Spatiotemporal Analysis of the Surface of the Huacho-Hualmay-Carquín Coastal Wetland and Its Relationship with Environmental and Anthropogenic Factors

CONTACTO

GitHub: https://github.com/delacruz-renzo

Área de Investigación Ambiental del Grupo Corriente Ambientalista

Facebook: https://www.facebook.com/CorrienteAmbientalista

Instagram: https://www.instagram.com/corriente_ambientalista

LinkedIn: https://www.linkedin.com/company/corrienteambientalista

1. INTRODUCCIÓN

Los humedales costeros son ecosistemas dinámicos que cumplen funciones esenciales en la regulación del ciclo hidrológico, la conservación de la biodiversidad y la mitigación del cambio climático. Su estructura y composición permiten la filtración de contaminantes, el almacenamiento de carbono y el sostenimiento de diversas especies de flora y fauna. Sin embargo, estos ecosistemas enfrentan una creciente degradación debido a la expansión urbana, el cambio en el uso del suelo y las variaciones en las condiciones climáticas, lo que compromete su estabilidad y capacidad para proporcionar servicios ecosistémicos.

La presente investigación tiene como objetivo analizar los cambios en la superficie del humedal Huacho-Hualmay-Carquín, ubicado en la provincia de Huaura, Lima, durante el período 2015-2024. Mediante el uso de imágenes satelitales y técnicas de teledetección, se evalúan las variaciones en su extensión y su relación con factores climáticos como la temperatura y la precipitación. Además, se examina el impacto de la expansión urbana y los cambios en la cobertura del suelo para identificar tendencias en la transformación del paisaje dentro del área de influencia del humedal. Los resultados permitirán generar información clave para la conservación de estos ecosistemas y la formulación de estrategias de gestión y planificación sostenible del territorio.

En este contexto, la finalidad de este documento Markdown es presentar el código correspondiente a la metodología empleada de la investigación “Análisis espaciotemporal de la superficie del humedal costero Huacho-Hualmay-Carquín y su relación con factores ambientales y antropicos”, garantizando la transparencia y reproducibilidad a lo largo de todo el proceso de investigación.

2. ÁREA DE ESTUDIO

El área de estudio corresponde al humedal Huacho-Hualmay-Carquín, ubicado en la zona noroeste de la provincia de Huaura, en el departamento de Lima, Perú. Este ecosistema se encuentra en la franja costera de los distritos de Huacho, Hualmay y Carquín. Sus límites geográficos son: al norte, el distrito de Huaura; al sur, el puerto de Huacho; al este, la zona urbana de los distritos de Huacho, Hualmay y Carquín; y al oeste, el Océano Pacífico.

Para la presente investigación, se delimitó un área de influencia alrededor del humedal mediante un radio de 1000 m, con el fin de evaluar los posibles impactos de los factores ambientales y antrópicos en su superficie. Esta área fue digitalizada a partir del uso del software QGIS.

setwd("d:/Lenovo/Desktop/GEO/PROJECT_2/") # Definir directorio de trabajo.
library(sf)
library(leaflet)
library(mapview)

# Importar área de estudio ".shp".
aoi_sf <- read_sf("vectorial/aoi.shp")
# Graficar área de estudio.
mapview::mapview(aoi_sf, layer.name = "Study Area", alpha.regions = 0.5,
                 map.types = c("Esri.WorldImagery"))

3. ANÁLISIS NDVI

El Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés) es un indicador que mide la cantidad y vigor de la vegetación a partir de imágenes satelitales, calculado mediante la diferencia entre la reflectancia en el infrarrojo cercano (NIR) y el rojo (Red), normalizada para valores entre -1 y 1. En el monitoreo de humedales, el NDVI es fundamental para evaluar la salud del ecosistema, identificar cambios en la cobertura vegetal, detectar áreas degradadas y analizar la respuesta de la vegetación a factores climáticos y antropogénicos.

Para la delimitación de humedales, se emplean tres criterios principales: hidrología, presencia de vegetación hidrófita y características de los suelos hídricos. La identificación de al menos uno de estos criterios permite evidenciar la existencia del humedal y definir sus límites. En este estudio, se utilizó el Índice de Vegetación de Diferencia Normalizada (NDVI) para identificar la vegetación característica del humedal, facilitando así su delimitación para el periodo de análisis (2015 - 2024).

library(rgee)
library(reticulate)
library(googledrive)
library(leaflet)
library(mapview)

# Inicializar Google Earth Engine dentro de RStudio.
reticulate::use_python(python = "C:/Python3913/python.exe", required = TRUE)
ee_Initialize(user = "renzoangeldelacruz@gmail.com", drive = TRUE)

## ── rgee 1.1.7 ─────────────────────────────────────── earthengine-api 0.1.370 ── 
##  ✔ user: renzoangeldelacruz@gmail.com 
##  ✔ Google Drive credentials: ✔ Google Drive credentials:  FOUND
##  ✔ Initializing Google Earth Engine: ✔ Initializing Google Earth Engine:  DONE!
##  ✔ Earth Engine account: users/renzoangeldelacruz 
##  ✔ Python Path: C:/Python3913/python.exe 
## ────────────────────────────────────────────────────────────────────────────────

# Importar área de estudio.
aoi <- ee$FeatureCollection("projects/ee-renzoangeldelacruz/assets/Hualmey")
viz_aoi <- list(color = "red")
Map$centerObject(aoi, zoom = 14)
Map$addLayer(aoi, visParams = viz_aoi, name = "Study Area")

