Spatio-Temporal Analysis of the Pattern of Land use and Land Cover Changes among the Sub-Basins in the White Volta Basin

Resumen Técnico: Análisis Espacio-Temporal del Patrón de Cambios en el Uso y la Cobertura del Suelo entre las Subcuencas de la Cuenca del Volta Blanca

Planteamiento del Problema
La Cuenca del Volta Blanca (WVB, por sus siglas en inglés) en Ghana ha experimentado una degradación ambiental significativa debido a intensas actividades antropogénicas, incluyendo la urbanización, la deforestación, la expansión agrícola, la minería y el desarrollo de infraestructura. Estas actividades han perjudicado la capacidad de la cuenca para proporcionar servicios ecosistémicos esenciales y apoyo a los medios de subsistencia. Si bien investigaciones previas han abordado los cambios en el uso y la cobertura del suelo (LULC) en la WVB, estos estudios se realizaron a menudo de forma aislada, centrándose en secciones específicas (por ejemplo, la zona media o la baja) sin considerar el nivel de microcuenca o la interconectividad entre las subcuencas de aguas arriba, medias y abajo. Este enfoque fragmentado ha dado lugar a conclusiones demasiado generalizadas y a una falta de datos específicos necesarios para intervenciones de gestión focalizadas. En consecuencia, existe una necesidad crítica de un análisis exhaustivo, a nivel de subcuenca, de la dinámica del LULC desde 1995 hasta 2023 para comprender la magnitud de la degradación y los impulsores específicos dentro de cada una de las nueve subcuencas.

Metodología
El estudio empleó un enfoque de métodos mixtos que combina la teledetección, el aprendizaje automático (machine learning) y encuestas socioeconómicas para analizar los cambios de LULC en las nueve subcuencas de la WVB (Kulpawn, Sissili, Gambaga, Mole, Kpasenkpe, Nasia, Nabogo, Middle Volta y Lower Volta) durante un periodo de 28 años (1995–2023).

• Teledetección y Clasificación: Se adquirieron imágenes de satélite Landsat (sensores TM, ETM+ y OLI) de 1995, 2005, 2015 y 2023 a través de la USGS. El preprocesamiento se realizó utilizando QGIS y ArcMap 10.6, incluyendo el apilamiento, la proyección a WGS 84/UTM 30N y el recorte.
• Algoritmo de Aprendizaje Automático: Se utilizó un algoritmo de Bosque Aleatorio (Random Forest, RF) implementado en el software R para la clasificación de LULC. Se seleccionó el algoritmo RF por su capacidad para manejar datos de alta dimensionalidad, multicolinealidad y relaciones no lineales, así como por su robustez contra el sobreajuste y el ruido.
• Entrenamiento y Validación: Los datos de verdad de campo se recolectaron mediante levantamientos GPS y coordenadas de Google Earth. Se utilizaron aproximadamente 200 coordenadas por año y 300 puntos de campo para el entrenamiento. Los datos se dividieron en un 70% para entrenamiento y un 30% para pruebas. Se definieron cinco clases de LULC: tierras agrícolas, áreas construidas, bosque de sabana densa, bosque de sabana ligera y cuerpos de agua. La precisión se evaluó mediante la Exactitud Global (OA) y los coeficientes Kappa.
• Detección de Cambios: Se utilizó un método de comparación post-clasificación para generar matrices de transición y cuantificar los cambios en el área y las tasas de cambio.
• Análisis Socioeconómico: Se recopilaron datos cualitativos y cuantitativos a través de encuestas domiciliarias (400 encuestados), Entrevistas a Informantes Clave (KII) y Grupos de Discusión Focalizada (FGD) para identificar las causas percibidas de los cambios de LULC. Los datos se analizaron con Stata versión 16.

