Revista Cartográfica 101 | Artículos | ISSN
(impresa) 0080-2085 ISSN (en línea) 2663-3981 julio-diciembre
2020: 99-117
DOI:https://doi.org/10.35424/rcarto.i101.670 | Este es un artículo de acceso abierto bajo la licenciaCC BY-NC-SA 4.0
Análisis del proceso de deforestación en el estado de Michoacán: de lo espacial a lo social
Analysis
of deforestation in Michoacan state: from the spatial
to social
Jaime Octavio
Loya Carrillo*
Jean Francois Mass Caussel**
Recibido
27 de octubre de 2019; aceptado
05 de noviembre de 2019
Resumen
En el estado de Michoacán, México, se desarrollan principalmente actividades productivas en los sectores primario y secundario, esta dinámica ha favorecido la intensificación en el uso del terreno y agudizado la deforestación. En este trabajo, se plantea una propuesta metodológica que permite explicar el proceso de deforestación mediante el uso de herramientas estadísticas aplicadas en gabinete y métodos descriptivos, a partir de la observación en campo. Los resultados señalan que en ocasiones factores biofísicos, sociales, económicos y de política pública, favorecen el desmonte de los bosques y en otras, su conservación. Esta premisa puede ser la base para identificar regiones con necesidades específicas y plantear objetivos, planes de acción y/o recomendaciones, para atenderlas.
Palabras clave: deforestación, Sistemas de Información
Geográfica, modelado espacial, regresión geográficamente ponderada, causas de
la deforestación.
Abstract
In the Mexican state of Michoacan are
developed productive activities mainly in the primary and secondary sectors,
this situation has favored the intensification in the land use and aggravated
the deforestation. In this work, a methodological proposal is used to explain
the process of deforestation through the use of statistical tools and
descriptive methods, based on fieldwork. The results indicate that sometimes
policy public or causes biophysical, social and economic can be favored the
clearing of forest and sometimes, their conservation. This premise can be the
basis to identify regions with specific need and propose recommendations to
address them.
Key words: deforestation, Geographic Information
Systems, spatial modeling, geographically weighted regression, drivers.
Introducción
La actividad humana tiene
implicaciones importantes para el Cambio Global, los cuales son controlados en gran parte por la forma en que
utilizamos el suelo y los cambios que provocamos sobre la vegetación u otro
material que cubre la superficie terrestre, es decir el cambio de cobertura y
uso de suelo (CCUS) (Vitousek,
1992; Meyer y Turner, 1994; Lambin, 1997; Dolman et al.,
2003; Rockström et
al., 2009). Cuando un cambio en la cubierta vegetal se presenta, los
procesos que predominan son la deforestación y la degradación forestal (Geist y Lambin, 2001; Walker,
2004), por ello la importancia de entender ¿Cuáles
son las principales causas humanas del cambio de la cubierta vegetal en
diferentes contextos geográficos e históricos? (NRC, 2014).
La deforestación implica la conversión de los bosques a otro tipo de uso de la tierra, causada y mantenida por alguna perturbación humana o natural (Organización de las Naciones Unidas para la Alimentación y la Agricultura —fao, 2010). Los efectos de la deforestación son diversos y varían en todas las escalas, al igual que las causas que los promueven. Geist y Lambin (2002) clasifican las causas en dos grandes grupos: las próximas y las subyacentes. Las primeras tienen que ver con la extensión de la infraestructura, la expansión agrícola, la explotación forestal. Las segundas, con causas demográficas, económicas, tecnológicas, institucionales o políticas y culturales, así como factores ambientales, agentes biofísicos y detonantes sociales. Los cambios en la cubierta vegetal constituyen un fenómeno complejo que resulta de la interacción sinérgica de una gran cantidad de factores, de tal forma que para poder entender cómo es que este opera, es necesario un análisis sistemático a distintas escalas espaciales y temporales, que permita descubrir los principales proceso que los gobiernan (Lambien et al., 2003), En este sentido se presenta una propuesta metodológica que facilite el análisis estadístico y descriptivo entre las relaciones espaciales del proceso de deforestación con las causas que lo provocan.
Objetivos
El objetivo general de este trabajo consistió en identificar las principales causas de la deforestación en el estado de Michoacán. A partir del objetivo general, se desglosan los siguientes objetivos particulares:
· Identificar focos de deforestación y reforestación en el estado de Michoacán, para dos cortes históricos: 2004-2007 y 2007-2014.
· Desarrollar un modelo para identificar la relación de la deforestación con los posibles factores del cambio.
· Seleccionar un caso de estudio concreto para analizar a nivel local, los patrones encontrados y explicar su relación con los factores asociados.
