Departamento de Geología, Geografía y Medio Ambiente
Máster en Tecnologías de la Información Geográfica
Tendencias en la relación de la agricultura intensiva en Europa con las regiones potencialmente vulnerables al cambio climático.
Autora: Florencia Ayelén Pera
Tutores: Richard Hewitt (Observatorio para una Cultura del Territorio) Francisco Escobar (Universidad de Alcalá)
Alcalá de Henares, 5 de Septiembre de 2016
Resumen
La agricultura intensiva es una de las actividades más propensas a verse afectada por el cambio
climático, sobre todo por el empeoramiento de la calidad y la disponibilidad de los recursos hídricos.
Por ello se planteó la identificación de las zonas europeas más propensas a albergar en el futuro
cultivos que requieren un aporte artificial de agua y que además están clasificadas como zonas
potencialmente vulnerables al cambio climático. Para lograr este objetivo se realizó un análisis de los
usos del suelo en Europa entre 1990 y 2012, utilizando la base de datos CORINE Land Cover
previamente reclasificada en diez categorías acordes a las necesidades del estudio, de las cuales tres se
correspondieron con cultivos agrícolas dependientes de la irrigación. Los resultados indicaron que
estas tres categorías aumentaron su extensión a lo largo de todo el periodo a costa de la disminución de
los cultivos más tradicionales, un dato que se utilizó para la realización de simulaciones de los usos del
suelo en 2030 y 2050 mediante un modelo basado en autómatas celulares que integra el modelado
basado en agentes. Los resultados de estas simulaciones se compararon con la potencial vulnerabilidad
al cambio climático, y se concluyó que la región europea más vulnerable y que más cultivos intensivos
podría albergar en el futuro es la región mediterránea, mientras que en Europa occidental y central el
riesgo de vulnerabilidad es menor, al igual que la cantidad de agricultura intensiva estimada para 2030
y 2050.
Palabras clave: agricultura intensiva, vulnerabilidad al cambio climático, modelado de los usos del
suelo, autómatas celulares.
Abstract
Intensive agriculture is one of the activities most likely to be affected by climate change, mostly due to
the worsening of water quality and availability. In this study, it has been proposed to identify the areas
in Europe most susceptible to host artificially watered crops, which are also classified as potentially
vulnerable to climate change. This study started with an analysis of land use in Europe between 1990
and 2012, using the CORINE Land Cover database, previously re-classified into ten categories in
accordance to the needs of the study, of which three correspond to agricultural crops dependent of
water. The results obtained showed that these categories increased their extensions during the analysis
period, at the expense of the diminishing of more traditional crops. On a next stage, simulations of the
evolution of land use in Europe between 2030 and 2050 were made. These simulations were
performed through a model based on cellular automata which comprises agents based modelling. The
results from these simulations were compared to the potential vulnerability to climate change. The
main conclusion derived from this study shows that the area with highest vulnerability and most likely
to host intensive crops in the future is the Mediterranean region, while in Western and Central Europe
the risk and future presence of intensive agriculture is lower.
Keywords: intensive agriculture, vulnerability to climate change, land-use modelling, cellular
automata.
Índice.
Contenido Página
1. Introducción ……………………………………………………………………... 1
2. Antecedentes …………………………………………………………………...... 3
2.1. Tendencias de cambio ………………………………………………………....... 3
2.2. Agricultura y cambio climático ………………………………………………… 4
2.3. Modelado mediante autómatas celulares ……………………………………….. 5
3. Metodología ……………………………………………………………………… 6
3.1. Caso de estudio …………………………………………………………………. 6
3.1.1. Delimitación espacial ………………………………………………………… 6
3.1.2. Delimitación temporal ………………………………………………………... 7
3.2. Datos ……………………………………………………………………………. 7
3.2.1. Usos del suelo ……………………………………………………………........ 7
3.2.2. Otros datos ……………………………………………………………………. 9
3.3. Técnicas de análisis …………………………………………………………….. 10
3.3.1. Transiciones sistemáticas entre usos del suelo ……………………………….. 10
3.3.2. El modelo APoLUS …………………………………………………………... 11
3.3.3. El proceso de calibración y validación ………………………………………. 12
3.3.4. El índice Kappa Simulation ………………………………………………....... 13
3.3.5. La dinámica de actores ……………………………………………………….. 14
4. Resultados y discusión …………………………………………………………... 14
4.1. Transiciones sistemáticas entre usos del suelo …………………………………. 14
4.2. Simulaciones a 2030 y 2050 ……………………………………………………. 16
4.3. Comparación con las zonas potencialmente vulnerables al cambio climático...... 18
4.4. Aportaciones, limitaciones y futuras líneas de investigación …………………... 20
5. Conclusiones ……………………………………………………………………... 21
6. Bibliografía ………………………………………………………………………. 22
7. Índice de tablas y figuras ……………………………………………………….. 25
Anexo ……………………………………………………………………………….. 26
Agradecimientos …………………………………………………………………….. 30
1
1. Introducción.
El sector agrario es uno de los más propensos a verse afectado por el cambio climático,
principalmente por el empeoramiento de la calidad y la disponibilidad de los recursos hídricos, pero
también es uno de los mayores contribuyentes a dicho fenómeno debido a su alta emisión de gases de
efecto invernadero, tanto a escala mundial como europea (Bellarby et al., 2008; EU, 2009a; ESPON,
2013). En concreto, la agricultura que se verá más perjudicada y que ocasionará un mayor impacto
medioambiental es la denominada agricultura intensiva, que se define como aquella en la que se utiliza
la mecanización, la irrigación, los combustibles fósiles y/o los productos agroquímicos con el objetivo
de aumentar la producción por unidad de área, es decir, con el objetivo de obtener una mayor
rentabilidad de los cultivos. Este tipo de agricultura se empezó a desarrollar a mediados del siglo XX,
y contribuyó a hacer frente al rápido crecimiento demográfico aumentando la producción y las
ganancias de los agricultores y disminuyendo los precios de los alimentos. Sin embargo, la mala
gestión y aplicación de este tipo de agricultura conlleva consecuencias nefastas para el medio
ambiente, entre las que se encuentran la emisión de gases de efecto invernadero, la pérdida de
biodiversidad, la contaminación y el deterioro del suelo y la contaminación y el gasto indiscriminado
del agua.
Según diversos estudios, la intensificación de las tierras agrícolas disponibles en la actualidad
se erige como una de las grandes opciones para alimentar a los nueve mil millones de habitantes que
se estiman para mediados de este siglo (Bellarby et al., 2008; Eitelberg et al., 2014), por lo que es
imprescindible encontrar la forma de satisfacer la creciente demanda de alimentos sin perjudicar al
medio ambiente, lo que actualmente se denomina “intensificación sostenible” (Garnett et al., 2014).
Un ejemplo de este tipo de intensificación es el land sparing, que consiste en aumentar el rendimiento
de las tierras agrícolas actuales para proteger los espacios naturales de la expansión agrícola. Sin
embargo, también existen alternativas a la intensificación, entre las que se encuentra el land sharing,
que se basa en integrar la agricultura y la conservación de la biodiversidad en el mismo espacio,
utilizando prácticas favorables a la naturaleza pero utilizando una mayor extensión de terreno para los
cultivos y obteniendo un menor rendimiento (Phalan et al., 2011).
La continuidad de la agricultura intensiva no sostenible en aquellas zonas con un mayor
potencial de vulnerabilidad al cambio climático se traducirá no solo en un impacto medioambiental
negativo, sino también económico y social, sobre todo si en dichas zonas la agricultura constituye una
de las principales actividades económicas, como en los países mediterráneos (ESPON, 2013; EU,
2009a). Un ejemplo es la Comunidad de Extremadura (España), con una condición
predominantemente rural y un PIB per cápita de un 39% inferior a la media de la UE, y en cuyo
Programa de Desarrollo Rural 2014-2020 (FEADER, 2015) se promueven distintas medidas para
aumentar el rendimiento de los cultivos y las ganancias de los agricultores, entre las que se encuentran
algunas perjudiciales para el medio ambiente en el contexto del cambio climático, como la
2
transformación de los cultivos de secano en regadío. Por ello es importante detectar estas zonas de
cara a establecer las medidas necesarias para evitar o mitigar las consecuencias negativas.
Este es precisamente el objetivo planteado: la identificación de las zonas europeas que son
más propensas a albergar cultivos intensivos en el futuro y que están clasificadas como zonas
potencialmente vulnerables al cambio climático según el programa ESPON Climate (ESPON, 2013).
Según la definición de agricultura intensiva presentada anteriormente, un cultivo se puede
intensificar mediante diferentes procedimientos. Uno de ellos es la irrigación, utilizada para conseguir
un mayor rendimiento sin aumentar el área cultivada. En la actualidad esta es una práctica muy
extendida y relativamente sencilla de detectar, basta con identificar los cultivos que necesitan un
aporte artificial de agua para conseguir mejores rendimientos. Estos son los cultivos que se han
considerado como intensivos en este trabajo, sobre todo en el contexto del cambio climático.
El hecho de que este estudio se realice desde un enfoque pan-europeo se debe a que las
consecuencias económicas y medioambientales de la intensificación de la agricultura traspasan las
fronteras, afectando no sólo a la calidad del suelo, sino también a la calidad (y cantidad) del agua, de
los alimentos, del turismo, etc. Además, las normativas y medidas reguladoras del medio ambiente y
de la actividad agrícola provienen de los mecanismos políticos de la Unión Europea, por lo que es
imprescindible que las investigaciones de los fenómenos que afectan a toda la Unión se realicen desde
un enfoque transregional. Por otro lado, está demostrado que en las investigaciones a escalas grandes
se pierde información, y por ello las investigaciones a escala local son necesarias, pero en muchas
ocasiones sus resultados no se pueden transferir a otros sectores o regiones, e incluso no se pueden
comparar entre sí debido a las diferencias en la metodología empleada (ESPON, 2013, Eitelberg et al.,
2014). Durante el desarrollo de este trabajo se tiene en cuenta dicha limitación de información debido
a la escala, pero lo que se pretende es la identificación de patrones de evolución agrícola a escala
europea, por lo que esa pérdida de información local no supone, a priori, un gran problema.
Para alcanzar el objetivo planteado se realizó un análisis de los cambios en los usos del suelo
ocurridos en Europa entre 1990 y 2012, identificando las transiciones sistemáticas más importantes
mediante la metodología propuesta por Pontius et al. (2004). Posteriormente, conforme a estas
transiciones, se realizaron simulaciones de los usos del suelo en Europa para los años 2030 y 2050,
para conocer la evolución de la agricultura intensiva en el futuro. Las simulaciones se realizaron
mediante el modelo APoLUS (Hewitt et al., 2015), que combina autómatas celulares con el modelado
basado en agentes. Las fechas 2030 y 2050 se escogieron porque son las que la Unión Europea utiliza
como plazos para alcanzar una serie de objetivos relacionados con la mitigación de las consecuencias
del cambio climático (EU, 2011; EU, 2013) y porque el modelado de los cambios en los usos del suelo
está adaptado para simular periodos de hasta 30 o 40 años (Engelen, n.d.; White y Engelen, 2000).
Finalmente, las simulaciones se compararon con el mapa de la potencial vulnerabilidad al cambio
climático elaborado en el marco del programa ESPON Climate (ESPON, 2013), y se identificaron las
zonas que presentan un mayor riesgo para la continuidad de la agricultura intensiva.
3
2. Antecedentes.
2.1. Tendencias de cambio.
Aunque los usos del suelo en Europa han cambiado considerablemente durante las últimas
décadas, tradicionalmente los estudios sobre cambios en el paisaje se han realizado a escalas
regionales o locales y durante periodos cortos, aportando datos difíciles de extrapolar y comparar a
nivel continental. Sin embargo, gracias al creciente interés en la obtención de información a escala
europea han surgido trabajos como el de Feranec et al. (2010) o Fuchs (2015), en los que se han
estudiado los cambios en los usos del suelo ocurridos en el continente en periodos más amplios.
