Novasinergia 2026, 9(1), 59-78. https://doi.org/10.37135/ns.01.17.04 http://novasinergia.unach.edu.ec
Artículo de Investigación
Estimación de la evolución dinámica espacio-temporal de tierras
potenciales de reforestación y su capacidad de fijación de carbono
Estimation of spatial-temporal dynamic evolution of potential reforestation lands and their
carbon sequestration capacity
Leonela Sebastiana Nugra Ruilova1, Angely Giuliana Vásquez Santander1,
Jaime Enrique Maza Maza2
1Carrera de Ingeniería Ambiental, Universidad Técnica de Machala, Machala, Ecuador, 070205;
2Grupo de Investigación para la Conservación, Carrera de Ingeniería Ambiental, Universidad Técnica de Machala, Machala,
Ecuador, 070205;
avasquez8@utmachala.edu.ec; jemaza@utmachala.ed.ec
*Correspondencia: lnugra1@utmachala.edu.ec
Citación: Nugra, L.; Vásquez, A. &
Maza, J., (2026). Estimación de la
evolución dinámica espacio-
temporal de tierras potenciales de
reforestación y su capacidad de
fijación de carbono. Novasinergia.
9(1). 59-78.
https://doi.org/10.37135/ns.01.17.04
Recibido: 18 marzo 2025
Aceptado: 15 julio 2025
Publicado: 08 enero 2026
Novasinergia
ISSN: 2631-2654
Resumen: La reforestación se consolida como una estrategia clave de mitigación frente al
cambio climático, debido a la capacidad de los ecosistemas forestales para actuar como
sumideros de carbono al almacenar este elemento en su biomasa aérea. El objetivo del
presente estudio fue estimar la evolución espacio-temporal del potencial de reforestación
y la capacidad de captura de carbono en la provincia de El Oro, mediante la identificación
de zonas óptimas según su calidad climática, factores biofísicos condicionantes y la
proyección de reservas de carbono. La metodología integró datos climáticos de
temperatura, precipitación y un análisis de tendencias, junto con variables como la
sucesión y resiliencia de la vegetación, pendiente y distancia a vías. Estas variables fueron
ponderadas mediante el enfoque jerárquico ponderado (WHA), utilizando el modelo
Random Forest (RF) para asignar pesos relativos, y posteriormente se modeló la biomasa
y el carbono capturado. Los resultados muestran una productividad climática de 1780
(g/m2. a-1) en cantones de mayor altitud como Piñas, Portovelo, Zaruma, Chilla,
Atahualpa y Balsas, identificando un total de 16529.85 ha con alto potencial de
reforestación. Se estima que para el año 2090 la biomasa acumulada alcanzará 848458.79
Mg, equivalente a 424229 Mg C. En conclusión, se evidencia un crecimiento sostenido en
la acumulación de biomasa y carbono hasta 2090, con mayor fijación en las fases
intermedias del ciclo forestal y estabilidad en la densidad por hectárea. Los resultados
resaltan la importancia de promover políticas de reforestación que potencien la captura de
carbono y fortalezcan las estrategias de adaptación climática.
Palabras clave: Análisis espacial, Cambio climático, Captura de carbono, Reforestación,
Zonas óptimas.
Copyright: 2026 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: Reforestation is established as a key strategy for mitigating climate change, due to the
capacity of forest ecosystems to act as carbon sinks by storing this element in their above-ground
biomass. This study aimed to estimate the spatial-temporal evolution of reforestation potential and
carbon capture capacity in the province of El Oro by identifying optimal areas based on their
climatic quality, biophysical conditioning factors, and projected carbon reserves. The methodology
integrated climate data on temperature, precipitation, trend analysis, and variables such as
vegetation succession and resilience, slope, and distance to roads. These variables were weighted
using the weighted hierarchy approach (WHA) method, using the Random Forest (RF) model to
assign relative weights, and subsequently modeled the biomass and carbon captured. The results
show a climate productivity of 1780 (g/m2. a-1) in higher altitude cantons such as Piñas, Portovelo,
Zaruma, Chilla, Atahualpa, and Balsas, identifying a total of 16529.85 ha with high reforestation
potential. By 2090, the accumulated biomass is estimated to reach 848458.79 Mg, equivalent to
424229 Mg C. In conclusion, there is evidence of sustained growth in biomass and carbon
accumulation until 2090, with greater fixation in the intermediate phases of the forest cycle and
stability in density per hectare. The results highlight the importance of promoting reforestation
policies that enhance carbon capture and strengthen climate adaptation strategies.
Keywords: Spatial analysis, Carbon capture, Climate change, Reforestation, Optimal zones.
Novasinergia 2026, 9(1), 59-78 60
1. Introducción
El cambio climático, impulsado principalmente por el aumento de las
concentraciones de gases de efecto invernadero (GEI) en la atmósfera, constituye uno de los
desafíos ambientales más críticos a nivel global. Entre las estrategias de mitigación, la
reforestación representa un mecanismo clave, ya que los ecosistemas forestales actúan como
sumideros de carbono al capturar CO₂ atmosférico a través de la fotosíntesis y almacenarlo
en la biomasa viva, la necromasa y, especialmente, en el suelo en forma de carbono orgánico
(COS) [1], [2]. Este carbono edáfico es esencial para el secuestro a largo plazo del CO₂,
contribuyendo a la reducción del cambio climático. Se estima que los suelos almacenan
alrededor de 1500 gigatoneladas (Gt) de carbono, superando en más del doble el contenido
de carbono presente en la atmósfera y en la vegetación terrestre [3]. Además de su papel
climático, el COS mejora la fertilidad edáfica, la retención hídrica y el suministro de
nutrientes, fomentando la actividad microbiana y aumentando la resiliencia del suelo frente
a sequías y eventos extremos.
A escala planetaria, la pérdida de cobertura forestal continúa agravando la crisis climática.
Solo en 2023, se registró un aumento del 24 % en la pérdida global de cobertura arbórea,
pasando de 22.8 a 28.3 millones de hectáreas en comparación con el año anterior [4]. En
Ecuador, esta problemática es especialmente grave: entre 2016 y 2020, se estimó una
deforestación promedio de 99417 hectáreas por año. A pesar de políticas como el programa
“Socio Bosque”, orientadas a frenar la pérdida forestal, los resultados han sido limitados a
nivel regional, particularmente en la zona costera sur de la provincia de El Oro, donde
persisten importantes desafíos relacionados con el uso del suelo y la adaptación a escenarios
climáticos futuros [5].
En esta provincia, la presión sobre los bosques secos y húmedos se ha intensificado debido
al avance de la agricultura, la minería ilegal y la transformación del uso del suelo [6]. No
obstante, la región cuenta con una notable diversidad de tipos de suelo, destacándose los
Inceptisoles y Alfisoles por sus propiedades favorables para la reforestación. Los
Inceptisoles, predominantes en zonas de relieve, presentan buen drenaje y fertilidad
moderada, facilitando el establecimiento de especies nativas, aunque su baja retención de
nutrientes limita el desarrollo a largo plazo, requiriendo enmiendas orgánicas [7]. Los
Alfisoles, ricos en arcillas y con buena capacidad de retención de nutrientes, son también
adecuados para programas de restauración, aunque su alta acidez y tendencia a la
compactación pueden obstaculizar el desarrollo radicular si no se aplica cal. En contraste,
los Entisoles son más susceptibles a procesos erosivos e inundaciones, dificultando la
supervivencia de especies reforestadas, al igual que los Aridisoles presentes en zonas secas
como Arenillas y Huaquillas, donde la baja disponibilidad hídrica representa una limitación
adicional [8].