Área de estudio
El estado de Michoacán se localiza en la parte centro-oeste de México, la mayor parte de la superficie del estado se encuentra sobre dos provincias fisiográficas: la Sierra Madre del Sur y el Eje Neovolcánico Transversal. Las alturas oscilan desde el nivel del mar hasta cerca de los 4 000 msnm. Su extensión territorial abarca aproximadamente 58 mil km2, lo que equivale al 3% del territorio nacional (Figura 1).
Figura 1. Localización del área de estudio.
En Michoacán, se desarrollan actividades de los sectores primario, secundario y terciario, las cuales contribuyen con el 11.05, 23.19 y 65.76 por ciento del Producto Interno Bruto (PIB) estatal, respectivamente. En el sector primario destacan la agricultura de maíz, sorgo, aguacate, trigo y caña de azúcar, el aprovechamiento forestal y la producción pecuaria. En el sector secundario actividades de los subsectores mineros, de construcción y electricidad, mientras que el sector terciario se caracteriza por el desarrollo de actividades como: el comercio, la hotelería, el transporte, servicios bancarios, de almacenamiento y comunicación (Mercado y Palmenrín, 2012). Todos los elementos biofísicos, demográficos y económicos que se conjugan dentro del territorio michoacano, interactúan en un ambiente sinérgico para dar origen a una gran cantidad de procesos, sin embargo, en lo que a este trabajo refiere, únicamente se aborda el proceso de deforestación y su relación con los distintos factores asociados, ya que al menos hasta la década de los noventas, Michoacán presentaba una de las tasas de deforestación más elevadas a nivel nacional, e inclusive de América Latina (Bocco et al., 2001).
Materiales y métodos
En este trabajo se utilizaron Sistemas de Información Geográfica (SIG) de acceso libre QGIS (QGIS Development Team, 2015) y librerías que permiten la manipulación de datos geoespaciales (GDAL, GWMODEL, SPGWR). El análisis estadístico se llevó a cabo en el lenguaje de programación R (R Core Team, 2015). Se utilizaron los mapas de cubiertas y usos de suelo (CUS) a escala 1:50 000, elaborados por Mass et al. (2015). Dichos mapas corresponden a los años 2004, 2007 y 2014, y contienen categorías como: usos agrícolas, asentamientos humanos, distintos tipos de bosques y selvas, cuerpos de agua, manglares, y en menor medida, comunidades vegetales de papal y tular, así como zonas de vegetación aparente (compuestas por suelo desnudo, bancos de material e infraestructura). Los mapas originales se convirtieron a formato raster con una resolución espacial de 100 metros, lo cual implicó asignar la categoría que predominaba en la superficie correspondiente al pixel. Utilizar una estructura de datos raster, permitió representar las categorías de CUS de una forma más compacta, con valores de 0 para la superficie no forestal y 1 para la superficie forestal.
Posteriormente se estimaron las pérdidas y ganancias brutas, y el cambio neto en la superficie forestal. Los índices utilizados para describir el proceso de pérdidas y ganancia forestal a nivel estatal fueron los siguientes:
· Cambio neto relativo: el cambio neto es la diferencia de la superficie forestal en t1 y en t2, normalizado por la superficie forestal en t1.
· Pérdida bruta relativa: superficie forestal en la primera fecha (t1) que pasó a superficie no forestal en la fecha 2 (t2), normalizado por la superficie total de bosque en el t1, se expresa en porcentaje (%).
· Ganancia bruta relativa: superficie no forestal t1 que se convirtió en superficie forestal durante t2, normalizado por la superficie forestal en t1, se expresa en porcentaje (%).
Después se utilizó el estadístico Gi, el cual permitió identificar agrupaciones espaciales donde los indicadores de cambio (cambio neto, pérdida bruta y ganancia bruta) se encuentran fuera del promedio global, ya sea de forma inferior o superior, que corresponden con puntos fríos (cold spots) o puntos calientes (hot spots), respectivamente. Las agrupaciones que resultaron estadísticamente significativas, representan los patrones espaciales que podemos esperar no provengan del azar. Debido a la cantidad de tiempo necesaria para llevar a cabo este análisis, fue necesario remuestrear los archivos raster a una resolución espacial de 1 km2 por pixel. Para una correcta aplicación del estadístico de Gestis-Ord, es necesario especificar una distancia que permita considerar al menos 30 vecinos, cuando el número de observaciones es lo suficientemente grande. En este trabajo se utilizó una distancia de 10 km, la cual permitió seleccionar los 100 vecinos más cercanos.
