Figura 2. Microcuencas utilizadas en el análisis en la provincia de Bizkaia, delimitadas
a partir de las unidades hidrográficas de mayor detalle (nivel 12) del conjunto
de datos WWF HydroSHEDS (https://www.hydrosheds.org).
Estas microcuencas, descargadas y procesadas mediante GEE, se emplearon como
unidades espaciales de agregación de los resultados del modelo InVEST SDR
(sedimentos exportados y retenidos, erosión y exportación evitadas) para
evaluar el cambio en el potencial erosivo entre los años considerados. Ver
explicación de códigos en la leyenda en Tabla 2.
Figure 2. Microbasins used in the analysis in the
province of Bizkaia, delineated from the highest‑resolution hydrological units
(level 12) of the WWF HydroSHEDS dataset (https://www.hydrosheds.org).
These microbasins, downloaded and processed using GEE, were used as spatial
aggregation units for the InVEST SDR outputs (exported and retained sediments,
avoided erosion and avoided export) to assess changes in erosive potential
between the considered years. Legend
code explanation in Table 2.
Resultados
En la
Figura 2 se
observan los cambios de cobertura del suelo a nivel provincial. Respecto al
suelo urbano, es llamativa la expansión de este, el cual se ha duplicado en las
últimas tres décadas. Al inicio del periodo, praderas y plantaciones de
coníferas eran dominantes. Además, existía una gran superficie cubierta por
matorral boscoso y de transición (Tabla A1). Al final del
periodo, se pudo observar un claro retroceso de las superficies de pradera, así
como del matorral de transición (Figura 1).
Más allá del aumento de la superficie urbana, esto se debía al aumento de la
superficie de bosques de frondosas, que pasaban de una superficie menor al 5 %
a aproximadamente el 15 %. Además, una nueva categoría, mosaico de cultivos,
correspondía al 9.5 % de todo el territorio en 2018 (Tabla A1).
Ver la discusión a continuación donde se detallan las incertidumbres de la
fuente de información en este respecto.
Respecto
a los resultados del modelizado SDR, estos mostraron que la disminución de la
exportación de sedimentación era mayoritaria. Si bien existían excepciones, los
resultados de sedimentos evitados reflejaban, de manera clara, que el aumento
de la cobertura forestal mejoraba la capacidad de retención de sedimentos en el
lugar de origen (Tabla 3). A su vez, se pudo observar que existía una relación
inversamente proporcional entre la deposición de sedimentos y la exportación de
estos. En los casos en los cuales la magnitud de la exportación de sedimentos
era notablemente mayor al resto de los componentes, la pérdida del suelo (USLE)
terminaba por ser mayor al final del periodo de estudio.
Tabla 3. Resultados del módulo InVEST SDR para cada microcuenca (ID) según Figura 2 del área de estudio en 1990 y 2018. Se
muestran, para ambos años y por microcuenca, la pérdida total de suelo estimada
mediante USLE (usle_tot), los sedimentos exportados (sed_export), los
sedimentos depositados dentro de la cuenca (sed_dep), la exportación de
sedimentos evitada gracias a la cobertura y manejo del suelo (avoid_exp), la
erosión evitada o suelo conservado (avoid_eros) y el uso del suelo mayoritario
(Ocup. Mayoritaria). Todas las variables se expresan en toneladas por
microcuenca y año. Ver explicación de códigos en leyenda en Tabla 2.
Table
3. InVEST SDR module results for each microbasin
(ID) as shown in Figure 2 in the study area for
1990 and 2018. For both years and for each microbasin, the table reports total
soil loss estimated with USLE (usle_tot), exported sediments (sed_export),
sediments deposited within the catchment (sed_dep), sediment export avoided due
to land cover and management (avoid_exp), erosion avoided or soil conserved
(avoid_eros), and predominant land use (Ocup. Mayoritaria). All variables are
expressed in tons per microbasin and year. Legend code explanation in Table 2.
Discusión
¿Cómo de factible es la
recopilación de datos Big Data para modelar servicios ecosistémicos?
