Figura 1. Localización del Área Objeto de Interés (AOI)

El clima predominante se clasifica como Aw1 (sabana tropical subhúmeda) según el sistema de Köppen modificado por García (2004), caracterizado por una marcada estacionalidad: la temporada de lluvias se concentra entre junio y octubre, con precipitaciones anuales promedio que oscilan entre 1 138 y 1 414 mm, mientras que los meses de noviembre a mayo son secos. La temperatura media anual varía entre 26,5 y 28,7 °C, con mínimas en enero–febrero y máximas en julio–agosto. Esta condición climática, combinada con una evaporación potencial que supera la precipitación la mayor parte del año, genera un balance hídrico altamente estacional, que condiciona tanto los usos del suelo como la disponibilidad de agua superficial y subterránea.

Demográficamente, la cuenca alberga una población estimada de 333 000 habitantes en el año 2020, con una tasa media de crecimiento del 1,2 % anual entre 1990 y 2020. Este crecimiento poblacional ha intensificado la presión sobre los ecosistemas locales, especialmente a través de la expansión urbana y la conversión de coberturas naturales. La laguna de Tres Palos, con una superficie de aproximadamente 5 500 ha, es un cuerpo de agua predominantemente oligohalino, somero y estacionalmente conectado al mar, que recibe los escurrimientos del río La Sabana —actualmente afectados por descargas de aguas residuales no tratadas—. La vegetación circundante incluye mangle (Laguncularia y Avicennia), palmera de coco, carrizos y tule, aunque estos ecosistemas enfrentan una creciente fragmentación y deterioro por la expansión de zonas artificiales y actividades agropecuarias.

Conjunto de datos y procesamiento

El modelado de los cambios en la cobertura y uso del suelo se realizó utilizando el módulo Land Change Modeler (LCM) del software TerrSet. Se implementó el algoritmo Multi-Layer Perceptron (MLP), una red neuronal artificial, para predecir las transiciones entre categorías de cobertura. El proceso incluyó los siguientes pasos:

1. Calibración del modelo:  

- Se utilizaron los mapas de 1993 y 2007 para entrenar el modelo y definir las reglas de transición.

- Se implementaron cinco submodelos específicos para capturar las dinámicas de cambio:

a) Expansión agrícola.

b) Expansión pecuaria.

c) Expansión urbana.

d) Revegetación.

e) Degradación.

2. Validación del modelo:

- Se compararon las predicciones del modelo para 2018 con el mapa observado real de ese año, utilizando el módulo Validate de TerrSet.

- Se calcularon métricas de precisión, como el coeficiente de Kappa, los desacuerdos de cantidad y localización, el error cuadrático medio (RMS) y la habilidad predictiva.

3. Predicción futura:

- Se generaron escenarios de cambio para los años 2030 y 2050, considerando las tendencias históricas y las variables explicativas.

Análisis de variables explicativas

La influencia de las variables explicativas en los submodelos se evaluó mediante el coeficiente de V de Cramer, que mide la fuerza de la asociación entre las variables y las transiciones modeladas. Este análisis permitió identificar las variables más relevantes para cada submodelo, mejorando la comprensión de los factores que impulsan los cambios en la cobertura y uso del suelo.

El flujo metodológico de la investigación (Fig.3) combina el uso de un SIG para el geoprocesamiento de los datos de CUS y de las variables explicativas con los procesos de calibración, validación y simulación del modelo MLP del LCM para la predicción de cambios en la CUS. La integración de ambas metodologías aseguró un enfoque riguroso y basado en evidencia, mejorando la precisión y aplicabilidad del modelo.

Figura 3. Diagrama de Flujo de la Investigación

Resultados

Cambios históricos en la cobertura y uso del suelo (1993-2018)

Los análisis de cobertura y uso del suelo (CUS) entre 1993 y 2018 revelan una transformación drástica del paisaje en la subcuenca La Sabana-Tres Palos, caracterizada por la pérdida acelerada de bosques primarios, la expansión de áreas antropogénicas y fluctuaciones en la regeneración de ecosistemas secundarios (Tabla 1). Los mapas históricos (1993, 2007 y 2018) y el mapa de áreas de cambio (1993-2018) evidencian patrones espaciales claros (figura 4): las zonas bajas y accesibles sufrieron una presión intensa por actividades humanas, mientras que las áreas remotas experimentaron procesos de recuperación parcial, aunque insuficientes para contrarrestar las pérdidas totales. (Tabla 1).

