Tesis:
Modelling PES (Payments for Ecosystem Services) to prevent deforestation in tropical montane cloud forests (TMCFs) and meet the socioeconomic needs of their farmers in Latin America
- Autor: MARTÍN ORTEGA, Pablo
- Título: Modelling PES (Payments for Ecosystem Services) to prevent deforestation in tropical montane cloud forests (TMCFs) and meet the socioeconomic needs of their farmers in Latin America
- Fecha: 2021
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIERÍA AGRONÓMICA, ALIMENTARIA Y DE BIOSISTEMAS
- Departamentos: INGENIERIA Y GESTION FORESTAL Y AMBIENTAL
- Acceso electrónico: https://oa.upm.es/70525/
- Director/a 1º: GONZAGA GARCÍA MONTERO, Luis
- Resumen: The development of reliable tools to predict deforestation risk is key to demonstrate efficiency and additionality when targeting protected areas or designing programs of payments for environmental services (PES). It is also important to have a multidisciplinary approach that combines biophysical and socioeconomic sciences when analyzing the effect of environmental policies. In this research, a predictive model of deforestation risk using machine learning techniques was developed for a study site in Costa Rica based on the analysis of historical deforestation patterns throughout the period 2000-2018. Historical and predicted deforestation patterns were analyzed within protected areas and farms participating in the national PES program. The interpretation of the predictive model and drivers of deforestation was completed with socioeconomic information collected through semi-structured interviews from 67 farmers participating and not participating in the PES program. Finally, a methodological analysis of the remote sensing techniques employed to monitor vegetation revealed how topography is an important factor that may have implications when it comes to monitoring forest cover changes throughout time. The historical vegetation loss rate in the area was low (-0.14% y-1) compared with countries with the highest deforestation rates in the same period. Besides, most of the vegetation loss observed occurred outside protected areas. Regardless of whether the farms participated or not in the PES program, historical vegetation loss rates were very low as well. 94% of their forest remained undisturbed throughout the period 2000-2018. In general, deforestation was higher for farms not participating in the PES program and occurred due to small forest adjustments around productive areas, instead of land cover change due to extensive agricultural transformation. The results indicate that the low deforestation rates found in farms participating in the PES program could be explained because forest lands would be spatially biased towards lower pressure, where opportunity cost is low. The predictive model showed an accuracy of 0.89 in predicting vegetation loss in the study site. Additionally, it provides biophysical and spatially explicit information to understand the drivers of forest loss, and the locations where this is likely to occur, which can improve decisions taken when designing environmental policies. Topography and accessibility were the main factors influencing deforestation in the area due to the mountainous nature and irregular terrain where cloud forests are located. In general, forests are located far from main roads in complex terrain and they are under low threat of deforestation. Protected areas and farms that received PES are generally located in remote areas where the model predicts a low risk of deforestation and this should be used to question the efficiency and additionality of focusing economic resources on these areas. The interviews showed that the opportunity cost of transforming forests into a more profitable land use might be very low in remote areas and emergent forest uses such as ecotourism might also be preventing forest clearing. Finally, it was also found an important effect of the topography on the satellite sensors employed to monitor vegetation in mountainous areas, which can bias the estimates of important environmental services derived from the vegetation throughout time. A novel approach was developed to use Landsat temporal series to evaluate changes in the illumination conditions and vegetation indices in forested areas in irregular terrain. ----------RESUMEN---------- El desarrollo de herramientas fiables para predecir el riesgo de deforestación es clave para demostrar la eficiencia y adicionalidad al diseñar áreas protegidas o programas de pagos por servicios ambientales (PSA). También es importante contar con un enfoque multidisciplinar que combine las ciencias biofísicas y socioeconómicas a la hora de analizar el efecto de las políticas ambientales. En esta investigación, se desarrolló un modelo predictivo del riesgo de deforestación mediante técnicas de aprendizaje automático para una zona de estudio en Costa Rica basado en el análisis de patrones históricos de deforestación durante el período 2000-2018. Se analizaron los patrones de deforestación históricos y los pronosticados dentro de áreas protegidas y fincas que participaron en el programa nacional de PSA. La interpretación del modelo predictivo y los factores que impulsan la deforestación se completaron con información socioeconómica recopilada a través de entrevistas semiestructuradas a 67 agricultores participantes y no participantes en el programa de PSA. Por último, un análisis metodológico de las técnicas de teledetección empleadas para monitorizar la vegetación reveló cómo la topografía es un factor importante que puede tener implicaciones cuando se trata de monitorizar los cambios de la cubierta forestal a lo largo del tiempo. La tasa histórica de pérdida de vegetación en el área fue baja (-0.14% y-1) en comparación con los países con las tasas de deforestación más altas en el mismo período. Además, la mayor parte de la pérdida de vegetación observada ocurrió fuera de las áreas protegidas. Independientemente de si las fincas participaron o no en el programa de PSA, sus tasas históricas de pérdida de vegetación también fueron muy bajas. El 94% de su bosque permaneció inalterado durante el período 2000-2018. En general, la deforestación fue mayor para las fincas que no participaban en el programa de PSA y se produjo debido a pequeños ajustes de la cubierta forestal alrededor de los terrenos productivos, en lugar de cambios en la cobertura de la tierra debido a una extensa transformación agrícola. Los resultados indican que las bajas tasas de deforestación encontradas en las fincas que participan en el programa de PSA podrían explicarse porque las tierras forestales tienden a ubicarse en areas con menor presión, donde el costo de oportunidad es bajo. El modelo predictivo mostró una precisión de 0,89 en la predicción de la pérdida de vegetación en el sitio de estudio. Además, proporciona información biofísica y espacialmente explícita para entender los factores que explican la pérdida de bosque y las zonas donde es probable que esto ocurra. Esto es fundamental para mejorar la toma de decisiones a la hora de diseñar políticas medioambientales. La topografía y la accesibilidad fueron los principales factores que influyeron en la deforestación en la zona debido a la naturaleza montañosa y el terreno irregular donde se ubican los bosques nubosos. En general, los bosques están ubicados lejos de las carreteras principales en terrenos complicados y están bajo una baja amenaza de deforestación. Las áreas protegidas y las fincas que recibieron PSA generalmente están ubicadas en áreas remotas donde el modelo predice un bajo riesgo de deforestación y esto debe usarse para cuestionar la eficiencia y adicionalidad de focalizar recursos económicos en estas áreas. Las entrevistas mostraron que el costo de oportunidad de transformar los bosques en un uso de la tierra más rentable podría ser muy bajo en áreas remotas y los usos forestales emergentes, como el ecoturismo, también podrían estar impidiendo la pérdida de bosques. Por último, se encontró un efecto importante de la topografía sobre los sensores satelitales empleados para monitorizar la vegetación en áreas montañosas, lo que puede sesgar las estimaciones de importantes servicios ambientales derivados de la vegetación a lo largo del tiempo. Se desarrolló un enfoque novedoso para utilizar series temporales de Landsat para evaluar los cambios en las condiciones de iluminación y los índices de vegetación en áreas boscosas en terreno irregular.