# Generar mosaico de imágen Planet NICFI.
collection <- ee$ImageCollection("projects/planet-nicfi/assets/basemaps/americas")$
  filterDate("2024-01-01","2024-12-31")$
  filterBounds(aoi)$
  median()
imagen <- collection$clip(aoi)
viz_imagen <- list(bands = c("R", "G", "B"),
                   min = 371.5,
                   max = 2766,
                   gamma = 1,
                   opacity = 1)
Map$addLayer(imagen, visParams = viz_imagen, name = "Imagen Planet 2024")

# Cálcular NDVI.
NDVI <- imagen$normalizedDifference(c("N","R"))
viz_NDVI <- list(gamma = 1,
                 opacity = 1)
Map$addLayer(imagen, visParams = viz_imagen, name = "Imagen Planet 2024") +
Map$addLayer(NDVI,visParams = viz_NDVI, name = "NDVI Planet 2024")

# Reclasificar NDVI.
nd_NDVI <- NDVI$select("nd")
c1 <- nd_NDVI$gte(-1)$And(nd_NDVI$lt(0.1))$multiply(1)
c2 <- nd_NDVI$gte(0.1)$And(nd_NDVI$lt(0.2))$multiply(2)
c3 <- nd_NDVI$gte(0.2)$And(nd_NDVI$lt(0.4))$multiply(3)
c4 <- nd_NDVI$gte(0.4)$And(nd_NDVI$lt(0.6))$multiply(4)
c5 <- nd_NDVI$gte(0.6)$And(nd_NDVI$lt(1))$multiply(5)
Reclass_NDVI <- c1$add(c2)$add(c3)$add(c4)$add(c5)
vis_reclass <- list(palette = c("red","orange","yellow",
                                "lightgreen","darkgreen"),
                    min = 1, max = 5)
Map$addLayer(imagen, visParams = viz_imagen, name = "Imagen Planet 2024") +
  Map$addLayer(NDVI,visParams = viz_NDVI, name = "NDVI Planet 2024") +
  Map$addLayer(Reclass_NDVI,visParams = vis_reclass, name = "Reclasificación NDVI 2024")

# Convertir objeto GEE a raster.
## aoi_geom <- aoi$geometry()
## image_raster <- ee_as_stars(Reclass_NDVI, region = aoi_geom, scale = 4.7, dsn = "Reclass_NDVI_2024", via = "drive", container = "GEE")
# Exportar imágen raster.
## writeRaster(image_raster, "raster/Reclass_NDVI_2024.tif", format = "GTiff", overwrite = TRUE)

4. DELIMITACIÓN DEL HUMEDAL

Los humedales son ecosistemas en los que el agua actúa como el principal factor regulador del medio y determina las comunidades vegetales y animales que los habitan. Estos ambientes se presentan en áreas donde la capa freática se encuentra en la superficie o cerca de ella, o en zonas cubiertas de agua de manera temporal o permanente.

Según la Convención Ramsar, los humedales se definen como: “Las extensiones de marismas, pantanos y turberas, o superficies cubiertas de aguas, sean estas de régimen natural o artificial, permanentes o temporales, estancadas o corrientes, dulces, salobres o saladas, incluidas las extensiones de agua marina cuya profundidad en marea baja no exceda de seis metros”.

library(raster)
library(terra)
# Importar humedal delimitado 2024.
humedal_2024 <- read_sf("vectorial/HumedalCarquin_2024.shp")
st_area(humedal_2024) # Área.

## 172412 [m^2]

# Importar imágen satelital Planet NICFI 2024.
planet_2024 <- stack("raster/Planet_2024.tif")
# Gráficar superficie del humedal delimitada.
plotRGB(planet_2024, r = 4, g = 3, b = 2, stretch = "lin")
plot(humedal_2024, col = "NA", border = "green", lwd = 2, add = TRUE)

5. DINÁMICA ESPACIOTEMPORAL DE LA SUPERFICIE DEL HUMEDAL

Los humedales costeros son ecosistemas dinámicos que experimentan cambios en su extensión y estructura a lo largo del tiempo debido a factores naturales y antropogénicos. El gráfico de cascada presentado ilustra la variación espaciotemporal de la superficie del humedal Huacho-Hualmay-Carquín a lo largo del período 2015-2024.

En 2015, la superficie del humedal era de 14.43 ha Durante los primeros años, presentó variaciones moderadas, con un ligero aumento de 0.42 ha en 2016, seguido de una reducción de 0.91 ha en 2017. Entre 2018 y 2019, experimentó una recuperación significativa con incrementos de 1.58 ha y 1.44 ha, respectivamente, pero en 2020 sufrió una reducción de 1.46 ha. A partir de 2021, mostró un crecimiento sostenido con un aumento de 1.93 ha en ese año. Sin embargo, desde 2022 se registraron fluctuaciones menores, con descensos de 0.25 ha en 2022, 0.22 ha en 2023 y una pérdida más pronunciada de 0.69 ha en 2024. Estos resultados evidencian que, si bien el humedal ha enfrentado períodos de pérdida de superficie, ha logrado una recuperación general a lo largo del tiempo.

library(readxl)
library(dplyr)
library(waterfalls)
library(ggplot2)
# Importar datos ".xlsx".
data <- read_excel("datos/data_Surface.xlsx")
head(data)

