El acoso al suelo de conservación de la Ciudad de México a través de los incendios forestales
Palabras clave:
Suelo de conservación, incendio forestal, análisis espacio-temporal, machine learning, Ciudad de MéxicoResumen
El presente trabajo tiene como objetivo realizar un análisis espacio-temporal del acoso al suelo de conservación a través de los incendios forestales ocasionados en este espacio dentro de la Ciudad de México. Para caracterizar y dimensionar este acoso ambiental se utilizan datos oficiales procedentes del Sistema Nacional de Información y Gestión Forestal (SNIGF), Comisión Nacional Forestal (CONAFOR), Infraestructura de Datos Espaciales Forestales (IDEFOR), Secretaría del Medio Ambiente (SEDEMA) y Registro Único de Situaciones de Emergencia (RUSE) del periodo 2015 – 2020. A partir de estos datos se realizan análisis espacio-temporales combinado técnicas tradicionales y algoritmos de machine learning. Los resultados indican que durante el periodo de análisis el acoso al suelo de conservación se está produciendo de forma sistematizada en ciertos momentos y espacios, ocasionando un deterioro de la superficie y biodiversidad que podrían ser irreversibles.
Descargas
Citas
Avila-Flores, D.; Pompa-Garcia, M.; Antonio-Nemiga, X.; Rodriguez-Trejo, D.A.; Vargas-Perez, E. & Santillan-Perez, J. Driving factors for forest fire occurrence in Durango State of Mexico: A geospatial perspective. Chinese Geographical Science. 2010, 20(6), 491–497. https://doi.org/10.1007/s11769-010-0437-x
Ambiental, D. E. Secretaría del Medio Ambiente de la Ciudad de México. Secretaría del Medio Ambiente de la Ciudad de México. 2016. http://www.cuidarelagua.cdmx.gob.mx/fuentes_agua.html
CENAPRED. Centro Nacional de Prevención de Desastres. 25 de Abril de 2019. https://www.gob.mx/cenapred/articulos/incendios-forestales-evitalos
Dirección de Ordenamiento Ecológico, Dirección de Centros Regionales, Dirección de Comunicación e Información. Libro Suelo de Conservación. 2016. México, Ciudad de México. https://www.sedema.cdmx.gob.mx/storage/app/media/Libro_Suelo_de_Conservacion.pdf
Ester, M.; Kriegel, H.-P.; Sander, J. & Xu, X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of Second International Conference on Knowledge Discovery and Data Mining, 1996, pp. 226–231. Portland, OR.
Federal, G. O. Ley Ambiental de Protección a la Tierra en el Distrito Federal. 18 de Noviembre de 2015. http://aldf.gob.mx/archivo-7845786f92c3b622b145b6ff08beaf41.pdf
Graham, O. P. Survey of land degradation in New South Wales, Australia. Environmental Management, 1992, 16(2), 205-223. https://doi.org/10.1007/BF02393826
IPBES. El Informe de la Evaluación Mundial sobre la diversidad biológica y los servicios de los ecosistemas. Plataforma Intergubernamental Científico-Normativa sobre Diversidad Biológica y Servicios de los Ecosistemas (IPBES). 2019. ISBN: 978-3-947851-16-4. https://ipbes.net/sites/default/files/2020-02/ipbes_global_assessment_report_summary _for_policymakers_es.pdf
Kanevski, M.; Pozdnukhov, A. & Timonin, V. Machine Learning Algorithms for Geospatial Data. Applications and Software Tools. 4th International Congress on Environmental Modelling and Software. 2008. Barcelona, Catalonia (Spain).
Lupton, R. C. & Allwood, J. M. Hybrid Sankey diagrams: Visual analysis of multidimensional data for understanding resource use. Resources, Conservation and Recycling, 2017, 124, 141-151. https://doi.org/10.1016/j.resconrec.2017.05.002
MacQueen, J. Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, Oakland, CA, USA, pp. 281–297.
