Revista Dékamu Agropec Vol2 Núm1.cdr

Capas base para cada criterio

La gestión y procesamiento de datos espaciales (formato vectorial y ráster) para generar los mapas de los 6 criterios se llevaron a cabo utilizando ArcGIS 10.5, QGIS 3.10, Google Earth Pro 7.3 (Swain et al., 2020). Todos los mapas se homogeneizaron a formato ráster con resolución espacial de 30 m. Específicamente, la distribución espacial de los valores del Índice de vegetación de diferencia normalizada (NDVI) se mapeó en función de los datos de Sentinel 2 (X. Zhao et al., 2021). El índice NDVI se utiliza habitualmente para determinar la dinámica de la vegetación en una zona determinada y se calcula utilizando la ecuación 1 (Dagnachew et al., 2020).

NDVI = (NIR-Red) / (NIR+Red)

(1)

Por otra parte, la capa del criterio precipitación se generó a partir datos obtenidos de la geodatabase mundial de WorldClim 2.1 (http://worldclim.org), con resolución espacial de (~1 km) (Fick & Hijmans, 2017). En otra instancia, los datos para los criterios Materia Orgánica del Suelo (MOS), textura de suelo y pH se obtuvieron del sistema de mapeo digital global de suelos SoilGrids (https://soilgrids.org/), con una resolución espacial de 250 m (Hengl et al., 2017). La capa de MOS se obtuvo del producto del Carbono Orgánico de Suelos en porcentaje (COS %) y un factor de conversión de 1.72 (Ingram & Fernandes, 2001). El SOC % se obtuvo convirtiendo la capa de Carbono Orgánico en Ton/ha (SOC) de SoilGrids usando la Ecuación (2), donde dap es la densidad aparente del suelo (g/cm 3) y SD es la profundidad de muestreo (cm) (López et al., 2020). La textura del suelo se generó en base a las capas de contenido de arena, limo y arcilla (Hengl et al., 2017) y promediando todas las capas de las profundidades 0–5 cm y 5–15 cm (Silva López et al., 2022).

SOC % = SOC/dap × SD × 1000

(2)

La capa del criterio pendiente se generó a partir de los datos DEM (Modelo Digital de Elevación) ALOS PALSAR RTC (terreno corregido radiométricamente) con una resolución de 12.5 m. Se utilizó las herramientas de “pendiente” de QGIS 3.10 para obtener el mapa de pendientes. Específicamente, el DEM se descargó del Centro de Datos de Archivo Activo distribuido de Alaska Satellite Facility (ASF DAAC) (https://asf.alaska.edu/).

Por último, las restricciones lo integraron la red de agua superficial, carreteras y el área urbana. La capa red de agua se generó utilizando los ríos de la Carta Nacional (escala 1:100 000) del Instituto Geográfico Nacional (IGN) (MINEDU (Ministerio de Educación), 2020), los ríos se actualizaron y complementaron mediante mapeo manual digital en Google Earth Pro y QGIS (ver 3.10), prosiguiendo a hacer un buffer de la capa de 12 m. Asimismo, la capa de carreteras se generó utilizando la data espacial que brinda el Ministerio de Transportes y Comunicaciones (MTC) (Ministerio de Trasmportes y Comunicaciones), 2021), actualizando las capas mediante mapeo manual en Google Earth Pro y QGIS (ver 3.10). De modo similar, mediante digitalización manual se identificaron las áreas urbanas.

Estandarización de los criterios mediante categorías de vulnerabilidad

Las capas de los criterios se estandarizaron mediante la reclasificación dónde se generó una codificación bajo categorías (Tabla 1) (Pokhriyal et al., 2020). Estas categorías son determinadas mediante revisión bibliográfica (Tabla 2). Específicamente, los criterios se reclasificaron y puntuaron en 4 categorías: Muy vulnerable (C1), moderadamente vulnerable (C2), Ligeramente vulnerable (C3), y muy poco vulnerable (C4) (Ajibade et al., 2019).

Tabla 1. Categorías de vulnerabilidad en la degradación de pastizales

Categoría	Asignación
Muy vulnerable	C₁
Moderadamente vulnerable	C₂
Ligeramente vulnerable	C₃
Muy poco vulnerable	C₄

Tabla 2. Criterios estandarizados en categorías de vulnerabilidad a degradación.