## # A tibble: 6 × 8
##      ID   AÑO AREA_M2 AREA_KM2 AREA_HA PERI_M PERI_KM PERI_PIE
##   <dbl> <dbl>   <dbl>    <dbl>   <dbl>  <dbl>   <dbl>    <dbl>
## 1     1  2015 144282.    0.144    14.4  6708.    6.71   22008.
## 2     2  2016 148523.    0.149    14.9  6223.    6.22   20428.
## 3     3  2017 139291.    0.139    13.9  6609.    6.61   21698.
## 4     4  2018 155278.    0.155    15.5  6854.    6.85   22487.
## 5     5  2019 169696.    0.169    17.0  6307.    6.31   20704.
## 6     6  2020 155094.    0.155    15.5  6524.    6.52   21403.

str(data)

## tibble [10 × 8] (S3: tbl_df/tbl/data.frame)
##  $ ID      : num [1:10] 1 2 3 4 5 6 7 8 9 10
##  $ AÑO     : num [1:10] 2015 2016 2017 2018 2019 ...
##  $ AREA_M2 : num [1:10] 144282 148523 139291 155278 169696 ...
##  $ AREA_KM2: num [1:10] 0.144 0.149 0.139 0.155 0.169 ...
##  $ AREA_HA : num [1:10] 14.4 14.9 13.9 15.5 17 ...
##  $ PERI_M  : num [1:10] 6708 6223 6609 6854 6307 ...
##  $ PERI_KM : num [1:10] 6.71 6.22 6.61 6.85 6.31 ...
##  $ PERI_PIE: num [1:10] 22008 20428 21698 22487 20704 ...

# Cálcular ganancias y pérdidas de superficie.
valor_inicial <- data[[1,5]]
valor_inicial

## [1] 14.42825

cambio <- data$AREA_HA - lag(data$AREA_HA)
print(cambio)

##  [1]         NA  0.4237523 -0.9057366  1.5817366  1.4420000 -1.4606110
##  [7]  1.9266110  0.2460000  0.2230000 -0.6850000

cambio <- na.omit(cambio)
cambio <- c(valor_inicial, cambio)
print(cambio)

##  [1] 14.4282477  0.4237523 -0.9057366  1.5817366  1.4420000 -1.4606110
##  [7]  1.9266110  0.2460000  0.2230000 -0.6850000

data <- data.frame(data, CHANGE = cambio)
data$CHANGE <- round(data$CHANGE, 2)
head(data)

##   ID  AÑO  AREA_M2  AREA_KM2  AREA_HA   PERI_M  PERI_KM PERI_PIE CHANGE
## 1  1 2015 144282.5 0.1442825 14.42825 6707.996 6.707996 22007.86  14.43
## 2  2 2016 148523.2 0.1490000 14.85200 6222.727 6.223000 20428.33   0.42
## 3  3 2017 139291.1 0.1390000 13.94626 6609.466 6.609000 21697.94  -0.91
## 4  4 2018 155277.9 0.1550000 15.52800 6854.166 6.854000 22487.42   1.58
## 5  5 2019 169695.7 0.1690000 16.97000 6306.815 6.307000 20704.38   1.44
## 6  6 2020 155093.9 0.1550939 15.50939 6523.600 6.523600 21402.84  -1.46

# Graficar los cambios de la superficie del humedal.
waterfall(values = data$CHANGE, labels = data$AÑO, 
          rect_border = NA, calc_total = TRUE) +
  labs(title = "Waterfall Chart of Wetland Area Change",
       x = "Años", y = "Superficie (ha)") +
  theme_grey() +
  theme(plot.title = element_text(face = "bold", size = 14, 
                                  hjust = 0.5)) +
  scale_y_continuous(breaks = seq(0, 18, by = 4)) +
  scale_x_discrete(
    limits = c("2015", "2016", "2017", "2018", 
               "2019", "2020", "2021", "2022",
               "2023", "2024"),
    labels = c("2015", "2016", "2017", "2018",
               "2019", "2020", "2021", "2022",
               "2023", "2024"))

6. TASA DE CAMBIO ANUAL

La tasa de cambio anual es un indicador que cuantifica la variación en la superficie de una cobertura a lo largo del tiempo, expresando el ritmo de crecimiento o reducción en hectáreas por año o en términos porcentuales. Su cálculo se basa en la comparación de la superficie entre dos períodos de tiempo consecutivos o en intervalos más amplios, permitiendo evaluar la dinámica de cambio y determinar tendencias espaciales y temporales en la cobertura analizada.

El análisis de la tasa de cambio anual muestra una tendencia general de crecimiento en la superficie del humedal Huacho-Hualmay-Carquín, con un aumento moderado del 2.54% entre 2015 y 2018, seguido de una expansión más acelerada del 4.10% en el periodo 2018-2021. No obstante, entre 2021 y 2024, se registra una ligera reducción del -0.41%, lo que indica una pérdida de cobertura en los años recientes. A pesar de esta disminución, el balance general del periodo 2015-2024 refleja un crecimiento positivo del 2.15%.

