Revista Científica de Ingeniería, Industria y Arquitectura
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Cita sugerida: Tenesaca-Pacheco, C. (2026). Prospectiva territorial del uso y
cobertura del suelo: escenarios de planificación para el cantón Cuenca hacia
2030. Revista Científica FINIBUS – Ingeniería, Industria y Arquitectura,
9(17), 44-54. https://doi.org/10.56124/finibus.v9i17.004
DOI: https://doi.org/10.56124/finibus.v9i17.004
Recibido: 28-08-2025 Revisado: 18-10-2025
Aceptado: 19-11-2025 Publicado: 01-01-2026
Artículo original
Prospectiva territorial del uso y cobertura del suelo:
escenarios de planificación para el cantón Cuenca
hacia 2030
Carlos Rodrigo Tenesaca Pacheco [1]
[1] Universidad del Azuay. Cuenca, Ecuador.
Autor para correspondencia: crtenesaca@uazuay.edu.ec
Resumen
La construcción de escenarios prospectivos, mediante modelos de simulación de uso y cobertura del suelo, constituye una
herramienta estratégica para anticipar, prevenir y mitigar dinámicas insostenibles asociadas a los patrones de consumo y
producción que inciden directamente en el desarrollo territorial. Esta investigación tiene como objetivo aportar a la generación
de escenarios futuros a partir del análisis prospectivo del uso y cobertura de suelo en el cantón Cuenca - Ecuador, hacia el 2030.
La metodología integró la prospectiva estratégica con el modelo CA-Markov, siguiendo un proceso estructurado en tres fases:
(a) análisis de los cambios espacio-temporales de la cobertura y el uso del suelo, así como el cálculo de las probabilidades de
transición para el período 2000–2018; (b) elaboración de mapas de idoneidad de transición mediante integración de técnicas
de lógica difusa (fuzzy), Proceso Analítico Jerárquico (AHP) y Evaluación Multicriterio (MCE); y (c) validación del modelo
CA-Markov y simulación de escenarios prospectivos al 2030. Los resultados evidencian que, entre los años 2000 y 2018, las
coberturas naturales disminuyeron de forma significativa, mientras que las áreas agropecuarias y usos antrópicos registraron
una expansión, tendencias que, se proyectan continuar hacia el 2030. Este análisis espaciotemporal no solo permite una
comprensión integral de la dinámica del territorio, sino que se consolida como un insumo fundamental para la planificación y
la gestión territorial. Este enfoque facilita la articulación de criterios técnicos, académicos y de planificación con las demandas
de la sociedad civil, contribuyendo al diseño de estrategias orientadas a promover un desarrollo territorial sostenible del cantón.
Palabras Clave: modelos prospectivos; ordenamiento territorial; cambio de uso de suelo.
Article
Territorial foresight of Land Use and Land Cover: Planning scenarios for the canton of
Cuenca toward 2030
Abstract
The construction of prospective scenarios through land use and land cover simulation models constitutes a strategic tool for
anticipating, preventing, and mitigating unsustainable dynamics associated with consumption and production patterns that
directly affect territorial development. This research aims to contribute to the generation of future scenarios based on a
prospective analysis of land use and land cover in the canton of Cuenca, Ecuador, toward the year 2030.The methodology
integrated strategic foresight with the CA-Markov model, following a structured process organized into three phases: (a)
analysis of spatio-temporal changes in land use and land cover, as well as the calculation of transition probabilities for the
period 2000–2018; (b) development of transition suitability maps through the integration of fuzzy logic techniques, the Analytic
Hierarchy Process (AHP), and Multi-Criteria Evaluation (MCE); and (c) validation of the CA-Markov model and simulation
of prospective scenarios to the 2030 horizon. The results indicate that, between 2000 and 2018, natural land-cover classes
declined significantly, while agricultural areas and anthropogenic land uses expanded—trends that are projected to continue
toward 2030. This spatio-temporal analysis not only enables a comprehensive understanding of territorial dynamics but also
consolidates its role as a fundamental input for territorial planning and management. Moreover, this approach facilitates the
articulation of technical, academic, and planning criteria with the demands of civil society, contributing to the design of
strategies aimed at promoting sustainable territorial development within the canton.
Keywords: prospective models; territorial planning; land-use change.
45
1. Introducción
El cambio de uso y cobertura del suelo constituye uno de los
fenómenos más significativos de las últimas décadas, al
reflejar la interacción entre dinámicas sociales, económicas
y ambientales en los territorios. Dichos procesos, lejos de ser
neutros, revelan tensiones entre modelos de desarrollo,
intereses colectivos y privados, así como las limitaciones de
los marcos institucionales para gestionar de manera
sostenible los recursos naturales (Gidey et al., 2017; Hamad
et al., 2018; Rimal et al., 2017).
En este contexto, el suelo deja de ser entendido únicamente
como soporte físico para convertirse en un espacio
socialmente producido, en el que confluyen prácticas de
apropiación, transformación y resistencia. La expansión
urbana, la intensificación agrícola o la deforestación no solo
alteran la configuración espacial del territorio, sino también
las formas de vida y de organización comunitaria,
impactando la seguridad alimentaria, la equidad territorial y
la justicia ambiental (Herrera, & Ali, 2009; Ulloa-Espíndola,
& Martín-Fernández, 2021).