Adapted from	Criterions	Categories
NDVI
(Fonte et al., 2014)	< 0.4	C₁
	0.4-05	C₂
	0.5-0.6	C₃
	>0.6	C₄
Precipitación (mm)
(Lemmessa, 2011; Yousefi et al., 2020)	<600	C₁
	600- 700	C₂
	700- 800	C₃
	>800	C₄
Materia Orgánica del Suelo (MOS) (%)
(Turan et al., 2019b)	1-1.2	C₁
	1.2-1.4	C₂
	1,4-1.6	C₃
	1.6>	C₄
Textura del suelo (clase)
(Fonte et al., 2014)	Marga limosa, marga arenosa, arena, franco arenoso	C₁
	franco limoso, arena limosa, franco arcilloso limoso, franco arcilloso arenoso	C₂
	Arcilla arenosa, franco arcilloso	C₃
	Arcilla, arcilla limosa	C₄
pH del suelo
(Fonte et al., 2014)	Moderadamente ácido (4,5-5,5)	C₁
	ligeramente ácido (5,5-6,5)	C₂
	neutro (6,5-7,5)	C₃
	ligeramente alcalino (7,5-8,5)	C₄
Pendiente (%)
(Fonte et al., 2014; Karaca et al., 2021; Yousefi et al., 2020)	pendientes suaves (0-8 %)	4
	pendientes moderadas (8-15 %)	3
	pendientes moderadamente pronunciadas (15-30 %)	2
	pendientes pronunciadas (> 30 %)	C₁

Asignación de pesos en AHP

El método AHP es un enfoque matemático utilizado en el análisis de decisiones multicriterio (T. L. Saaty, 1980a), y fue aplicable en la integración con el método basado en el SIG para la evaluación de la degradación de pastizales (Fonte et al., 2014). Por ello, se utilizó el proceso de jerarquía analítica (AHP) para examinar la vulnerabilidad inherente de degradación de pastizales en la zona de estudio (T. L. Saaty, 2008). Como propone T. L. Saaty (1980a), en la primera etapa se crearon criterios, y categorías de decisión en relación con el objetivo del estudio. En segundo lugar, utilizando la escala fundamental de medidas de 9 puntos (Karaca et al., 2021) (Tabla 3), se asignó la puntuación de un criterio con respecto a la comparación de la matriz de pares (R. W. Saaty, 1987). Además, el peso relativo de cada variable se determinó mediante un sistema de apoyo a la decisión espacial basado en el conocimiento y en referencia a investigaciones previas (Al Raisi et al., 2014; R. W. Saaty, 1987). Por último, se calculó la matriz de suma ponderada y se aplicó el modelo aditivo lineal a los pesos de los criterios (Achu et al., 2020). Es entonces, el AHP proporciona un enfoque matemático utilizado para determinar la consistencia de las comparaciones entre pares, por lo que se calculó el Índice de Consistencia (CI) y el Índice de Consistencia Aleatorio (AI) utilizando la ecuación 3-4 y los valores de la Tabla 4. En el estudio, el valor de CR para los criterios se evaluó como inferior al valor máximo recomendado por (T. L. Saaty, 1980a) (<0,1).

Donde RI es el índice de aleatoriedad (Tabla 3), CR es el radio de consistencia, CI es el índice de consistencia, n es el número de elementos que se comparan en la matriz y 𝝀max es el principal valor propio de la matriz.

CR=CI/RI	(3)
CI = (λmax − n)/(n − 1)	(4)

Tabla 3. Escala fundamental para la comparación por pares (T. L. Saaty, 1980a)

Intensidad de Importancia	Definición
1	Igual importancia
3	Moderadamente importante
5	Fuertemente Importante
7	Muy fuertemente importante
9	Extremadamente Importante
2,4,6,8	Valores intermedios entre las dos sentencias adyacentes

Tabla 4. Valores del índice de consistencia aleatorio (AI) para pesos de los criterios 1- 6 (Hott et al., 2019; Tolche et al., 2021).

Superposición ponderada de mapas temáticos

Se realizó un análisis de superposición ponderada (WLC) usando QGIS con mapas temáticos estandarizados (GRID) y peso de importancia ( Wi ) para cada criterio i (T. L. Saaty, 1977). Cada capa basada en ráster se integró usando la Ecuación (5), para generar Modelo final (GRIDresult) de vulnerabilidad de la degradación de pastizales.

GRIDresult = Σ [(GRIDi) (Wi)]

(5)

RESULTADOS

Parámetros de entrada y su viabilidad

El análisis espacial de los valores de NDVI divide toda la superficie de la microcuenca Pomacochas (63.702813 km²) en restricciones y cuatro categorías: C1; C2; C3; C4 con rangos de 0.40<; 0,40-0,50; 0.50-0.60; >0.60 respectivamente (Figura 3a). La superficie más elevada, 48.27 km² (75.78 %), corresponde a la “categoría C4” en donde existe muy baja degradación vegetal que cubre el máximo verdor con valores de NDVI >0,60, seguida de una superficie de 6.00 km2 (9.42 %) con una degradación vegetal baja con valores de NDVI de 0,50-0,60 correspondiente a la “categoría C3” (Tabla 5). La superficie más baja, 0.86 km²(1.34 %), entra en la “categoría C1”, categoría de degradación vegetal muy severa con valores de NDVI de <0.40.