# Cálcular tasa de cambio anual.
t1 <- (((data[[4,5]]/data[[1,5]])*100)-100)/(2018-2015)
t2 <- (((data[[7,5]]/data[[4,5]])*100)-100)/(2021-2018)
t3 <- (((data[[10,5]]/data[[7,5]])*100)-100)/(2024-2021)
t4 <- (((data[[10,5]]/data[[1,5]])*100)-100)/(2024-2015)
tasa <- c(t1, t2, t3, t4)
años <- c("2015-2018", "2018-2021", "2021-2024", "2015-2024")
data2 <- data.frame(PERIODO = años, TASA_PORCENTAJE = tasa)
data2

##     PERIODO TASA_PORCENTAJE
## 1 2015-2018       2.5407388
## 2 2018-2021       4.0958269
## 3 2021-2024      -0.4129387
## 4 2015-2024       2.1499125

7. ANÁLISIS DE TENDENCIA

7.1. PRUEBA DE NORMALIDAD

Las pruebas de normalidad son métodos estadísticos empleados para evaluar si un conjunto de datos sigue una distribución normal (o gaussiana). Esta evaluación es crucial, ya que determina el enfoque estadístico más adecuado, diferenciando entre análisis paramétricos, que requieren normalidad, y no paramétricos, que no dependen de esta. En la presente investigación, no se aplicarán los tests de Shapiro-Wilk ni Kolmogorov-Smirnov, debido al tamaño reducido de la muestra (n = 10), lo que podría generar estimaciones poco confiables de la normalidad. En su lugar, se utilizarán métodos gráficos, específicamente el Q-Q Plot y la visualización de la distribución de la variable de estudio (superficie del humedal) mediante un histograma, permitiendo una evaluación más apropiada de la normalidad en este contexto.

El Q-Q Plot (Quantile-Quantile Plot) es un gráfico utilizado para evaluar visualmente si un conjunto de datos sigue una distribución normal. En este gráfico, los cuantiles teóricos de la distribución esperada se representan en el eje X, mientras que los cuantiles observados de los datos se ubican en el eje Y. Si los datos siguen una distribución normal, los puntos deberían alinearse a lo largo de una línea recta. En el gráfico resultante, se observa que algunos puntos se desvían ligeramente de la línea de referencia, lo que podría indicar pequeñas desviaciones de la normalidad

Un histograma es un gráfico estadístico que representa la distribución de un conjunto de datos numéricos mediante barras, donde la altura de cada barra indica la frecuencia de observaciones dentro de un determinado intervalo o clase. En el gráfico obtenido, la curva azul representa la densidad esperada bajo una distribución normal, pero no se ajusta perfectamente a la distribución real de los datos. Por otro lado, la curva roja refleja la densidad real de los datos, evidenciando un comportamiento más asimétrico y no completamente gaussiano.

En conclusión, los datos no parecen seguir una distribución normal, ya que la densidad estimada presenta diferencias significativas con la densidad teórica esperada. Este resultado se ve respaldado por el análisis del Q-Q Plot, donde se observaron desviaciones en algunos puntos, indicando posibles desviaciones de la normalidad en la distribución de los datos.

## Graficar Q-Q Plot.
ggplot(data.frame(data$AREA_HA), aes(sample = data$AREA_HA)) +
  stat_qq_line(color = "#01ef63", lwd = 0.8) +
  stat_qq(shape = 16, size = 2) +
  theme_grey() +
  theme(plot.title = element_text(face = "bold", size = 14, 
                                  hjust = 0.5)) +
  labs(title = "Normal Q-Q Plot of Wetland Area Change", 
       x = "Cuantiles Teóricos", 
       y = "Cuantiles Muestrales")

## Graficar histograma.
hist(data$AREA_HA, freq = FALSE, col="lightcyan",
     main = "Histogram of Wetland Area Change",
     xlab = "Superficie (ha)", ylab = "Densidad")
lines(density(data$AREA_HA), col="red", lwd=2)
curve(dnorm(x,mean=mean(data$AREA_HA), sd=sd(data$AREA_HA)), 
      add=TRUE, col="blue", lwd=2)
legend("topleft", col=c("blue","red"),
       legend =c("Función densidad normal","Función densidad estimada"),
       lwd = 1.5, bty = "n")

7.2. TEST DE MANN-KENDALL

El test de Mann-Kendall es una prueba estadística no paramétrica utilizada para detectar la presencia de tendencias monotónicas en una serie temporal sin asumir una distribución normal en los datos. Se basa en la comparación de cada par de observaciones para determinar si existe una tendencia creciente o decreciente en la variable analizada. Su resultado se expresa mediante el estadístico “S” y el coeficiente Tau de Kendall, que indican la dirección e intensidad de la tendencia, respectivamente. Además, el p-value permite evaluar la significancia estadística de la tendencia observada.

Para analizar los resultados del test, se emplea una prueba de hipótesis, un procedimiento estadístico que permite tomar decisiones sobre una población a partir de una muestra de datos. Su propósito es determinar si una afirmación o suposición sobre un parámetro poblacional es respaldada por la evidencia proporcionada por los datos, utilizando un nivel de significancia predefinido, generalmente 0.05 (5%), para evaluar la validez de la hipótesis formulada.

En la presente investigación, se deben considerar los siguientes aspectos:

Hipótesis nula (H₀): No existe tendencia significativa.
Hipótesis alternativa (H₁): Existe tendencia significativa.
Si p (p-value) < 0.05, se rechaza H₀ (hay evidencia suficiente para aceptar H₁).
Si p (p-value) ≥ 0.05, no se rechaza H₀ (no hay evidencia suficiente para aceptar H₁).

Los resultados del test de Mann-Kendall indican la presencia de una tendencia creciente significativa en la superficie del humedal a lo largo del tiempo. El estadístico “S” positivo sugiere un incremento en la variable analizada, mientras que el coeficiente Tau de Kendall (τ = 0.69) refleja una tendencia moderadamente fuerte. Además, el p-value menor a 0.05 confirma que la probabilidad de que esta tendencia sea producto del azar es baja, lo que respalda la existencia de un patrón de crecimiento en la superficie del humedal.