Naciones Unidas. Department of Economic and Social Affairs, Population Division. World Urbanization Prospects: The 2018 Revision. 2018. https://population.un.org/wup/Publications/Files/WUP2018-Report.pdf.
Naciones Unidas. (s.f.). Objetivo 15: Gestionar sosteniblemente los bosques, luchar contra la desertificación, detener e invertir la degradación de las tierras, detener la pérdida de biodiversidad. https://www.un.org/sustainabledevelopment/es/biodiversity/
Nogal, A. D. La contaminación. 2 de Junio de 2020. https://lacontaminacion.org/impacto-ambiental-de-los-incendios-forestales/
Ortíz-Pech, R.; Fajardo Celis, H. E. & García Gil, G. Impacto de las actividades productivas y de la expansión urbana sobre una reserva ecológica; el caso de Cuxtal, Yucatán; México. Nóesis: Revista de Ciencias Sociales y Humanidades, 2017, 26(52), 1-22. DOI: http://dx.doi.org/10.20983/noesis.2017.2.1
Schmidt, M. The Sankey diagram in energy and material flow management: part II: methodology and current applications. Journal of industrial ecology, 2008, 12(2), 173-185. https://doi.org/10.1111/j.1530-9290.2008.00015.x
SEGOB, CENAPRED, & SEMARNAT. (S.f.). ¿Qué es un incendio forestal? https://www.uaem.mx/sites/default/files/que-es-un-incendios-forestalpdfShQAu9q8F6.pdf
Shawe T. J. & Cristianini, N. Kernel methods for pattern analysis. 2004. Cambridge University Press. ISBN: 0521 813972
Slootweg, R.; Vanclay, F. & Van Schooten, M. Function evaluation as a framework for the integration of social and environmental impact assessment. Impact Assessment and Project Appraisal, 2001, 19(1), 19-28. https://doi.org/10.3152/147154601781767186
The Data Visualisation Catalogue. (s.f.). Diagrama de Sankey. https://datavizcatalogue.com/ES/metodos/diagrama_de_sankey.html
Urzúa Valenzuela, N. V. & Cáceres Bueno, M. F. Incendios forestales: principales consecuencias económicas y ambientales en Chile. RIAT: Revista Interamericana de Medioambiente y Turismo, 2011, 7(1), 18-24. https://riat.utalca.cl/index.php/test/article/view/108/74
Wu, X.,; Kumar, V.; Quinlan, J. R.; Ghosh, J.; Yang, Q.; Motoda, H. ... & Steinberg, D. Top 10 algorithms in Data mining, Knowl. Inf. Syst. 2008. https://doi.org/10.1007/s10115-007-0114-2
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Geografía Norte Grande
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
![](%20<a href="https://www.scopus.com/sourceid/66304?dgcid=sc_widget_citescore" style="text-decoration:none;color:#505050"> <div style="height:100px;width:180px;font-family:Arial, Verdana, helvetica, sans-serif;background-color:#ffffff;display:inline-block"> <div style="padding: 0px 16px;"> <div style="padding-top:3px;line-height:1;"> <div style="float:left;font-size:28px"><span id="citescoreVal" style="letter-spacing: -2px;display: inline-block;padding-top: 7px;line-height: .75;">1.0</span></div> <div style="float:right;font-size:14px;padding-top:3px;text-align: right;"><span id="citescoreYearVal" style="display:block;">2023</span>CiteScore</div> </div> <div style="clear:both;"></div> <div style="padding-top:3px;"> <div style="height:4px;background-color:#DCDCDC;"> <div style="height:4px;background-color:#007398;" id="percentActBar"> </div> </div> <div style="font-size:11px;"><span id="citescorePerVal">28th percentile</span></div> </div> <div style="font-size:12px;text-align:right;">Powered by <span><img alt="Scopus" style="width:50px;height:15px;" src="https://www.scopus.com/static/images/scopusLogoOrange.svg"></span></div> </div> </div> </a>)
