un área en ciertos casos superior a los pequeños parches y franjas de manglar remanentes en el archipiélago. La resolución temporal es otra de las ventajas de las imágenes Landsat. La USGS mantiene un archivo histórico de imágenes colectadas cada 16 días, que es el tiempo de revisita de cada uno de los satélites, desde la década de los 70s. Esto permitió tener una importante colección de imágenes de las cuales se seleccionaron las de mejor visualización. Generalmente, estos factores son limitantes para estudios multitemporales, los cuales en ciertos casos requieren de un espacio temporal lo suficientemente amplio para detectar los cambios producidos por las dinámicas humanas. De hecho, las imágenes adquiridas para 63

este estudio presentan un espacio temporal de 32 años, un tiempo bastante amplio para detectar los efectos de las actividades productivas del archipiélago en el ecosistema de manglar. A pesar de que las imágenes de alta resolución podrían mejorar los resultados del análisis, su baja disponibilidad temporal asociado su elevado costo de adquisición, hacen que las imágenes Landsat sean las más utilizadas para estudios multitemporales (Chen et al., 2013). Otro aspecto importante que destacar de las imágenes Landsat, es el nivel de correcciones disponibles para descarga. La USGS dispone de imágenes para las plataformas Landsat 5 TM, Landsat 7 ETM+ y Landsat 8 OLI con un nivel L2 de corrección. Esto significa que las imágenes han pasado previamente por un pre procesamiento en donde correcciones geométricas, radiométricas y atmosféricas has sido aplicadas, obteniendo así la reflectancia a nivel de superficie y por lo tanto imágenes listas para ser procesadas (USGS, 2018). Esto, en términos de tiempo, es una gran ayuda para los analistas debido que las correcciones aplicadas a las imágenes podrían tomar un tiempo moderado y aun así incurrir en errores que puedan afectar el análisis. Sin embargo, para estudios de alta precisión geodésica las imágenes deberían ser ortorectificadas con técnicas topográficas para mejorar la exactitud. En cuanto a la fase de clasificación, en este estudio el enfoque de árbol de decisión demostró ser un método eficaz para la discriminación de los manglares a pesar de que su eficiencia no está ampliamente documentada. A diferencia de otros métodos de clasificación, este método permite incorporar información auxiliar basada en criterios físicos y biológicos característicos de los manglares. Lastimosamente, pocos estudios han utilizado este tipo de metodología para el mapeo de manglares, pese a que en ellos se ha demostrado buenos resultados (Dan et al., 2014; Liu et al., 2008; Zhang, 2011). Para mejorar la clasificación, nuevos criterios o set de datos podrían ser adoptados como por ejemplo índices de vegetación o parámetros de proximidad. A pesar de ello, a través de los criterios y la información auxiliar utilizada se pudo delimitar aquellas áreas que pertenecen al ecosistema de manglar con un alto nivel de confiabilidad. La utilización de NDVI para diferenciar la vegetación de zonas antrópicas y el uso de un MDE para remover áreas que se encuentran fuera del 64

rango altitudinal de distribución de los manglares fueron factores determinantes en el éxito de la clasificación. Un aspecto a tomar en cuenta es que la utilización de un MDE de mayor resolución a la utilizada en este estudio, de 30m por pixel, podría mejorar los resultados, debido a que los límites entre tierra y mar podrían quedar definidos más detalladamente y por lo tanto mejorar la precisión de la clasificación. Con relación a la validación de la clasificación, de acuerdo a la literatura investigada, los resultados obtenidos en la matriz de confusión y el coeficiente Kappa evidenciaron que la precisión de la clasificación de las 3 imágenes es alta para la imagen de 1985 y moderado para las imágenes del 2000 y 2017. No es sorpresa que los resultados de la clasificación de la imagen de 1985 sean superiores que los otros años, esto debido a que los sitios de muestreo fueron comparados con la misma imagen por la falta de otras fuentes. Este tipo de comparación no es la óptima por lo que se podría discutir de un posible sesgo en el resultado. Para el año 2000, la fuente de comparación corresponde al mapa de Cobertura y Uso de la Tierra 2000 a una escala de 1:100,000 lo que significa que, a pesar de no ser el mejor recurso de comparación, la clasificación obtenida es un 66 % mejor que la esperada por azar de acuerdo al coeficiente Kappa. Con respecto a la fuente de referencia para la imagen del 2017, quizás la imagen Sentinel-2 utilizada es la que mejor se adapta a los requerimientos del análisis por 2 razones: primero, su tamaño de pixel de 10m provee una resolución espacial apropiada para revisar a detalle si la cobertura corresponde de hecho a manglar o a otro tipo; y segundo, su fecha de colección en febrero 2018, presenta un espacio temporal de 4 meses entre una y otra imagen, es decir una temporalidad no muy distante para presumir que se hayan realizado grandes cambios en la cobertura del suelo de las islas. Para un mejor proceso de validación de la información es recomendable tener fuentes de información de mayor escala o resolución, es decir, mapas o imágenes con mayor detalle de la que se está utilizando para la clasificación. Por ejemplo, la imagen Sentinel-2 utilizada para la imagen 2017 sin duda proporcionó un resultado más acorde a la realidad.