El estadístico de Gi, evalúa el promedio local entre un contexto de entidades vecinas y posteriormente, lo compara contra el promedio del conjunto total de observaciones (Getis y Ord, 1992). Para ello, es necesario establecer un nivel de confianza normalmente de 90, 95 o 99 por ciento, posteriormente para cada nivel de confianza, existe una probabilidad (Tabla 1) de que las variaciones de los patrones observados provengan del azar. En el siguiente paso se estima un valor estandarizado z o z-score, que se calcula a partir de las ecuaciones 2.1, 2.2 y 2.3. Los valores de z representan la desviación estándar entre las cuales, podríamos esperar la probabilidad de que la variación local del fenómeno observado provenga del azar. Los rangos de desviación estándar, se definen con el nivel de confianza. Cuando se obtienen valores de z altos bajos (negativos) en conjunto con probabilidades pequeñas, se rechaza la hipótesis nula de aleatoriedad al ser poco probable que le fenómeno observado provenga del azar (Figura 2).
El
siguiente paso consistió en calibrar un modelo de regresión geográficamente
ponderada (GWR, por sus siglas en inglés). Para ello, se seleccionaron un
conjunto de variables independientes mediante el método expuesto por Lu et al. (2014). En el cual, primero se
reclasificó el conjunto total de AGEB en dos categorías: deforestado o no
deforestado. En este caso, se asignó un valor de 0 cuando en un AGEB la pérdida
de bosque registrada fuera inferior al 2.5 por ciento respecto a la superficie
original y un valor de 1, cuando la pérdida fuera superior a dicho umbral. El
porcentaje de pérdida de la cubierta forestal, es un umbral que no oculta el
proceso de deforestación antes de agregar los datos a nivel de AGEB. Si el
umbral es mayor, entonces la mayoría de los AGEB aparecen sin deforestación. El
análisis de regresión consistió de tres etapas:
Tabla 1
Rango de valores z y
valor de probabilidad, de acuerdo con
el nivel de confianza seleccionado
|
Valores de z |
Valor p (probabilidad) |
Nivel de confianza |
|
< -1.65 o > 1.65 |
0.1 |
90% |
|
< -1.96 o > 1.96 |
0.05 |
95% |
|
< -2.58 o > 2.58 |
0.01 |
99% |
Figura 2. Gráfico de distribución de probabilidad normal
estándar, entre los rangos positivos o negativos de valores z.
Fuente: Mitchell (2005).
· Etapa 1. Selección de variables explicativas: a partir de revisión bibliográfica, conocimiento experto y disponibilidad de información espacial, se seleccionaron 32 variables potencialmente explicativas, disponibles en los portales de Internet de organismos públicos e instituciones académicas en México, tal es el caso de: el Registro Agrario Nacional (RAN), el Consejo Nacional de Población (CONAPO), la Comisión Nacional de Áreas Naturales Protegidas (CONANP), la Unidad de Informática para las Ciencias Atmosféricas y Ambientales (UNIATMOS) y el Instituto Nacional de Estadística y Geografía (INEGI) (Tabla 2).
Tabla 2
Variables utilizadas para explicar el proceso
de deforestación en el
estado de Michoacán durante los periodos 2004-2007 y 2007-2017
|
Variable |
Descripción |
Fuente |
|
Demográficas |
||
|
V1 |
Relación de dependencia ((POB8+POB24)/POB12) |
INEGI1 |
|
V2 |
Porcentaje de población de 65 años y más (POB24/POB1) |
INEGI |
|
V3 |
Índice de masculinidad (POB57/POB31) |
INEGI |
|
V4 |
Porcentaje de población de 5 años y más residente en
otra entidad en junio de 2005 (MIG15/POB18) |
INEGI |
|
V5 |
Porcentaje de población de 5 años y más residente en
Estados |
INEGI |
|
V6 |
Porcentaje de población de 5 años y más que habla
alguna lengua indígena (IND10/POB18) |
INEGI |
|
V7 |
Porcentaje de hogares censales indígenas (IND19/HOGAR1) |
|
|
V8 |
Porcentaje de población de 15 años y más analfabeta
(EDU28/(POB12+POB24)) |
INEGI |
|
V9 |
Porcentaje de población sin derechohabiencia
a servicios de salud (SALUD2/POB1) |
|
|
V10 |
Porcentaje de hogares censales con jefatura femenina
(HOGAR2/HOGAR1) |
INEGI |
|
V11 |
Porcentaje de viviendas particulares deshabitadas
((VIV0-VIV2)/HOGAR1) |
INEGI |
|
V12 |
Porcentaje de viviendas particulares habitadas que
disponen de internet (VIV28/VIV2) |
INEGI |
|
Económicas |
||
|
V13 |
Porcentaje de población ocupada (ECO4/ECO1) |
|
|
V14 |
Porcentaje de
población femenina ocupada (ECO5/ECO1) |
|
|
V15 |
Mujeres
ocupadas por cada 100 hombres (ECO5/ECO6) |