En este escenario, la reforestación se posiciona como una estrategia fundamental frente al
cambio climático, pero su planificación debe considerar la dinámica espacio-temporal del
territorio, así como su evolución bajo distintos escenarios climáticos. Dado que los
beneficios ecosistémicos y de mitigación requieren largos períodos para manifestarse
plenamente, es crucial evaluar la viabilidad a largo plazo de las intervenciones, integrando
Novasinergia 2026, 9(1), 59-78 61
el uso actual del suelo, las tendencias climáticas y la capacidad de los ecosistemas para fijar
carbono. Evaluar áreas con alto potencial de reforestación no solo permite mitigar el cambio
climático, sino también promover la restauración ecológica y fortalecer los servicios
ecosistémicos. Estudios recientes en Ecuador, como el de [9], han demostrado el potencial
de los sistemas agroforestales en los Andes para capturar carbono en suelos gestionados por
pequeños productores. Sin embargo, aún existe una limitada comprensión sobre la
evolución espacio-temporal de estas zonas, lo cual limita el diseño de estrategias eficientes.
Abordar este vacío en regiones específicas como la provincia de El Oro permitirá diseñar
políticas más eficaces que integren las características territoriales y las proyecciones
climáticas, maximizando la capacidad de secuestro de carbono y la resiliencia de los
ecosistemas.
En este contexto, el presente estudio tiene como objetivo estimar la evolución dinámica
espacio-temporal de las tierras con potencial para reforestación en la provincia de El Oro,
Ecuador, durante el periodo 2030 - 2090. Para ello, se considerará el análisis de variables
climáticas proyectadas, los factores impulsores del cambio de uso del suelo y la
cuantificación de la capacidad de fijación de carbono orgánico edáfico, con el fin de
identificar zonas prioritarias y aportar a las estrategias de mitigación frente al cambio
climático.
2. Metodología
2.1. Área de estudio
La Provincia de El Oro se encuentra en la región suroccidental del Ecuador, limitando
al norte con la Provincia del Guayas, al sur con Perú, al este con las Provincias de Azuay y
Loja, y al oeste con el Océano Pacifico (Figura 1). Una pequeña proporción del territorio se
ubica en las estribaciones de la Cordillera de los Andes, mientras que la mayor parte
corresponde a la región costera [10]. Tiene una extensión de 5791.85 km^2 representa una
diversidad de altitudinal que varía de 0 hasta los 3900 m.s.n.m. [11]. Su clima es variado con
temperaturas que fluctúa entre 14 - 22 °C en la zona alta, y 18 - 30 °C en zona baja [12]. Las
precipitaciones anuales oscilan entre 250 mm y 3000 mm, dependiendo de la zona. El Oro
cuenta con 15 sistemas ecológicos vinculados a los biomas como manglares, bosques secos,
bosque montano bajo, bosque montano alto y páramos [10]. En cuanto a los suelos,
predominan tres tipos principales: Inceptisoles, Alfisoles y Entisoles [11]. De estos, el suelo
que ocupa mayor superficie terrestre en la provincia es el Inceptisol. Las actividades
económicas que se desarrollan en este territorio son la agricultura, ganadería, pesca,
acuicultura y minería. El Oro es reconocida no solo por su riqueza natural, sino también por
su variedad paisajística, histórica, arqueológica, gastronómica, étnica y cultural.
Novasinergia 2026, 9(1), 59-78 62
Figura 1. Ubicación del área de estudio: a) Ecuador, Provincia de El Oro y b) Cantones y altitud de la provincia de El
Oro.
2.2. Recopilación de datos
En la Tabla 1 se resume la información empleada en este estudio. Se recopilaron datos
climáticos mensuales futuros del modelo CMIP6 (Sexta Fase del Proyecto de
Intercomparación de Modelos Acoplados), en formato GeoTIFF, provenientes de nueve
modelos de circulación general (GCM) y cuatro escenarios socioeconómicos compartidos
(SSP), para los periodos 2021 - 2040, 2041 - 2060, 2061 - 2080 y 2081 - 2100. Las variables
analizadas fueron: temperatura mínima, temperatura máxima y precipitación [13].
Adicionalmente, se utilizó el mapa de ombrotipos descargado del visor geográfico del
Ministerio del Ambiente, Agua y Transición Ecológica (MAATE) [14], el cual, junto con los
datos climáticos, permitió generar el mapa de producción climática de la vegetación (PCV),
considerado como un factor clave en la evaluación de tierras aptas para la reforestación.
También se incorporó el factor de pendiente, obtenido a partir de Modelos Digitales de
Elevación (DEM) de 2015 del satélite ALOS PALSAR, procesados en el software QGIS. Para
analizar la sucesión de la vegetación, se emplearon los mapas de cobertura y uso del suelo
de 1990 y 2022, extraídos del Sistema Nacional de Monitoreo de Bosques del visor del
MAATE. En este análisis se consideraron las clases de cobertura: bosque, tierra agropecuaria
y vegetación arbustiva/herbácea. La resiliencia de la vegetación fue evaluada mediante el
Índice de Vegetación de Diferencia Normalizada (NDVI), siguiendo la metodología descrita
por [15]. Para ello, se utilizaron imágenes Sentinel-2 (colección
COPERNICUS/S2_SR_HARMONIZED) en la plataforma Google Earth Engine (GEE),
aplicando filtros espaciales y temporales entre el 1 de enero y el 30 de diciembre de 2024. A
partir de estas imágenes se generó un NDVI promedio, delimitado al área de estudio.
Novasinergia 2026, 9(1), 59-78 63
Finalmente, se consideró la distancia a vías como factor de impacto, utilizando la capa de
carreteras de primer orden obtenida del Geo portal del Instituto Geográfico Militar (IGM).
Todas las capas ráster fueron proyectadas al sistema de coordenadas
WGS_1984_UTM_Zone_17S, con una resolución espacial de 30 metros.
Tabla 1. Información geoespacial, vectorial y ráster del área de estudio
NOMBRE DE LOS DATOS
FUENTE DE LOS DATOS
AÑO
FORMATO Y RESOLUCIÓN
Datos de temperatura y
precipitaciones
WorldClim – Future climate
data13
2021 - 2100
GeoTIFF (30m * 30m) 30s –
SSP245 - ACCES-CM2
Índice Ombrotérmico Anual
del Ecuador Continental
MAATE14
2013
Shapefile
Datos de pendientes
Alaska Satellite Facility –
Data Search – Vertex16
2015
TIFF (30m*30m)
Cobertura y usos de la Tierra
1990 y 2020
MAATE14
1990 - 2022
Shapefile
NDVI (Imágenes Sentinel 2)
Google Earth Engine17
2024
TIFF (30m * 30m)
Datos de vías
Geoportal – Instituto
Geográfico Militar18
2021
Shapefile
Fuente: [13], [14], [16], [17], [18]
2.3. Enfoque metodológico
El estudio en su fase técnica se desarrolló en tres partes secuenciales: i) Clasificación
dinámica de calidad de los factores de impacto climático, ii) Evaluación de ponderaciones
de factores de impacto en la calidad de tierras para reforestación y iii) Evaluación espacio-
temporal de la biomasa y el carbono almacenado en bosques plantados, tal como se explica
en la Figura 2.