Frente a esta complejidad, las ciencias sociales han
destacado la necesidad de integrar herramientas analíticas
que permitan anticipar escenarios de cambio y fortalecer la
capacidad de decisión de actores locales y nacionales. La
prospectiva estratégica surge como un enfoque clave en este
campo, pues facilita la construcción de futuros posibles y
deseables a partir del análisis de tendencias y la deliberación
colectiva (Astigarraga, 2016; Miklos, 2002; Sánchez, 2018).
Paralelamente, en el ámbito de la geografía y los estudios
territoriales se han desarrollado modelos de simulación
espacial, entre los cuales destacan las cadenas de Markov y
los autómatas celulares (CA–Markov). Estos modelos
permiten analizar la dinámica de transformación del suelo,
integrando información espacial y temporal, y generando
proyecciones que resultan fundamentales para la
planificación territorial (Al-Sharif & Pradhan, 2014; Gidey
et al., 2017; Hyandye & Martz, 2017).
La pertinencia social de estas metodologías radica en su
capacidad de traducir datos complejos en escenarios
comprensibles para la gestión pública y comunitaria. Al
generar simulaciones sobre la expansión urbana o la
degradación ambiental, los modelos CA–Markov facilitan el
diálogo entre ciencia, política y sociedad, y ofrecen un marco
técnico para tomar decisiones más transparentes y
participativas (Avalos et al., 2019; Rimal et al., 2017).
Asimismo, su uso fomenta una visión de largo plazo que
contrasta con las prácticas tradicionales de planificación,
generalmente fragmentadas y a corto plazo. La prospectiva
estratégica, en diálogo con la modelación espacial, impulsa
un cambio de paradigma hacia políticas públicas orientadas
por escenarios de sostenibilidad, resiliencia y justicia
ambiental (Sánchez, 2018; Ministerio del Ambiente del
Ecuador, 2016).
Las metodologías basadas en CA–Markov y prospectiva
estratégica constituyen un puente entre el análisis científico
y la acción social, ofreciendo marcos de interpretación y
decisión que vinculan los cambios territoriales con las
aspiraciones colectivas de desarrollo. Su adopción,
especialmente en regiones de alta fragilidad ecológica y
social, se vuelve una necesidad impostergable para
garantizar un ordenamiento territorial que articule
sostenibilidad, equidad y resiliencia en el marco de los
desafíos del siglo XXI.
2. Metodología
2.1. Área de estudio
El estudio se llevó a cabo en el cantón Cuenca perteneciente
a la provincia del Azuay, localizada en la región centro sur
de Ecuador, entre la latitud 2° 50´00 S y longitud 79° 10´W.
El cantón Cuenca posee 21 parroquias rurales y 15
parroquias urbanas que en conjunto comprenden un área
territorial de 3.195 km2. Su cota varía desde los 300 hasta
los 4.398 m.s.n.m, con pendientes desde los 0° hasta más 58°
grados consideradas muy escarpadas.
2.2. Procesamiento de la información
El procesamiento de la información cartográfica se realizó
con el software QGIS Hannover (versión 3.16.5), mientras
que el análisis y modelamiento de los usos de suelo se
efectuó mediante la herramienta Land Change Modeler for
Ecological Sustainability, integrada en el TerrSet Geospatial
Modeling and Monitoring System (Clark Labs, versión
18.2).
La metodología se estructuró en tres etapas principales:
a) Cambios espaciotemporales de uso y cobertura de
suelo, así como el cálculo de las probabilidades de
transición para el período 2000–2018.
b) Mapas de idoneidad de transición mediante
integración de técnicas de lógica difusa (fuzzy),
Proceso Analítico Jerárquico (AHP) y Evaluación
Multicriterio (MCE).
c) Validación del modelo CA-Markov y simulación de
escenarios prospectivos al 2030 (Ver Figura 1).
a) Análisis de los cambios espaciotemporales de la
cobertura y el uso del suelo, así como el cálculo de las
probabilidades de transición para el período 2000–2018
46
Los mapas de cobertura y uso de suelo se generaron para los
años 2000, 2008 y 2018, tomando como insumo la
cartografía histórica del Ministerio del Ambiente del
Ecuador (http://ide.ambiente.gob.ec/mapainteractivo/). La
información fue validada, editada y estandarizada a partir de
cinco imágenes satelitales Landsat Thematic Mapper
1
(TM)
y Operational Land Imager
2
(OLI), definiendo ocho clases
de cobertura.
Figura 1: Diagrama esquemático de simulación de cambio de uso de suelo con CA_Markov. Fuente: Adaptado de Das y Sarkar (2019,
fig. 3); Gidey et al. (2017, fig. 2); Hyandye y Martz (2017, fig. 3); Keshtkar y Voigt (2016, pp. 2–6).
Posteriormente, se evaluaron los cambios ocurridos entre
periodos para identificar ganancias y pérdidas de coberturas.
El cálculo de la tasa de cambio se realizó mediante:
(# Pixels changed for a class / total area of the land cover
map) *100
Y el cálculo de la tasa anual de cambio, se calcula en función
de:
𝑅 = (𝐴1 − 𝐴2) / (𝑡2 − 𝑡1)
donde R es la deforestación total anual promedio; A1 el área
inicial; A2 el área final; y t1 y t2 los años de inicio y fin del
periodo.