En la actualidad son varios los investigadores que centran sus estudios en los cambios en los
usos del suelo en Europa, entre los que se encuentran van Vliet et al. (2015), Kuemmerle et al. (2016)
y Plieninger et al. (2016). Tanto van Vliet et al. como Plieninger et al. llevaron a cabo una revisión de
más de un centenar de estudios elaborados a escala local o regional en diferentes países europeos en
los últimos 70 años, identificando las causas de los cambios y extrayendo conclusiones sobre la
evolución de los usos del suelo. En estas revisiones los autores exponen que entre las mencionadas
causas se encuentran la urbanización, la intensificación de la agricultura, el abandono de tierras, la
expansión de los bosques, el comercio internacional, las nuevas demandas de tierra para la
conservación de la naturaleza y el desarrollo de las energías renovables. Para el sector agrícola en
particular, van Vliet et al. sostienen que la mayor parte de los cambios se produjeron por razones
socioculturales o por el aumento o disminución de la intensificación.
Kuemmerle et al. (2016) realizaron un estudio sobre los cambios en la extensión y la
intensificación de los usos del suelo en Europa entre 1990 y 2006, resaltando su heterogeneidad y su
diversidad de patrones espaciales. Los resultados de dicho estudio indican que el fenómeno que ha
afectado a una mayor superficie de terreno ha sido la disminución de las tierras de cultivo (136660
Km2), seguido del aumento de los pastizales (75670 Km
2), el crecimiento de los bosques (70630 Km
2)
y la expansión urbana (16820 Km2).
Desde el punto de vista de la extensión, los terrenos agrícolas disminuyeron en la mayor parte
de Europa, con focos de declive en los países del Este (norte y sureste de Polonia, sureste de la
República Checa, sur de Rumanía y norte y centro de Bulgaria) y del Mediterráneo (sur y centro de
Italia, sur de España y norte de Portugal). La expansión de los cultivos fue menos frecuente, y se dio
principalmente en el centro de Francia, el norte de Alemania, los Países Bajos e Irlanda. Por otra parte,
el sur y centro de Alemania, el norte de Francia y el oeste y centro de España se caracterizaron por la
estabilidad de los patrones agrícolas. En general, los pastizales permanecieron estables, con algunos
focos de crecimiento en Bulgaria, Polonia, Italia, España y Portugal, los bosques se mantuvieron
estables o aumentaron en la mayor parte del continente, y las áreas urbanas se expandieron
principalmente a lo largo de la costa mediterránea y alrededor de las ciudades más grandes.
En cuanto a los cambios en la intensificación de la agricultura, Kuemmerle et al. utilizaron
como único indicador la cantidad de fertilizante aplicado a los cultivos, debido a la imposibilidad de
4
disponer de otros datos como la mecanización, el uso de agua, el uso de pesticidas o el trabajo de la
tierra. En todo caso, los cambios en la utilización de fertilizantes en los cultivos también variaron de
una región a otra: su utilización disminuyó en el Sureste (Hungría, Rumanía y Bulgaria), mientras
aumentó en el este de Alemania, Polonia y la República Checa, en el norte de Italia y en el centro de
España. Además, muchas áreas caracterizadas por el desarrollo de cultivos de tipo intensivo
permanecieron como las áreas con mayor utilización de fertilizantes, entre las que destaca Francia.
Al combinar los datos de los cambios en la extensión y en la intensificación de la agricultura,
se observaron dos tendencias (Kuemmerle et al., 2016): la parte occidental se caracterizó por mantener
estables o aumentar la extensión y la intensificación de los cultivos, mientras que la parte oriental se
caracterizó por mantenerlos estables o disminuirlos.
2.2. Agricultura y cambio climático.
Son varios los estudios que ponen de manifiesto el importante papel del cambio climático en
el futuro de la agricultura, y que están realizados sobre todo por instituciones europeas y
organizaciones medioambientales. Entre los primeros destaca el ya mencionado programa ESPON
Climate (2013), que hace hincapié en los impactos económicos negativos del cambio climático sobre
el sector agrícola, especialmente en los países del ámbito mediterráneo. Otra referencia importante es
el proyecto AquaStress (2008), en el que se explica que el sector agrícola es el mayor consumidor de
agua, por lo que la gestión adecuada de las áreas de irrigación es fundamental tanto para el
abastecimiento alimentario como para el sostenimiento de las reservas hídricas. Por otro lado, la
Comisión Europea (2009a) sostiene que el cambio climático afectará tanto a la producción como a la
localización de los cultivos, y que las probabilidades de aumento de los eventos climáticos extremos
podrían traducirse en un aumento del riesgo de pérdida de las cosechas. Además, afirma que la
disponibilidad limitada de agua ya es un problema en varias zonas de Europa, y que esta situación
parece agravarse debido al cambio climático, con áreas de Europa con un estrés hídrico alto, que se
espera que crezca del 19% en 2009 al 35% en 2070 (EU, 2009a).
Sin embargo, la agricultura intensiva no solo se ve perjudicada por el cambio climático, sino
que de una manera directa e indirecta contribuye a él mediante la emisión de gases de efecto
invernadero, íntimamente relacionados con dicho fenómeno. La emisión de los gases de efecto
invernadero se debe principalmente a la aplicación de fertilizantes nitrogenados en el suelo que
generan óxido nitroso (la principal emisión del sector en 2005 en Europa), aunque también se debe a la
quema de biomasa, la utilización de maquinaria agrícola, la elaboración de agroquímicos, la
transformación de terrenos naturales en terrenos cultivados, etc. (Bellarby et al., 2008).
La importancia de este tipo de estudios no reside únicamente en que enumeran las
consecuencias del cambio climático para la agricultura y las reservas de agua, sino que también
formulan diversas prácticas y medidas para mitigar dichas consecuencias, como la reducción de la
pérdida de agua durante la irrigación, la optimización de los patrones de cultivo, la restauración de
suelos orgánicos como sumideros de carbono, etc. (AquaStress, 2008; Bellarby et al., 2008).
5
2.3. Modelado mediante autómatas celulares.
Los modelos de usos del suelo sirven para explorar las dinámicas y las fuerzas impulsoras del
cambio en los usos del suelo y para detectar las políticas que contribuyen a esos cambios. Existe una
amplia gama de modelos, cada uno con sus ventajas y desventajas en función del objetivo del estudio.
Autores como Agarwal (2001), Verburg (2004) o Hersperger (2010) ofrecen revisiones de los
diferentes tipos de modelos, haciendo hincapié en sus métodos, escalas espacial y temporal, relación
con las fuerzas impulsoras del cambio, etc.
Uno de los métodos más empleados es el de autómatas celulares, cuya aplicación en el
modelado espacial se remonta a los años 90 (White y Engelen, 2000). En los modelos basados en
autómatas celulares se define un conjunto de celdas con un determinado estado en un momento dado,
que son capaces de cambiar a otro estado a lo largo de un tiempo especificado (Hewitt et al., 2015).
Este cambio depende de la influencia de varios factores, que dependen del modelo en concreto.
Tradicionalmente los autómatas celulares se han empleado en el modelado del crecimiento urbano
(Kirtland, 1994; Clarke et al., 1996; van Vliet et al., 2009), pero en la actualidad también se utilizan
para modelar la evolución de otros sectores, entre ellos el de la agricultura (Aguilera Benavente et al.,
2008; Yu, 2009; López, 2014).
Otros tipos de modelos son los denominados modelos basados en agentes, que se centran en el
comportamiento de los individuos hacia otros individuos y hacia los recursos naturales, por lo que
tradicionalmente se han utilizado en ecología, economía y sociología, entre otras disciplinas (Lee et
al., 2015). En los últimos años también se han utilizado en geografía, junto con autómatas celulares,
para simular el desarrollo urbano y el cambio en los usos del suelo (Parker et al., 2002), ya que este
tipo de modelos permite representar la toma de decisiones y las interacciones humanas.
Dado que el desarrollo de la agricultura está tan ligado a las decisiones políticas y económicas
(van Vliet et al., 2015), se concluyó que el modelo para simular su evolución debía presentar una
estructura que integrase los autómatas celulares con el modelado basado en agentes. Por esta razón se
escogió el modelo APoLUS, desarrollado en el marco del proyecto COMPLEX (VII Programa Marco
de la UE), y programado para el entorno del software libre R (Hewitt et al., 2013; 2015).
APoLUS se utilizó por primera vez para simular los usos del suelo en Overijssel (Países
Bajos) y Navarra (España), a partir de escenarios basados en diferentes políticas de energías
renovables, con el objetivo de contribuir a la comprensión de cómo se pueden alcanzar de forma
realista los objetivos de la UE en relación a la reducción del carbono en 2050 (Hewitt et al., 2015).
Este modelo se apoya en el trabajo de White y sus colaboradores en lo que a los parámetros de
los autómatas celulares se refiere (White y Engelen, 1993; White y Engelen, 2000; White et al., 2000):
vecindad (estado de cada celda y de las celdas situadas a su alrededor o en sus proximidades),
accesibilidad (relación con diferentes redes), aptitud (“facilidad” biofísica de un área del terreno para
albergar un determinado uso), zonificación (restricciones legislativas y planificación territorial) y un
parámetro estocástico (debido a que la actividad humana en el medio no es puramente determinista).
6
Sin embargo, APoLUS va más allá e integra el modelado basado en agentes, introduciendo en la
estructura anterior un nuevo parámetro, la dinámica de actores, que recoge el comportamiento de los
grupos que influyen en el tema en cuestión a través de cinco variables (motivación, conocimiento,
recursos, poder y afinidad) y tres niveles de acción (global, regional y local) (Hewitt et al., 2015).
3. Metodología.
3.1. Caso de estudio.
3.1.1 Delimitación espacial.
El área de estudio no pudo comprender toda Europa, sino únicamente los países de la Unión
Europea del centro y sur del continente (Figura 1). Concretamente, se incluyó la totalidad de quince
países (Austria, Bulgaria, Croacia, Eslovaquia, Eslovenia, España, Francia, Grecia, Hungría, Italia,
Luxemburgo, Malta, Portugal, República Checa y Rumanía) y una parte de otros tres (Alemania,
Bélgica y Polonia). Esta selección se debió a tres motivos:
a) El coste computacional. La inclusión de todos los países de Europa en un primer análisis
supuso la generación de archivos muy pesados que agotaron todos los recursos del ordenador,
impidiendo que el análisis finalizara con éxito. Por lo tanto, fue necesario elegir una zona de estudio
más reducida cuyo tamaño fuera manipulable por el ordenador. Para ello se eliminaron del estudio
determinados países, un hecho que se justifica en los siguientes puntos.
b) La disponibilidad de datos. Como se explica en la sección 3.2., los datos sobre usos del
suelo utilizados en este trabajo corresponden al proyecto CORINE Land Cover (CLC). Los datos de
1990 (el primer año del que se tiene información) no están disponibles para toda Europa, sino que falta
información sobre algunos países del norte y del este.
c) La dinámica de actores. Como se mencionó anteriormente, el modelo APoLUS permite
modelar el comportamiento de los grupos que ostentan un poder real sobre el tema en cuestión, que en
este caso es la agricultura intensiva. A nivel europeo, dicho comportamiento se ha modelado a partir de
las directivas de la Política Agraria Común (PAC), elaborados por y para los países miembros de la
UE, por lo que se decidió excluir a los países no comunitarios.
Figura 1. Área de estudio. Elaboración propia.
7
3.1.2. Delimitación temporal.
La delimitación temporal de la calibración y validación del modelo estuvo marcada por las
fechas de los datos disponibles, es decir, por los proyectos CORINE Land Cover (CLC) de 1990,
2000, 2006 y 2012, por lo que el proceso de calibración y validación se realizó con datos que cubren
un periodo de veintidós años.
