Tesis - Cabrera Dioses

UNIVERSIDAD NACIONAL DE TUMBES
FACULTAD DE CIENCIAS AGRARIAS
TITULO
Análisis multitemporal del comportamiento forestal en el

ecosistema manglar mediante percepción remota, período 1986 a
2021, Tumbes.
Para optar el título profesional al Ingeniero Forestal y Medio

Ambiente.
Presentado por:
Verina Valeria Cabrera Dioses
TUMBES – PERÚ
2022
i
TITULO

2021, Tumbes.
Tesis aprobada en forma y estilo por:
Dr. Puescas Chully Miguel Antonio (Presidente)
Dr. Caucha Morales Jhony (Secretario)
Msc. Ing. Silva Chávez José Antonio (Vocal)
TUMBES – PERÚ – 2022
ii
TITULO

2021, Tumbes.
Los suscritos declaramos que la tesis es original en su contenido y forma:
Ba. Cabrera Dioses Verina Valeria (Autor)
Dr. Gines Tafur Eber (Asesor)
TUMBES – PERÚ
2022
iii
iv
DEDICATORIA
La tesis se la dedico especialmente a mis padres

porque ellos nos brindan una gran herencia que es el
estudio para ser profesionales
v
AGRADECIMIENTO
Principalmente agradezco a Dios por darme la bendición, salud

y sabiduría de cada día para realizar y terminar este trabajo de
investigación y seguir cumpliendo cada meta que he propuesto.
Mi madre y hermano en apoyarme, estar presente en el

proceso de investigación por su compañía que me brindaron
diario y comprensión.
Mi agradecimiento infinito a Antoni Jiménez por estar siempre

conmigo; aconsejarme y su comprensión en todo momento que
me brindo de su conocimiento.
El Dr. Gines Tafur Eber, por haberme aceptado al

asesoramiento de mi tesis, brindando de su conocimiento y
dedicación.
vi
INDICE GENERAL
RESUMEN ...................................................................................................................................... 10
ABSTRACT .................................................................................................................................... 11
CAPITULO I ................................................................................................................................... 12
I. INTRODUCCIÓN ................................................................................................................... 12
CAPITULO II .................................................................................................................................. 14
II. REVISIÓN DE LITERATURA ............................................................................................. 14
2.1. Antecedentes.................................................................................................................... 14
2.2. Bases teóricas.................................................................................................................. 18
2.2.1. Análisis Multitemporal ............................................................................................... 18
2.2.2. Cambios de uso del suelo......................................................................................... 18
2.2.3. Clasificación supervisada ......................................................................................... 19
2.2.4. Ecosistema.................................................................................................................... 19
2.2.5. Ecosistema manglar ................................................................................................... 19
2.2.6. Máxima verosimilitud ................................................................................................. 20
2.2.7. Percepción remota o teledetección ........................................................................ 21
2.2.8. Imágenes satelitales ................................................................................................... 21
2.2.9. Firmas espectrales...................................................................................................... 22
2.2.10. Landsat....................................................................................................................... 23
2.2.11. Landsat 5 ................................................................................................................... 23
2.2.12. LANDSAT 7 ............................................................................................................... 24
Falla del corrector de línea de escaneo (SLC) Landsat 7 ................................................. 25
2.2.13. LANDSAT 8 ............................................................................................................... 26
2.2.14. QGIS ............................................................................................................................ 27
CAPITULO III ................................................................................................................................. 28
III. METODOLOGÍA................................................................................................................ 28
3.1. Tipo y diseño de la investigación ............................................................................... 28
3.2. Población, muestra y muestreo. ................................................................................. 28
3.3. Métodos, técnicas e instrumentos de recolección de la información (Datos).
28
3.3.1. Ubicación del área estudio. .............................................................................. 28
3.3.2. Materiales y Equipos. ......................................................................................... 30
3.3.3. Descripción metodológica:............................................................................... 31
3.3.3.1. Descargas de imágenes satelitales ............................................................ 31
3.3.3.2. Corrección atmosferica ................................................................................. 32
vii
3.3.3.3. Reproyección ................................................................................................... 32
3.3.3.4. Recortar ............................................................................................................. 33
3.3.3.5. Clasificación supervisada ............................................................................. 34
3.3.3.6. Filtrado ............................................................................................................... 37
3.3.3.7. Vectorización. ................................................................................................... 38
3.3.3.8. Categorización del cluster ............................................................................ 39
3.3.3.9. Eliminación de poligonos seleccionados ................................................. 40
3.3.3.10. Exactitud temática........................................................................................... 40
3.3.3.11. Matriz de confusión: ....................................................................................... 41
3.3.3.12. Índice de kappa:............................................................................................... 42
3.3.3.13. Verificación punto de muestreo. ................................................................. 43
3.3.3.14. Deforestación anual del bosque manglar ................................................. 43
3.3.3.15. Tasa anual de cambio (TAC) de la cobertura vegetal y el uso de suelo
44
CAPITULO IV ................................................................................................................................ 45
IV. RESULTADOS Y DISCUSIONES .................................................................................. 45
CAPITULO V.................................................................................................................................. 57
5. CONCLUSIONES.................................................................................................................. 57
CAPITULO VI ................................................................................................................................ 59
6. RECOMENDACIONES ........................................................................................................ 59
7. REFERENCIAS BIBLIOGRAFICAS .................................................................................. 60
8. ANEXOS ................................................................................................................................. 64
ÍNDICE DE FIGURAS
Figura 1: Firma espectral de la superficie terrestre. ............................................................... 22
Figura 2: Cronología de las misiones Landsat. ....................................................................... 23
Figura 3: Falla del corrector. ....................................................................................................... 25
Figura 4: ubicación espacial del ecosistema manglar en el departamento de Tumbes. .. 29
Figura 5: Interfaz de EARTH EXPLORER ............................................................................... 31
Figura 6: Interfaz de corrección atmosférica en SPC - Qgis 3.24 ........................................ 32
Figura 7: Interfaz de reproyección ............................................................................................. 33
Figura 8: Interfaz de cortar ráster por extensión en Qgis 3.24.............................................. 34
Figura 9: Imagen recortada al área de estudio........................................................................ 34
Figura 10: Interfaz para la creación de juego de bandas RGB ............................................. 35
Figura 11: Imagen RGB (6-5-3) - Imagen Landsat 8 .............................................................. 35
Figura 12: Selección de muestra de las diferentes clases en estudio ................................. 36
viii
Figura 13: Interfaz de la clasificación supervisada - máxima verosimilitud......................... 36
Figura 14: Imagen clasificada por diferentes tipos de estratos ............................................. 37
Figura 15: Interfaz de la herramienta filtrado. .......................................................................... 37
Figura 16: Resultado de la herramienta filtro ........................................................................... 38
Figura 17: Interfaz de la herramienta r.to.vect para vectorizar imagen ráster .................... 38
Figura 18: Definición de categoría de cada clase ................................................................... 39
Figura 19: Interfaz de la herramienta Eliminar los polígonos seleccionados ...................... 40
Figura 20: Obtención de firmas espectrales por cada tipo de estrato ................................. 46
Figura 21: Firma espectral de cada tipo de estrato en bandas de Landsat ........................ 46
Figura 22: Superficie (ha) del bosque manglar durante el periodo de estudio ................... 50
Figura 23: Tendencia del comportamiento forestal del manglar durante el periodo de
estudio ............................................................................................................................................. 51
ÍNDICE DE TABLAS
Tabla 1: Resolución temporal de las imágenes satelitales de LANDSAT y SENTINEL .... 22

Tabla 2: Bandas del sensor TM - LANDSAT 5 ......................................................................... 24
Tabla 3: Bandas del sensor ETM+ Landsat 7 ........................................................................... 25
Tabla 4: Distribución de las bandas en OLI y TIRS. ................................................................ 26
Tabla 5: Imágenes utilizadas en el proyecto de investigación. .............................................. 30
Tabla 6: Clases usadas en la clasificación supervisadas. ...................................................... 35
Tabla 7: Ejemplo de cuadro de superficie por clúster. ............................................................ 41
Tabla 8: Cuadro de Matriz de Confusión. .................................................................................. 42
Tabla 9: Valores de fuerza de concordancia - Kappa. ............................................................ 42
Tabla 10: Ficha para la recolección de datos en campo......................................................... 43
Tabla 11: Análisis de separabilidad Jeffries - Matusita ........................................................... 47
Tabla 12: Superficie y porcentaje de ocupación de las diferentes clases por año de
estudio. ............................................................................................................................................ 48
Tabla 13: Valores de precisión y kappa - exactitud temática. ................................................ 49
Tabla 14: Descripción de la deforestación y recuperación en el periodo de estudio. ........ 53
Tabla 15: Deforestación y recuperación en el periodo de estudio. ....................................... 54
Tabla 16: Deforestación promedio anual y tasa de deforestación en el periodo de estudio.
.......................................................................................................................................................... 56
ix
RESUMEN
El presente estudio tuvo como objetivo Analizar multitemporal mente el

comportamiento forestal en el ecosistema manglar mediante percepción remota,
en el período 1986 a 2021, se descargaron imágenes satelitales LANDSAT 5, 7 y
8 para los años de 1986, 1996, 2003, 2014 y 2020. En el software Qgis 3.24 se
realizó la clasificación supervisada utilizando el algoritmo de máxima verosimilitud,
disponible en la herramienta Semi-Automatic Classification, obteniendo 5 clases
como manglar, agua, suelo, agricultura y bosque seco, dicha cartografía fue
validada con imágenes históricas del Google Earth, finalmente la deforestación y
recuperación del ecosistema se logró determinar mediante los cambios de las
clases durante el periodo de estudio.
Los resultados muestran una alta separabilidad espectral de las clases en estudio,
validando la capacidad del algoritmo de máxima verosimilitud en detectar el
bosque de manglar. Durante el periodo de 1986 hasta 1996, se registró una
deforestación anual de 28.09 ha con una tasa de -0.55 %, donde se registra
798.09 ha deforestadas y 479.76 ha en proceso de recuperación, el periodo de
1996 hasta 2003 la deforestación anual es de 9.79 ha con una tasa de -0.20 %,
se registra una pérdida de 377.23 ha y 253.12 ha en recuperación; el periodo de
2003 hasta 2014 la deforestación anual es de -32.7 ha con una tasa de 0.65%,
donde registra una pérdida de 337.15 ha y una ganancia de 696.54 ha, muestra
una alta capacidad de recuperación del bosque; finalmente el periodo de 2014
hasta 2020, la deforestación anual es de 10.63 ha con una tasa de -0.20 %, donde
278.55 ha se registra como perdida y una ganancia de 214.8 ha, respectivamente.
Palabras claves: Percepción remota, Separabilidad espectral, Máxima

verosimilitud, Deforestación y Recuperación.
10
ABSTRACT
The objective of this study was to analyze multi-temporally the forest behavior in the
mangrove ecosystem through remote sensing, in the period 1986 to 2020, satellite
images LANDSAT 5, 7 and 8 were downloaded for the years 1986, 1996, 2003,
2014 and 2021. In the Qgis 3.24 software, the supervised classification was carried
out using the maximum likelihood algorithm, available in the Semi-Automatic
Classification tool, obtaining 5 classes such as mangrove, water, soil, agriculture
and dry forest, said cartography was validated with historical images of the Google
Earth, finally the deforestation and recovery of the ecosystem was determined
through the changes of the classes during the study period.
The results show a high spectral separability of the classes under study, validating
the ability of the maximum likelihood algorithm to detect the mangrove forest. During
the period from 1986 to 1996, an annual deforestation of 28.09 ha was recorded
with a rate of -0.55%, where 798.09 ha was recorded as deforested and 479.76 ha
in the process of recovery, the period from 1996 to 2003 the annual deforestation of
9.79 ha with a rate of -0.20%, a loss of 377.23 ha is recorded and 253.12 ha in
recovery; the period from 2003 to 2014 the annual deforestation is -32.7 ha with a
rate of 0.65%, where it registers a loss of 337.15 ha and a gain of 696.54 ha,
showing a high recovery capacity of the forest; Finally, the period from 2014 to 2020,
the annual deforestation is 10.63 ha with a rate of -0.20%, where 278.55 ha is
recorded as lost and a gain of 214.8 ha, respectively.
Keywords: Remote perception, Spectral separability, Maximum likelihood,