# Cálcular test Mann-Kendall.
library(trend)
mk.test(data$AREA_HA)

## 
##  Mann-Kendall trend test
## 
## data:  data$AREA_HA
## z = 2.6833, n = 10, p-value = 0.00729
## alternative hypothesis: true S is not equal to 0
## sample estimates:
##           S        varS         tau 
##  31.0000000 125.0000000   0.6888889

8. ANÁLISIS DE CORRELACIÓN

La correlación es una medida estadística que indica el grado de relación entre dos o más variables, mostrando cómo cambia una en función de la otra. Se expresa mediante un coeficiente que varía entre -1 y 1: valores cercanos a 1 indican una relación positiva fuerte (cuando una variable aumenta, la otra también), valores cercanos a -1 reflejan una relación negativa fuerte (cuando una variable aumenta, la otra disminuye) y valores cercanos a 0 sugieren que no hay una relación lineal significativa.

Debido a que la variable de estudio (superficie del humedal) no sigue una distribución normal, se emplearon coeficientes de correlación no paramétricos, como Spearman o Kendall. En la presente investigación, se utilizó el coeficiente de correlación de Kendall, ya que es más robusto frente a valores atípicos y adecuado para conjuntos de datos pequeños (n = 10).

8.1. TEMPERATURA

Los datos de temperatura máxima y mínima fueron obtenidos del dataset TerraClimate a través de la plataforma Google Earth Engine para el periodo de estudio (2015 - 2024). Estos datos se presentan en formato raster con una resolución espacial aproximada de ~ 4.5 km y una frecuencia temporal mensual.

El análisis del boxplot de temperatura muestra una distribución ligeramente asimétrica, con un rango intercuartílico entre aproximadamente 18.0°C y 19.5°C. Se identificaron valores atípicos por debajo de 17.5°C y por encima de 20.5°C, lo que indica la presencia de eventos de temperatura anómalos. Estos valores podrían estar influenciados por variaciones climáticas y oceanográficas, como los efectos del Fenómeno de El Niño y La Niña, así como por factores locales que modifican el microclima de la zona de estudio.

El gráfico de dispersión muestra la relación entre la superficie del humedal y la temperatura media anual, evidenciando una relación no lineal. En general, a medida que la temperatura aumenta, la superficie vegetal del humedal tiende a reducirse, aunque con fluctuaciones en ciertos rangos. Este patrón se refuerza con el coeficiente de correlación de Kendall (𝜏= − 0.33), que indica una relación negativa débil a moderada entre ambas variables. Desde un enfoque ecohidrológico, este comportamiento puede explicarse por el incremento de la evapotranspiración en condiciones de mayor temperatura, lo que genera una mayor pérdida de agua en el humedal y, en consecuencia, una reducción de su superficie vegetal. No obstante, la relación no es completamente lineal, lo que sugiere la posible influencia de otros factores ambientales o antropogénicos en la dinámica del humedal.

library(tidyverse)
# Importar datos ".csv".
tmax <- read.csv("datos/tmax.csv", header = TRUE)
tmin <- read.csv("datos/tmin.csv", header = TRUE)
temp <- cbind(tmax, tmin)
temp <- temp[,-3]
head(temp)

##   system.time_start    tmmx    tmmn
## 1       Jan 1, 2015 255.302 171.651
## 2       Feb 1, 2015 268.651 184.000
## 3       Mar 1, 2015 268.651 183.000
## 4       Apr 1, 2015 252.302 168.000
## 5       May 1, 2015 228.000 153.349
## 6       Jun 1, 2015 209.651 141.349

# Procesamiento del conjunto de datos.
temp <- temp %>%
  separate(system.time_start, 
           into = c("MES", "DIA", "AÑO"), sep = " ")
temp$DIA <- gsub(",", "", temp$DIA)
head(temp)

##   MES DIA  AÑO    tmmx    tmmn
## 1 Jan   1 2015 255.302 171.651
## 2 Feb   1 2015 268.651 184.000
## 3 Mar   1 2015 268.651 183.000
## 4 Apr   1 2015 252.302 168.000
## 5 May   1 2015 228.000 153.349
## 6 Jun   1 2015 209.651 141.349

temp$tmmx <- temp$tmmx * 0.1
temp$tmmn <- temp$tmmn * 0.1
head(temp)

##   MES DIA  AÑO    tmmx    tmmn
## 1 Jan   1 2015 25.5302 17.1651
## 2 Feb   1 2015 26.8651 18.4000
## 3 Mar   1 2015 26.8651 18.3000
## 4 Apr   1 2015 25.2302 16.8000
## 5 May   1 2015 22.8000 15.3349
## 6 Jun   1 2015 20.9651 14.1349

# Calcular temperatura media mensual.
temp <- temp %>%
  mutate(tmed = (tmmx + tmmn)/2)
head(temp)

##   MES DIA  AÑO    tmmx    tmmn     tmed
## 1 Jan   1 2015 25.5302 17.1651 21.34765
## 2 Feb   1 2015 26.8651 18.4000 22.63255
## 3 Mar   1 2015 26.8651 18.3000 22.58255
## 4 Apr   1 2015 25.2302 16.8000 21.01510
## 5 May   1 2015 22.8000 15.3349 19.06745
## 6 Jun   1 2015 20.9651 14.1349 17.55000