Figura 2. Diagrama de flujo metodológico aplicado a la investigación en el área de estudio
Novasinergia 2026, 9(1), 59-78 64
2.4. Clasificación dinámica de calidad de los factores de impacto climático
La producción climática de la vegetación es la capacidad máxima de un ecosistema
para generar biomasa vegetal bajo condiciones climáticas óptimas, determinada por factores
como temperatura, precipitación y radiación solar, utilizada como referencia para evaluar
el éxito de proyectos de restauración ecológica [19]. Para este proceso se analizó la geografía
ecológica de la provincia de El Oro y se clasificó en 5 niveles, siendo el nivel 1 la
productividad mínima y 5 productividad óptima. De acuerdo al mapa de ombrotipos las
zonas secas, semiáridas y desérticas se clasificaron en nivel 1, las zonas sub húmedas en
nivel 2 y las zonas húmedas e hiper húmedas como nivel 5. A través del modelo Miami se
evaluó el potencial de producción climática de la vegetación (PCV) [20], se aplicó la
pendiente de Sen para estimar las variaciones anuales en gramos sobre metros cuadrados
por año (g/m2. a-1) a lo largo del tiempo, usando una diferencia temporal de 41 años (2020
- 2061) [21].
A partir de las tendencias obtenidas, se identificaron las áreas con incrementos significativos
de productividad climática, que fueron seleccionadas mediante operaciones condicionales
y luego integradas en el mapa de PCV del periodo 2020 - 2100. Para evitar
sobreestimaciones, se aplicó un umbral que limitó los valores máximos a 5 unidades,
generando un mapa mejorado de PCV. De esta forma, el nivel de calidad climática se elevará
a un nivel máximo de (5) para las zonas con potencial de producción de vegetación y se
reducirá un nivel mínimo de (1) para las zonas con disminución crítica del potencial de
producción.
El modelo Miami determina el potencial de producción climática ) realizando una
comparación entre el mínimo del potencial de producción de luz-temperatura ) y el
potencial de producción de precipitaciones ) que sirve para evaluar el impacto del clima
en la productividad. A continuación, las ecuaciones básicas:
(1)
(2)
(3)
La ecuación (1) delinea la PCV con restricciones de temperatura mediante la aplicación de
una función sigmoidea, ilustrando que la productividad aumenta con la temperatura hasta
alcanzar un máximo teórico de 3000 gramos por metros cuadrados por año. La ecuación (2)
cuantifica la PCV limitado por la precipitación y muestra una respuesta asintótica en la que
la productividad se amplifica con el aumento de las precipitaciones hasta que alcanza una
meseta, con el valor máximo de 3000 gramos por metros cuadrados por año determinado
mediante una función exponencial. En la última instancia, la ecuación (3) asume que el PPN
real () está limitado por el factor climático más limitante, específicamente el valor más
bajo entre la productividad limitada por la temperatura y la productividad limitada por la
precipitación.
Novasinergia 2026, 9(1), 59-78 65
2.5. Ponderaciones de factores de impacto en la calidad de tierras para reforestación
2.5.1. Factores influyentes en la sucesión de la vegetación
La sucesión de la vegetación es un proceso natural de cambio y evolución de las
comunidades vegetales en un área determinada a lo largo del tiempo, que abarca desde la
colonización inicial hasta la conformación de una comunidad ecológicamente estable. Este
proceso puede ser de tipo primario (en zonas sin suelo previo) o secundario (en áreas
previamente intervenidas) [22]. En este estudio se analizaron las transiciones entre
coberturas de bosque, tierras agropecuarias y vegetación arbustiva-herbácea en un periodo
de 1990 y 2022. Se identificaron tres coberturas sin cambio y seis transiciones, las cuales
fueron clasificadas en cinco niveles graduales de calidad sucesional. Las zonas que
evidenciaron una sucesión positiva hacia coberturas boscosas fueron categorizadas en los
niveles 4 y 5, siendo el bosque inalterado el de mayor calidad sucesional. En contraste, las
transiciones negativas hacia vegetación arbustiva o tierras agropecuarias se ubicaron en los
niveles 3 a 1, respectivamente, según se detalla en la (Tabla 2).
Tabla 2. Niveles de sucesión ecológica en los principales cambios de vegetación
N
CAMBIO DE VEGETACIÓN/USO DEL SUELO
NIVEL DE SUCESIÓN ECOLÓGICA
1
2
3
4
5
6
7
8
9
Se mantiene bosque
De tierra agropecuaria a bosque
De vegetación arb/herb a bosque
De bosque a vegetación arb/herb
De tierra agropecuaria a vegetación arb/herb
Se mantiene vegetación arb/herb
De bosque a tierra agropecuaria
De vegetación arb/herb a tierra agropecuaria
Se mantiene tierra agropecuaria
5
4
4
3
3
3
2
2
1
2.5.2. Factores influyentes en la resiliencia de la vegetación
La resiliencia de la vegetación es la capacidad de las plantas y comunidades vegetales
para mantener su estructura y función frente a condiciones adversas, como sequías o
perturbaciones, sin sufrir cambios significativos [23]. En este análisis se usó el método de
índice de vegetación de diferencia normalizada (NDVI), siendo un indicador eficaz para
evaluar la resiliencia de la vegetación, que permite detectar y medir cambios en su
productividad a lo largo del tiempo, especialmente en respuesta a eventos perturbadores
[24] . Se clasificó en seis niveles de coberturas principales: agua, áreas urbanas, tierras áridas,
arbustos y praderas, vegetación escasa y vegetación densa, con rangos que van desde -1 a 1
según la clasificación planteada por [25]. Para la reclasificación de la resiliencia se estimaron
cinco niveles; muy bajo ( 0.14), bajo (0.14 a 0.18), medio (0.18 a 0.27), alto (0.27 a 0.36) y
muy alto (0.36).
Novasinergia 2026, 9(1), 59-78 66
2.5.3. Clasificación de la calidad de otros factores de impacto
Para evaluar factores que impactan indirectamente el crecimiento de la vegetación en
zonas de reforestación, se consideraron la pendiente del terreno y la distancia a vías. La
pendiente se analizó usando datos DEM del satélite ALOS PALSAR de resolución 30 metros,
clasificando el terreno en cinco niveles según grados de inclinación, donde pendientes
menores a 25° fueron las más aptas (nivel 5) y pendientes (> 45°) la menos aptas. En cuanto
a accesibilidad, se usaron datos del IGM para clasificar las distancias a vías principales y
secundarias, categorizando áreas desde muy accesibles (0 - 1 km, nivel 5) hasta inaccesibles
(>10 km, nivel 1), siguiendo el método de cuantiles descrito por [20].
2.5.4. Cálculo de ponderaciones de impacto
Se extrajeron 7237 puntos de entrenamiento en QGIS mediante la herramienta
“Extract raster values to points”, basados en mapas de proyección de cambios de cobertura
y uso de suelo y zonas de reforestación futura descritas por [26], [27]. Estos puntos
alimentaron el algoritmo de Bosques Aleatorios (RF), que asignó pesos a variables
independientes como calidad climática, pendiente, sucesión vegetal, resiliencia del
ecosistema y distancia a vías, estandarizadas de 1 (menos óptimo) a 5 (más óptimo). Luego,
se aplicó el enfoque jerárquico ponderado (WHA), una técnica que combina jerarquías y
ponderaciones para optimizar la toma de decisiones [28]. Este método permitió calcular un
índice de calidad de reforestación a cada factor de impacto, clasificado en cinco niveles,
desde muy bajo (1) hasta muy alto (5).