Deforestation and Recover
11
CAPITULO I
I. INTRODUCCIÓN
La ecorregión de manglares se extiende desde el golfo de Guayaquil a lo largo de

las costas desde latitud 3° 24’ en el departamento de Tumbes, aunque existe
rodales de mangle en la desembocadura del rio Piura a los 3° 32’, posee una
extensión de 300, 000 ha de las cuales 10 550 ha se encuentra en el Perú. Se
representa por 06 especies de mangle: Rhizopohora mangle, Rhizopohora
harrisonii, Rhizopohora racemosa, Laguncularia racemosa, Avicenia germinas y
Conocarpus erectus. (CDM-UNALM, 2006).
Los manglares son una fuente muy importante de recursos hidrobiológicos, siendo
la activada principal de la población local es la extracción de la concha negras
(Anarada tuberculosa), cangrejo de manglar (Ucides occidentalis) y una diversa
variedad de peces, moluscos y crustáceos. (Angulo & Fernando, 2014).
El ecosistema manglar ofrece diversos servicios ecosistémicos tal como la provisión

de alimentos en la extracción de recursos hidrobiológicos, provisión de materia
prima de origen biológicos, actividades recreativas y ecoturismo, regulación
morfosedimentaria, regulación de salinidad y de soporte de biodiversidad. (Flores,
Céspedes, & Martínez, 2013).
Los manglares del Perú han disminuido drásticamente en superficie debido a la

actividad de cultivo de langostino iniciado en 1978, razón que el estado peruano
mediante el decreto supremo N°018-88-AG, creará del Santuario Nacional
Manglares de Tumbes. (Angulo & Fernando, 2014).
12
Por ende, se ha realizado la evaluación de los cambios del ecosistema manglar
causada por la expansión acuícola y otras actividades antrópicas desde 1986, que
han conllevado a la disminución drástica del bosque manglar actualmente,
permitiendo obtener mediante técnicas de percepción remota y sistema de
información geográfica cartografía como insumo para la gestión de los recursos
naturales del ecosistema manglar trayendo beneficio a las poblaciones aledaña.
13
CAPITULO II
II. REVISIÓN DE LITERATURA
2.1. Antecedentes
Benavides Varela, Samper Villarreal, & Cortés, (2016), Analizaron la

cobertura en dos manglares, ubicados en bahía Culebra y playa Pacifico
Norte de Costa Rica. Utilizando imágenes satelitales para estudiar los
cambios del manglar durante el periodo de 1945 – 2010 que se basaron
para evaluar la extensión y variación actual de la cobertura de manglares
en los últimos años, para determinar cambios. El año 1970 (28,4 ha en
Iguanita y 4,8 ha en playa Panamá) pero aumento en los últimos años
(38,9 ha en iguanita y 12,0 ha en Panamá).
Carrasquilla Henao, (2011), Observó el cambio de la cobertura del

manglar perteneciente al sistema lagunar San Ignacio - México, por medio
de una clasificación supervisada y una verificación de campo con puntos
de control en tierra del año 1993 a 2009. Se escogieron 5 pesquerías
relacionadas con el manglar y decidieron una correlación entre la
cobertura con respecto a los volúmenes obtenidos de captura total por
año y su CPUE anual en conjunto y por separado. Se obtuvo un porcentaje
precisión de 90.67% y un índice de kappa de 0.86. La cobertura de
manglar no vario significativamente fluctuando entre 11,886 y 11,929
hectárea
14
Céspedes, (2014); Menciona que la actividad acuícola se desarrolla como
rublo de producción económica importante. En tumbes se desarrolla con
la presencia de empresas langostineras instaladas desde los años 70.
Mediante el uso de imágenes satelitales logro determinar los impactos
ocasionados por la actividad acuícola sobre los manglares de Tumbes.
Los resultados muestran tres momentos de la actividad langostinera, entre
los años de 1985 hasta 1991, hubo un aumento de las pozas langostineras
en la zona de amortiguamiento. 1991 – 2000, existe una cierta inactividad
sin aumento de infraestructura, finalmente para los años 2000 al 2010, se
aprecia una reactivación de las pozas y aumento notorio de nuevas áreas
langostineras.
Dwi & Erwin, (2022); En el presente estudio logro desarrollar un método

rápido y fácil de identificación de bosques de manglares basado en datos
de imágenes satelitales. El lugar de investigación fue los manglares en
Segara Anakan, Cilacap. La imagen utilizada fue Landsat 8 el 03 de
diciembre del 2017. Los métodos utilizados incluyen el método Optimum
Index Facto (OIF), para seleccionar los mejores canales y método de
clasificación supervisada mediante el complemento de clasificación
automática (SCP), contenido en el software de código abierto y
proporciona tres opciones de clasificación, la distancia mínima, mapeo de
máxima verosimilitud y Angulo Espectral. Los resultados muestran que la
combinación RGB (NIR+SWIR+RED), fue la mejor en la identificación de
bosques de manglares y el algoritmo de clasificación de máxima
verosimilitud fue el óptimo para distinguir manglares y clases tanto de
macro clases como niveles de clases. El resultado de cálculo del área es
de 4,541 ha.
Flores, (2017); Menciona que los principales impactos fisicos de eventos

del niño sobre el manglar puede resumirse en aumento de la temperatura
de las aguas costeras, ocurrencia de lluvias intensas con el conseguiente
crecimiento de los caudales, provocando cambios negativos en la
salinidad de las aguas, aumento de concentraciones de oxigeno disuelo e
incremento de la erosión en los rios, este ultimo factor provocaria la
15
colmatación de los esteros. Estos impactos provocarina cambios drásticos
en la comunidades vegetales y por ende los recursos hidrobiologico. Estos
cambios incluyen perdida de biomasa vegetales (manglares), reducción o
perdida de recursos hidrobiologicos .
IGP, (2014); Realizaron el análisis multitemporal del bosque manglar

durante los periodos de 1977, 1982, 1984, 1991, 1996, 2000, 2003, 2008
y 2014, donde identificaron manglar, matorral, suelo desnudo y cuerpos
de agua, se eligieron los años para visualizar el comportamiento de la
cubierta de manglar. Se obtuvo la superficie de bosque manglar, donde
en 1977 ocupa una extensión de 5,671.89 ha, en 1982 con 4,742.46 ha,
1983 con 4,479.21, 1984 con 3,829.50, 1991 con 3,531.06 ha, 1996 con
4135.5 ha, 1998 con 3512.88 ha, 2003 con 4441.50 ha, 2008 con 4395.15
ha y finalmente en el 2014 con 4,586.58 ha, respectivamente. En el
periodo de 1977 – 1991, la disminución del bosque manglar es de 37.74
%, por el cambio drástico como consecuencia de la expansión acuícola y
agrícola. El periodo de 1991 – 2000, se aprecia un aumento del manglar.
El periodo del 2000 – 2014, se presenta un ligero incremento de cobertura
manglar y un cambio en la desembocadura del rio Tumbes. El periodo de
1982 – 1984, se obtuvo una disminución del manglar probablemente
asociada al evento del niño extraordinario de 1982 y 1983.
ONERN, (1992); Logro cartografiar y cuantificar la superficie del manglar

de Tumbes, así como los cambios entre el periodo de 1982 – 1992. Con
el fin de obtener información precisa y necesaria para las acciones de
control y manejo de este ecosistema. El procedimiento implico el empleo
de imágenes satelitales HRV, SPOT y MSS LANDSAT, realizadas
digitalmente e interpretadas visualmente. Asimismo, incluyeron la
manipulación de los mapas producidos, vía las técnicas de SIG, con el fin
de obtener un mapa comparativo que refleja los cambios en la cobertura
y uso de la tierra. El estudio concluye que la superficie de 1992 es de
4,541 ha, se extendía en 5,964 ha en 1982. La pérdida de manglar del
periodo 1982 – 1992 es de 1791 ha, donde 1,294 ha corresponde a
perdida por actividad langostineras y 497 ha, por otras causas. Así mismo
16
en manglar ha incrementado su cobertura en 368 ha, resultado de la
colonización de áreas salinas y bancos de arena,
Pilco, (2021); En su investigación efectuó la evaluación y análisis

multitemporal de la cobertura y uso del suelo en un área de 157,458.19
hectáreas, en el estuario Golfo de Guayaquil, mediante SIG y
teledetección, utilizo el método de clasificación supervisada con imágenes
Landsat 5, Landsat 7 y Landsat 8, en las fechas de 1991, 2003, 2011 y
2019, las clasificaciones se validaron mediante matriz de confusión donde
el valor de kappa oscila entre 0.9 y 1.0. Se obtuvo la tasa anual de cambio,
donde existe una disminución del manglar entre los periodos de 1991 a
2003 con un valor de TAC de -0.22 %, de la cobertura del manglar anual,
entre 2003 – 2011, se calculó un TAC de -0.04 %, finalmente en el periodo
de 211 – 2019 se registró un incremento de 0.11 %, respectivamente.
Siciani, Rahmadi, & Islami, (2020); La presente investigación tuvo como

propósito mapear la distribución espacial de bosque manglar en la ciudad
de Langsa, analizar los cambios que ocurren e identificar los factores. Se
seleccionaron imágenes Landsat 5 y Landsat 8 en los periodos (1996,
2006, 2016, y 2018). En el estudio utilizaron la clasificación de máxima
verosimilitud, obteniendo una precisión del 62.5 % para el 2018. Los
cambios de los manglares durante los 3 periodos han disminuido, 419.04
ha en 1996 – 2006, aumento a 459.76 ha en 2006 – 2016 y disminuyo
330.57 ha en 2016-2018. Los cambios fueron causados por factores
antropogénicos como acumulación de basura, asentamientos, etc.
Vélez Alvarado & Álvarez Mozos, (2020), En su investigación utilizo una

serie temporal de imágenes satelitales SENTINEL- 1 para discriminar los
usos y cubiertas del suelo y para analizar los cambios ocurridos en el año
2015 a 2018, aplicando un algoritmo de clasificación Random Forests
(RF), cuyos parámetros fueron optimizados mediante una validación
cruzada con el conjunto de datos de entrenamiento (70% de la verdad
campo). El 30% restante se utilizó para validar la clasificación realizada,
logrando una fiabilidad global del 84%, un coeficiente Kappa de 0,8.
17
Vera Andrade E. A., (2018), Demostraron en su investigación mediante el
método de clasificación supervisada con imágenes satelitales utilizando
landsat TM 5, landsat ETM+ y landsat 8, de año 1991 a 2018 y finalizando
se aplicó el análisis matemático de la Tasa Anual de Cambio (TAC).
Obtuvieron un incremento anual de cobertura vegetal del manglar entre
los años 1991 a 2000, según TAC arrojo 1.9% aumento de cobertura
manglar anual, después el TAC para el análisis entre 2000 a 2006 arrojo
-2.4% perdida de cobertura vegetal anual, siendo este el valor más
elevado siendo perdida de manglar.
2.2. Bases teóricas
2.2.1. Análisis Multitemporal
Este procedimiento metodológico de interpretación visual, que

