Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD

pISSN:1390-3799; eISSN:1390-8596

https://doi.org/10.17163/lgr.n41.2025.01

ANÁLISIS Y PREDICCIÓN DEL CAMBIO DE USO Y COBERTURA DE

SUELO EN EL CORREDOR DE CONECTIVIDAD

LLANGANATES-SANGAY PARA 2030

ANALYSIS AND PREDICTION OF LAND USE/LAND COVER CHANGE IN THE

LLANGANATES-SANGAY CONNECTIVITY CORRIDOR BY 2030

Luis Jaramillo1,2, Andrea Mancheno Herrera1,6, Adriana Guzmán*3,4,6y

Juan Gabriel Mollocana Lara*5

1World Wildlife Fund (WWF) Ecuador, Código Postal 170517, Quito, Ecuador.

2Nippon Koei Latin America- Caribbean Co. Ltd., Código Postal 170526, Quito, Ecuador.

3Facultad de Recursos Naturales. Escuela Superior Politécnica de Chimborazo ESPOCH, Código Postal EC060155, Riobamba,

Ecuador.

4Centro de Estudios Integrales de Dinàmica Exògena CEIDE. Universidad Nacional de La Plata, Código Postal 1900, La Plata,

Argentina.

5Grupo de Investigación Ambiental en el Desarrollo Sustentable GIADES, Ingeniería Ambiental. Universidad Politécnica Sale-

siana UPS, Quito, 170702, Ecuador.

6Red de Investigación del Corredor Ecológico Llanganates Sangay.

*Autor para correspondencia: catalina.guzman@espoch.edu.ec, jmollocana@ups.edu.ec

Manuscrito recibido el 1 de octubre de 2024. Aceptado, tras revisión el 14 de febrero de 2025. Publicado el 1 de marzo de 2025.

Resumen

Este estudio analiza las tendencias de cambio de uso y cobertura del suelo (LULC) en el Corredor de Conectividad

Llanganates-Sangay (CELS) durante el período 2018-2022 y predice tendencias hasta 2030. Los mapas de LULC de

MapBiomas revelan tasas anuales de cambio (2018-2022) de -0,37%/año (-1147.33 ha) para Formación de Bosque,

-1,17%/año (-30,01 ha) para Formaciones Naturales No Boscosas, 2,21%/año (906.19 ha) para Áreas de Agricultura

y Ganadería, 8,50%/año (250,84 ha) para Áreas sin Vegetación y 0,17%/año (30,31 ha) para Cuerpos de Agua. La

mayor tasa de cambio anual dentro de Formación de Bosque, -0,58%/año (-990,35 ha), ocurre en áreas no protegi-

das. Las proyecciones para 2030 se realizaron utilizando la herramienta MOLUSCE, que combina una Red Neuronal

Artiﬁcial (ANN) con simulaciones de Autómatas Celulares. La ANN fue entrenada con cinco variables explicatorias

y mapas de LULC de 2018 y 2020, logrando un error de entrenamiento de 8,46%. La precisión predictiva se evaluó

comparando el mapa simulado de LULC para 2022 con el mapa de MapBiomas 2022, obteniendo un coeﬁciente Kap-

pa de 0,95, lo que indica una excelente precisión. Además, las simulaciones de LULC para 2022-2030 predicen tasas

anuales de cambio de -0,27%/año (-1628,97 ha) para Formación de Bosque, -1,39%/año (-63,49 ha) para Formaciones

Naturales No Boscosas, 1,92%/año (1778,26 ha) para Áreas de Agricultura y Ganadería, 0,97%/año (30,38 ha) para

Áreas No Vegetadas y 0,63%/año (-146,18 ha) para Cuerpos de Agua. Los resultados sugieren que las tasas anuales

11 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

de deforestación se mantendrán bajas y que las áreas protegidas tendrán menos deforestación que las áreas que no

están protegidas.

Palabras clave: Deforestación, CELS, MOLUSCE, cambios de cobertura y uso de suelo.

Abstract

This paper analyses Land Use and Land Cover (LULC) change trends in the Llanganates-Sangay Connectivity Corri-

dor (CELS) from 2018 to 2022 and predicts trends through 2030. MapBiomas LULC maps reveals annual change rates

(2018–2022) of -0.37%/year (-1147.33 ha) for Forest Formation, -1.17%/year (-30.01 ha) for Non-Forest Natural Forma-

tion, 2.21%/year (906.19 ha) for Agriculture and Livestock Areas, 8.50%/year (250.84 ha) for Non-Vegetated Areas,

and 0.17%/year (30.31 ha) for Water Bodies. The higher annual change rate inside Forest Formation is -0.58%/year

(-990.35 ha) occurring in areas not designated under any conservation status. Projections for 2030 were made using

the MOLUSCE tool, combining an Artiﬁcial Neural Network (ANN) model with Cellular Automata simulations. The

ANN model was trained on ﬁve explanatory variables and LULC maps from 2018 and 2020, achieving a training

error of 8.46%. Predictive accuracy was assessed by comparing the simulated 2022 LULC map with the 2022 Map-

Biomas map, resulting in a Kappa coefﬁcient of 0.95, indicating excellent predictive accuracy. Additionally, LULC

simulations from 2022 to 2030 predict annual rates of change of –0.27%/year (-1628.97 ha) for Forest Formation, -

1.39%/year (-63.49 ha) for Non-Forest Natural Formation, 1.92%/year (1778.26 ha) for Agriculture and Livestock

Areas, 0.97%/year (30.38 ha) for Non-Vegetated Areas, and 0.63%/year (-146.18 ha) for Water Bodies. The ﬁndings

show that annual rates of deforestation will remain low and protected areas will have less deforestation than non-

protected areas.

Keywords: Deforestation, CELS, MOLUSCE, LULC changes.

Forma sugerida de citar: Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G. (2025). Análi-

sis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030. La Granja: Revista de Ciencias de la Vida. Vol. 41(1):11-32.

https://doi.org/10.17163/lgr.n41.2025.01.

IDs Orcid:

Luis Jonathan Jaramillo Coronel: https://orcid.org/0000-0002-3127-9855

Andrea Cecilia Mancheno Herrera: https://orcid.org/0009-0000-5525-1665

Adriana Catalina Guzmán Guaraca: https://orcid.org/0000-0003-0473-2041

Juan Gabriel Mollocana Lara: https://orcid.org/0000-0002-2430-8400

12 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

1 Introducción

Ecuador es reconocido mundialmente como uno de

los 13 países más biodiversos del mundo, pero en-

frenta una amenaza creciente, ya que entre 1990 y

2000 el país perdió el 15% de su área de bosques na-

tivos, alcanzando una de las tasas de deforestación

más altas en América Latina (Rivas et al., 2024). Es-

ta dinámica afecta principalmente a la Amazonía,

considerada una de las regiones más biodiversas

del planeta (Mainville et al., 2006). La pérdida de

bosques compromete la capacidad del país para

mantener el calentamiento global por debajo de los

1,5◦C, dado que esta región almacena entre 367 y

733 Gt de CO2en su vegetación y suelos (Vergara

et al., 2022).

La deforestación y el cambio de uso del suelo

han provocado una acelerada fragmentación de las

áreas de vegetación natural en los Andes y la Ama-

zonía ecuatoriana. Entre 1990 y 2018, las zonas más

afectadas han sido las áreas de amortiguamiento de

las zonas protegidas, donde se perdió el 25,5% de

su cobertura en los alrededores (Kleemann et al.,

2022). Estas dinámicas comprometen la efectividad

de las estrategias de conservación, incluso en áreas

con altos niveles de protección. La fragmentación

afecta la provisión de servicios ecosistémicos esen-

ciales, como la regulación hídrica, el almacenamien-

to de carbono y la conservación de la biodiversidad.

En este contexto, se considera crucial implementar

medidas integrales que incluyan la conservación de

los bosques y el manejo sostenible de las áreas de

amortiguamiento (Vergara et al., 2022).

En la actualidad, herramientas basadas en la

teledetección y la inteligencia artiﬁcial permiten

avanzar en el análisis y la predicción de cambios en

el uso y cobertura del suelo (LULC, por sus siglas

en inglés), tanto en el espacio como en el tiempo.

Técnicas de clasiﬁcación como el Random Forest

(RF) y las Support Vector Machines (SVM) han de-

mostrado alta precisión en la generación de mapas

de uso y cobertura del suelo, facilitando la observa-

ción y el análisis de los procesos de deforestación

y transformación de LULC (Admas, 2024; Elagouz

et al., 2020; Lukas et al., 2023; Tikuye et al., 2023).

En este estudio también utilizamos el comple-

mento de QGIS MOLUSCE (Modules for Land Use

Change Evaluation), que combina datos espaciales

y temporales con técnicas avanzadas de modelado,

como autómatas celulares (CA) y redes neuronales

artiﬁciales (ANN). Esta herramienta permite simu-

lar y predecir cambios en el uso y la cobertura del

suelo. MOLUSCE ha demostrado su efectividad en

diversos contextos (Muhammad et al., 2022; Taluk-

dar et al., 2020).

El Corredor de Conectividad Llanganates-

Sangay (CELS) es un vínculo ecológico crítico que

conecta el Parque Nacional Llanganates en el nor-

te, el Parque Nacional Sangay en el sur y varias

áreas de conservación reconocidas bajo diversos es-

quemas dentro de sus límites. El CELS abarca un

ecotono signiﬁcativo que conecta las tierras altas

andinas con la cuenca amazónica y desempeña un

papel fundamental en la preservación de los ecosis-

temas únicos de la región (Ríos-Alvear et al., 2024).