No obstante, el mejor recurso para determinar la precisión de una clasificación es la validación con puntos de muestreo de campo, pero este recurso sería válido siempre y cuando la imagen sea captada al mismo tiempo. Así mismo, lo óptimo sería realizar puntos de muestreo in-situ, tomando especialmente en cuenta las áreas donde se observe que el manglar no haya tenido algún tipo de intervención, es decir los parches de bosque más antiguos. Sin embargo, en este estudio esto no fue una opción, ya que para el levantamiento de la información se necesita de recursos económicos y mucho tiempo en campo. Por otro lado, los resultados obtenidos en el análisis muestran diferencias importantes entre los dos períodos de estudio. Un primer período caracterizado por una devastación del manglar y un crecimiento extensivo de la industria camaronera en el archipiélago; y un segundo período caracterizado por una leve recuperación del manglar, producto de la aplicación de nueva normativa. Durante el período de 1985 al 2000, los cambios negativos son sustanciales, habiéndose deforestado alrededor del 47 % de la superficie existente en 1985 (10,635 ha), con apenas un 7.7 % de recuperación. Indudablemente esta deforestación estaría relacionada a la actividad camaronera intensiva suscitada en la provincia de El Oro (Ecuador), la cual, según Bravo (2010), mantuvo un ritmo de crecimiento de 1,206.8 ha por año entre 1987 y 1991 y de 1,383.1 ha por año entre 1991 y 1995. Esto a pesar de que en 1994 por Decreto Ejecutivo el gobierno prohibió la explotación y tala de manglar y la propagación de nuevas piscinas camaroneras (CLIRSEN, 2006; FAO, 2007). Consecuentemente, la deforestación del manglar por parte de la industria camaronera entre 1985 y 2000 habría marcado una devastación del ecosistema y sus funciones biológicas sin precedentes, no solo en el Archipiélago de Jambelí sino en todo el país. Para el siguiente período entre 2000 y 2017, los resultados demuestran una leve mejora del ecosistema con alrededor de 1,225 ha de manglar recuperadas. Sin embargo, también aparecen áreas transformadas de manglar a otra cobertura las mismas que corresponden a una superficie de 591 ha aproximadamente, es decir una diferencia positiva de apenas 634 ha. La recuperación del ecosistema podría estar asociada a aplicación de la normativa actual la cual permite a la autoridad ambiental aplicar sanciones y controles más estrictos, limita las concesiones a 66