permite evaluar los cambios que sufren en la situación de la
cobertura de bosque o no bosque entre diferentes periodos,
deduciendo ganancia o pérdida del bosque manglar, como
consecuencia de un fenómeno natural o de origen antrópico y en
las imágenes satelitales identifica los cambios demostrados para
comparar con los datos obtenidos del satelite.
2.2.2. Cambios de uso del suelo
Definen a la cobertura como la cantidad y tipo de cubiertas

vegetales, cuerpos de aguas, materiales terrestres y las
infraestructuras humanas existentes sobre la superficie terrestre.
Las modificaciones del suelo pueden ocurrir de manera natural,
como un proceso de variación climática, erupciones volcánicas,
hundimientos o deslizamientos de tierras; o pueden ser de tipo
antrópico, entre los que destacan los factores demográficos,
sociales, económicos y políticos. Las consecuencias generales se
ven reflejadas en cambios de cobertura vegetal.
18
2.2.3. Clasificación supervisada
Permite clasificar el ráster de cada uno de los pixeles existente en

la imagen satelital, que define el área de entrenamiento.
(Monterroso Tobar, 2013).
Decidir el número de clúster que van a utilizar en la investigación,

se debe considerar que los objetos a diferenciar deben contar con
diferentes firmas espectrales para que sus valores sean tomados
como parámetros para seleccionar aquellos pixeles de la imagen
con mayor probabilidad de acercarse al valor definido.
(Hernández Camacho, 2018).
2.2.4. Ecosistema
Los ecosistemas son un “complejo dinámico de comunidades

vegetales, animales y de microorganismos y su medio no viviente
que interactúan como una unidad funcional” que forman parte del
patrimonio natural de la nación, y dado que proporcionan bienes
y servicios a la población se constituyen en un capital natural. Sin
embargo, los ecosistemas se han venido transformando de
manera acelerada por la acción humana, debido a factores
sociodemográficos, económicos y político institucionales.
(Ministerio del Ambiente, 2019).
2.2.5. Ecosistema manglar
Los bosques de mangle se encuentra distribuidos en las regiones

costeras en los tropicos, subtropicos excepcionalmente en
corrientes frias. Los manglares latiomericanos se halla en tropicos
ocidentales, sur oeste brasileño, costa ecuatoriana y extremo
norte del Perú. (Takahashi 2002, Inrena 2007, citado por Flores,
Céspedes, & Martínez, 2013).
19
Los manglares de tumbes se desarrollan en clima semi arido con
influencia del sistema ocianico, generalmente las precipitaciones
son de 100 mm anuales, la temperatura media oscila entre 22 y
27°C con una humedad relativa del 72 a 86%. (Inrena,2007,
citado por Flores, Céspedes & Martínez, 2013). El manglar es un
ecosistema hidromorficos, ubicados en estuarios de zonas
intermareables de agua salobres, su fisonomia corresponde a un
bosque denso y semidenso con una altura de 8 a 10 m, con
sotobosque de herbacias y arbustos desarrollandose en clima
subhumedo a humedo suelos profundos con gran cantidad de
materia organica. El ecosistema manglar esta constituido por
bosques de mangle, bosque seco asociado a los esteros y banco
de arena, los bordes de los esteros se establece una vegetacion
de arboles siempre verde (con raíces zancudas) “el mangle rojo”
(Rhizophora mangle) y “mangle colorado” (Rhizophora harrisoni),
(sin raices zancudas) “mangle jelí” o “mangle blanco”
(Laguncularia racemosa) y “mangle prieto” o “mangle salado”
(Avicenia germinans) y finalmente “mangle piña” (Conocarpus
erecta). (Ministerio del Ambiente, 2019).
2.2.6. Máxima verosimilitud
Este algoritmo máxima verosimilitud o máxima probabilidad es

ampliamente utilizada en la teledetección y es considerado como
el proceso de discriminación más eficiente en imágenes
satelitales, porque permite agrupar los pixeles que tienen mayor
probabilidad de pertenecer a una clase asignada. Donde
establece campo de entrenamiento característicos a cada
categoría de cobertura vegetal y uso de suelo. (Vera Andrade E.
A., 2018).
El clasificador evalúa la probabilidad de que un pixel dado, con
una repuesta espectral específica, pueda permanecer a una clase
y lo asigna a la clase con la mas alta probabilidad de membresía.
20
2.2.7. Percepción remota o teledetección
La teledetección permite obtener información a través de

imágenes satelitles de la superficie terrestre de senosres
instalados en plataformas espaciales, detecta la señal
electromagnetica que les llega a la tierra y a la atmosfera. Los
sensores convierten las señales electromagnetica en formato
analogico o digital. Los datos de los sensores proporciona
informacion para monitorear los parametros de interes.
(Cárdenas, 2013).
La palabra percepción proviene del latín “perceptĭo” que significa

capturar por completo las cosas; remota viene del latín “remōtus
o remōvere” que hace referencia. Por lo tanto, percepción remota
es capturar cosas por completo a una distancia de separación
entre el dispositivo que adquiere datos y los objetos. Dado que no
se tiene contacto directo con el objeto de interés, se debe confiar
en las señales propagadas por dichos dispositivos, las mismas
que pueden ser: ópticas, acústicas microondas, etc. (Andrade
Santamaría & Molina Bustamante, 2016)
2.2.8. Imágenes satelitales
Es una representación visual de los datos reflejados de la energía

que es emitida por los objetos que se encuentran en la superficie
de la tierra que captura un sensor montado en un satélite. Los
datos son enviados a una estación terrena en donde se procesan
y se convierte en imagen, dando conocimiento de las
características de la tierra en diferentes escalas espaciales.
(Salas, Castro, & Cuthbert, 2019).
21
Tabla 1: Resolución temporal de las imágenes satelitales de LANDSAT y
SENTINEL
Imágenes satelitales grautitas
Satélite Landsat Sentinel
Tiempo de revisita 16 dias 5 dias
2.2.9. Firmas espectrales
Los diferentes tipos de superficie como el agua, la tierra, reflejan

la radiación en diferentes canales. La radiación se refleja en
función a la longitud de onda se le denomina firma espectral de
la superficie. La vegetación presenta una reflexión
considerablemente elevada en el canal infrarrojo cercano y una
baja reflexión en el canal visible del rojo. La reflexión del suelo
desnudo aumenta ligeramente en las bandas visibles e
infrarrojas del espectro, existen diferencias entre los distintos
tipos de suelo, tierra seca y húmeda o las distintas
composiciones de minerales en la superficie. El agua solo refleja
luz visible y casi no refleja en la gama cercana del infrarrojo. (ver
Figura 1) (ESA, 2022).
Figura 1: Firma espectral de la superficie terrestre.

Fuente: (ESA, 2022)
22
Figura 1: Cronología de
las misiones
LANDSATFuente: ESA
2.2.10. Landsat
Satélites de observación de la Tierra desde 1972, una serie de

satélites Landsat han adquirido continuamente imágenes
espaciales de la superficie terrestre de la Tierra, que brindan
información esencial que sirven como recursos valiosos para la
investigación del uso de la tierra / cambio de la tierra. Landsat es
un esfuerzo conjunto del Servicio Geológico de EE. UU (USGS) y
la Administración Nacional de Aeronáutica y del Espacio (NASA).
(Servicio Geológico de EE.UU., 2016).
Figura 2: Cronología de las misiones Landsat.
Fuente: (Servicio Geológico de EE.UU., 2016)
2.2.11. Landsat 5
Lanzado el 1 de mazo de 1984, el que duro más tiempo

monitoreando la tierra hasta la fecha 5 de junio del año 2013,
que obtuvo dos sensores y distancia terráquea de muestreo
(GSD) (el escáner multiespectral (MSS) distancia de 60m y
mapeo temático (MT) distancia de 30m), 120m para la banda
térmica, al contar con un conjunto amplio de bandas espectrales
lo hace esencial para el analisis del espectro electromagnéteco
(USGS, 2022).
23
Tabla 2: Bandas del sensor TM - LANDSAT 5
TM
Bandas Bandas espectrales, µm GSD (m)

incluida la banda térmica
1 Visible (azul) 0.45 – 0,52 30
2 Visible (verde) 0,52 – 0,60 30
3 Visible (roja) 0,63 – 0,69 30
4 Infrarrojo cercano 0,76 – 0,90 30
5 Infrarrojo cercano 1,55 – 1,75 30
6 Infrarrojo térmico 10,40 – 12.50 120
7 Infrarrojo medio 2,08 – 2,35 30
Fuente: (USGS, 2022).
2.2.12. Landsat 7
Lanzado desde la Base de la Fuerza Aérea Vandenberg en

California el 15 de abril de 1999 en un cohete Delta II. El satélite
lleva el sensor Enhanced Thematic Mapper Plus (ETM+). Las
características principales, incluyen una banda pancromática
con una resolución espacial de 15 metros, imágenes de 8 bits
con 256 niveles de gris, un calibrador solar de apertura completa
integrado, una calibración radiométrica absoluta del 5% y un
canal infrarrojo térmico con una mejora de cuatro veces en la
resolución espacial sobre Thematic Mapper (TM). Desde junio
de 2003, el sensor ha adquirido y entregado datos con brechas
de datos causadas por la falla del corrector de línea de
exploración (SLC). (USGS, 2022).
24
Tabla 3: Bandas del sensor ETM+ Landsat 7
Longitud de onda Resolucion

Bandas
(micrómetros) (metros)
Banda 1 - Azul 0.45 – 0.52 30
Banda 2 - Verde 0.52 – 0.60 30
Landsat 7 Banda 3 - Rojo 0.63 – 0.69 30

Enhanced Banda 4 - Inflarrojo 0.77 – 0.90 30
Thematic cercano
Mapper
Banda 5 - Inflarrojo 1.55 – 1.75 30
Plus
de onda corta
(ETM+)
Banda 6 - Térmica 10.40 – 12.50 60
Banda 7 - Inflarrojo 2.08 – 2.35 30

medio
Banda 8 - 0.52 – 0.90 15
Pancromático
Fuente: (USGS, 2022)
Figura 2: Cronología de
las misiones
Falla del corrector de línea de escaneo (SLC) Landsat 7
LANDSATFuente: ESA
El 31 de mayo de 2003, el Scan Line Corrector (SLC), que

compensa el movimiento de avance del satélite, falló. Sin un SLC
en funcionamiento, la línea de visión del sensor traza un patrón
en zig-zag a lo largo de la trayectoria terrestre del satélite.
(USGS, 2022).
Figura 3: Falla del corrector.