# Calcular temperatura media anual.
tmed <- temp %>%
  group_by(AÑO) %>%
  summarise(tmed = mean(tmed))
head(tmed)

## # A tibble: 6 × 2
##   AÑO    tmed
##   <chr> <dbl>
## 1 2015   19.3
## 2 2016   19.3
## 3 2017   19.0
## 4 2018   18.8
## 5 2019   19.0
## 6 2020   18.5

# Generar "data.frame" con las variables de estudio.
data_temp <- data.frame(Surface_Wetland = data$AREA_HA,
                       Temperature_Mean = tmed$tmed)
# Boxplot.
ggplot(data_temp, aes(x = "", y = Temperature_Mean)) +
  geom_boxplot(col = "black", fill = "white") +
  geom_jitter(color = "red", size = 5, alpha = 0.5, pch = 16) +
  labs(title = "Boxplot of Mean Temperature",
       y = "Temperatura (°C)") +
  coord_flip() +
  scale_y_continuous(breaks = seq(17, 21, by = 0.5)) +
  theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
        legend.title = element_text(face = "bold", hjust = 0.5),
        axis.title.y = element_blank())

# Análisis de correlación.
ggplot(data_temp, aes(x = Temperature_Mean, y= Surface_Wetland)) + 
  geom_point() + 
  ggtitle("Scatter Plot of Wetland Area Change & Mean Temperature") +
  xlab("Temperatura (°C)") + ylab("Superficie (ha)") + 
  geom_smooth() +
  theme(plot.title = element_text(face = "bold", size = 14, 
                                  hjust = 0.5))

cor(data_temp$Temperature_Mean, data_temp$Surface_Wetland, method = "kendall")

## [1] -0.3333333

8.2. PRECIPITACIÓN

Los datos de precipitación fueron obtenidos del dataset CHIRPS a través de la plataforma Google Earth Engine para el periodo de estudio (2015 - 2024). Estos datos se presentan en formato raster con una resolución espacial aproximada de ~ 5.5 km y una frecuencia temporal diaria.

El boxplot de precipitación acumulada muestra una distribución asimétrica, con un rango intercuartílico entre aproximadamente 25 mm y 31 mm. Se identificaron valores atípicos por debajo de 22 mm y por encima de 42 mm, lo que sugiere la presencia de eventos de precipitación anómalas. Estos valores podrían estar influenciados por variaciones climáticas y oceanográficas, como los efectos del Fenómeno de El Niño y La Niña.

El gráfico de dispersión muestra la relación entre la superficie del humedal y la precipitación acumulada, evidenciando una tendencia no lineal. En general, se observa que un aumento en la precipitación puede asociarse con una mayor superficie vegetal del humedal, aunque con variaciones a lo largo del rango de datos. El coeficiente de correlación de Kendall (𝜏= 0.15) indica una relación positiva débil entre ambas variables, lo que sugiere que la precipitación influye en la dinámica del humedal, pero no de manera determinante. Desde un enfoque hidrológico, este comportamiento es esperable, ya que las lluvias aportan agua al humedal, favoreciendo la expansión de su superficie. Sin embargo, la baja magnitud de la correlación sugiere la intervención de otros factores, como la evapotranspiración, el nivel freático, la infiltración y la escorrentía.

# Importar datos ".csv".
ppt <- read.csv("datos/ppt.csv")
head(ppt)

##   system.time_start precipitation
## 1       Jan 1, 2015             0
## 2       Jan 2, 2015             0
## 3       Jan 3, 2015             0
## 4       Jan 4, 2015             0
## 5       Jan 5, 2015             0
## 6       Jan 6, 2015             0

# Procesamiento del conjunto de datos.
ppt <- ppt %>%
  separate(system.time_start, 
           into = c("MES", "DIA", "AÑO"), sep = " ")
ppt$DIA <- gsub(",", "", ppt$DIA)
head(ppt)

##   MES DIA  AÑO precipitation
## 1 Jan   1 2015             0
## 2 Jan   2 2015             0
## 3 Jan   3 2015             0
## 4 Jan   4 2015             0
## 5 Jan   5 2015             0
## 6 Jan   6 2015             0

# Calcular precipitacion anual acumulada.
ppt <- ppt %>%
  group_by(AÑO) %>%
  summarise(ppt = sum(precipitation))
head(ppt)

## # A tibble: 6 × 2
##   AÑO     ppt
##   <chr> <dbl>
## 1 2015   23.0
## 2 2016   21.3
## 3 2017   27.4
## 4 2018   42.3
## 5 2019   30.7
## 6 2020   30.2

# Generar "data.frame" con las variables de estudio.
data_ppt <- data.frame(Surface_Wetland = data$AREA_HA,
                        Precipitation = ppt$ppt)
# Boxplot.
ggplot(data_ppt, aes(x = "", y = Precipitation)) +
  geom_boxplot(col = "black", fill = "white") +
  geom_jitter(color = "blue", size = 5, alpha = 0.5, pch = 16) +
  labs(title = "Boxplot of Accumulated Precipitation",
       y = "Precipitación (mm)") +
  coord_flip() +
  scale_y_continuous(breaks = seq(21, 43, by = 2)) +
  theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
        legend.title = element_text(face = "bold", hjust = 0.5),
        axis.title.y = element_blank())