En esta área se ha desarrollado investigación cientí-

ﬁca relevante durante más de 150 años, obteniendo

resultados importantes como la identiﬁcación de

178 especies de orquídeas y cerca de 200 especies

de plantas endémicas, superando incluso a las Is-

las Galápagos en diversidad botánica (Jost, 2004).

Además, alberga casi 700 especies de aves y 285 es-

pecies de reptiles y anﬁbios, superando los registros

del Parque Nacional Yasuní (INABIO et al., 2023).

Sin embargo, las actividades humanas han transfor-

mado esta zona. Por ejemplo, los procesos de co-

lonización tardía en ciudades como Baños y Puyo,

impulsados por asentamientos humanos y activi-

dades económicas como el turismo y la agricultura,

han inﬂuido signiﬁcativamente en los cambios de

uso del suelo en la región, llevando a la conversión

de áreas naturales en espacios agrícolas y urbanos

(Herrera and Rodríguez, 2016). La deforestación y

el cambio en LULC han incrementado la fragmen-

tación del paisaje y reducido signiﬁcativamente la

conectividad de los ecosistemas, poniendo en ries-

go la supervivencia de especies y la provisión de

servicios ecosistémicos (Reyes-Puig et al., 2023).

Este estudio tiene como objetivo determinar los

cambios en el uso y la cobertura del suelo en el Co-

rredor de Conectividad Llanganates-Sangay (CELS)

entre 2018 y 2022, y proyectar tendencias hasta 2030

utilizando la herramienta MOLUSCE. Se centra en

cuantiﬁcar la pérdida de cobertura forestal duran-

te el período de análisis y prever escenarios futuros

de cambio en LULC, basándose en los cambios re-

gistrados entre 2018 y 2022.

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

2 Materiales y Métodos

2.1 Área de estudio

El Corredor de Conectividad Llanganates-Sangay

(CELS) abarca las provincias de Tungurahua, Pasta-

za y Morona Santiago (Figura 1) y comprende una

extensión de 92,148 hectáreas (Viteri-Basso et al.,

2024). Este corredor actúa como un enlace ecológi-

co que conecta el Parque Nacional Llanganates en

el norte con el Parque Nacional Sangay en el sur,

constituyendo una zona clave de transición entre

los Andes orientales y la Amazonía occidental. En

2002, esta área fue designada como un “Regalo para

la Tierra” por el WWF, en reconocimiento a su im-

portancia global para la biodiversidad. El CELS fue

oﬁcialmente reconocido como un Corredor de Co-

nectividad en 2023 por el Ministerio del Ambiente y

Recursos Naturales de Ecuador (Ríos-Alvear et al.,

2024).

El CELS tiene una altitud que varía entre los 760

y los 3812 metros sobre el nivel del mar y posee un

clima tropical lluvioso (Viteri-Basso et al., 2024), con

una precipitación anual que oscila entre los 2500

y los 5500 mm, y temperaturas que ﬂuctúan entre

los 9 y los 22◦C. Estas variaciones climáticas y al-

titudinales favorecen la formación de hábitats que

promueven una biodiversidad excepcional (Gaglio

et al., 2017; Ríos-Alvear et al., 2024). Esta área de-

sempeña un papel fundamental en la provisión de

recursos hídricos para las cuencas de los ríos Pas-

taza y Napo, los cuales son esenciales para las co-

munidades locales, las actividades agrícolas y turís-

ticas, así como para la generación de energía hidro-

eléctrica (Gaglio et al., 2017).

Figura 1. Mapa de localización del CELS.

14 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

Las principales actividades económicas en esta

área incluyen la agricultura, la ganadería, el tu-

rismo, la piscicultura y la producción de madera.

Aunque estas actividades son fundamentales para

la economía local, han tenido un impacto signiﬁ-

cativo en los ecosistemas, generando deforestación

y fragmentación de hábitats (Delgado Fernández

et al., 2023). Durante las últimas dos décadas, se

han implementado diversas iniciativas de conser-

vación en esta región, lideradas por organizaciones

locales, nacionales e internacionales, como la Fun-

dación EcoMinga, los gobiernos locales, el Ministe-

rio del Ambiente, Agua y Transición Ecológica de

Ecuador (MAATE), el WWF, entre otros. Las inciati-

cas de turismo del CELS se pueden encontrar en el

geoportal https://geocels-upsq.hub.arcgis.com/

Las estrategias de conservación han incluido,

por ejemplo, el establecimiento de zonas protegi-

das reconocidas oﬁcialmente, la gestión de zonas de

conservación privada no reconocidas oﬁcialmente

pero designadas para la conservación de ecosiste-

mas, y la colaboración con las comunidades locales

para promover prácticas de gestión sostenible de la

tierra. Esto último incluye el apoyo a la adopción

de prácticas agroecológicas para evitar la degrada-

ción del suelo, mantener la fertilidad y frenar la ex-

pansión de la frontera agrícola (Aneloa et al., 2024).

Además, se ha impulsado el turismo basado en la

naturaleza como estrategia de desarrollo sostenible

para mejorar los medios de vida locales y preservar

al mismo tiempo los ecosistemas naturales. A pe-

sar de estos esfuerzos, persiste la necesidad de inte-

grar de manera más efectiva a las comunidades lo-

cales en estrategias de manejo sostenible que logren

un equilibrio entre el desarrollo socioeconómico y

la conservación ambiental (Alvarado, 2020; Aneloa

et al., 2024).

2.2 Recolección de datos

La imagen satelital es fundamental para el moni-

toreo de precipitaciones, deforestación, cambios en

el uso del suelo y los impactos ambientales (Perea-

Ardila et al., 2021). Sin embargo, la alta cobertura

de nubes en la Amazonía ecuatoriana, ubicada den-

tro de la zona de convergencia intertropical, limi-

ta la disponibilidad de datos espaciales (Heredia-R

et al., 2021). Para abordar este desafío, se seleccionó

la Colección 1.0 de MapBiomas (MapBiomas, 2024),

debido a su amplia cobertura temporal (1985–2022)

y su capacidad para evitar una categoría de cober-

tura nubosa que ocupa cerca del 10% del CELS en

otros conjuntos de datos. Esto permite una mejor di-

ferenciación entre las clases de uso y cobertura del

suelo.

La Colección 1.0 de MapBiomas proporciona ma-

pas anuales de uso y cobertura del suelo (LULC, por

sus siglas en inglés) para Ecuador, con una resolu-

ción de 30 metros. Estos mapas se generan median-

te clasiﬁcación supervisada utilizando el algoritmo

Random Forest, aplicado a nivel de píxel sobre mo-

saicos de imágenes satelitales de las series Landsat

4, 5, 7, 8 y 9. Además, utiliza una leyenda estanda-

rizada adaptada especíﬁcamente a la cobertura del

suelo de Ecuador, dividiendo el territorio en cinco

categorías principales: Formación Forestal, Forma-

ción Natural No Forestal, Áreas de Agricultura y

Ganadería, Áreas No Vegetadas y Cuerpos de Agua

(Tabla 1). Los bosques naturales se incluyen en la

categoría de Formación Forestal, mientras que las

plantaciones forestales, incluyendo la silvicultura,

se clasiﬁcan como Áreas de Agricultura y Ganade-

ría. Para obtener deﬁniciones detalladas de las cate-

gorías de LULC, consulte Borja et al. (2023).

Tabla 1. Categorías de uso y cobertura del suelo.

N◦Categorias Uso de suelo

1 Formación Forestal Bosque, bosque abierto, manglar y bosque inundable.

2Formación Natural

No Forestal

Humedal no forestal, pastizal, aﬂoramiento rocoso,

otras formaciones no forestales

3 Zonas Agrícolas y Ganaderas Silvicultura, Mosaico de tierras de cultivo y pastos

4 Área No Vegetada Minería, zonas urbanas, otras zonas sin vegetación

5 Cuerpos de Agua Ríos, lagos, glaciares, acuicultura

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

2.3 Análisis y predicción del cambio LULC

para 2030

Para alcanzar los objetivos de este estudio, se obtu-

vieron mapas de uso y cobertura del suelo (LULC,

por sus siglas en inglés) correspondientes al período

2018–2022 desde la plataforma MapBiomas, y se ge-

neraron variables explicativas relevantes relaciona-

das con los cambios en LULC utilizando fuentes oﬁ-

ciales de datos. Los mapas de LULC de 2018 a 2022

se emplearon para realizar el análisis de cambios en

LULC. Además, los mapas de LULC de 2018, 2020

y 2022, junto con mapas de variables explicativas,

se utilizaron para desarrollar y validar un modelo

diseñado para predecir cambios en LULC median-

te simulaciones hasta 2030. El análisis de cambios

en LULC, el modelado, la validación y las simula-

ciones se llevaron a cabo utilizando la herramienta

MOLUSCE (Figura 2).