1
Imágenes disponibles: 3 de noviembre de 2001, 9 de noviembre del 2009
y 31 de julio de 2007
Con base en el análisis anterior, se aplicó el modelo de
cadenas de Markov. Se definió el periodo base entre 2000
(t1) y 2008 (t2), considerando un intervalo de ocho años.
Posteriormente, se proyectó un escenario tendencial al 2018,
incorporando como parámetros un valor de celda de fondo
de 0,0 y un error proporcional de 0,15.
Esto permitió obtener la matriz de probabilidad de transición
y las áreas de transición de cambio de uso, insumos
esenciales para la proyección al horizonte 2030.
La matriz de probabilidad se calculó mediante:
X= ∑((𝑂−𝐸)2
𝐸)
donde X es la matriz de probabilidad de transición, O el
número observado de transiciones y E el número esperado.
2
Imágenes disponibles: 20 de noviembre del 2016 y 7 septiembre de 2018
47
b) Elaboración de mapas de idoneidad de transición
mediante integración Fuzzy-AHP-MCE
Los mapas de idoneidad
3
se elaboraron estableciendo reglas
de transición entre coberturas, considerando factores de
cambio y restricciones. Se aplicaron funciones de
pertenencia difusa (Fuzzy), el Proceso de Jerarquía Analítica
(AHP) de Saaty y la Evaluación Multicriterio (MCE) (Gidey
et al., 2017; Hamad et al., 2018).
De acuerdo con Gidey et al., (2017), la proximidad a
elementos biofísicos es un factor crítico en la dinámica de
cambio. Otros autores destacan, además, el peso de variables
socioeconómicas en estos procesos (Gidey et al., 2017;
Hyandye & Martz, 2017; Rimal et al., 2017).
Las variables consideradas incluyeron: proximidad a
adjudicaciones de agua, centros poblados, clases
agrológicas, equipamientos, pendientes, movimientos en
masa, vías y áreas protegidas, etc. (Ver Figura 2).
La estandarización de las restricciones se realizó en escala
booleana (0 = no idóneo; 1 = idóneo).
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
(j)
(k)
(l)
(m)
Variables físicas y socioeconómicas de cambio de cobertura y
uso de suelo. (a) Proximidad a adjudicaciones de agua, (b)
Proximidad a centros poblados, (c) Clases agrologicas, (d)
Modelo digital de Terreno, (e) Proximidad a equipamientos, (f)
Proximidad a movimientos en masa, (g) Proximidad a áreas
Protegidas (PSB Individual y colectivo, AICAS, BVP), (h)
Proximidad a puntos de carga, (i) Proximidad a ríos principales,
(j) Proximidad a ríos secundarios, (k) Proximidad a pendiente en
grados, (l) Proximidad a vías, (m) Restricción Patrimonio Áreas
Naturales de Ecuador – PANE.
Figura 2: Proximidad a variables biofísicas y socio económicas.
c) Validación del modelo CA-Markov y simulación de
escenarios prospectivos al 2030
El poder predictivo del modelo se evaluó comparando el
escenario tendencial proyectado al 2018 con el mapa actual
del mismo. La validación se efectuó mediante el Índice
Kappa de Concordancia, el cual mide la similitud en la
ubicación de las coberturas (Keshtkar & Voigt, 2016;
Pontius, 2000). Se consideró válido el modelo cuando el
índice fue superior a 0.8 (Das & Sarkar, 2019).
Finalmente, a partir de las matrices de transición y mapas de
idoneidad, se generaron tres escenarios de cambio de uso y
cobertura de suelo al año 2030: tendencial, ideal y no
3
Con el propósito de fortalecer y validar los escenarios de planificación
territorial, el grupo de investigación UDA–IERSE desarrolló talleres
participativos con la participación de seis expertos de distintas disciplinas
(Ingeniería Agronómica, dos especialistas en Ingeniería Ambiental,
Ingeniería de Sistemas, Ingeniería de Minas, Biología y Arquitectura). Este
deseado. Estos escenarios se construyeron desde la línea
base 2000–2018 y fueron ajustados mediante la validación
de un panel de expertos, incorporando criterios técnicos y
consideraciones territoriales relevantes. Ver Tabla 1 y Tabla
2
3. Resultados y discusión
El análisis de los cambios de uso y cobertura de suelo en el
cantón Cuenca entre 2000 y 2018 confirma un patrón de
transformación acelerada de los ecosistemas naturales, con
la pérdida sostenida de bosque nativo, páramo y vegetación
arbustiva, los cuales fueron reemplazados progresivamente
por tierras agropecuarias y zonas antrópicas.
proceso permitió consensuar de manera técnica la selección de los factores
de cambio, las restricciones, los conjuntos difusos y los valores de
ponderación, aportando solidez metodológica y legitimidad social a la toma
de decisiones; los resultados se presentan en las Tablas 1 y 2.
48
Tabla 1: Factores, tipos / formas de funciones de membresía, puntos de control y escenarios utilizados para el desarrollo del mapa de
idoneidad.