# Análisis de correlación.
ggplot(data_ppt, aes(x = Precipitation, y= Surface_Wetland)) + 
  geom_point() + 
  ggtitle("Scatter Plot of Wetland Area Change & Accumulated Precipitation") +
  xlab("Precipitación (mm)") + ylab("Superficie (ha)") + 
  geom_smooth() +
  theme(plot.title = element_text(face = "bold", size = 14, 
                                  hjust = 0.5))

cor(data_ppt$Precipitation, data_ppt$Surface_Wetland, method = "kendall")

## [1] 0.1555556

9. COBERTURA Y USO DEL SUELO

Los datos de cobertura y uso del suelo fueron obtenidos del dataset de MapBiomas Perú y descargados desde la plataforma Google Earth Engine para el período 2015-2022. Estos datos se presentan en formato raster, con una resolución espacial de 30 m y una frecuencia temporal anual. Los gráficos presentados muestran la dinámica de las coberturas del suelo en los últimos años dentro del área de influencia del humedal, delimitada en una distancia de influencia de 1000 m alrededor de este.

El gráfico de barras muestra la distribución porcentual de la superficie de las categorías de cobertura de suelo en los años 2016, 2019 y 2022, mientras que el gráfico de líneas representa la variación de la superficie en hectáreas de las principales clases de cobertura. Se observa un incremento progresivo del área urbana dentro del área de influencia del humedal, acompañado de una reducción significativa del mosaico agropecuario, especialmente en los años más recientes. Asimismo, las áreas sin vegetación presentan una tendencia al alza, mientras que la superficie pantanosa no muestra cambios significativos. Estos resultados sugieren un proceso de expansión urbana que avanza a expensas de la superficie agropecuaria.

Todos estos patrones se identifican a una resolución espacial de 30 m. Sin embargo, al analizar coberturas de menor extensión dentro del área de estudio, como el humedal, no se observan cambios significativos a esta escala. No obstante, al aumentar la resolución espacial a 4.7 m, se evidenció un incremento en la superficie del humedal Huacho-Hualmay-Carquín.

# Importar datos "xslx".
LULC <- read_excel("datos/LULC.xlsx")
# Filtrar años de análisis.
LULC_Filter1 <- LULC %>% 
  filter(Año %in% c(2016, 2019, 2022))
# Definir colores.
colores1 <- c("Zona Pantanosa" = "#228B22",
              "Mosaico Agropecuario" = "#F4E400",
              "Area Urbana" = "#D7191C",
              "Areas Sin Vegetacion" = "#D2B48C")
# Graficar Bar Plot of Annual Percentage of Land Cover.
ggplot(LULC_Filter1, aes(x = factor(Año), y = Area_porcentaje, fill = CLASES)) +
  geom_bar(stat = "identity", width = 0.7) +
  scale_y_continuous(breaks = seq(0, 100, by = 10)) +
  scale_fill_manual(values = colores1) +
  labs(title = "Bar Plot of Annual Percentage of Land Cover", x = "Años", 
       y = "Porcentaje de Superficie (%)", fill = "Categorías") +
  theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
        legend.title = element_text(face = "bold", hjust = 0.5))

# Filtrar coberturas de análisis.
LULC_Filter2 <- LULC %>%
  filter(CLASES != "Zona Pantanosa")
# Definir colores.
colores2 <- c("Mosaico Agropecuario" = "#F4E400",
              "Area Urbana" = "#D7191C",
              "Areas Sin Vegetacion" = "#D2B48C")
# Graficar Line Chart of Annual Land Cover Area.
ggplot(LULC_Filter2, aes(x = Año, y = Area_ha, color = CLASES)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  scale_color_manual(values = colores2) +
  scale_y_continuous(breaks = seq(50, 115, by = 8)) +
  scale_x_continuous(breaks = seq(2015, 2022, by = 1)) +
  labs(title = "Line Chart of Annual Land Cover Area", y = "Superficie (ha)", 
       x = "Años", color = "Categorías") +
  theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
        legend.title = element_text(face = "bold", hjust = 0.5))

10. CONCLUSIONES

El análisis multitemporal del humedal Huacho-Hualmay-Carquín entre 2015 y 2024 evidencia fluctuaciones en su superficie. En 2015, el humedal abarcaba 14.43 ha, presentando variaciones moderadas en los primeros años, con un ligero aumento en 2016 seguido de una reducción en 2017. Entre 2018 y 2019, se observó una recuperación significativa, aunque en 2020 sufrió una nueva disminución. A partir de 2021, la tendencia fue de crecimiento sostenido, con ligeras fluctuaciones a partir de 2022. En términos generales, durante el período 2015-2024, el humedal experimentó un crecimiento con una tasa de cambio anual del 2.15%. Esta tendencia creciente fue validada mediante el test no paramétrico de Mann-Kendall, obteniendo como resultado un coeficiente de Tau de 0.69 y un p-value menor a 0.05, lo que confirma la existencia de un patrón significativo de aumento en su superficie.

El análisis de la relación entre la superficie del humedal y las variables ambientales de temperatura y precipitación reveló patrones no lineales. La temperatura presentó un coeficiente de correlación de Kendall de -0.33, lo que indica una relación negativa de intensidad débil a moderada con la superficie del humedal. En contraste, la precipitación mostró un coeficiente de 0.15, evidenciando una relación positiva, aunque débil. Estas bajas magnitudes de correlación sugieren que la dinámica de pérdida y ganancia de la superficie del humedal no depende exclusivamente de estas variables, sino que está influenciada por otros factores.Por ello, se recomienda ampliar el análisis incorporando variables como la evapotranspiración, el nivel freático, la infiltración y la escorrentía, con el fin de comprender con mayor precisión los procesos que determinan la estabilidad y fluctuaciones de la superficie de los humedales costeros.