2.3.1 Análisis de los cambios LULC

Para describir los cambios en el uso y cobertura del

suelo (LULC, por sus siglas en inglés) entre 2018

y 2022 se analizaron los mapas de LULC de Map-

Biomas en intervalos anuales. Este análisis permi-

tió identiﬁcar cambios históricos en LULC, detec-

tar tendencias y calcular la tasa anual de cambio

de LULC. Se utilizó la herramienta MOLUSCE para

calcular la matriz de transición entre 2018 y 2022, y

la tasa anual de cambio se estimó mediante la Ecua-

ción 1 (Puyravaud, 2003), originalmente propues-

ta para estudios de deforestación, pero aplicable a

cualquier cambio de LULC debido a su formulación

general (Kouassi et al., 2021). Dónde qes la tasa de

variación anual (1/año or%/año), A1es la superﬁ-

cie LULC en el año t1yA2es la superﬁcie LULC en

el año t2, con t2>t1.

q=A2

A1

t2−t1−1 (1)

2.3.2 MOLUSCE

Se utilizó la herramienta MOLUSCE para analizar

y simular los cambios en el uso y cobertura del sue-

lo (LULC) hasta el año 2030. Este complemento de

QGIS permite calcular matrices de transición e in-

corporar algoritmos ampliamente aceptados para

modelado y simulaciones, como Redes Neurona-

les Artiﬁciales (ANN), Autómatas Celulares (CA)

y el coeﬁciente Kappa para la validación de la pre-

cisión. Este índice varía de 0 a 1, interpretándose

como pobre y casi perfecto, respectivamente (Gaur

and Singh, 2023; Jain, 2024; Mollocana Lara and

Paredes Obando, 2024). Estos algoritmos han sido

ampliamente aplicados en estudios de modelado de

LULC, como los realizados por Souza et al. (2020);

Xu et al. (2024).

El algoritmo ANN aprende patrones espacia-

les y relaciones entre datos históricos y variables

explicativas, modelando el potencial de transición.

Por su parte, los Autómatas Celulares (CA) simu-

lan procesos espaciales dinámicos, aplicando reglas

de transición basadas en condiciones de vecindad

(Alipbeki et al., 2024; Tenorio et al., 2022).

Para predecir mapas de LULC utilizando la he-

rramienta MOLUSCE, es necesario recopilar infor-

mación cartográﬁca que represente variables expli-

cativas relacionadas con los cambios en LULC. Esto

permite que el algoritmo de Redes Neuronales Ar-

tiﬁciales (ANN) dentro de MOLUSCE considere es-

tas variables durante el entrenamiento, replicando

comportamientos aprendidos e identiﬁcando patro-

nes espaciales (Al Mazroa et al., 2024). Se generaron

cinco variables explicativas en formato raster rela-

cionadas con los cambios de LULC, las cuales fue-

ron integradas en la herramienta MOLUSCE. Estas

variables se presentan en la Tabla 2.

Estudios previos han identiﬁcado la proximidad

a carreteras y centros urbanos como factores de-

terminantes en los cambios de uso y cobertura del

suelo (LULC, por sus siglas en inglés), ya que las

áreas cercanas a estas características tienden a ex-

perimentar mayores tasas de pérdida de cobertura

natural debido a la mayor accesibilidad y activi-

dad humana (Gaur and Singh, 2023). La vegetación

cercana a carreteras y áreas pobladas es más sus-

ceptible a la remoción debido a la expansión de la

frontera agrícola y la creación de pastizales para la

ganadería (Fischer et al., 2021).

Las características topográﬁcas como la altitud

y la pendiente desempeñan un papel importante en

la determinación de la idoneidad del terreno para la

agricultura y el desarrollo, dado que las actividades

humanas se ven restringidas o enfrentan diﬁculta-

des en áreas de gran altitud o con pendientes pro-

nunciadas (Xu et al., 2024). Una parte signiﬁcativa

16 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

del Corredor de Conectividad Llanganates-Sangay

(CELS) se encuentra bajo algún tipo de conserva-

ción legal, lo que actúa como una barrera importan-

te contra el avance de actividades antropogénicas.

Estas variables explicativas son comúnmente

utilizadas en el modelado de LULC debido a que

pueden obtenerse de fuentes cartográﬁcas accesi-

bles. En contraste, los factores socioeconómicos, de

aplicación de la ley o relacionados con políticas son

menos utilizados debido a la escasez de datos, la

complejidad de su representación espacial y las dis-

crepancias temporales. A pesar de estas limitacio-

nes, varios estudios han demostrado buenos resul-

tados de modelado utilizando únicamente variables

topográﬁcas y de infraestructura, como lo señalan

Barbosa de Souza et al. (2023); Alipbeki et al. (2024);

Hasan et al. (2020).

Figura 2. Diagrama metodológico para el análisis y la predicción de LULC.

Aunque numerosos estudios han explorado có-

mo las áreas protegidas ayudan a prevenir la de-

forestación, son pocos los que han integrado los

niveles de protección como una variable en los mo-

delos de cambio de uso del suelo (Kim and Anand,

2021). Dado que el CELS incluye diversos tipos de

áreas de protección y conservación, el nivel de pro-

tección fue integrado al análisis para evaluar su

inﬂuencia en las dinámicas de LULC. Este nivel

fue determinado mediante encuestas realizadas a

tres expertos, quienes evaluaron, en una escala de

1 a 5, la efectividad de las diferentes categorías de

protección dentro del CELS para prevenir la defo-

restación. En esta escala, 1 representa un bajo nivel

de protección, mientras que 5 indica un alto nivel

de protección frente a la deforestación.

Con ﬁnes de modelado y predicción, se calculó

una matriz de transición para el periodo 2018-2020

(intervalo de dos años) utilizando la herramienta

MOLUSCE. Esta matriz fue empleada por MOLUS-

CE para crear un mapa de cambio, el cual, junto con

los raster de variables explicativas, sirvió como in-

sumo para el entrenamiento del modelo ANN, que

evalúa iterativamente la precisión de sus prediccio-

nes y ajusta su estructura para minimizar errores.

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

Por otro lado, los Autómatas Celulares (CA) gene-

ran simulaciones basadas en el modelo ANN en-

trenado (Mustafa et al., 2021). En este estudio, cada

iteración del algoritmo CA produce un mapa LULC

proyectado con dos años de adelanto.

La primera iteración generó un mapa LULC pa-

ra 2022, el cual se comparó con el mapa LULC real

de 2022 obtenido de MapBiomas para validar el

modelo. Posteriormente, se realizaron cuatro ite-

raciones adicionales para producir un mapa LULC

proyectado para 2030. A partir del mapa LULC pro-

yectado para 2022 y el de 2030, se calculó una matriz

de transición para analizar los cambios en LULC y

estimar las tasas anuales de cambio utilizando la

Ecuación 1.

Tras el entrenamiento del modelo ANN y la ge-

neración de un mapa LULC proyectado para 2022

mediante el algoritmo CA, es esencial veriﬁcar que

las predicciones realizadas por el algoritmo de Au-

tómatas Celulares y el modelo ANN sean lo suﬁ-

cientemente conﬁables para respaldar la toma de

decisiones (Bao Pham et al., 2024). Para garantizar

esto, el modelo fue validado comparando el mapa

LULC proyectado para 2022 generado por el algo-

ritmo con el mapa LULC real de MapBiomas para

el mismo año. La comparación se realizó utilizan-

do el coeﬁciente Kappa de Cohen, una métrica am-

pliamente utilizada para la comparación de datos

espaciales (Mollocana Lara et al., 2021). MOLUSCE

permite múltiples iteraciones de cálculo del coeﬁ-

ciente Kappa, reduciendo errores causados por el

muestreo aleatorio. La interpretación del coeﬁcien-

te Kappa sigue los criterios establecidos por Santos

et al. (2020).

Tabla 2. Deﬁniciones de variables explicativas para el entrenamiento de ANN.

Variable Deﬁnición

Proximidad a

carreteras

Ráster que representa la distancia euclidiana medida en metros de cada

píxel a la carretera más cercana

Proximidad a

asentamientos

Ráster que representa la distancia euclidiana medida en metros de cada

píxel a los centros urbanos

Nivel de protección

de las áreas

naturales

Ráster que representa el nivel de protección de las zonas naturales

contra la eliminación de la cubierta natural en una escala de 0 a 5,

donde 0 indica zonas no protegidas y 5 representa el nivel más alto

de protección.

Altitud Ráster que muestra la altura sobre el nivel del mar (m.s.n.m) de cada píxel

Pendiente Ráster que indica la pendiente o inclinación del terreno para cada píxel medida en grados

3 Resultados y Discusión

3.1 Análisis de cambios de LULC de 2018

a 2022

Las dinámicas de cambio en el uso y cobertura del

suelo (LULC, por sus siglas en inglés) en el Corre-

dor de Conectividad Llanganates-Sangay (CELS)

entre 2018 y 2022 (Figura 3) muestran una dismi-

nución gradual de las áreas de Formación Forestal,

especialmente en las zonas de amortiguamiento del

CELS. Esto sugiere un proceso de deforestación,

probablemente asociado a actividades humanas co-

mo la expansión agrícola y ganadera, dado que este

tipo de uso presenta un notable incremento en la

misma área, indicando que las zonas periféricas al

CELS están sometidas a una mayor presión antró-

pica. Este cambio implica una transformación signi-

ﬁcativa de los ecosistemas forestales hacia usos más

intensivos.

La pérdida gradual de las áreas de Formación

Forestal sugiere un aumento en la fragmentación

del paisaje, lo que afecta la conectividad ecológi-

ca entre los ecosistemas montanos y amazónicos

(Jokisch and Lair, 2002). Los Cuerpos de Agua y

las Áreas No Negetadas permanecen relativamen-

te constantes, sin cambios perceptibles en su exten-

sión, mientras que las Formaciones Naturales No

Forestales muestran variaciones menores, las cuales

podrían estar relacionadas con procesos de degra-

dación o regeneración.