|
|
V16 |
Porcentaje de población desocupada (ECO25/ECO1) |
|
|
Biofísicas |
|
|
|
DEM |
Elevación (msnm) |
|
|
PRECIPIT |
Mediana de la precipitación media anual por AGEB |
|
|
SLOPE |
Mediana del porcentaje de pendiente por AGEB |
INEGI |
|
TEMPMEDIA |
Mediana de la temperatura promedia anual registrada
durante el periodo 1902-2011 por AGEB |
Fernández -Eguiarte
et al., (2016). |
|
Proximidad |
||
|
DISTLOCRUR |
Mediana de la distancia euclidiana al conjunto total de
localidades rurales por AGEB |
INEGI |
|
AHRDIST |
Mediana de la distancia euclidiana a cada polígono de
los asentamientos humanos rurales por AGEB |
|
|
AHUDIST |
Mediana de la distancia euclidiana a cada polígono de
los asentamientos humanos urbanos por AGEB |
INEGI |
|
REDVIAL |
Mediana de la distancia a la red de caminos por AGEB |
|
|
POBTOT05 |
Mediana de Población total a nivel localidad durante el
año 2005 |
INEGI |
|
Tenencia
de la tierra |
||
|
EJIDOSAH |
Superficie ejidal total por AGEB destinada para
asentamientos humanos |
|
|
EJIDOSUC |
Superficie ejidal total por AGEB destinada para uso
común |
RAN |
|
EJIDOSZP |
Superficie ejidal total por AGEB parcelada para uso
agrícola |
RAN |
|
PROPEJIDAL |
Superficie ejidal total por AGEB |
RAN |
|
PROPFUERA |
Superficie total no ejidal por AGEB |
Elaboración propia. |
|
Política
pública |
||
|
ANP |
Superficie total por AGEB correspondiente a las áreas
naturales protegidas |
CONANP3 |
|
ANPFUERA |
Superficie total por AGEB fuera del área natural
protegida |
Elaboración propia |
La
unidad de análisis utilizada, disponible y de mayor detalle fueron las Áreas
Geoestadísticas Básicas (AGEB) (INEGI, 2010). Se
redujo el número de variables mediante un análisis de correlación global de Spearman.
Primero se seleccionaron las variables menos correlacionadas entre sí,
descartando variables con un coeficiente de correlación superior a 0.8, en un
segundo paso se seleccionaron las variables independientes que contaban con una
correlación superior a 0.2 con la tasa de deforestación y de nuevo, se repitió
el primer paso, aunque en esta ocasión se utilizó un umbral de 0.6 para
descartar variables.
· Etapa
2. Análisis de multicolinealidad: Cuando existe multicolinealidad entre
variables, los coeficientes de regresión se vuelven sensibles ante ligeros
cambios en los datos, lo cual incrementa su varianza y los hace inestables, por
esa razón se utilizaron los criterios de Belsley y
Welsch (1980), quienes señala que existen problemas de multicolinealidad cuando
las correlaciones locales absolutas son superiores a 0.8 (Spearman > 0.8),
el valor de inflación de la varianza (VIF) sea mayor a 10 (VIF > 10), la
proporción de descomposición de la varianza (VDP) mayor a 0.5 (VDP > 0.5) y el número de condición local (CN) mayor a
30 (CN > 30). Además se consideró el criterio de información de Akaike (AIC), el cual permitió definir entre todos los modelos posibles,
el que mejor se ajusta a los datos, es decir, se hizo un balance entre el
ajuste del modelo y el número de variables.
· Etapa 3. Ajuste del modelo GWR: Con el conjunto de variables seleccionadas, se ajustó un modelo de regresión mediante el software R y las librerías GWmodel y spgwr. La técnica de modelación que se utilizó en este trabajo, es referida en la literatura como GWLR (Geographically Weighted Logistic Regression), la cual explora la relación entre una variable dependiente cualitativa y dicotómica, contra un conjunto de variables independientes cualitativas o cuantitativas (Fotheringham et al., 2002; Zhang & Gu., 2013; Rodrigues et al., 2014). Para poder estimar las estadísticas locales, es necesario definir un ancho de banda (BW, por sus siglas en inglés), el cual funciona como una ventana móvil que agrupa el número de observaciones establecidas (para más detalle consultar Fotherinhgam et al., 2002). El modelo GWLR tiene como base una ecuación de regresión logística global:
Por lo tanto la ecuación GWLR se expresa de la siguiente manera:
donde (ui,vi) representan las coordenadas en el espacio del punto i. De esta manera la GWL permitió obtener los coeficientes de regresión para cada ubicación en el área de estudio y posteriormente, observar la variación espacial de los coeficientes de regresión en función de un punto y sus vecinos más cercanos.