Factor
Membership function
type
Membership functions shape
Puntos de control
A
Linear
Monotonically increasing
(1) a= 50 b= 100
(2) a= 0 b= 50
(3) a= 100 b= 150
B
Linear
Monotonically decreasing
(1) c= 1000 d= 2200
(2) c= 1200 d= 2500
(3) c= 250 d=1000
C
Linear
Monotonically increasing
(1) a= 100 b= 5000
(3) a= 1000 b= 5000
D
Sigmoidal
Monotonically symmetric
(1,3) a=0 b=1500 c=2500 d=3300
(2) a=0 b=1500 c=2800 d=3400
E
Linear
Monotonically decrasing
(1) c= 1000 d= 1500
(2) c=1500 d=3000
(3) c=300 d= 1000
F
Linear
Monotonically increasing
(1) a= 100 b= 5000
(3) a= 1000 b=5000
G
Linear
Monotonically decreasing
(1) c= 500 d= 1500
(3) c= 1000 d= 1500
H
Linear
Monotonically decreasing
(1) c= 300 d= 1000
(2) c= 150 d=2000
(3) c= 100 d=500
I
Linear
Monotonically increasing
(1) a= 50 b= 100
(2) a= 0 b= 50
(3) a= 100 b= 150
J
Linear
Monotonically increasing
(1) a= 100 b= 1500
(2) a= 50 c=1000
(3) a= 200 b= 1500
K
Sigmoidal
Monotonically decreasing
(1) c= 0 d= 30
(2) c= 0 d= 35
(3) c= 0 d= 25
L
Linear
Monotonically symmetric
(1) a=0 b=30 c=50 d=100
(2) a=0 b=50 c=100 d=150
(3) a=0 b=30 c=50 d=90
M
Restricción
Tabla 2: Pesos de cada factor considerado en este estudio. Tendencial (1), No deseado (2) e ideal (3).
Cód.
Factores
Escenarios (ponderaciòn)
1
2
3
a
Proximidad adjudicaciones de agua (m)
0,0619
0,0424
0,0803
b
Proximidad centros poblados (m)
0,0993
0,1647
0,034
c
Proximidad clases agrológicas (m)
0,0290
----
0,0734
d
Modelo Digital del Terreno (m.s.n.n)
0,0633
0,0653
0,1165
e
Proximidad equipamientos (m)
0,0960
0,1894
0,03
f
Proximidad movimientos en masa (m)
0,0383
----
0,0776
g
Proximidad programa socio bosque (m)
0,0705
----
0,1374
h
Proximidad puntos eléctricos (m)
0,1064
0,1731
0,0273
i
Proximidad ríos principales (m)
0,1167
0,0452
0,1095
j
Proximidad ríos secundarios/quebradas (m)
0,0577
0,0452
0,0975
k
Pendiente (grados)
0,1168
0,0631
0,1816
l
Proximidad a vías (m)
0,1442
0,2115
0,0348
m
Restricción: Parque Nacional Cajas
X
X
X
Total
1
1
1
49
Estos resultados concuerdan con investigaciones en otras
regiones andinas del Ecuador, donde el avance de la frontera
agropecuaria ha representado uno de los principales motores
de deforestación (Ulloa-Espíndola & Martín-Fernández,
2021; Tapia-Armijos et al. 2015). La dinámica espacial se
concentró en tres áreas críticas: (a) Chaucha y Molleturo,
donde los bosques nativos ceden frente a la expansión
agropecuaria; (b) Tarqui, Cumbe, Victoria del Portete y
Quingeo, con tradición ganadera y fuerte presión sobre
ecosistemas frágiles; y (c) las parroquias cercanas a la
cabecera urbana, donde la urbanización se convierte en el
principal motor de cambio (Figura 3). Este patrón espacial
coincide con lo evidenciado por Tapia-Armijos et al. (2015),
quienes documentaron la fragmentación del paisaje asociada
a la urbanización y la agricultura intensiva en la Sierra sur
ecuatoriana.
Figura 3: Mapas de uso y cobertura de suelo del cantón Cuenca. Parroquias Rurales: Zona (a) Chaucha y Molleturo, Zona (b) Tarqui,
Cumbe, Victoria del Portete y Quingeo y Zona (c) Sayausi, Sinincay, San Joaquín y Cuenca (urbano)
Los datos cuantitativos revelan pérdidas anuales
significativas: –496,29 ha de bosque nativo, –342,08 ha de
vegetación arbustiva y –99,86 ha de páramo. Por su parte, las
mayores ganancias se concentran en tierras agropecuarias
(+723,08 ha) y zonas antrópicas (+226,22 ha) (ver Tabla 3).
Estas cifras reflejan la presión combinada de la urbanización
y la expansión agrícola, una dinámica reportada también en
Colombia y Perú, donde la ganadería extensiva y la
informalidad urbana han impulsado procesos de cambio
territorial similares (Hernández-Gómez, Rojas-Robles, &
Sánchez-Calderón, 2013; Herrera, A., & Ali, Maurizio.
2009).
El uso del modelo CA_Markov permitió proyectar
escenarios prospectivos al 2030 con alta fiabilidad,
corroborada por valores elevados en los índices Kappa (Kno
= 0,927; Kstandard = 0,902). Este nivel de precisión es
consistente con lo reportado por Avalos et al. (2019) y Rimal
et al. (2017), quienes destacan la capacidad del modelo para
sustentar procesos de planificación territorial. En el caso de
Cuenca, estos escenarios ofrecen una base técnica para
orientar políticas hacia un desarrollo sostenible y
equilibrado.