18 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

La Tabla 3 y la Figura 4 destacan los cambios

en el uso y cobertura del suelo (LULC, por sus

siglas en inglés) en el Corredor de Conectividad

Llanganates-Sangay (CELS) entre 2018 y 2022, cuan-

tiﬁcando la transformación del paisaje. La categoría

de Formación Forestal experimentó una pérdida

acumulada de 1 147,33 hectáreas, con una tasa pro-

medio anual de cambio de -0,37%, alcanzando su

valor máximo de disminución entre 2021-2022 con

-515.03 hectáreas (-0,67%/año).

Esta dinámica de disminución en las categorías

relacionadas con la vegetación natural conﬁrma que

la agricultura es el principal impulsor del cambio en

el uso del suelo, contribuyendo signiﬁcativamente

a la deforestación y a la presión sobre los ecosiste-

mas forestales, que pierden su función ecológica en

el mantenimiento de la diversidad y la conectividad

del paisaje. La expansión agrícola, a su vez, respon-

de a la estabilidad económica, la cual genera ﬂuc-

tuaciones a corto plazo en el mercado.

Figura 3. Mapas de LULC de MapBiomas de 2018 a 2022 (MapBiomas, 2024).

Las Áreas No Negetadas aumentaron en 250,84

hectáreas (+8.50%/año), mostrando su mayor creci-

miento entre 2021-2022 (+107,31 ha, +13,52%/año).

Este aumento puede reﬂejar procesos de degrada-

ción del suelo relacionados con la erosión, urba-

nización y abandono de tierras, los cuales alteran

la funcionalidad del corredor y generan una cre-

ciente amenaza para los ecosistemas naturales. Esta

tendencia es consistente con otros estudios realiza-

dos en la Amazonía ecuatoriana (Gutiérrez et al.,

2016; Calvas et al., 2024; Viteri-Basso et al., 2024).

Por su parte, los Cuerpos de Agua mostraron ﬂuc-

tuaciones signiﬁcativas, con pérdidas entre 2020-

2021 (-3,09%/año) y una recuperación parcial entre

2021-2022 (+3,58%/año). Estas dinámicas, proba-

blemente inﬂuenciadas por variaciones estacionales

y procesos de sedimentación, requieren monitoreo

hidrológico continuo para comprender sus causas y

efectos en el corredor.

La Tabla 4 corresponde a la matriz de transición

de uso y cobertura del suelo (LULC, por sus siglas

en inglés) entre 2018 y 2022. El 96,93% (75.577,18

ha) del área ocupada por la categoría de Forma-

ción Forestal permaneció estable, mientras que el

2,49% cambió a Áreas de Agricultura y Ganadería,

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

y el 0,15% a Áreas No Vegetadas. Esto reﬂeja que

la expansión agrícola es el principal impulsor de la

deforestación.

La categoría de Formación Natural No Forestal

presentó una permanencia del 88,57% (578,7 ha),

mientras que el 7,55% se transformó en Formación

Forestal y el 3,19% en Áreas de Agricultura y Gana-

dería. En contraste, el 87,17% (8629,23 ha) perma-

neció como Áreas de Agricultura y Ganadería, las

cuales se expandieron en 1058,96 ha (10,7%) a par-

tir de la Formación Forestal y en 100,9 ha (1,02%) a

partir de Áreas No Vegetadas. Esto conﬁrma que la

agricultura es el principal factor de transformación

del paisaje. En las Áreas No Vegetadas, el 93,95%

(610,72 ha) se mantuvo sin cambios, registrándose

un incremento de 120,57 ha (0,15%) provenientes de

la Formación Forestal y de 64,49 ha (2,17%) prove-

nientes de los Cuerpos de Agua. Este aumento po-

dría asociarse a procesos de degradación y urbani-

zación.

Tabla 3. Cambios en el uso/cobertura del suelo del CELS de 2018 a 2022.

Categorías Unidades 2018 a 2019 2019 a 2020 2020 a 2021 2021 a 2022 2018 a 2022

ha -266,94 -263,28 -102,09 -515,03 -1147,33

Formación Forestal q -0,34 -0,34 -0,13 -0,67 -0,37

ha -8,96 -18,84 -7,32 5,12 -30,01Formación Natural

No Forestal q -1,37 -2,92 -1,17 0,83 -1,17

ha 223,39 234,64 149,02 299,14 906,19Zonas Agrícolas

y Ganaderas q 2,26 2,32 1,44 2,85 2,21

ha 49,49 41,53 52,51 107,31 250,84

Áreas No Vegetadas q 7,61 5,94 7,09 13,52 8,50

ha 3,02 5,95 -92,12 103,46 20,31

Cuerpos de Agua q 0,10 0,20 -3,09 3,58 0,17

*El símbolo negativo representa la reducción de la superﬁcie; ha representa el cambio en hectáreas y q representa la tasa anual

de cambio en%/año.

Figura 4. Evolución de las tasas de cambio de LULC anuales (q%/año) a intervalos de un año desde 2018 hasta 2022.

20 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

Tabla 4. Matriz de transición para LULC entre 2018 y 2022.

Período

2018 - 2022

Formación

Forestal

Formación

Natural

No Forestal

Zonas

Agrícolas

y Ganaderas

Áreas No

Vegetadas

Cuerpos

de Agua

Total

2018

Formación

Forestal

75577,18

(96,93%)

23,6

(0,03%)

1941,1

(2,49%)

120,57

(0,15%)

311,3

(0,4%)

77973,75

(100%)

Formación

Natural

No Forestal

49,31

(7,55%)

578,7

(88,57%)

20,86

(3,19%)

4,21

(0,64%)

0,27

(0,04%)

653,34

(100%)

Zonas

Agrícolas

y Ganaderas

1058,96

(10,7%)

19,03

(0,19%)

8629,23

(87,17%)

100,9

(1,02%)

91,48

(0,92%)

9899,6

(100%)

Áreas No

Vegetadas

10,43

(1,6%)

0,37

(0,06%)

25,71

(3,95%)

610,72

(93,95%)

2,84

(0,44%)

650,05

(100%)

Cuerpos

de Agua

130,54

(4,39%)

1,65

(0,06%)

188,9

(6,35%)

64,49

(2,17%)

2589,5

(87,04%)

2975,09

(100%)

Total 2022 76826,42 623,34 10805,80 900,89 2995,3

Variación de

2018 a 2022 -1147,33 -30,01 906,19 250,84 20,31

*Los cambios se expresan en hectáreas, con los porcentajes entre paréntesis. Los valores de variación positivos

indican ganancias de superﬁcie, y los negativos, pérdidas.

En cuanto a los Cuerpos de Agua, el 87,04%

(2589,5 ha) permaneció como tal, mientras que 64,49

ha (2,17%) se redujeron a Áreas No Vegetadas y

130,54 ha (4,39%) se transformaron en Formación

forestal, posiblemente debido a cambios en la diná-

mica hídrica, procesos de sedimentación, la tempo-

ralidad estacional de las imágenes satelitales Land-

sat utilizadas en la clasiﬁcación de MapBiomas o

errores inherentes al algoritmo.

La matriz de transición evidencia que la defo-

restación y la conversión a tierras agrícolas son las

dinámicas predominantes en el CELS, impulsadas

por la expansión agrícola. Adicionalmente, el au-

mento de las Áreas No Vegetadas reﬂeja procesos

de degradación que podrían intensiﬁcarse si no se

implementan medidas de manejo sostenible.

Dado que las tasas anuales de cambio en la For-

mación Forestal son bajas, resulta difícil observar la

disminución de su área (deforestación). Para mejo-

rar esta comprensión, la Figura 5 destaca las dife-

rencias en los cambios de la Formación Forestal en-

tre 2018 y 2019, así como entre 2018 y 2022.

3.2 Variables explicativas para la predic-

ción de LULC en 2030

Los rásteres que representan las variables explica-

tivas para el modelo de predicción se presentan en

la Figura 6 y la Figura 7. Los rásteres de proximi-

dad a carreteras, proximidad a asentamientos, alti-

tud y pendiente se generaron a partir de informa-

ción oﬁcial del Instituto Geográﬁco Militar (IGM).

El ráster del nivel de protección se elaboró con base

en información proporcionada por el Ministerio del

Ambiente, Agua y Transición Ecológica (MAATE),

una ONG de conservación que apoya áreas priva-

das en el CELS, y las opiniones de expertos sobre el

nivel efectivo de protección de los diferentes tipos

de áreas protegidas.

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

Figura 5. Deforestación representada como la transición de la clase Formación forestal a cualquier otra categoría LULC entre

2018-2019 (izquierda) y 2018-2022 (derecha).

Figura 6. Variables explicativas: proximidad a asentamientos, proximidad a carreteras y elevación.

No todas las áreas de conservación poseen el

mismo nivel de protección contra la deforestación,

y el tipo de área de conservación varía signiﬁcativa-

mente. Algunas forman parte del Sistema Nacional

de Áreas Protegidas (SNAP) regulado por el Códi-

go Orgánico del Ambiente, el cual proporciona un

marco legal sólido que respalda la conservación de

estas áreas. Además, cuentan con una mayor capa-

cidad ﬁnanciera y técnica, lo que incrementa su ni-

vel de protección. Sin embargo, su efectividad pue-

de verse comprometida por actividades extractivas

permitidas bajo excepciones legales, como la explo-

tación minera en ciertas áreas protegidas.