25
2.2.13. LANDSAT 8
Lanzado desde la Base de la Fuerza Aérea Vandenberg en

California el 11 de febrero de 2013, construida por Orbital
Sciences Corporation. La pieza central del observatorio es
Operational Land Imager (OLI), que fue diseñado y construido
por Ball Aerospace and Technologies Corporación. elaborado
con dos sensores de la escoba de empuje, mayor rendimiento
de señal a ruido y cuantificación de 12 bits; resolución espacial
de 30m (infrarrojo cercano (NIR) e infrarroja de onda corta
(SWIR)), 15m para la banda pancromática y 100m a la banda
térmica. La banda también se incluye para indicar la presencia
de sombras del terreno, artefactos de datos y nubes. El Sensor
Térmico Infrarrojo (TIRS). (Servicio Geológico de EE.UU, 2013).
Tabla 4: Distribución de las bandas en OLI y TIRS.
Longitud de onda Resolucion

Bandas
(micrómetros) (metros)
Banda 1 – Aeresol 0.43 – 0 30
costero
Banda 2 – Azul 0.45 – 0.51 30

Landsat 8
Banda 3 – Verde 0.53 – 0.59 30
operational
land Banda 4 – Rojo 0.64 – 0.67 30
imager Banda 5 – Inflarrojo 0.85 – 0.88 30

(OLI) and cercano (NIR)
Thermal Banda 6 – SWIR 1 1.57 – 1.65 30
Infrared Banda 7 – SWIR 2 2.11 – 2.29 30
Sensor
Banda 8 – 0.50 – 0.68 15
(TIRS)
Pancromático
Banda 9 –Cirus 1.36 – 1.38 30
Banda 10 – Inflarrojo 10.60 – 11.19 100
térmico (TIRS) 1
Banda 11 – Inflarrojo 11.50 – 12.51 100
térmico (TIRS) 2
26
2.2.14. QGIS
Es una aplicación profesional de SIG (Sistema de Información

Geográfica) que esta construida de ser Software Libre y de
Código Abierto (FOSS).
Proporciona una creciente gama de capacidades a través de
sus funciones básicas y complementos. Puede visualizar,
gestionar, editar y analizar datos, y diseñar mapas imprimible
27
CAPITULO III
III. METODOLOGÍA
3.1. Tipo y diseño de la investigación
La investigación fue aplicada y descriptiva, los resultados y conocimientos

que se obtuvieron nos permite analizar el comportamiento forestal del
ecosistema manglar en la región de Tumbes desde 1986 al 2020, siendo
una herramienta para gestionar la recuperación de dicho ecosistema
3.2. Población, muestra y muestreo.
La población objetivo estuvo comprendida por el ecosistema manglar y lo

diferentes ecosistemas aledaños, la muestra representa los bosques de
mangle y el muestreo comprende los puntos de verificación en campo. Para
delimitar y detectar la firma espectral del manglar es necesario establecer
un área de estudio que incluya los diferentes ecosistemas aledaños.
3.3. Métodos, técnicas e instrumentos de recolección de la información

(Datos).
3.3.1. Ubicación del área estudio.
El área de estudio estuvo comprendida por el ecosistema manglar y

ecosistema aledaños en el departamento de Tumbes, como se
muestra en la Figura 4, del cual se ha realizado el análisis
multitemporal detectando su recuperación y deforestación en el
periodo 1986 a 2021.
28
29 de Tumbes.
Figura 4: ubicación espacial del ecosistema manglar en el departamento
3.3.2. Materiales y Equipos.
Imágenes Satelitales:
Tabla 5: Imágenes utilizadas en el proyecto de investigación.
Landsat Sensor Fecha Imagen

Mapeo 14 /03 /1986 LT05_L1TP_011062_19860314_20170218_01_T1.tar.gz
Landsat
Temático
5 31 /07/1996 LT05_L1TP_011062_19960731_20170103_01_T2.tar.gz
(MT)
Enhanced
Thematic
Landsat
Mapper 08/ 05/2003 LE07_L1TP_011062_20030508_20170125_01_T1.tar
7
Plus
(ETM+)
Operational 02/08/2014 LC08_L1TP_011062_20140802_20200911_02_T1
Landsat Land
8 Imager 02/08/2020 LC08_L1TP_011062_20200802_20200914_02_T1.tar
(OLI)
La selección de imágenes depende de la temporalidad y

disponibilidad de imágenes sin nubosidad, para ello es recomendable
seleccionar imágenes en época seca sin precipitaciones, debido a que
los bosques aledaños en época húmeda tienen la misma reflectancia
que el bosque manglar, generando confusiones. Aquellas imágenes
con nubosidad fueron descartadas por ende para el año 2021, toda la
colección de Landsat 8 presenta alto porcentaje de nubosidad en el
área de estudio, para ello se realizó el análisis para el año 2020.
Equipos
GPS marca garmin 64S
Celular : cámara de motorola 9g plus
Laptop Acer: DESKTOP-P6TQM7K
30
• Procesador : Intel (R) Core (TM) i5-8300H CPU@ 2.30GHz.
• RAM : 4.00 GB (3.85 GB usable)
• Versión : 21H2
Software:
QGIS 3.24 (Semic Automatic Pluglin)
Microsoft office Word, Excel, Power Point.
Google Earth
3.3.3. Descripción metodológica:
3.3.3.1. Descargas de imágenes satelitales
En el estudio se descargaron imágenes satelitales

LANDSAT 5, LANDSAT 7 y LANDSAT 8 del periodo de 1986
hasta 2020, para ello se procedió a realizar la descarga de
imágenes satelitales en la página web de Earth Explorer
https://earthexplorer.usgs.gov/, como indica en la Figura 5.
Figura 5: Interfaz de EARTH EXPLORER
31
3.3.3.2. Corrección atmosferica
Las imágenes satelitales tienden a tener falsos datos debido

a la presencia de gases como el vapor de agua, para reducir
esta interferencia se realizó la corrección atmosférica DOS1.
A través del programa QGIS 3.24 mediante la herramienta
SCP > preprocesamiento > LANDSAT > indicar
directorio del contenido > seleccionar MTL file > aplicar
la corrección DOS1 > RUN. Como muestra la Figura 6.
Figura 6: Interfaz de corrección atmosférica en SPC - Qgis 3.24
3.3.3.3. Reproyección
El ámbito del estudio corresponde al ecosistema manglares

de Tumbes por ende las imágenes satelitales se re
proyectará a UTM - DATUM WGS84 - HUSO 17S, en el
software se aplicaron en siguiente proceso: Ráster >
reproyecciones > combar (reproyectar) > ejecutar como
proceso de lotes > el signo (+) se añade las capas
dependiendo la cantidad de bandas que tiene el sensor
32
> SRC de origen > 17N > SRC objetivo > 17S >
Reproyectada >… > agregar las bandas en carpeta >
L8_2014_reproyec > L8_2014_reproyec_B2 > rellenar
con números > ejecutar. Eliminar capas (corregir) >
agregar las capas de (reproyectar). Como muestra en la
Figura 7.
Figura 7: Interfaz de reproyección
3.3.3.4. Recortar
Las imágenes que han sido reproyectadas se recortaron a la

extensión al área de estudio, se aplicaron el siguiente
proceso: Ráster > extracción > cortar ráster por
extensión > ejecutar como proceso por lotes > en signo
(+) se añade las capas dependiendo la cantidad de
bandas que tiene el sensor > extensión de corte >
calcular a partir de capa > área de estudio > recortado
(extensión) > agregar carpeta de L8_2014_recorte >
L8_2014_recor_B2 > rellenar con números > ejecutar. >
eliminarlas capas de (reproyectar) > agregar las capas
de (recorte). Como se muestra en las Figuras 8 y 9.
33
Figura 8: Interfaz de cortar ráster por extensión en Qgis 3.24
Figura 9: Imagen recortada al área de estudio.
3.3.3.5. Clasificación supervisada
Para clasificar la cobertura del ecosistema manglar se aplicó

el algoritmo de máxima verosimilitud (máximum likelihood)
que calcula la distribución de probabilidad para cada clúster,
es decir que permite definir sobre la imagen unas zonas o
áreas representativas de las distintas categorías que se
pretenden discriminar. Para clasificar las imágenes
satelitales, se necesita realizar una combinación de bandas
para este caso hemos utilizado el RGB (6-5-3). Añadir panel
SCP Dock > juego de bandas > wavelength quick
34
settings > crear ráster virtual de bandas > RUN >
L8_2020_RGB. Como se muestra en las Figuras 10 y 11.
Figura 10: Interfaz para la creación de juego de bandas RGB
Figura 11: Imagen RGB (6-5-3) - Imagen Landsat 8
Para determinar las clases se procedió a realizar la

discriminación mediante fotointerpretación de la imagen
RGB, las clases definidas son:
Tabla 6: Clases usadas en la clasificación supervisadas .
N° Clúster
1 Manglar
2 Agua
3 Suelo
4 Bosque seco
5 Agricultura
35
En la fotointerpretación de la imagen RGB y obtuvimos las
diferentes clases mediante el siguiente proceso: Training
input > crea un nuevo entrenamiento de entrada en
carpeta de RGB, donde obtenemos las diferentes firmas
espectrales de cada clase, como se muestra en la figura 12.
Figura 12: Selección de muestra de las diferentes clases en estudio
Una vez clasificada la imagen satelital como muestra la

Figura 13 y 14, mediante clúster procedemos a realizar lo
siguiente: SCP > Band processing > clasificación > usar
MC IID > Máxima Probabilidad >usar: (LCS) (Algoritmo)
> RUN.
Figura 13: Interfaz de la clasificación supervisada - máxima

verosimilitud
36
Figura 14: Imagen clasificada por diferentes tipos de estratos
3.3.3.6. Filtrado
Después de la clasificación se debe rehacer un filtro simple

de 10x10 para que los pixeles aislados sean absorbidos por
los vecinos cercanos para ello se deberá aplicar la opción:
Ráster > análisis > filtrado, como se muestra en las Figuras
15 y 16.
Figura 15: Interfaz de la herramienta filtrado.
37
Imagen sin filtro Imagen con filtro
Figura 16: Resultado de la herramienta filtro
3.3.3.7. Vectorización.
El ráster filtrado se vectorizo mediante la opción: proceso >

caja de herramientas > gras > ráster > r.to. vect, como se
presenta en la Figura 17.
Figura 17: Interfaz de la herramienta r.to.vect para vectorizar imagen

ráster
38
3.3.3.8. Categorización del cluster
Una vez obtenido el vector se realizó la caracterización

correspondiente según las clases de estudio: 1) Manglar, 2)
Suelo, 3)Agricultura, 4) Bosque Seco y 5) Agua, procedemos
a realizar lo siguiente: abrir tabla de atributos > activar
edición > añadir campo nuevo (clasi_2014) > tipo: texto
> seleccionar objetos espaciales usando una expresión
> campos y valores > value > selección de la clase > abrir
calculadora de campo > seleccionar actualizar campo
existente > elegir clasi_año > colocar nombre según
clasificación numérica > guardar edición, como se
presenta en la Figura 18.
Figura 18: Definición de categoría de cada clase
39
3.3.3.9. Eliminación de poligonos seleccionados
Este algoritmo combina polígonos seleccionados con

polígonos adyacentes grandes más cercano, se
seleccionaron polígonos menores o igual a 1 ha, en la Figura
19 se presenta el interfaz de la herramienta eliminar
polígonos seleccionados.
Figura 19: Interfaz de la herramienta Eliminar los polígonos

seleccionados
3.3.3.10. Exactitud temática
Para determinar la confiabilidad de la clasificación supervisada,

se dispersó puntos aleatorios siguiendo los criterios propuestos
por, el Protocolo Evaluación de la exactitud temática del Mapa
de Deforestación (Ministerio del Ambiente , 2014):
Rango de confianza de 95%.