Para finalizar, el análisis de la dinámica de cobertura del suelo dentro del área de influencia del humedal evidenció un crecimiento progresivo del área urbana, acompañado de una reducción significativa del mosaico agropecuario, reflejando un proceso de expansión urbana. No obstante, a pesar de estos cambios en el uso del suelo, la superficie del humedal no se vio afectada negativamente. Por el contrario, presentó una tendencia de crecimiento, lo que sugiere una relativa exclusión a los efectos de la urbanización. Este comportamiento podría estar influenciado por la declaratoria de los humedales costeros de Huacho, Hualmay y Caleta de Carquín como Área de Conservación Ambiental (ACA) mediante la Ordenanza Municipal N°002-2022/MPH en febrero de 2022, cuyo objetivo es preservar el ecosistema y garantizar su protección a largo plazo.

REFERENCIAS

Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A., & Hegewisch, K. C. (2018). Terraclimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958–2015 [Conjunto de datos]. Scientific Data, 5, 170191. https://doi.org/10.1038/sdata.2017.191

Alberca, L., & Aponte, H. (2021). Diversidad y recambio espacial de las plantas vasculares del humedal marino costero de Carquín-Hualmay (Lima – Perú). Arnaldoa, 28(2), 319-338. https://doi.org/10.22497/arnaldoa.282.28204

Apeño, A., Aponte, H. (2022). Caracterización de la diversidad de aves en un humedal altamente intervenido del Pacífico suramericano. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 46(179), 380-392. https://doi.org/10.18257/raccefyn.1605

Aponte, H., Apeño, A. (2019). Riqueza de flora vascular de los humedales costeros de Lima: Una aproximación utilizando estimadores no paramétricos. Arnaldoa, 26(1), 131-138. https://doi.org/10.22497/arnaldoa.261.26107

Aponte, H., Gonzáles, S., Gómez, A. (2020). Impulsores de cambio en los humedales de América Latina: El caso de los humedales costeros de Lima. South Sustainability, 1(2), e023 (1-5). https://doi.org/10.21142/SS-0102-2020-023

Aponte, H., Ramírez, D. (2011). Humedales de la costa central del Perú: estructura y amenazas de sus comunidades vegetales. Ecología Aplicada, 10(1), 31-39. https://doi.org/10.21704/rea.v10i1-2.411

Aponte, H., Ramírez, D., Vargas, R. (2017). Primeros estadios en la regeneración natural de la vegetación post-incendio en los Humedales de Ventanilla (Lima-Perú). Ecología Aplicada, 16(1), 23-30. https://doi.org/10.21704/rea.v16i1.900

Brena, J., Castillo, C., & Wagner, A. (2016). Metodología para la delimitación y caracterización de humedales en escalas 1:50 000 y 1:20 000. Tecnología y Ciencias del Agua, 7(2). Recuperado de https://www.redalyc.org/articulo.oa?id=353545556006

Eid, M., Olatubara, C., Ewemoje, T., Farouk, H., & El-Hennawy, M. (2020). Coastal wetland vegetation features and digital change detection mapping based on remotely sensed imagery: El-Burullus Lake, Egypt. International Soil and Water Conservation Research, 8(1), 66-79. https://doi.org/10.1016/j.iswcr.2020.01.004

Flores, N., Castro, I., & Aponte, H. (2020). Evaluación de las unidades de vegetación en Los Pantanos De Villa (Lima, Perú) mediante sistemas de información geográfica y teledetección. Arnaldoa, 27(1). https://doi.org/10.22497/arnaldoa.271.27119

Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J., Harrison, L., Hoell, A., & Michaelsen, J. (2015). Las precipitaciones infrarrojas de los peligros climáticos con estaciones: un nuevo registro ambiental para supervisar los extremos [Conjunto de datos]. Scientific Data, 2, 150066. https://doi.org/10.1038/sdata.2015.66

Hoyos, A., Quinteros, N., & Crisólogo, M. (2022). Evaluación multitemporal de la superficie del humedal Huacho-Hualmay-Carquín entre los años 1986 y 2019. South Sustainability, 3(1), e053. https://doi.org/10.2142/SS-0301-2022-e053

Ministerio del Medio Ambiente & ONU Medio Ambiente. (2022). Guía de delimitación y caracterización de humedales urbanos de Chile. EDÁFICA Suelos y Medio Ambiente. https://humedaleschile.mma.gob.cl/

Paredes, M. (2021). Diversidad de aves en el humedal costero Huacho-Hualmay-Carquín, Huaura (Lima, Perú) durante el periodo 2019-2021 [Tesis de licenciatura, Universidad Científica del Sur]. Repositorio Academico. https://repositorio.cientifica.edu.pe/handle/20.500.12805/2010

Proyecto MapBiomas Perú – Colección 2.0 de la Serie Anual de Mapas de Cobertura y Uso del Suelo del Perú, adquirido el 25 de febrero del 2025 a través del link: http://peru.mapbiomas.org

Urbina, D., Rivera, F., & Aponte, H. (2022). ¿Se están reduciendo los humedales de la costa del Pacífico suramericano? El caso de los humedales de Lima. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 46(181). https://doi.org/10.18257/raccefyn.1699