Las simulaciones futuras se realizaron a 2030 y a 2050, dos fechas hacia las que la Unión
Europea dirige sus políticas de clima y energía. Concretamente, la UE pretende alcanzar una economía
hipocarbónica competitiva en la que sus emisiones internas de gases de efecto invernadero se reduzcan
un 40% en 2030 y un 80% en 2050 respecto a 1990, emisiones a las que la agricultura intensiva
contribuye de forma directa e indirecta (Bellarby et al., 2008; EU, 2011; EU, 2013). Además se
escogieron ambas fechas teniendo en cuenta que los modelos de cambios de usos del suelo están
planteados para simular periodos de hasta 30 o 40 años (Engelen, n.d.; White y Engelen, 2000).
3.2. Datos.
En esta sección se recogen todos los datos utilizados en el estudio, indicando también su
procedencia y su tratamiento. El tamaño de celda que se utilizó en los mapas fue de 1 kilómetro, ya
que se consideró el tamaño adecuado teniendo en cuenta la gran extensión del área de estudio, y el
sistema de referencia al que se adecuó toda la información fue ETRS89 LAEA.
3.2.1. Usos del suelo.
Se escogió la base de datos CORINE Land Cover (CLC), desarrollada por la Agencia Europea
del Medioambiente (EEA, en sus siglas en inglés), debido a que reúne los siguientes requisitos (EEA,
2007; EEA, 2014): cuenta con datos de cuatro fechas lo suficientemente espaciadas en el tiempo como
para analizar la evolución de los usos del suelo (1990, 2000, 2006 y 2012), cubre la mayor parte de
Europa, lo que permite realizar análisis a nivel continental, y posee cuarenta y cuatro categorías de
usos del suelo, con la misma nomenclatura y definición para todos los países.
Las cuarenta y cuatro categorías de la base de datos se reclasificaron de acuerdo a los intereses
de este trabajo, es decir, prestando especial atención a los usos agrícolas y su relación con el resto de
categorías. Esta reclasificación se basó en la obtención de unas categorías adecuadas para representar
las diversas formas de agricultura presentes en Europa, haciendo hincapié en los cultivos dependientes
de la irrigación. De esta forma, se agruparon los usos con características agrícolas similares en cuatro
grupos: uno de cultivos tradicionales, otro de agricultura de regadío y arrozales, otro de frutales y un
último de viñedos y olivares. También se crearon dos grupos de vegetación natural (bosques y resto de
usos naturales), otro con las categorías urbanas y artificiales, otro con las categorías que, desde el
punto de vista agrícola, son improductivas, otro con los usos hidrográficos y un último compuesto por
las zonas sin datos. En la Tabla 1 se pueden observar las nuevas categorías tras la reclasificación con
sus correspondientes usos en el CLC.
8
Tabla 1. Categorías generadas tras la reclasificación del CLC. Elaboración propia.
Nº Categoría
reclasificada Abreviación Categorías CLC (código)
1 Vegetación
natural Nat
Pastizales naturales (321), landas y matorrales (322), vegetación
esclerófila (322), matorral boscoso de transición (324), espacios
con vegetación escasa (333), zonas quemadas (334), humedales
y zonas pantanosas (411), turberas y prados turbosos (412),
marismas (421), salinas (422), zonas llanas intermareales (423).
2 Bosques Bosque Bosque de frondosas (311), de coníferas (312), mixto (313).
3
Superficies
urbanas y
artificiales
Urb
Tejido urbano continuo (111), tejido urbano discontinuo (112),
zonas industriales y comerciales (121), redes viarias,
ferroviarias y terrenos asociados (122), zonas portuarias (123),
aeropuertos (124), zonas de extracción minera (131),
escombreras y vertederos (132), zonas en construcción (133),
instalaciones deportivas y recreativas (142).
4 Cultivos
tradicionales Agtrad
Tierras de labor en secano (211), prados y praderas (231),
cultivos anuales asociados a cultivos permanentes (241),
mosaico de cultivos (242), terrenos principalmente agrícolas con
importantes espacios de vegetación natural (243), sistemas agro-
forestales (244).
5 Regadío y
arrozales Agreg Terrenos regados permanentemente (212), arrozales (213).
6 Frutales Frut Frutales y plantaciones de bayas (222).
7 Viñedos y
olivares Vinol Viñedos (221), olivares (223).
8 Improductivo Imp Playas, dunas y arenales (331), roquedo (332), glaciares y
nieves permanentes (335).
9 Agua Agua Cursos de agua (511), láminas de agua (512), lagunas costeras
(521), estuarios (522), mares y océanos (523).
10 Fuera Fuera Sin datos/fuera del área de estudio
Las categorías que se consideraron como agricultura intensiva fueron “regadío y arrozales”,
“frutales” y “viñedos y olivares”, debido a su gran dependencia de la irrigación para lograr
rendimientos altos. Según el IGN (2002, p. 16-20), estos usos se definen de la siguiente forma:
a) Terrenos regados permanentemente: “cultivos regados permanentemente o periódicamente,
utilizando una infraestructura permanente (canales de riego, redes de drenaje). La mayoría de estos
cultivos no pueden ser cultivados sin un aporte artificial de agua. No incluye tierras regadas
esporádicamente”.
b) Arrozales: “terrenos preparados para el cultivo del arroz. Superficies llanas con canales de
riego. Superficies inundadas periódicamente”.
c) Frutales y plantaciones de bayas: “parcelas plantadas con frutales o arbustos: especies
únicas o mezcladas de frutales, frutales asociadas con áreas permanentemente cubiertas de hierba.
Incluye plantaciones de lúpulo; plantaciones de arbustos de bayas, cultivos de grosellas rojas y/o
negras, frambuesas, grosellas espinosas y moras; plantaciones de sauces para la producción de
mimbre; frutales bajo invernaderos; frutas, huertas de manzanos, perales, ciruelos, albaricoqueros,
melocotoneros, cerezos, higueras, membrilleros y otras rosáceas; cultivos leñosos: castaños, nogales,
9
almendros, avellanos y pistachos; plantaciones permanentes de rosales para floristería; frutales
tropicales; cítricos: naranjas, limones, mandarinas, pomelos, tangerinas; cultivos industriales
permanentes: café, cacao, moreras, té; invernaderos dispersos”.
d) Viñedos: “terrenos plantados con viñas. Incluye viveros vitícolas dentro de zonas de
viñedos; viñedos para producción de vino; viñedos para uva de mesa y pasas”.
e) Olivares: “áreas plantadas con olivos, incluyendo mezcla de olivos y viñas en una misma
parcela. Excluye olivos como parte de un bosque de perennifolias, olivos silvestres y olivares
abandonados”.
Según la Organización de las Naciones Unidas para la Alimentación (FAO en sus siglas en
inglés), la cantidad de agua requerida para cada tipo de cultivo por temporada varía según el clima, las
características del suelo, la especie, la duración del periodo de crecimiento, etc., pero en líneas
generales algunos cultivos como la sandía y el tomate necesitan entre 400 y 600 mm, los olivos de alto
rendimiento entre 600 y 800 mm, las uvas entre 500 y 1200 mm y los cítricos entre 900 y 1200 mm
(FAO, 2015).
3.2.2. Otros datos.
Los límites administrativos fueron necesarios para modelar la dinámica de actores, ya que
estos ejercen su influencia en un determinado nivel de acción. Como únicamente se utilizó el nivel
global, que consistió en los límites del continente, se utilizó el nivel 0 de la Nomenclatura de las
Unidades Territoriales Estadísticas (NUTS), tras eliminar los límites de los países (EEA, 2016).
Tanto la red de carreteras como la red hidrográfica se utilizaron para modelar la accesibilidad.
Ambas se obtuvieron del dataset Natural Earth (2016) y se adecuaron al área de estudio. Para su
utilización en el modelo fue necesario realizar un cálculo de distancia euclidiana, que se realizó
mediante el software ArcGIS.
El Modelo Digital de Elevaciones (MDE) utilizado fue el GTOPO30, desarrollado por United
States Geological Survey (USGS). A partir de este MDE, y utilizando el software ArcGIS, se obtuvo el
mapa de pendientes que se empleó en el modelado de la aptitud.
Para modelar la zonificación se utilizó el mapa de espacios naturales protegidos de la Red
Natura 2000 (EEA, 2016).
El comportamiento de los actores se configuró a partir de los diferentes documentos en los que
se exponen las intenciones y determinaciones de los grupos responsables de la gestión de la
agricultura, del medioambiente y del agua. Gran parte de los recursos utilizados para el modelado de la
dinámica de actores pertenecen al ámbito español, debido a que son más accesibles y próximos a la
autora, aunque para un modelado más completo se deberían utilizar fuentes de toda Europa. La postura
de la UE se plasmó a partir del Libro Blanco sobre adaptación al cambio climático y el complemento
sobre el reto para la agricultura y las zonas rurales europeas (EU, 2009a; EU, 2009b), en el que se
expone la contribución de la Política Agraria Común (PAC) a la adaptación y se proporcionan
directrices para una estrategia de adaptación del sector agrario. La posición de los gobiernos
10
regionales se configuró tomando como ejemplo una ley y una orden recogidas en dos Boletines
Oficiales de dos Comunidades Autónomas de España: la Ley Agraria de Extremadura (LAE 6/2015,
de 24 de marzo) y la orden sobre ayudas en el marco del programa de desarrollo rural de la Región de
Murcia 2014-2020 (O. 11783/2015, de 26 de noviembre). La situación de los agricultores se derivó del
proyecto Aquastress (2008), en el que se recogen los resultados de talleres participativos con
agricultores de olivos en la cuenca del Guadiana (Portugal) y de cítricos en Cerdeña (Italia). La actitud
del sector hidrográfico respecto a la irrigación se modeló a partir de la Federación Nacional de
Comunidades de Regantes de España (FENACORE, 2014) y los responsables de abastecimiento (en
este caso se consultaron las páginas web de dos empresas de la industria del agua: Grupo Agbar y
Acuamed). La postura de la comunidad científica y de la comunidad medioambientalista se configuró
teniendo en cuenta todos los artículos utilizados en esta investigación, prestando especial atención a
Bellarby et al. (2008), AquaStress (2008), IPCC (2000), Phalan et al. (2011), ESPON (2013) y
Garnett et al. (2014).
El mapa de la potencial vulnerabilidad al cambio climático se desarrolló en el marco del
programa ESPON Climate (ESPON, 2013), cuyo objetivo fue realizar una evaluación de
vulnerabilidad europea como base para identificar tipologías regionales de exposición, sensibilidad,
impacto y vulnerabilidad al cambio climático. Dicho mapa se calculó a partir de la combinación de los
datos sobre los potenciales impactos regionales del cambio climático y la capacidad de adaptación
regional al mismo (IPCC, 2000).
3.3 Técnicas de análisis.
3.3.1. Transiciones sistemáticas entre usos del suelo.
Como paso previo a la calibración del modelo se realizó un análisis de pérdidas y ganancias en
el área y periodo de estudio elegidos mediante la metodología propuesta por Pontius et al. (2004), que
sirve para identificar las transiciones sistemáticas ocurridas a lo largo de un determinado periodo de
tiempo. El objetivo de este análisis fue conocer los patrones sistemáticos de cambio para utilizarlos
posteriormente en la elaboración de unas normas de vecindad acordes con los cambios ocurridos.
Para ello se partió de una tabulación cruzada de los mapas de 1990 y 2012, con la cantidad de
píxeles que permanecieron estables (persistencia) y la cantidad de píxeles que experimentaron una
transición desde una categoría a otra (cambio). A continuación, los píxeles de dicha matriz se
convirtieron en porcentajes, permitiendo conocer la proporción del área de estudio ocupada por cada
categoría en cada fecha. Con dichos porcentajes se calcularon las ganancias y pérdidas esperadas para
cada categoría si los cambios se hubieran producido como parte de un proceso aleatorio, generando así
dos matrices de cambios: una de ganancias y otra de pérdidas.
Posteriormente se calculó la diferencia entre los porcentajes de cambio real y los porcentajes
de ganancias y pérdidas esperadas. En los casos en los que la diferencia entre el porcentaje de cambio
observado y el porcentaje de cambio esperado entre dos categorías fue positiva, se concluyó que el
cambio entre esas categorías fue sistemático, es decir, no formó parte de un proceso de cambio
11
aleatorio. Por el contrario, en los casos en los que la diferencia presentó un valor de 0 o un valor
negativo se concluyó que el cambio sí formó parte de un proceso aleatorio.
