Novasinergia 2025, 8(2), 06-31. https://doi.org/10.37135/ns.01.16.01 http://novasinergia.unach.edu.ec
Artículo de Investigación
Diseño de corredores ecológicos para el oso de anteojos en el nororiente del
Ecuador utilizando modelamiento matemático
Ecological corridors design for the spectacled bear in northeastern Ecuador using
mathematical modeling
Alison López1, Nyleen Rodríguez1, César Cisneros-Vaca1
1Carrera de Ingeniería Ambiental, Facultad de Ingeniería, Universidad Nacional de Chimborazo, Riobamba, Ecuador, 060108;
alison.lopez@unach.edu.ec; nyleen.rodriguez@unach.edu.ec
*Correspondencia: ramiro.cisneros@unach.edu.ec
Citación: López, A.; Rodríguez, N.
& Cisneros-Vaca, C., (2025). Diseño
de corredores ecológicos para el
oso de anteojos en el nororiente del
Ecuador utilizando modelamiento
matemático. Novasinergia. 8(2). 06-
31.
https://doi.org/10.37135/ns.01.16.01
Recibido: 10 marzo 2025
Aceptado: 25 abril 2025
Publicado: 02 julio 2025
Novasinergia
ISSN: 2631-2654
Resumen: El oso de anteojos (Tremarctos ornatus) nativo de los Andes es una especie
catalogada como vulnerable según la lista roja de especies amenazadas. En el
Ecuador, esta especie se ve en peligro debido a la fragmentación de su hábitat
provocado por el cambio de uso y cobertura del suelo. Una estrategia para la
conservación de esta especie es el diseño de corredores ecológicos que permitan
mejorar la movilidad entre diferentes áreas protegidas. El objetivo del presente
estudio fue aplicar modelos matemáticos en el diseño de corredores ecológicos que
favorezcan la movilidad del oso de anteojos entre el área del Parque Nacional
Cayambe-Coca y la Reserva Ecológica Antisana, ubicadas al nororiente del
Ecuador. Con la aplicación del modelo Maxent se determinó la distribución
potencial del hábitat del oso andino en el área de estudio. Luego, se utilizó el
algoritmo Random Forest para clasificar una imagen satelital y generar el mapa de
uso y cobertura del suelo para el año 2020, la clasificación obtuvo un coeficiente
kappa de 0.87. Finalmente, el modelo de ruta de menor costo (LCP) de Dijkstra se
ejecutó con base en seis variables (altitud; pendiente; distancia a vías; distancia a
centros poblados; mapa de uso del suelo; mapa de distribución potencial de
hábitat). Esto permitió delinear tres potenciales corredores de conectividad de
hábitat para el oso de anteojos. Los resultados nos indican que el método propuesto
es suficientemente robusto y podría usarse también para otras especies en peligro
y en otras zonas donde se requiera estudiar la conectividad entre hábitats.
Palabras clave: Corredor, Ecológico, Maxent, Oso, Anteojos, Modelo.
Copyright: 2025 derechos otorgados por
los autores a Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de Creative
Commons Attribution (CC BY NC).
(http://creativecommons.org/licenses/by
/4.0/).
Abstract: The spectacled bear (Tremarctos ornatus), native to the Andes, is a species listed
as vulnerable according to the Red List of Threatened Species. In Ecuador, this species is in
danger due to the fragmentation of its habitat caused by land use and cover changes. One
strategy for conserving this species is the design of ecological corridors that allow improved
mobility between different protected areas. The objective of the present study was to apply
mathematical models in the design of ecological corridors that favor the mobility of the
spectacled bear between the Cayambe-Coca National Park area and the Antisana Ecological
Reserve, located in northeastern Ecuador. The Maxent model determined the potential
distribution of the Andean bear's habitat in the study area. Then, the Random Forest
algorithm was used to classify a satellite image and generate the land use and cover map for
2020; the classification obtained a kappa coefficient of 0.87. Finally, Dijkstra's least-cost
path (LCP) model was run based on six variables (altitude, slope, distance to roads, distance
to population centers, land use map, and potential habitat distribution map). This allowed
us to delineate three potential habitat connectivity corridors for the spectacled bear. The
results indicate that the proposed method is sufficiently robust and could also be used for
other endangered species and areas where studying connectivity between habitats is
required.
Keywords: Corridor, Ecological, Maxent, Bear, Spectacle, Model.
Novasinergia 2025, 8(2), 06-31 7
1. Introducción
La pérdida de la biodiversidad es uno de los mayores problemas ambientales que
está sufriendo nuestro planeta en la actualidad. A nivel global uno de los principales
impulsores de la pérdida de biodiversidad es el cambio del uso de la tierra con un impacto
directo en los ecosistemas terrestres y de aguas dulces [1]. El cambio del uso de la tierra,
particularmente la deforestación con fines agrícolas y la expansión de la frontera agrícola
coloca a un 85 % de las especies en riesgo de desaparecer [2].
La influencia humana en los paisajes naturales tiene efectos en la movilidad de las especies,
así como en su distribución, afectando especialmente a mamíferos de gran tamaño [3]. Esto
se debe a que la fragmentación de hábitats produce barreras de movimiento, y además se
ha detectado disminución de los desplazamientos de algunas especies debido a una mayor
disponibilidad de recursos (i.e. alimentos y agua) [3]. La fragmentación del paisaje en la
zona andina del Ecuador está afectando directamente al único representante
latinoamericano de la familia Ursidae, también conocido como oso de anteojos (OA) u oso
andino (Tremarctos ornatus) [4]–[6].
El oso de anteojos está considerado como una especie “vulnerable” en la Lista Roja de la
UICN de especies amenazadas [7]. Su distribución se extiende a lo largo de los Andes
tropicales desde Venezuela hasta la frontera entre Bolivia y Argentina, abarcando
aproximadamente 38 grados de latitud [8]. El oso de anteojos ocupa una variedad de
ecosistemas, desde áreas secas en las costas del Perú hasta bosques nublados húmedos y
páramos en el norte de los Andes [8]. El oso de anteojos es una especie clave para la
conservación y manejo de los hábitats andinos ya que es un regulador de la estructura y
composición del hábitat, de formación de senderos, poda, y potencial dispersión de semillas
[9]. Sin embargo, el oso de anteojos es un claro ejemplo de cómo la fragmentación de hábitat,
la cacería ilegal lo han llevado a una reducción de población hasta considerarlo en estado
de vulnerabilidad a nivel global [10].
Diferentes estudios relacionados con el oso de anteojos en el Ecuador se han realizado, desde
aquellos que determinan las características favorables de su hábitat [9], así como estudios
que determinan áreas prioritarias para su conservación, y otros enfocados al análisis del
nivel de fragmentación de su hábitat [8], [11]. Estudios más específicos han analizado los
posibles conflictos que se han presentado entre el oso de anteojos y la presencia de zonas
ganaderas [12]. También, se ha estimado la densidad de la población del oso andino
utilizando cámaras trampa en el corredor de conservación ubicado en el noroccidente del
Distrito Metropolitano de Quito [13]. Las investigaciones que describen el estado de
conservación de esta especie han puntualizado ciertas problemáticas como la falta de interés
político, falta de coordinación y recursos principalmente en áreas protegidas que coinciden
con los hábitats del oso andino [14]. En cuanto a programas y planes de conservación del
oso de anteojos en el Ecuador, se ha identificado el trabajo de ONG´s que han apoyado al
gobierno nacional en la gestión de tres áreas protegidas en las que está presente el oso de
anteojos: Podocarpus, Cotacachi-Cayapas, Cayambe-Coca [6].
En el año 2020 el Ministerio del Ambiente y Agua del Ecuador publicó el Plan de acción
para la conservación del oso andino en el Ecuador [15]. El objetivo principal del plan es:
Novasinergia 2025, 8(2), 06-31 8
“Mitigar las amenazas identificadas para el oso andino, a través de la gestión integral de las
actividades humanas, la investigación, y la protección de la especie y sus hábitats” [15]. Una
de las líneas de investigación del plan es la investigación científica, y se plantea como una
de las acciones: “Evaluar el nivel de conectividad y la utilización de los corredores entre
áreas de conservación”. Esta acción se plantea ya que existe un vacío en la investigación
relacionada con los corredores ecológicos de conectividad entre áreas protegidas en donde
se ha detectado la presencia del oso de anteojos.
Los corredores ecológicos funcionan como estrategias para incrementar la conectividad del
paisaje, permiten el libre movimiento de las especies como el oso de anteojos [16], [17].
Algunos autores proponen que para lograr metas efectivas de conservación las áreas
naturales protegidas estas deben estar conectadas a través de corredores ecológicos y que
dicha conectividad es necesaria para asegurar la persistencia de la biodiversidad y el
aseguramiento de servicios ecosistémicos [18].
Uno de los enfoques más utilizados por su versatilidad e imparcialidad en el diseño de
corredores de conectividad de hábitat son los métodos informáticos [19]–[21]. El uso de
modelos de predicción de hábitats de especies en combinación con el procesamiento en la
nube de observaciones de sensores remotos, el manejo de los Sistemas de Información
Geográfica (SIG) y los modelos de aprendizaje de máquina (machine learning, ML) han
demostrado ser una solución eficiente y precisa para el modelado de corredores ecológicos
de conectividad de especies [5], [19], [22].
El estudio de Cotrina-Sanchez et al. [5] exploró el modelamiento matemático de corredores
ecológicos para el oso de anteojos en la Amazonía peruana, utilizando herramientas como
el Modelamiento de distribución de especies de Maxent en combinación con el análisis
multitemporal de cambio de la cobertura del suelo derivado de datos de sensores remotos
y procesamiento computacional en la nube. Los autores concluyeron que esta es una
metodología costo-eficiente para el diseño de corredores ecológicos y que puede adaptarse
para la misma u otras especies en contextos distintos.