Tabla 3: Análisis de cambio de uso y cobertura de suelo en el periodo 2000 - 2018
Uso y cobertura de suelo
2000
2008
2018
Tasa de cambio
anual
Bosque nativo
65.442,5
62.630,6
56.509,2
-496,3
Cuerpos de agua
2.311,6
2.315,5
1.964,6
-19,3
Páramo
116.984,2
115.803,4
115.186,6
-99,9
Plantación forestal
3.499
2.755,5
2.933,4
-31,4
Sin cobertura vegetal
397,5
206,6
1.110,8
39,6
Tierra agropecuaria
113.303,6
123.729,4
126.319,1
723,1
Vegetación arbustiva y herbácea
14.261,6
8.516,2
8.104,1
-342,1
Zona antrópica
3.318,8
3.561,5
7.390,9
226,2
50
Los escenarios prospectivos revelan trayectorias
contrastantes. Los tres escenarios muestran trayectorias
contrastantes: el tendencial y el no deseado proyectan una
reducción continua de coberturas naturales, mientras que el
ideal plantea la recuperación de bosques, páramos y
vegetación arbustiva (Tabla 4). Este último escenario se
alinea con los objetivos de conservación y restauración
ecológica establecidos en la Estrategia Nacional de
Biodiversidad del Ecuador (Ministerio del Ambiente, 2016),
y demuestra la viabilidad de diseñar políticas basadas en la
sostenibilidad.
La pérdida proyectada de 10.427,67 ha de bosque nativo en
el escenario no deseado alerta sobre un riesgo ambiental
crítico, ya que estos ecosistemas son clave para la regulación
hídrica en la cuenca del río Tomebamba. Casos similares se
han documentado en los Andes peruanos, donde la
deforestación en cabeceras de cuenca compromete el
suministro de agua potable para las ciudades (Che Piu &
Menton, 2014). Esta comparación evidencia la necesidad de
políticas integradas de conservación y ordenamiento
territorial.
El análisis también destaca la relevancia de factores
socioeconómicos y biofísicos como impulsores del cambio,
en concordancia con Hyandye y Martz (2017). En Cuenca,
la proximidad a vías principales, centros poblados y zonas de
infraestructura explica la concentración de los procesos de
cambio, lo cual es similar a lo encontrado por Ulloa-
Espíndola & Martín-Fernández, 2021 en Quito, donde la
expansión urbana se articula directamente con la
accesibilidad vial y la presión inmobiliaria.
La inclusión de variables socioeconómicas y físicas en la
modelación mejora la comprensión del sistema territorial,
como sugieren Al-Sharif y Pradhan (2014). En América
Latina, investigaciones aplicadas en la Amazonía brasileña y
en la región andina muestran que los modelos híbridos de
cambio de uso de suelo ofrecen una representación más
realista de las dinámicas territoriales, al capturar tanto los
procesos biofísicos como los económicos (Aguiar et al.,
2016).
Tabla 4: Análisis de cambio de uso y cobertura de suelo en el periodo 2018 - 2030
Uso y cobertura de suelo
2018
Modelos prospectivos
Tendencial
2030
No deseado
2030
Ideal
2030
Bosque nativo
56.509,2
48.819,8
46.081,5
57.855,7
Cuerpos de agua
1.964,6
1.531,2
1.545,4
1.350,7
Páramo
115.186,6
114.459,3
113.488,5
116.444,3
Plantación forestal
2.933,5
1.347,3
1.180,4
777,6
Sin cobertura vegetal
1.110,8
1.832,4
521,9
73,7
Tierra agropecuaria
126.319,1
134.569,6
137.119,8
123.479,8
Vegetación arbustiva y herbácea
8.104,1
5.386,5
5.154,8
12.127,5
Zona antrópica
7.390,9
11.572,8
14.426,4
7.409,4
Desde una perspectiva espacial, el escenario ideal evidencia
la posibilidad de revertir tendencias negativas mediante
acciones de restauración y conservación. En la zona (a), por
ejemplo, la regeneración de bosques y páramos podría
garantizar la conectividad ecológica, un aspecto que ya ha
sido exitosamente implementado en proyectos de
restauración de páramos en Cotopaxi y Tungurahua (Cuesta
et al., 2014).
La zona (b), históricamente dedicada a la ganadería, muestra
la importancia de promover alternativas productivas
sostenibles, como la agroforestería o la ganadería
regenerativa. Experiencias en Loja y Azuay han demostrado
que la diversificación productiva puede reducir la presión
sobre ecosistemas frágiles y mejorar los ingresos de las
familias rurales (Cuesta et al., 2014).
En la zona (c), el crecimiento urbano proyectado en
escenarios tendenciales y no deseados confirma la
fragmentación de hábitats naturales. Este proceso ha sido
documentado también en Quito y Bogotá, donde la
expansión desordenada de la ciudad sobre suelos agrícolas
ha reducido la resiliencia territorial Ulloa-Espíndola &
Martín-Fernández, 2021. Para Cuenca, esto implica la
necesidad de fortalecer instrumentos de planificación urbana
que prioricen la densificación frente a la expansión
horizontal.