3.3.2. El modelo APoLUS.
El modelo APoLUS se basa en el modelo de autómatas celulares, que integra teorías
matemáticas de auto-reproducción en autómatas y procesos estocásticos con la cartografía en formato
ráster. En el modelo se define un conjunto de celdas con un determinado estado en un momento dado y
que son capaces de cambiar a otro estado a lo largo de un tiempo especificado. Este cambio depende
de la influencia de varios parámetros: vecindad, accesibilidad, aptitud y zonificación. Sin embargo,
APoLUS incluye una novedad respecto a otros modelos basados en autómatas celulares, y es que
integra el planteamiento de los modelos basados en agentes, es decir, las acciones de los grupos que
influyen en el sector que se desea modelar están directamente representadas mediante un nuevo
parámetro, denominado dinámica de actores (Hewitt et al., 2015). Esta incorporación es muy útil para
simular procesos que son muy dependientes de las decisiones políticas y económicas, como lo es el
desarrollo de la agricultura en Europa.
Los cinco parámetros sirven para generar normas de transición que permiten simular el
proceso de cambio a lo largo de un periodo de tiempo y dar como resultado una nueva configuración
de los usos del suelo en una fecha futura. La simulación procede de manera cronológica en pasos de
un año desde un mapa base de los usos del suelo en el primer año de la simulación (t0) hasta llegar a la
fecha deseada (tf), n años posterior a la fecha de comienzo. En cada paso anual (t1, t2, t3, etc.) se
asignan todos los usos a las celdas del mapa en función de su potencial de transición, que se calcula de
la siguiente manera (Hewitt et al., 2015):
tPj,c =
tD j,c ·
tN j,c ·
tA j,c ·
tZ j,c ·
tS j,c ·
tv j,c [1]
siendo P = potencial de transición, D = dinámica de actores, N = efecto de vecindad, A = accesibilidad,
Z = zonificación, S = aptitud, v = factor estocástico, j = uso del suelo, c = celda, t = año.
La cantidad de celdas asignadas para cada uso depende de la demanda (∆) de este uso en cada
paso anual. Para las etapas de calibración y validación, ∆ se calcula de la siguiente forma:
((tf∆j -
t0∆j) / n) ·
tn) +
t0∆j [2]
siendo tf∆j = número de celdas para el uso j en el año final de la calibración,
t0∆j = número de celdas
para el uso j en el año de comienzo de la calibración, n = número total de años entre el comienzo y el
final de la simulación, tn = número de pasos anuales transcurridos desde el comienzo de la simulación.
Para simular un uso futuro tf∆j es desconocida, y por lo tanto debe ser estimada, bien como
extensión de la tendencia histórica (como en esta investigación), o bien a partir de escenarios de
cambio, que pretenden tener en cuenta una gama de posibles tendencias de crecimiento.
Previamente al proceso de calibración fue necesario decidir las características de las categorías
presentes en el área de estudio. Una de estas características es el estatus, que hace referencia al tipo de
comportamiento, que puede ser dinámico activo (aumenta su extensión), dinámico pasivo (disminuye
su extensión) o estático (se mantiene estables) (Hewitt et al. 2015). Como se puede observar en la
12
Tabla 2, la única categoría clasificada como pasiva (p) es la de cultivos tradicionales, ya que su
extensión disminuyó fuertemente (53010 km2 menos). La vegetación natural, los bosques, las
superficies urbanas y artificiales y los otros tres usos agrícolas se definieron como activos (a), ya que
su tamaño aumentó (a excepción de la vegetación natural, cuyo tamaño disminuyó pero se clasificó
como activa porque la diferencia entre ambas fechas fue muy pequeña en comparación con el resto).
Por último, las categorías de improductivo, agua y fuera se definieron como estáticas (e), ya que son
usos que cambiaron muy poco y que no son atractivos para la expansión del resto.
La segunda característica hace referencia a si se tiene en cuenta el parámetro de la dinámica de
actores o no. Este parámetro únicamente se utiliza para las categorías cuyo desarrollo se quiere
modelar y estudiar, que en este caso fueron las categorías agrícolas intensivas, mientras que para el
resto de usos este parámetro no se tuvo en cuenta.
Tabla 2. Características de las categorías en el modelo. Elaboración propia.
Nº Nombre Total 1990 (Km2) Total 2012 (Km
2) Estatus Dinámica de actores
4 Agrad 1219161 1166151 p No
1 Nat 334398 332480 a No
2 Bosque 694738 713276 a No
3 Urb 78638 95644 a No
5 Agreg 34327 42146 a Si
6 Frut 21783 25266 a Si
7 Vinol 79021 86240 a Si
8 Imp 17241 15739 e No
9 Agua 610652 612778 e No
10 Fuera 2758041 2758280 e No
3.3.3. El proceso de calibración y validación.
La calibración consistió en definir valores de vecindad, accesibilidad, aptitud y zonificación y
ejecutar el modelo a partir del mapa de 1990 para obtener una simulación del mapa de 2000, que se
comparó con el mapa real de esta última fecha. Por otra parte, la validación consistió en aplicar los
valores obtenidos durante la calibración a otras dos fechas, 2006 y 2012, y comparar estos mapas con
los mapas reales. Una vez que el éxito de la calibración del modelo se confirmó mediante el índice
Kappa Simulation (van Vliet et al., 2011), se consideró como listo para generar simulaciones futuras.
La vecindad de una celda se define como la región de su alrededor cuya distancia depende de
un número determinado de celdas. Sirve para calcular el efecto de vecindad, que es una función
formada por el estado de una celda y el estado de sus celdas vecinas en un momento determinado (van
Vliet et al. 2009). Para este estudio se comprobó que la distancia más adecuada para determinar la
vecindad fue, en algunos casos, de tres celdas a cada lado de la celda central, y en otros, de dos celdas.
Dicho con otras palabras, la vecindad de cada celda se definió con una matriz de 7x7 o de 5x5, en la
que la celda en cuestión ocupó el lugar central. Estas matrices se utilizaron para elaborar las normas de
vecindad, en las que se representó la influencia de los usos del suelo mediante valores de atracción de
un uso a otro en función de la distancia. Las normas de vecindad se crearon únicamente para los usos
13
definidos como activos, y sus valores de influencia se basaron en los resultados del análisis de
transiciones sistemáticas (sección 4.1) y se corrigieron y precisaron a través del ensayo y error. Las
normas de vecindad utilizadas se incluyen en el Anexo (Tabla 1).
La accesibilidad mide el grado de acceso de una celda a una red, y se obtiene mediante la
distancia euclidiana más corta desde la celda a la red. Las redes que se utilizaron fueron la de
carreteras y la de hidrografía, para las que se obtuvieron mapas de distancia euclidiana en los que los
valores más bajos se correspondieron con las celdas más cercanas a las carreteras y los ríos. Para
generar los mapas de accesibilidad en APoLUS fue necesario reclasificar los valores de las redes en
rangos de distancia en función de su influencia en la ubicación de los distintos usos del suelo. Esta
reclasificación se normalizó en una escala de 0-1 para reducir el coste computacional. Además, a cada
red se le adjudicó un peso correspondiente a su relativa importancia en la ubicación de cada uso, por lo
que los mapas de accesibilidad de cada categoría se multiplicaron por dicho peso y finalmente se
sumaron para obtener un único mapa accesibilidad para cada una (Hewitt et al., 2015). No todas las
categorías activas necesitaron una configuración de accesibilidad, sino sólo aquellas cuya localización
es muy dependiente de la situación de las carreteras y/o de los ríos (superficies urbanas y superficies
agrícolas). La configuración de la accesibilidad se puede consultar en el Anexo (Tabla 2).
La aptitud se define como las variables biofísicas que expresan la capacidad de una celda para
albergar un determinado uso del suelo (Engelen, n.d.). Para este caso se utilizó el mapa de pendientes,
que al igual que para la accesibilidad, se reclasificó en diferentes rangos y se normalizó entre 0-1. Un
dato muy significativo para modelar este parámetro hubiera sido el potencial del terreno para albergar
cada tipo de cultivo, un dato que del que no se pudo disponer. La configuración de la aptitud para las
superficies urbanas y las superficies agrícolas también se puede consultar en el Anexo (Tabla 3).
La zonificación hace referencia a las restricciones institucionales que afectan a los cambios en
los usos del suelo, y en este caso se representó mediante la Red Natura 2000 de espacios protegidos,
en los que no es posible la expansión urbana y agrícola. Por ello, en los mapas de zonificación de la
categoría urbana y de las categorías agrícolas estos espacios recibieron la condición “estrictamente
restringidos”.
3.3.4. El índice Kappa Simulation
Una calibración es exitosa si es capaz de explicar mejor que un proceso aleatorio los cambios
en los usos del suelo a lo largo del tiempo. El índice Kappa Simulation, implementado en el software
Map Comparision Kit, evalúa la concordancia entre el mapa simulado y el mapa real, ajustándose a los
datos del mapa original, es decir, el mapa de partida de la simulación. Kappa Simulation es el
resultado de dos tipos de similitud: Kappa Transition, que mide la similitud del tamaño de las
transiciones entre las diferentes categorías (de 0 a 1), y Kappa Transloc, que mide la similitud en la
localización de esas transiciones (de -1 a 1). Los valores de Kappa Simulation van de -1 a 1, donde 1
indica una concordancia perfecta y 0 indica una concordancia tan buena como se esperaría en un
14
proceso aleatorio, mientras que un valor por debajo de 0 significa que el modelo no explica los
cambios (van Vliet et al., 2011).
Los valores de Kappa Simulation para la calibración y las validaciones son bastantes bajos
(0.055, 0.098 y 0.026), aunque son los más altos que se han podido alcanzar dada la limitación en el
tiempo de la investigación. Al desglosar Kappa Simulation, se observa que los valores de Kappa
Transition son 0.419, 0.659 y 0.273 y los de Kappa Transloc son 0.130, 0.148 y 0.094, lo que se
interpreta como que en general el modelo simula correctamente los tipos de cambios pero que esos
cambios no se colocan de forma exacta. Como todos los valores son mayores a 0 se puede deducir que
el modelo explica los cambios en los usos del suelo mejor que lo explicaría un proceso aleatorio, y que
por lo tanto es válido para realizar una simulación futura, aunque es deseable lograr unas estadísticas
más altas durante el proceso de calibración y validación. Los índices desglosados para cada categoría
en cada fecha se incluyen en el Anexo (Tablas 4, 5 y 6).
3.3.5. La dinámica de actores
La dinámica de actores permite modelar explícitamente el comportamiento de los grupos que
influyen en el desarrollo de un determinado sector. Incluye cinco variables: motivación (para la
implementación del modelado de la categoría en cuestión), conocimiento (sobre la materia que se
trata), recursos (económicos o de otro tipo), poder (respecto al resto de actores) y afinidad (interés en
la implementación del modelado de la categoría en cuestión). También incluye tres niveles de acción:
global, regional y local. Este parámetro no forma parte del proceso de calibración y validación, sino
que directamente se implementa en la simulación de las fechas futuras (Hewitt et al., 2015).
Únicamente se utilizó el nivel global, que quiere decir que los actores ejercieron su valor de
influencia en todas las regiones de la UE por igual. Se decidió realizar las simulaciones considerando
que la política agraria, las aspiraciones de los agricultores, los criterios de utilización del agua para el
riego, etc., serían los mismos para toda la UE en las dos fechas seleccionadas, fundamentalmente para
hacer más sencillo el modelo.
La dinámica de actores se aplicó únicamente a las tres categorías agrícolas cuyo desarrollo se
quiso modelar (regadío y arrozales, frutales, y viñedos y olivares). Los actores que se escogieron para
modelar la evolución de dichas categorías fueron los siguientes: Unión Europea, gobiernos regionales,
comunidades de regantes, responsables de abastecimiento, comunidad científica y comunidad
medioambientalista. En el Anexo (Tabla 7) se puede consultar la estimación de la afinidad y el grado
de motivación, conocimiento, recursos y poder de cada actor en función de la documentación que se
incluye en la sección 3.2.2., y que se cuantificó en base a la Tabla 8, también en el Anexo. El mapa del
nivel global consistió en el mapa de NUTS 0 de la EEA sin los límites administrativos.