· Etapa 4. Prueba de Monte Carlo para la significancia estadística: Monte Carlo es una prueba estadística para probar la no estacionariedad espacial, con la cual se confirma si los resultados de una GWR son estadísticamente significativos o si son artefactos de la variación aleatoria en los datos (Lu et al., 2014). Para ellos se estimó una GWR con modelos locales en la localización de cada AGEB; después a cada unidad espacial se le asignó aleatoriamente un conjunto de datos procedentes de otra observación y se calculó de nuevo una GWR, los resultados fueron comparados con los originales, este proceso se repitió 99 veces. Si los coeficientes de cada variable en el modelo GWR verdadero, se encontraron sobre la cola superior o inferior del 0.5, 2.5 o 5% de la distribución en los datos aleatorizados, entonces puede decirse que son estadísticamente significativos con un 99, 95 y 90 % de confianza respectivamente.
El análisis estadístico anterior, permitió generar mapas de correlación local de Spearman para cada AGEB, estos mapas fueron utilizados para plantear algunas hipótesis que establecen una relación positiva o negativa entre la deforestación y los distintos indicadores del cambio. Para corroborar dichas hipótesis, se realizó un estudio de caso en el cual se seleccionó al municipio de Taretan, al ser uno de los sitios con las tasas más altas de deforestación durante el periodo de análisis. Con ello, se realizaron recorridos en campo y entrevistas abiertas a distintos actores clave como: presidentes de las asociaciones cañeras, representantes del departamento de ecología del municipio, productores de guayaba, zarzamora y ganado, jefes de los Centro de Apoyo al Desarrollo Rural, además de acudir a una asamblea ejidal y entrevistar de forma personal algunos jornaleros agrícolas.
Resultados
Las tasas de deforestación para cada AGEB durante el periodo 2004 a 2007 oscilan entre el 0 y el 40 por ciento (Figura 3), gran parte de los cambios se registraron en la región centro de Michoacán, en los municipios de Uruapan, Ziracuaretiro, Taretan, Salvador Escalante, el norte de Ario de Rosales y hacia la región sierra costa, sobre los municipios de Aquila y Chincuilla. En el periodo 2007 a 2014 las tasas de deforestación disminuyeron entre un 0 y 12 por ciento (Figura 4).
Mediante el estadístico Gi, se identificaron las zonas donde los indicadores de cambio se encuentran fuera del promedio global, ya sea de forma superior o inferior. En las Figuras 5 a 10, se observan los mapas comparativos de los indicadores de cambio durante los periodos 2004-2007 y 2007-2014. Las zonas en color rojo representan los valores más altos de los distintos indicadores, mientras que los colores verdes los valores más bajos. Cabe señalar que se detectaron un gran número de AGEB sin cambios o con cambios mínimos, por lo que el valor de Gi fue de cero o próximo a cero, en los mapas aparece con tonalidades de verde claro.
|
|
Figura 3. Tasas de deforestación por AGEB en el estado de
Michoacán durante el periodo 2004-2007.
Figura 4. Tasas de deforestación por AGEB en el estado de Michoacán durante el periodo 2007-2014.
Figura 5. Mapa resultante del estadístico Gi, que representa las superficies en las cuales se concentra el mayor y menor cambio neto anual durante el periodo 2004-2007.
Figura 6. Mapa resultante del estadístico Gi, que representa las superficies en las cuales se concentra el mayor y menor cambio neto anual durante el período 2007-2014.
Figura 7. Mapa resultante del estadístico Gi, que representa
las superficies con mayor y menor pérdida bruta relativa durante el período
2004-2007.
Figura 8. Mapa resultante del estadístico Gi, que representa las superficies con mayor y menor pérdida bruta durante el periodo 2007-2014.
Figura 9. Mapa resultante del estadístico Gi, que representa
las superficies con mayor y menor ganancia bruta relativa durante el periodo
2004-2007.
Figura 10. Mapa resultante del estadístico Gi, que representa
las superficies con mayor y menor ganancia bruta relativa durante el periodo
2007-2014.
Los principales focos de deforestación (Figuras 7 y 8) se encuentran fuertemente relacionados con actividades agrícolas. En la región centro, se favorecen los cultivos de exportación (como el aguacate). En la región sudoeste se observan pérdidas y ganancias forestales, relacionadas con actividades agrícolas y pecuarias, así como aprovechamientos forestales para la producción de resina y la industria maderera, mientras que el proceso de ganancia forestal, se favorece por presencia de programas de reforestación y restauración con altos niveles de eficacia. Por otro lado, en el municipio de Taretan son varias las causas que promueven la deforestación, sin embargo, durante la investigación de campo se identificó la interacción entre factores económicos, sociales y ambientales, que en algunas ocasiones son favorecidas por instrumentos gubernamentales. En la Tabla 3, se resumen cuáles son los factores que promueven la deforestación.