En líneas generales, los
resultados muestran una mejora en el servicio ecosistémico de retención de
sedimentos, si bien existe variabilidad espacial a lo largo de la cuenca. De
manera preliminar, cabe destacar que, bajo el diseño de estudio, los cambios derivados
muestran el efecto del cambio del suelo modelizados a través del factor C, y en
menor medida del factor P, ya que el resto de los datos de entrada (factor K,
R, LS, y microcuencas) se mantuvieron constantes por la falta de bases de datos
temporales para estas variables que dieran constancia de los cambios temporales
en el territorio. Esto, debido a la dificultad de obtener valores para cada
factor adaptados a periodos concretos de manera rápida mediante las
herramientas del Big Data utilizadas. Dentro de estos datos con variaciones en
cada periodo, conviene destacar que los cambios ligados al factor C, están
principalmente condicionados a la propia asignación de coeficientes a clases
CLC a partir de una fuente temporal intermedia, ya que la actualización
multitemporal del factor C es escasa, lo que limita la adecuación del mismo a
cada época (Latella
et al., 2025).
Principalmente, se observó un
cambio hacia valores C mayores en las superficies impermeables, y disminuciones
o ausencia de cambio en los valores C en superficies agroganaderas y forestales
(Tabla 2). Dado que, en las zonas urbanas, los valores C
cercanos a cero reflejan mayor impermeabilidad, esto podría denotar que las
áreas urbanas de la provincia son cada vez menos homogéneas, por ejemplo, en
forma de mayor superficie de zonas verdes (ver Tabla A1)
(Fan et al., 2021). También destaca la
disminución del factor C en los espacios con vegetación escasa. Este cambio
implica una menor susceptibilidad a la erosión del suelo en estas regiones. En
esta línea, es sabido que, en zonas con poca vegetación, la sucesión natural
(más años de abandono que lleven a vegetación más compleja y estable), reduce
la escorrentía y por ende la producción de sedimentos (Zhou et al., 2024). Esto es coherente con la disminución del factor C y
además es indicativo de que, pese a utilizar la misma capa del factor C para
cada cobertura del suelo, la toma de datos mediante el Big Data es todavía
fiable.
La aplicación de un valor
específico del factor P para las áreas cultivadas y otros tipos de uso del
suelo permite una evaluación más precisa y matizada del riesgo de erosión del
suelo. Reconoce la variabilidad inherente a la susceptibilidad a la erosión
según los diferentes usos del suelo, lo que nos permite adaptar las estrategias
de gestión de la erosión del suelo de forma más eficaz (Demir y Dursun, 2024). Nuestro estudio pretendía la obtención de datos
mediante fuentes Big Data y adaptadas al contexto. No obstante, por falta de
medios disponibles, se tuvo que asignar valores siguiendo criterio experto (ver
Tabla 1). Esto podría ser indicador de que mayor esfuerzo es
todavía necesario en la generación de cartografía para el factor P actualizada
y de libre acceso.
En resumen, y para todos los
factores USLE, se puede argumentar que este enfoque basado en software de
modelización de servicios ecosistémicos y de obtención de datos en repositorios
del Big Data permite asignar mayor detalle a las categorías de CLC, no tratándolas
como homogéneas siguiendo proxies de otros estudios (por ejemplo, Rocha y Sparovek, 2021). Esto sería especialmente relevante en aquellas
zonas homogéneas donde la incertidumbre espectral es menor (Álvarez-Martínez et
al., 2010). En el territorio
estudiado, esto podría ser de especial utilidad en la asignación de valores C
específicos a masas forestales distintas, como son las plantaciones de pinar y
los bosques de frondosas bien conservados; mientras que se mantendría una mayor
incertidumbre en aquellas parcelas mixtas ligadas al aprovechamiento maderero
(por ejemplo, aquellas que intercalan eucalipto y/o pináceas con frondosas
nativas), ya que la resolución del pixel de 100-500 m hace que el factor C sea
una media de lo encontrado dentro de este (Álvarez-Martínez et al., 2010).
