Análisis espaciotemporal de factores de riesgo de deforestación en los parques nacionales Chibiriquete, Tinigua y sierra de la Macarena utilizando datos de puntos de calor, cicatrices de quema y explotación ganadera

Abstract

Este trabajo de grado se enfoca en el análisis espaciotemporal de los factores de riesgo de deforestación en los Parques Nacionales Chibiriquete, Tinigua y Sierra de la Macarena, ubicados en la Amazonía colombiana. Mediante la aplicación de modelos estadísticos y de machine learning, tales como la regresión lineal múltiple, el modelo aditivo generalizado (GAM) y la regularización Ridge, se desarrolla un Indicador de Riesgo de Deforestación (IRD) que facilita la identificación y priorización de áreas con alto riesgo de deforestación. Este indicador se fundamenta en variables como puntos de calor, cicatrices de quema y explotación ganadera, seleccionadas por su relevancia en la dinámica de deforestación en la región. Se verifica que los datos disponibles son suficientes, pertinentes y adecuados para la construcción de modelos efectivos. Además, se emplean herramientas como Google Earth Engine y Dynamic World para superar las limitaciones asociadas a la falta de actualización de algunas variables de riesgo, permitiendo desarrollar modelos de estudio pertinentes y actuales. Para garantizar la robustez y capacidad de generalización de los modelos, se llevan a cabo validaciones cruzadas y ajustes de hiperparámetros, evaluando diversas configuraciones para optimizar el rendimiento y mitigar el riesgo de sobreajuste. Los resultados reflejan un buen desempeño general de los modelos, aunque se observan ligeras diferencias entre los errores en la validación cruzada y los obtenidos en el conjunto de prueba. A pesar de estas discrepancias, ambos modelos demuestran una capacidad adecuada para predecir la degradación del bosque, lo cual justifica su uso en la generación del IRD. Las recomendaciones derivadas de este estudio incluyen la incorporación de variables adicionales como densidad poblacional, cultivos lícitos e ilícitos, y la infraestructura de vías terciarias, así como el uso de tecnologías de monitoreo remoto, como Google Earth y Dynamic World, para mejorar la precisión y actualización de los datos. Asimismo, se resalta la importancia de validar el IRD mediante comparaciones con otras fuentes reconocidas, como Global Forest Watch, y de incorporar retroalimentación de expertos y actores locales para asegurar la utilidad y relevancia del indicador en la toma de decisiones relacionadas con la conservación.