Las áreas gestionadas por los Gobiernos Autó-

nomos Descentralizados (GAD) disponen de me-

nos recursos y apoyo técnico, lo que limita su capa-

cidad para implementar medidas de conservación

efectivas. En el caso de las áreas de propiedad pri-

vada, en algunos casos representan modelos exito-

sos de conservación que dependen principalmente

del compromiso de sus propietarios, pero carecen

de un marco consolidado de monitoreo (Mendoza-

Montesdeoca et al., 2022; Mestanza-Ramón et al.,

2020).

22 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

Figura 7. Variables explicativas: nivel de protección y pendiente.

Para tener en cuenta estas diferencias, se con-

sultaron a tres expertos para evaluar el nivel de

protección contra la deforestación en diversos tipos

de áreas de conservación. Los expertos selecciona-

dos tienen al menos cinco años de experiencia en

conservación y provienen de distintas instituciones

en Ecuador que han trabajado en corredores de co-

nectividad oﬁcialmente reconocidos (MAATE y dos

ONG diferentes), proporcionando perspectivas di-

ferentes y un entendimiento amplio de las prácticas

y desafíos de conservación en el país. Los resultados

se presentan en la Tabla 5. Cada nivel de protección

se caliﬁcó en una escala de 1 a 5, asignándose un

valor de 0 a las áreas no protegidas.

La importancia de incorporar el nivel de pro-

tección de un área protegida en el modelo (Barreto

et al., 2017; Pessôa et al., 2023) se demuestra en la

Tabla 6, la cual evidencia su inﬂuencia signiﬁcativa

en las tasas de deforestación. Las tasas de cambio

anual se calcularon utilizando la ecuación 1. Co-

mo era de esperarse, las áreas sin ninguna forma

de protección (nivel de protección 0) presentan las

tasas de deforestación más altas, seguidas por el

Área Ecológica de Desarrollo Sostenible Provincial

del GAD de Pastaza (AEDSP), donde se permiten

actividades productivas sostenibles (nivel de pro-

tección 2). En contraste, las áreas protegidas como

ACMUS, APH y los Bosques Protectores (nivel de

protección 3) presentan las tasas de deforestación

anual más bajas, seguidas por las áreas protegidas

privadas (nivel de protección 1).

Las áreas protegidas privadas muestran una no-

table diferencia entre el nivel de protección repor-

tado por los expertos y las bajas tasas de deforesta-

ción calculadas en este análisis. Dos de los expertos

entrevistados fundamentan sus opiniones en la falta

de garantías legales para la protección a largo plazo,

ya que el estatus de conservación en áreas privadas

puede cambiar dependiendo de la visión de los pro-

pietarios. Sin embargo, estas áreas suelen alcanzar

resultados de conservación más elevados debido a

su enfoque especíﬁco, adaptabilidad y gestión por

parte de organizaciones no gubernamentales, fami-

lias o consorcios, los cuales implementan prácticas

rigurosas de conservación y reducen la presión an-

tropogénica directa. A pesar de estas ventajas, per-

sisten desafíos, entre ellos las tensiones con las co-

munidades locales debido al acceso restringido a re-

cursos tradicionales y la vulnerabilidad de los enfo-

ques de conservación frente a cambios en las prio-

ridades de los propietarios (Iñiguez-Gallardo et al.,

2021).

3.3 Entrenamiento del modelo de Red Neu-

ronal Artiﬁcial

El algoritmo de Red Neuronal Artiﬁcial (ANN) en

la herramienta MOLUSCE se conﬁguró con un ta-

maño de vecindad de 2 píxeles y una tasa de apren-

dizaje de 0.002. Además, se estableció un momento

(momentum) de 0,002, que son parámetros que ayu-

dan a estabilizar el aprendizaje y acelerar la conver-

gencia. La Figura 8 muestra la curva de aprendizaje

que ilustra el proceso de entrenamiento del algorit-

mo a lo largo de 2000 iteraciones, en las cuales se

utilizaron 40,000 puntos de muestreo estratiﬁcado

para entrenar y validar la red neuronal. El error mí-

nimo alcanzado por la red neuronal fue de 8,46%.

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

Tabla 5. Resultados de la encuesta para evaluar el nivel de protección contra la deforestación, con 1 representando un nivel bajo

de protección y 5 un nivel alto.

Tipo de zona protegida Nivel de protección

Grado 1aGrado 2bGrado 3aMedia

Áreas de conservación privadas 1 1 2 1

Áreas de conservación Municipal

y Uso Sostenible (ACMUS) 3 4 3 3

Áreas de Protección Hídrica (APH) 3 3 4 3

Programa de conservación Socio Bosque 4 4 3 4

Área Ecológica de Desarrollo Sostenible

Provincial de Pastaza (AEDSP) 2 2 2 2

Bosques y vegetación protectores 1 4 4 3

Parques Nacionales (parte del SNAP) 5 5 5 5

Áreas privadas protegidas (parte del SNAP) 3 5 5 4

aEspecialistas en conservación– ONG.

bEspecialista en Áreas Protegidas- MAATE.

Tabla 6. Tasa de variación anual de la formación forestal según el nivel de protección contra la deforestación de las zonas

protegidas de 2018 a 2022.

Nivel de

protección

Formación

Forestal 2018

Formación

Forestal 2022 Cambio 2018 - 2022

ha ha ha q (%/año)

0 42952,59 41962,24 -990,35 -0,58

1 3730,25 3727,59 -2,65 -0,02

2 13003,95 12889,33 -114,62 -0,22

3 9269,31 9264,46 -4,85 -0,01

4 8911,26 8876,59 -34,67 -0,10

5 106,39 106,21 -0,18 -0,04

Total 77973,75 76826,42 -1147,33 -0,37%

*Los valores negativos indican una reducción de la superﬁcie.

3.4 Simulación con autómatas celulares

Los mapas de uso y cobertura del suelo (LULC, por

sus siglas en inglés) proyectados para el período

2022-2030, con intervalos de dos años, se ilustran en

la Figura 9, mientras que la Tabla 7 detalla la transi-

ción de las predicciones de LULC entre 2022 y 2030

en hectáreas, con porcentajes en paréntesis.

Los valores de variación positiva indican ga-

nancias de área, mientras que los valores negativos

representan pérdidas. Además, la Figura 9 muestra

la evolución de las tasas anuales de cambio proyec-

tadas de LULC (%/año) en intervalos de dos años

entre 2022 y 2030, y la Tabla 7 presenta la matriz de

transición correspondiente. Por otro lado, la Figura

10 muestra las tendencias futuras proyectadas y las

variaciones en las tasas anuales de cambio de las

categorías de LULC durante el período 2022-2030.

La Formación Forestal, el mayor uso del suelo,

muestra una disminución de área (tasas de cambio

negativas), que va de 77025,39 ha en 2022 a 75396,42

ha en 2030, lo que indica una reducción continua

pero moderada en la cobertura forestal, probable-

mente debido a la deforestación (Souza et al., 2020).

La conversión de bosques en pastizales, tierras agrí-

colas e infraestructura es un impulsor clave de la

deforestación, causando efectos signiﬁcativos en los

ecosistemas y el clima. Este proceso acelera la pér-

dida de biodiversidad, interrumpe los sistemas hí-

dricos y libera carbono almacenado, intensiﬁcando

el cambio climático y alterando las condiciones am-

24 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

bientales locales y regionales (Kumar et al., 2022).

Aunque la mayoría de las Áreas de Formación Fo-

restal (95,59%, 73628,13 ha) permanecieron intactas

en la simulación, un 3,72% se convirtió en Áreas de

Agricultura y Ganadería.

Figura 8. Curva de aprendizaje de la red neuronal artiﬁcial.

Figura 9. Mapas de LULC predichos del 2022 al 2030.

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

De manera similar, el 59,7% de las Formaciones

Naturales No Forestales de 2022 persistieron, mien-

tras que el 21,04% se transformó en tierras agrícolas,

lo que reﬂeja una presión signiﬁcativa sobre estos

ecosistemas debido al crecimiento agrícola (Tabla 7).

La disminución de las Formaciones Naturales

No Forestales puede tener consecuencias ecológicas

signiﬁcativas, incluyendo la pérdida de biodiversi-

dad y la degradación de ecosistemas. Por ejemplo,

la reducción de humedales naturales se ha relacio-

nado con una disminución en la calidad del hábitat

y la fragmentación, agravando aún más la degrada-

ción ambiental (Wilson et al., 2016).

Las Áreas de Agricultura y Ganadería se ex-

panden de manera constante, pasando de 10804,52

ha en 2022 a 12582,78 ha en 2030, reﬂejando la in-

cursión agrícola. Aunque estas áreas permanecie-

ron predominantemente estables en la simulación

(83,72%, 9045,19 ha), 1412,07 ha se transformaron

en Formación Forestal. Este cambio puede indicar

la inﬂuencia de esfuerzos de conservación e iniciati-

vas implementadas en el CELS, como la promoción

de prácticas agroecológicas que pueden facilitar la

restauración forestal (Knapp and Sciarretta, 2023).

Las Áreas de Agricultura y Ganadería muestran

tasas de cambio positivas, pero ligeramente des-

aceleradas, lo que indica un aumento continuo de

tierras agrícolas, aunque a un ritmo más lento con

el tiempo.