Además,
otra de las limitaciones de este estudio es que, aun cuando la fuente de datos
del valor C aporta granularidad parcial a coberturas de naturaleza similar; CLC
no está exento de incertidumbre. Para España, se han documentado problemas de
comparabilidad temporal y de asignación temática, particularmente intensos
desde 2012 y especialmente relevantes entre categorías de praderas y categorías
heterogéneas o mixtas (García-Álvarez y Camacho Olmedo, 2022). El problema de fondo viene a ser que la resolución
temática de CLC no siempre permite representar adecuadamente cubiertas con
distinta estructura, manejo e implicaciones ecológicas (García-Álvarez
y Camacho Olmedo, 2022). Por ello,
incluso aunque el factor C sea correcto, su asignación a categorías de
cobertura del suelo puede errar. En este trabajo, este fenómeno parece haberse
repetido, tal y como demuestran la no existencia de mosaico de cultivos en 1990
y su aparición notable en 2018, a costa de las praderas (Fig. 2, Tabla A1,
Fig. A1). A escala más contextual, CLC no permite distinguir
entre las plantaciones de frondosas (Eucalyptus spp.) y los bosques
nativos, una dinámica especialmente relevante en el área de estudio (Onaindia et al., 2018), y por ello se pierde cualquier diferencia de la
fuente del factor C entre clases. Claramente, las plantaciones de eucalipto (y
en menor medida de coníferas en aquellas parcelas mixtas que no se clasifican
correctamente en CLC) tienen un impacto en la erosión que no se ha podido
cuantificar (Onaindia
et al., 2018). Sería recomendable que
futuras actualizaciones de CLC generen una nueva categoría para este tipo de
coberturas.
Por todo ello, si bien el uso de bases de datos y procesamiento con Big
Data ha permitido agilizar la labor de investigación, son necesarios datos en
campo y expansiones en los datos geomáticos que permitan validar los resultados
y generar cartografía de una mayor resolución a la aquí utilizada. Esto es
especialmente importante en las parcelas en las mismas clases principales, como
las masas forestales (bosques o plantaciones) y que tienen maneras de gestión
distintas (conservación, abandono o uso extractivo, entre otros…) que no quedan
reflejadas en la cartografía.
¿Qué cambios ha tenido la tasa de suministro de
sedimentos en Bizkaia?
Teniendo lo anterior en
consideración, el presente caso de estudio mediante InVEST ha demostrado
cambios geoespaciales entre los dos periodos de estudio. Primeramente, se hace
notable ver que, mientras las exportaciones evitadas son positivas y por encima
del 5 % de cambio frente al periodo inicial de manera casi absoluta, existen
microcuencas en las cuales, al mismo tiempo, los sedimentos exportados han
aumentado. Esto puede ser contraintuitivo, especialmente notando que, los
cambios en las coberturas observados (menos praderas, más bosque) siguieren un
abandono del territorio debido a las dinámicas de población actuales que ha
sido descrito como beneficioso para la retención de sedimentos ecosistémica (Foucher et al., 2019) (Fig. 2, Fig. A1).
Esto es un hecho conocido. Velázquez et al. (2022) ya han documentado como la dinámica del abandono ha
favorecido la cobertura arbórea en las últimas décadas en el norte y centro de
España, y el análisis de diagrama de Sankey de este estudio así lo corrobora al
mostrar traspasos de matorral a bosques (Fig. A1).
No obstante, podría ser que, en algunas microcuencas de Bizkaia, el aumento de
la cobertura forestal no sea suficiente para disminuir los nuevos sedimentos
exportados, derivados de usos del suelo más erosionables. Tal y como comentaron
Hooftman et al.
(2023) la erosión evitada depende de
la cantidad absoluta de erosión posible. Esto significa que, si existe poco
suelo erosionable (por ejemplo, roquedos) al inicio del periodo estudiado, la
magnitud de la erosión evitada y su exportación será preferentemente menor en
este periodo. En este estudio, existen microcuencas altas (p.e., microcuencas
18 y 20) con macizos calizos donde la cobertura del suelo inicial (1990)
mostraba superficies de roquedos que al final del periodo (2018) se
clasificaron como vegetación escasa. Esto se veía reflejado en el factor C, que
aumentaba su magnitud significativamente entre las categorías. Claramente, a
mayor C, mayor potencial de producción de sedimentos, por lo que USLE o los
sedimentos exportados aumentaron (Fan et al., 2021). Este hecho tiene implicaciones directas en la degradación de la
calidad del agua, un mayor riesgo de deslizamientos de tierra e inundaciones
repentinas, e impactos adversos en los ecosistemas y las comunidades locales (Girona-García et al.,
2021). No obstante, y dado que a su
vez aumentó la superficie forestal, la capacidad de evitar erosión y deposición
de sedimentos también se vio aumentada. Esto es ecológicamente beneficioso, ya
que mitigó los impactos mencionados, y se puede ver en que, aunque la
exportación de sedimentos aumente, lo hace en mucha menor medida que los
valores totales de USLE (la cantidad potencial total de pérdida de suelo) (Tabla 3) (Zhou et al., 2024).