Punto de muestreo aleatoriamente distribuido.
𝑆 2 ∗𝑃∗𝑄
𝑁= 𝐸2
40
S: constante que depende el nivel de confianza que
asignemos.
P: indica el porcentaje de aciertos estimados, establecido
por el área de la clase.
Q: el porcentaje de errores estimados.
E: el nivel permitido de error.
La cantidad de puntos se calculará mediante los clústeres

establecido con la finalidad de obtener puntos distribuidos en
forma heterogénea.
Tabla 7: Ejemplo de cuadro de superficie por clúster.
Clúster Superficie (ha) Porcentaje (%)

Manglar A A%
Bosque seco B B%
Agua C C%
Langostera D D%
agricultura E E%
3.3.3.11. Matriz de confusión:
Las filas se determinaron generalmente los clústeres de

referencia y las columnas del clúster del mapa clasificado.
La diagonal de la matriz expresa el número de sitios de
comprobación, por lo cual tiene concordancia entre el mapa
y los datos de referencia, mientras los marginales indican
errores de asignación. (Ministerio del Ambiente , 2014).
(Tabla 8).
41
Tabla 8: Cuadro de Matriz de Confusión.
Referencia de resultado
Exactitud
Bosque Error de
clases Manglar Agua Agricultura Suelo Total de
seco comisión
usuario
Manglar
Resultados de clasificación
Agua
Bosque
seco
Agricultura
Suelo
Total
Exactitud de
usuario
Error de
comisión
3.3.3.12. Índice de kappa:
Es la proporción de coincidencias obtenidas de un resultado

cartográfico sustrayendo aquellos generados de forma
fortuita.
Donde:
(𝑃𝑜 − 𝑃𝑒)
𝐾=
(1 − 𝑃𝑒)
Po: Número de aciertos.

Pe: Calculo generado en la matriz de confusión.
Tabla 9: Valores de fuerza de concordancia - Kappa.
Valor de kappa (k) Fuerza de concordancia

< 0,20 Pobre
0,21 – 0,40 Débil
0,41 – 0,60 Moderada
0,61 – 0,80 Buena
0,81 – 1,00 Muy Buena
42
3.3.3.13. Verificación punto de muestreo.
La verificación de puntos de muestreo distribuidos

aleatoriamente se realizó mediante el RGB (6-5-3) de las
imágenes satelitales LANDSAT TM y OLI así mismo la
verificación de los resultados más actuales se realizó
mediante mapas de visualización Google Earth y aquellos
puntos en los cuales tengamos problemas para clasificar se
realizarán la verificación en campo con la ficha de la tabla
10. Como se muestra en los anexos.
Tabla 10: Ficha para la recolección de datos en campo.
Ficha de recolección de datos campo

Código: Clúster: Numero:
Coordenadas: Ubicación: Especialista:

X:
Y:
Fecha: Hora:
Descripción
Registro fotográfico
3.3.3.14. Deforestación anual del bosque manglar

Calculamos la deforestación anual desde 1986 al 2020 con
la fórmula propuesta por (SENPLADES, 2013, citado por
(Rendón Ángel, 2020).
𝐴1 − 𝐴2
𝑅=
𝑡2 − 𝑡1
43
R: Deforestación total anual promedio para un periodo
determinado.
A1: Área de bosque inicial (ha)
A2: Área de bosque final (ha)
t1: Año inicial
t2: año final
3.3.3.15. Tasa anual de cambio (TAC) de la cobertura vegetal y el

uso de suelo
La tasa anual de cambio de la cobertura vegetal y uso de suelo

se obtuvo mediante la fórmula propuesta por (FAO, citado por
(Vera Andrade E. A., 2018)).
1
𝑆2 𝑛
𝑇𝐴𝐶 = [ ] − 1
𝑆1
TAC: 𝑡𝑎𝑠𝑎 𝑎𝑛𝑢𝑎𝑙 𝑑𝑒 𝑐𝑎𝑚𝑏𝑖𝑜

𝑆2 : 𝑠𝑢𝑝𝑒𝑟𝑓𝑖𝑐𝑖𝑒 𝑑𝑒 𝑓𝑒𝑐ℎ𝑎 2 𝑜 𝑓𝑒𝑐ℎ𝑎 𝑓𝑖𝑛𝑎𝑙
𝑆1 : 𝑠𝑢𝑝𝑒𝑟𝑓𝑖𝑐𝑖𝑒 𝑑𝑒 𝑓𝑒𝑐ℎ𝑎 1 𝑜 𝑓𝑒𝑐ℎ𝑎 𝑏𝑎𝑠𝑒
n ∶ 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎ñ𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑙𝑎𝑠 𝑓𝑒𝑐ℎ𝑎𝑠
El resultado se expresa en porcentaje
44
CAPITULO IV
IV. RESULTADOS Y DISCUSIONES
4.1. Aplicación del algoritmo de máxima verosimilitud en el análisis

multitemporal del ecosistema manglar.
Se obtuvo las firmas espectrales de reflectividad promedio de cada clase

de cobertura identificada en la clasificación supervisada mediante el
algoritmo de máxima verosimilitud en la imagen Landsat 8, como se
aprecia en la Figura 20 y 21. El mayor porcentaje de reflectancia se
encontró en el NIR - infrarrojo cercano (Banda 5), en la cobertura de
“Manglar” y “Agricultura” con valores de 26.91 % y 39.16 %
respectivamente, siendo la banda de mayor contrástate para identificar
bosques de manglares, así mismo en la cobertura de “Bosque Seco” y
“Suelo desnudo “tiene una reflectancia alta en la banda del NIR con
valores de 17.43% y 20.69 %. La banda SWIR – infrarrojo de onda corta
(Banda 6), se encuentra en mayor reflectancia en la cobertura de “Suelo
desnudo” y “Bosque seco” con valores de 30 % y 20 %, siendo la banda
de mayor contraste para determinar áreas áridas sin cobertura vegetal.
Por otra parte, los cuerpos de agua presentan mayores porcentajes en
reflectancia en la banda verde (Banda 3) y azul (Banda 2), con valores de
4.42 % y 3.44 %, siendo la banda de mayor contraste para delimitar
cuerpos de agua. Esto concuerda con lo definido por la Agencia Espacial
Europea, donde la cobertura verde su mayor reflexión se muestra en la
gama cercana al infrarrojo, debido a que las plantas no le sirven en sus
procesos fisiológicos, evitando innecesariamente calentarse y perder
jugos a través de la evaporación. En el caso del suelo desnudo aumenta
ligeramente de la gama visible a la infrarroja y finalmente el agua solo se
muestra en la gama visible. (ESA, 2022).
45
Figura 20: Obtención de firmas espectrales por cada tipo de estrato
Figura 21: Firma espectral de cada tipo de estrato en bandas de Landsat
46
El análisis de separabilidad de Jeffries-Matusita, de los estratos de
‘Agua’, ‘Bosque seco’, ‘Suelo desnudo’, ‘Agricultura’ y ‘Manglar’, muestra
un valor muy cercano a 2, como se aprecia en la Tabla 11, según Cogedo,
(2016); La distancia espectral de Jeffries-Matusita es asintótica a 2
cuando las firmas son completamente diferentes, y tienden a 0 cuando las
firmas son idénticas, lo cual muestra una buena separabilidad espectral
entre las coberturas en estudio.
Tabla 11: Análisis de separabilidad Jeffries - Matusita
Bosque Suelo
Cobertura Agua Agricultura Manglar
seco desnudo
Agua
Bosque seco 2
Suelo
2 2
desnudo
Agricultura 2 2 2
Manglar 2 1.99 2 1.99
La clasificación supervisada por máxima verosimilitud presenta buenos

resultados, donde se calcularon la extensión y porcentaje de cada clase
de la cobertura terrestre, en el área de estudio los cuerpos de agua donde
incluye el mar, pozas langostineras y pozas de arroz inundadas en los
periodos de 1986, 1996, 2003, 2014 y 2020 con porcentajes de 49.88%,
46.08%, 55.83%, 53.23% y 47.60% respectivamente. La cobertura de los
bosques de mangle tiene un porcentaje en extensión de 27.04%, 25.59%,
25,23%, 27.09% y 26.76%, el suelo desnudo el porcentaje en extensión
es de 12.93%, 16.59%, 8.14%, 8,59% y 14.47%. La clase de bosque seco
el porcentaje en extensión es de 8.23 %, 9.55%, 8.88%, 10.41% y 8.82%,
finalmente la agricultura los valores porcentuales de su extensión es de
1.92%, 2.20%, 1.92%, 0.67% y 2.35%, como muestra en la Tabla 12.
47
Tabla 12: Superficie y porcentaje de ocupación de las diferentes clases por año de estudio.
1986 1996 2003 2014 2020
Categoría
Porcentaje Porcentaje Porcentaje Porcentaje Porcentaje
Área (ha) Área (ha) Área (ha) Área (ha) Área (ha)
(%) (%) (%) (%) (%)
Agua 9,629.90 49.88% 8,895.93 46.08% 10,779.09 55.83% 10,277.05 53.23% 9,189.24 47.60%
Suelo 2,496.50 12.93% 3,203.56 16.59% 1,570.70 8.14% 1,658.67 8.59% 2,794.21 14.47%
Agricultura 370.90 1.92% 424.20 2.20% 370.98 1.92% 130.26 0.67% 453.13 2.35%
Manglar 5,220.89 27.04% 4,939.97 25.59% 4,871.43 25.23% 5,231.16 27.09% 5,167.41 26.76%
Bosque seco 1,588.62 8.23% 1,843.15 9.55% 1,714.61 8.88% 2,009.67 10.41% 1,702.82 8.82%
Total 19,306.81 100.00% 19,306.81 100.00% 19,306.81 100.00% 19,306.81 100.00% 19,306.81 100.00%
48
La evaluación de calidad de la clasificación supervisada mediante la
aplicación del algoritmo de máxima verosimilitud, como se muestra en la
Tabla 13, para el año 1986 se obtuvo una exactitud global del 90.21 % y
valor de Kappa es 0.86, para el año 1996 se obtuvo una exactitud global de
76.62 % y valor de Kappa es 0.72, el año 2003 la exactitud global es de
93.34 % y valor de Kappa de 0.91, el año 2014 un valor de la exactitud
global de 95.60 % y Kappa de 0.94 y finalmente para el año 2020 se obtuvo
un valor de exactitud global del 98.71 % y valor de kappa de 0.98; indicando
una fuerza de concordancia entre buena y muy buena. Los resultados
obtenidos concuerdan con la investigación de (Pilco, 2021), donde
realizaron un análisis multitemporal de los manglares en Golfo de
Guayaquil utilizando el algoritmo de máxima verosimilitud donde en sus
resultados de exactitud temática el valor de kappa oscila entre 0.9 a 1.00,
respectivamente. Así mismo los resultados (Siciani, Rahmadi, & Islami,
2020); obtuvo en su estudio realizado en los manglares de la ciudad de
Langsa una precisión del 62.5 %, utilizando el algoritmo de máxima
verosimilitud, esto demuestra los buenos resultados en la obtención de la
cartografía del manglar, esto lo resalta Dwi & Erwin, (2022), donde
menciona que la clasificación de máxima verosimilitud es el más óptimo
para distinguir manglares, clases y macro clases como niveles de clases.
Tabla 13: Valores de precisión y kappa - exactitud temática.
Año % Precisión Kappa