2.6. Evaluación espacio-temporal de la biomasa y el carbono almacenado en bosques plantados
2.6.1. Estimación de la biomasa de la vegetación
Con el crecimiento y desarrollo del bosque, la biomasa forestal tiende a alcanzar un
estado de equilibrio relativamente constante. El modelo FCS aborda de manera integral la
correlación entre la edad del bosque y la biomasa, lo que permite la incorporación de datos
empíricos con fines de parametrización y validación, este modelo demuestra una capacidad
superior para estimar el almacenamiento de carbono en el suelo [29]. Para el cálculo se aplicó
la ecuación 4.
(4)
Donde, representa la Biomasa al tiempo t ( es la biomasa en el primer año
de reforestación, el año inicial y es la tasa de crecimiento máxima. Como año de inicio
a la reforestación se eligió el 2025, y como año de interés t se escogió el año de la media del
periodo de los datos climáticos futuros aplicados en la clasificación de la producción
climática de la vegetación, es decir, para el 2030 se eligió la precipitación y temperatura del
periodo 2021 - 2040, año 2050 del periodo 2041 - 2060, año 2070 del periodo 2061 - 2080 y
año 2090 del periodo 2081 - 2100. Como biomasa inicial se considero el valor de 0.1 t
.
Novasinergia 2026, 9(1), 59-78 67
La biomasa de los bosques maduros fue calculada en función de la temperatura media
anual (MAT) y la precipitación media anual (MAP), mediante la ecuación 5:
(5)
Donde, es la biomasa máxima de la vegetación (), MAT es la temperatura
media anual (°C) y MAP es la precipitación media anual (mm).
Por su parte, ( que representa el crecimiento sin limitaciones ambientales fue estimada
con mayor precisión utilizando una forma modificada, representada en la ecuación 6.
(6)
2.6.2. Análisis estadístico
Para estimar la biomasa anual de la vegetación, se empleó la fórmula correspondiente
al cálculo de biomasa vegetal (ecuación 4). Posteriormente, se calculó la densidad de
carbono de la vegetación utilizando un coeficiente de conversión de 0.50, con el cual se
transformó la biomasa en densidad de carbono.
Para analizar el almacenamiento futuro de carbono y la tasa de secuestro asociada a la
reforestación, se empleó la ecuación (7) para calcular el secuestro total anual de carbono, y
la ecuación (8) para estimar la tasa de secuestro de carbono de la vegetación. Las expresiones
utilizadas se detallan a continuación:
(7)
(8)
Donde CS corresponde al valor de almacenamiento de carbono, indica la densidad de
carbono en el píxel i, S representa el área del píxel, CSR es la tasa de secuestro de carbono, j
denota los distintos periodos de tiempo, y se refiere a la variación en la densidad de
carbono durante el periodo j.
2.7. Validación del modelo FCS
Se recopilaron dos conjuntos de datos públicos de biomasa aérea correspondientes al
año 2020: el conjunto de biomasa y carbono de la NASA/ORNL y el mapa global de biomasa
aérea forestal de la Iniciativa sobre el Cambio Climático de la Agencia Espacial Europea
(ESA CCI). Sobre áreas de bosques nativos y zonas protegidas en la provincia de El Oro, se
generaron 5000 puntos de muestreo.
A través de la herramienta Extract Values to Multi Points, se extrajeron los valores de
biomasa aérea correspondientes a cada punto, tanto a partir de los datos satelitales como
del modelo evaluado. Las estimaciones del modelo representaron la biomasa aérea de
bosques maduros, calculadas a partir de datos climáticos (temperatura y precipitación) del
año 2020, asumiendo una edad forestal de 60 años. Finalmente, se aplicó una regresión lineal
entre los valores observados (datos satelitales) y los valores predichos por el modelo FCS.
Novasinergia 2026, 9(1), 59-78 68
Para la evaluación del ajuste se utilizaron el coeficiente de determinación (R²) y el error
cuadrático medio (RMSE) como métricas de validación.
3. Resultados
3.1. Producción climática de la vegetación periodo
El mapa de producción climática de la vegetación (PCV) en la región de El Oro
(Figura 3), muestra una gradiente que va desde los 480 - 900 g/m². a-1 en las zonas costeras
bajas, como Huaquillas, parte de Arenillas y Machala hasta los 1500 - 1780 g/m². a-1 en las
áreas de mayor altitud, como Piñas, parte de Portovelo, Zaruma, Chilla, Atahualpa y Balsas,
lo que indica una correlación positiva entre la altitud y la PCV, considerándose estas de
zonas de mayor elevación con condiciones ecológicas favorables de mayor productividad.
En cambio, los cantones costeros con altitudes más bajas representan zonas de menor
productividad.
Figura 3. Mapa de producción climática de la vegetación por cantones de El Oro (2020 - 2100)
3.2. Proyección espacio-temporal de tierras con alto potencial para reforestación
El análisis espacial de los factores que determinan la calidad para la reforestación en
la provincia de El Oro (Figura 4), evidencia una clara influencia altitudinal y territorial
según los cantones. El mapa de calidad climática de vegetación (a) muestra condiciones
favorables (calidad alta a muy alta) hacia los cantones de Piñas, Portovelo, Zaruma,
Atahualpa y Chilla, donde predomina una mayor altitud, humedad y cobertura vegetal. En
cambio, los cantones costeros como Machala, Santa Rosa y Arenillas presentan calidades
bajas debido a su clima más seco y menor cobertura vegetal. En la distancia a vías (b), se
Novasinergia 2026, 9(1), 59-78 69
observa que las zonas más alejadas de las principales carreteras, especialmente en sectores
interiores como Atahualpa y Zaruma presentan menor calidad para intervención por
accesibilidad limitada, mientras que zonas con buena conectividad se ubican en el centro-
oeste de Santa Rosa y Pasaje. La sucesión de la vegetación (c) muestra una baja calidad
generalizada en la mayor parte de la provincia, especialmente en zonas degradadas o
agrícolas del centro y oeste de Santa Rosa, Machala y Arenillas. En la resiliencia (d), se
destaca una mayor calidad en zonas montañosas del este de Chilla, Atahualpa y Piñas, lo
que indica una mayor capacidad de recuperación natural. Finalmente, el análisis de la
pendiente (e) señala una alta calidad en las zonas andinas de Zaruma, Chilla y Portovelo, lo
que se vincula con una mayor disponibilidad de microclimas y menor presión antrópica,
mientras que en áreas planas del oeste predomina una calidad baja a intermedia.
Esto concuerda con los pesos del modelo RF (Tabla 3), donde la calidad climática (0.42)
domina, seguida por distancia a vías (0.22), sucesión de vegetación (0.16), resiliencia (0.14)
y pendientes (0.06), con un área bajo la curva ROC de 0.81, indicando buena capacidad
discriminativa.
Figura 4. Índice de calidad de reforestación por factor de impacto: a) Mapa de calidad climática de vegetación. b)
Distancia a vías. c) Sucesión de la vegetación. d) Resiliencia. e) Mapa de pendientes
Tabla 3. Ponderaciones de factores de impacto según Zhang et al. [20] y Modelo RF
VARIABLE
ZHANG ET AL. [6]
MODELO RF
Calidad climática
0.51
0.42
Distancia a vías
0.15
0.22
Sucesión
0.14
0.16
Resiliencia
0.12
0.14
Pendientes
0.08
0.06
Novasinergia 2026, 9(1), 59-78 70
En la Figura 5 según las zonas potenciales de reforestación bajó el enfoque ponderado WHA
identificó 16529.85 ha óptimas para reforestación en 12 de los 14 cantones de la provincia,
excluyendo a Huaquillas y Machala. Estas tierras se ubican principalmente en una franja de
11 km en la parte alta, con mayor concentración en el sur. Piñas destaca con 7132.05 ha,
seguido de El Guabo con 1900.17 ha y Atahualpa con 1573.66 ha. También se hallaron áreas
menores aptas por debajo de los 400 m de altitud, especialmente en Pasaje y El Guabo.