proyectos de producción sustentable y conservación, plantea incentivos y promueve la protección y restauración de este ecosistema. La aplicación de esta normativa más que inducir al incremento y reforestación de las áreas de bosque de manglar habría detenido su tala y destrucción. En definitiva, el estudio demuestra que durante entre 1985 y 2017 se evidenció una reducción de la superficie de manglar de alrededor de 4,740 ha. La superficie actual de manglar de acuerdo a los resultados obtenidos supondría un total de 7,014 ha de bosque de los cuales 5,894 ha se habrían mantenido mientras que 1,119 ha se habrían recuperado. Tomando como línea base la información cartográfica recopilada del estudio multitemporal de manglares elaborado por el CLIRSEN en 1990, la superficie de manglar en el archipiélago se habría reducido de 18,415 ha en 1969 a 7,018 ha en 2017. Es decir, un 61 % de su cobertura se habría transformado principalmente en piscinas camaroneras, en una provincia en donde el 59 % del territorio camaronero es ilegal (GAD Jambelí, 2015). Los cambios en la extensión de manglar identificados en este estudio, podrían tener serias implicaciones en las diferentes especies que habitan este ecosistema. Por un lado, es muy probable que la deforestación de manglar sufrida entre 1985 y 2000 haya provocado una pérdida importante en la abundancia de especies de moluscos, crustáceos, peces, reptiles, mamíferos, aves, entre otros. Esto debido a que la mayoría de las especies mencionadas dependen de los bosques de manglar para obtener refugio, alimentación y para su reproducción (MAE y FAO, 2014). Por otro lado, el establecimiento de nuevas zonas de manglar observadas en el período 2000-2017, significarían la provisión de nuevas áreas de hábitat para las distintas especies. Estudios demuestran que la edad y la morfología de los bosques de manglar recuperados podrían influenciar en las comunidades de fauna que habitan este ecosistema ya que existen especies bentónicas y peces que prefieren manglares en estado vegetativo joven (posiblemente por su morfología) para obtener refugio de sus depredadores (Manson et al., 2003). Así mismo, el cambio en la cobertura de manglar por actividades antrópicas registrado en este estudio parece estar relacionado a los impactos negativos sobre la población del archipiélago mencionados en el Plan de Desarrollo y Ordenamiento

Territorial - PDyOT de Jambelí. En este documento se menciona, entre muchos de los problemas que afectan al archipiélago, un aumento en las afecciones a la salud de las personas de las comunidades del cantón y el incremento de la exposición de la población a fenómenos naturales (GAD Jambelí, 2015). En el primer caso, muchas de las enfermedades registradas en la población estarían asociadas a la contaminación de las fuentes de agua debido a la construcción de piscinas camaroneras y la utilización de químicos tóxicos para su producción. Para el segundo caso, la eliminación de barreras naturales constituidas principalmente por los bosques de manglar podrían ser la causa de una mayor exposición de la población a eventos naturales de carácter destructivo como aguajes, inundaciones y sequías, entre otros. En tal sentido, los resultados obtenidos del presente estudio representan un importante recurso que podría contribuir a la gestión y ordenamiento del territorio de Jambelí. La información desarrollada constituye una base científica en la que pueden apoyarse los instrumentos de planificación para la construcción de políticas públicas que contribuyan a la restauración del ecosistema y por lo tanto al mejoramiento de las condiciones de vida de los pobladores de Jambelí. Estas políticas podrían incluir: la participación comunitaria en el control de la deforestación, la promoción de actividades productivas sustentables para reducir el daño ambiental, la reforestación del manglar como barrera natural para la reducir la afectación de inundaciones, aguajes y posibles tsunamis, así como también para incrementar la productividad del ecosistema y proporcionar una fuente de recursos a sus pobladores, la educación ambiental para reducir la contaminación, entre otras. De hecho, la teledetección es un instrumento que ha facilitado la planificación multinivel y en especial a contribuido en las acciones dirigidas a la conservación de especies y ecosistemas. Con la información obtenida del presente estudio se puede identificar aquellas áreas potenciales para la reforestación y restauración del ecosistema con la finalidad de construir corredores biológicos y áreas prioritarias para la conservación de las especies que habitan el archipiélago. Esto no solo beneficiaría la diversidad del ecosistema, sino que podría también convertirse en un potencial ecoturístico para la zona e influir en la economía de sus pobladores. A 68