1986 90.21 % 0.86
1996 76.62% 0.72
2003 93.34 % 0.91
2014 95.60% 0.94
2020 98.71 % 0.98
49
4.2. Análisis de cambios de la cobertura forestal del ecosistema manglar.
Los bosques de manglar durante el tiempo han presentado diferentes

cambios tanto de deforestación y recuperación del ecosistema. Por ende,
Mediante la detección remota utilizando imágenes de la colección LANDSAT
5, 7 y 8, estratificamos los bosques de manglar en los periodos de 1986,
1996, 2003, 2014 y 2020, obteniendo una extensión de 5,220.89 ha;
4,939.97 ha; 4,871.43, 5,231.16 ha y 5,167.41 ha, respectivamente, como
se muestra en la Figura 22.
BOSQUE DE MANGLAR - DEPRTAMENTO DE TUMBES
5,300.00
5,200.00
Superficie (ha)
5,100.00
5,000.00
4,900.00
4,800.00
4,700.00
4,600.00
1986 1996 2003 2014 2020
Superficie (ha) 5,220.89 4,939.97 4,871.43 5,231.16 5,167.41
Figura 22: Superficie (ha) del bosque manglar durante el periodo de estudio
Según (Ministerio de agricultura, 1996), menciona que el ecosistema

manglar ha perdido grandes extensiones por ocupación de langostineras
durante el periodo de 1982 hasta 1989, posteriormente dichas actividades
han reducido y el ecosistema ha venido recuperándose. En la Figura 23, se
puede apreciar que la tendencia del bosque manglar es de incremento,
durante las últimas dos décadas.
50
5,250.00
5,200.00
5,150.00
Superficie (ha) 5,100.00
5,050.00
5,000.00
Superficie (ha)
4,950.00
Lineal (Superficie
4,900.00 (ha))
4,850.00
1980 1985 1990 1995 2000 2005 2010 2015 2020 2025
Periodo de estudio
Figura 23: Tendencia del comportamiento forestal del manglar durante el periodo
de estudio
La deforestación en el ecosistema manglar ha ocurrido principalmente

por la expansión acuícola, observándose mayor incidencia entre el
periodo de estudio de 1986 hasta 1996, con una extensión de 798.09 ha,
los bancos de arena y fangos que se encuentran en la desembocadura
de rio Tumbes se ha repoblado por bosque de mangle con una extensión
de 479.76 ha. Dichos resultados se relacionan con el estudio de
(ONERN, 1992); que se realizó en el periodo de 1982 – 1992, donde
logro determinar una deforestación de 1,791 ha y una recuperación 368
ha, respectivamente. En el periodo 1996 – 2003 , la deforestación se
presenta principalmente en la desembocadura del rio Tumbes y
expansión de la acuicultura con una superficie de 377.23 ha, dicha
reducción se relaciona con los efectos del fenómeno del niño entre 1997
- 1998, las intensa lluvias provoca la erosión del suelo en las partes altas
de la cuenca provocando la colmatación de la desembocadura del rio,
así como lo menciona (Flores, 2017) que los principales impactos fisicos
del evento del niño es el aumento de la temperatura de las aguas
costeras, incremento del caudal del rio debido a las intensas lluvias,
provocando cambios negativos en la salinidad de las aguas, aumento de
51
las concentraciones de oxigeno disuelto e incremento de la erosión, este
ultimo provoca la colmatación de los esteros, estos impactos influyen en
los cambios drasticos de las comunidades vegetales. La recuperación se
presenta principalmente en la desembocadura del rio, donde arenas y
fangos son repoblados por el mangle y en el sector el Bendito con una
extensión de 253.12 ha, el periodo del 2003 – 2014, la deforestación se
presenta por ampliación acuícola de las empresas langostineras ya
establecidas con una superficie de 337.15 ha, la recuperación se
presenta en la mayor parte en la desembocadura del rio Tumbes, isla de
los pájaros y cerca del sector campo tablazo con una superficie de
696.54 ha, los resultados de recuperación se relaciona con la
investigación de (IGP, 2014) donde describe que el periodo 2000 - 2014
se observa, un ligero incremento de cobertura manglar y un cambio
notable en la desembocadura del río Tumbes y la zona central, y
finalmente el periodo 2014 - 2020 la deforestación se presenta
principalmente por ampliación acuícola con una extensión de 278.55 ha
y la recuperación se presenta en la desembocadura el rio Tumbes y
canales de desecho de aguas residuales agrícolas con una extensión de
214.8 ha, como se muestra en la Tabla 14.
52
Tabla 14: Descripción de la deforestación y recuperación en el periodo de estudio.
Perdida Ganancia Balance
Periodo Descripció
(ha) (ha) (ha)
En el año 1986, es la base para el análisis de los cambios en el

1986 ecosistema manglar, obteniendo una superficie forestal de 5218. 35 0 0 0
ha, aproximadamente.
La deforestación se detecta en: la margen derecha del rio Tumbes

cerca a la desembocadura, donde áreas boscosas son convertidos
en arenas y fangos, en el estero Rio Chico por motivo de ampliación
de langostineras, en el estero la Matanza cerca del Puesto Policial
1986 – Grau; en el brazo de la margen izquierda del rio Tumbes, se observa - 798.09 + 479.76 - 318.33
1996
cerca de campo mar norte por motivo de ampliación de langostineras.
La recuperación forestal se observa: en la margen izquierda del rio
Tumbes (delta) anteriormente eran bancos de arena.
La deforestación se aprecia en la margen derecha del rio Tumbes

por extensión acuícola por empresas langostineras y colmatación en -377.23 +253.12 -124.11
1996 - la desembocadura del rio. La recuperación detecta en la margen
2003 derecha del rio Tumbes, en el borde de los canales de regadío y
cerca de la desembocadura del rio Tumbes.
La deforestación en: la margen derecha del rio Tumbes cerca del

estero la Stanina donde áreas boscosas son convertidos en arenas
y fangos posiblemente por efectos del fenómeno del niño; en el brazo
de la margen izquierda del rio deforestadas por ampliación de
langostneras. La recuperación forestal se observa: en la
desembocadura del margen derecha del rio, donde arenas y fangos
2003 - son convertidos en áreas boscosas, en la isla de los Pájaros la
-337.15 +696.54 362.39
2014 vegetación rala aumento su densidad boscosa, cerca de las
langostineras campo el tablazo (campo sol) la vegetación rala
aumento su densidad boscosa, cerca de la playa el Bendito se
muestra posas de langostineras abandonas que se han restaurado
naturalmente y finalmente en el interior del Santuario Nacional
Manglares de Tumbes mediante acciones de reforestación.
La deforestación se detecta en zonas cercanas al santuario

nacional los manglares de tumbes; en la margen izquierda del rio
2014 - Tumbes por ampliación acuícola. La recuperación se presenta en -278.55 +214.8 -63.75
2020
la desembocadura del rio Tumbes, y en los canales de desecho de
aguas residuales de las langostineras.
Los cambios más importantes en el ecosistema manglar, durante el periodo de

estudio se puede observar en el software Google Earth Pro, ver Tabla 15.
53
Tabla 15: Deforestación y recuperación en el periodo de estudio.
Deforestación
Vista de bosque manglar 1985 Vista de manglar deforestado 2003
Vista de bosque manglar ralo 2007 Vista de manglar deforestado 2014
Vista de bosque manglar 2014 Vista de manglar deforestado 2020

Recuperación forestal
54
Vista de área de arena y fangos - 1986 Vista de manglar recuperado - 2007
Mangle ralo y agua - 2005 Vista de manglar joven - 2014
Vista de bosque mangle ralo - 2014 Bosque mangle denso – recuperación

2020
4.3. Determinación mediante análisis multitemporal la deforestación del

ecosistema manglar.
En el periodo de 1986 a 1996 la deforestación promedio anual es de

28.09 ha con una tasa anual de -0.55%, esto indica que durante este
periodo de estudio la deforestación fue intensa debido a la ocupación de
la actividad acuícola, relacionándose con el estudio de Céspedes, 2014,
menciona que durante los años de 1985 – 1991, hubo un aumento de
las pozas langostineras en las zonas de amortiguamiento (ZA) del
Santuario Nacional Manglares de Tumbes , mientras que fuera de la ZA
hacia el sur las pozas se encuentran en deshuso. En el periodo de 1996
a 2003 la deforestación promedio anual es de 9.79 ha con una tasa de
deforestación de -0.20% , relacionándose con los efectos del fenómeno
55
del niño, según (IGP, 2014), en el estudio de análisis de territorio de la
cobertura manglar, menciona que durante el periodo de 1996 al 1998 la
disminución de la cobertura de manglar se relaciona por consecuencia
de la actividad acuícola y se podría asociar con los efectos del fenómeno
del niño, durante el periodo del 2003 – 2014 la deforestación promedio
anual es de -32.7 ha y una tasa de deforestación de 0.65 %, dichos
valores indican que durante el periodo de estudio la recuperación del
bosque fue mayor a la deforestación, las actividades de reforestación en
este periodo influye en la recuperación del ecosistema, tal como el
proyecto liderado por el Gobierno Regional de Tumbes en el 2010
denominado “Reforestación de mangle en el ecosistema manglar”,
donde lograron reforestar 300 ha, descrito por SERFOR (Servicio
Nacional Forestal y de Fauna Silvestre);Bioversity - Perú; ICRAF, 2018.
En el periodo de 2014 a 2020 la deforestación promedio anual es de
10.63 ha con una tasa anual de -0.20%, esto indica durante el periodo
de estudio la intensidad de la deforestación ha disminuido
significativamente. Finalmente, el periodo de 1986 a 2020 la
deforestación promedio anual es de 1.57 ha con una tasa anual -0.03%,
esto indica que durante el periodo de estudio la deforestación del
manglar no es significativa debido a la capacidad de recuperación del
bosque, en comparación al análisis de la deforestación del periodo de
1986 a 1996.
Tabla 16: Deforestación promedio anual y tasa de deforestación en el periodo de

estudio.
Superficie Deforestación Anual Tasa de

Años Periodo
(ha) (ha) Deforestación (%)
1986 5220.89 1986 - 1996 28.09 -0.55%
1996 4939.97 1996 - 2003 9.79 -0.20%
2003 4871.43 2003 - 2014 -32.7 0.65%
2014 5231.16 2014 - 2020 10.63 -0.20%
2020 5167.41 1986 - 2020 1.57 -0.03%
56
CAPITULO V
5. CONCLUSIONES
El algoritmo de máxima verosimilitud ha permitido determinar la firma espectral

de los estratos de manglar, agua, suelo, bosque seco y agricultura, obteniendo
una alta separabilidad espectral entre cada categoría, Con estos indicadores
logramos obtener resultados óptimos en la exactitud temática de la cartografía
en los años de estudio de 1986, 1996, 2003, 2014 y 2020.
Se concluye que durante el periodo de 1986 a 1996, fue el periodo de mayor