En el análisis de las tendencias de precipitación, se muestra que más del 50 % de la precipitación se da en el rango de la “categoría C1” con precipitaciones relativamente bajas (<600 mm) en un área de 32.70 km² (51.33 %); por el contrario, en el rango de la “categoría 4” reciben precipitaciones > 800 mm en un área casi nula. La pendiente muestra en 26.11 km² (40.99 %) se asocia a pendientes pronunciadas, es decir pendiente >30 % perteneciente a la “categoría C1”, mientras que las pendientes suaves (0-8 %) se limita principalmente a 4.79 km² (7.52 %) de la zona de estudio. Por otra parte, respecto a la textura de suelo, se plasma que el 88.75 % (56.54 km²) del área de la microcuenca lo ocupa la “categoría 2” con suelos franco limoso, arena limosa, franco arcilloso limoso, franco arcilloso arenoso; además el 0.93 % (0.59 km²) lo ocupa la “categoría C1” con suelos franco arenosos, marga limosa, marga arenosa, arena y el resto de territorio está ocupado por las restricciones de la investigación. Respecto al pH del suelo, la mayor parte de la zona (40.47 km²) estaba cubierta por suelos moderadamente ácidos (4.5-5.5) perteneciente a la “categoría C1”. Mientras que, respecto al contenido de materia orgánica en el suelo, la superficie máxima de 57.13 km², que cubre el 89.68 % del área de la microcuenca corresponde a la “categoría C4”, es decir tienen un rango de 1.6>.

La Tabla 6 muestra las ponderaciones obtenidas para cada criterio, con base en las estimaciones de un panel de expertos con conocimientos relacionados al tema de investigación. El criterio con más incidencia en la vulnerabilidad de la degradación de pastizales en la microcuenca de Pomacochas fue el NDVI (37.17 %), seguido de Precipitación (28.00 %). En cambio, los menos importantes fueron el pendiente (3.28 %) y MOS (5.32 %).

Figura 3. Criterios reclasificados según categorías de vulnerabilidad de degradación

Tabla 5. Distribución de áreas según categorías de vulnerabilidad para cada criterio de idoneidad

		C₁		C₂		C₃		C₄
Objetivo	criterio	km²	%	km²	%	km²	%	km²	%
"Estimación de la degradación de pastizales; integrando AHP-GIS & RPAS para la microcuenca de Pomacochas del Norte de Perú"	NDVI	0.86	1.34	2.00	3.13	6.00	9.42	48.27	75.78
	Precipitación	32.70	51.33	23.69	37.19	0.74	1.16	0.00	0.00
	MOS	0.00	0.00	0.00	0.00	0.00	0.00	57.13	89.68
	Textura del suelo	0.59	0.93	56.54	88.75	0.00	0.00	0.00	0.00
	pH del suelo	40.47	63.54	16.65	26.14	0.00	0.00	0.00	0.00
	Pendiente	26.11	40.99	20.21	31.73	6.01	9.44	4.79	7.52

Tabla 6. Ponderación general de los criterios en el análisis de la degradación de pastizales en la microcuenca de Pomacochas, al norte (NE) de Perú

Objetivo	criterio	Peso (%)	Clasificación	Wi
Mapeo de la vulnerabilidad a la degradación de los pastizales; integrando AHP-GIS y RPAS para la microcuenca Pomacochas	NDVI	37.17	1	37.2
	Precipitación	28.00	2	28
	MOS	5.32	5	5.3
	Textura del suelo	18.36	3	18.3
	pH del suelo	7.87	4	7.9
	Pendiente	3.28	6	3.3
		100		100

Las relaciones de consistencia para cada capa temática y categoría de cada capa temática se calcularon antes de la integración de capas temáticas. Por otra parte, el valor de CR calculado fue inferior a 0.1, lo que muestra que todos los supuestos de parámetros’ sobre su impacto en la degradación de pastizales son válidos.

De tal manera, en la investigación, el NDVI y precipitación fueron pasmadas como primero y segundo criterio más influyente para la vulnerabilidad a la degradación de pastizales como en la investigación de Sandeep et al. (2021). No obstante, en la investigación de (Malav et al., 2022), el NDVI es el segundo más importante, el NDVI ha sido reconocido durante mucho tiempo como una medida útil para determinar el verdor de la flora y por ello una disminución en el NDVI es un síntoma de degradación de la tierra (Amadi et al., 2021). Mientras que, con creciente precipitación el contenido de agua en el suelo es considerable (Yalew et al., 2016), reduciendo la vulnerabilidad a degradación de pastizales es leve. Así también Cao et al. (2019), demuestra que el NDVI y el Precipitación estas directamente relacionas, es decir el NDVI aumenta si la precipitación también u se mantiene constante.

