Identifying Drivers and Spatial Pattern of Deforestation in the Rio Grande Basin, Colombia
Abstract / Resumen / Resumo
Abstract
Identifying the spatial patterns and drivers of deforestation is a critical task in geographic research. In addition to mapping deforestation, it’s important to determine the statistical effects of the spatial configuration of tropical landscapes on current deforestation trends. In order to model drivers of deforestation is important to take into account the spatial structure of data (i.e., whether observed deforestation is spatially clustered or not). We calculated deforestation rates at the village level in the Rio Grande basin, Colombia, using land cover information derived from Landsat TM/ETM satellite imagery (1986-2012). We used econometric models to understand the deforestation patterns using a set of socioeconomic, biophysical, and accessibility variables. Exploratory Spatial Data Analysis shows the existence of globally and locally positive spatial autocorrelation. The Spatial Lag Model, which considers spatial data autocorrelation, explained most of the variability in deforestation patterns. The main drivers of deforestation for the region over a 26-year period were annual average temperature, population density, road density, and distance to main rivers. Results show that observed deforestation is closely related to dairy farming; this is due to the long history of human intervention in the watershed. We found that forest recovery in recent years occurred, however forest loss continues to be the dominant land transition of Andean landscapes, with positive spatial interdependencies. The identification of drivers of deforestation using methods that account for spatial autocorrelation can inform national conservation policy and programs aimed at the provision of ecosystem services.
Resumen
La identificación de patrones espaciales y determinantes de la deforestación es una tarea crítica en la investigación geográfica. Además de mapificar la deforestación, es importante determinar los efectos estadísticos de la configuración espacial de los paisajes tropicales en las tendencias actuales de deforestación. Para modelar los determinantes de la deforestación es importante considerar la estructura espacial de los datos (es decir, si la deforestación observada está agrupada espacialmente o no). Calculamos tasas de deforestación a nivel de vereda en la cuenca del Rio Grande, Colombia, usando información de coberturas terrestres derivada de imágenes Landsat TM/ETM (1986-2012). Usamos modelos econométricos para entender los patrones de deforestación, usando un conjunto de variables socioeconómicas, biofísicas y de accesibilidad. El Análisis Exploratorio de Datos Espaciales indicó la existencia de autocorrelación espacial global y local positiva. El modelo de rezago espacial, el cual considera la autocorrelación espacial de los datos, fue el modelo que mejor explicó la variabilidad en los patrones de deforestación. La temperatura promedio anual, la densidad de población, la densidad de vías y la distancia a ríos principales, fueron los determinantes más relevantes de la deforestación observada en un período de 26 años. Los resultados muestran que la deforestación observada está muy relacionada con la ganadería para la producción de leche, debido a la larga historia de intervención humana en la cuenca. Encontramos que ocurrió recuperación forestal en años recientes, aunque la deforestación continua siendo la transición dominante en los paisajes Andinos, con interdependencias espaciales positivas. La identificación de los determinantes usando métodos que tienen en cuenta la autocorrelación espacial podría ser útil para suministrar información a políticas de conservación nacional y programas dirigidos a la provisión de servicios ecosistémicos.
Recommended Citation
Ramírez Sosa, Cristian David; Orrego Suaza, Sergio Alonso; and Schneider, Laura
(2018)
"Identifying Drivers and Spatial Pattern of Deforestation in the Rio Grande Basin, Colombia,"
Journal of Latin American Geography
17(1): 108-138.
DOI: 10.1353/lag.2018.0005
Available at:
http://muse.jhu.edu/article/692062
Fig. 1
Ramirez_20161220_Fig2_C.tif (2015 kB)
Ramirez_20161220_Fig2_C.tif
Ramirez_20161220_Fig3_C.tif (7284 kB)
Ramirez_20161220_Fig3_C.tif
Ramirez_20161220_Fig4_C.tif (2095 kB)
Ramirez_20161220_Fig4_C.tif
Ramirez_20161220_Fig5.tif (3269 kB)
Ramirez_20161220_Fig5.tif
Ramirez_20161220_Fig2_C.tif (197233 kB)
Ramirez_20161220_Fig2_C.tif (197233 kB)