El modelamiento de conectividad ecológica también se ha aplicado en el contexto de otras
especies en el Ecuador. El estudio de Ríos-Alvear et al. [22] utiliza herramientas de
modelamiento matemático combinado con análisis multicriterio participativos para definir
áreas clave de conectividad en el corredor ecológico Llanganates-Sangay y utilizando como
especie clave al Tapir de montaña (Tapirus pinchaque). El estudio demuestra la
aplicabilidad de análisis de circuitos [23] y herramientas de decisión multicriterio para
determinar áreas claves de conectividad de paisaje.
Otro enfoque interesante es el aplicado en el estudio de Oliveira-Junior et al. [24] quienes
analizaron la conectividad de paisaje en la cuenca de Rio Doce, Brasil. En este caso se aplicó
un análisis de conectividad entre especies arbóreas, considerando fragmentos de bosques
nativos definidos como hábitats, y otros tipos de uso del suelo definidos como no hábitats.
En la metodología de conectividad se aplicó la teoría de circuitos [23] para lo cual se
desarrollaron modelos de resistencia de superficie en función del mapa de uso y cobertura
del suelo [24]. Los resultados muestran áreas en donde se puede implementar medidas de
conservación y restauración para mejorar la conectividad del paisaje.
Novasinergia 2025, 8(2), 06-31 9
El modelamiento matemático de distribución del oso andino también fue utilizado para
predecir la distribución presente y futura de su hábitat en la región amazónica al noreste de
Perú [25]. Meza et al. [25] utilizaron el modelo MaxEnt, ampliamente aplicado para especies
de osos, y se lo configuró junto con 12 variables principalmente bioclimáticas, para analizar
escenarios presentes y futuros de distribución de la especie. Se utilizó información climática
proyectada de la serie WorldClim V1.4 [26] para predecir escenarios al año 2050 y 2070, lo
que indica la versatilidad de los modelos para generar alertas, así como planes de
conservación y manejo de los hábitats actuales del oso andino.
El presente estudio se enfoca en la aplicación de modelos Machine Learning para diseñar
corredores ecológicos para la movilidad del oso de anteojos entre el área del Parque
Nacional Cayambe-Coca y la Reserva Ecológica Antisana, ambas ubicadas al nororiente del
Ecuador. Para esto se ha planteado los siguientes objetivos: 1) utilizar el modelo Maxent
para conocer la distribución potencial del hábitat del oso de anteojos en la zona de estudio,
2) por medio de la plataforma de procesamiento de imágenes satelitales en la nube Google
Earth Engine [27] realizar el mapa de uso y cobertura del suelo para el año 2020 aplicando
el algoritmo de aprendizaje de máquina Random Forest (RF), y 3) utilizar el algoritmo de
Ruta de Menor Costo (LCP por sus siglas en ingles), para delinear potenciales zonas de
corredores ecológicos entre las dos áreas protegidas.
2. Metodología
2.1. Área de estudio
El área de estudio está situada entre el Parque Cayambe-Coca y la Reserva Ecológica
Antisana ubicadas en la sierra norte del Ecuador (0.41°S,78.21°W). El área está localizada en
el límite entre las provincias de Pichincha y Napo y cubre un rango altitudinal que va desde
1700 a 5500 m.s.n.m, y la precipitación anual promedio fluctúa entre 840 y 2400 mm/año y
la temperatura promedio anual fluctúa desde los -2 °C (considerando el Volcán Antisana) y
los 17° C. Se contempló un área de influencia de 6 km a partir de los avistamientos del oso
de anteojos encontrados entre estas zonas, y se delimitó un rectángulo abarca un total de
310400 ha (Figura 1). El área abarca ecosistemas como el páramo desde las partes más altas,
hasta el bosque montano alto en la estribación de la cordillera oriental.
Novasinergia 2025, 8(2), 06-31 10
Figura 1. Ubicación del área de estudio, nororiente del Ecuador entre Parque Nacional Cayambe-Coca y la Reserva
Ecológica Antisana.
2.2. Materiales y Métodos
El marco metodológico utilizado empieza con el modelamiento de la presencia del
oso de anteojos utilizando el modelo de distribución de especies Maxent [28]. Luego, se
clasificó las imágenes Sentinel-2 para el año 2020 usando la plataforma de procesamiento en
la nube Google Earth Engine [27] por medio del algoritmo de aprendizaje de máquinas
Random Forest [29], la clasificación fue validada calculando la matriz de confusión y el
estadístico Kappa. El resultado del modelamiento de distribución de hábitat en Maxent, en
combinación con el mapa de uso y cobertura clasificado y cuatro capas criterio adicionales
permitieron crear un ráster de resistencia sobre el cual se diseñó tres potenciales rutas para
los corredores ecológicos del oso andino en el área de estudio aplicando el algoritmo de
Ruta de Menor Costo (LCP) (Figura 2).
Figura 2. Flujo de trabajo de la metodología aplicada en este estudio.
Novasinergia 2025, 8(2), 06-31 11
2.3. Datos de presencia del Oso de anteojos (Tremarctos ornatus).
Los datos georreferenciados de los avistamientos del oso de anteojos para el área de
estudio fueron obtenidos de la plataforma Global Biodiversity Information Facility (GBIF)
[30]. Se usó el software QGIS [31] con el complemento GIBF ocurrences [32], que facilita la
búsqueda de la presencia de la especie mediante su nombre científico y ubicación, en este
caso, Tremarctus ornatus, Ecuador. Se obtuvo los puntos de ubicación con las coordenadas
respectivas de los lugares en donde se encuentra la especie, se cargó la capa del área de
estudio y se hizo un recorte utilizando la herramienta SIG para que aparecieran los puntos
de presencia únicamente dentro del área de estudio.
Los datos obtenidos en el QGIS fueron guardados en formato CSV (archivo de valores
separados por coma) para poder utilizarlos en el software Maxent, se encontró un total de
70 datos de presencia del oso andino en el área de estudio. Los datos recopilados son
catalogados como observación humana, y provienen del conjunto de datos iNaturalist
Research-grade Observations [30].
2.4. Variables predictoras bioclimáticas
Para la obtención de variables bioclimáticas se eligieron datos ambientales
proporcionados en WorldClim [26]. Estas variables se utilizaron para determinar los
espacios geográficos donde existe un ambiente más adecuado y potencialmente más apto
para la habitabilidad del OA. Todas estas capas de información se procesaron utilizando el
software QSIG.
Las variables bioclimáticas se encuentran a diferentes resoluciones espaciales, se seleccionó
la resolución a 30” que equivalen a aproximadamente a 100 ha sobre la superficie terrestre,
esta resolución se usó al ser la mejor resolución disponible. Las capas que ofrece el portal
WorldClim se encuentran en formato tiff y a una temporalidad mensual, es decir, existen 12
ráster por cada variable. La Tabla 1 muestra las 19 variables que se incluyeron en el
modelamiento de hábitat.
Tabla 1. Variables predictoras bioclimáticas obtenidas de WorldClim
Variable
Descripción
BIO1
Temperatura media anual
BIO2
Intervalo medio diurno (media mensual (temperatura máxima - temperatura mínima))
BIO3
Isotermalidad (BIO2/BIO7) (×100)
BIO4
Estacionalidad de la temperatura (desviación estándar ×100)
BIO5
Temperatura máxima del mes más cálido
BIO6
Temperatura mínima del mes más frío
BIO7
Rango anual de temperatura (BIO5-BIO6)
BIO8
Temperatura media del cuatrimestre más húmedo
BIO9
Temperatura media del cuatrimestre más seco
BIO10
Precipitación del cuatrimestre más cálido
BIO11
Precipitación del cuatrimestre más frío
BIO12
Precipitación anual
Novasinergia 2025, 8(2), 06-31 12
BIO13
Precipitación del mes más lluvioso
BIO14
Precipitación del mes más seco
BIO15
Estacionalidad de la precipitación (Coeficiente de Variación)
BIO16
Precipitación del cuatrimestre más húmedo
BIO17
Precipitación del cuatrimestre más seco
BIO18
Precipitación del cuatrimestre más cálido
BIO19
Precipitación del cuatrimestre más frío
2.4.1 Densidad de bosque
La capa de densidad de bosque se descargó en la web ZENODO a partir del
componente global de Copernicus Land Service [33]. Esta variable se utilizó debido a la
importancia que cumple la presencia de bosque para el refugio que consiguen los osos en la
cobertura vegetal del área.
2.4.2 Elevación y pendiente del terreno
La elevación es una variable que aporta en el modelado debido a su influencia en el
rango altitudinal en el que habita el OA, se obtuvo del sitio Worldclim [26]. Así también la
pendiente del terreno es clave para modelar el hábitat del OA, esta se la obtuvo en formato
ráster a partir del procesamiento de la capa de elevación, utilizando la función de “slope”
en el software QSIG.
2.4.3 Disponibilidad de agua
La disponibilidad de agua se generó por medio del algoritmo de distancia euclidiana
en el software QSIG usando como base la capa de hidrografía obtenida de Cartografía de
Libre Acceso (Escala Nacional) – Geoportal Ecuador, que contiene la ubicación de los
cuerpos de agua en la el área de estudio [34].
2.5. Modelamiento de distribución del Tremarctos ornatus en Maxent
El modelado de distribución potencial del OA se realizó utilizando el software de
código abierto Maxent versión 3.4.3. [28] el cual utiliza un algoritmo de aprendizaje
automático aplicando el principio de máxima entropía. Para el entrenamiento y validación
del modelo se usó los 70 puntos de avistamiento del Tremarctos ornatus dentro del área de
estudio. Como variables predictoras se utilizaron tanto las 19 variables del WorldClim como
las variables: densidad de bosque, pendiente, elevación y disponibilidad de agua, todas
exportadas a formato ASCII.