Por otro lado, también son
remarcables las propias disminuciones en las exportaciones de sedimentos en las
zonas mineras de la provincia donde comenzó el abandono de la actividad a
finales del pasado siglo (p.e., microcuencas 6 y 8). Mientras que la cobertura
de 1990 muestra áreas de matorrales, hoy día existen áreas forestales, tanto de
frondosas como pináceas. El resultado es una exportación de sedimentos
claramente reducida (Pacetti et al., 2020).
En resumen, si bien la
cobertura forestal ha aumentado la capacidad de evitación de sedimentos, debido
al aumento de la cobertura de vegetación en algunas
microcuencas de las zonas de cabecera – ligada en parte a la disminución de
roquedos y a su topografía marcada –, estas exportan más sedimentos y un mayor
riesgo USLE. Además, respecto a las zonas mineras de la provincia, y dado que
el aumento de la cobertura forestal no ha sido llevado a cabo de manera
gestionada, y es a menudo fruto del abandono del territorio, se recomienda
maximizar el potencial de evitar exportación de sedimentos y su protección
mediante Soluciones basadas en la Naturaleza como zanjas de infiltración o
estabilizadores de pendiente (Papaioannou et al., 2023).
Conclusión
Este trabajo ha producido
información valiosa sobre la dinámica de la erosión de suelo en los últimos 30
años en Bizkaia, de una manera rápida, recogiendo información de teledetección
y SIG vía el Big Data. Esto permite adaptar la cartografía de cobertura del
suelo a gran escala y de uso libre a algunos de los factores clave para la
estimación del servicio ecosistémico objetivo.
Por el contrario, aun residen
limitaciones derivadas de la incertidumbre causada por la baja resolución de
los datos y de cómo los resultados pueden ser útiles a microescala. La cartografía no puede ser validada ni adaptada a este
contexto más local sin trabajo de campo. En esta materia, y considerando lo
costoso de realizar campañas de campo a gran escala, podría ser beneficiosa la
actualización de la información existente de manera periódica, por ejemplo, del
factor C. Además, aún se carece de fuentes de datos para algunos de los
factores requeridos, lo cual sugiere la necesidad de trabajar tanto en
producción de datos faltantes como en el monitoreo de los ya disponibles.
Contribución de los autores
Jon Larrinaga López:
Conceptualización, metodología, investigación, análisis formal, redacción de
borrador original, redacción-revisión y edición.
Disponibilidad de datos
y código
Este artículo ha utilizado
datos de fuentes en abierto citadas en la Tabla 1.
El código utilizado está disponible en GitHub (https://github.com/jonlarri2127/sdr-bizkaia).
Financiación, permisos requeridos, potenciales
conflictos de interés y agradecimientos
El autor declara no tener
ningún conflicto de intereses. Esta investigación no recibió financiación
externa.
Gracias al equipo docente del
Máster Universitario en Geoinformática para la Gestión de Recursos Naturales
por su buena labor profesional, la cual me otorgó de los conocimientos
requeridos para la producción del presente trabajo.
Referencias
Álvarez-Martínez, J. M.,
Stoorvogel, J. J., Suárez-Seoane, S. & de Luis Calabuig, E. (2010). Uncertainty analysis as a tool for refining land dynamics modelling
on changing landscapes: a case study in a Spanish Natural Park. Landscape
Ecology, 25, 1385-1404. https://doi.org/10.1007/s10980-010-9492-z
Ashagre, B. B., Platts, P. J., Njana, M., Burgess, N. D., Balmford, A.,
Turner, R. K. & Schaafsma, M. (2018). Integrated modelling for economic
valuation of the role of forests and woodlands in drinking water provision to
two African cities. Ecosystem Services, 32, 50-61. https://doi.org/10.1016/j.ecoser.2018.05.004
Aznarez, C., Jimeno-Sáez, P.,
López-Ballesteros, A., Pacheco, J. P. & Senent-Aparicio, J. (2021). Analysing the impact of climate change on hydrological ecosystem
services in Laguna del Sauce (Uruguay) using the SWAT model and remote sensing
data. Remote Sensing, 13(10), 2014. https://doi.org/10.3390/rs13102014
Bhattacharya, R. K., Chatterjee, N. D. & Das, K.