Por consiguiente, los resultados de la investigación mostraron que se identificaron tres zonas de vulnerabilidad a la degradación de pastizales, a saber, muy vulnerable, moderadamente vulnerable y ligeramente vulnerable; además de las restricciones, en el área de estudio. Las categorías muy vulnerable, moderadamente vulnerable, ligeramente vulnerable y las restricciones cubrieron 0.82 %, 25.69 %, 62.98 % y 10.50 % del área de la cuenca, respectivamente. Del mismo modo, Senapati & Das (2020), llevaron a cabo una evaluación de la posible degradación de la tierra, en la cual el análisis reveló que las categorías muy bajas a bajas de vulnerabilidad a la degradación de la tierra cubrían casi la mitad del área de la cuenca de investigación. Por el contrario, Parmar et al. (2021) evaluaron la degradación de la tierra y los resultados revelaron que el 67 % del territorio evaluado tiene una alta vulnerabilidad a la degradación (Hott et al., 2019). No obstante, Sandeep et al. (2021) determinaron que la mayor área (27.5 %) era moderadamente vulnerable a degradación.

La validación de la RDVZ se llevó a cabo con la ayuda de imágenes satelitales de alta resolución tomadas con UAV Matrix 200, por la precisión que tienes estas imágenes con respecto a imágenes satelitales (Inzerillo et al., 2022). Es así que, los resultados concordaron con el enfoque basado en el modelo AHP-SIG. No obstante, varios investigadores han realizado trabajos similares (Abuzaid, Mazrou, Baroudy, et al., 2022; Romshoo et al., 2020; Sandeep et al., 2021; Tolche et al., 2021) con respecto a la evaluación de la vulnerabilidad de la degradación de la tierra mediante AHP y SIG y su validación con imágenes de Google Earth.

Este estudio ha identificado áreas propensas a la degradación de pastizales, lo que puede ayudar a priorizar e implementar prácticas de conservación del agua y suelo para reducir las consecuencias de la degradación. Así también, se debe alentar a las buenas prácticas de pastoreo. Además, los resultados de esta investigación pueden ser útiles para desarrollar mejores políticas de gestión del suelo y el agua. Aunque esta investigación se llevó a cabo a nivel de Microcuenca, debería replicarse a nivel de cuenca o distrito. Por otra parte, los parámetros utilizados en este estudio están disponibles en resolución gruesa, lo que causó algunos desafíos y lagunas en los resultados. La investigación a futuro debería concentrarse en datos de encuestas de satélites y suelos de muy alta resolución para delinear las zonas de degradación con mayor precisión.

Así también, la Microcuenca del Lago Pomacochas es susceptible cambio climático, ya que los pobladores en gran mayoría dependen de sectores sensibles al clima, como el pastoreo, la agricultura, la pesca, etc. Los pastizales se encuentran entre los recursos ecosistémicos críticos debido a su alta sensibilidad climática. Para la población que está dentro de la microcuenca, este recurso natural contribuye en buena medida a la economía de la población local, puesto que está íntimamente ligada a la ganadería, que es una de las actividades principales del lugar. Sin embargo, las perturbaciones naturales y antropogénicas son determinantes para la distribución, estructura y función de los pastizales.

CONCLUSIONES

En el estudio NDVI, precipitación, MOS, textura del suelo, pH del suelo y pendiente se consideraron factores contribuyentes importantes en la identificación de zonas de vulnerabilidad a la degradación de pastizales a través del modelo basado en SIG y AHP. El modelado basado en AHP y SIG muestra que alrededor de 4012.08 km² (62.98 %) del área total de estudio se encuentran en la categoría “ligeramente vulnerable” (C3) a la degradación de pastizales. Por el contrario, para la categoría “muy poco vulnerable” (C4) el modelo no identificó ninguna superficie.

Por otra parte, la validación del modelo de la VDP mediante imágenes obtenidas con un UAV en alta resolución demuestra el grado de degradación de pastizales, estando de acuerdo con el AHP – SIG enfoque basado en modelos. Este estudio demuestra el potencial de los datos satelitales de alta resolución y la solidez del modelado espacial basado en SIG para obtener una precisión, fiabilidad y resultados rentables para la evaluación de la degradación de pastizales. La prevalencia y la gravedad de la VDP se determinaron utilizando modelos basados en AHP y SIG, que serán extremadamente útiles para recomendar medidas de conservación y manejo del suelo que sean adecuadas para cada sitio, particularmente en regiones altamente y extremadamente vulnerables, para la gestión de recursos de tierras a largo plazo. Estos datos se derivaron de datos satelitales que podrían causar algunos desafíos y lagunas en los resultados. Por lo tanto, se requieren observaciones a macro y microescala para tener en cuenta la alta variabilidad ambiental y para distinguir entre las influencias de las acciones antropogénicas y la variabilidad climática en los procesos de degradación de los pastizales.

REFERENCIAS BIBLIOGRÁFICAS

AbdelRahman, M. A. E., Shalaby, A., Aboelsoud, M. H., & Moghanm, F. S. (2018). GIS spatial model based for determining actual land degradation status in Kafr El-Sheikh Governorate, North Nile Delta. Modeling Earth Systems and Environment, 4(1), 359–372. https://doi.org/10.1007/s40808-017-0403-z

Abuzaid, A. S., Mazrou, Y. S. A., Baroudy, A. A. El, Ding, Z., & Shokr, M. S. (2022). Multi-Indicator and Geospatial Based Approaches for Assessing Variation of Land Quality in Arid Agroecosystems. Sustainability.