En el programa Maxent, en la sección “Samples” se ingresó la variable objetivo, es decir, los
datos de presencia, en este caso “Tremarctos_ornatus.csv”, en la sección “Enviromental
Layer” se ingresaron las variables predictoras en el formato especificado. Para generar una
predicción robusta, se utilizó el método Bootstrap con 10 réplicas, así como la opción de
“crear curvas de respuesta”. Como porcentaje de prueba al azar se usó el 25 % de los datos
de manera aleatoria para comprobar la validez del modelamiento, y además se generó la
curva ROC (curva característica operativa del receptor).
Novasinergia 2025, 8(2), 06-31 13
2.6. Validación del modelado en Maxent
Para validar el modelo se usó el método área debajo de la curva (AUC) [35], calculado
a partir de la característica operativa del receptor (ROC) [36]. El rendimiento del modelo se
lo puede evaluar bajo cinco niveles en función de los valores de AUC obtenidos: excelente
(> 0.9), bueno (0.8 – 0.9), aceptable (0.7-0.8), malo (0.6 – 0.7) e inválido (< 0.6) [37].
Para la estimación de la importancia de cada variable, se hizo uso del análisis de la prueba
jackknife que permite identificar que variables contribuyen en mayor grado a la predicción
del modelo y cuales son menos relevantes. En la prueba jackknife, Maxent ejecuta el modelo
varias veces excluyendo una variable diferente en cada ejecución, también ejecuta el modelo
utilizando todas las variables, e igualmente se ejecuta modelo con cada variable aislada. Este
proceso permite comparar los resultados de los diferentes modelos, con variables excluidas
o utilizadas individualmente versus el modelo que incluye todas las variables, así se puede
evaluar el desempeño del modelo para cada variable específica [35].
2.7. Generación de mapa de uso y cobertura del suelo
Para la generación del mapa de uso y cobertura del suelo se realizó la búsqueda de
las imágenes de la misión Sentinel-2 del Programa Copernicus de la ESA. Se utilizaron
imágenes corregidas por efectos atmosféricos disponibles en el catálogo de datos de la
plataforma Google Earth Engine (GEE) [27]. Estas imágenes almacenan reflectancia de la
superficie y están codificadas como: Colección “COPERNICUS/S2_SR”. Sentinel-2 es una
misión de imágenes multiespectrales de alta resolución. El instrumento multiespectral (MSI)
a bordo muestrea 13 bandas: cuatro bandas con resolución de 10 m, seis bandas a 20 m y
tres bandas a 60 m de resolución espacial [38].
En la plataforma GEE se realizó la búsqueda de la mejor imagen para el año 2020 y con un
límite máximo de probabilidad de nubes de 75 %, ya que la zona de estudio tiene una alta
presencia de nubosidad. Se identificó la imagen satelital Sentinel-2 de fecha: 2020-08-23
(ID:20200824T153619_20200824T154230_T17MQV), para la cual el área de estudio
presentaba mínima cobertura de nubosidad.
A la imagen identificada se aplicó un enmascaramiento de nubes, y se calculó el índice de
Vegetación de Diferencia Normalizada (NDVI) usando las bandas espectrales B8 (infrarrojo
cercano) y B4 (rojo). El NDVI puede capturar de manera efectiva el patrón fenológico de
varias cubiertas verdes (bosques y pajonales) y su separación, arrojando una medida de la
vegetación presente en el área de estudio. Además, se incorporó información topográfica
con la adición de la banda de elevación obtenida del modelo de elevación digital SRTM [39].
Tanto el NDVI, como la banda de elevación del modelo SRTM se agregaron como bandas
nuevas a la imagen ya existente previo a la clasificación.
Para la clasificación de imágenes de satélite previamente procesadas, se utilizó el algoritmo
Random Forest (RF), capaz de manejar eficientemente datos de alta precisión [29]. El RF es
un clasificador de conjunto que produce múltiples árboles de decisión, utilizando un
subconjunto seleccionado aleatoriamente de muestras de entrenamiento y variables. Este
clasificador es comúnmente usado en aplicaciones de teledetección debido a su alta
Novasinergia 2025, 8(2), 06-31 14
precisión para generar mapas de uso y cobertura del suelo en comparación con otros
algoritmos similares [40].
Para la clasificación se utilizó una leyenda de 10 clases y se entrenó el algoritmo RF con un
total de 2647 puntos muestreados (Tabla 2) con ayuda de interpretación visual sobre la
imagen satelital base proporcionada en la plataforma Google Earth Engine. Se tomó en
cuenta que los algoritmos basados en árboles de decisión son sensibles al desequilibrio de
clases por lo que se procuró evitar diferencias en el número de muestras. A pesar de que
algunas clases cubrían áreas pequeñas como lo fueron las clases de: nieve/hielo y cuerpos
de agua permanentes, en donde se tomaron menos muestras [41].
Tabla 2. Leyenda y número de muestras por clase tomadas para el entrenamiento del algoritmo Random Forest.
Clase
Número de muestras
Bosque
283
Matorral
171
Pastos
258
Pajonales
487
Tierras de cultivo
181
Construido
397
Sin cobertura vegetal
270
Nieve y Hielo
150
Cuerpos de agua permanente
155
Nubes
295
2.8. Validación del mapa de uso y cobertura del suelo 2020
El proceso de evaluación de la precisión de la clasificación se realizó mediante el uso
del complemento ACATAMA (Accuracy Assessment Tool for Assessing Map Accuracy),
usado para la validación de mapas de cambio de uso de la tierra [42]. Este complemento
funciona bajo QGIS y se ejecuta bajo los siguientes pasos: diseño del muestreo
(estratificado), diseño de respuesta con clasificación de las muestras y el cálculo de la matriz
de confusión o error y estadísticas de precisión.
Para obtener el número de muestras por clase se utilizó la metodología diseñada por la
Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) [43]. El
muestreo fue aleatorio estratificado, el cual considera categorías típicas diferentes entre sí
que poseen gran homogeneidad respecto a alguna característica, asegurándose de que todas
las categorías estarán correctamente representadas en la muestra. Se calculó el de tamaño
de muestra general adecuado para posterior a ello distribuir entre los diferentes estratos, se
utilizó la Ecuación 1:
(1)
Novasinergia 2025, 8(2), 06-31 15
En donde es el número de unidades en el área de interés (número de píxeles totales si la
unidad espacial es un píxel), () es el error estándar de la precisión general estimada que
nos gustaría lograr, () es la proporción mapeada del área de clase , y () es la desviación
estándar del estrato [43].
En el diseño de respuesta, se cargaron los puntos aleatorios y se utilizó como base la imagen
satelital anteriormente procesada, pero con interpretaciones independientes de mayor
experticia para asignar a cada punto aleatorio a su respectiva clase [44].
Se calculó la matriz de error (Tabla 3), que es una matriz cuadrada en la que se compara la
referencia con la clasificación de la imagen y se contabiliza aciertos o discrepancias ().
En esta matriz, la precisión de la clasificación es evaluada, con las clases de referencia
representadas en las columnas y las clases del mapa clasificado en filas. La matriz
proporciona a los usuarios la probabilidad de que un área particular del mapa clasificado
sea también esa clase en la referencia, a esto le llama precisión del usuario. Además, la
matriz indica la precisión del productor, que es la proporción de área que es la clase de
referencia y también es clase en el mapa clasificado. La matriz también recoge los
denominados errores de omisión (elementos que sin pertenecer a una clase aparecen en ella)
y comisión (elementos que pertenecen a una clase y no aparecen en ella, sino que están
erróneamente incluidos en otra).
Tabla 3. Matriz de confusión o error, con sus respectivas estadísticas: precisión de usuario, precisión de productor, error
de omisión y comisión.
Referencia
Clase 1
Clase 2
Clase …
Clase m
Total
Precisión
usuario
Error
comisión
Mapa
Clasificación
Clase 1
…
Clase 2
…
Clase …
Clase m
…
Total
…
Precisión del productor
…
Error de omisión
…
La probabilidad de que una ubicación seleccionada al azar en el mapa se clasifique
correctamente, se conoce como precisión general, es calculada como el número de unidades
clasificadas de manera correcta, sobre el número de unidades consideradas. Para obtenerla
se suma los elementos de la diagonal de la matriz de error, divididos para el total de
observaciones. Sus valores se encuentran en porcentajes de 0 a 100, siendo mejor la
clasificación cuando más cerca el valor está al 100 %. La salida del plugin ACATAMA en el
software QGIS, son tanto la matriz de error como la precisión general. La exactitud global
Novasinergia 2025, 8(2), 06-31 16
suele sobreestimar la bondad de la clasificación [39], por lo que se calculó como un
estimador de concordancia el índice Kappa [40].
El índice Kappa, conocido como una medida estadista capaz de reflejar la proporción de
acuerdo de la clasificación, excluyendo aquella que puede producirse por azar. Su objetivo
es eliminar el efecto que tienen los pixeles correctamente clasificados al azar, sobre el
porcentaje de pixeles en los mapas correctamente clasificados, para calcular este índice se
usa la Ecuación 2.
(2)
Donde: = dimensión de la matriz (número de clases); = número de observaciones en la
diagonal de la matriz, línea , columna ; (.) es la suma de la fila i (total de instancias
clasificadas como clase i), y (.) es la suma de la columna (total de instancias realmente
pertenecientes a la clase i), = número total de observaciones. De acuerdo con [45], los
valores de referencia del índice Kappa pueden considerarse en moderado, si el valor esta
entre 0.41 y 0.6; sustancial, si esta entre los valores 0.61 y 0.8 y casi perfecto de 0.81 a 1.