través de la formulación e implementación de proyectos de conservación y ecoturismo se podría proponer soluciones puntuales a la problemática ambiental que afecta Jambelí. Otra de las ventajas asociadas a este estudio, es que a través de técnicas de teledetección se pudo identificar claramente los procesos de cambio producidos alrededor de un ecosistema como el de manglar que abarca extensas áreas de superficie y que por su estructura morfológica generalmente es inaccesible. Un área como la estudiada que comprende alrededor de 25,427.36 ha con métodos tradicionales como el monitoreo en campo, puede significar meses o años de trabajo además de miles de dólares en equipos y un personal técnico numeroso. Incluso con el uso de imágenes de mayor resolución adquiridas por un precio relativamente alto podría significar menores costos. Por lo tanto, el ahorro en tiempo y en dinero es significativo cuando los métodos de teledetección están a la mano. Entre las fortalezas del análisis se puede mencionar que el estudio tiene una base metodológica consistente y que proporciona una aproximación bastante cercana a la realidad y que puede ser replicada en otras zonas del país y del mundo. El método de Árbol de Decisión se presenta como una alternativa a los métodos convencionales de clasificación los cuales en muchos casos no han tenido buenos resultados en la discriminación de manglar de otros tipos de vegetación, al presentar similares características espectrales (Liu et al., 2008). Entre las desventajas se puede mencionar, que un análisis de este tipo depende de la disponibilidad de imágenes satelitales y su temporalidad. Según la literatura revisada el auge de la industria del camarón empieza en la década de los 70, y es probablemente en esta época donde se habrían registrado cambios sustanciales en la cobertura de manglar. Partir de información anterior a esta época habría arrojado información sobre el área real de manglar y otras coberturas naturales existentes antes de que se realice algún tipo de intervención. Sin embargo, la disponibilidad de imágenes permitió solamente registrar los cambios producidos a partir de 1985. En cuanto a las limitaciones del estudio se puede mencionar la poca disponibilidad de información secundaria, así como también la falta de datos de campo para la comparación y validación de los resultados

Se recomienda trabajo futuro para mejorar la precisión de los resultados. A pesar de tener un porcentaje alto de confianza en la clasificación de las imágenes, garantizar que los resultados correspondan en un cien por ciento a la realidad no es posible. Imágenes de alta resolución y datos de campo se recomiendan para mejorar la clasificación de las coberturas y por lo tanto su precisión. Así mismo, es necesario realizar una comparación con otros métodos de clasificación con la finalidad de verificar si la metodología utilizada es la más adecuada para el mapeo de manglares en el archipiélago. En resumen, este estudio ha demostrado la efectividad de la teledetección y del método del Árbol de Decisión para la identificación de los cambios temporales y espaciales de manglares del Archipiélago de Jambelí. Nuevas investigaciones deberían girar en torno a este método y otros recursos SIG para discriminar diferencias en la composición del bosque de manglar, es decir, diferencias entre especies y su estado fenológico. Esta información y la que se pueda generar en el futuro sería muy útil como referencia para estudios relacionados a la conservación de especies y ecosistemas, así como también de resiliencia y recuperación de ecosistemas. Así mismo la información puede ser relacionada a temas de mitigación y adaptación al cambio climático.

5. CONCLUSIONES Las imágenes adquiridas para el presente estudio fueron parte esencial en la identificación de los cambios producidos en la cobertura de manglar entre 1985, 2000 y 2017. Las características espaciales, espectrales y temporales de las imágenes Landsat proporcionan un sin número de posibilidades que pueden ser aprovechadas en todo tipo de estudio, en especial análisis multitemporales. Además, al tratarse de imágenes multiespectrales, proveen las bandas espectrales necesarias para el análisis de las diferentes coberturas de la tierra, y en especial de vegetación. Especialmente las bandas infrarrojas media y cercana fueron fundamentales para la discriminación de manglares en este estudio. Con respecto a la metodología utilizada para el análisis se puede mencionar que el enfoque de árbol de decisión fue exitosamente aplicado para la extracción de manglares. Los criterios aplicados en los diferentes niveles de clasificación basados en las singularidades y características espectrales de los manglares permitieron la identificación y discriminación de estos bosques de otros tipos de cobertura. A pesar de ser una metodología poco utilizada, en este estudio se demostró que puede ser tan o más efectiva que otros métodos ya que a diferencia de la clasificación supervisada y no supervisada, esta permite una mayor separación entre manglares y otros tipos de vegetación que en ciertos casos presentan características espectrales similares. En cuanto a los resultados obtenidos en el análisis de validación se pudo corroborar por medio de la matriz de confusión y el coeficiente kappa que los mapas temáticos producidos estuvieron dentro del porcentaje de precisión necesario para considerar que la clasificación no fue producto del azar, sino que los criterios utilizados agruparon los pixeles de acuerdo a sus características de similitud. Para las imágenes de 1985 y 2000 se observó que los datos de referencia utilizados fueron poco óptimos y podrían haber sesgado y subestimado los valores de precisión obtenidos. Por otro lado, a través de la clasificación de las imágenes se logró obtener información sobre la distribución de la cobertura de manglar en el Archipiélago de Jambelí entre 1985 y 2017. Los resultados demostraron que la superficie de manglar en 1985 alcanzó las 10,635 ha, mientras que para el 2000 fue de 6,380 ha 71