(2024). Modelling of soil erosion susceptibility incorporating sediment
connectivity and export at landscape scale using integrated machine learning,
InVEST-SDR and Fragstats. Journal of Environmental Management, 353,
120164. https://doi.org/10.1016/j.jenvman.2024.120164
Borselli, L., Cassi, P. & Torri, D. (2008). Prolegomena to
sediment and flow connectivity in the landscape: A GIS and field numerical
assessment. Catena, 75, 268-277. https://doi.org/10.1016/j.catena.2008.07.006
Brema, J. & Hauzinger, J. (2016). Estimation of
the soil erosion in Cauvery Watershed (Tamil Nadu and Karnataka) using
USLE. IOSR Journal of Environmental Science, Toxicology and Food
Technology, 10(12, Ver. III), 1-11. https://doi.org/10.9790/2402-1012030111
Cong, W., Sun, X., Guo, H. & Shan, R. (2020). Comparison of the SWAT
and InVEST models to determine hydrological ecosystem service spatial patterns,
priorities and trade-offs in a complex basin. Ecological Indicators, 112,
106089. https://doi.org/10.1016/j.ecolind.2020.106089
Demir, S. &
Dursun, I. (2024). Assessment of pre-and post-fire
erosion using the RUSLE equation in a watershed affected by the forest fire on
Google Earth Engine: the study of Manavgat River Basin. Natural
Hazards, 120(3), 2499-2527. https://doi.org/10.1007/s11069-023-06291-5
Evaluación de los Ecosistemas del Milenio (MEA)
(2002). Ecosystems and human well-being. Synthesis. D.C.
(US): Island Press. MEA. Disponible en: https://www.millenniumassessment.org/documents/document.356.aspx.pdf
Fan, J., Motamedi, A. & Galoie, M. (2021). Impact of C factor of
USLE technique on the accuracy of soil erosion modeling in elevated mountainous
area (case study: the Tibetan plateau). Environment, Development and
Sustainability, 23(8), 12615-12630. https://doi.org/10.1007/s10668-020-01133-x
Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley,
S., … Alsdorf, D. (2007). The shuttle radar topography mission. Reviews of
geophysics, 45(2), RG2004. https://doi.org/10.1029/2005RG000183
Foucher, A., Evrard, O., Chabert, C., Cerdan, O., Lefèvre, I., Vandromme,
R. & Salvador-Blanes, S. (2019). Erosional response to land abandonment in
rural areas of Western Europe during the Anthropocene: A case study in the
Massif-Central, France. Agriculture, Ecosystems and Environment, 284,
106582. https://doi.org/10.1016/j.agee.2019.106582
García-Álvarez,
D. & Camacho Olmedo, M. T. (2022) [preprint].
Analysing the uncertainty of the CORINE Land Cover time series 1990–2018 for
Spain. International Journal of Remote Sensing. https://doi.org/10.31223/X5QD1F
Girona-García, A., Vieira, D. C. S., Silva, J., Fernández, C., Robichaud, P. R.
& Keizer, J. J. (2021). Effectiveness of post-fire soil erosion mitigation
treatments: A systematic review and meta-analysis. Earth-Science Reviews,
217, 103611. https://doi.org/10.1016/j.earscirev.2021.103611
Guo, Z., Yan, Z., PaErHaTi, M., He, R., Yang, H., Wang, R. & Ci, H
(2023). Assessment of soil erosion and its driving factors in the Huaihe region
using the InVEST-SDR model. Geocarto International, 38(1),
2213208. https://doi.org/10.1080/10106049.2023.2213208
Havinga, I., Bogaart, P. W., Hein, L. & Tuia, D (2020). Defining and
spatially modelling cultural ecosystem services using crowd sourced data. Ecosystem
Services, 43, 101091. https://doi.org/10.1016/j.ecoser.2020.101091
Hernández, L., Álvarez-Martínez,
J. M., Gómez Almaraz, C., Sánchez de Dios, R., Jímenez Alfaro, B. &
Álvarez-Taboada, F. (2024). Biodiversity monitoring in the Big
Data era. Ecosistemas, 31(3): 2450. https://doi.org/10.7818/ECOS.2450
Hernández‐Blanco, M., Costanza, R., Chen, H., DeGroot, D., Jarvis, D., Kubiszewski,
I., … van ‘t Hoff, V. (2022). Ecosystem health, ecosystem services, and the
well‐being of humans and the rest of nature. Global Change Biology,
28(17): 5027-5040. https://doi.org/10.1111/gcb.16281
Hooftman, D. A., Bullock, J. M., Evans, P. M., Redhead, J. W., Ridding, L.