Figura 5. Zonificación de Tierras de Reforestación Potencial, Altitud y Áreas por cantón en hectáreas en la Provincia de
El Oro, mediante el Modelo RF y WHA
3.3. Cálculo de la biomasa final y reservas de carbono de la vegetación
El modelo FCS estimó que la biomasa del bosque plantado crecerá exponencialmente
empezando con 244574 Mg en el año 2030, 283625.12 Mg en el 2050, y llegando cerca de su
máximo crecimiento en el 2070 con 842592.30 Mg, para el año 2090 se espera que la biomasa
alcance un total de 848458.79 Mg. En la Tabla 4 se muestra la biomasa total estimada por
cada cantón de El Oro al año 2090, y la densidad de su biomasa por hectárea según su
temperatura y su precipitación.
En la Tabla 4 se indica la estimación de biomasa de la vegetación en regiones óptimas para
el año 2090 en los cantones de la provincia de El Oro, teniendo en cuenta la densidad
promedio de biomasa que varía entre 205.29 a 205.32 Mg. ha-1 y la biomasa total acumulada,
lo que revela una uniformidad en la productividad por hectárea, atribuible a condiciones
ambientales análogas en las zonas designadas para reforestación, como el clima, tipo de
suelo y cobertura vegetal. Sin embargo, la biomasa total presenta una significativa variación
entre cantones, reflejando las disparidades de extensión de áreas óptimas; Piñas con
366086.77 Mg siendo un lugar destacado, seguida por los cantones El Guabo, Atahualpa y
Pasaje, mientras que Arenillas, Zaruma y Santa Rosa presenta valores más bajos, indicando
Novasinergia 2026, 9(1), 59-78 71
una menor disponibilidad de tierra para reforestación. Los datos permiten determinar que,
la productividad por área es constante, la capacidad de fijación de carbono está influenciada
por el tamaño del territorio apto para reforestación.
Tabla 4. Biomasa de la vegetación de las zonas óptimas al año 2090
CANTÓN
DENSIDAD DE BIOMASA
PROMEDIO (MG. HA-1)
BIOMASA TOTAL (MG)
Las Lajas
205.31
30905.10
Marcabelí
205.31
52626.94
Balsas
205.32
59617.21
Portovelo
205.32
28180.35
Piñas
205.32
366086.77
Zaruma
205.29
19857.61
Atahualpa
205.30
80255.10
Chilla
205.30
21443.10
Pasaje
205.32
67484.19
Arenillas
205.32
3594.07
El Guabo
205.31
97532.08
Santa Rosa
205.32
20876.21
En la Figura 6 se observa la cantidad de carbono almacenado para cada año de estudio,
donde la tasa de captura de carbono entre 2030 y 2050 es de 976.25 Mg. a-1 y permitiría
alcanzar 141813 Mg C al 2050. Se estimó que la tasa aumentará entre 2050 y 2070, alcanzando
los 13974.17 Mg. a-1, con un total de 421296 Mg C al 2070 para luego decrecer, alcanzando
apenas 146.66 Mg. a-1 entre el 2070 y 2090, acumulando 424229 Mg C hasta el año 2090. De
igual manera el carbono promedio almacenado por hectárea al año 2030 sería de 0.19 Mg C
ha, 34.31 Mg C ha para el 2050, 101.94 Mg C ha para el 2070 y 102.66 Mg C ha para el 2090.
Figura 6. Carbono almacenado en biomasa para año de estudio
La proyección hasta 2090 proporciona una visión de largo plazo esencial para decisiones y
acciones ambientales sostenibles, permitiendo identificar la dinámica de reforestación y
Novasinergia 2026, 9(1), 59-78 72
priorizar zonas con condiciones favorables pese al cambio climático, lo que es fundamental
para diseñar normativas públicas resilientes.
3.4. Validación del modelo FCS
El modelo presentó un desempeño predictivo aceptable, con un coeficiente de
correlación R = 0.599, que indica una relación moderadamente positiva entre los valores
observados. El coeficiente de determinación (R² = 0.359) revela que el modelo explica el
35.9 % de la variabilidad en la variable dependiente, sin evidencia de sobreajuste, como lo
confirma el R² ajustado. El error estándar de estimación fue de 28.49, valor dentro de lo
esperable para datos ecológicos. Además, el modelo mostró una mejora significativa frente
al modelo nulo, con un cambio en R² también del 35.9 % y una estadística F = 13703.078
altamente significativa (p < 0.001), lo que respalda la validez del modelo y la relevancia de
los predictores utilizados.
Tabla 5. Métricas de la validación del modelo FCS
MODELO
ESTADÍSTICOS DE CAMBIO
R
R cuadrado
R cuadrado
ajustado
Error estándar
de la estimación
Cambio en
R cuadrado
Cambio
en F
gl1
gl2
Sig. Cambio
en F
0.599
0.359
0.359
28.49
0.359
13703.078
3
73371
0.000
4. Discusión
El análisis espacial de la Producción Climática de la Vegetación (PCV) en la provincia
de El Oro evidencia una marcada relación altitudinal, donde los cantones ubicados en zonas
pie montanos y montanos como Piñas, Atahualpa, Zaruma, Portovelo y Chilla presentan los
valores más altos de PCV (1300 - 1780 g/m². a⁻¹), lo que indica condiciones climáticas óptimas
para el desarrollo vegetal, particularmente en ambientes con mayor disponibilidad hídrica
y temperaturas moderadas. En cambio, los cantones costeros como Huaquillas, Arenillas y
Machala registran los niveles más bajos (480 - 900 g/m². a⁻¹), característicos de un bioclima
xérico donde la precipitación se establece como el principal factor limitante, según el modelo
de Miami. Las mejoras observadas en la PCV en sectores de altitud intermedia, como Piñas
y Atahualpa, pueden estar asociadas a un incremento en la precipitación o un ascenso
térmico moderado, lo que reduce el efecto limitante de estas variables, favoreciendo la
fijación de carbono por la vegetación [30]. Este fenómeno ha sido reportado en otros estudios
que vinculan la expansión de la productividad vegetal con el cambio climático,
especialmente en regiones tropicales de media montaña, donde el aumento gradual de la
temperatura puede amplificar el ciclo fotosintético si no hay una reducción simultánea de
la disponibilidad hídrica [31]. Sin embargo, es fundamental considerar que el modelo de
Miami no incorpora aspectos edáficos ni la degradación inducida por actividades humanas
intensivas, factores que, como han demostrado estudios recientes [32], pueden reducir
significativamente la eficiencia de conversión energética de los ecosistemas incluso en
condiciones climáticas aparentemente favorables. Por tanto, la implementación de enfoques
complementarios que integren variables de uso de suelo y calidad del ecosistema sería
Novasinergia 2026, 9(1), 59-78 73
esencial para obtener una visión más robusta sobre la dinámica de la PCV en escenarios
futuros.
La zonificación de tierras con potencial de reforestación en El Oro, basada en los modelos
RF y WHA, señala que las zonas de altitud media y alta, como Piñas, El Guabo, Atahualpa,
Pasaje y Marcabelí, presentan mayor aptitud para la reforestación debido a condiciones
climáticas y edáficas favorables. Este patrón, asociado a ecosistemas montanos y menor
presión antrópica, concuerda con hallazgos previos en gradientes altitudinales [33]. Por otra
parte, cantones de baja altitud como Arenillas, Huaquillas y Santa Rosa muestran menor
disponibilidad de tierras aptas, influenciadas por el clima seco y la expansión antrópica,
significando la importancia de una planificación territorial diferenciada que considere
factores biofísicos y socioeconómicos, en línea con las directrices de restauración de paisajes
forestales [34].