Tabla 1. Cambios históricos en la cobertura y uso del suelo (1993-2018).

Deforestación y dinámica de bosques

El bosque primario (Bp) experimentó una reducción catastrófica, pasando de 11.699 ha en 1993 a solo 454 ha en 2018 (-96,1%), con una tasa anual de -12,1% (Tabla 1). Los mapas muestran que esta pérdida se concentró en las zonas periurbanas y valles fértiles, reemplazadas por cultivos y Zonas urbanas. En contraste, el bosque secundario (Bs) aumentó un 6,2% (1993-2018), alcanzando un máximo en 2007 (35.731 ha) antes de disminuir levemente (-2,9% hacia 2018), lo que sugiere un ciclo de regeneración seguido de recaída en la deforestación. Esta dinámica se visualiza en el mapa de cambios como parches discontinuos de recuperación, principalmente en laderas marginales no aptas para agricultura intensiva.

Expansión agrícola y urbana: drivers dominantes

Los cultivos agrícolas (C) se expandieron un 17,6% (1993-2018), con un pico en 2007 (21.186 ha), seguido de una leve contracción (-5,6% hacia 2018). Este retroceso coincide temporalmente con el crecimiento explosivo de las Zonas urbanas (A), que aumentaron un 255,4% (2.548 ha → 9.055 ha), especialmente entre 1993-2007 (+7,6% anual). El mapa de cambios identifica corredores urbanos a lo largo de vías principales y riberas, donde la urbanización reemplazó tanto cultivos como pastizales. Los pastizales (P), aunque con un incremento neto modesto (+227 ha), muestran una redistribución espacial hacia zonas altas, desplazados por la agricultura y la infraestructura.

Conservación relativa y presiones emergentes

Los humedales (H) destacan como una categoría resiliente, con un crecimiento del 62,6% (690 ha → 1.122 ha) y una tasa anual positiva (+2,0%), posiblemente vinculada a políticas locales de conservación o recuperación natural de áreas inundables. No obstante, los cuerpos de agua (CA) presentaron una reducción mínima (-0,3%), aunque su estabilidad post-2007 sugiere una gestión hídrica eficiente en la última década. En contraste, la categoría Otros (O) colapsó un 89% (1.035 ha → 114 ha), reflejando la homogenización del paisaje hacia usos dominantes (urbanos/agrícolas) (Figura 4).

Figura 4. Cambios históricos en la cobertura y uso del suelo (1993-2018).

Implicaciones espaciales y temporales

El mapa de áreas de cambio (1993-2018) destaca dos procesos clave:

1. Frentes de deforestación activos en zonas limítrofes entre bosques primarios y áreas agrícolas.

2. Conurbación dispersa, donde la expansión urbana fragmentó paisajes naturales y agropecuarios.

Estos patrones coinciden con tasas de cambio aceleradas en periodos de desarrollo económico (1993-2007) y una moderación relativa post-2007, posiblemente asociada a cambios regulatorios o saturación de suelos aptos.

Estos cambios reflejan la intensificación de las actividades humanas en la subcuenca y su impacto en los ecosistemas naturales. La desaceleración en el crecimiento agrícola observada en 2018 resalta la importancia de considerar factores socioeconómicos y ambientales en los modelos de cambio de uso del suelo.

Influencia de las variables explicativas

El nivel de asociación entre las variables explicativas y las categorías de CUS en el período analizado se mide a través de la V de Cramer y se muestra en la Tabla 2.

Tabla 2. Coeficiente V de Cramer (relación entre CCUS y variables explicativas). Valores significativos ≥0.30 resaltados en negritas.

Un coeficiente V de Cramer más alto de 0,15 muestra que el valor explicativo de la variable es potencialmente aceptable.  Los valores V de Cramer de ≥0,4 y ≥0,15 se consideran útiles, respectivamente; y los valores menores de 0,15 deben eliminarse del modelo (Dzieszko, 2014; Eastman, 2016; Hakim et al., 2021; Losiri et al., 2016; Singh et al., 2017).

