PATRONES ESPACIO-TEMPORALES Y ESTRUCTURA ASOCIATIVA ENTRE EL NDVI Y EL SUELO EXPUESTO EN LOS CONDADOS DE KENIA (2024-2025)
DOI:
https://doi.org/10.14393/BGJ-v17n1-a2026-82057Palabras clave:
Vigor de la vegetación, Degradación del suelo, Análisis espacial, Planificación ambiental, Tipologías territorialesResumen
La planificación ambiental requiere una lectura sistémica de los territorios, donde el vigor de la vegetación y el suelo expuesto se consideran indicadores complementarios del estado ecológico y la vulnerabilidad de la tierra, ya que los enfoques basados en variables aisladas limitan tanto la interpretación como la acción. Guiados por esta perspectiva, evaluamos los patrones estadísticos y espaciales del vigor de la vegetación y el suelo expuesto en los 47 condados de Kenia para 2024 y 2025, utilizando imágenes compuestas del espectrorradiómetro de imágenes de resolución moderada (MODIS) procesadas en Google Earth Engine. El Índice de Vegetación de Diferencia Normalizada (NDVI) de MOD13Q1 y un Índice de Suelo Expuesto de MCD43A4 se resumieron como promedios de condado y luego se examinaron usando pruebas t pareadas bayesianas, correlaciones bayesianas, promedio de modelos bayesianos, agrupamiento de bosques aleatorios, I de Moran local y modelos espaciales del modelo Besag-York-Mollié 2 (BYM2) ajustado con INLA. Los resultados muestran una disminución moderada en el NDVI medio, de 0,568 en 2024 a 0,542 en 2025, junto con un cambio en el BSI medio de -0,023 a -0,007, con evidencia del factor bayesiano para el cambio en ambos indicadores. La clasificación de los condados se mantuvo consistente a lo largo del tiempo para NDVI y BSI, mientras que las asociaciones entre los indicadores fueron fuertemente negativas, lo que indica una oposición consistente entre la cobertura vegetal y la exposición del suelo. El análisis de conglomerados identificó tres regímenes ambientales, con un régimen dominante caracterizado por un NDVI bajo y una mayor exposición del suelo. Los indicadores locales revelaron agrupaciones contiguas de cambios para ambos índices, y las estimaciones de BYM2 indicaron que la mayor parte de la varianza latente estaba estructurada espacialmente (φ entre 0,88 y 0,90). El flujo de trabajo genera tipologías y mapas de condados para orientar el monitoreo y la planificación, y establece una base para vincular los regímenes con la variabilidad climática y las trayectorias del uso del suelo.
Referencias
ALBIZUA, A. The role of emotions and values in territorial planning teaching: Insights from a Basque University case study. Journal of Geography in Higher Education, v. 49, n. 4, 2025. DOI: https://doi.org/10.1080/03098265.2025.2549758.
ANSELIN, L. Local indicators of spatial association—LISA. Geographical Analysis, v. 27, n. 2, p. 93–115, 1995. DOI: https://doi.org/10.1111/j.1538-4632.1995.tb00338.x.
BECKER, S. J. et al. Bare ground classification using a spectral index ensemble and machine learning models optimized across 12 international study sites. Geocarto International, v. 40, n. 1, p. 1-24, 2025. DOI: https://doi.org/10.1080/10106049.2025.2465452.
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5-32, 2001. DOI: https://doi.org/10.1023/A:1010933404324.
CHEN, Q. et al. Spectral indices in remote sensing of soil: Definition, popularity and issues. A critical overview. Remote Sensing of Environment, v. 329, 114918, 2025. DOI: https://doi.org/10.1016/j.rse.2025.114918.
DIDAN, K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m SIN Grid V061. NASA EOSDIS Land Processes DAAC, 2021. DOI: https://doi.org/10.5067/MODIS/MOD13Q1.061.
FENG, L. et al. Globally increased cropland soil exposure to climate extremes in recent decades. Nature Communications, v. 16, n. 1, 4354, 2025. DOI: https://doi.org/10.1038/s41467-025-59544-1.
GORELICK, N. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18-27, 2017. DOI: https://doi.org/10.1016/j.rse.2017.06.031.
HOETING, J. A. et al. Bayesian model averaging: A tutorial. Statistical Science, v. 14, n. 4, p. 382-401, 1999. DOI: https://doi.org/10.1214/ss/1009212519.
KIPKEMOI, I. Early detection of vegetation stress in Nairobi National Park: structural change analysis from 2005 to 2025. Frontiers in Environmental Science, v. 13, 1662155, 2026. DOI: https://doi.org/10.3389/fenvs.2025.1662155.
KIPKULEI, H. et al. Land use/land cover dynamics in an arid and semi-arid landscape: A 24-year analysis of Baringo County, Kenya (2000–2024). Environmental Challenges, v. 19, 100993, 2025.