Discusión y
conclusiones
Gracias al uso de métodos directos e indirectos que utilizan
distintos enfoques de modelación espacial, se ha mejorado considerablemente el
entendimiento del CCUS (Agarwal et
al., 2002; NRC, 2014). Aunado a esto, el
avance tecnológico y la apertura a distintas fuentes de datos e información, ha
permitido integrar métodos estadísticos, de aprendizaje automático y minería de
datos, que mejoran con bastante precisión las estimaciones respecto al uso de
los bosques (Austin et al., 2009;
Garcia et al., 2019; NRC, 2014). Los
métodos utilizados en este trabajo nos han permitido comprobar que la
agricultura que produce para los mercados internacionales, es la principal
causa de deforestación en el estado de Michoacán, al igual que ha ocurrido en
varios países del mundo, principalmente de América Latina (Chaves y Carvalho,
2019; De Sy et
al., 2019; Geist y Lambin,
2002). El trabajo de otros autores en el estado de Michoacán, señala que
particularmente el proceso de deforestación ha sido motivado por el estímulo
económico que favorece el desmonte de los bosques, para cultivar aguacate de
exportación y/o convertirlo en huertos frutícolas de mayor valor económico
(Morales y Cuevas, 2011; Chávez-León et
al., 2012; Morales et al., 2012).
Mientras que los remanentes de bosque, son degradados por la interacción de la
tala ilegal, la extracción de madera para combustible, el sobrepastoreo y los
incendios forestales (Sáenz, 2005).
Merino (2005) documentó
el efecto de las políticas públicas (forestal, agraria y de conservación) en
dos comunidades de la Reserva de la Biosfera Mariposa Monarca (RBMM) en el
estado de Michoacán e identificó, un impacto diferencial, propiciado por las
distintas condiciones que privan el uso de los bosques. Aunque esta autora
utilizó escalas de análisis y perspectivas distintas a la de nuestro trabajo,
sus resultados señalan que el efecto de una política pública se expresa de
forma distinta sobre el territorio, ya que en algunas ocasiones favorece la
conservación de los bosques y en otras, el deterioro. Bajo este contexto, los
indicadores socioeconómicos, biofísicos y de política pública que utilizamos
para explicar el proceso de deforestación, también se expresan de forma
diferenciada sobre el territorio. Por ello, resulta interesante comparar las
conclusiones anteriores con los resultados de este trabajo, ya que ambos
contribuyen con distintos elementos para entender la no estacionariedad
espacial en el CCUS y la deforestación.
La ventaja de utilizar métodos de
análisis cuantitativos o cualitativos locales, es la
posibilidad de identificar regiones con necesidades específicas y con ello,
proponer objetivos, planes de acción o recomendaciones para atenderlas. Este
trabajo aporta evidencias para comprender las causas que operan detrás del
proceso de deforestación en el estado de Michoacán. Es una propuesta
metodológica que integra el uso de herramientas estadísticas aplicadas en
gabinete y métodos descriptivos, a partir de la observación en campo.
En algunas ocasiones, el efecto de las instituciones no se
refleja directamente sobre el proceso de deforestación, sin embargo detona
actividades como: la reconversión productiva en el sector agrícola, garantiza
el acceso a recursos tecnológicos en zonas con potencial productivo y de
mercado, modifica las dinámicas poblacionales (fenómenos de migración, nivel
educativo, incorporación de la mujer al mercado laboral), propicia el
desarrollo de pequeñas y medianas empresas, lo cual desde luego, impacta sobre
el uso de los recursos naturales (no solo los bosques). Las instituciones
públicas son un mediador importante en el proceso de toma de decisiones, ya que
inciden sobre la autonomía de las comunidades locales. Es difícil hablar de
gobernanza forestal cuando las decisiones respecto al uso de los recursos
atienden a presiones de mercado, demográficas o de política pública. No es posible
consolidar una buena gobernanza forestal cuando existen cuestiones como:
pobreza, bajos niveles de educación y seguridad social, desigualdad o intereses
económicos de ciertos grupos de poder. Los retos sobre la gobernanza forestal
se centran en el diseño de políticas públicas, la legitimización en el uso de
los recursos y la voluntad de los organismos operadores, para tomar decisiones
informadas y consensadas respecto al uso de los bosques.