La variable explicativa más fuerte es la probabilidad de evidencia, que tiene un significativo nivel de asociación (Cramer V ≥0.30) con las coberturas Áreas construidas, Pastos, Cultivos y Otros. También se observa un aceptable nivel de asociación en la variable distancia a la expansión agrícola para las coberturas bosque secundario, pastos y otros (Cramer V ≥0.35).

Se observa una ausencia de asociación en el bosque primario con todas las variables, excepto con la distancia a las áreas revegetadas, lo que indica que la categoría de bosque está menos influenciada por las variables explicativas.

Validación del modelo

La elaboración del mapa de simulación CUS 2018 fue a través del modelo (LCM) de TERRSET, con el método CA-Markov Perceptrón Multicapa comparándolo con el mapa real de referencia del mismo año. Según Wang et al. (2016) el comportamiento de los índices de desacuerdo de localización (Disagree Grid cell) y desacuerdo de cantidad (Disagree Quantity) tienen un significativo impacto en la predicción de los cambios de CUS. El resultado del análisis de validación, señaló que el valor de Disagree Grid cell = 0.0555 es mayor que el valor de Disagree Quantity = 0.0226, lo que significa que la precisión para una correcta predicción del modelo es relativamente alta (Gibson et al., 2018; Mungai et al., 2022; Nguyen & Phương, 2018; Regasa & Nones, 2022), por lo que el modelo es válido para predecir los escenarios futuros de los CCUS (Gharaibeh et al., 2020). Los resultados demostraron que el 55.6% de los datos de la simulación se encuentran correctamente ubicados y el 36.6% de los cambios fueron correctamente producidos, y se corresponden con valores elevados del coeficiente de kappa (Kno = 0.9121, Klocation = 0.9093, KlocationStrata = 0.9093 y Kstandard = 0.8768), evidencia de un significativo acuerdo y concordancia entre el mapa simulado y el mapa de referencia (R. Pontius, 2000) que fundamenta el empleo del modelo de aprendizaje entrenado para la predicción de los CCUS del 2030 y 2050 en el área de estudio. (Fig. 5)

Figura 5. Componentes del acuerdo y desacuerdo entre la simulación y la referencia del CUS 2018

Desempeño de los submodelos

El entrenamiento del modelo MLP en el módulo LCM de TerrSet se realizó mediante la implementación de cinco submodelos específicos: (1) expansión agrícola, (2) expansión pecuaria, (3) expansión urbana, (4) revegetación y (5) degradación. Todos los submodelos mostraron un desempeño robusto, con valores de precisión superiores al 92.7%, un RMS inferior a 0.16 y una habilidad predictiva superior a 0.90. Estos resultados confirman la capacidad del modelo para capturar las dinámicas específicas de cada tipo de transición y respaldan su aplicabilidad para la predicción de cambios futuros.

Predicciones futuras

Las proyecciones para los años 2030 y 2050 (Figura 6) indican que las tendencias históricas de cambio continuarán en la subcuenca LS3P, en correspondencia con el supuesto que plantea que los cambios ocurridos en los últimos años tienen más probabilidades de ocurrir en los años siguientes  (Yirsaw et al., 2017; Abdurahman et al., 2023).

Las proyecciones al 2030 y 2050 revelan una transformación territorial estructural y acelerada en la subcuenca La Sabana-Tres Palos, dominada por fuerzas antropogénicas. El bosque primario (Bp) enfrenta un colapso irreversible, pasando de 454,3 ha en 2018 a solo 178,3 ha en 2050, con una tasa de pérdida anual del -3,1 % entre 2018 y 2050. Este patrón confirma que el ecosistema forestal más valioso de la región está siendo reemplazado por usos intensivos del suelo, principalmente agrícolas y urbanos. En contraste, el bosque secundario (Bs), aunque también declina, lo hace a un ritmo más moderado (-0,9 % anual entre 2018 y 2050), sugiriendo que estas áreas están siendo “degradadas” o fragmentadas, pero no necesariamente convertidas en tierras completamente impermeables.