4. Resultados y discusión.
4.1. Transiciones sistemáticas entre usos del suelo.
Las tablas con los porcentajes de cambio en términos de pérdidas y de ganancias y su
diferencia con los porcentajes reales se incluyen en el Anexo, en las Tablas 9 y 10, respectivamente.
15
Observando únicamente los porcentajes de cambio real, y como ya se adelantó en la sección
3.3.2., se concluye que la categoría que perdió una mayor extensión de terreno fue la de cultivos
tradiciones, que pasó de ocupar el 20.85% del área de estudio en 1990 a ocupar el 19.94% en 2012.
Sin embargo, las categorías de regadío y arrozales, frutales, y viñedos y olivares crecieron,
aumentando, respectivamente, del 0.59% al 0.72%, del 0.37% al 0.43% y del 1.35% al 1.47%. Al
sumar todos los porcentajes de agricultura para cada fecha, se observó que el porcentaje de 1990
(23.16%) es mayor que el de 2012 (22.56%), lo que significa que si no se desglosan los diferentes
tipos de cultivos, lo que se observa es una disminución general de la agricultura. Este dato concuerda
con el análisis realizado por Kuemmerle et al. (2016), incluido en los antecedentes de este trabajo.
La vegetación natural sufrió una pequeña pérdida de terreno, pasando del 5.72% en 1990 al
5.69% en 2012, mientras que los bosques aumentaron del 11.88% al 12.20%. La categoría urbana
también aumentó, pasando del 1.34% en 1990 al 1.64% en 2012, las categorías de improductivo y de
agua prácticamente no cambiaron (del 0.29% al 0.27% la primera y del 10.44% al 10.48% la segunda),
mientras que prácticamente la mitad del área de estudio pertenece en ambas fechas a a la categoría
“fuera”, formada por las zonas no incluidas en el estudio pero necesarias para el correcto
funcionamiento del modelo (del 47.16% en 1990 al 47.17% en 2012)
En cuanto a las transiciones sistemáticas, por un lado se observaron dos procesos de cambio
sistemático entre las dos categorías naturales: de vegetación natural en 1990 a bosque en 2012 y
viceversa. El primer proceso se relaciona con la expansión de los bosques (van Vliet et al., 2015;
Plienninger et al., 2016), mientras que el segundo puede responder a diversas causas, como la
eliminación de las especies invasoras introducidas en el Parque Nacional de Doñana (España) con
anterioridad a las actuales políticas de conservación (Escobar et al., 2015).
Por otro lado, el resto de cambios sistemáticos estuvo protagonizado por la categoría de
cultivos tradicionales, que aumentó y disminuyó su área a costa del resto de usos. La agricultura
tradicional perdió bastante más terreno del que cabría esperar en un proceso aleatorio, sobre todo en
favor de la vegetación natural y los bosques (un 0.89% más de lo esperado, lo que puede relacionarse
con el abandono de tierras y las nuevas demandas de terrenos para la conservación de la naturaleza),
seguido de las superficies urbanas (un 0.34% más de lo esperado, debido a la expansión urbana) (van
Vliet et al., 2015; Plienninger et al., 2016).
Además, los cultivos tradicionales también perdieron terreno en favor del resto de categorías
agrícolas, consideradas en este estudio como intensivas por su gran dependencia de la irrigación.
Concretamente, la agricultura tradicional perdió un 0.28% más de lo esperado en favor de los viñedos
y olivares, un 0.20% más en favor de la agricultura de regadío y arrozales, y un 0.13% más en favor de
los frutales. Estos datos ponen de manifiesto el aumento de la agricultura intensiva en Europa, cuyo
desarrollo se produce principalmente sobre terrenos previamente dedicados a una agricultura
considerada como tradicional (tierras de labor en secano, prados y praderas, cultivos anuales asociados
16
a cultivos permanentes, mosaico de cultivos, terrenos principalmente agrícolas con importantes
espacios de vegetación natural y sistemas agro-forestales).
También se observaron procesos inversos a los anteriormente explicados, es decir, transiciones
sistemáticas de las categorías naturales y de los usos agrícolas intensivos a los cultivos tradicionales,
aunque no tan importantes como para evitar la disminución de la agricultura tradicional a nivel
general. Entre las dos categorías naturales perdieron un 0.49% más de lo esperado en favor de la
agricultura tradicional, mientras que para el caso de las categorías intensivas la diferencia entre los
cambios reales y los cambios esperados son demasiado pequeñas como para tenerlas en cuenta,
destacando únicamente la pérdida de viñedos y olivares (un 0.13% más de lo esperado). Es llamativa
la transición sistemática de urbano a cultivos tradicionales, cuya diferencia entre el cambio real y el
cambio esperado no es grande (0.12%), pero que posiblemente se deba a un error fruto de la escala de
análisis (1 kilometro), ya que no es habitual que se produzca una reducción del espacio urbano.
En conclusión, entre 1990 y 2012 se produjeron, por un lado, cambios sistemáticos entre los
usos naturales, por otro, una expansión de la categoría urbana, y finalmente, una pérdida de los
cultivos tradicionales acompañada del aumento de la agricultura de regadío, los arrozales, los viñedos,
los olivares y los frutales.
4.2. Simulaciones a 2030 y a 2050.
Las simulaciones se realizaron con los parámetros anteriormente calibrados, con la influencia
de los actores y como extensión de la tendencia histórica. En la Tabla 3 se recoge el área estimada para
cada categoría en las dos simulaciones y en la Figura 2 se muestra su composición cartográfica.
Como era de esperar, únicamente cambiaron las categorías dinámicas, mientras que las
estáticas se mantuvieron invariables (improductivo, agua y fuera). La única categoría dinámica activa
que disminuyó fue la de vegetación natural, mientras que bosque, agricultura de regadío y arrozales,
frutales, y viñedos y olivares aumentaron su extensión, todo ello debido a la tendencia histórica.
Además, las tres categorías agrícolas también aumentaron por el gran impulso ejercido por los actores
en la simulación, ya que la mayoría se modeló como partidaria del desarrollo de estos cultivos.
Tabla 3. Área total para cada categoría en 2012, 2030 y 2050.
Nº Categoría Total 2012 Total 2030 Total 2050
Km2 % (Km
2) % (Km
2) %
1 Nat 332480 5.69 329308 5.63 325784 5.57
2 Bosque 713276 12.20 732144 12.52 753108 12.88
3 Urb 95644 1.64 109936 1.88 125817 2.15
4 Agtrad 1166151 19.94 1095946 18.74 1017939 17.41
5 Agreg 42146 0.72 56539 0.97 72531 1.24
6 Frut 25266 0.43 32346 0.55 40214 0.69
7 Vinol 86240 1.47 104984 1.80 125810 2.15
8 Imp 15739 0.27 15739 0.27 15739 0.27
9 Agua 612778 10.48 612778 10.48 612778 10.48
10 Fuera 2758280 47.17 2758280 47.17 2758280 47.17
Total 5848000 100 5848000 100 5848000 100
18
Concretamente, el modelo permitió estimar un aumento, respecto a 2012, del 0.25% en 2030 y
del 0.52% en 2050 para la agricultura de regadío y arrozales, del 0.12% en 2030 y del 26% en 2050
para los frutales, y del 0.33% en 2030 y del 0.68% en 2050 para los viñedos y olivares. Todo ello en
perjuicio del uso pasivo, la agricultura tradicional, que perdió un 1.2% en 2030 y un 2.53% en 2050
respecto a 2012.
En ambas simulaciones el aumento de los bosques, las superficies urbanas y los cultivos
intensivos se produjo alrededor de las superficies que ya albergaban dichas categorías en 2012, es
decir, el aumento se tradujo en una expansión de las áreas que previamente estaban catalogadas con
estos usos, un fenómeno que se debe al efecto de vecindad.
4.3. Comparación con las zonas potencialmente vulnerables al cambio climático.
El mapa de la potencial vulnerabilidad al cambio climático desarrollado en el programa
ESPON Climate (2013) combina los datos sobre los potenciales impactos del cambio climático y la
capacidad del territorio para adaptarse a ellos (Figura 3). Una potencial vulnerabilidad alta se traduce
en que el territorio es propenso a sufrir impactos perjudiciales y que no posee la capacidad para
hacerles frente o para mitigar sus consecuencias.
Figura 3. Potencial vulnerabilidad al cambio climático. Fuente: adaptación de ESPON (2013)
La comparación entre este mapa y los resultados de las simulaciones se realizó por regiones
geográficas, ya que sus territorios muestran resultados similares.
La región mediterránea es la potencialmente más vulnerable al cambio climático, con focos de
impacto negativo alto principalmente en la costa de Portugal, de España (incluyendo las Islas
Baleares), de Italia (incluyendo Cerdeña), y de Grecia. Además, en estos cuatro países se observan
amplias zonas de impacto negativo medio y, en menor medida, áreas de impacto negativo bajo. No
existen datos para Malta, pero su potencial vulnerabilidad podría asimilarse a la del sur de Italia
(impacto negativo medio y alto). Llaman la atención algunas islas griegas del Mar Egeo, ya que
muestran un impacto positivo bajo (la única zona del área de estudio con esta característica). Entre
1990 y 2012 ha sido la región que ha albergado, con mucha diferencia, las mayores extensiones de
regadío, arrozales, frutales, viñedos y olivares, por lo que siguiendo la tendencia histórica se puede
pensar que en el futuro también será la región donde más se desarrollen (Figura 4). En cuanto a la
19
localización, los cinco tipos de cultivos se encuentran repartidos por todo el territorio de Portugal,
España, Italia y Grecia, aunque predominan en la costa y junto a los ríos. En la actualidad es la región
que requiere una mayor cantidad de agua para irrigación (30.04 Km3/año), y la que ejerce una mayor
presión sobre los recursos hídricos (9.8%) (Frenken, K. y Gillet, V., 2012). El hecho de que la región
mediterránea tenga el mayor potencial de vulnerabilidad al cambio climático y sea la que mayores
extensiones de cultivos intensivos albergue en el futuro, debería ser determinante a la hora planificar
las políticas medioambientales, agrícolas y económicas, ya que por un lado la agricultura contribuye al
desarrollo del cambio climático (emisión de gases de efecto invernadero, gasto indiscriminado de
agua, etc.), y por otro el cambio climático podría perjudicar seriamente esta actividad (escasez de agua
para el riego, eventos climáticos extremos que dañan las cosechas, etc.). Se puede concluir que en
todos los países de la región existe un riesgo muy alto para la continuidad de la agricultura intensiva,
ya que se verán muy afectados por el cambio climático, no cuentan con los recursos más idóneos para
mitigar sus consecuencias y cada vez ejercen una mayor presión sobre los recursos hídricos.
Figura 4. Total de los cultivos intensivos en 2012 y estimación para 2030 y 2050 por región.
La situación en Europa occidental es más variada. Los únicos focos de impacto negativo
medio se observan en Francia, a lo largo de la costa, aunque la mayor parte de su área se califica como
de impacto negativo bajo. En Bélgica, Alemania, Luxemburgo y Austria predomina el impacto
marginal, aunque se observan algunos focos de impacto negativo bajo. Como extensión de la
tendencia histórica también se estima un aumento de la extensión de los cultivos intensivos en esta
región, aunque el total de 2012 y los totales estimados para 2030 y 2050 están muy por debajo de los
de la región mediterránea. En Francia se desarrollan las tres categorías agrícolas intensivas, sobre todo
en la costa sur. El área de Alemania incluida en la zona de estudio muestra la presencia de frutales y
viñedos y olivares, al igual que Austria. En Luxemburgo se observa una pequeña área de viñedos y
olivares, mientras que en el área de Bélgica incluida en la zona de estudio no se desarrolla ninguno de
estos usos. La cantidad de agua requerida en la actualidad para irrigación en esta región es bastante
baja en comparación con la de la región mediterránea (2.60 Km3/año), al igual que la presión sobre los
recursos hídricos (0.5%) (Frenken, K. y Gillet, V., 2012). En conclusión, el país que presenta un mayor
riesgo para la continuidad de la agricultura intensiva es Francia, ya que tiene un mayor potencial de
vulnerabilidad al cambio climático y una mayor cantidad de cultivos regados.