Más allá de los patrones espaciales, los resultados reflejan
que las limitaciones biofísicas de Cuenca, altitud, pendientes
pronunciadas y recursos hídricos vulnerables no han sido
suficientes para frenar el avance de la frontera agrícola y
urbana. Como advierte Pinos (2016), este fenómeno
51
responde a una combinación de factores sociales y
económicos que superan las restricciones naturales.
Situaciones semejantes se observan en Bolivia, donde la
agricultura en laderas continúa expandiéndose pese a los
altos costos ambientales (Zimmerer, 2015) (Ver Figura 4).
Figura 4: Modelos prospectivos del uso de suelo en el cantón Cuenca al 2030. Parroquias Rurales: Zona (a) Chaucha y Molleturo, Zona
(b) Tarqui, Cumbe, Victoria del Portete y Quingeo y Zona (c) Sayausi, Sinincay
La discusión metodológica muestra que las técnicas
prospectivas no deben limitarse al análisis cuantitativo, sino
incorporar criterios de deseabilidad y probabilidad, como
propone Miklos (2002). En este sentido, la integración del
juicio experto con modelos espaciales, como se aplicó en
este estudio, constituye una herramienta robusta para la toma
de decisiones, especialmente en contextos latinoamericanos
donde la incertidumbre es elevada (Omar et al., 2014) (Ver
Figura 5).
La comparación con estudios previos (Pinos, 2016) confirma
la tendencia hacia la reducción de coberturas naturales en
Cuenca, aunque este trabajo aporta un análisis más detallado
de las diferencias espaciales y la interacción entre factores
socioeconómicos y biofísicos. Esto refuerza la necesidad de
que los gobiernos locales integren el análisis de escenarios
prospectivos en sus instrumentos de planificación territorial,
en línea con las recomendaciones de Avalos et al. (2019).
Se reconoce que el uso de cadenas de Markov y de modelos
prospectivos territoriales presenta limitaciones estructurales
que deben ser consideradas críticamente en los procesos de
planificación. En primer lugar, los modelos Markovianos se
basan en el supuesto de estacionariedad de las probabilidades
de transición, lo que implica que las dinámicas futuras del
uso y cobertura del suelo reproducen patrones del pasado,
reduciendo su capacidad para incorporar cambios abruptos
derivados de políticas públicas, transformaciones
socioeconómicas, innovaciones tecnológicas o eventos
ambientales extremos (Pontius, 2000; Das & Sarkar, 2019).
Asimismo, aunque su integración con autómatas celulares
mejora la representación espacial, persisten dificultades para
capturar la complejidad de los procesos territoriales, en
particular aquellos vinculados a decisiones humanas,
relaciones de poder, contextos institucionales y factores
culturales, que no siempre son cuantificables ni fácilmente
parametrizables (Barreira & Barros, 2017; Herrera & Ali,
2009). Desde la perspectiva de la prospectiva territorial, si
bien esta aporta una visión estratégica orientada al largo
plazo, su principal limitación radica en el carácter subjetivo
de la construcción de escenarios, altamente dependiente de
52
los supuestos, la calidad de la información y la participación
de los actores involucrados, lo que puede derivar en
escenarios normativos más deseables que plausibles
(Miklos, 2002; Astigarraga, 2016).
Figura 5: Articulación entre la prospectiva estratégica y CA-Markov
4. Conclusiones
El análisis de la dinámica de cambio de uso y cobertura de
suelo en el cantón Cuenca evidencia transformaciones
significativas entre 2000 y 2018, con una pérdida sostenida
de ecosistemas naturales, principalmente bosques nativos,
páramos y vegetación arbustiva. Estos cambios no son
homogéneos, sino que se concentran en áreas críticas como
Chaucha y Molleturo, donde la frontera agropecuaria avanza
sobre los bosques; Tarqui y Victoria del Portete, con
tradición ganadera y fuerte presión sobre ecosistemas
frágiles; y las parroquias cercanas a la cabecera urbana,
donde predomina la expansión urbana. Dichos resultados
confirman que los ecosistemas de alta montaña, esenciales
para la regulación hídrica y la biodiversidad, se encuentran
bajo creciente amenaza.
Los datos cuantitativos corroboran estas tendencias,
revelando pérdidas anuales de hasta –496 ha de bosque
nativo y –342 ha de vegetación arbustiva, frente a un
crecimiento notable de tierras agropecuarias (+723 ha/año) y
zonas antrópicas (+226 ha/año). Estos hallazgos ponen en
evidencia la presión combinada de la agricultura y la
urbanización sobre ecosistemas estratégicos, un fenómeno
compartido con otros territorios andinos de Ecuador. La
magnitud de estas cifras sugiere que, de no mediar acciones
correctivas, se acentuará la fragmentación de hábitats y la
disminución de servicios ecosistémicos críticos como la
provisión de agua.
Los escenarios prospectivos hacia 2030 resaltan la
importancia de anticipar las trayectorias del territorio:
mientras los escenarios tendencial y no deseado proyectan
una pérdida drástica de coberturas naturales (hasta –10.427
ha de bosque nativo), el escenario ideal plantea una
recuperación significativa, con aumentos de hasta +1.346 ha
de bosque y +1.257 ha de páramo. Este hallazgo clave
demuestra que el futuro territorial no está predeterminado,
sino que depende de las políticas públicas, la gobernanza
ambiental y la implementación de estrategias de manejo
sostenible.