2.9. Modelado ruta de menor costo para el establecimiento de corredores ecológicos
El enfoque de la ruta de menor costo LCP (Least Cost Path) es una solución óptima
que considera la influencia de la matriz en la longitud, la calidad relativa y la redundancia
de las rutas de dispersión que conectan los parches de hábitat [5]. El enfoque busca
optimizar el costo total de la ruta en función de la densidad de costos del campo y factores
locales, para este procesamiento se utilizó el complemento de “ruta de menor costo” del
software QGIS que permitió delinear la ruta óptima para el oso de anteojos. Este
complemento se basa en el principio del algoritmo de ruta más corta de Dijkstra [46], el
resultado son las rutas más cortas que existen desde un nodo inicial hasta un nodo objetivo
o un árbol de rutas más cortas desde el nodo inicial a todos los demás puntos posibles. Se
seleccionó el modelo de Dijkstra por su eficiencia en implementación versus otros
algoritmos como el de Bellman [47], utilizado en el caso de existir ponderaciones negativas,
o el algoritmo Floyd-Warshall [48] que es de mayor complejidad en su implementación.
Las entradas del complemento LCP son: un ráster de resistencia, un punto de salida y uno
o varios puntos de llegada [43]. Para la creación del ráster de resistencia fue necesario
integrar seis capas de información diferentes: (1) Elevación (obtenida de los datos de
elevación del SRTM), (2) pendiente (calculada a partir de los datos de elevación), (3)
distancia a carreteras, (4) distancia a centros poblados, (5) Uso y cobertura de suelo del año
2020 y (6) ráster de distribución potencial de Oso andino (generado con Maxent).
Cada uno de los ráster se reclasificó en valores de resistencia que van del 1 al 10, en donde
1 es el valor mínimo y 10 es el valor máximo [45]. La asignación de la resistencia para cada
ráster se realizó en base a la literatura disponible (Tabla 4).
Tabla 4. Criterios para la reclasificación de ráster, previo a la obtención del ráster de resistencia.
Novasinergia 2025, 8(2), 06-31 17
Ráster reclasificado
Criterios para el procesamiento
Fuente y procesamiento
Altitud
Paramos (3000 a 5000 m.s.n.m.) valores de resistencia bajos.
Bosques andinos (2000 a 3000 m.s.n.m.) valores de
resistencia medios.
Bosques nublados (1000 a 2000 m.s.n.m.) y altitudes
mayores a los 5000 m.s.n.m. valores de resistencia altos.
Modelo digital de
elevación SRTM [39]
Distancia a carreteras
Distancias mayores a 5 km valores de resistencia más bajos,
y distancias menores a los 5 km y mayores a los 20 km valores
de resistencia altos.
Ráster obtenido en un
análisis de proximidad a
partir de cartografía de
vías.
Distancia a poblados
Se consideró la capacidad de movilidad del oso andino [49]
Distancias a partir de los 3.5 km se asignó valores bajos de
resistencia.
Ráster obtenido en un
análisis de proximidad a
partir de cartografía de
centros poblados.
Ráster de distribución
potencial del OA en
Maxent
Según el modelo de distribución potencial obtenido en
Maxent.
Para valores cercanos a 100 se asignaron valores de
resistencia bajos y para valores cercanos a 1 se asignaron
valores de resistencia altos.
Ráster resultado del
modelo de distribución
potencial en Maxent para
el oso andino.
Ráster de clasificación
de uso y cobertura de
suelo.
En la clasificación de usos y cobertura de suelo se asignaron
valores de resistencia bajos a los usos de suelo en los que
había más probabilidad de presencia del oso andino [15]
Ráster resultado de
clasificación de uso y
cobertura de suelo
generado en Google Earth
Engine.
Pendiente
Pendientes de 15% a 30% se asignó valores de resistencia
bajos, pendientes de 35% a 45% se asignó valores de
resistencia medios y pendientes mayores a 45% y menores a
10% se asignó valores de resistencia altos.
Pendiente calculada a
partir de los datos del
modelo digital de
elevación.
Una vez que se reclasificaron las seis capas necesarias, se hizo una sumatoria utilizando la
calculadora ráster en el software QGIS y se obtuvo el ráster de resistencia.
Para los puntos de salida se seleccionaron tres puntos de presencia del oso andino dentro
del parque nacional Cayambe Coca, dos centrales (salida 1 y 2) y uno colindante al límite
del parque (salida 3). Para los puntos de llegada se seleccionaron tres puntos dentro de la
Reserva Ecológica Antisana, dos centrales (llegada 1 y 2) y uno en el límite de la reserva
(llegada 3). Para utilizar el plugin LCP en QGIS se cargó el ráster de resistencia y se usaron
los pares respectivos de puntos de salida y llegada para obtener así tres rutas óptimas.
Una vez que se obtuvo las rutas optimas modeladas por LCP para el movimiento del hábitat,
se usaron las mismas para definir un “buffer” o área de influencia de 2 km a cada lado de la
ruta, recomendado como espesor mínimo de un corredor [50] para definir los potenciales
corredores ecológicos que conectan al Parque Nacional Cayambe Coca y la Reserva
Ecológica Antisana.
3. Resultados
3.1. Rendimiento del modelo y la contribución de las variables ambientales.
Se realizaron tres corridas preliminares del modelo Maxent y se identificaron cinco
variables bioclimáticas que no contribuían al modelo (BIO1, BIO2 BIO5, BIO10, BIO11) y se
las excluyó. En el modelado final se utilizó 18 variables (Tabla 5) y obtuvo un AUC
promedio de 0.73 con una desviación estándar de 0.0541 que lo clasifica como un modelo
predictivo promedio.
Novasinergia 2025, 8(2), 06-31 18
De las 18 variables consideradas para modelar la presencia y desarrollo del oso andino en
el área de estudio, el algoritmo del modelo Maxent permitió cambiar aleatoriamente los
valores de cada variable entre los puntos de entrenamiento permitiendo conocer los
parámetros claves dentro del modelo generado. La variable más importante fue: densidad
de bosque con un 26.61 % de aporte al modelo, luego las variables relacionadas la
precipitación, con un porcentaje de contribución de 13.2 % para la variable precipitación del
mes más seco (B14), un 10.85 % para la variable precipitación del mes más lluvioso (B13) y
un 6.91 % para la variable precipitación del cuatrimestre más frío (B19). En lo que respecta
al resto de variables, estas contribuyen al modelo por debajo del 6 % (Tabla 5).
Tabla 5. Porcentaje de contribución de variables utilizadas en el modelo Maxent.
Variable
Porcentaje de contribución (%)
Bosque
26.61
Precipitación del mes más seco_B14
13.20
Precipitación del mes más lluvioso_B13
10.85
Precipitación del cuatrimestre más frío_B19
6.91
Pendiente del terreno
5.95
Disponibilidad de agua
5.04
Estacionalidad de la temperatura_B4
5.04
Precipitación anual_B12
4.86
Elevación
4.94
Rango anual de temperatura_B7
4.26
Precipitación del cuatrimestre más humedo_B16
3.84
Precipitación del cuatrimestre más cálido_B18
1.71
Temperatura media del cuatrimestre más húmedo_B8
1.66
Isotermalidad_B3
1.62
Precipitación del cuatrimestre más seco_B17
1.37
Estacionalidad de la precipitación_B15
1.10
Temperatura mínima del mes más frío_B6
1.06
Temperatura media del cuarto mes más seco_B9
0
3.2. Distribución potencial del hábitat del oso de anteojos en la zona de estudio.
Como resultado del modelo Maxent se obtuvo un ráster que representa la
distribución potencial del hábitat del OA, con una resolución por píxel de 100 ha dentro del
área de estudio. La escala de distribución se dividió en áreas potenciales: alta, media y baja
probabilidad de presencia de la especie Tremarctos ornatus, y se mapeó con una escala de
color determinado siendo las zonas con baja probabilidad trazadas en tonos morados, las
zonas de media probabilidad en tonos verdes y las zonas con alta probabilidad en tonos
rojos (Figura 3).
Se calculó la superficie en hectáreas (ha) para cada categoría según la probabilidad de
distribución del oso andino y se encontró que: 205157 ha pertenecen a probabilidad baja (0-
35%), 67643 ha con probabilidad media (35-70%, ubicándose principalmente dentro del
Parque Nacional Cayambe Coca y la Reserva Ecológica Antisana), y 30349 ha de alta
probabilidad (>75 %) de albergar esta especie, ubicadas al oeste del área de estudio.
Novasinergia 2025, 8(2), 06-31 19
Figura 3. Mapa de distribución potencial del hábitat del oso de anteojos en la zona de estudio.
3.3. Mapa de uso y cobertura del suelo para el año 2020 en el área de estudio.
Se utilizó el algoritmo de aprendizaje automático Random Forest para obtener la
clasificación de uso y cobertura de suelo del año 2020 utilizando imágenes Sentinel-2 en la
plataforma GEE (Figura 4). Se exporto el ráster de clasificación de cobertura y uso de suelo
para el año 2020 con 10 clases previamente definidas (Tabla 2). Las clases de uso y cobertura:
Bosque con 112964 ha, pajonales de páramo con 72584 ha y matorral con 44521 ha, son las
clases que mayor superficie abarcan dentro del área de estudio y representan un 75 % del
área total (Tabla 6).
Novasinergia 2025, 8(2), 06-31 20
Figura 4. Mapa de uso y cobertura del suelo año 2020 para el área de estudio.
Tabla 6. Superficie en hectáreas de cada clase del Mapa de uso y cobertura del suelo año 2020 en el área de estudio.