Las zonas urbanas (A) son el principal motor de cambio, expandiéndose de 9 054,5 ha en 2018 a 14 687,5 ha en 2050, con una tasa de crecimiento anual del 1,6 %. Este incremento de 5 633 ha representa la mayor ganancia absoluta en términos de superficie y refleja una presión urbana intensa que consume tierras agrícolas, pastizales e incluso humedales. Los cultivos agrícolas (C) muestran una dinámica compleja: aumentan hasta 2030 (19 719,3 ha) y luego retroceden ligeramente hacia 2050 (18 565,5 ha), lo que sugiere un proceso de sustitución final por uso urbano o una saturación de tierras aptas para agricultura intensiva. Los pastizales (P), aunque con un incremento neto modesto, experimentan una redistribución espacial hacia zonas marginales, probablemente como resultado de la presión de la urbanización y la agricultura en las zonas planas y accesibles.

La estabilidad absoluta de los cuerpos de agua (CA) contrasta con la pérdida de cobertura permeable, lo que plantea riesgos hídricos futuros, especialmente si la recarga de acuíferos se ve comprometida por la impermeabilización del suelo. Estas tendencias refuerzan la hipótesis de que la subcuenca LS3P está entrando en una fase de consolidación urbana, donde la presión demográfica y económica supera la capacidad regenerativa de los ecosistemas naturales.

Tabla 3. Tasas de cambio anual proyectadas (2018–2050) y cambio neto (2030–2050).

Se prevé un aumento adicional en las áreas de cultivos agrícolas de 2,618.5 ha para 2030 y 4,138.8 ha para 2050 y pastos artificiales 1,597.0 ha para 2030 y 1,996.8 ha para 2050, en detrimento de los bosques y bosques secundarios, que podrían perder 6,109.3 ha y 9,024.8 ha, respectivamente. Las áreas urbanas también se expandirán, aunque a un ritmo más lento, con un incremento proyectado de 515.5 ha para 2030 y 920.0 ha para 2050. Estos escenarios resaltan la necesidad de implementar políticas de gestión sostenible para mitigar los impactos ambientales y socioeconómicos asociados a estos cambios. Es reconocible que la disminución de los bosques secundarios y bosques naturales puede deberse al aumento de la demanda de tierras de la actividad agropecuaria, el crecimiento de la población y la expansión de las zonas urbanas. Además, la transición de los bosques secundarios a otros tipos de uso de la tierra, como pastizales y cultivos, es también la razón de la disminución de la superficie forestal.

Figura 6. Proyecciones CUS LS3P

Discusión

Interpretación de los resultados

Los resultados de este estudio revelan una tendencia clara hacia la expansión de las actividades antropogénicas en la subcuenca LS3P, con un aumento significativo de las áreas de cultivos agrícolas, pastos artificiales y zonas urbanas, y una reducción correspondiente de los bosques y bosques secundarios, unido a la drástica reducción en el número y magnitud de las transiciones entre 2007 y 2018 sugiere que la subcuenca del río Atoyac experimentó una estabilización en las dinámicas de cambio después de un periodo inicial de transformación intensiva (1993-2007). Este fenómeno puede deberse a cambios en las políticas de uso del suelo que limitaron la conversión de bosques y áreas naturales. Estudios similares en otras regiones han reportado patrones comparables, donde las dinámicas de cambio se desaceleran después de un periodo de transformación acelerada (Lambin & Meyfroidt, 2010; Meyfroidt et al., 2013; Grau & Aide, 2008; Rudel et al., 2009). Estos hallazgos resaltan la importancia de considerar el contexto temporal y las políticas locales en el análisis de cambios de uso del suelo y son consistentes con los patrones observados en otras regiones tropicales, donde la presión humana sobre los ecosistemas naturales ha llevado a la pérdida de cobertura vegetal y la fragmentación del paisaje (Gibbs et al., 2010; Bonilla-Moheno et al., 2013). La implementación de cinco submodelos específicos (expansión agrícola, pecuaria, urbana, revegetación y degradación) permitió capturar de manera precisa las dinámicas de cambio y mejorar la confiabilidad del modelo.