En contraste, las Áreas No Vegetadas exhiben ta-

sas de cambio positivas y crecientes, reﬂejando una

expansión gradual, probablemente asociada al cre-

cimiento periurbano (Souza et al., 2020) y otras ac-

tividades antropogénicas. Esta expansión también

podría estar inﬂuenciada por deslizamientos de tie-

rra y el aumento de bancos de arena expuestos en

ríos, visibles debido a la disminución en los cuer-

pos de agua. Aunque las Áreas No Vegetadas man-

tuvieron el 71,77% de su cobertura, la conversión

de 163,84 ha en Áreas de Agricultura y Ganadería

podría atribuirse a esfuerzos de recuperación de tie-

rras y restauración ecológica que facilitan su transi-

ción hacia paisajes agrícolas productivos (Zine et al.,

2024).

Tabla 7. Matriz de transición para las predicciones de LULC entre 2022 y 2030.

Período

2022 - 2030

Formación

Forestal

Formación

Natural No

Forestal

Zonas Agrícolas

y Ganaderas

Áreas No

Vegetadas

Cuerpos

de Agua Total 2022

73628,13 82,88 2866,5 97,52 350,37 77025,39Formación

Forestal (95,59%) (0,11%) (3,72%) (0,13%) (0,45%) (100%)

112,06 356,68 125,69 2,01 1,01 597,45Formación

Natural

No Forestal

(18,76%) (59,7%) (21,04%) (0,34%) (0,17%) (-100%)

1412,07 74,92 9045,19 130,45 141,88 10804,52Zonas Agrícolas

y Ganaderas (13,07%) (0,69%) (83,72%) (1,21%) (1,31%) (100%)

15,73 17,29 163,84 537,81 14,73 749,4

Áreas No

Vegetadas (2,1%) (2,31%) (21,86%) (71,77%) (1,97%) (-100%)

228,42 2,2 381,56 41,99 2309,48 2963,65Cuerpo

de Agua (7,71%) (0,07%) (12,87%) (1,42%) (77,93%) (100%)

Total 2030 75396,42 533,96 12582,78 809,77 2817,47

Variación de

2022 a 20230 -1628,97 -63,49 1778,26 60,38 -146,18

*Los cambios se expresan en hectáreas, con los porcentajes entre paréntesis. Los valores de variación positivos indican

ganancias de superﬁcie, y los negativos, pérdidas.

Los Cuerpos de Agua, aunque mantuvieron una

estabilidad del 77,93%, experimentaron pérdidas

hacia la Formación Forestal y Áreas de Ágricultura

y Ganadería, probablemente impulsadas por proce-

sos de sedimentación y alteraciones en la dinámica

hidrológica. Además, esta tendencia puede reﬂejar

la inﬂuencia de los datos utilizados para entrenar

la red neuronal artiﬁcial (ANN), ya que la disminu-

ción observada en los Cuerpos de Agua entre 2018

y 2022 parece haber guiado al modelo a predecir

26 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

reducciones similares en escenarios futuros. Se re-

quieren estudios adicionales para comprender me-

jor los factores detrás de estos cambios y evaluar si

representan ﬂuctuaciones temporales, tendencias a

largo plazo o posibles errores en el proceso de mo-

delado. La Figura 11 muestra una comparación en-

tre los cambios de Formación Forestal a cualquier

otra categoría de LULC en los períodos 2022-2024 y

2022-2030.

Figura 10. Evolución de las tasas de cambio anuales de LULC predichas (%/año) a intervalos de dos años de 2022 a 2030.

3.5 Validación del modelo

Mediante cinco iteraciones con 40000 puntos de

muestra estratiﬁcados, se obtuvo un coeﬁciente

Kappa promedio de 0,95, con valores estables ob-

servados en todas las iteraciones. Esto indica un ex-

celente nivel de concordancia entre el mapa predi-

cho y el mapa de 2022 de MapBiomas, lo que sugie-

re que el modelo tiene un desempeño consistente y

puede ser una herramienta útil en los procesos de

toma de decisiones.

3.6 Limitaciones del estudio

Las principales limitaciones de este estudio inclu-

yen la baja disponibilidad de imágenes satelitales

debido a la alta cobertura de nubes presentes du-

rante el período de análisis. Por esta razón, se uti-

lizaron los mapas de uso y cobertura del suelo ge-

nerados por MapBiomas. Aunque esta herramienta

emplea técnicas avanzadas de ﬁltrado y corrección

de imágenes, su cartografía presenta un margen de

error con una precisión del 80%. Asimismo, el uso

de la herramienta MOLUSCE, a pesar de su robus-

tez y frecuente aplicación para generar tendencias,

incluye un margen de error asociado, con un coeﬁ-

ciente Kappa de 0,95.

El enfoque naturalista del artículo priorizó el

análisis de los cambios en la cobertura natural y las

diferentes formas de conservación dentro del CELS.

Los factores socioeconómicos, políticos, de políti-

cas públicas y de disponibilidad de recursos no se

incluyeron en el análisis debido a la falta de datos

disponibles y a las complejidades asociadas con la

integración de estas variables en modelos geoespa-

ciales. Esto representa una oportunidad para reali-

zar investigaciones complementarias que aborden

esta limitación mediante la incorporación de datos

sobre crecimiento poblacional, actividades econó-

micas, implementación de políticas, disponibilidad

de recursos y capacidades de gestión de áreas prote-

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

gidas, con el ﬁn de capturar de manera más integral

las dinámicas que inﬂuyen en los cambios de LULC.

A pesar de estas limitaciones, los resultados pre-

sentados en este estudio reﬂejan de manera conﬁa-

ble las dinámicas observadas en el CELS. Las va-

riables utilizadas son ampliamente aplicadas en el

modelado de LULC, y el modelo fue entrenado y

validado utilizando diferentes conjuntos de datos,

alcanzando un alto nivel de precisión.

Figura 11. Deforestación prevista representada como la transición de la clase Formación forestal a cualquier otra categoría LULC

entre 2022 - 2024 (izquierda) y 2022-2030 (derecha).

4 Conclusiones

Este estudio examinó mapas de uso y cobertura

del suelo (LULC, por sus siglas en inglés) obteni-

dos de la plataforma MapBiomas para el período

2018-2022. Los mapas predictivos de LULC para el

período 2022-2030 se generaron utilizando la he-

rramienta MOLUSCE en QGIS. La deforestación se

representó como la transición de la clase Forma-

ción Forestal a cualquier otra categoría de LULC.

Los hallazgos conﬁrman la tendencia esperada de

reemplazo de las áreas de cobertura natural por

usos antropogénicos, destacándose la expansión de

las Áreas de Agricultura y Ganadería en los límites

oriental y occidental del CELS. Para mitigar este

fenómeno, se recomienda promover prácticas an-

tropogénicas sostenibles, como la agroecología.

Además, se observó que las áreas de conserva-

ción presentan tasas de deforestación más bajas,

mientras que la mayor parte de la deforestación

ocurre en áreas sin ningún estatus de conservación.

Por lo tanto, se sugiere fortalecer las áreas de con-

servación existentes, establecer nuevas áreas y abor-

dar la proporción signiﬁcativa de cobertura natural

sin protección dentro del CELS como estrategias

prioritarias.

Las tasas relativamente bajas de deforestación

identiﬁcadas plantearon desafíos para detectar

cambios en los mapas de LULC. Este desafío tam-

bién se reﬂejó en el algoritmo de red neuronal artiﬁ-

cial (ANN), donde los intervalos de entrenamiento

tuvieron que extenderse a dos años debido a los

mínimos cambios observados anualmente. Utili-

zando el modelo ANN y el algoritmo de simulación

de autómatas celulares, el estudio estimó las tasas

anuales de cambio entre 2018 y 2022 de la siguiente

manera: una disminución de 0,37% por año, equi-

valente a 1147,33 hectáreas para la Formación Fo-

restal; una reducción del 1,17% por año, o 30,01

hectáreas, para la Formación Natural No Forestal;

un incremento del 2,21% por año, correspondiente

a 906,19 hectáreas, para las Áreas de Agricultura y

Ganadería; un aumento del 8,50% por año, equiva-

lente a 250,84 hectáreas, para las Áreas No Vegeta-

das; y un ligero incremento del 0,17% por año, o

30,31 hectáreas, para los Cuerpos de Agua.

En contraste, las simulaciones de LULC para el

período 2022-2030 predicen: una disminución anual

de 0,27%, equivalente a 1628,97 hectáreas para la

28 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

Formación Forestal; una reducción del 1,39% por

año o 63,49 hectáreas para la Formación Natural

No Forestal; un aumento del 1,92% por año, co-

rrespondiente a 1778,26 hectáreas, para las Áreas de

Agricultura y Ganadería; un incremento del 0,97%

por año, sumando 30,38 hectáreas, para las áreas no

vegetadas; y un leve descenso del 0,63% por año,

equivalente a 146,18 hectáreas, para los Cuerpos de

Agua. La precisión predictiva del modelo, evaluada

mediante el coeﬁciente Kappa, indicó un gran de-

sempeño.