y para el 2017 de 7,014 ha, es decir, aproximadamente un 42 %, 25 % y 27 % de la superficie del archipiélago respectivamente. Dos importantes hechos de ruptura justificarían este comportamiento. Un primer período entre 1985 y 2000 marcado por la fuerte presión de la industria camaronera, con etapas de mayor deforestación entre 1987 y 1995 producto de la intensificación de la actividad; y un segundo período entre 2000 y 2017 donde la implementación de nuevas leyes y regulaciones permitieron controlar la expansión de la industria camaronera sobre el manglar reduciendo así la presión sobre el ecosistema. Por medio del análisis multitemporal se pudo determinar identificar los principales cambios producidos en estos dos períodos. En el primer período, comprendido entre 1985 y 2000, se observó grandes pérdidas de manglar con una reducción de alrededor de 5069 ha y una ganancia de apenas 813 ha. Mientras tanto para el período comprendido entre 2000 y 2017 se observó una pérdida de 591 ha y una ganancia de 1,225 ha. Finalmente, el análisis realizado permitió validar la hipótesis planteada la cual preveía una la disminución de los ecosistemas de manglar en el Archipiélago de Jambelí en más de un 30 % desde 1985 producida por actividades acuícolas y antrópicas. De hecho, los resultados del estudio demostraron que la diferencia de la superficie de manglar entre 1985 y 2017 es de 3,621.31 has menos, es decir, en el 2017 el área de manglar fue un 34 % menor que en 1985. Como se mencionó anteriormente, estos cambios estarían principalmente asociados a la industria camaronera en la región. Cabe señalar que los resultados del presente estudio constituyen una base científica que puede ser considerada para la construcción o actualización de los instrumentos de planificación y consecuentemente para el fortalecimiento de la política pública y la normativa actual. La gestión del territorio requiere en gran medida de la compresión del componente biofísico para entender las relaciones de la población y el medio en donde se desenvuelve. En tal sentido, conocer el estado actual del manglar, el cual se trata de una fuente importante para la provisión de bienes y servicios ambientales para la población de Jambelí, permitirá enfocar las

acciones encaminadas a la potencialización de la capacidad de este ecosistema para proveer de recursos y minimizar su deterioro. Así mismo, la información presentada constituye un recurso importante para la elaboración de nuevos estudios científicos. Los datos presentados son el resultado de la aplicación de una metodología con una base científica sólida y que ha sido replicada con éxito en varios estudios de vegetación. Por lo tanto, se trata de datos confiables que pueden ser considerados para otro tipo de análisis, sean de tipo ambiental, económico o social. Algunos ejemplos de futuros estudios podrían considerar el análisis de parches de vegetación, análisis de paisaje, corredores biológicos, análisis de resiliencia, mitigación y adaptación al cambio climático, entre otros.