125561 153201
181544
16669 24577 31345 11422 16091 25666
0
50000
100000
150000
200000
2012 2030 2050
Total de cultivos intensivos por región (Km2)
Mediterránea
Occidental
Central
20
Europa central también muestra variedad: en Eslovenia, Bulgaria y Rumania predomina el
impacto negativo medio, con algunos focos de impacto negativo alto y bajo, en Hungría y Eslovaquia
se observa un impacto negativo bajo, mientras que en República Checa y Polonia predomina el
impacto marginal. No hay datos para Croacia, pero su potencial vulnerabilidad podría asimilarse al de
Eslovenia y Hungría (impacto negativo medio y bajo). Esta región es en la que menos se ha
desarrollado el regadío, los arrozales, los frutales, los viñedos y los olivares. Los únicos países en los
que tienen presencia todos estos usos son Bulgaria, Croacia, Hungría, República Checa y Rumanía,
mientras que en Eslovaquia y Eslovenia sólo hay presencia de frutales y viñedos y olivares, y en el
área de Polonia incluida en el estudio únicamente se observan frutales. En esta región los cultivos se
encuentran por lo general en el interior de los países, junto a los ríos y lagunas. La cantidad de agua
requerida para irrigación es incluso menor que para Europa occidental (0.68 Km3/año), al igual que su
presión sobre los recursos hídricos (0.3%) (Frenken, K. y Gillet, V., 2012). En este caso, los países
más vulnerables al cambio climático también coinciden con los países que albergan más cantidad de
cultivos intensivos, que son Bulgaria, Rumanía, Hungría y Croacia, y que son, por lo tanto, los países
que presentan un mayor riesgo para la continuidad de la agricultura intensiva.
En resumen, los países potencialmente más vulnerables al cambio climático son los
mediterráneos, mientras que cuanto más al norte, menor impacto negativo se estima. Esto se debe, por
un lado, a que los países del sur del continente son más propensos a sufrir un gran aumento de las
temperaturas y un mayor grado de sequía, y por otro, a que tienen una menor capacidad para mitigar
las consecuencias del cambio climático, mientras que los países del norte son más frescos y cuentan
con más recursos para hacer frente a este fenómeno (ESPON, 2013). Paralelamente los países
mediterráneos junto con Francia son los que con diferencia albergan las mayores extensiones de
regadío, arrozales, frutales, viñedos y olivares, que con mucha probabilidad aumentarán en el futuro, y
cuyo desarrollo es una de las principales actividades económicas de gran parte de sus territorios. Por
esta razón, es necesario formular y aplicar prácticas que permitan la consecución de rendimientos altos
en la agricultura en estas zonas sin contribuir al desarrollo del cambio climático ni al deterioro del
medio ambiente, o al menos que permitan mitigar los daños causados por esta actividad (como la
intensificación sostenible), prácticas que deben regularse y coordinarse desde la Unión Europea.
4.4. Aportaciones, limitaciones y futuras líneas de investigación.
Esta investigación sirve como complemento a los estudios que se han realizado sobre cambios
en los usos del suelo en Europa durante las últimas décadas y que ponen de manifiesto la disminución
de la agricultura en el continente, ya que al desglosar los diferentes tipos de agricultura se observó que
no todos los tipos de cultivos han disminuido, sino que hay determinados cultivos que no sólo no han
reducido su extensión con el tiempo si no que la han aumentado.
Es un estudio novedoso debido a la metodología empleada, ya que las simulaciones de los
usos del suelo se realizaron mediante un modelo de autómatas celulares que integra los principios del
modelado basado en agentes, una combinación poco utilizada en la actualidad para simular el cambio
21
en los usos del suelo. Sin embargo, las simulaciones son muy dependientes tanto de los datos
disponibles como de la parametrización que se haga del modelo, dos cuestiones en las que se han
observado limitaciones. Por un lado, una limitación evidente es que el único indicador de
intensificación agrícola que se tuvo en cuenta en la formación de las categorías intensivas fue la
irrigación, aunque la agricultura intensiva también responde a otras prácticas, como la fertilización y la
mecanización. Además, de las categorías seleccionadas como intensivas las únicas cuyos cultivos
siempre se riegan son la agricultura de regadío y los arrozales, mientras que la de frutales, viñedos y
olivares no siempre conllevan un aporte artificial de agua, por lo que habrá algunas zonas del estudio
calificadas como de agricultura irrigada que en la realidad no lo son. Por ello, la base de datos
CORINE Land Cover no ha sido la más adecuada para representar los cultivos intensivos europeos,
pero se escogió porque cubre la mayor parte de Europa y dispone del mismo tipo de información para
varias fechas. Por tanto, la existencia y ubicación de los cultivos intensivos se podría mejorar
disponiendo de datos sobre irrigación, mecanización y aplicación de fertilizantes y pesticidas en la
agricultura.
En cuanto a la parametrización, la bondad de ajuste de los procesos de calibración y validación
del modelo se situó por encima del valor aceptable para reconocer su validez, pero sin duda estas
estadísticas se pueden mejorar con más margen de tiempo y otros datos espaciales y temáticos que
contribuyan a modelar la ubicación de los usos del suelo.
Otra limitación es que el área de estudio no incluyó a todos los países de Europa, sino que
debido al coste computacional y a la falta de información sobre usos del suelo en los países del norte y
del este en algunas fechas, la zona de estudio tuvo que reducirse a Europa occidental, central y
mediterránea.
Una futura línea de investigación es la realización de simulaciones a 2030 y 2050 a partir de
escenarios de cambio en los que los intereses de los actores difieran a nivel regional o local, ya que
una diferencia en la influencia de los actores se traduce en una diferencia en la cantidad y ubicación de
los cambios. Por ejemplo, se puede pensar en una campaña a favor del regadío por parte del sector
agrícola en la región mediterránea para obtener un mayor rendimiento y una mayor ganancia, por lo
que entraría en juego el nivel de acción regional, adquiriendo Portugal, España, Italia y Grecia un
mayor valor de influencia que el resto de países. Otro escenario podría consistir en que diversos
movimientos sociales europeos toman verdadera consciencia de las consecuencias del cambio
climático y se hagan con el control de muchos ayuntamientos, movilizándose en contra de la
expansión de la agricultura intensiva, entrando en juego el nivel de acción local.
5. Conclusiones.
El modelado de los cambios en los usos del suelo en Europa entre 1990 y 2012 mediante
autómatas celulares ha permitido explorar y comprender sus dinámicas, entre las que destaca la
conversión de cultivos tradicionales en cultivos intensificados mediante el aporte artificial de agua.
Las simulaciones a 2030 y 2050 han generado visiones del continente en el futuro si las tendencias
22
históricas de la agricultura fueran las mismas que durante las últimas décadas. Los resultados de estas
tendencias se compararon con las regiones potencialmente vulnerables al cambio climático (ESPON,
2013), cumpliendo con el objetivo de la investigación y obteniendo diferentes conclusiones según la
región de Europa que se analice.
Europa occidental presenta una potencial vulnerabilidad al cambio climático baja, ya que
cuenta con un clima frío y con más recursos para hacer frente al cambio climático. El único país que
puede verse seriamente afectado si se destina demasiada agua a la irrigación es Francia, ya que es el
único en el que se estiman grandes superficies de agricultura intensiva en el futuro. Según la tendencia
histórica, Europa central es la región que presentará una menor extensión de los cultivos intensivos en
el futuro, un dato favorable si se tiene en cuenta su grado medio-alto de potencial vulnerabilidad al
cambio climático.
Se estima que la región mediterránea es la que presentará una mayor cantidad de cultivos
intensivos en el futuro, y precisamente es la región con una mayor potencial vulnerabilidad al cambio
climático y que ejerce un mayor estrés sobre los recursos hídricos. La gran cantidad de este tipo de
cultivos en Portugal, España, Italia y Grecia se debe a que el sector agrícola es uno de los principales
sectores económicos en muchas de sus localidades, y la intensificación de la agricultura mediante la
irrigación ofrece mejores rendimientos por área cultivada y, por lo tanto, mejores ganancias. Sin
embargo, la región mediterránea es propensa a sufrir graves consecuencias del cambio climático, como
la escasez de agua y el deterioro del suelo, por lo que es imprescindible que la actividad agrícola se
realice de forma sostenible, se reduzca cada vez más la cantidad de agua utilizada para el riego y se
mitiguen los impactos climáticos negativos, poniendo en marcha diferentes prácticas que aseguren la
protección del medio ambiente pero también la rentabilidad de los cultivos, y que se fomenten y
coordinen a nivel continental.
6. Bibliografía.
Agarwal, C.; Green, G. M.; Morgan Grove, J.; Evans, T. P. y Schwaik, C. M. (2001): A Review and
Assessment of Land-Use Change Models: Dynamics of Space, Time, and Human Choice. United
States Department of Agriculture, Northeastern Research Station. General Technical Report NE-297.
Aguilera Benavente, F; Matarán Ruiz, M., Pérez Campaña, R. y Valenzuela Montes, L .M. (2008):
Simulating greenhouse growth in urban zoning on the coast of Granada (Spain). En Paegelow, M. y
Camacho Olmedo, M.T. (Eds.): Modelling Environmental Dynamics. Springer.
AquaStress (2008): Water saving in agriculture, industry and economic instruments. Part A – Agriculture.
European Commission, Direction General Research.
Bellarby, J.; Foereid, B.; Hastings, A. y Smith, P. (2008): Cool Farming: Climate impacts of agriculture
and mitigation potential. Ámsterdam, Greenpeace International.
Clarke, K.C.; Hoppen, S. y Gaydos, L.J. (1996): Methods And Techniques for Rigorous Calibration of a
Cellular Automaton Model of Urban Growth. Third International Conference/Workshop on Integrating
GIS and Environmental Modeling, Santa Fe, New Mexico, January 21-25.
23
EEA (2007): CLC2006 Technical Guidelines. EEA Technical report 17/2007.
EEA (2014): CLC2012 Addendum to CLC2006 Technical Guidelines. Final draft.
EEA (2016): European Environment Agency. http://www.eea.europa.eu (último acceso 09/08/2016).
Eitelberg, D. A.; van Vliet, J. y Verburg, P. H. (2014): A review of global potentially available cropland
estimates and their consequences for model-based assessments. Global Change Biology, September
2014.
Engelen, G (n.d.): Cellular Automata for modelling land use change as driven by socio-economic,
environmental and policy factors. Disponible en https://www.researchgate.net/publication/24092065
_Cellular_Automata_for_modelling_land_use_hange_as_driven_by_socio-economic_environmental_
and_policy_factors (último acceso 28/08/2016).
Escobar, F.; Hewitt, R. y Hernández Jiménez, V. (2015): Usos del suelo en los parque nacionales
españoles. Evolución y modelado participativo. Proyectos de investigación en parques nacionales:
2010-2013 (175-211). Organismo Autónomo de Parques Nacionales.
España. Ley 6/2015, de 24 de marzo, Agraria de Extremadura. Boletín Oficial del Estado, 16 de abril de
2015 (91), BOE-A-2015-4102.
ESPON (2013): Climate Change and Territorial Effects on Regions and Local Economies. Main Report.
ESPON & IRPUD, TU Dortmund.
EU (2009a): Adapting to climate change: Towards a European framework for action. White Paper.
Brussels, COM (2009) 147/4. Commission of the European Communities.
EU (2009b): Adapting to climate change: the challenge for the European agriculture and rural areas.
Commission Staff Working Document accompanying the White Paper Adapting to climate change:
Towards a European framework for action. Brussels, SEC(2009) 417 {COM(2009 147 final}.
Commission of the European Communities.