Las ponderaciones de los factores de impacto, revelaron que la calidad climática es el factor
más determinante para identificar tierras con potencial de reforestación, resultado que
coincide con lo reportado por [20]. La ventaja de este factor indica que el uso de
proyecciones climáticas futuras, en lugar de datos actuales, puede modificar
significativamente la distribución espacial de áreas reforestadas, incidiendo directamente
en las estimaciones de captura de carbono. La variable de distancia a vías también mostró
una alta importancia, ya que determina la accesibilidad operativa, influyendo en los costos,
la viabilidad y el mantenimiento de la vegetación [35]. Por su parte, la resiliencia de la
vegetación representa la capacidad de los ecosistemas para resistir perturbaciones, siendo
crucial en las fases iniciales de la siembra. En concordancia con lo señalado por el Ministerio
de Recursos Naturales de China [36], áreas con alta fragilidad ecológica y baja resiliencia
presentan limitaciones para procesos de reforestación. Adicionalmente, la sucesión vegetal
actúa como un indicador de la estabilidad del ecosistema y su susceptibilidad al reemplazo
por usos antrópicos o agrícolas. En este estudio, se utilizó para proyectar el éxito de la
cobertura vegetal en el tiempo.
Como se indicó anteriormente, un componente que requiere mayor énfasis es el tipo de
suelo y su estado de conservación, ya que condiciona el éxito de las plantaciones forestales.
La provincia de El Oro presenta una amplia diversidad edáfica, y características como la
fertilidad, capacidad de retención hídrica, estructura superficial y presencia de procesos
erosivos o de compactación pueden limitar el desarrollo y supervivencia de especies
reforestadas [37]. Estudios previos han evidenciado que la aptitud edáfica influye
considerablemente en la eficiencia de los programas de reforestación, especialmente en
contextos de alta degradación por presión antrópica [38]. En este sentido, [39] demostraron
que la aplicación de enmiendas orgánicas en suelos degradados incrementa
significativamente el desarrollo de especies forestales, al mejorar la actividad microbiana de
la rizosfera y, en consecuencia, potenciar la captura de carbono en biomasa y suelo hasta en
ocho veces. Estos resultados destacan la necesidad de integrar estrategias de mejora edáfica
en los programas de reforestación para asegurar su efectividad ecológica y climática.
La dinámica proyectada de la biomasa aérea y las reservas de carbono en la provincia de El
Oro revela un patrón ascendente y espacialmente heterogéneo hacia 2090, en gran parte
impulsado por la combinación de políticas ambientales efectivas, condiciones biofísicas
Novasinergia 2026, 9(1), 59-78 74
favorables y respuestas ecológicas propias del crecimiento forestal. La mayor concentración
de carbono se localiza en cantones con superficies reforestables amplias y ecosistemas
montanos, como Piñas y Atahualpa, lo que resalta la importancia del tamaño del área sobre
la densidad de biomasa, la cual se mantiene estable en 205 Mg ha⁻¹, indicando uniformidad
en condiciones edáficas y climáticas. El incremento sostenido entre 2050 y 2070 coincide con
la fase de rápido crecimiento de las plantaciones, donde la eficiencia fotosintética y el cierre
del dosel maximizan la fijación de carbono [40], [41]. Este proceso, respaldado por políticas
como el Programa Socio Bosque y REDD+, así como la expansión del SNAP, ha promovido
la regeneración natural y frenado la deforestación, generando condiciones propicias para la
recuperación de la cobertura vegetal y el secuestro de carbono [42], [43]. Además, el efecto
acumulativo de estas estrategias parece reflejarse en la aceleración de la acumulación de
biomasa post-2050. Sin embargo, es necesario destacar que el modelo FCS considera
únicamente la biomasa aérea, omitiendo el carbono del suelo, el cual representa entre el 30%
y 60% del total del carbono ecosistémico, así como las interacciones rizosféricas que afectan
significativamente la dinámica del carbono [44]. Por tanto, aunque los resultados validan el
potencial de mitigación del cambio climático a través de la reforestación planificada, su
precisión puede ser mejorada mediante la incorporación de componentes subterráneos y la
consideración de escenarios climáticos extremos.
La incorporación de modelos de aptitud edáfica o variables específicas como el uso agrícola
degradado contribuiría a una zonificación más robusta para la reforestación. En este sentido,
enfoques como MaxEnt permiten optimizar la selección de especies forestales adaptadas a
distintos pisos altitudinales [45], considerando variables como densidad de madera o
contenido radicular, que mejoran la estimación de carbono fijado por especie [46].
Asimismo, un análisis más detallado del factor climático limitante en el modelo de Miami
(temperatura vs. precipitación) permitiría comprender mejor la respuesta de la vegetación
ante el cambio climático y mejorar las decisiones de manejo forestal en el territorio.
5. Conclusiones
El análisis de PCV en la provincia de El Oro, proyectado para el periodo 2020 - 2100
mediante el modelo de Miami, evidencia una clara influencia de la altitud sobre la
productividad vegetal, destacando los ecosistemas montanos y pie montanos como zonas
de mayor potencial fotosintético debido a condiciones climáticas más favorables. En cambio,
los cantones costeros, caracterizados por un bioclima xérico, presentan bajos niveles de PCV,
limitados principalmente por la escasa precipitación. Aunque se identificaron tendencias
positivas en cantones de altitud intermedia, es fundamental reconocer las limitaciones del
modelo empleado, el cual no contempla factores edáficos ni la presión antrópica, que
pueden influir significativamente en la productividad real de los ecosistemas. Estos
resultados resaltan la necesidad de integrar variables biofísicas adicionales y datos más
específicos en futuras investigaciones para fortalecer las estrategias de planificación
territorial y mitigación del cambio climático en regiones tropicales de montaña.
La proyección espacio-temporal de tierras con alto potencial para reforestación en la
provincia de El Oro, basada en los modelos RF y WHA, demuestra que las zonas de altitud
media y alta, como Piñas, Atahualpa y El Guabo, poseen condiciones climáticas, edáficas y
Novasinergia 2026, 9(1), 59-78 75
de resiliencia ecológica más favorables para el desarrollo exitoso de procesos de
revegetación. La calidad climática fue el factor más determinante en la zonificación,
resaltando la importancia de incorporar datos climáticos futuros para mejorar la precisión
en la identificación de áreas aptas. La inclusión de variables como la resiliencia de la
vegetación y la sucesión ecológica aporta solidez al modelo, reflejando la capacidad de
recuperación de los ecosistemas y su estabilidad ante presiones antrópicas. Además, se
destaca la necesidad de incorporar el estado de conservación del suelo en futuras
evaluaciones, dada su influencia crítica en la supervivencia de las especies forestales y en la
eficacia de la captura de carbono.
Los valores de la biomasa y reservas de carbono en la provincia de El Oro muestran un
incremento sostenido hasta el año 2090, con mayor acumulación durante las fases medias
del ciclo forestal. La estabilidad en la densidad de biomasa por hectárea indica condiciones
biofísicas homogéneas en las zonas reforestadas, mientras que las diferencias entre cantones
responden principalmente a la extensión del área disponible. Las políticas ambientales
aplicadas han favorecido este proceso, sin embargo, la exclusión del carbono edáfico y otros
componentes subterráneos limita la estimación total del secuestro de carbono. Se
recomienda integrar variables adicionales que permitan una evaluación más precisa del
potencial de mitigación y planificación de reforestación en función de las condiciones
altitudinales y ecológicas.