Tabla 3
Factores que promueven
la deforestación en el municipio de Taretan
|
Factores |
Variables |
Impactos |
|
|
Económicos |
Creación
de pequeña y medianas empresas Incremento
de ingresos Desarrollo
de infraestructura Accesibilidad |
Generación
de empleos Expropiación
de los recursos Economía
extractivista |
|
|
Sociales |
Dinámicas
demográficas Incorporación
de la mujer a la fuerza laboral (principalmente para el cultivo de zarzamora) Nivel
educativo Población
indígena Expansión
de los asentamientos Extracción
de madera Arraigo |
Retención
de jóvenes y adultos Identidad
social Desintegración
familiar Violencia
y conflictos armados |
|
|
Instrumentos
gubernamentales |
Políticas
públicas |
PROAGRO PROGRAN Diésel
agropecuario PIMAF Fomento
a la agricultura maquinaria
y equipo) Proyectos
estratégicos Apoyo
a invernaderos Sistemas
de riego |
Acceso
a servicios de salud Norma
las actividades agrícolas en todo el proceso del cultivo Asistencia
técnica Subsidios
a través de incentivos (fertilizantes, insecticidas y Acceso
a tecnologías eficientes (tractores y aspersores) Reconversión
productiva Seguro
agrícola Apoyo
a pequeños productores (maíz y frijol principalmente) Incremento
en la productividad agrícola y pecuaria Desarrollo
tecnológico Investigación Incremento
en el uso de hidrocarburos Favorecen
la extracción de los recursos naturales |
|
Leyes |
Ley
de Desarrollo Sustentable de la Caña
de Azúcar (LDSCA) |
||
|
Ambientales |
Precipitación Temperatura Elevación Edafología Recursos
hídricos Incendios
forestales |
Condiciones
climáticas adecuadas para la siembra de algunos Degradación
de suelos Desabasto
y deterioro de los recursos hídricos Extracción
de recursos naturales Incremento
de la contaminación por el uso de fertilizantes e Expansión
de los usos agrícolas a costa de los bosques y selvas Degradación
de la cubierta forestal |
|
Bibliografía
Agarwal, C., Green, G.M., Grove, J.M., Evans, T.P., y Schweik, C.M. (2002). “A review and assessment of land-use change models: dynamics of space, time, and human choice”, Gen. Tech. Rep. NE-297. Newton Square, PA: US Department of Agriculture, Forest Service, Northeastern Research Station. 61.
Austin, K.G., Schwantes, A., Gu, Y. and Kasibhatla, P.S. (2019). “What causes deforestation in
Indonesia?”, Environmental Research Letters, 14(2), 024007.
Belsley, D.A. and Kuh, E. Welsch., R.E. (1980). Regression
Diagnostics: Identifying Influential Data and Sources of Collinearity, Uiley Series in Probability and Mathematical Statistics.
Bocco, G., Mendoza, M. y Masera, O.R. (2001). “La dinámica del cambio del uso del suelo en Michoacán: Una propuesta metodológica para el estudio de los procesos de deforestación”, Investigaciones geográficas, 44: 18-36.
Chaves, M.E.D. y de
Carvalho Alves, M. (2019). “Recent applications of the MODIS sensor for soybean crop monitoring and
deforestation detection in Mato Grosso, Brazil”, CAB Reviews, 14(007): 1-9.
Chávez León, G., Tapia Vargas, L.M., Bravo Espinoza, M., Sáenz Reyes, J., Muñoz Flores, H.J., Vidales Fernández, I., Larios Guzmán, A., Rentería Ánima J.B., Villaseñor Ramírez, F.J., Sánchez Pérez, J. de la Luz., Alcantar Rocillo, J.J. y Mendoza Cantú, M. (2012). Impacto de cambio de uso de suelo forestal a huertos de aguacate.
De Sy,
V., Herold, M., Achard, F.,
Avitabile, V., Baccini, A.,
Carter, S., Clevers, J.G. P.W., Lindquist, E., Pereira, M.
y Verchot, L. (2019).” Tropical deforestation drivers and associated
carbon emission factors derived from remote sensing data”, Environmental
Research Letters, 14(9),
094022.
Dolman, A.J., Verhagen, A. and y Rovers, C.A.
(2003). Global environmental change and land use, Springer Science &
Business Media.
FAO (Organización de las Naciones Unidas para la Agricultura y la Alimentación). (2010). Evaluación de los recursos forestales mundiales 2010. Términos y definiciones.
Fotheringham,
A.S., Brunsdon, C. and Charlton, M. (2002). “Geographically weighted regression:
the analysis of spatially varying relationships”, John Wiley & Sons.
Garcia, A.S., de FN Vilela, V.M., Rizzo, R., West, P., Gerber, J.S., Engstrom, P.M., y Ballester, M.V.R. (2019). “Assessing land use/cover dynamics
and exploring drivers in the Amazon’s arc of deforestation through a
hierarchical, multi-scale and multi-temporal classification approach”, Remote
Sensing Applications: Society and Environment, 15, 100233.