Abuzaid, A. S., Mazrou, Y. S. A., El Baroudy, A. A., Ding, Z., & Shokr, M. S. (2022). Multi-Indicator and Geospatial Based Approaches for Assessing Variation of Land Quality in Arid Agroecosystems. Sustainability (Switzerland), 14(10). https://doi.org/10.3390/su14105840

Achu, A. L., Thomas, J., & Reghunath, R. (2020). Multi-criteria decision analysis for delineation of groundwater potential zones in a tropical river basin using remote sensing, GIS and analytical hierarchy process (AHP). Groundwater for Sustainable Development, 100365. https://doi.org/10.1016/j.gsd.2020.100365

Ajibade, F. O., Olajire, O. O., Ajibade, T. F., Nwogwu, N. A., Lasisi, K. H., Alo, A. B., Owolabi, T. A., & Adewumi, J. R. (2019). Combining multicriteria decision analysis with GIS for suitably siting landfills in a Nigerian state. Environmental and Sustainability Indicators, 3–4(May), 100010. https://doi.org/10.1016/j.indic.2019.100010

Al Raisi, S., Sulaiman, H., Abdallah, O., & Suliman, F. (2014). Landfill Suitablity Analysis Using Ahp Method and State of Heavy Metals Pollution in Selected Landfills in. European Scientific Journa, 10(17), 309–326.

Amadi, D., Kwaha, J. D., & Riki, J. (2021). Deforestation: Athreat to rural development in Michika Local Govrnment area of Adamawa State, Nigeria. Science & Technology Journal, April 2022.

Beckmann, V. (2022). Transitioning to Sustainable Life on Land. In Transitioning to Sustainable Life on Land. https://doi.org/10.3390/books978-3-03897-879-4-1

Caman Aliaga, D. O. (2020). Dinámica Multitemporal Del Lago Pomacochas Y De Las Lagunas Burlan Y De Los Cóndores En El Departamento De Amazonas (1988 – 2031). Universidad Nacional Toribio Rodríguez De Mendoza De Amazonas-(Untrm), 68. http://repositorio.untrm.edu.pe/bitstream/handle/UNTRM/1482/CHAPA GRANDEZ SALLY PATRICIA.pdf?sequence=1&isAllowed=y

Cao, J., Adamowski, J. F., Deo, R. C., Xu, X., Gong, Y., & Feng, Q. (2019). Grassland Degradation on the Qinghai-Tibetan Plateau: Reevaluation of Causative Factors. Rangeland Ecology and Management, 72(6), 988–995. https://doi.org/10.1016/j.rama.2019.06.001

Castillo, E. B., Turpo Cayo, E. Y., De Almeida, C. M., López, R. S., Rojas Briceño, N. B., Silva López, J. O., Gurbillón, M. Á. B., Oliva, M., & Espinoza-Villar, R. (2020). Monitoring wildfires in the northeastern peruvian amazon using landsat-8 and sentinel-2 imagery in the GEE platform. ISPRS International Journal of Geo-Information, 9(10), 1–22. https://doi.org/10.3390/ijgi9100564

Castro, W. F. (2011). Geología. Convenio Suscrito Entre el Instituto de Investigaciones de la Amazonía Peruana y el Gobierno Regional de Amazonas; Estudios Temáticos para Zonificación Ecológia y Económica del Departamento de Amazonas (pp. 1–76).

Chávez Ortiz, J., Leiva Tafur, D., Rascón, J., Hoyos, I., & Corroto, F. (2014). Estado trófico del lago Pomacochas a través de parámetros fisicoquímicos y bacteriológicos. Rev. Indes, 2(2), 70–78. https://doi.org/10.25127/indes.20140

Dagnachew, M., Kebede, A., Moges, A., & Abebe, A. (2020). Effects of Climate Variability on Normalized Difference Vegetation Index ( NDVI ) in the Gojeb River Catchment , Omo-Gibe Basin , Ethiopia. Advances in Meteorology, 2020, 16. https://doi.org/https://doi.org/10.1155/2020/8263246 Research

Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302–4315. https://doi.org/10.1002/joc.5086

Fonte, S. J., Nesper, M., Hegglin, D., Velásquez, J. E., Ramirez, B., Rao, I. M., Bernasconi, S. M., Bünemann, E. K., Frossard, E., & Oberson, A. (2014). Pasture degradation impacts soil phosphorus storage via changes to aggregate-associated soil organic matter in highly weathered tropical soils. Soil Biology and Biochemistry, 68, 150–157. https://doi.org/10.1016/j.soilbio.2013.09.025