Clase
Descripción
Área (ha)
Porcentaje del área
total (%)
1
Bosque
112964.0
36.31
2
Matorral
44521.0
14.31
3
Pastos
36038.0
11.58
4
Pajonales
72584.0
24.29
5
Cultivos
17827.0
5.73
6
Construido
8775.0
2.82
7
Sin cobertura vegetal
5115.0
1.64
8
Nieve y hielo
2923.0
0.94
9
Cuerpos de agua
1514.0
0.49
10
Nubes
5860.0
1.88
Total
308121
3.4. Validación del Mapa de uso y cobertura del suelo para el año 2020.
La validación del mapa de uso y cobertura para el año 2020 en referencia a la
precisión general cumple satisfactoriamente al obtener un valor de 0.89. Se obtuvo un
número total de muestras a ser evaluadas de 378 y se realizó una distribución
proporcional al área de cada clase con valores de precisión esperada del usuario que
variaron desde 0.6 a 0.85. Los resultados de la matriz de error (Tabla 7) muestran que las
coberturas con mayor precisión de usuario son de las clases: bosque (0.91), matorral (0.89),
pastos (0.90), pajonales (0.94), mientras que las más bajas para las clases cultivos (0.68) y
cuerpos de agua permanente con (0.5).
Novasinergia 2025, 8(2), 06-31 21
Por otro lado, se obtuvo el índice Kappa con un valor de 0.87, el cual ratifica los buenos
resultados obtenidos con el clasificador Random Forest para el mapa de cobertura y uso del
suelo del año 2020.
Tabla 7. Matriz de error para la clasificación del mapa de cobertura y uso de suelo2020.
Referencia
Clase
1
2
3
4
5
6
7
8
9
10
Total
Precisión
usuario
Clasificación
Clasificación
1
126
3
1
0
6
0
2
0
0
0
138
0.91
2
0
49
2
2
0
0
2
0
0
0
55
0.89
3
0
2
40
1
1
0
0
0
0
0
44
0.90
4
0
2
2
84
0
0
0
0
0
1
89
0.94
5
0
1
1
0
15
3
2
0
0
0
22
0.68
6
0
1
0
0
1
9
0
0
0
0
11
0.81
7
0
0
0
0
0
0
5
0
0
1
6
0.83
8
0
0
0
0
0
0
0
4
0
0
4
1
9
0
0
0
1
0
0
0
0
1
0
2
0.50
10
0
0
0
0
0
0
0
0
0
7
7
1
Total
126
58
46
88
23
12
11
4
1
9
378
Precisión de
productor
1
0.84
0.87
0.96
0.65
0.75
0.47
1
1
0.78
1
3.5. Implementación del algoritmo LCP para la delineación de corredores ecológicos.
Finalmente, para dar respuesta al último objetivo planteado se generó las rutas de
menor costo para el establecimiento de corredores ecológicos entre el parque nacional
Cayambe - Coca y la reserva ecológica Antisana, obteniéndose tres rutas que cumplen con
los seis criterios establecidos para la creación del ráster de resistencia (Figura 5).
Figura 5. Mapa de los potenciales corredores ecológicos delineados en la zona de estudio.
Novasinergia 2025, 8(2), 06-31 22
El Corredor 1, parte desde el parque nacional Cayambe Coca y termina en la zona este de la
reserva ecológica Antisana, comprende la ruta más larga de las tres con una distancia de
38.4 km atraviesa zonas de cobertura de tipo bosque, matorral y pajonal con elevaciones que
van desde los 4000 a 4200 m.s.n.m. y abarcan la zona de amortiguamiento buffer de 2 km.
El Corredor 2, Comprende una distancia de 34 km parte desde el parque nacional Cayambe
Coca y termina en la zona central de la reserva ecológica Antisana, a diferencia del Corredor
1 se tiene que la cota inicial empieza en los 3600 m.s.n.m. hasta los 4000 m.s.n.m. por lo que
la accesibilidad de esta ruta en términos geográficos genera un menor costo, de igual manera
la zona de amortiguamiento de 2 km por lado permite atravesar las dos zonas protegidas
que intersecan dentro del área de influencia.
Y el Corredor 3, que mide una distancia mucho menor de 17.8 km, este parte desde el parque
nacional Cayambe Coca y termina en la zona oeste de la reserva ecológica Antisana, en
cuanto al perfil de elevación este parte desde los 3400 m.s.n.m. y va hasta los 3600 m.s.n.m.,
atravesando cobertura de tipo bosque en su gran mayoría.
4. Discusión
En el presente estudio se demostró la delineación de corredores ecológicos para el
oso de anteojos en el nororiente del Ecuador a través de la integración de modelos de
computación en la nube como GEE [51] combinados con modelos de aprendizaje automático
como Maxent [28]. Este estudio demuestra la utilidad y rentabilidad de los métodos
informáticos para producir información espacial relacionada a la conectividad de hábitats,
la cual es de gran importancia para el diseño de planes de gestión de la conservación.
Estudios previos en la región han demostrado la capacidad de Maxent para el modelado de
hábitat del OA [5], [25], [52], [53]. Estos estudios se han concentrado principalmente en
determinar la probabilidad de ocurrencia de la especie, entender su distribución y definir
zonas para enfocar los esfuerzos de conservación. El estudio de Figueroa at al. [52] se
desarrolló en el Bosque seco del Marañón – Perú, y tuvo como objetivo determinar áreas
prioritarias para la investigación y conservación del oso andino basado en los resultados del
modelamiento en Maxent. Otro aporte metodológico, es el estudio de distribución de hábitat
aplicado en la Provincia del Napo-Ecuador que, en combinación con datos de cambio de
uso del suelo, demostró la fiabilidad de Maxent para determinar zonas prioritarias para
implementar estrategias de conservación en la provincia. Sin embargo, se ha encontrado
pocos casos en la literatura en los que se utilice los resultados del modelamiento de hábitat
de Maxent para delinear corredores ecológicos como una estrategia adicional de
conservación. Uno de los casos más cercanos es el estudio de Cotrina-Sánchez et al.[5] en el
cual si se emplea el modelamiento de hábitat de especies en conjunto con herramientas de
delineación de corredores ecológicos para el OA, sin embargo el estudio se lo realiza para
territorio rurales de región amazónica del Perú. El presente estudio a diferencia de los
anteriores se enfoca en las zonas de transición de páramo y bosque nublado al nororiente
del Ecuador y obtuvo como resultados zonas delineadas de corredores ecológicos para el
OA.
Novasinergia 2025, 8(2), 06-31 23
En el presente estudio, las variables que contribuyeron a la determinación de la distribución
potencial del oso andino se analizaron mediante el proceso de modelación del hábitat
potencial de la especie en el modelo Maxent. Este proceso permitió observar los porcentajes
de aporte de cada variable. Entre estas variables, aquellas con mayor contribución fueron la
cobertura vegetal de tipo bosque aportando un 26.6 % al modelo, seguida por la
precipitación del mes más seco (BIO14) con un 13.2 % y la precipitación del mes más lluvioso
(BIO13) con un 10.85 %, que sumadas aportan alrededor del 50 %. En el estudio de Meza et
al.[25], en el cual se utilizó 12 variables ambientales para predecir la distribución potencial
del OA en el noreste del Perú, se encontró que la temperatura media del trimestre más seco
(BIO09), la precipitación del mes más seco (BIO14) y el porcentaje de cobertura forestal
(disponibilidad de refugio) aportaron hasta el 75.2% del modelo de distribución potencial
del OA. Esto refleja que, a pesar de las diferencias geográficas de las áreas de estudio, así
como en la configuración de los modelos y la manera de seleccionar las variables hay una
coincidencia en dos variables que tienen una gran contribución para determinar la
distribución potencial de hábitat del OA: cobertura forestal y precipitación del mes más
seco. Por otro lado, la variable pendiente del terreno que contribuyó con un 5.95% en el
presente estudio, también presentó valores de contribución bajos en el trabajo de Meza et
al.[25], e incluso ha tenido aportes de 0 % en el estudio de Figueroa et al. [52]. Estudios
anteriores [25], [52] coinciden con el presente en que una de las variables claves para
considerar el modelamiento del hábitat del OA es la disponibilidad de refugio, la cual puede
expresarse como cobertura forestal y se explica ya que los OA tienen una fuerte actividad
relacionada con la construcción de nidos, así como para su alimentación [10].
Los resultados de las variables que más contribuyen al modelado de hábitat de especie del
OA difieren con el estudio de Rodríguez-Cabezas et al. [53] quienes utilizaron
principalmente las variables bioclimáticas de WorldClim. En dicho estudio se identificó
como las variables que más aportan al modelo: temperatura media anual (BIO1),
precipitación del mes más seco (BIO14), y estacionalidad de la temperatura (BIO4) con 51.9
%, 16.7 % y 11.9 % respectivamente. Una posible razón para esta diferencia es que
Rodríguez-Cabezas et al. No utilizan datos relacionados a uso y cobertura del suelo como
variable de Maxent, a pasar de disponer de los mismos en un análisis multitemporal de su
variabilidad. Adicionalmente, se puede identificar diferencias como el área misma de
estudio que a pesar de ser cercanas son diferentes en extensión. Así mismo la base de datos
de presencias del OA utilizados por Rodríguez-Cabezas et al. Cubren una diferente
extensión geográfica que los del presente estudio. A pesar de estas diferencias en el enfoque
de modelamiento hay coincidencias en los patrones espaciales de distribución resultantes
de ambos estudios (ver Figura 3A en [52]).
De acuerdo con los resultados del modelo final de Maxent, se encontró dentro del área de
estudio un total de 30349 ha clasificadas con una alta probabilidad (> 75 %) de albergar a la
especie del OA. Hay que notar que estas áreas de mayor probabilidad están ubicadas al
oeste del área de estudio y por fuera de las áreas protegidas (Figura 3), lo que supone una
alerta para las instituciones encargadas de velar por la protección de esta especie. En
comparación con el estudio de Rodríguez et al. [53], que analiza la distribución del OA para
la provincia de Napo, hay una similitud en el patrón de distribución espacial de la
Novasinergia 2025, 8(2), 06-31 24
distribución potencial del OA, siendo este de mayor probabilidad en la frontera entre
Pichincha y Napo y que va disminuyendo progresivamente en dirección hacia el este.