Agradecimientos

Expresamos nuestra gratitud a la Fundación Hem-

pel por ﬁnanciar el estudio sobre deforestación en el

Corredor de Conectividad Llanganates-Sangay, cu-

yo proceso y resultados se presentan en este artícu-

lo. Agradecemos también a WWF-Ecuador por su

valiosa información y contribuciones técnicas. Un

agradecimiento especial a la Universidad Politécni-

ca Salesiana por su interés y esfuerzos en la difusión

del conocimiento sobre los corredores de conecti-

vidad, y a la Red de Investigación del CELS, de la

cual forma parte la ESPOCH, por hacer posible esta

oportunidad de trabajo colaborativo.

Contribución de los autores

L.J.J.C.: Conceptualización, Curación de datos, Aná-

lisis formal, Investigación, Metodología, Adminis-

tración de proyecto, Supervisión, Recursos, Soft-

ware, Validación, Visualización, Escritura– borra-

dor original. A.C.M.H.: Conceptualización, Adqui-

sición de ﬁnanciación, Investigación, Metodología,

Administración de proyecto, Recursos, Supervi-

sión, Escritura– borrador original, Escritura– revi-

sión y edición. A.C.G.G.: Análisis formal, Investiga-

ción, Metodología, Validación, Escritura de la intro-

ducción, metodología y resultados. J.G.M.L.: Cura-

ción de datos, Análisis formal, Investigación, Meto-

dología, Validación, Visualización, Escritura – revi-

sión y edición.

Referencias

Admas, M. (2024). Predicting the impacts of land

use/cover and climate changes on water and

sediment ﬂows in the megech watershed, up-

per blue nile basin. Remote Sens, 16:2385. Onli-

ne:https://n9.cl/p2v51k.

Al Mazroa, A., Maashi, M., Kouki, F., Othman, K.,

Salih, N., Elfaki, M., and Begum, S. (2024). An

analysis of urban sprawl growth and prediction

using remote sensing and machine learning tech-

niques for vila velha, brazil. Journal of South Ame-

rican Earth Sciences, 142:104988. Online:https://

n9.cl/sseqj.

Alipbeki, O., Alipbekova, C., Mussaif, G., Grossul,

P., Zhenshan, D., Muzyka, O., Turekeldiyeva, R.,

Yelubayev, D., Rakhimov, D., Kupidura, P., and

Aliken, E. (2024). Analysis and prediction of land

use/land cover changes in korgalzhyn district,

kazakhstan. Agronomy, 14(2):268. Online:https:

//n9.cl/5tvd8.

Alvarado, O. (2020). La conservación neoliberal:

otra cara de la economía verde. estudio de ca-

so en el corredor ecológico llanganates sangay,

ecuador. Sociedad y ambiente, (22):97–123. Onli-

ne:https://n9.cl/0yycl.

Aneloa, W. E., Lara, J., Mendoza, C., Herrera, A.,

and Jacho, A. (2024). Development of a geoportal

for the integrated management of cartographic

information in the llanganates-sangay connecti-

vity corridor. Revista de Gestão Social e Ambiental,

18(11):e08768. Online:https://n9.cl/wppfn.

Bao Pham, Q., Ajim Ali, S., Parvin, F., Van On, V.,

Mohd Sidek, L., Ðurin, B., Cetl, V., Šamanovi´c, S.,

and Nguyet Minh, N. (2024). Multi-spectral re-

mote sensing and gis-based analysis for decadal

land use land cover changes and future predic-

tion using random forest tree and artiﬁcial neural

network. Advances in space research, 74(1):17–47.

Online:https://n9.cl/v4gdo.

Barbosa de Souza, K., Rosa dos Santos, A., Ma-

cedo Pezzopane, J., Machado Dias, H., Ferrari,

J., Machado de Oliveira Peluzio, T., Toledo, J.,

Freire Carvalho, R., Rizzo Moreira, T., and Fra-

nça Araújo, E. (2023). Modeling dynamics in

land use and land cover and its future projection

for the amazon biome. Forests, 14(7):1281. Onli-

ne:https://n9.cl/2egr1.

Barreto, J., González, T., and Armenteras, D. (2017).

Dinámica espacio temporal de ocurrencia de in-

cendios en zonas con diferentes tipos de manejo

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

en el noroeste de la amazonia:¿ barrera efectiva?

Revista facultad de ciencias básicas, 13(1):19–25. On-

line:https://n9.cl/susqb.

Borja, M., Holguín, W., Aguilar, C., Terán, K., Ro-

dríguez, A., and Josse, C. (2023). Documento de

bases teóricas de algoritmo (atbd) raisg - map-

biomas ecuador colección 1.0 de mapas anuales

de cobertura y uso del suelo de ecuador. Onli-

ne:https://n9.cl/89xt1.

Calvas, B., Castro, L., Kindu, M., Bingham, L., Pin-

tado, K., Torres, J., Knoke, T., and Cueva-Ortiz,

J. (2024). Large differences between observed

and expected ecuadorian deforestation from 2001

to 2009: a counterfactual simulation approach.

Regional Environmental Change, 24(2):1–15. Onli-

ne:https://n9.cl/o4k9v.

Delgado Fernández, E., León Peralta, M., Can-

tos Guamán, C., and J., G. (2023). Effect of mi-

ning activity on biodiversity in a sector of the

paquisha parish, province of zamora chinchipe-

ecuador. La Granja, 38(2):106–123. Online:https:

//n9.cl/65gby.

Elagouz, M., Abou-Shleel, S., Belal, A., and El-

Mohandes, M. (2020). Detection of land

use/cover change in egyptian nile delta using re-

mote sensing. The Egyptian Journal of Remote Sen-

sing and Space Science, 23(1):57–62. Online:https:

//n9.cl/die101.

Fischer, R., Cordero, F., Luna, T., Velasco, R., De-

Decker, M., Torres, B., Giessen, L., and Gün-

ter, S. (2021). Interplay of governance ele-

ments and their effects on deforestation in tropi-

cal landscapes: Quantitative insights from ecua-

dor. World Development, 148:105665. Online:https:

//n9.cl/5x86g.

Gaglio, M., Aschonitis, V., Mancuso, M., Reyes Puig,

J., Moscoso, F., Castaldelli, G., and Fano, E. (2017).

Changes in land use and ecosystem services in

tropical forest areas: a case study in andes moun-

tains of ecuador. Int. J. Biodivers. Sci. Ecosyst.

Serv. Manag, 13(1):264–279. Online:https://n9.cl/

4q5fe.

Gaur, S. and Singh, R. (2023). A comprehensive re-

view on land use/land cover (lulc) change mo-

deling for urban development: current status and

future prospects. Sustainability, 15(2):903. Onli-

ne:https://n9.cl/9stqv.

Gutiérrez, R., Puig, J., Tapia, A., Terán, A., de Var-

gas, K., Bermudez, D., and Rodríguez, X. (2016).

Desarrollo local y conservación en la vertiente

oriental andina: corredor ecológico llanganates-

sangay-valle del anzu. Revista Amazónica. Cien-

cia y Tecnología, 5(1):52–68. Online:https://n9.cl/

wvv9v.

Hasan, S., Shi, W., Zhu, X., Abbas, S., and Khan,

H. (2020). Future simulation of land use changes

in rapidly urbanizing south china based on land

change modeler and remote sensing data. Sustai-

nability, 12(11):4350. Online:https://n9.cl/jhna4.

Heredia-R, M., Torres, B., Cabrera-Torres, F., Torres,

E., Díaz-Ambrona, C., and Pappalardo, S. (2021).

Land use and land cover changes in the diversity

and life zone for uncontacted indigenous people:

Deforestation hotspots in the yasuní biosphere re-

serve, ecuadorian amazon. Forests, 12(11):1539.

Online:https://n9.cl/r3qb1.

Herrera, G. and Rodríguez, G. (2016). Resiliencia y

turismo: El caso de la ciudad de baños de agua

santa-ecuador. Holos, 3:229–250. Online:https://

n9.cl/hso6tb.

INABIO, Ecominga Foundation, Sumak Kawsay In

Situ, and Waska Amazonía (2023). Amphibians and

Reptiles of the Llanganates-Sangay Ecological Corri-

dor. National Biodiversity Institute Publication

Series.

Iñiguez-Gallardo, V., Reyes-Bueno, F., and Peñaran-

da, O. (2021). Conservation debates: people’s per-

ceptions and values towards a privately protec-

ted area in southern ecuador. Land, 10(3):233. On-

line:https://n9.cl/147n4.

Jain, M. (2024). Future land use and land cover si-

mulations with cellular automata-based artiﬁcial

neural network: A case study over delhi mega-

city (india). Heliyon, 10(14):e34662. Online:https:

//n9.cl/zdry6.

Jokisch, B. and Lair, B. (2002). One last stand? fo-

rests and change on ecuador’s eastern cordillera.

Geographical Review, 92(2):235–256. Online:https:

//n9.cl/1o8235.

Jost, L. (2004). Explosive local radiation of the ge-

nus teagueia (orchidaceae) in the upper pastaza

watershed of ecuador. Lyonia, 7(1):41–47. Onli-

ne:https://n9.cl/kmuuf.

30 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Análisis y predicción del cambio de uso y cobertura de suelo en el Corredor de Conectividad

Llanganates-Sangay para 2030

Kim, D. and Anand, A. (2021). Effectiveness of pro-

tected areas in the pan-tropics and international

aid for conservation. Geomatics, 1(3):335–346. On-

line:https://n9.cl/m0dwx.