EU (2011): Hoja de ruta hacia una economía hipocarbónica competitiva en 2050. Comunicación de la
Comisión al Parlamento Europeo, al Consejo, al Comité Económico y Social Europeo y al Comité de
las Regiones. Bruselas, COM(2011) 112 final. Comisión Europea.
EU (2013): Un marco para las políticas de clima y energía en 2030. Libro Verde. Bruselas, COM(2013)
169 final. Comisión Europea.
FAO (2015): FAO Water. http://www.fao.org/nr/water/cropinfo.html (último acceso 28/08/2016).
FAO (2016): Base de datos principal de AQUASTAT. Organización de las Naciones Unidas para la
Alimentación y la Agricultura. Disponible en http://www.fao.org/nr/water/aquastat/data/query/ index.
html?lang=es (último acceso 27/08/2016).
FEADER (2015): Programa de Desarrollo Rural 2014-2020, Extremadura, España. Disponible en
http://www.gobex.es/filescms/ddgg002/uploaded_files/fondos_europeos/FondosEuropeos2014_2020/
FEADER/Programa_Desarrollo_Rural_2014.pdf (último acceso 13/08/2016).
FENACORE (2014): Conclusiones de las ponencias del XIII Congreso Nacional de Comunidades de
Regantes. Palos de la Frontera, Huelva. Mayo 2014.
24
Feranec, J.; Jaffrain, G.; Soukup, T. y Hazeu, G. (2010): Determining changes and flows in European
landscapes 1990-2000 using CORINE land cover data. Applied Geography 30 (19-35).
Frenken, K y Gillet, V. (2012): Irrigation water requirement and water withdrawal by country. FAO
AQUASTAT Report. Disponible en http://www.fao.org/3/a-bc824e.pdf (último acceso 26/08/2016).
Fuchs, R. (2015): A data-driven reconstruction of historic land cover/use change of Europe for the period
1900 to 2010. PhD Thesis, Wageningen University (Wageningen, Netherlands).
Garnett, T.; Applebey, M. C.; Balmford, A.; Bateman, I. J.; Benton, T. G.; Bloomer, P.; Burlingame, B.;
Dawkins, M.; Dolan, L.; Fraser, D.; Herrero, M.; Hoffmann, I.; Smith, P.; Thornton, P. K.; Toulmin,
C.; Vermeulen, S. J. y Godgray, H. C. J. (2014): Sustainable Intensification in Agriculture: Premises
and Policies. Science, Vol. 341 (33-34).
Hersperger, A. M.; Gennaio, M. P.; Verburg, P. H. y Bürgi, M. (2010): Linking Land Change with Driving
Forces and Actors: Four Conceptual Models. Ecology and Society, 15(4): 1.
Hewitt, R.; Díaz Pacheco, J.; Moya Gómez, B. (2013): A cellular automata land use model for the R
software environment [weblog]. https://simlander.wordpress.com (ultimo acceso 27/08/2016).
Hewitt, R.; de Boer, Cheryl; Díaz Pacheco, J,; Hernández Jiménez, V.; Martínez Alonso, P.; Román, L. y
van der Meulen, M. (2015): APoLUS model full system documentation. Technical Report, November
2015. Deliverable Number 3.5, COMPLEX, Seventh Framework Programme.
IGN (2002): CORINE 2000. Descripción de la nomenclatura del CORINE Land Cover al nivel 5º. Área
de Teledetección. Subdirección General de Geomática y Teledetección, Madrid.
IPCC (2000): Emissions Scenarios. Summary for Policymakers. A Special Report of IPCC Working
Group III. Published for the Intergovernmental Panel on Climate Change.
Kirtland, D.; Gaydos, L.; Clarke, K.; DeCola, L.; Acevedo, W. y Bell, C. (1994): An Analysis of Human-
Induced Land Transformations in the San Francisco Bay/Sacramento Area. World Resource Review, 6
(2).
Kuemmerle, T.; Levers, C.; Erb, K.; Estel, S.; Jepsen, M. R.; Müller, D.; Plutzar, C.; Stürck, J.; Verkerk, P.
J.; Verburg, P. H. y Reenberg, A. (2016): Hotspots of land use change in Europe. IOP Publishing,
Environmental Research Letters, 11.
Lee, J. S.; Filatova, T.; Ligmann-Zielinska, A.; Hassani-Mahmooei, B.; Stonedahl, F; Lorscheid, I.;
Voinov, A.; Polhill, G.; Sun, Z. y Parker, D. C. (2015): The Complexities of Agent-Based Modeling
Output Analysis. Journal of Artificial Societies and Social Simulation, 18(4) 4.
López, S. (2014): Modeling Agricultural Change through Logistic Regression and Cellular Automata: A
Case Study on Shifting Cultivation. Journal of Geographic Information System, 6 (220-235).
Natural Earth (2016): Natural Earth. http://www.naturalearthdata.com/ (último acceso 28/08/2016).
Parker, D. C.; Berger, T. y Manson, S.M. (Eds.) (2002): Agent-Based Models of Land-Use and Land-
Cover Change. Report and Review of an International Workshop, October 4-7, 2001, Irvine,
California. LUCC Report Series No. 6.
25
Phalan, B.; Onial, M.; Balmford, A. y Green, R. E. (2011): Reconciling Food Production and Biodiversity
Conservation: Lans Sharing and Land Sparing Compared. Science, Vol. 333 (1289-1291).
Plieninger, T.; Draux, H.; Fagerholm, N.; Bieling, C.; Bürgi, M.; Kizos, T.; Kuemmerle, T.; Primdahl, J. y
Verburg, P. H. (2016): The driving forces of landscape change in Europe: A systematic review of the
evidence. Land Use Policy, 57 (204-214).
Pontius, R. G.; Shusas, E. y McEachern, M. (2004): Detecting important categorical land changes while
accounting for persistence. Agriculture, Ecosystems and Environment, 101 (251-268).
Región de Murcia. Orden 11783/2015, de 26 de noviembre, de la Consejería de Agua, Agricultura y
Medio Ambiente. Boletín Oficial de la Región de Murcia, 30 de noviembre de 2015, 277 (39432-
39499).
van Vliet, J.; Bregt, A. y Hagen-Zanker, A. (2011): Revisiting Kappa to account for change in the
accuracy assessment of land-use change models. Ecological Modelling, 222 (1367-1375).
van Vliet, J.; de Groot, H.L.F.; Rietveld, P. y Verburg, P. (2015): Manifestations and underlying drivers of
agricultural land use change in Europe. Landscape and Urban Planning, 133 (24-36).
van Vliet, J.; White, R. y Dragicevic, S. (2009): Modeling urban growth using a variable grid cellular
automaton. Computers, Environment and Urban Systems, 33 (35-43).
Verburg, P. H.; Schot, P.; Dijst, M y Veldkamp, A. (2004): Land use change modelling: current practice
and research priorities. GeoJournal, January 2004.
White, R. y Engelen, G. (1993): Cellular automata and fractal urban form: a cellular modelling approach
to the evolution of urban land-use patterns. Environment and Planning A, 25 (1175-1119).
White, R. y Engelen, G. (2000): High-resolution integrated modelling of the spatial dynamics of urban
and regional systems. Computers, Environment and Urban Systems, 24 (383-400).
White, R.; Engelen, G.; Uljee, I.; Lavalle, C. y Ehrlich, D. (2000): Developing an urban land use
simulator for European cities. Fifth EC GIS Workshop, Italy.
Yu, J.; Chen, Y. y Wu, J.P. (2009): Cellular automata and GIS based landuse suitability simulation for
irrigated agriculture. 18th World IMACS/MODSIM Congress, Cairns, Australia 13-17 July 2009.
7. Índice de tablas y figuras.
Figuras Página
Figura 1. Área de estudio ………………………………………………..... 6
Figura 2. Simulaciones a 2030 y 2050 ……………………………………. 17
Figura 3. Potencial vulnerabilidad al cambio climático …………………... 18
Figura 4. Total de los cultivos intensivos en 2012 y estimación para
2030 y 2050 por región …………………………………………………… 19
Tablas Página
Tabla 1. Categorías generadas tras la reclasificación del CLC …………… 8
Tabla 2. Características de las categorías en el modelo …………………... 12
Tabla 3. Área total para cada categoría en 2012, 2030 y 2050 …………… 16
26
Anexo.
Tabla 1. Normas de vecindad utilizadas en el modelo. Elaboración propia.
Norma de vecindad (atracción) Distancia (km)
0 1 2 3
De nat a nat 3000 100 10 1
De nat a bosque 80 2 1 -
De nat a agtrad 30 2 1 -
De bosque a bosque 3000 100 10 1
De bosque a nat 80 2 1 -
De bosque agtrad 30 2 1 -
De urb a urb 3000 100 10 1
De urb a agtrad 80 2 1 -
De agreg a agreg 3000 100 10 1
De agreg a agtrad 60 2 1 -
De frut a frut 3000 100 10 1
De frut a agtrad 60 2 1 -
De vinol a vinol 3000 100 10 1
De vinol a agtrad 40 2 1 -
Tabla 2. Configuración de la accesibilidad. Elaboración propia.
Nº Categoría Mapa de
distancia (m) Reclasificación Min;Max Peso
4 Urb Carreteras -Inf,1000,1,1000,6000,0.5,6000,Inf,0.1 0;584209 10
5 Agreg Carreteras -Inf,1000,1,1000,2000,0.5,2000,Inf,0.1 0;584209 1
Ríos -Inf,5000,1,5000,20000,0.5,20000,Inf,0.1 0;742418 10
6 Frut Carreteras -Inf,3000,1,3000,15000,0.5,15000,Inf,0.1 0;584209 1
Ríos -Inf,5000,1,5000,20000,0.5,20000,Inf,0.1 0;742418 10
7 Vinol Carreteras -Inf,1000,1,1000,2000,0.5,2000,Inf,0.1 0;584209 1
Ríos -Inf,10000,1,10000,20000,0.8,20000,
30000,0.5,30000,Inf,0.1 0;742418 10
Tabla 3. Configuración de la aptitud. Elaboración propia.
Nº Categoría Mapa de aptitud (m) Reclasificación Min;Max
4 Urb Pendiente -Inf,2,1,2,3,0.5,3,Inf,0 0;88
5 Agreg Pendiente -Inf,1,1,1,2,0.5,2,Inf,0 0;88
6 Frut Pendiente -Inf,5,1,5,15,0.5,15,Inf,0 0;88
7 Vinol Pendiente -Inf,5,1,5,10,0.5,10,Inf,0 0;88
27
Tabla 4. Índice Kappa Simulation para la calibración 1990-2000. Elaboración propia.
Índice Valor Valor por categoría
agtrad nat bosque urb agreg frut vinol imp agua fuera
K Simulation 0.055 0.046 0.062 0.061 0.049 0.116 0.042 0.048 0.000 0.000 0.000
K Transloc 0.130 0.152 0.087 0.126 0.158 0.236 0.100 0.162 n.a. n.a. n.a.
K Transition 0.419 0.305 0.715 0.487 0.308 0.492 0.420 0.296 0.000 0.000 0.000
Tabla 5. Índice Kappa Simulation para la validación 2000-2006. Elaboración propia.
Por categoría
Índice Valor agtrad nat bosque urb agreg frut vinol imp agua fuera
K Simulation 0.098 0.094 0.067 0.110 0.104 0.150 0.101 0.153 0.000 0.000 0.000
K Transloc 0.148 0.120 0.179 0.166 0.152 0.173 0.163 0.179 n.a. n.a. n.a.
K Transition 0.659 0.784 0.374 0.660 0.689 0.867 0.618 0.856 0.000 0.000 0.000
Tabla 6. Índice Kappa Simulation para la validación 2006-2012. Elaboración propia.
Por categoría
Índice Valor agtrad nat bosque urb agreg frut vinol imp agua fuera
K Simulation 0.026 0.021 0.028 0.033 0.030 0.014 0.023 0.020 0.000 0.000 0.000
K Transloc 0.094 0.112 0.062 0.083 0.141 0.123 0.071 0.136 n.a. n.a. n.a.