Contribuciones de los autores
Conceptualización, V.A. y N.L.; metodología, V.A., N.L. y M.J.; software, N.L.;
validación, V.A., N.L. y M.J.; análisis formal, V.A., N.L. y M.J.; investigación, V.A. y N.L.;
recursos, V.A., N.L. y M.J.; curación de datos, V.A. y N.L.; redacción—preparación del
borrador original, V.A. y N.L.; redacción—revisión y edición, V.A. y M.J.; visualización,
V.A., N.L. y M.J.; supervisión, M.J.; administración del proyecto, V.A., N.L. y M.J.;
adquisición de financiamiento, V.A. y N.L. 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] O. Cano-Flores, G. Vela-Correa, O. A. Acevedo-Sandoval, y M. Á. Valera-Pérez, "Concentraciones de
carbono orgánico en el arbolado y suelos del área natural protegida El Faro en Tlalmanalco, Estado de
México", Terra Latinoamericana., vol. 38, n. 4, pp. 895-905, oct. 2020, doi: 10.28940/terra.v38i4.757.
[2] H. J. Andrade, M. A. Segura, y D. S. Canal-Daza, "Conservation of Soil Organic Carbon in the National
Park Santuario de Fauna y Flora Iguaque, Boyacá-Colombia", Forests, vol. 13, n. 8, p. 1275, ago. 2022,
doi: 10.3390/f13081275.
Novasinergia 2026, 9(1), 59-78 76
[3] Food and Agriculture Organization of the United Nations. "Key messages: Global Symposium on Soil
Organic Carbon," Accedido: 13, jun. 2025. [En línea]. Disponible en:
https://www.fao.org/about/meetings/soil-organic-carbon-symposium/key-messages/en/
[4] E. Goldman, S. Carter, M. Sims, "Los incendios impulsaron una pérdida récord de bosques tropicales
en el 2024," Accedido: 3, feb. 2025. [En línea]. Disponible en: https://research.wri.org/es/gfr/latest-
analysis-deforestation-trends.
[5] Ministerio del Ambiente, Agua y Transición Ecológica, "Programa Socio Bosque," Accedido: 3, feb.
2025.
[6] M. A. Zaldumbide Verdezoto, "El impacto en el ambiente producido por la minería ilegal en el
Ecuador," RECIMUNDO, vol. 7, n. 4, pp. 351-358, dic. 2023, doi: 10.26820/recimundo/7.(4).oct.2023.351-
358.
[7] Z. Calle, E. Murgueitio, J. Chará, C. Molina, A. Zuluaga, y A. Calle, "A Strategy for Scaling-Up Intensive
Silvopastoral Systems in Colombia," J. Sustain. For., vol. 32, n. 7, pp. 677-693, sep. 2013, doi:
10.1080/10549811.2013.817338.
[8] I. D. Novillo Espinoza, M. D. Carrillo Zenteno, J. E. Cargua Chavez, V. Nabel Moreiral, K. E. Albán
Solarte, y F. L. Morales Intriago, "Propiedades físicas del suelo en diferentes sistemas agrícolas en la
provincia de Los Ríos, Ecuador," Temas Agrarios, vol. 23, n. 2, pp. 177-187, jun. 2018, doi:
10.21897/rta.v23i2.1301.
[9] M. Añazco Romero y N. Fernández Gómez, "Fijación de carbono en sistemas agroforestales
gestionados por pequeños productores de los Andes del Ecuador," BLC, vol. 11, n. 2, pp. 32-42, dic.
2021. Disponible en: https://revistas.unl.edu.ec/index.php/bosques/article/view/1089
[10] Gobierno Autónomo Descentralizado Provincial de El Oro, Plan De Desarrollo Y Ordenamiento Territorial
De La Provincia De El Oro, Accedido: 18, mar. 2025. [En línea]. Disponible en:
https://drive.google.com/file/d/1dnjMTebJUcdAM-AYvODAUj1NPASHIgU2/
[11] C. Garzón-Santomaro, F. Prieto-Albuja, J. Brito, J. Mena-Jaén, Propuesta para el establecimiento del
Subsistema de Áreas Naturales de Conservación y Diseño del Corredor Ecológico de la provincia de El Oro: Una
guía para el desarrollo de estrategias del investigación, conservación y manejo de la biodiversidad orense.
Accedido: 18 mar. 2025. [En línea]. Disponible en: https://inabio.biodiversidad.gob.ec/wp-
content/uploads/2020/10/Libro%20Propuesta%20ACP%20y%20Corredor%20Ecológico%20de%20la%
20provincia%20de%20El%20Oro%202019.pdf
[12] J. Conde y L. Rivera-Intriago, "El riego en la provincia de El Oro," EEC, vol. 5, n. 1, sep. 2018, doi:
10.36331/revista.v5i1.57.
[13] WorldClim, "Future climate data". WorldClim. Accedido: 13, jun. 2025. [En línea]. Disponible en:
https://www.worldclim.org/data/cmip6/cmip6climate.html.
[14] Ministerio del Ambiente, Agua y Transición Ecológica, "Mapa interactivo," Accedido: 13, jun. 2025. [En
línea]. Disponible en: http://ide.ambiente.gob.ec/mapainteractivo/.
[15] D. Revelo Luna, J. Mejía Manzano, B. Montoya-Bonilla, y J. Hoyos García, "Análisis de los índices de
vegetación NDVI, GNDVI y NDRE para la caracterización del cultivo de café (Coffea arabica),"
Ingeniería y Desarrollo, vol. 38, n. 2, pp. 298-312, ago. 2020, doi: 10.14482/inde.38.2.628.
[16] Alaska Satellite Facility, "EARTHDATA", ASF Data Search. Accedido: 20, jun. 2025. [En línea].
Disponible en: https://search.asf.alaska.edu/#/.
[17] Earth Engine Data Catalog, "Climate and Weather," Earth Engine Data Catalogo. Accedido: 13, jun.
2025 [En línea]. Disponible en: https://developers.google.com/earth-engine/datasets?hl=es-419.
[18] Geoportal IGM, "Capas de Información Geográfica básica del IGM de libre acceso," Accedido: 13 de
junio de 2025. [En línea]. Disponible en:
https://www.geoportaligm.gob.ec/portal/index.php/descargas/cartografia-de-libre-acceso/registro/.
[19] X. Xu, D. Zhang, Y. Zhang, S. Yao, y J. Zhang, "Evaluating the vegetation restoration potential
achievement of ecological projects: A case study of Yan’an, China," Land Use Policy, vol. 90, p. 104293,
ene. 2020, doi: 10.1016/j.landusepol.2019.104293.
[20] Z. Zhang, Z. Wang, X. Zhang, y S. Yang, "Estimation of Spatial–Temporal Dynamic Evolution of
Potential Afforestation Land and Its Carbon Sequestration Capacity in China", Remote Sens., vol. 16, n.
16, P. 3098, ago. 2024, doi: 10.3390/rs16163098.
Novasinergia 2026, 9(1), 59-78 77
[21] F. Aswad, A. Yousif, y S. Ibrahim, "Trend Analysis Using Mann-kendall And Sen’s Slope Estimator
Test for Annual And Monthly Rainfall for Sinjar District, Iraq," J. Duhok Univ., vol. 23, n. 2, pp. 501-508,
dic. 2020, doi: 10.26682/csjuod.2020.23.2.41.