E., Varma, V. & Pywell, R. F. (2023) [preprint]. A model of sediment
retention by vegetation for Great Britain: new methodologies & validation. bioRxiv,
2023-08. https://doi.org/10.1101/2023.08.17.553678
La Economía de los Ecosistemas y la Biodiversidad (TEEB) (2010). The Economics of Ecosystems & Biodiversity.
Disponible en: https://teebweb.org/
(Accedido: 23/05/2025).
Latella, M., Cerveira, G., D’Anca,
A., Santini, M. & Balzarolo, M. (2025). Land cover and
management factor in soil erosion assessments: where do we stand and where are
we going?. Asamblea General de la EGU 2025,
Viena, Austria, 27 de abril-2 de mayo de 2025, EGU25-15855. https://doi.org/10.5194/egusphere-egu25-15855
Manley, K. &
Egoh, B. N. (2022). Mapping and modeling the impact
of climate change on recreational ecosystem services using machine learning and
Big Data. Environmental Research Letters, 17(5), 054025. https://doi.org/10.1088/1748-9326/ac65a3
Manley, K., Nyelele, C. & Egoh, B. N. (2022). A review of machine
learning and Big Data applications in addressing ecosystem service research
gaps. Ecosystem Services, 57, 101478. https://doi.org/10.1016/j.ecoser.2022.101478
Onaindia, M., Peña, L., de
Manuel, B. F., Rodríguez-Loinaz, G., Madariaga, I., Palacios-Agúndez, I. &
Ametzaga-Arregi, I. (2018). Land use efficiency through
analysis of agrological capacity and ecosystem services in an industrialized
region (Biscay, Spain). Land Use Policy, 78, 650-661. https://doi.org/10.1016/j.landusepol.2018.06.049
Pacetti, T., Lompi, M., Petri, C. & Caporali, E. (2020). Mining
activity impacts on soil erodibility and reservoirs silting: Evaluation of
mining decommissioning strategies. Journal of Hydrology, 589,
125107. https://doi.org/10.1016/j.jhydrol.2020.125107
Panagos, P., Meusburger, K., Ballabio, C., Borrelli, P. & Alewell, C.
(2014). Soil erodibility in Europe: A high-resolution dataset based on LUCAS. Science
of the Total Environment, 479, 189-200. https://doi.org/10.1016/j.scitotenv.2014.02.010
Panagos, P., Borrelli, P.,
Meusburger, K., Alewell, C., Lugato, E. & Montanarella, L. (2015). Estimating the soil erosion cover-management factor at the European
scale. Land Use Policy, 48, 38-50. https://doi.org/10.1016/j.landusepol.2015.05.021
Panagos, P., Borrelli, P., Meusburger, K., Yu, B., Klik, A., Jae Lim, K., …
Ballabio, C. (2017). Global rainfall erosivity assessment based on
high-temporal resolution rainfall records. Scientific Reports, 7(1),
4175. https://doi.org/10.1038/s41598-017-04282-8
Papaioannou, G., Alamanos, A. & Maris, F. (2023). Evaluating Post-Fire
Erosion and Flood Protection Techniques: A Narrative Review of Applications. GeoHazards,
4, 380-405. https://doi.org/10.3390/geohazards4040022
Ramírez-Ortiz, F. A.,
Hincapié, G. E. & Sadeghian, K. S. (2009). Erodabilidad de los suelos de la
zona central cafetera del departamento de Caldas. Cenicafé, 60(1), 58-71. https://biblioteca.cenicafe.org/handle/10778/157
Rocha, G. C.