LY, A.; VERHAGEN, J.; WAGENMAKERS, E.-J. Harold Jeffreys’s default Bayes factor hypothesis tests: Explanation, extension and application in psychology. Journal of Mathematical Psychology, v. 72, p. 19-32, 2016. DOI: https://doi.org/10.1016/j.jmp.2015.06.004.
MEASHO, S. et al. Assessment of vegetation dynamics and ecosystem resilience in the context of climate change and drought in the Horn of Africa. Remote Sensing, v. 13, n. 9, 1668, 2021. DOI: https://doi.org/10.3390/rs13091668.
MUBONDERI, N. et al. Optical remote sensing for monitoring soil erosion in sub-Saharan grassland biomes: A systematic review. Environmental Monitoring and Assessment, v. 197, 976, 2025. DOI: https://doi.org/10.1007/s10661-025-14426-3.
NDUNGU, L. et al. Application of MODIS NDVI for monitoring Kenyan rangelands through a web-based decision support tool. Frontiers in Environmental Science, v. 7, 187, 2019. DOI: https://doi.org/10.3389/fenvs.2019.00187.
NGUYEN, C. T. et al. A modified bare soil index to identify bare land features during agricultural fallow period in Southeast Asia using Landsat 8. Land, v. 10, n. 3, 231, 2021. DOI: https://doi.org/10.3390/land10030231.
NJOROGE, C. G.; O’DONOGHUE, C.; KILGARRIFF, P. Evaluating cropping intensity in registered and unregistered farms: Evidence from Kenya. Remote Sensing Applications: Society and Environment, v. 36, 101245, 2024. DOI: https://doi.org/10.1016/j.rsase.2024.101245.
OGEMBO, V. et al. Seasonal drought dynamics in Kenya: Remote sensing and combined indices for climate risk planning. Climate, v. 14, n. 1, 14, 2026. DOI: https://doi.org/10.3390/cli14010014.
PARRACCIANI, C.; BUITENWERF, R.; SVENNING, J.-C. Impacts of climate change on vegetation in Kenya: Future projections and implications for protected areas. Land, v. 12, n. 11, 2052, 2023. DOI: https://doi.org/10.3390/land12112052.
PETTORELLI, N. et al. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, v. 20, n. 9, p. 503-510, 2005. DOI: https://doi.org/10.1016/j.tree.2005.05.011.
RAMIREZ, M. A.; LIZARAZO, I. Geographic perspectives on sustainability: Towards a conceptual framework. Environmental Development, v. 52, 101121, 2024. DOI: https://doi.org/10.1016/j.envdev.2024.101121.
RIKIMARU, A.; ROY, P. S.; MIYATAKE, S. Tropical forest cover density mapping. Tropical Ecology, v. 43, n. 1, p. 39-47, 2002.
ROUDER, J. N. et al. Bayesian t tests for accepting and rejecting the null hypothesis. Psychonomic Bulletin & Review, v. 16, n. 2, p. 225-237, 2009. DOI: https://doi.org/10.3758/PBR.16.2.225.
RUE, H.; MARTINO, S.; CHOPIN, N. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, v. 71, n. 2, p. 319-392, 2009. DOI: https://doi.org/10.1111/j.1467-9868.2008.00700.x.
SCHAAF, C. B. et al. First operational BRDF, albedo nadir reflectance products from MODIS. Remote Sensing of Environment, v. 83, n. 1-2, p. 135-148, 2002. DOI: https://doi.org/10.1016/S0034-4257(02)00091-3.
SHIRI, Z. et al. Landscape approaches for sustainable land systems: A critical systematic review of frameworks, governance, and socio-ecological outcomes. Landscape Sustainability, v. 1, 100007, 2025. DOI: https://doi.org/10.1016/j.las.2025.100007.
SIMPSON, D. et al. Penalising model component complexity: A principled, practical approach to constructing priors. Statistical Science, v. 32, n. 1, p. 1-28, 2017. DOI: https://doi.org/10.1214/16-STS576.
THEPVONGSA, J.; BUTAR BUTAR, E. S. Analytical study on the relationship among land surface temperature, land use land cover, and spectral indices using geospatial techniques over Sikhottabong District, Laos. Case Studies in Chemical and Environmental Engineering, v. 12, 101269, 2025. DOI: https://doi.org/10.1016/j.cscee.2025.101269.
YAN, K. et al. A global systematic review of the remote sensing vegetation indices. International Journal of Applied Earth Observation and Geoinformation, v. 139, 104560, 2025. DOI: https://doi.org/10.1016/j.jag.2025.104560.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Rafael Rossi, Monicah Mucheru-Muna, Peter Mageto
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
All copyrights are reserved to authors. Reproductions of any part of this journal, including the non-commercial use of figures, maps and other illustrations, are allowed provided that the original source of publication be assigned.