[22] M. Mendoza-García y H. Godínez-Alvarez, "Spontaneous vegetation succession and recovery of
ecosystem structure and function in a 40-year abandoned stone quarry in a Mexican tropical dryland,"
Bot. Sci., vol. 100, n. 1, pp. 86-92, mar. 2022, doi: 10.17129/botsci.2880.
[23] M. Liang, R. Cao, K. Di, D. Han, y Z. Hu, "Vegetation resistance and resilience to a decade-long dry
period in the temperate grasslands in China," Ecol. Evol., vol. 11, n. 15, pp. 10582-10589, jul. 2021, doi:
10.1002/ece3.7866.
[24] E. Gong, Z. Ma, Z. Wang, y J. Zhang, "Spatiotemporal Dynamics of Vegetation Productivity and Its
Response to Meteorological Factors in China," Atmosphere, vol. 15, n. 4, abr. 2024, doi:
10.3390/atmos15040491.
[25] B. Oyinna y K. Okedu, "Geo-spatial Assessment of Small Hydro Potential in Abia State, South-Eastern
Nigeria," Int. J. Smart grid, vol. 7, n. 4, pp. 235-242, dic. 2023, doi: 10.20508/ijsmartgrid.v7i4.316.g310.
[26] P. S. A. Márquez, B. L. G. Pucha, J. E. M. Maza, y A. D. L. Florin, "Análisis multitemporal del cambio
de uso del suelo en la cuenca del río Zarumilla: Proyecciones al 2040," Novasinergia, vol. 7, n. 2, pp. 73-
86, jul. 2024, doi: 10.37135/ns.01.14.05.
[27] D. X. Astudillo Román, J. E. Maza - Maza y P. S. Amaya-Márquez, "Proyección y análisis multitemporal
del cambio de cobertura y uso de suelo del BP-Tahuín mediante modelos MARKOV-MOLA y
Perceptrón Multi-capa," Green World J., vol. 7, n. 2, pp. 164-164, ago. 2024, doi: 10.53313/gwj72164.
[28] T. Nukui y A. Onogi, "An R package for ensemble learning stacking," Bioinforma. Adv., vol. 3, n. 1, sep.
2023, doi: 10.1093/bioadv/vbad139.
[29] D. Guan, J. Nie, L. Zhou, Q. Chang, y J. Cao, "How to Simulate Carbon Sequestration Potential of Forest
Vegetation? A Forest Carbon Sequestration Model across a Typical Mountain City in China," Remote
Sens., vol. 15, n. 21, p. 5096, oct. 2023, doi: 10.3390/rs15215096.
[30] H. Murga-Orrillo, M. F. Coronado Jorge, C. Abanto-Rodríguez, y F. D. Almeida Lobo, "Gradiente
altitudinal y su influencia en las características edafoclimáticas de los bosques tropicales," Madera y
Bosques, vol. 27, n. 3, p. e2732271, dic. 2021, doi: 10.21829/myb.2021.2732271.
[31] F. Zhao, X. Wang, Y. Wu, B. Sivakumar, y S. Liu, "Enhanced Dependence of China’s Vegetation Activity
on Soil Moisture Under Drier Climate Conditions," J. Geophys. Res. Biogeosciences, vol. 128, n. 5, abr.
2023, doi: 10.1029/2022JG007300.
[32] M. Maialetti et al., "Climate-Driven vs Human-Driven Land Degradation? The Role of Urbanization
and Agricultural Intensification in Italy, 1960–2030," Sustainability, vol. 16, n. 20, pp. 8938, oct. 2024, doi:
10.3390/su16208938.
[33] R. Chazdon y M. Guariguata, "Natural regeneration as a tool for large-scale forest restoration in the
tropics: prospects and challenges," Biotropica, vol. 48, n. 6, pp. 716-730, nov. 2016, doi: 10.1111/btp.12381.
[34] R. Russo, "Restauración funcional de la ecología de paisajes: una revisión reflexiva," Difusiones, vol.
19, n. 19, pp. 65-73, dic. 2020. [En línea]. Disponible en:
http://revistas.ucse.edu.ar/ojsucse/index.php/difusiones/article/view/85
[35] E. Bugday y H. B. Özel, "Utilizing a fuzzy inference system (FIS) and modified analytical hierarchical
analysis for forest road network planning in afforested lands," Pol. J. Environ. Stud., vol. 28, n. 3, pp.
1579-1589, feb. 2019, doi: 10.15244/pjoes/89611.
[36] National Development and Reform Commission, y Ministry of Natural Resources of China, " Master
Plan for Major National Programs to Protect and Restore Important Ecosystems (2021–2035)," jun.
2020. pp. 10-11. [En linea]. Disponible en: https://www.gov.cn/zhengce/zhengceku/2020-
06/12/content_5518982.htm
[37] C. Wang, W. Zhang, X. Li, y J. Wu, "A global meta-analysis of the impacts of tree plantations on
biodiversity," Glob. Ecol. Biogeogr., vol. 31, n. 3, pp. 576-587, dic. 2021, doi: 10.1111/geb.13440.
[38] J. Wang et al., "Remote sensing of soil degradation: Progress and perspective," Int. Soil Water Conserv.
Res., vol. 11, n. 3, pp. 429-454, sep. 2023, doi: 10.1016/j.iswcr.2023.03.002.
[39] A. Freitas et al., "Amazonian dark earths enhance the establishment of tree species in forest ecological
restoration," Front. Soil Sci., vol. 3, may 2023, doi: 10.3389/fsoil.2023.1161627.
Novasinergia 2026, 9(1), 59-78 78
[40] Y. Pan et al., "A Large and Persistent Carbon Sink in the World’s Forests," Science, vol. 333, n. 6045, pp.
988-93, ago. 2011, doi: 10.1126/science.1201609.
[41] B. Bond-Lamberty y A. Thomson, “Temperature-associated increases in the global soil respiration
record,” Nature, vol. 464, n. 7288, pp. 579–582, mar. 2010, doi: 10.1038/nature08930.
[42] Ministerio del Ambiente, “El Ministerio del Ambiente presentó Plan de Acción REDD+: Bosques para
el Buen Vivir, la estrategia nacional para la conservación de los bosques,” Ministerio del Ambiente,
Agua y Transición Ecológica. Accedido: 27, jun. 2025. [En linea]. Disponible en:
https://www.ambiente.gob.ec/el-ministerio-del-ambiente-presento-plan-de-accion-redd-bosques-
para-el-buen-vivir-la-estrategia-nacional-para-la-conservacion-de-los-bosques/
[43] R. Luck et al., "Forests caught between climate protection and resource provision," Naturschutz und
Landschaftsplanung, vol. 57, n. 5, pp. 16-27, may. 2025, doi: 10.1399/nul.127969.
[44] G. Y. K. Moinet, R. Hijbeek, D. P. van Vuuren, y K. E. Giller, "Carbon for soils, not soils for carbon,"
Glob. Change Biol., vol. 29, n. 9, pp. 2384-2398, ene. 2023, doi: 10.1111/gcb.16570.
[45] S. J. Phillips, R. P. Anderson, y R. E. Schapire, "Maximum entropy modeling of species geographic
distributions," Ecol. Model., vol. 190, n. 3-4, pp. 231-259, ene. 2006, doi: 10.1016/j.ecolmodel.2005.03.026.
[46] F. Noulèkoun et al., "Both the selection and complementarity effects underpin the effect of structural
diversity on aboveground biomass in tropical forests," Glob. Ecol. Biogeogr., vol. 33, n. 2, pp. 325-340,
dic. 2023, doi: 10.1111/geb.13800.