Garibay, C. y Bocco, G. (2011). Cambios de uso de suelo en la meseta purépecha (1976-2005), INE-Semarnat y CIGA-UNAM, México.
Geist, H.J. y Lambin,
E.F. (2002). A
meta-analysis of proximate and underlying causes of deforestation based on
subnational case study evidence. LUCC Report Series, 4.
Geist, H. J., y Lambin, E.F. (2002). A
meta-analysis of proximate and underlying causes of deforestation based on
subnational case study evidence. LUCC Report Series, 4.
Getis, A., y Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical analysis, 24(3): 189-206.
INEGI (Instituto Nacional de Estadística y Geografía) (2010). Censo Nacional de Población y Vivienda 2010.
Lambin, E.F. (1997). “Modelling and monitoring
land-cover change processes in tropical regions”, Progress in Physical Geography, 21(3): 375-393. http://doi.org/10.1177/030913339702100303
Lambin, E.F., Geist, H.J., y Lepers, E. (2003).
“Dynamics of land-use and land-cover change in tropical regions”, Annual review of environment and resources,
28(1): 205-241.
Lu, B., Harris, P., Charlton, M. y Brunsdon,
C. (2014). “The GWmodel R package: further topics for
exploring spatial heterogeneity using geographically weighted models”, Geo-spatial Information Science, 17(2):
85-101.
Mas, J.F., González, R. Lemoine-Rodríguez, R., López-Sánchez, J., Piña-Garduño, A. y Herrera-Flores, E. “Actualizaciones sucesivas de mapas de cubierta del suelo combinando segmentación de imágenes e interpretación visual”, Memoria en extensor SELPER-XXI-México-UACJ-2015, Ciudad Juárez, Chihuahua, México, 2015.
Mercado Vargas, H. y Palmerín Cerna, M. (2012). El estado de Michoacán y sus regiones turísticas.
Merino Pérez, L. (2004). Conservación o deterioro: el impacto de las políticas públicas en las instituciones comunitarias y en los usos de los bosques en México, México, Instituto Nacional de Ecología.
Meyer, W.B., y B.L. Turner, I.I. (1994). Changes in land use and land cover: a global perspective (vol. 4),
Cambridge University Press.
Mitchell, A. (2005). La Guía de Esri
para el análisis SIG.
Morales, L.M. y Cuevas, G. (2011). Inventarios 1974-2007, y evaluación del impacto ambiental regional del cultivo del aguacate en el estado de Michoacán. Informe Ejecutivo, Centro de Investigaciones en Geografía Ambiental, UNAM, Michoacán, México.
Morales-Manila, L.M.,
A. Reyes-González, G. Cuevas-Garcia y M. Onchi-Ramuco
(2012). Inventario 2011 del cultivo del aguacate en el estado de Michoacán (pp.
89). Morelia, Michoacán, Centro de Investigaciones en Geografía Ambiental, UNAM
–COFUPRO, 89 pp.
National Research Council (2014). Advancing
Land Change Modeling: Opportunities and Research Requirements, National
Academies Press.
QGIS Development Team (2015). QGIS
Geographic Information System, Open Source Geospatial Foundation Project. http://qgis.osgeo.org
R Core Team (2013). “R: A language and environment for statistical
computing. R Foundation for Statistical Computing”, Vienna, Austria. Recuperado de http://www.R-project.org/
Rockström, J., Steffen, W.L., Noone,
K., Persson, Å., Chapin III, F.S., Lambin, E., Lenton, Foley, J.
(2009). Planetary boundaries: exploring
the safe operating space for humanity.
Rodrigues, M., de la Riva, J. y Fotheringham, S. (2014). “Modeling the
spatial variation of the explanatory factors of human-caused wildfires in Spain
using geographically weighted logistic regression”, Applied Geography, 48: 52-63.
Songchitruksa, P. y Zeng, X. (2010). “Getis-Ord
spatial statistics to identify hot spots by using incident management data”, Transportation Research Record: Journal of
the Transportation Research Board, 2165: 42-51.
Vitousek, P.M. (1994). “Beyond global warming: ecology
and global change”, Ecology, 75(7):
1861-1876.
Walker, R. (2004). “Theorizing land-cover and land-use change: The case
of tropical deforestation”, International
Regional Science Review, 27(3): 247-270.
Zhang, L. and Gu, Y. (eds.) (2013). Information
Systems and Computing Technology, CRC Press.
* Universidad
Nacional Autónoma de México (unam), México, correo electrónico:
jaimeloyac@gmail.com. ORCID: https://orcid.org/0000-0002-0760-8540.
** unam, México, correo
electrónico: fmas@ciga.unam.mx.
ORCID: https://orcid.org/0000-0002-6138-9879.