Kleemann, J., Zamora, C., Villacis-Chiluisa, A.,

Cuenca, P., Koo, H., Noh, J., Fürst, C., and Thiel,

M. (2022). Deforestation in continental ecuador

with a focus on protected areas. Land, 11(2):268.

Online:https://n9.cl/8p6fh.

Knapp, J. and Sciarretta, A. (2023). Agroecology:

protecting, restoring, and promoting biodiversity.

BMC Ecology and Evolution, 23(1):29. Online:https:

//bit.ly/3Xgk2Ki.

Kouassi, J., Gyau, A., Diby, L., Bene, Y., and Koua-

mé, C. (2021). Assessing land use and land co-

ver change and farmers’ perceptions of defores-

tation and land degradation in south-west cô-

te d’ivoire, west africa. Land, 10(4):429. Onli-

ne:https://n9.cl/ke4z50.

Kumar, R., Kumar, A., and Saikia, P. (2022). En-

vironmental Degradation: Challenges and Strategies

for Mitigation, volume 104, chapter Deforestation

and forests degradation impacts on the environ-

ment, pages 19–46. Springer.

Lukas, P., Melesse, A., and Kenea, T. (2023). Predic-

tion of future land use/land cover changes using

a coupled ca-ann model in the upper omo-gibe

river basin, ethiopia. Remote Sensing, 15(4):1148.

Online:https://n9.cl/o3xdi1.

Mainville, N., Webb, J., Lucotte, M., Davidson, R.,

Betancourt, O., Cueva, E., and Mergler, D. (2006).

Decrease of soil fertility and release of mercury

following deforestation in the andean amazon,

napo river valley, ecuador. Science of the Total

Environment, 368(1):88–98. Online:https://n9.cl/

i2nwt.

MapBiomas (2024). Colección 1.0 de la serie de ma-

pas anuales de cobertura y uso de suelo de ecua-

dor. WebPage. Online: https://bit.ly/40GqWJu.

Mendoza-Montesdeoca, I., Rivera-Mateos, M., and

Doumet-Chilán, Y. (2022). Políticas públicas am-

bientales y desarrollo turístico sostenible en las

áreas protegidas de ecuador. Revista de Estu-

dios Andaluces, (43):106–124. Online:https://n9.

cl/eaxg3.

Mestanza-Ramón, C., Henkanaththegedara, S., Vás-

conez, P., Vargas, Y., Sánchez, M., Constante, D.,

Jimenez, M., Charco-Guamán, M., and Mestan-

za, P. (2020). In-situ and ex-situ biodiversity con-

servation in ecuador: A review of policies, ac-

tions and challenges. Diversity, 12(8):315. Onli-

ne:https://n9.cl/56go9.

Mollocana Lara, J., Álvarez Mendoza, C., and Ja-

ramillo Coronel, L. (2021). Evaluación de infor-

mación relacionada con combustibles en el dis-

trito metropolitano de quito para el modelado y

simulación de incendios forestales, caso de estu-

dio: Incendio del cerro atacazo. La Granja. Revis-

ta de Ciencias de La Vida, 34(2):45–62. Online:https:

//n9.cl/d57zh.

Mollocana Lara, J. and Paredes Obando, J. (2024).

Assessment and selection of fuel models in areas

with high susceptibility to wildﬁres in the metro-

politan district of quito. In International Conferen-

ce on Innovation and Research, pages 54–68. Onli-

ne:https://n9.cl/j39e4z.

Muhammad, R., Zhang, W., Abbas, Z., Guo, F., and

Gwiazdzinski, L. (2022). Spatiotemporal change

analysis and prediction of future land use and

land cover changes using qgis molusce plugin

and remote sensing big data: a case study of lin-

yi, china. Land, 11(3):419. Online:https://n9.cl/

b0y84k.

Mustafa, A., Ebaid, A., Omrani, H., and McPhear-

son, T. (2021). A multi-objective markov chain

monte carlo cellular automata model: Simulating

multi-density urban expansion in nyc. Computers,

Environment and Urban Systems, 87:101602. Onli-

ne:https://n9.cl/1jt25.

Perea-Ardila, M., Leal-Villamil, J., and Oviedo-

Barrero, F. (2021). Spectral characterization and

monitoring of mangrove forests with remote sen-

sing in the colombian paciﬁc coast: Bajo baudó,

chocó. La Granja: Revista de Ciencias de la Vida.,

34(2):27–44. Online:https://bit.ly/3CKfBA3.

Pessôa, A., Morelo, R., Silva-Junior, C., Doblas,

J., Carvalho, N., Aragão, L., and Anderson, L.

(2023). Protected areas are effective on cur-

bing ﬁres in the amazon. Ecological Economics,

214:107983. Online:https://n9.cl/82kct.

Puyravaud, J. (2003). Standardizing the calcula-

tion of the annual rate of deforestation. Forest

LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.

Edición Especial / Special Issue

CORREDORES DE CONECTIVIDAD Jaramillo, L., Mancheno Herrera, A., Guzmán, A. y Mollocana Lara, J.G.

ecology and management, 177(1-3):593–596. Onli-

ne:https://n9.cl/yhlg7.

Reyes-Puig, J., Reyes-Puig, C., Pacheco-Esquivel, J.,

Recalde, S., Recalde, F., Recalde, D., Salazar, J., Pe-

ña, E., Paredes, S., Robalino, M., Flores, F., Pare-

des, V., Sailema, E., and Ríos-Alvear, G. (2023).

First insights in terrestrial mammals monitoring

in the candelaria and machay reserves in the

ecuadorian tropical andes. Biodiversity Data Jour-

nal, 11:e98119. Online:https://n9.cl/bl2ojr.

Ríos-Alvear, G., Meneses, P., Ortega-Andrade, H.,

Santos, C., Muzo, A., López, K., Bentley, A., and

Villamarín, F. (2024). Key connectivity areas in the

llanganates-sangay ecological corridor in ecua-

dor: A participative multicriteria analysis based

on a landscape species. Landscape and Urban Plan-

ning, 246:105039. Online:https://n9.cl/w0pn4.

Rivas, C., Guerrero-Casado, J., and Navarro-

Cerrillo, R. (2024). Functional connectivity across

dominant forest ecosystems in ecuador: A major

challenge for a country with a high deforestation

rate. Journal for Nature Conservation, 78:126549.

Online:https://n9.cl/msrhe.

Santos, F., Telles, L., Rosas, J., Gomes, A., Martins,

R., Nascimento, A., and Sousa, E. (2020). Open

source iterative bayesian classiﬁer algorithm for

quality assessment of processed coffee beans. Na-

tiva, 8(1):118–123. Online:https://n9.cl/ugjvpj.

Souza, C., Z. Shimbo, J., Rosa, M., Parente, L., Alen-

car, A., Rudorff, B., Hasenack, H., Matsumoto, M.,

Ferreira, L., and Souza-Filho, P. (2020). Recons-

tructing three decades of land use and land cover

changes in brazilian biomes with landsat archi-

ve and earth engine. Remote Sensing, 12(17):2735.

Online:https://n9.cl/ybrqd.

Talukdar, S., Singha, P., Mahato, S., Pal, S., Liou,

Y., and Rahman, A. (2020). Land-use land-cover

classiﬁcation by machine learning classiﬁers for

satellite observations-a review. Remote sensing,

12(7):1135. Online:https://n9.cl/v7m3k.

Tenorio, C., Álvarez, G., Perez-Alania, M., Blanco, J.,

Paulino, C., Blanco, J., and Uribe, E. (2022). Bloom

of prorocentrum cordatum in paracas bay, peru.

Diversity, 14(10):844. Online:https://n9.cl/tkn7s.

Tikuye, B., Rusnak, M., Manjunatha, B., and Jose, J.

(2023). Land use and land cover change detec-

tion using the random forest approach: The case

of the upper blue nile river basin, ethiopia. Glo-

bal Challenges, 7(10):2300155. Online:https://n9.

cl/495uf.

Vergara, A., Arias, M., Gachet, B., Naranjo, L., Ro-

mán, L., Surkin, J., and Tamayo, V. (2022). Informe

de amazonía viva 2022. Technical report, WWF.

Online:https://n9.cl/wov9ve.

Viteri-Basso, E., Puig, J., Reyes-Puig, C., and Ríos-

Alvear, G. (2024). Shadows in the forest: Un-

covering unusual colouration records in mam-

mals from the ecuadorian tropical andes. Biodi-

versity Data Journal, 12:e137463. Online:https://

n9.cl/z1aa5n.

Wilson, M., Chen, X., Corlett, R., Didham, R., Ding,

P., Holt, R.and Holyoak, M., Hu, G., Hughes, A.,

and Jiang, L. (2016). Habitat fragmentation and

biodiversity conservation: key ﬁndings and futu-

re challenges. Landscape Ecology, 31:219–227. On-

line:https://n9.cl/95fg8.

Xu, J., Jiao, C., Zheng, D., and Li, L. (2024). Agri-

cultural land suitability assessment at the county

scale in taiyuan, china. Agriculture, 14(1):16. On-

line:https://n9.cl/kiut6.

Zine, H., Hakkou, R., Papazoglou, E., Elmansour,

A., Abrar, F., and Benzaazoua, M. (2024). Revege-

tation and ecosystem reclamation of post-mined

land: toward sustainable mining. Int. J. Environ.

Sci. Technol., page 9775–9798. Online:https://n9.

cl/rqhhbx.

32 LAGRANJA:Revista de Ciencias de la Vida 41(1) 2025:11-32.