6. REFERENCIAS Aldalur, B., y Santamaría, M. (2002). Realce de imágenes: filtrado espacial. Revista de teledetección, 17, 31-42. Alongi, D. M. (2002). Present state and future of the world's mangrove forests. Environmental Conservation, 29(3), 331-349. doi: 10.1017/s0376892902000231 Alongi, D. M. (2008). Mangrove forests: Resilience, protection from tsunamis, and responses to global climate change. Estuarine, Coastal and Shelf Science, 76(1), 1-13. doi: 10.1016/j.ecss.2007.08.024 Aschbacher, J., Ofren, R., Delsol, J. P., Suselo, T. B., Vibulsresth, S., y Charrupat, T. (1995). An integrated comparative approach to mangrove vegetation mapping using advanced remote sensing and GIS technologies: preliminary results. Hydrobiologia, 295(1), 285-294. doi: 10.1007/bf00029135 Bravo, M. (2010). Interpretación del Estudio Multitemporal (CLIRSEN 1969-2006) de las Coberturas de Manglar, Camaroneras y Áreas Salinas, en la Franja Costera del Ecuador Continental. Universidad de Guayaquil, Guayaquil, Ecuador. CE, Constitución de la República del Ecuador. (2008). Registro Oficial N.449. Chen, C.-F., Son, N.-T., Chang, N.-B., Chen, C.-R., Chang, L.-Y., Valdez, M., . . . Aceituno, J. L. (2013). Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with Landsat imagery and a Markov chain model. Remote Sensing, 5(12), 6408-6426. Chuvieco, E. (1995). Fundamentos de teledetección espacial. España. Chuvieco, E. (2008). Teledetección Ambiental. La observación de la Tierra desde el Espacio. 3ra edición actualizada. Barcelona, España: Editorial Ariel, S.A. CLIRSEN, Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos. (1990). Estudio multitemporal de manglares, camaroneras y áreas salinas de la costa ecuatoriana, mediante información de sensores remotos (1969-1984). Ecuador. CLIRSEN, Centro de Levantamientos Integrados de Recursos Naturales por Sensores Remotos. (2006). Actualización del estudio multitemporal de manglares, camaroneras y áreas salinas en la costa continental ecuatoriana al año 2006. Ecuador. Codigo Organico Ambiental. (2017). Registro Oficial Suplemento N.418. Colwell, R. N. (1983). Manual of remote sensing (2nd ed.): American Society of Photogrammetry y Remote Sensing. 74

Dan, T., Chen, C.-F., Chiang, S.-H., Son, N.-T., Chen, C.-R., y Chang, L.-Y. (2014). Change detection of mangrove forests in West and Central Africa with Landsat imagery. Dan, T., Chen, C., Chiang, S., y Ogawa, S. (2016). Mapping and change analysis in mangrove forest by using Landsat imagery. ISPRS Annals of Photogrammetry, Remote Sensing y Spatial Information Sciences, 3(8). Decreto Ejecutivo No. 1391. (2008). Reformas al Reglamento general a la Ley de Pesca y desarrollo Pesquero y texto unificado de legislación pesquera. Registro Oficial N.454 Decreto Ejecutivo No.1907. (1994). Disposiciones relativas a la protección y protección de Bosques Naturales y Manglares, Registro Oficial No. 482, de 13 de julio de 1994. ENVI HELP. (2015). Generate a Random Sample. Accedido el 17 febrero, 2018, de: https://www.harrisgeospatial.com/docs/GeneratingRandomSample.html FAO. (2007). The world´s mangroves 1980 - 2005. Roma, Italia.: FAO. Flores, J. (2012). Cadena de valor del cangrejo rojo en el Golfo de Guayaquil. Quito, Ecuador: USAID. GAD Jambelí. (2015). Plan de Desarrollo y Ordenamiento Territorial de Jambelí. Jambelí. Harris Geospatial Solutions. (2018). Majority/Minority Analysis. Accedido el 26 de febrero 2018, de: http://www.harrisgeospatial.com/docs/MajorityMinorityAnalysis.html Jensen, J. R. (2007). Introductory Digital Image Processing: A Remote Sensing Perspective (3rd ed.): Pearson Education, Inc. Jensen, J. R. (2014). Remote sensing of the environment: An earth resource perspective (2nd Ed.): Pearson Education Limited. Jensen, J. R., y Jensen, R. R. (2013). Introductory geographic information systems: Pearson Education, Inc. Jupiter, S. D., Potts, D. C., Phinn, S. R., y Duke, N. C. (2007). Natural and anthropogenic changes to mangrove distributions in the Pioneer River Estuary (QLD, Australia). Wetlands Ecology and Management, 15(1), 51-62. Khorram, S., Koch, F. H., Wiele, C., y Nelson, S. (2012). Remote sensing (SpringerBriefs in space development): Berlín: Springer. 75