Hengl, T., Jesus, J. M. De, Heuvelink, G. B. M., Ruiperez, M., Kilibarda, M., Blagoti, A., Shangguan, W., Wright, M. N., Geng, X., Bauer-marschallinger, B., Guevara, M. A., Vargas, R., Macmillan, R. A., Batjes, N. H., Leenaars, J. G. B., Ribeiro, E., Wheeler, I., Mantel, S., & Kempen, B. (2017). SoilGrids250m : Global gridded soil information based on machine learning. PLoS ONE, 1–40. https://doi.org/10.1371/journal.pone.0169748

Hereher, M., & Kenawy, A. El. (2021). Assessment of Land Degradation in Northern Oman Using Geospatial Techniques. Earth Systems and Environment, Tucker 1979. https://doi.org/10.1007/s41748-021-00216-7

Hott, M. C., Carvalho, L. M. T., Antunes, M. A. H., Resende, J. C., & Rocha, W. S. D. (2019). Analysis of grassland degradation in Zona da Mata, MG, Brazil, based on NDVI time series data with the integration of phenological metrics. Remote Sensing, 11(24). https://doi.org/10.3390/rs11242956

INEI (Instituto Nacional de Estadística e Informática). (2017). Perú: Crecimineto y distribución de la población total, 2017.

Ingram, J. S. I., & Fernandes, E. C. M. (2001). Managing carbon sequestration in soils : concepts and terminology. Agriculture, Ecosystems and Environment, 87, 111–117.

Inzerillo, L., Acuto, F., Mino, G. Di, & Uddin, M. Z. (2022). Super-Resolution Images Methodology Applied to UAV Datasets to Road Pavement Monitoring. Drones.

Karaca, S., Dengiz, O., Demirağ Turan, İ., Özkan, B., Dedeoğlu, M., Gülser, F., Sargin, B., Demirkaya, S., & Ay, A. (2021). An assessment of pasture soils quality based on multi-indicator weighting approaches in semi-arid ecosystem. Ecological Indicators, 121. https://doi.org/10.1016/j.ecolind.2020.107001

Kartic Kumar, M., Annadurai, R., Ravichandran, P. T., & Arumugam, K. (2015). Landslide susceptibility mapping using analytical hierarchy process and artificial neural network at Kothagiri Taluk, India. International Journal of Earth Sciences and Engineering, 8(2), 775–787.

Knight, J., & Harrison, S. (2013). The impacts of climate change on terrestrial Earth surface systems. Nature Climate Change, 3(1), 24–29. https://doi.org/10.1038/nclimate1660

Kwon, H.-Y., Nkonya, E., Johnson, T., Graw, V., & Kihiu, E. (2015). Economics of land degradation and improvement - A global assessment for sustainable development. Economics of Land Degradation and Improvement - A Global Assessment for Sustainable Development, August 2020, 1–686. https://doi.org/10.1007/978-3-319-19168-3

Le, Q., Ephraim, N., & Alisher, M. (2016). Biomass Productivity-Based Mapping of Global Land Degradation Hotspots. Economics of Land Degradation and Improvement—A Global Assessment for Sustainable Development, 55–84. https://doi.org/10.1007/978-3-319-19168-3_3

Lemmessa, F. (2011). Rangeland suitability analysis for livestock production using GIS and Remote sensing: The case of Yabello Woreda, Southern Ethiopia. Addis Ababa University.

Logan, T. A., Nicoll, J., Laurencelle, J., Hogenson, K., Gens, R., & Buechler, B. (2014). Radiometrically Terrain Corrected ALOS PALSAR Data Available from the Alaska Satellite Facility - NASA/ADS. AGU FALL MEETING.

López, R. S., Fernández, D. G., Silva López, J. O., Rojas Briceño, N. B., Oliva, M., Terrones Murga, R. E., Trigoso, D. I., Castillo, E. B., & Barrena Gurbillón, M. Á. (2020). Land suitability for coffee (coffea arabica) growing in Amazonas, Peru: Integrated use of AHP, GIS and RS. ISPRS International Journal of Geo-Information, 9(11), 1–21. https://doi.org/10.3390/ijgi9110673

Malav, L. C., Yadav, B., Tailor, B. L., Pattanayak, S., Singh, S. V., Kumar, N., Reddy, G. P. O., Mina, B. L., Dwivedi, B. S., & Jha, P. K. (2022). Mapping of Land Degradation Vulnerability in the Semi-Arid Watershed of Rajasthan, India. Sustainability (Switzerland), 14(16), 1–16. https://doi.org/10.3390/su141610198

Malczewski, J., & Rinner, C. (2015). Multicriteria Decision Analysis in Geographic Information Science.

Martínez-Murillo, J. F., Nadal-Romero, E., Regüés, D., Cerdà, A., & Poesen, J. (2013). Soil erosion and hydrology of the western Mediterranean badlands throughout rainfall simulation experiments: A review. Catena, 106, 101–112. https://doi.org/10.1016/j.catena.2012.06.001

Mekuria, W., & Aynekulu, E. (2013). Exclosure land management for restoration of the soils in degraded communal grazing lands in northern ethiopia. Land Degradation and Development, 24(6), 528–538. https://doi.org/10.1002/ldr.1146

MINEDU (Ministerio de Educación). (2020). Descarga de información espacial del Ministerio de Educación. Disponible En Linea.