Resultos Clave

• Precisión de la Clasificación: La clasificación RF logró una Exactitud Global (OA) que osciló entre el 74.5% y el 82.9% en todas las subcuencas y años, con coeficientes Kappa entre 0.65 y 0.80, lo que indica un buen acuerdo entre los mapas clasificados y los datos de referencia.
• Tendencias de LULC:
  • Bosque de Sabana Ligera: Aumentó significamente en toda la cuenca. Las tasas más altas de incremento se observaron en Gambaga (117.80%), Kulpawn (47.58%), Middle White (39.81%), Nasia (37.48%) y Sissili (23.17%).
  • Áreas Construidas: Se expandieron en todas las subcuencas. La subcuenca de Middle White registró la mayor tasa de expansión (13.21%), seguida de Kulpawn (8.33%), Mole (5.85%) y Nabogo (5.49%).
  • Tierras de Cultivo: Mostraron una tendencia al alza, siendo Gambaga (9.21%), Nasia (7.46%) y Sissili (6.11%) las subcuencas predominantes para la expansión agrícola.
  • Degradación: La subcuenca de Kulpawn fue identificada como la más severamente degradada (tasa de cambio anual del 21.9%), debido principalmente a la agricultura comercial y la minería ilegal. La subcuenca de Gambaga fue la menos degradada (2.65%).
• Impulsores del Cambio:
  • Impulsores Próximos: Las actividades agrícolas fueron el principal impulsor (media de 17.81%), seguidas por la expansión de áreas construidas (13.94%), la minería (12.12%) y la extracción de leña. Subcuencas específicas mostraron impulsores dominantes únicos: la expansión de áreas construidas en Middle White, la minería en Lower White y la extracción de leña en Mole.
  • Impulsores Subyacentes: El alto crecimiento de la población humana, los niveles de pobreza y el cambio climático fueron identificados como fuerzas indirectas que aceleran las transiciones de la cobertura del suelo.
• Percepciones vs. Datos: Mientras que los encuestados percibieron un aumento en los cuerpos de agua (15%), los datos de teledetección indicaron una fuerte disminución en el área superficial del agua, atribuida a la expansión agrícola, la deforestación y la sedimentación. Los encuestados identificaron correctamente la conversión de sabana densa a sabana ligera y tierras de cultivo.

Contribuciones Clave
Este estudio proporciona una evaluación granular, a nivel de subcuenca, de la dinámica del LULC en la Cuenca del Volta Blanca, abordando el vacío dejado por estudios previos que se centraban en secciones aisladas o tendencias generalizadas de toda la cuenca. Al utilizar el algoritmo Random Forest, la investigación ofrece una clasificación robusta y de alta precisión de los complejos paisajes de sabana. Además, la integración de los datos de teledetección con los resultados de las encuestas socioeconómicas permite una comprensión triangulada de los impulsores específicos de la degradación en cada subcuenca. La investigación clasifica explícitamente las subcuencas por severidad de degradación, identificando a Kulpawn, Nasia, Lower White y Kpasenkpe como las áreas más críticas que requieren intervención.

Significancia y Reivindicaciones
Los autores afirman que los hallazgos sirven como un documento guía integral para diseñar intervenciones focalizadas que aborden la degradación de la tierra, particularmente en las cuencas más afectadas. El estudio sostiene que su línea base espacialmente explícita permite a los responsables políticos, a la Comisión de Recursos Hídricos y a la Autoridad del Río Volta Blanca formular políticas basadas en evidencia. Específicamente, el documento aboga por:

1. Intervenciones Focalizadas: Centrar los esfuerzos de restauración (reforestación, agroforestería, protección de zonas de amortiguamiento ripario) en las subcuencas más degradadas (Kulpawn, Nasia, etc.).
2. Prácticas Sostenibles: Promover prácticas de Gestión Sostenible de la Tierra y el Agua (SLM), tales como la agricultura de conservación y la quema controlada, para mitigar los impactos agrícolas.
3. Planificación Integrada: Integrar la planificación urbana con la infraestructura verde para gestionar la expansión de las áreas construidas y prevenir la invasión de áreas ecológicamente sensibles.
4. Gobernanza Inclusiva: Empoderar a las comunidades locales para gestionar los recursos naturales para mejorar la resiliencia.

El documento concluye que, sin tales políticas de gestión integradas y focalizadas, la integridad ecológica y los sistemas de soporte vital de la WVB continuarán viéndose comprometidos, con graves consecuencias para la disponibilidad de agua, la biodiversidad y los medios de vida de las comunidades ribereñas.