K Transition 0.273 0.191 0.458 0.396 0.213 0.113 0.324 0.144 0.000 0.000 0.000
Tabla 7. Configuración de la dinámica de actores. Elaboración propia.
Actor Motivación Conocimiento Recursos Poder Afinidad Nivel
UE Alto Alto Alto Alto A favor Global
Gobiernos regionales Alto Alto Alto Medio A favor Global
Agricultores Alto Medio Bajo Bajo A favor Global
Comunidades de
regantes Alto Alto Bajo Bajo A favor Global
Responsables de
abastecimiento Alto Medio Medio Bajo A favor Global
Comunidad científica Medio Alto Bajo Bajo Neutral Global
Comunidad
medioambientalista Alto Medio Medio Medio
En
contra Global
Tabla 8. Cuantificación de las variables de la dinámica de actores. Fuente: Hewitt et al. (2015).
Variable Grado
Bajo Medio Alto
Motivación, conocimiento, recursos 0.1 0.5 0.9
Poder 1 2 3
Variable En favor Neutral En contra
Afinidad 2 1 -2
28
Tabla 9. Matriz con los porcentajes de cambio en los usos del suelo en términos de
pérdidas (1990-2012). Elaboración propia. Categoría Nat Bosque Urb Agtrad Agreg Frut Vinol Imp Agua Fuera Total 90
% real (R) Nat 4.18 0.87 0.04 0.50 0.01 0.02 0.03 0.04 0.03 0.00 5.72
% esperado (E) 4.18 0.20 0.03 0.33 0.01 0.01 0.02 0.00 0.17 0.77 5.72
R-E 0.00 0.67 0.01 0.17 0.00 0.01 0.01 0.03 -0.14 -0.77 0.00
(R-E)/E 0.00 3.37 0.31 0.53 0.17 1.22 0.41 7.86 -0.81 -1.00 0.00
Bosque 0.74 10.36 0.06 0.66 0.01 0.01 0.02 0.00 0.02 0.00 11.88
0.10 10.36 0.03 0.35 0.01 0.01 0.03 0.00 0.18 0.82 11.88
0.64 0.00 0.03 0.32 -0.01 0.00 0.00 0.00 -0.17 -0.82 0.00
6.52 0.00 1.03 0.91 -0.45 0.32 -0.12 -0.17 -0.91 -1.00 0.00
Urb 0.01 0.04 1.09 0.17 0.00 0.01 0.01 0.00 0.01 0.00 1.34
0.01 0.03 1.09 0.05 0.00 0.00 0.00 0.00 0.03 0.12 1.34
0.00 0.01 0.00 0.12 0.00 0.01 0.00 0.00 -0.02 -0.12 0.00
-0.11 0.18 0.00 2.43 -0.13 4.83 0.74 -0.60 -0.60 -0.99 0.00
Agtrad 0.61 0.86 0.39 18.25 0.22 0.14 0.33 0.00 0.04 0.00 20.85
0.18 0.40 0.05 18.25 0.02 0.01 0.05 0.01 0.34 1.53 20.85
0.43 0.46 0.34 0.00 0.20 0.13 0.28 -0.01 -0.30 -1.53 0.00
2.31 1.17 6.36 0.00 8.42 9.31 5.82 -0.61 -0.88 -1.00 0.00
Agreg 0.01 0.01 0.01 0.07 0.47 0.01 0.01 0.00 0.00 0.00 0.59
0.01 0.01 0.00 0.02 0.47 0.00 0.00 0.00 0.01 0.06 0.59
0.00 -0.01 0.01 0.04 0.00 0.01 0.01 0.00 -0.01 -0.06 0.00
0.38 -0.39 5.57 1.78 0.00 19.27 3.97 -0.79 -0.85 -1.00 0.00
Frut 0.02 0.02 0.01 0.08 0.01 0.23 0.02 0.00 0.00 0.00 0.37
0.01 0.02 0.00 0.03 0.00 0.23 0.00 0.00 0.02 0.07 0.37
0.01 0.00 0.01 0.05 0.01 0.00 0.01 0.00 -0.01 -0.07 0.00
0.83 -0.08 4.74 1.62 6.08 0.00 6.08 -0.47 -0.96 -1.00 0.00
Vinol 0.03 0.03 0.02 0.19 0.00 0.02 1.06 0.00 0.00 0.00 1.35
0.02 0.04 0.00 0.06 0.00 0.00 1.06 0.00 0.03 0.14 1.35
0.01 -0.01 0.01 0.13 0.00 0.01 0.00 0.00 -0.03 -0.14 0.00
0.84 -0.15 3.04 2.19 0.78 11.14 0.00 -0.81 -0.91 -1.00 0.00
Imp 0.06 0.01 0.00 0.00 0.00 0.00 0.00 0.22 0.00 0.00 0.29
0.00 0.01 0.00 0.01 0.00 0.00 0.00 0.22 0.01 0.04 0.29
0.06 0.00 0.00 -0.01 0.00 0.00 0.00 0.00 -0.01 -0.04 0.00
13.55 -0.43 -0.51 -0.74 -0.59 -0.32 -0.75 0.00 -0.71 -1.00 0.00
Agua 0.02 0.01 0.01 0.02 0.00 0.00 0.00 0.00 10.35 0.02 10.44
0.01 0.01 0.00 0.02 0.00 0.00 0.00 0.00 10.35 0.05 10.44
0.02 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 -0.03 0.00
2.91 -0.02 6.24 0.06 0.39 0.56 0.26 2.09 0.00 -0.62 0.00
Fuera 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 47.14 47.16
0.00 0.01 0.00 0.01 0.00 0.00 0.00 0.00 0.00 47.14 47.16
0.00 0.00 0.00 -0.01 0.00 0.00 0.00 0.00 0.01 0.00 0.00
-0.31 -0.73 -0.91 -0.94 -0.74 -1.00 -0.90 11.71 2.86 0.00 0.00
Total 00 5.69 12.20 1.64 19.94 0.72 0.43 1.47 0.27 10.48 47.17 100.00
4.52 11.08 1.21 19.13 0.52 0.26 1.17 0.24 11.15 50.73 100.00
1.17 1.12 0.42 0.81 0.20 0.17 0.31 0.03 -0.67 -3.56 0.00
0.26 0.10 0.35 0.04 0.39 0.66 0.26 0.12 -0.06 -0.07 0.00
29
Tabla 10. Matriz con los porcentajes de cambio en los usos del suelo en términos de
ganancias (1990-2012). Elaboración propia. Categoría Nat Bosque Urb Agtrad Agreg Frut Vinol Imp Agua Fuera Total 90
% real (R) Nat 4.18 0.87 0.04 0.50 0.01 0.02 0.03 0.04 0.03 0.00 5.72
% esperado (E) 4.18 0.12 0.03 0.12 0.01 0.01 0.02 0.00 0.01 0.00 4.51
R-E 0.00 0.75 0.00 0.37 0.00 0.00 0.01 0.04 0.02 0.00 1.20
(R-E)/E 0.00 6.29 0.12 3.07 -0.06 0.34 0.41 12.77 3.13 -0.29 0.27
Bosque 0.74 10.36 0.06 0.66 0.01 0.01 0.02 0.00 0.02 0.00 11.88
0.19 10.36 0.07 0.25 0.03 0.02 0.05 0.01 0.02 0.01 11.00
0.55 0.00 -0.01 0.41 -0.02 -0.01 -0.03 0.00 0.00 0.00 0.88
2.91 0.00 -0.12 1.61 -0.77 -0.59 -0.55 -0.34 -0.05 -0.45 0.08
Urb 0.01 0.04 1.09 0.17 0.00 0.01 0.01 0.00 0.01 0.00 1.34
0.02 0.03 1.09 0.03 0.00 0.00 0.01 0.00 0.00 0.00 1.19
-0.01 0.01 0.00 0.15 0.00 0.00 0.00 0.00 0.01 0.00 0.16
-0.40 0.31 0.00 5.08 -0.53 1.34 0.16 -0.59 4.78 0.90 0.13
Agtrad 0.61 0.86 0.39 18.25 0.22 0.14 0.33 0.00 0.04 0.00 20.85
0.33 0.44 0.11 18.25 0.05 0.04 0.09 0.01 0.03 0.01 19.37
0.28 0.42 0.28 0.00 0.17 0.10 0.24 -0.01 0.01 -0.01 1.48
0.83 0.97 2.41 0.00 3.12 2.39 2.71 -0.67 0.35 -0.70 0.08
Agreg 0.01 0.01 0.01 0.07 0.47 0.01 0.01 0.00 0.00 0.00 0.59
0.01 0.01 0.00 0.01 0.47 0.00 0.00 0.00 0.00 0.00 0.51
0.00 0.00 0.01 0.06 0.00 0.01 0.01 0.00 0.00 0.00 0.08
0.02 -0.26 3.07 4.40 0.00 7.92 2.62 -0.76 1.32 -0.14 0.16
Frut 0.02 0.02 0.01 0.08 0.01 0.23 0.02 0.00 0.00 0.00 0.37
0.01 0.01 0.00 0.01 0.00 0.23 0.00 0.00 0.00 0.00 0.26
0.01 0.01 0.01 0.07 0.01 0.00 0.01 0.00 0.00 0.00 0.12
1.52 1.10 5.63 8.51 6.73 0.00 8.62 0.11 0.19 -0.32 0.46
Vinol 0.03 0.03 0.02 0.19 0.00 0.02 1.06 0.00 0.00 0.00 1.35
0.02 0.03 0.01 0.03 0.00 0.00 1.06 0.00 0.00 0.00 1.15
0.01 0.00 0.01 0.16 0.00 0.01 0.00 0.00 0.00 0.00 0.20
0.44 0.09 1.64 5.53 0.09 4.63 0.00 -0.77 0.42 -0.95 0.17
Imp 0.06 0.01 0.00 0.00 0.00 0.00 0.00 0.22 0.00 0.00 0.29
0.00 0.01 0.00 0.01 0.00 0.00 0.00 0.22 0.00 0.00 0.24
0.06 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.05
12.20 -0.15 -0.63 -0.37 -0.71 -0.63 -0.78 0.00 4.54 -1.00 0.22
Agua 0.02 0.01 0.01 0.02 0.00 0.00 0.00 0.00 10.35 0.02 10.44
0.17 0.22 0.06 0.22 0.03 0.02 0.04 0.01 10.35 0.01 11.12
-0.15 -0.21 -0.05 -0.20 -0.03 -0.02 -0.04 0.00 0.00 0.01 -0.68
-0.87 -0.95 -0.80 -0.91 -0.96 -0.97 -0.96 -0.84 0.00 2.12 -0.06
Fuera 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 47.14 47.16
0.75 0.99 0.26 1.01 0.12 0.10 0.20 0.02 0.07 47.14 50.65
-0.75 -0.98 -0.26 -1.01 -0.12 -0.10 -0.20 -0.02 -0.05 0.00 -3.49
-1.00 -1.00 -1.00 -1.00 -1.00 -1.00 -1.00 -0.93 -0.71 0.00 -0.07
Total 00 5.69 12.20 1.64 19.94 0.72 0.43 1.47 0.27 10.48 47.17 100.00
5.69 12.20 1.64 19.94 0.72 0.43 1.47 0.27 10.48 47.17 100.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
30
Agradecimientos.
Quiero agradecer ante todo a Richard Hewitt, del Observatorio para una Cultura del Territorio,
por su valiosa contribución a esta investigación, por las explicaciones, los consejos y el tiempo
dedicado a que este trabajo saliera adelante. Por extensión quiero agradecer al proyecto COMPLEX,
que posibilitó el desarrollo del modelo APoLUS. Mi más sincero agradecimiento también a Francisco
Escobar, de la Universidad de Alcalá, por sus útiles comentarios y correcciones.
No puede faltar mi gratitud hacia Julio, Nora, Rodrigo, Micaela y Víctor, cuyo apoyo en los
momentos más desalentadores me dio la fuerza necesaria para continuar. Gracias por vuestro interés
en mi trabajo, por vuestros consejos, y por poner todos vuestros recursos a mi disposición.