Resumen

Identificar la concentración de manglar es de gran importancia en la caracterización y zonificación de los ecosistemas de manglar para controlar y mitigar la pérdida de este recurso natural, además, métodos convencionales como el Corin Land Cover liderado por el IDEAM, el cual se ha utilizado para el levantamiento de coberturas de suelo para esta zona de estudio han sido dispendiosos y lentos. Por consiguiente, es necesario diseñar e implementar un nuevo proceso metodológico ágil, robusto y eficiente que permita obtener información de la cobertura de manglares a lo largo de la costa y margen de los ríos desde imágenes de satélite Landsat para generar resultados válidos para la toma de decisiones. En este sentido, se diseñó e implementó este nuevo método para mapear la concentración de manglar en la bahía de Buenaventura del Valle del Cauca detectada en las imágenes de satélite que consistió en procesar la información a través del plugin Semi-Automatic Classification (SCP) instalado en el software de acceso libre QGIS 3.20, en el que se calculó índices espectrales para la identificación de las características y áreas de la cobertura de manglar obtenidas con la aplicación de los algoritmos de clasificación de distancia mínima, máxima probabilidad y mapeo del ángulo espectral permitiendo obtener áreas de 1569.06 has, 1905.030 has y 1608.48 hectáreas respectivamente, mostrando que son propicios para distinguir los bosques de manglar. Para la validación de los productos fue necesario calcular la exactitud de los resultados mediante la matriz de confusión y el índice estadístico kappa tomando como referencia el mapa de manglares de la bahía de Buenaventura realizada por García (2012) cuya metodología fue implementada a partir de imágenes Landsat 5 del año 2011. Aunque la zona de estudio presenta dificultades para trabajar con información generada por sensores pasivos por su alto grado de nubosidad, el desarrollo de esta propuesta permitió demostrar que esta nueva metodología para mapear la concentración de manglar es eficiente, manejable y precisa para obtener información de la cobertura de manglar a partir de la potencialidad del plugin Semi- Automatic Classification (SCP). Los resultados de 95.57% de precisión total y 0.6023 de grado de concordancia muestran que la clasificación realizada por el algoritmo de máxima probabilidad es mejor que la realizada por el algoritmo de distancia mínima cuyo valor de precisión es 95.42% y 0.564 de concordancia, y el de mapeo de ángulo espectral con valor de precisión es 95.5% y 0.5686 de concordancia.