La aplicación del modelo CA–Markov, combinada con el
análisis jerárquico AHP y la integración de variables
socioeconómicas y biofísicas, se consolidó como una
herramienta robusta para la planificación territorial. La alta
53
consistencia obtenida en las validaciones (CR < 0,1; Kappa
> 0,9) confirma su fiabilidad y pertinencia, no solo para el
contexto de Cuenca, sino también para otros territorios
andinos donde confluyen múltiples presiones antrópicas.
Este estudio pone en evidencia que la integración de la
modelación espacial con enfoques prospectivos constituye
un insumo clave para orientar decisiones estratégicas en el
marco del desarrollo sostenible, en tanto permite identificar
tendencias de cambio y construir escenarios contrastantes
que revelan, de manera simultánea, los riesgos asociados a la
inacción y las oportunidades para la conservación y la
restauración territorial. No obstante, los resultados también
confirman que tanto las cadenas de Markov como la
prospectiva territorial deben ser comprendidas como
herramientas complementarias y no deterministas, cuyo
principal aporte no radica en la predicción exacta del futuro,
sino en fortalecer la reflexión estratégica, la anticipación de
dinámicas territoriales y la toma de decisiones informadas en
los procesos de ordenamiento territorial y gestión ambiental,
especialmente en contextos latinoamericanos caracterizados
por una alta fragilidad ecológica.
Referencias
Aguiar, A. P. D., Vieira, I. C. G., Assis, T. O., Dalla-Nora,
E. L., Toledo, P. M., Santos-Junior, R. A. O., &
Batistella, M. (2016). Land use change emission
scenarios: Anticipating a forest transition process in the
Brazilian Amazon? Global Change Biology, 22(5),
1821–1840. https://doi.org/10.1111/gcb.13134
Al-Sharif, A. A. A., & Pradhan, B. (2014). Monitoring and
predicting land use change in Tripoli Metropolitan City
using an integrated Markov chain and cellular automata
models in GIS. Arabian Journal of Geosciences, 7(10),
4291–4301. https://doi.org/10.1007/s12517-013-1119-7
Astigarraga, E. (2016). Prospectiva estratégica: Orígenes,
conceptos clave e introducción a su práctica. Revista
Centroamericana de Administración Pública, 71, 13–29.
https://doi.org/10.35485/rcap71_1
Avalos, A., Gómez Delgado, M., Aguilera Benavente, F., &
Flores Vilchez, F. (2019). Simulación del crecimiento
urbano de la zona metropolitana Tepic-Xalisco, México.
Estudios Geográficos, 80(287), e021.
https://doi.org/10.3989/estgeogr.201938.018
Barreira, P., & Barros, J. (2017). Configuring the
neighbourhood effect in irregular cellular automata
based models. International Journal of Geographical
Information Science, 31(3), 617–636.
https://doi.org/10.1080/13658816.2016.1219035
Che Piu, H., & Menton, M. (2014). Contexto de REDD+ en
el Perú: Motores, actores e instituciones. CIFOR
Occasional Paper, 106.
Cuesta, F., Sevink, J., Llambí, L. D., De Bièvre, B., &
Posner, J. (Eds.). (2014). Avances en investigación para
la conservación de los páramos andinos. CONDESAN.
ISBN: 978-612-45881-5-0
Das, S., & Sarkar, R. (2019). Predicting the land use and land
cover change using Markov model: A catchment level
analysis of the Bhagirathi-Hugli River. Spatial
Information Research, 27(4), 439–452.
https://doi.org/10.1007/s41324-019-00251-7
Eastman, J. R. (2016). TerrSet—Geospatial Monitoring and
Modeling System Manual. Clark University.
https://www.clarku.edu/centers/geospatial-
analytics/publications/
GAD Municipal Cuenca. (2021). Plan de Desarrollo y
Ordenamiento Territorial del Cantón Cuenca-
Actualización 2021. Plan de Uso y Gestión del Suelo del
Cantón Cuenca.
Gidey, E., Dikinya, O., Sebego, R., Segosebe, E., & Zenebe,
A. (2017). Cellular automata and Markov Chain
(CA_Markov) model-based predictions of future land
use and land cover scenarios (2015–2033) in Raya,
northern Ethiopia. Modeling Earth Systems and
Environment, 3(4), 1245–1262.
https://doi.org/10.1007/s40808-017-0397-6
Gómez Orea, D. (1993). Ordenación del territorio: Una
aproximación desde el medio físico.
Hamad, R., Balzter, H., & Kolo, K. (2018). Predicting land
use/land cover changes using a CA-Markov model under
two different scenarios. Sustainability, 10(10), 3421.
https://doi.org/10.3390/su10103421
Hernández-Gómez, A., Rojas-Robles, R., & Sánchez-
Calderón, F. V. (2013). Cambios en el uso del suelo
asociados a la expansión urbana y la planeación en el
corregimiento de Pasquilla, zona rural de Bogotá
(Colombia). Cuadernos de Geografía: Revista
Colombiana de Geografía, 22(2), 257–271.
Herrera, A., & Ali, Maurizio. (2009). Paisajes del desarrollo:
La ecología de las tecnologías andinas. Antípoda.