deforestación por la ocupación acuícola con una extensión de 798.09 ha y una
recuperación en fangos y arenas de 479.76 ha, durante el periodo de 1996 a
2003 la deforestación registra una extensión de 377.23 ha y una recuperación
de 253.12 ha en zonas de arenas y fangos, el periodo de 2003 a 2014, la
deforestación es de 337.15 ha y una recuperación de 696.54 ha, finalmente,
en el periodo de 2014 al 2020 la deforestación es de 278.55 ha por ampliación
acuícola y la recuperación se centra en la desembocadura del rio Tumbes con
una extensión de 214 ha. Esto indica que durante el periodo de estudio el
ecosistema manglar ha tenido la capacidad de recuperarse y ocupar áreas de
arenas y fangos, siendo un ecosistema resiliente a los impactos generados por
la ocupación acuícola.
La deforestación promedio anual en el periodo de 1986 hasta 1996 es de 28.09

ha y una tasa de deforestación de -0.55 % , en el periodo de 1996 hasta 2003
la deforestación promedio anual es de 9.79 ha y una tasa de deforestación de
-0.20 %, donde la expansión acuícola es la principal causa de la deforestación,
el periodo de 2003 al 2014 la tasa de deforestación es de -32.7 ha, el valor
negativo indica que la capacidad de recuperación del bosque es mayor a la
deforestación con una tasa de deforestación de 0.65 %, la deforestación
promedio anual en el periodo de 2014 hasta 2020, ha reducido
considerablemente con un valor de 10.63 ha y una tasa de deforestación de -
57
0.20 %. En el periodo de 1986 hasta 2020 la deforestación promedio anual es
de 1.57 ha y una tasa de deforestación de -0.03%, concluyendo que la
deforestación por la actividad acuícola no es muy significativa, la reducción de
la tasa de la deforestación actualmente es debido a los compromisos del estado
y sociedad civil en la protección y conservación del ecosistema manglar.
58
CAPITULO VI
6. RECOMENDACIONES
Se recomienda utilizar el algoritmo de máxima verosimilitud debido a su

capacidad en la separabilidad espectral, logrando detectar el ecosistema
manglar aplicando la herramienta Semic Automatic Pluglin.
Se recomienda realizar lineamientos y/o políticas que establezcan medidas de

restauración paisajística en el ecosistema manglar, incentivando a los
gobiernos locales a invertir en le recuperación del ecosistema con la
participación de la población local y sociedad civil.
Incentivar a los gobiernos locales en la protección y/o conservación de

ecosistema manglar mediante modelos de gestión que establece el Sistema
Nacional de Áreas Naturales Protegidas por el Estado (SINANPE), en la
creación de área de conservación ambiental y área de conservación regional e
implementando un sistema de control y vigilancia, reduciendo la afectación en
el ecosistema.
59
7. REFERENCIAS BIBLIOGRAFICAS
Andrade Santamaría, A. A., & Molina Bustamante, C. S. (2016). Estudio del estado
del arte de las tecnologías de percepción remota en el Ecuador. Quito :
Universidad de las Américas.
Angulo, & Fernando. (2014). Los Manglares del Perú. Xilema, 27(1), 5-9.
Berlang Roles, C., & Ruiz Luna, A. (Junio de 2007). Análisis de las tendencias de
cambio del bosque de mangle del sistema lagunar Teacapán - Agua Brava,
México. Una aproximación con el uso de imágenes de satélite landsat .
Universidad y Ciencia, 29-46. Obtenido de
https://www.redalyc.org/pdf/154/15423104.pdf
Borrás, J., Delegido, J., Pezzola, M., Morassi, G., & Camps-Valls, G. (2017).
Clasificación de usos del suelo a partir de imagenes Sentinel 2. Revista de
Teledetección, 48, 55-56. doi:https://doi.org/10.4995/raet.2017.7133
Cárdenas, P. S. (2013). La problemática de los incendios forestales y bases para

la teledetección en el Perú. Apuntes de Ciencia & Sociedad, 3(2).
Carrasquilla Henao, M. (2011). Análisis de la cobertura del Bosque de Manglar y su

correlación con la pesca ribereña entre 1993 y 2009 en el sistema lagunar
San Ignacio-Navachiste-Macapule, Sinaloa, México. Obtenido de
http://www.repositoriodigital.ipn.mx/handle/123456789/15777
CDM-UNALM. (2006). Análisis de Recubrimirnto Ecológico del Sistema Nacional

de Áreas Naturales Protegidas por el Estado. Lima: CDM-UNALM/TNC.
Céspedes, L. (2014). mágenes satelitales para medir la incidencia de la actividad

acuícola de langostinos en el departamento de Tumbes. Lima: Universidad
Nacional Agraria La Molina, UNALM.
Cogedo, L. (2016). Semi - Automatic Classification Pluglin Documentation.

doi:http://dx.doi.org/10.13140/RG.2.2.29474.02242/1
60
Dwi, A., & Erwin, R. (2022). Development of A Simple Method for Detecting
Mangrove Using Free Open Source Software. Jurnal Segara, 16(2), 71 - 82.
doi:ttp://dx.doi.org/10.15578/segara.v16i2.7512
ESA. (11 de mayo de 2022). Eduspace. Obtenido de Firmas espectrales:

https://www.esa.int/SPECIALS/Eduspace_ES/SEM6DYD3GXF_0.html
Flores, D. (2017). Impactos de El Niño en el ecosistema del manglar de Tumbes -

Perú (Vol. 4). Instituo Geofisico del Perú.
doi:https://repositorio.igp.gob.pe/handle/20.500.12816/5106
Flores, D., Céspedes, l., & Martínez, A. (2013). Identificación de servicios

ecosistémicos en el Santuario Nacional los Manglares de Tumbes. Lima:
Instituto Geofisico del Perú.
Hernández Camacho, M. A. (2018). Análisis de la demanda hídrica de los cultivos

de caña de azúcar, arroz, sandía y melón en la cuenca media y baja de Río
Tempisque, mediante el tratamiento e imágenes satelitales en el periodo
1990-2017. Tecnológia de Costa Rica . Obtenido de
https://hdl.handle.net/2238/9887
IGP. (2014). Gestión Sostenible de recursos naturales en el ecosistema de

manglares de Tumbes: Análisis del territorio y diagnóstico socioeconomico.
En E. Principe, L. Céspedes, A. Martinez, F. Daniel, L. Céspedes, P. Aguirre,
& R. Erick (Edits.), Analisis del territorio de la cobertura manglar. Lima, Perú:
Instituto Geofisico del Perú. Obtenido de
https://repositorio.igp.gob.pe/handle/20.500.12816/476
Ministerio de agricultura. (1996). Ficha Técnica Santuario Nacional Los Manglares

de Tumbes, propuesta para su designación como Sitio Ramsar. Lima.
Ministerio del Ambiente . (2014). Protocolo evaluación de la exactitud temática del

mapa de deforestación. protocolo, Lima.
Ministerio del Ambiente. (2019). Mapa nacional de ecosistema del Perú. Lima:
Ministerio del Ambiente.
61
Monterroso Tobar, M. F. (2013). Guía practica: Clasificación de imagenes satelites.
Guía. Obtenido de Recuperado de: http://arcgeek.
com/descargas/ClasImMF. pdf
ONERN. (1992). MONITOREO DE LOS CAMBIOS EN LA COBERTURA Y USO

DE LA TIERRA EN EL ECOSISTEMA MANGLAR DE TUMBES (1982 -
1992). Lima. Obtenido de
https://repositorio.ana.gob.pe/handle/20.500.12543/1042
Pilco, J. (2021). ANÁLISIS MULTITEMPORAL DE LA COBERTURA Y USO DEL

SUELO EN LA CONCESIÓN DE LA ASOCIACIÓN DE USUARIOS DEL
MANGLAR CERRITO DE LOS MORREÑOS, GOLFO DE GUAYAQUIL.
Guayaquil: Universidad de Guayaquil. Obtenido de
http://repositorio.ug.edu.ec/bitstream/redug/56809/1/TesisAnexosBryanPilc
o.pdf
QGIS. (2022). Descubre QGIS. Obtenido de QGIS - El SIG Líder de Código Abierto
para Escritorio: https://www.qgis.org/es/site/about/index.html
Rendón Ángel, M. G. (2020). Detección de cambios en la cobertura vegetal,

mediate Teledección . Tesis de pregado , Guayaquil.
Salas, R. A., Castro, W. J., & Cuthbert, M. W. (2019). Análisis multitemporal de la

cobertura de manglar en la Reserva Cayos Miskitos, 2006-2017. Revista
Universitaria Del Caribe, 22(1), 61-68.
SERFOR (Servicio Nacional Forestal y de Fauna Silvestre);Bioversity - Perú;

ICRAF. (2018). Experiencias de restauración en el Perú. Lecciones
aprendidas. Lima, Perú.
Servicio Geológico de EE.UU. (2013). Landsat 8: Hoja de datos del servicio

geológico de EE.UU.
Servicio Geológico de EE.UU. (2016). Landsat: satélites de observación de la

Tierra. Obtenido de
https://pubs.usgs.gov/fs/2015/3081/fs20153081_ver1.2.pdf
Siciani, A., Rahmadi, M., & Islami, Z. (2020). Analyzing mangrove forest area
changes in coastal zone of Langsa City using landsat imagery. IOP Conf.
62
Series: Earth and Environmental Science, 500(2). doi:10.1088/1755-
1315/500/1/012084
USGS. (2022). Landsat 5. Obtenido de https://www.usgs.gov/landsat-

missions/landsat-5

missions/landsat-7

missions/landsat-8
Vélez Alvarado, D., & Álvarez Mozos, J. (2020). Clasificación de usos y cubiertas
del suelo y análisis de cambios en los alrededores de la Reserva Ecológica
Manglares Churute (Ecuador) mediante una serie de imágenes Sentinel-1.
Revista de Teledetección(56), 131-146. doi:10.4995/raet.2020.14099
Vera Andrade, E. A. (2018). Evaluación y análisis de los cambios de cobertura

vegetal del manglar del Refugio de Vida Silvestre Manglares Estuario Río
Esmeraldas. Ecuador - PUCESE - Escuela de Gestión Ambiental. Obtenido
de https://repositorio.pucese.edu.ec/handle/123456789/1737
Vera Andrade, E. A. (2018). Evaluación y análisis de los cambios de cobertura

vegetal del manglar del Refugio de Vida Silvestre Manglares Estuario Río
Esmeraldas. Obtenido de
https://repositorio.pucese.edu.ec/bitstream/123456789/1737/1/VERA%20A
NDRADE%20%20EDUARDO%20ALFREDO.pdf
63
8. ANEXOS
Anexo 1: Análisis de separabilidad espectral en el programa Qgis.
64
Anexo 2. Número de muestras para estratificación del año 1986
1986_sv area_ha p q muestra
agricultura 370.90 0.0192 0.9808 80
suelo 2496.50 0.1293 0.8707 481
agua 9629.90 0.4990 0.5010 1067
manglar 5220.89 0.2702 0.7298 842
bosque seco 1588.62 0.0823 0.9177 322
19311.81 1.0000
error 0.03
NC 1.96 95%
Anexo 3. Número de muestras para estratificación del año 1996
agricultura 424.20 0.0220 0.9780 92
suelo 3203.56 0.1659 0.8341 591
agua 8895.93 0.4608 0.5392 1061
manglar 4939.97 0.2559 0.7441 813
bosque seco 1843.15 0.0955 0.9045 369
19306.81 1.0000 2924
error 0.03
NC 1.96 95%
65
Anexo 4. Número de muestras para estratificación 2003

agricultura 370.98 0.0235 0.9765 98
suelo 1570.70 0.1447 0.8553 528
agua 10779.09 0.4760 0.5240 1065
manglar 4871.43 0.2676 0.7324 837
bosque seco 1714.61 0.0882 0.9118 343
19306.81 1.0000 2871
error 0.03
NC 1.96 95%
Anexo 5. Número de muestras para estratificación 2014

agricultura 130.26 0.0067 0.9933 29
suelo 1658.67 0.0859 0.9141 335
agua 10277.05 0.5323 0.4677 1063
manglar 5231.160 0.2709 0.7291 843
bosque seco 2009.67 0.1041 0.8959 398
19306.81 1.0000 2668
error 0.03
NC 1.96 95%
66
Anexo 6. Número de muestras para estratificación 2020.