Kovacs, J. M., Wang, J., y Flores-Verdugo, F. (2005). Mapping mangrove leaf area index at the species level using IKONOS and LAI-2000 sensors for the Agua Brava Lagoon, Mexican Pacific. Estuarine, Coastal and Shelf Science, 62(1), 377-384. Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., y Dech, S. (2011). Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing, 3(12), 878928. doi: 10.3390/rs3050878 Liu, K., Li, X., Shi, X., y Wang, S. (2008). Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning. Wetlands, 28(2), 336. doi: 10.1672/06-91.1 Ley de Gestión Ambiental, Codificación 19. (2004). Registro Oficial Suplemento N418. Ley Forestal y de Conservación de Áreas Naturales y Vida Silvestre. (2004). Registro Oficial Suplemento N418. Longley, P. (2005). Geographic information systems and science: John Wiley y Sons. López-Angarita, J., Roberts, C. M., Tilley, A., Hawkins, J. P., y Cooke, R. G. (2016). Mangroves and people: Lessons from a history of use and abuse in four Latin American countries. Forest Ecology and Management, 368, 151-162. doi: 10.1016/j.foreco.2016.03.020 MAE, Ministerio del Ambiente y FAO, Organización de las Naciones Unidas para la Alimentación. (2014). Árboles y Arbustos de los Manglares del Ecuador. Quito, Ecuador. MAE, Ministerio del Ambiente y MAGAP, Ministerio de Agricultura y Ganadería. (2015). Protocolo metodológico para la elaboración del mapa de cobertura y uso de la tierra del Ecuador continental. Quito, Ecuador. Manson, F. J., Loneragan, N. R., y Phinn, S. R. (2003). Spatial and temporal variation in distribution of mangroves in Moreton Bay, subtropical Australia: a comparison of pattern metrics and change detection analyses based on aerial photographs. Estuarine, Coastal and Shelf Science, 57(4), 653-666. Monterroso, M. (2013). Guía Práctica: Clasificación de imágenes satelitales. Mukhopadhyay, A., Mondal, P., Barik, J., Chowdhury, S., Ghosh, T., y Hazra, S. (2015). Changes in mangrove species assemblages and future prediction of the Bangladesh Sundarbans using Markov chain model and cellular automata. Environmental Science: Processes y Impacts, 17(6), 1111-1117. Paredes, D. (2006). Evaluación multicriterio social del manglar “Palmar, GuayasEcuador”. 76

Permatasari, P. A., Setiawan, Y., Khairiah, R. N., y Mulyana, D. (2017). Mangrove mapping and change detection in Sungai Asam Village, Indragiri Hilir Regency, Riau Province. Trabajo presentado en el IOP Conference Series: Earth and Environmental Science. Pham, T. D., y Yoshino, K. (2015). Mangrove mapping and change detection using multi-temporal Landsat imagery in Hai Phong city, Vietnam. P Trabajo presentado en el The International Symposium on Cartography in Internet and Ubiquitous Environments 2015. Ramachandra, T., y Kumar, U. (2004). Geographic Resources Decision Support System for land use, land cover dynamics analysis. Trabajo presentado en Proceedings of the FOSS/GRASS users conference. Resolución 56. (2011). Costo de restauración por destrucción de bosques de manglar. Registro Oficial No. 496, de 21 de julio de 2011. Rodriguez, W., Feller, I. C., y Cavanaugh, K. C. (2016). Spatio-temporal changes of a mangrove–saltmarsh ecotone in the northeastern coast of Florida, USA. Global Ecology and Conservation, 7, 245-261. Senplades. (2017). Plan de Ordenamiento del Espacio Marino Costero - POEMC. Ecuador. Sremongkontip, S., Hussin, Y. A., y Groenindijk, L. (2000). Detecting changes in the mangrove forests of Southern Thailand using remotely sensed data and GIS. International Archives of Photogrammetry and Remote Sensing, 33(B7), 567574. Terchunian, A., Klemas, V., Segovia, A., Alvarez, A., Vasconez, B., y Guerrero, L. (1986). Mangrove mapping in Ecuador: The impact of shrimp pond construction. Environmental Management, 10(3), 345-350. doi: 10.1007/bf01867258 Tobler, W. (1987). Measuring spatial resolution. Paper presented at the Proceedings of the International Workshop on Geographic Information Systems. USGS. (2018). Landsat Surface Reflectance Level-2 Science Products. Accedido el 11 de febrero, 2018, de https://landsat.usgs.gov/landsat-surfacereflectance-data-products Zhang, X.-H. (2011). Identification of Mangrove using decision tree method. Trabajo presentado en el Information and Computing (ICIC), 2011 Fourth International Conference on.