Desempeño de los submodelos

El uso de submodelos específicos para cada tipo de transición fue una innovación clave en este estudio. Todos los submodelos mostraron un desempeño robusto, con valores de precisión superiores al 92.7%, un RMS inferior a 0.16 y una habilidad predictiva superior a 0.90. Estos resultados son comparables a los reportados en estudios previos que han utilizado enfoques similares (G. R. Pontius & Malanson, 2005), (Mas et al., 2014), y confirman la capacidad del modelo para predecir cambios futuros con un alto grado de confiabilidad.  Además, los resultados obtenidos en este estudio son consistentes con los reportados en investigaciones que han utilizado enfoques similares, como Camacho Olmedo et al., (2015); Eastman, (2012); Eastman et al., (2009), lo que refuerza la validez del método empleado.

Influencia de las variables explicativas

El análisis de las variables explicativas mediante el coeficiente de V de Cramer permitió identificar los factores más influyentes en cada submodelo. Estos resultados resaltan la importancia de considerar variables específicas relacionadas con las dinámicas de cambio, como la distancia a áreas de expansión agrícola, pecuaria, revegetación, expansión urbana y degradación. Este enfoque representa una mejora significativa respecto a estudios previos, que a menudo han utilizado variables más genéricas.

Implicaciones para la gestión territorial

Las proyecciones para los años 2030 y 2050 indican que las tendencias actuales de cambio continuarán en la subcuenca LS3P, con implicaciones significativas para la biodiversidad, los servicios ecosistémicos y el bienestar de las comunidades locales. Estos hallazgos resaltan la necesidad de implementar políticas de gestión sostenible que equilibren el desarrollo socioeconómico con la conservación de los recursos naturales.

Limitaciones y futuras investigaciones

Aunque este estudio proporciona una comprensión detallada de las dinámicas de cambio en la subcuenca LS3P, es importante reconocer sus limitaciones. Futuras investigaciones podrían abordar estas limitaciones mediante el uso de datos de mayor resolución espacial y temporal, así como la incorporación de variables adicionales, como factores socioeconómicos y climáticos.

Conclusiones

Este estudio analizó los cambios históricos y proyectó escenarios futuros de cobertura y uso del suelo en la subcuenca LS3P, Guerrero, México, utilizando cartografía digital del Programa Mexicano de Carbono y el modelo MLP del módulo LCM de TerrSet. La implementación de cinco submodelos específicos (expansión agrícola, pecuaria, urbana, revegetación y degradación) permitió capturar de manera precisa las dinámicas de cambio y mejorar la confiabilidad del modelo. Los resultados mostraron una tendencia clara hacia la expansión de las actividades antropogénicas, con un aumento significativo de las áreas de cultivos agrícolas, pastos artificiales y zonas urbanas, en detrimento de los bosques y bosques secundarios.

La validación del modelo confirmó su alta precisión, con un coeficiente de Kappa de 0.87, un error cuadrático medio (RMS) inferior a 0.16 y una habilidad predictiva superior a 0.90. Además, el análisis de las variables explicativas mediante el coeficiente de V de Cramer permitió identificar los factores más influyentes en cada submodelo, resaltando la importancia de considerar variables específicas relacionadas con las dinámicas de cambio.

Las proyecciones para los años 2030 y 2050 indican que las tendencias actuales continuarán, con implicaciones significativas para la biodiversidad, los servicios ecosistémicos y el bienestar de las comunidades locales. Estos hallazgos resaltan la necesidad de implementar políticas de gestión sostenible que equilibren el desarrollo socioeconómico con la conservación de los recursos naturales.

Este trabajo no solo contribuye a la comprensión de las dinámicas de uso del suelo en la subcuenca LS3P, sino que también ofrece una herramienta robusta para la planificación territorial y la toma de decisiones. Futuras investigaciones podrían mejorar la precisión del modelo mediante el uso de datos de mayor resolución espacial y temporal, así como la incorporación de variables adicionales, como factores socioeconómicos y climáticos.

En resumen, este estudio proporciona evidencia científica sobre las tendencias de cambio en la subcuenca LS3P y sienta las bases para acciones concretas que promuevan la sostenibilidad ambiental y el bienestar de las comunidades locales.