Monfreda, C., Ramankutty, N., & Foley, J. A. (2008). Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000. Global Biogeochemical Cycles, 22(1). https://doi.org/10.1029/2007GB002947

MTC (Ministerio de Trasmportes y Comunicaciones). (2021). Descarga de Datos Espaciales-Transporte Terrestre por Carretera. En Linea.

Naegeli de Torres, F., Richter, R., & Vohland, M. (2019). A multisensoral approach for high-resolution land cover and pasture degradation mapping in the humid tropics: A case study of the fragmented landscape of Rio de Janeiro. International Journal of Applied Earth Observation and Geoinformation, 78(September 2018), 189–201. https://doi.org/10.1016/j.jag.2019.01.011

Oliveira, C. F., do Valle Junior, R. F., Valera, C. A., Rodrigues, V. S., Sanches Fernandes, L. F., & Pacheco, F. A. L. (2019). The modeling of pasture conservation and of its impact on stream water quality using Partial Least Squares-Path Modeling. Science of the Total Environment, 697, 134081. https://doi.org/10.1016/j.scitotenv.2019.134081

Pacheco, F. A. L., & Van der Weijden, C. H. (2014). Role of hydraulic diffusivity in the decrease of weathering rates over time. Journal of Hydrology, 512, 87–106. https://doi.org/10.1016/j.jhydrol.2014.02.041

Parmar, M., Bhawsar, Z., Kotecha, M., Shukla, A., & Rajawat, A. S. (2021). Assessment of Land Degradation Vulnerability using Geospatial Technique: A Case Study of Kachchh District of Gujarat, India. Journal of the Indian Society of Remote Sensing, 49(7), 1661–1675. https://doi.org/10.1007/s12524-021-01349-y

Pokhriyal, P., Rehman, S., Areendran, G., Raj, K., Pandey, R., Kumar, M., Sahana, M., & Sajjad, H. (2020). Assessing forest cover vulnerability in Uttarakhand, India using analytical hierarchy process. Modeling Earth Systems and Environment, 6(2), 821–831. https://doi.org/10.1007/s40808-019-00710-y

Posgrado, E. DE, & -Perú, L. (2016). Universidad Nacional Agraria La Molina "Influencia De Factores Socio-Económicos En La. Universidad Nacional Agraria La Molina. http://repositorio.lamolina.edu.pe/handle/UNALM/2710

Romshoo, S. A., Amin, M., Sastry, K. L. N., & Parmar, M. (2020). Integration of social, economic and environmental factors in GIS for land degradation vulnerability assessment in the Pir Panjal Himalaya, Kashmir, India. Applied Geography, 125(September), 102307. https://doi.org/10.1016/j.apgeog.2020.102307

Saaty, R. W. (1987). The analytic hierarchy process-what it is and how it is used. Mathematical Modelling, 9(3–5), 161–176. https://doi.org/10.1016/0270-0255(87)90473-8

Saaty, T. L. (1977). A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, 15(3), 234–281. https://doi.org/10.1016/0022-2496(77)90033-5

Saaty, T. L. (1980a). Analytic Hierarchy Process. https://doi.org/10.1201/9780429504419-2

Saaty, T. L. (1980b). The Analytic Hierarchy Process. McGraw-Hill, New York.

Saaty, T. L. (2008). Decision making with the Analytic Hierarchy Process. Scientia Iranica, 1(1), 215–229. https://doi.org/10.1504/ijssci.2008.017590

Sandeep, P., Reddy, G. P. O., Jegankumar, R., & Arun Kumar, K. C. (2021). Modeling and Assessment of Land Degradation Vulnerability in Semi-arid Ecosystem of Southern India Using Temporal Satellite Data, AHP and GIS. Environmental Modeling and Assessment, 26(2), 143–154. https://doi.org/10.1007/s10666-020-09739-1

Sar, N., Chatterjee, S., & Das Adhikari, M. (2015). Integrated remote sensing and GIS based spatial modelling through analytical hierarchy process (AHP) for water logging hazard, vulnerability and risk assessment in Keleghai river basin, India. Modeling Earth Systems and Environment, 1(4), 1–21. https://doi.org/10.1007/s40808-015-0039-9

Senapati, U., & Das, T. K. (2020). Assessment of potential land degradation in akarsa watershed, west bengal, using gis and multi-influencing factor technique. Advances in Science, Technology and Innovation, 187–205. https://doi.org/10.1007/978-3-030-23243-6_11