D. & Sparovek, G. (2021). Scientific and
technical knowledge of sugarcane cover-management USLE/RUSLE factor. Scientia
Agricola, 78(1), e20200234. https://doi.org/10.1590/1678-992X-2020-0234
Scowen, M., Athanasiadis, I. N., Bullock, J. M.,
Eigenbrod, F. & Willcock, S. (2021). The current and future uses of machine
learning in ecosystem service research. Science of the Total Environment,
799, 149263. https://doi.org/10.1016/j.scitotenv.2021.149263
Tallis, H.
& Polasky, S. (2009). Mapping and valuing
ecosystem services as an approach for conservation and natural-resource
management. Annals of the New York Academy of Sciences, 1162(1),
265-283. https://doi.org/10.1111/j.1749-6632.2009.04152.x
Vejre, H., Jensen, F. S. & Thorsen, B. J. (2010). Demonstrating the
importance of intangible ecosystem services from peri-urban landscapes. Ecological
Complexity, 7(3), 338-348. https://doi.org/10.1016/j.ecocom.2009.09.005
Velázquez, E., Martínez-Jáuregui, C., Wheeler, C., Mitchard, E. T. A. &
Bravo, F. (2022). Forest expansion in abandoned agricultural lands has limited
effect to offset carbon emissions from Central-North Spain. Regional
Environmental Change, 22, 132. https://doi.org/10.1007/s10113-022-01978-0
Villa, F., Ceroni, M., Bagstad,
K., Johnson, G. & Krivov, S. (2009). ARIES (Artificial Intelligence for
Ecosystem Services): A new tool for ecosystem services assessment, planning,
and valuation. In: IISD (11. eds.) Proceedings of the 11th annual BIOECON
conference on economic instruments to enhance the conservation and sustainable
use of biodiversity, Venice, Italy.
Disponible en: https://www.bioecon-network.org/pages/11th_2009/Villa.pdf
Wischmeier, W. H. & Smith, D. D. (1978). Predicting rainfall erosion losses, a
guide to conservation planning. Agriculture Handbook. No. 537, US Department of
Agriculture, Washington, DC., USA. Disponible en: https://www.ars.usda.gov/ARSUserFiles/60600505/RUSLE/AH_537%20Predicting%20Rainfall%20Soil%20Losses.pdf
Zhou, S., Li, P., Zhang, X., Wang, Y., Yu, K., Shi, P., … Chang, E.
(2024). Runoff and erosion reduction benefits of vegetation during natural
succession on fallow grassland slopes. Science of the Total Environment,
954, 176211. https://doi.org/10.1016/j.scitotenv.2024.176211
Anexo / Annex
Tabla A1. Coberturas
del suelo en la provincia de Bizkaia para los años 1990 y 2018, derivadas de
CLC, con el área ocupada por cada categoría (km²) y su porcentaje respecto al
total provincial en cada fecha. Las categorías principales de uso/cobertura del
suelo (praderas, mosaico de cultivos, bosques de frondosas, plantaciones de
coníferas, bosques mixtos, landas y matorrales, y matorral boscoso de
transición) se muestran en negrita para facilitar la identificación de los usos
más influyentes en el modelo.
Table
A1. Land cover classes in the province of Bizkaia
for 1990 and 2018, derived from CLC, showing the area occupied by each category
(km²) and its percentage of the provincial total for each date. The main land
use/land cover categories (pastures, complex cultivation patterns, broad-leaved
forests, coniferous plantations, mixed forests, moors and heathlands, and
transitional woodland‑shrub) are highlighted in bold to facilitate
identification of the land uses most influential in the model.
Figura A1. Diagrama de Sankey de las
transiciones entre las clases CLC más relevantes para la interpretación de los
cambios observados en Bizkaia entre 1990 y 2018, incluyendo aquellas con
mayores variaciones de superficie y aquellas sujetas a mayor incertidumbre cartográfica.
El ancho de cada flujo representa el número de píxeles. No se muestran los
cambios desde/hacia otras categorías no mostradas, ya que son de magnitud
menor.
Figure A1. Sankey diagram of transitions among the CLC classes most relevant
for interpreting the changes observed in Bizkaia between 1990 and 2018,
including those with the largest area variations and those subject to greater
cartographic uncertainty. Flow width represents the number of pixels. Changes
from/to other categories not shown are omitted, as they are of smaller
magnitude.