En cuanto al mapa de uso y cobertura del suelo del año 2020, se ha demostrado la robustez
del clasificador Random Forest que, sumado a la versatilidad de la plataforma de
procesamiento en la nube, Google Earth Engine, permiten realizar de una manera eficiente
la clasificación de imágenes satelitales. La clasificación se validó utilizando 378 muestras y
se obtuvo una precisión general bastante satisfactoria de 89 %, y un excelente coeficiente
Kappa de 0.87, valores aceptables en comparación con clasificaciones similares realizadas
en páramo andino [54]. En estudios similares, Cotrina et al. [5] obtuvo valores de Kappa de
0.90, 0.86, 0.85 y 0.88 para clasificaciones de uso y cobertura del suelo de los años 1990, 2000,
2010 y 2020, respectivamente. Si bien una de las limitantes del presente estudio es que no se
consideró como objetivo realizar un estudio multitemporal como el de Cotrina et al., vale
recalcar que el método empleado podría replicarse con buenos resultados en la zona de
estudio. Los altos valores de precisión de usuario de las clases: bosque (0.91), matorral (0.89),
pastos (0.90), pajonales (0.94), pueden estar ligados al tratamiento previo de la imagen
satelital y la combinación con la capa de NDVI, la cual ayuda a discriminar la fenología
vegetal y ha sido probada en otros estudios [55], [56]. En cuanto a la clase Sin cobertura
vegetal y Construido la precisión de usuario fueron de 0.83 y 0.81 respectivamente estando
en un rango muy aceptable. Por otro lado, los valores más bajos se ubicaron dentro de la
clase: cultivos (0.68) y cuerpos de agua con (0.5) este descenso en la precisión de usuario
puede estar vinculado a factores como la presencia de ruido en la imagen, interferencia
como nubes cercanas a la zona de estudio. También, vale notar que en el caso de la clase
cuerpos de agua, el diseño muestral estratificado apenas determinó dos puntos de
validación por ser una clase relativamente pequeña en extensión, y por lo tanto al tener un
solo error, la precisión de usuario se reduce al 0.5.
El establecimiento de corredores ecológicos se ha pensado como una estrategia para
conectar poblaciones de especies vulnerables a través de los Andes y como una medida para
mejorar la conectividad de paisajes [57].
Una ventaja adicional de estudiar corredores de conservación para especies paraguas como
el OA [58], es que conjuntamente se puede desarrollar estrategias de conservación y manejo
de otras especies que comparten el mismo territorio [25], [59]–[61]. La implementación de
estos corredores también puede ser clave en fomentar procesos de conservación
participativa que involucre comunidades locales, gobiernos descentralizados, academia,
ONGs, y otros actores que puedan estar presentes en las zonas de interés [22], [60]. Esto
último abre una línea de investigación interesante en la que se combine el diseño técnico de
los corredores con los criterios de participación de los diferentes actores.
En el presente estudio se delineó tres corredores ecológicos. El Corredor 1, con una longitud
de aproximadamente 38.4 km, atraviesa zonas con elevaciones entre los 4000 y 4200 m.s.n.m.
El Corredor 2, de unos 34 km de longitud, varía en elevación desde los 3600 hasta los 4000
m.s.n.m., con una ruta en posición central entre las reservas a conectarse. Y, el Corredor 3,
ubicado al este del área de estudio, que es el más corto con alrededor de 17.8 km, desciende
desde los 3400 hasta los 3600 m.s.n.m. y atraviesa áreas boscosas y de pastos. Si bien el
Corredor 1 coincide con zonas de alta probabilidad de presencia del OA, también abarca
Novasinergia 2025, 8(2), 06-31 25
una mayor superficie por fuera de las dos áreas protegidas a conectarse, y su longitud es la
mayor, lo que implicaría mayores costos en su implementación. Lo opuesto sucede con el
Corredor 3, su longitud es la menor de todas (17.8 km), y su posición coincide con zonas de
menor probabilidad potencial de presencia del OA. Mientras que el Corredor 2, es una
opción intermedia, abarca ciertas zonas con probabilidad intermedia de presencia del OA,
además, en términos de conectividad entre las dos áreas, es el que tiene menor distancia de
separabilidad en su trayecto (Figura 5). Una de las ventajas de la metodología aplicada en
el presente trabajo, es que provee diferentes opciones las cuales pueden ser evaluadas en
combinación con otras metodologías de tipo análisis multicriterio participativo [22], para
obtener resultados consensuados sobre el territorio.
Una consideración relevante en este estudio es la disponibilidad y resolución (espacial y
temporal) de los datos geoespaciales. En el caso de las imágenes satelitales Sentinel-2, a
pesar de su alta periodicidad de ~ 6 días, la zona de estudio es altamente propensa a un alto
porcentaje de nubosidad lo que dificulta la generación o actualización de mapas de
cobertura del suelo [62]. Los datos bioclimáticos también pueden considerarse una limitante
en este tipo de estudios, ya que suelen ser escasos y comúnmente se recurre a fuentes como
WorldClim, en las que las resoluciones adecuadas sueles ser algo gruesas ~1 km2, sin
embargo, es la mejor resolución disponible para realizar este tipo de modelamiento.
Algunos estudios han analizado los efectos de utilizar diferentes fuentes de datos
geoespaciales y han encontrado leves variaciones en el desempeño de los modelos, lo cual
depende de la resolución espacial y temática de la fuente [19]. Otros autores han demostrado
mejoras en el modelamiento de riqueza de especies al utilizar datos de alta resolución
espacial [63], e incluso el uso de datos de fuentes nuevas como las tecnologías LiDAR se
reporta mejoras en el desempeño de modelos [64], [65]. Futuras investigaciones pueden
realizarse utilizando datos de nuevas fuentes de información con mejor resolución espacial
y temporal para comparar el desempeño y resultado en el modelado de corredores
ecológicos.
Se ha demostrado la factibilidad de delinear corredores ecológicos para el OA entre el área
del Parque Nacional Cayambe-Coca y la Reserva Ecológica Antisana integrando modelos
computacionales y modelos de aprendizaje automáticos de una manera eficiente y precisa.
Este hallazgo tiene implicaciones significativas para el Plan de acción para la conservación
del oso andino, ya que una de sus líneas de investigación consiste en evaluar el nivel de
conectividad que existe entre las áreas protegidas, y la metodología del presente estudio ha
demostrado ser una solución practica para el modelado de corredores ecológicos de
conectividad. Estos resultados abren nuevas posibilidades para desarrollar redes
interconectadas entre las áreas protegidas, los cuales pueden basarse en diferentes especies
a conservar, este tipo de corredores ayudan aprevenir la degradación de los ecosistemas, así
como reducir el riesgo de extinción de diferentes especies.
5. Conclusiones
El presente estudio examinó la aplicación de modelos Machine Learning para la
delineación de corredores ecológicos para la movilidad del oso de anteojos entre el área del
Parque Nacional Cayambe-Coca y la Reserva Ecológica Antisana. Se demostró que por
Novasinergia 2025, 8(2), 06-31 26
medio de métodos informáticos y de una manera eficiente y relativamente rápida se pudo
delinear tres potenciales corredores ecológicos de conectividad entre las áreas protegidas.
Utilizando el modelo Maxent y 18 variables bioclimáticas se obtuvo la distribución potencial
del oso de anteojos en el área de estudio. Las variables que más contribuyeron en el
modelado fueron: la presencia de bosque (26.61 %), la precipitación del mes más seco (13.2
%) y la precipitación del mes más lluvioso (10.85 %). El modelado del hábitat potencial
permitió identificar 30349 ha dentro del área de estudio con una alta probabilidad (> 75 %)
de presencia de la especie oso de anteojos (Tremarctos ornatus), la cual se ubica
principalmente al lado oeste de las áreas protegidas en el límite entre las provincias de
Pichincha y Napo.
Por medio del algoritmo Random Forest, se obtuvo el mapa de uso y cobertura del suelo,
que identificó como las clases de mayor presencia en el área de estudio a: Bosque (36.3 %),
pajonales (24.3 %) y matorrales (36.3 %). El mapa se validó utilizando el método de matriz
de confusión con excelentes resultados, una precisión general de 0.89 y un coeficiente kappa
de 0.87.
Utilizando el mapa de distribución potencial de oso de anteojos en combinación con el mapa
de uso y cobertura del suelo y las variables: distancia centros poblados, distancia a vías,
elevación y pendientes fue posible crear un ráster de resistencia sobre el cual se aplicó el
algoritmo de ruta de menor costo (LCP) para diseñar tres corredores ecológicos en
diferentes ubicaciones en el espacio geográfico que separa el Parque Nacional Cayambe-
Coca y la Reserva Ecológica Antisana (Figura 5). Del análisis de los tres corredores se pudo
identificar que el Corredor 2, presenta mejores condiciones para fomentarlo como una zona
de conservación.
Las observaciones científicas obtenidas a partir de este estudio nos ayudan a formular
recomendaciones sostenibles que apoyarán las diferentes iniciativas de conservación. El
método propuesto puede utilizarse también para otras especies de fauna y en otros sectores
de conectividad entre áreas protegidas. Los modelos de aprendizaje de máquina en apoyo
de la computación en la nube y la tecnología geoespacial están brindando soluciones
técnicas rápidas y precisas para el diseño de diferentes estrategias de conservación.
Se recomienda a los gestores de áreas protegidas y funcionarios de gobiernos locales
adoptar el diseño propuesto de corredores, el mismo que puede ser fortalecido con procesos
de difusión y concertación por medio de la conformación de estructuras de gobernanza local
que faciliten la implementación y monitoreo de los corredores. Futuros trabajos podrían
orientarse en la validación de los corredores propuestos mediante procesos participativos
de monitoreo, o por medio de modelado de movimiento del oso andino. También se podría
investigar la adaptabilidad de los corredores bajo escenarios de cambio climático para
robustecer la planificación territorial adaptativa a largo plazo.