agricultura 453.13 0.0235 0.9765 98
suelo 2794.21 0.1447 0.8553 528
agua 9195.97 0.4760 0.5240 1065
manglar 5167.41 0.2676 0.7324 837
bosque seco 1702.82 0.0882 0.9118 343
19306.81 1.0000 2871
error 0.03
NC 1.96 95%
Anexo 7. Matriz de confusión para la estratificación del año 1986
Bosque Exactitud Error

clases Manglar Agua Agricultura Suelo Total
seco usuario Comisión
Manglar 809 9 18 5 0 841 96% 4%
Agua 2 1056 5 4 0 1067 99% 1%
Bosque
5 41 237 33 6 322 74% 26%
seco
Agricultura 12 10 9 48 1 80 60% 40%
Suelo 1 66 33 13 368 481 77% 23%
Total 829 1182 302 103 375 2791
Exactitud
98% 89% 78% 47% 98% po 0.902185597
de usuario
Error
2% 11% 22% 53% 2% pe 0.288104481
omisión
Kappa 0.86
67
Manglar 756 16 0 11 1 784 96% 4%
Agua 3 1045 0 0 1048 100% 0%
Bosque
1 32 323 6 122 484 67% 33%
seco
Agricultura 0 0 0 0 138 138 0% 100%
Suelo 17 216 5 50 290 578 50% 50%
Total 777 1309 328 67 551 3032
Exactitud
97% 80% 98% 0% 53% po 0.796174142
de usuario
Error
3% 20% 2% 100% 47% pe 0.268407436
omisión
Kappa 0.72

Manglar 774 60 3 0 0 837 92% 8%
Agua 13 1052 0 0 0 1065 99% 1%
Bosque
67 0 264 0 12 343 77% 23%
seco
Agricultura 29 0 0 69 0 98 70% 30%
Suelo 7 0 0 0 521 528 99% 1%
Total 890 1112 267 69 533 2871
Exactitud
87% 95% 99% 100% 98% po 0.933472658
de usuario
Error
13% 5% 1% 0% 2% pe 0.280125872
omisión
Kappa 0.91
68
Anexo 10. Matriz de confusión para la estratificación 2014
Manglar 800 5 0 4 0 809 99% 1%
Agua 0 1055 1 0 0 1056 100% 0%
Bosque
36 8 370 5 29 448 83% 17%
seco
Agricultura 0 0 0 18 0 18 100% 0%
Suelo 1 23 3 0 254 281 90% 10%
Total 837 1091 374 27 283 2612
Exactitud
96% 97% 99% 67% 90% po 0.955972435
de usuario
Error
4% 3% 1% 33% 10% pe 0.304401115
omisión
Kappa 0.94
Anexo 11. Matriz de confusión para la estratificación 2020.

Manglar 834 0 1 1 0 836 100% 0%
Agua 2 1059 2 1 1 1065 99% 1%
Bosque
7 0 338 1 1 347 97% 3%
seco
Agricultura 0 1 0 96 1 98 98% 2%
Suelo 5 1 2 10 510 528 97% 3%
Total 848 1061 343 109 513 2874
Exactitud
98% 100% 99% 88% 99% po 0.987125957
de usuario
Error
2% 0% 1% 12% 1% pe 0.271125136
omisión
Kappa 0.98
69
Anexo 12. Fichas de verificación de la existencia de los estratos
Código: AGRI Clúster: Agricultura Numero: 01

X:552926 Sector playa hermosa – parcelas Cabrera Dioses
Y:9605681 agrícolas Verina Valeria
Fecha: 11/06/2022 Hora: 9:45 am
Descripción
En el punto de ubicación se observa en los alrededores parcelas agrícolas de arroz, cosechadas y

por cosecha, cercanas al ecosistema manglar.
70
Código: M Clúster: Manglar Numero: 02

X:553078 Sector playa hermosa – ecosistema Cabrera Dioses, Verina
Y:9605649 manglar Valeria
Fecha: 11/06/2022 Hora: 9:55 am
Descripción
Límite del manglar y parcelas agrícolas, donde se aprecia abundancia de mangle rojo
(Rhizophora mangle)
71
Código: BS Clúster: Bosque Seco Numero: 03

X:567733 Isla del amor – Puerto Pizarro. Cabrera Dioses Verina Valeria
Y:9613696
Fecha: 11/06/2022 Hora: 12:35 pm
Descripción
En el interior de la isla del amor se observa el estrato de bosque seco, cuya característica
muestra arboles de algarrobos (Prosopis pallida) en estado de latizales y brinzales y arbustos
como el overal (Cordia lutea)
72
Código: SD Clúster: Suelo desnudo Numero: 04
X:567122 Isla del amor – Puerto Pizarro Cabrera Dioses Verina Valeria
Y:9613639
Fecha: 11/06/2022 Hora: 13.00 pm
Descripción
En la isla del amor se presenta áreas arenosas, representativas de la playa con presencia de
herbáceas. Así mismo limita con el bosque seco y agua del océano pacifico.
73
Código: A Clúster: Agua Numero: 05

X:567432 Puerto Pizarro Cabrera Dioses Verina Valeria
Y:9613097
Fecha: 11/06/2022 Hora: 13. 30 pm
Descripción
Cerca al puerto de la localidad Puerto Pizarro, donde alrededor se observa agua del estuario
y botes.
74
Código: Clúster: Numero:

X:566339 Manglares Puerto Pizarro Cabrera Dioses, Verina Valeria
Y:9612532
Fecha: 11/06/2022 Hora: 12.00 pm
Descripción
Visita al estuario manglares de Puerto Pizarro, donde se observa el bosque de manglares
75
Anexo 13: Verificación en campo del estrato Manglar
76
Anexo 14: Verificación en campo del estrato agricultura
77
Anexo 15. Verificación en campo del estrato suelo desnudo
78
Anexo 16. Verificación en campo del estrato agua
79
Anexo 17. Verificación en campo del estrato bosque seco
80
Anexo 18. Verificación de puntos de campo con imágenes de Google Earth y cartografía
Clase Coordenadas Visualización Google EARTH Visualización cartográfica
Agua
(color celeste X: 567091
representa el Y: 9613018
agua)
81
Manglar
(parcelas
agrícolas
inundadas, el X:553078
algoritmo lo Y: 9605649
clasifica como
agua), color
verde
representa el
manglar.
Agricultura
(parcelas
agrícolas
inundadas, el X: 552926
algoritmo lo Y:9605681
clasifica como
agua) color
amarillo
representa a
agricultura.
82
Bosque seco, X: 568283
color naranja Y: 9611801
representa
bosque seco.
83
Suelo desnudo
(color
marrón, X: 567122
representa a Y: 9613639
suelo
desnudo)
84
Anexo 19. Mapa de usos del suelo 1986
85
Anexo 20. Mapa de uso del suelo 1996
86
87
88
89
Anexo 24. Mapa de bosque manglar del año 1986
90
Anexo 25. Mapa de boque manglar para el año 1996
91
92
93
94
Anexo 28. Análisis de cambios de la cobertura vegetal del manglar en el periodo de 1986 hasta 1996
95
Anexo 29. Análisis de cambios de la cobertura vegetal del manglar en el periodo 1996 hasta 2003
96
97
98

Tesis - Cabrera Dioses

Cargado por

Copyright:

Formatos disponibles

Tesis - Cabrera Dioses

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis - Cabrera Dioses

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS AGRARIAS

Análisis multitemporal del comportamiento forestal en el

Para optar el título profesional al Ingeniero Forestal y Medio

Verina Valeria Cabrera Dioses

Análisis multitemporal del comportamiento forestal en el

Tesis aprobada en forma y estilo por:

Dr. Puescas Chully Miguel Antonio (Presidente)

Dr. Caucha Morales Jhony (Secretario)

Msc. Ing. Silva Chávez José Antonio (Vocal)

TUMBES – PERÚ – 2022

Análisis multitemporal del comportamiento forestal en el

Los suscritos declaramos que la tesis es original en su contenido y forma:

Ba. Cabrera Dioses Verina Valeria (Autor)

Dr. Gines Tafur Eber (Asesor)

La tesis se la dedico especialmente a mis padres

Principalmente agradezco a Dios por darme la bendición, salud

Mi madre y hermano en apoyarme, estar presente en el

Mi agradecimiento infinito a Antoni Jiménez por estar siempre

El Dr. Gines Tafur Eber, por haberme aceptado al

Tabla 1: Resolución temporal de las imágenes satelitales de LANDSAT y SENTINEL .... 22

El presente estudio tuvo como objetivo Analizar multitemporal mente el

Palabras claves: Percepción remota, Separabilidad espectral, Máxima

Keywords: Remote perception, Spectral separability, Maximum likelihood,

La ecorregión de manglares se extiende desde el golfo de Guayaquil a lo largo de

El ecosistema manglar ofrece diversos servicios ecosistémicos tal como la provisión

Los manglares del Perú han disminuido drásticamente en superficie debido a la

Benavides Varela, Samper Villarreal, & Cortés, (2016), Analizaron la

Carrasquilla Henao, (2011), Observó el cambio de la cobertura del

Dwi & Erwin, (2022); En el presente estudio logro desarrollar un método

Flores, (2017); Menciona que los principales impactos fisicos de eventos

IGP, (2014); Realizaron el análisis multitemporal del bosque manglar

ONERN, (1992); Logro cartografiar y cuantificar la superficie del manglar

Pilco, (2021); En su investigación efectuó la evaluación y análisis

Siciani, Rahmadi, & Islami, (2020); La presente investigación tuvo como

Vélez Alvarado & Álvarez Mozos, (2020), En su investigación utilizo una

2.2. Bases teóricas

2.2.1. Análisis Multitemporal

Este procedimiento metodológico de interpretación visual, que

2.2.2. Cambios de uso del suelo

Definen a la cobertura como la cantidad y tipo de cubiertas

Permite clasificar el ráster de cada uno de los pixeles existente en

Decidir el número de clúster que van a utilizar en la investigación,

Los ecosistemas son un “complejo dinámico de comunidades

2.2.5. Ecosistema manglar

Los bosques de mangle se encuentra distribuidos en las regiones

2.2.6. Máxima verosimilitud

Este algoritmo máxima verosimilitud o máxima probabilidad es

La teledetección permite obtener información a través de

La palabra percepción proviene del latín “perceptĭo” que significa

2.2.8. Imágenes satelitales

Es una representación visual de los datos reflejados de la energía

Imágenes satelitales grautitas

Satélite Landsat Sentinel

Tiempo de revisita 16 dias 5 dias

2.2.9. Firmas espectrales

Los diferentes tipos de superficie como el agua, la tierra, reflejan

Figura 1: Firma espectral de la superficie terrestre.