Silva López, J. O., Salas López, R., Rojas Briceño, N. B., Gómez Fernández, D., Terrones Murga, R. E., Iliquín Trigoso, D., Barboza Castillo, E., Oliva Cruz, M., & Barrena Gurbillón, M. Á. (2022). Analytic Hierarchy Process (AHP) for a Landfill Site Selection in Chachapoyas and Huancas (NW Peru): Modeling in a GIS-RS Environment. Advances in Civil Engineering, 2022. https://doi.org/10.1155/2022/9733322

Swain, K. C., Singha, C., & Nayak, L. (2020). Flood susceptibility mapping through the GIS-AHP technique using the cloud. ISPRS International Journal of Geo-Information, 9(12). https://doi.org/10.3390/ijgi9120720

Tepanosyan, G. H., Asmaryan, S. G., Muradyan, V. S., & Saghatelyan, A. K. (2017). Mapping man-induced soil degradation in Armenia’s high mountain pastures through remote sensing methods: A case study. Remote Sensing Applications: Society and Environment, 8(September 2016), 105–113. https://doi.org/10.1016/j.rsase.2017.08.006

Tolche, A.-D., Gurara, M.-A., Pham, Q.-B., & Anh, D.-T. (2021). Modelling and accessing land degradation vulnerability using remote sensing techniques and the analytical hierarchy process approach. Geocarto International, 0(0), 1–21. https://doi.org/10.1080/10106049.2021.1959656

Turan, İ. D., Dengiz, O., & Özkan, B. (2019a). Spatial assessment and mapping of soil quality index for desertification in the semi-arid terrestrial ecosystem using MCDM in interval type-2 fuzzy environment. Computers and Electronics in Agriculture, 164(June). https://doi.org/10.1016/j.compag.2019.104933

Turan, İ. D., Dengiz, O., & Özkan, B. (2019b). Spatial assessment and mapping of soil quality index for desertification in the semi-arid terrestrial ecosystem using MCDM in interval type-2 fuzzy environment. Computers and Electronics in Agriculture, 164(March). https://doi.org/10.1016/j.compag.2019.104933

Valera, C. A., Pissarra, T. C. T., Martins Filho, M. V., Valle Junior, R. F., Sanches Fernandes, L. F., & Pacheco, F. A. L. (2017). A legal framework with scientific basis for applying the ‘polluter pays principle’ to soil conservation in rural watersheds in Brazil. Land Use Policy, 66(April), 61–71. https://doi.org/10.1016/j.landusepol.2017.04.036

Valera, C. A., Valle Junior, R. F., Varandas, S. G. P., Sanches Fernandes, L. F., & Pacheco, F. A. L. (2016). The role of environmental land use conflicts in soil fertility: A study on the Uberaba River basin, Brazil. Science of the Total Environment, 562, 463–473. https://doi.org/10.1016/j.scitotenv.2016.04.046

Valle Júnior, R. F. do, Siqueira, H. E., Valera, C. A., Oliveira, C. F., Sanches Fernandes, L. F., Moura, J. P., & Pacheco, F. A. L. (2019). Diagnosis of degraded pastures using an improved NDVI-based remote sensing approach: An application to the Environmental Protection Area of Uberaba River Basin (Minas Gerais, Brazil). Remote Sensing Applications: Society and Environment, 14(December 2018), 20–33. https://doi.org/10.1016/j.rsase.2019.02.001

Vargas Rivera, J. (2010). Clima, informe temático. Proyecto Zonificación Ecológica y Económica del departamento de Amazonas, convenio entre el IIAP y el Gobierno Regional de Amazonas.

Wang, J., Xiao, X., Bajgain, R., Starks, P., Steiner, J., Doughty, R. B., & Chang, Q. (2019). Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images. ISPRS Journal of Photogrammetry and Remote Sensing, 154(June), 189–201. https://doi.org/10.1016/j.isprsjprs.2019.06.007

Yalew, S. G., van Griensven, A., Mul, M. L., & van der Zaag, P. (2016). Land suitability analysis for agriculture in the Abbay basin using remote sensing, GIS and AHP techniques. Modeling Earth Systems and Environment, 2(2), 1–14. https://doi.org/10.1007/s40808-016-0167-x

Yousefi, S., Avand, M., Yariyan, P., Pourghasemi, H. R., Keesstra, S., Tavangar, S., & Tabibian, S. (2020). A novel GIS-based ensemble technique for rangeland downward trend mapping as an ecological indicator change. Ecological Indicators, 117(March). https://doi.org/10.1016/j.ecolind.2020.106591

Zhao, T., & Iwaasa, A. D. (2022). Rotational grazing increases purple prairie clover frequency in the rangeland plant communities under semi-arid environment. Canadian Journal of Plant Science, 103(2). https://doi.org/https://doi.org/10.1139/cjps-2021-0141

Zhao, X., Xia, H., Pan, L., Song, H., Niu, W., Wang, R., & Li, R. (2021). Drought Monitoring over Yellow River Basin from 2003 – 2019 Using Reconstructed MODIS Land Surface Temperature in Google Earth Engine. Remote Sensing. https://doi.org/https://doi.org/ 10.3390/rs13183748