Novasinergia 2025, 8(2), 06-31 27
Contribución de los Autores
Conceptualización: A.L. y N.R.; Curación de datos: A.L. y N.R.; Análisis formal: A.L.
y N.R.; Adquisición de fondos: A.L. y N.R.; Investigación: A.L., N.R. y C.C.; Metodología:
A.L., N.R. y C.C.; Administración del proyecto: A.L., N.R. y C.C.; Recursos: A.L., N.R. y
C.C.; Software: A.L. y N.R.; Supervisión: C.C.; Validación: A.L. y N.R.; Visualización: A.L.,
N.R. y C.C.; Redacción – borrador original: A.L. y N.R.; Redacción – revisión y edición: A.L.,
N.R. y C.C. Todos los autores han leído y aprobado la versión publicada del manuscrito.
Conflicto de Interés
Los autores no reportan conflictos de interés relacionados con esta investigación.
Declaración sobre el uso de Inteligencia Artificial Generativa
No se utilizó inteligencia artificial generativa en la preparación de este artículo.
Referencias
[1] IPBES, “Summary for policymakers of the global assessment report on biodiversity
and ecosystem services,” Zenodo, Nov. 2019. doi:
https://doi.org/10.5281/zenodo.3553579.
[2] C. Hald-Mortensen, “The main drivers of biodiversity loss: a brief overview,” JENR,
vol. 7, no. 3, p. 346, 2023, doi: https://doi.org/10.23880/jenr-16000346.
[3] M. A. Tucker et al., “Moving in the Anthropocene: Global reductions in terrestrial
mammalian movements,” Science, vol. 359, no. 6374, pp. 466–469, Ene. 2018, doi:
https://doi.org/10.1126/science.aam9712.
[4] B. Zukowski y A. Ormsby, “Andean Bear Livestock Depredation and Community
Perceptions in Northern Ecuador,” Hum. Dimens. Wildl., vol. 21, no. 2, pp. 111–126,
Feb. 2016, doi: https://doi.org/10.1080/10871209.2015.1126871.
[5] A. Cotrina Sánchez et al., “Integrated cloud computing and cost effective modelling
to delineate the ecological corridors for Spectacled bears (Tremarctos ornatus) in the
rural territories of the Peruvian Amazon,” Glob. Ecol. Conserv., vol. 36, p. e02126,
Ago. 2022, doi: https://doi.org/10.1016/j.gecco.2022.e02126.
[6] P. Sandoval-Guillén y P. Yánez-Moretta, “Aspectos biológicos y ecológicos del oso
de anteojos (Tremarctos Ornatus, Ursidae) en la zona andina de Ecuador y
perspectivas para su conservación bajo el enfoque de especies paisaje,” La Granja,
vol. 30. scielo, pp. 19–27, Sep. 2019, doi: https://doi.org/10.17163/lgr.n30.2019.02.
[7] X. Velez-Liendo et al., “Andean Bear (Tremarctos ornatus),” in Bears of the World:
Ecology, Conservation and Management, V. Penteriani and M. Melletti, Eds.
Cambridge: Cambridge University Press, 2020, pp. 78–87, doi:
https://doi.org/10.1017/9781108692571.008.
Novasinergia 2025, 8(2), 06-31 28
[8] G. Kattan et al., “Range fragmentation in the spectacled bear Tremarctos ornatus in
the northern Andes,” Oryx, vol. 38, no. 2, pp. 155–163, May. 2004, doi:
https://doi.org/10.1017/S0030605304000298.
[9] F. Cuesta, M. F. Peralvo, y F. T. van Manen, “Andean bear habitat use in the Oyacachi
River Basin, Ecuador,” Ursus, vol. 14n no. 2, pp. 198–209, 2003.
[10] X. Velez-Liendo y S. García-Rangel, “Tremarctos ornatus (errata version published
in 2018),” The IUCN Red List of Threatened Species, Feb. 2017, doi:
https://doi.org/10.2305/iucn.uk.2017-3.rlts.t22066a45034047.en.
[11] M. F. Peralvo, F. Cuesta, y F. van Manen, “Delineating priority habitat areas for the
conservation of Andean bears in northern Ecuador,” Ursus, vol. 16, no. 2, pp. 222–
233, Nov. 2005, doi: https://doi.org/10.2192/1537-
6176(2005)016[0222:DPHAFT]2.0.CO;2.
[12] I. Goldstein, S. Paisley, R. Wallace, J. P. Jorgenson, F. Cuesta, y A. Castellanos,
“Andean bear–livestock conflicts: a review,” Ursus, vol. 17, no. 1, pp. 8–15, Abr. 2006,
doi: https://doi.org/10.2192/1537-6176(2006)17[8:ABCAR]2.0.CO;2.
[13] S. Molina, A. K. Fuller, D. J. Morin, y J. A. Royle, “Use of spatial capture–recapture to
estimate density of Andean bears in northern Ecuador,” Ursus, vol. 28, no. 1, pp. 117–
126, May. 2017, doi: https://doi.org/10.2192/URSU-D-16-00030.1.
[14] S. García-Rangel, “Andean bear Tremarctos ornatus natural history and
conservation,” Mammal Rev., vol. 42, no. 2, pp. 85–119, Mar. 2012, doi:
https://doi.org/10.1111/j.1365-2907.2011.00207.x.
[15] Ministerio del Ambiente y Agua del Ecuador., Plan de acción para la conservación
del oso andino (Tremarctos ornatus) en el Ecuador. Quito, 2020.
[16] J. Peng et al., “Linking ecosystem services and circuit theory to identify ecological
security patterns,” Sci. Total Environ., vol. 644, pp. 781–790, Dic. 2018, doi:
https://doi.org/10.1016/j.scitotenv.2018.06.292.
[17] W. Hong, R. Guo, M. Su, H. Tang, L. Chen, y W. Hu, “Sensitivity evaluation and land-
use control of urban ecological corridors: A case study of Shenzhen, China,” Land
use policy, vol. 62, pp. 316–325, Mar. 2017, doi:
https://doi.org/10.1016/j.landusepol.2017.01.010.
[18] S. Saura, B. Bertzky, L. Bastin, L. Battistella, A. Mandrici, and G. Dubois, “Global
trends in protected area connectivity from 2010 to 2018,” Biol. Conserv., vol. 238, p.
108183, Oct. 2019, doi: https://doi.org/10.1016/j.biocon.2019.07.028.
[19] P. Cisneros-Araujo et al., “The Role of Remote Sensing Data in Habitat Suitability and
Connectivity Modeling: Insights from the Cantabrian Brown Bear,” Remote Sensing,
vol. 13, no. 6. Mar. 2021, doi: https://doi.org/10.3390/rs13061138.
Novasinergia 2025, 8(2), 06-31 29
[20] C. Bellamy et al., “A sequential multi-level framework to improve habitat suitability
modelling,” Landsc. Ecol., vol. 35, no. 4, pp. 1001–1020, Mar. 2020, doi:
https://doi.org/10.1007/s10980-020-00987-w.
[21] A. Guisan et al., “Predicting species distributions for conservation decisions,” Ecol.
Lett., vol. 16, no. 12, pp. 1424–1435, Oct. 2013, doi: https://doi.org/10.1111/ele.12189.
[22] G. Ríos-Alvear et al., “Key connectivity areas in the Llanganates-Sangay Ecological
Corridor in Ecuador: A participative multicriteria analysis based on a landscape
species,” Landsc. Urban Plan., vol. 246, p. 105039, Jun. 2024, doi:
https://doi.org/10.1016/j.landurbplan.2024.105039.
[23] B. H. McRae, B. G. Dickson, T. H. Keitt, y V. B. Shah, “Using circuit theory to model
connectivity in ecology, evolution, and conservation,” Ecology, vol. 89, no. 10, pp.
2712–2724, Oct. 2008, doi: https://doi.org/10.1890/07-1861.1.
[24] N. D. de Oliveira-Junior, G. Heringer, M. L. Bueno, V. Pontara, y J. A. A. Meira-Neto,
“Prioritizing landscape connectivity of a tropical forest biodiversity hotspot in global
change scenario,” For. Ecol. Manag., vol. 472, p. 118247, Sep. 2020, doi:
https://doi.org/10.1016/j.foreco.2020.118247.
[25] G. Meza Mori et al., “Predictive Modelling of Current and Future Potential
Distribution of the Spectacled Bear (Tremarctos ornatus) in Amazonas, Northeast
Peru,” Animals, vol. 10, no. 10, Oct. 2020, doi: https://doi.org/10.3390/ani10101816.
[26] F. Cerasoli, P. D’Alessandro, y M. Biondi, “Worldclim 2.1 versus Worldclim 1.4:
Climatic niche and grid resolution affect between-version mismatches in Habitat
Suitability Models predictions across Europe,” Ecol. Evol., vol. 12, no. 2, p. e8430, Feb.
2022, doi: https://doi.org/10.1002/ece3.8430.
[27] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, y R. Moore, “Google
Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens.
Environ., vol. 202, pp. 18–27, Dic. 2017, doi: https://doi.org/10.1016/j.rse.2017.06.031.
[28] S. J. Phillips, M. Dudík, y R. E. Schapire, Maxent software for modeling species niches
and distributions (Version 3.4.1). [Online]. Disponible:
http://biodiversityinformatics.amnh.org/open_source/maxent/.
[29] L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi:
https://doi.org/10.1023/A:1010933404324.
[30] Global Biodiversity Information Facility, “Free and open access to biodiversity data”,
GBIF Global Biodiversity Information Facility. [Online]. Disponible:
https://www.gbif.org/.
[31] QGIS, “Spatial without compromise”. [Online]. Disponible: https://www.qgis.org.
Novasinergia 2025, 8(2), 06-31 30
[32] Global Biodiversity Information Facility, “QGIS. A Free and Open Source Geographic
Information System” GBIF Global Biodiversity Information Facility. [Online].