Revista de Antropología y Arqueología, (8), 169–194.
http://ref.scielo.org/tm74j6
Hyandye, C., & Martz, L. W. (2017). A Markovian and
cellular automata land-use change predictive model of
the Usangu Catchment. International Journal of Remote
Sensing, 38(1), 64–81.
https://doi.org/10.1080/01431161.2016.1259675
Keshtkar, H., & Voigt, W. (2016). Potential impacts of
climate and landscape fragmentation changes on plant
distributions: Coupling multi-temporal satellite imagery
with GIS-based cellular automata model. Ecological
Informatics, 32, 145–155.
https://doi.org/10.1016/j.ecoinf.2016.02.002
Miklos, T. (2002). Planeación prospectiva: Una estrategia
para el diseño del futuro. México: Limusa: Centro de
54
estudios prospectivos Fundación Javier Barros Sierra.
ISBN-13: 978-968-18-3848-5
Ministerio del Ambiente del Ecuador (MAE). (2016).
Estrategia Nacional de Biodiversidad al 2030. Quito:
MAE.
Omar, N. Q., Sanusi, S. A. M., Hussin, W. M. W., Samat, N.,
& Mohammed, K. S. (2014). Markov-CA model using
analytical hierarchy process and multiregression
technique. IOP Conference Series: Earth and
Environmental Science, 20, 012008.
https://doi.org/10.1088/1755-1315/20/1/012008
Pinos, N. (2016). Prospective land use and vegetation cover
on land management—Case canton Cuenca. Estoa, 5(9),
7–19. https://doi.org/10.18537/est.v005.n009.02
Pontius, R. G. (2000). Quantification error versus location
error in comparison of categorical maps.
Photogrammetric Engineering, 6.
Rimal, B., Zhang, L., Keshtkar, H., Wang, N., & Lin, Y.
(2017). Monitoring and modeling of spatiotemporal
urban expansion and land-use/land-cover change using
integrated Markov chain cellular automata model.
ISPRS International Journal of Geo-Information, 6(9),
288. https://doi.org/10.3390/ijgi6090288
Sánchez, Á. C. (2018). Planificación para el desarrollo con
enfoque prospectivo en Bolivia, Ecuador, Guatemala y
Perú. Pensamiento Crítico, 22(2), 73.
https://doi.org/10.15381/pc.v22i2.14331
Secretaria Técnica Planifica Ecuador. (2019). Guía para la
formulación/actualización del Plan de Desarrollo y
Ordenamiento Territorial.
Tapia-Armijos, M. F., Homeier, J., Espinosa, C. I.,
Leuschner, C., & de la Cruz, M. (2015). Deforestation
and forest fragmentation in South Ecuador since the
1970s: Losing a hotspot of biodiversity. PLoS ONE,
10(9), e0133701.
https://doi.org/10.1371/journal.pone.0133701
Ulloa-Espíndola, R., & Martín-Fernández, S. (2021).
Simulation and analysis of land use changes applying
cellular automata in the south of Quito and the Machachi
Valley, Province of Pichincha, Ecuador. Sustainability,
13(17), 9525. https://doi.org/10.3390/su13179525
Zimmerer, K. S. (2015). Environmental governance through
“speaking like an indigenous state” and respatializing
resources: Ethical livelihood concepts in Bolivia as
versatility or verisimilitude? Geoforum, 64, 314–324.
https://doi.org/10.1016/j.geoforum.2013.07.004
Contribución de los autores (CRediT)
Tenesaca Pacheco, C.: Conceptualización, Análisis formal
de datos, Investigación, Metodología, Redacción - borrador
original, Redacción – revisión y edición.
El autor ha leído y aceptado la versión publicada del
manuscrito.
Agradecimientos
El autor agradece a la Universidad del Azuay por el financiamiento
del proyecto de investigación del cual se deriva el presente artículo.
De igual forma al equipo del Instituto de Estudios de Régimen
Seccional del Ecuador - IERSE (https://ierse.uazuay.edu.ec/) por su
valioso apoyo como grupo de expertos en la validación de los
escenarios prospectivos. Asimismo, a la arquitecta Cristina
Chuquihuanga por su acompañamiento académico como directora
de la tesis de la Maestría en Ordenación del Territorio en la
Universidad de Cuenca.
Disponibilidad de datos
Los datos que respaldan los hallazgos de este estudio están
disponibles a solicitud razonable al autor de
correspondencia.
Conflicto de intereses
El autor ha declarado que no existe conflicto de intereses en
esta obra.
Declaración sobre el uso de IA generativa y tecnologías
asistidas por IA
El manuscrito no incluye una declaración específica respecto
al uso de herramientas de inteligencia artificial durante su
proceso de redacción. La autoría, así como la
responsabilidad total del contenido, recaen exclusivamente
en los autores.
Nota del Editor
Descargo de responsabilidad: Los datos, declaraciones,
opiniones contenidas en el documento son responsabilidad
únicamente de los autores y no de la Revista Científica
FINIBUS – Ingeniería, Industria y Arquitectura. La Revista
y sus editores renuncian a toda responsabilidad por daño a
persona o propiedad resultante de los métodos,
instrucciones, producto o idea mencionado en el contenido.
Derechos de autor 2026.
Esta obra está bajo una licencia:
Internacional Creative Commons
Atribución-NoComercial-CompartirIgual
.4.0
Revista Científica FINIBUS - ISSN: 2737-
6451.