Disponible en: https://www.gbif.org/es/tool/81453/qgis.
[33] M. Buchhorn et al., “Copernicus Global Land Service: Land Cover 100m: collection 3:
epoch 2019: Globe.” Zenodo, Sep. 2020, doi: https://doi.org/10.5281/zenodo.3939050.
[34] Infraestructura de Datos Espaciales para Instituto Geográfico Militar, 2017, “Escala
Nacional 1:100000, Capas de Información Geográfica Básica del IGM de libre acceso.
Codificación UTF-8” Geoportal del Instituto Geográfico Militar. [Online]. Disponible:
https://www.geoportaligm.gob.ec/portal/index.php/descargas/cartografia-de-libre-
acceso/registro/
[35] S. J. Phillips, R. P. Anderson, y R. E. Schapire, “Maximum entropy modeling of
species geographic distributions,” Ecol. Model., vol. 190, no. 3-4, pp. 231–259, Ene.
2006, doi: https://doi.org/10.1016/j.ecolmodel.2005.03.026.
[36] A. T. Peterson, M. Papeş, y J. Soberón, “Rethinking receiver operating characteristic
analysis applications in ecological niche modeling,” Ecol. Model., vol. 213, no. 1, pp.
63–72, 2008, doi: https://doi.org/10.1016/j.ecolmodel.2007.11.008.
[37] M. B. Araújo, R. G. Pearson, W. Thuiller, y M. Erhard, “Validation of species–climate
impact models under climate change,” Glob. Chang. Biol., vol. 11, no. 9, pp. 1504–
1513, Jul. 2005, doi: https://doi.org/10.1111/j.1365-2486.2005.01000.x.
[38] M. Drusch et al., “Sentinel-2: ESA’s Optical High-Resolution Mission for GMES
Operational Services,” Remote Sens. Environ., vol. 120, pp. 25–36, May. 2012, doi:
https://doi.org/10.1016/J.RSE.2011.11.026.
[39] T. G. Farr et al., “The Shuttle Radar Topography Mission,” Rev. Geophys., vol. 45, no.
2, May. 2007, doi: https://doi.org/10.1029/2005RG000183.
[40] M. Belgiu and L. Drăguţ, “Random forest in remote sensing: A review of applications
and future directions,” ISPRS J. Photogramm. Remote Sens., vol. 114, pp. 24–31, Abr.
2016, doi: https://doi.org/10.1016/j.isprsjprs.2016.01.011.
[41] H. Shafizadeh-Moghadam, M. Khazaei, S. K. Alavipanah, y Q. Weng, “Google Earth
Engine for large-scale land use and land cover mapping: an object-based
classification approach using spectral, textural and topographical factors,” GIScience
Remote Sens., vol. 58, no. 6, pp. 914–928, Jul. 2021, doi:
https://doi.org/10.1080/15481603.2021.1947623.
[42] AcATaMa, “AcATaMa—QGIS plugin for accuracy assessment of thematic maps,”
Group of Forest and Carbon Monitoring System (SMByC), [Online]. Disponible:
https://smbyc.github.io/AcATaMa/.
[43] Food and Agriculture Organization of the United Nations (FAO), Map accuracy
assessment and area estimation: a practical guide, Roma: FAO, 2016.
Novasinergia 2025, 8(2), 06-31 31
[44] P. Olofsson, G. M. Foody, M. Herold, S. V. Stehman, C. E. Woodcock, y M. A. Wulder,
“Good practices for estimating area and assessing accuracy of land change,” Remote
Sens. Environ., vol. 148. Elsevier Inc., pp. 42–57, May. 25, 2014, doi:
https://doi.org/10.1016/j.rse.2014.02.015.
[45] J. R. Landis y G. G. Koch, “An Application of Hierarchical Kappa-type Statistics in
the Assessment of Majority Agreement among Multiple Observers,” Biometrics, vol.
33, no. 2, pp. 363–374, Jun. 1977, doi: https://doi.org/10.2307/2529786.
[46] E. W. Dijkstra, “A note on two problems in connexion with graphs,” Numer. Math.,
vol. 1, no. 1, pp. 269–271, Dec. 1959, doi: https://doi.org/10.1007/BF01386390.
[47] R. Bellman, “On a routing problem,” Quart. Appl. Math, vol. 16, no. 1, pp. 87–90,
1958, doi: https://doi.org/10.1090/qam/102435.
[48] R. W. Floyd, “Algorithm 97: shortest path,” Commun. ACM, vol. 5, no. 6, p. 345, Jun.
1962, doi: https://doi.org/10.1145/367766.368168.
[49] F. Cuesta, M. Peralvo, y D. Sánchez, Métodos para investigar la disponibilidad del
hábitat del oso andino: el caso de la cuenca del río Oyacachi, Ecuador. Quito, Ec:
EcoCiencia y Proyecto Biorreserva del Cóndor, 2001.
[50] P. Beier, “A rule of thumb for widths of conservation corridors,” Conserv. Biol., vol.
33, no. 4, pp. 976–978, Ago. 2019, doi: https://doi.org/10.1111/cobi.13256.
[51] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, y R. Moore, “Google
Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens.
Environ., vol. 202, pp. 18–27, Dic. 2017, doi: https://doi.org/10.1016/j.rse.2017.06.031.
[52] J. Figueroa, M. Stucchi, y R. Rojas-VeraPinto, “Modelación de la distribución del oso
andino Tremarctos ornatus en el bosque seco del Marañón (Perú),” Rev. Mex.
Biodivers., vol. 87, no. 1, pp. 230–238, Mar. 2016, doi:
https://doi.org/10.1016/j.rmb.2016.01.008.
[53] C. Rodriguez-Cabezas, M. Mejía Salazar, y C. Quintana, “Distribución potencial de
Tremarctos ornatus (oso andino) en relación al cambio de uso de suelo de su hábitat
en las estribaciones orientales del Ecuador,” REMCB., vol. 43, no. 2, Nov. 2022, doi:
https://doi.org/10.26807/remcb.v43i2.937.
[54] M. Castelo-Cabay, J. A. Piedra-Fernandez, y R. Ayala, “Deep learning for land use
and land cover classification from the Ecuadorian Paramo,” Int. J. Digit. Earth, vol.
15, no. 1, pp. 1001–1017, 2022, doi: https://doi.org/10.1080/17538947.2022.2088872.
[55] H. Zhang et al., “Image Classification Using RapidEye Data: Integration of Spectral
and Textual Features in a Random Forest Classifier,” IEEE J. Sel. Top. Appl. Earth
Obs. Remote Sens., vol. 10, no. 12, pp. 5334–5349, Dic. 2017, doi:
https://doi.org/10.1109/JSTARS.2017.2774807.
Novasinergia 2025, 8(2), 06-31 32
[56] Y. Jin, X. Liu, Y. Chen, y X. Liang, “Land-cover mapping using Random Forest
classification and incorporating NDVI time-series and texture: a case study of central
Shandong,” Int. J. Remote Sens., vol. 39, no. 23, pp. 8703–8723, Ago. 2018, doi:
https://doi.org/10.1080/01431161.2018.1490976.
[57] E. Yerena, Corredores ecológicos en los Andes de Venezuela. Caracas, Ven: Parques
Editorial Torino, 1994.
[58] S. Crespo-Gascón y J. Guerrero-Casado, “The role of the spectacled bear (Tremarctos
ornatus) as an umbrella species for Andean ecoregions,” Wildl. Res., vol. 46, no. 2,
pp. 176–183, Mar. 2019, doi: https://doi.org/10.1071/WR18056.
[59] T. Doko et al., “Identifying habitat patches and potential ecological corridors for
remnant Asiatic black bear (Ursus thibetanus japonicus) populations in Japan,” Ecol.
Model., vol. 222, no. 3, pp. 748–761, Feb. 2011, doi:
https://doi.org/10.1016/j.ecolmodel.2010.11.005.
[60] G. Ceballos et al., “Jaguar distribution, biological corridors and protected areas in
Mexico: from science to public policies,” Landsc. Ecol., vol. 36, no. 11, pp. 3287–3309,
Jul. 2021, doi: https://doi.org/10.1007/s10980-021-01264-0.
[61] R. R. Hohbein y N. P. Nibbelink, “Omnidirectional connectivity for the Andean bear
(Tremarctos ornatus) across the Colombian Andes,” Landsc. Ecol., vol. 36, no. 11, pp.
3169–3185, Jul. 2021, doi: https://doi.org/10.1007/s10980-021-01299-3.
[62] A. I. Flores-Anderson, J. Cardille, K. Azad, E. Cherrington, Y. Zhang, y S. Wilson,
“Spatial and Temporal Availability of Cloud-free Optical Observations in the Tropics
to Monitor Deforestation,” Sci. Data, vol. 10, no. 1, p. 550, Ago. 2023, doi:
https://doi.org/10.1038/s41597-023-02439-x.
[63] G. A. Fricker, J. A. Wolf, S. S. Saatchi, y T. W. Gillespie, “Predicting spatial variations
of tree species richness in tropical forests from high-resolution remote sensing,” Ecol.
Appl., vol. 25, no. 7, pp. 1776–1789, Oct. 2015, doi: https://doi.org/10.1890/14-1593.1.
[64] C. Tattoni, F. Rizzolli, y P. Pedrini, “Can LiDAR data improve bird habitat suitability
models?,” Ecol. Model., vol. 245, pp. 103–110, Oct. 2012, doi:
https://doi.org/10.1016/j.ecolmodel.2012.03.020.
[65] A. Gastón et al., “Species’ habitat use inferred from environmental variables at
multiple scales: How much we gain from high-resolution vegetation data?,” Int. J.
Appl. Earth Obs. Geoinf., vol. 55, pp. 1–8, Mar. 2017, doi:
https://doi.org/10.1016/j.jag.2016.10.007.
