# Metodología ## Fundamentos del pipeline SISEPUEDE → Territorio ### 1. Marco conceptual Este pipeline opera dentro del paradigma de **modelación exploratoria** (*Exploratory Modeling*, Bankes, 1993), que utiliza modelos computacionales para explorar el espacio de posibles resultados ante incertidumbre profunda, en lugar de producir pronósticos únicos. SISEPUEDE implementa este enfoque combinado con **Toma de Decisiones Robusta** (*Robust Decision Making*, RDM; Lempert et al., 2003), evaluando la robustez de estrategias de descarbonización bajo múltiples escenarios futuros. El escalamiento territorial adopta el mismo principio: las proporciones nacionales de cambio de cobertura son *hipótesis de trabajo exploratorias*, no predicciones locales. Los resultados son válidos para **comparar estrategias entre sí** dentro de un territorio, no como estimaciones absolutas del cambio de cobertura. ### 2. Modelo SISEPUEDE SISEPUEDE (*Sistema de Estimación de Sendas de Emisiones de País con Evaluaciones de Descarbonización Explorativas*) es un marco de modelación de emisiones de GEI de abajo hacia arriba que: - Modela seis sectores económicos integrados según la clasificación del IPCC (2006, 2019): AFOLU, Industria, Edificios, Transporte, Residuos y Energía - Implementa 70+ transformaciones de política evaluables individualmente - Proyecta trayectorias de emisiones para el período 2015–2050 en 36 períodos anuales - Opera con datos calibrados por país para 20+ naciones de América Latina y el Caribe **Citas obligatorias para SISEPUEDE:** > Kalra, N., Molina-Pérez, E., Syme, J., Esteves, F., Cortés, H., Rodríguez-Cervantes, M. T., Espinoza-Juárez, V. M., Jaramillo, M., Baron, R., & Alatorre, C. (2023). *The benefits and costs of reaching net zero emissions in Latin America and the Caribbean*. Inter-American Development Bank. https://doi.org/10.18235/0005330 > Syme, J. (2023). *SISEPUEDE* [Software, versión 1.0]. GitHub. https://github.com/jcsyme/sisepuede ### 3. Estrategias de descarbonización AFOLU Las estrategias analizadas corresponden a configuraciones específicas de SISEPUEDE (Kalra et al., 2023, Tabla de transformaciones): #### 3.1 Estrategias nativas - **Desarrollo tradicional** (ID: 5001): Escenario de continuación de tendencias productivas y regulatorias actuales sin transformaciones adicionales. Funciona como referencia de comparación (*business-as-usual*). - **Estrategia intersectorial** (ID: 5009): Implementación de todas las transformaciones AFOLU simultáneamente, con reasignación parcial del uso de la tierra (`LNDU:PLUR`). Es la estrategia de mayor potencial de mitigación. #### 3.2 Bundles (agrupaciones temáticas) Los *bundles* son agrupaciones definidas para esta investigación con base en el enfoque de política de cada intervención. Su efecto se estima como el **promedio aritmético** de las corridas individuales de SISEPUEDE para cada intervención componente (Cruz Núñez, 2025, §2.3): | Bundle | Intervenciones componentes | |--------|---------------------------| | **Mejoras incrementales** (6000) | AGRC:INC_CONSERVATION_AGRICULTURE (1004), AGRC:INC_PRODUCTIVITY (1005), AGRC:INC_PRODUCTIVITY_PLUR (1006), AGRC:DEC_LOSSES_SUPPLY_CHAIN_PLUR (1009), LNDU:PLUR (1015), LNDU:INC_LAND_REHABILITATION (1016), SOIL:DEC_N_APPLIED (1028), SOIL:DEC_LIME_APPLIED (1029) | | **Cambios en el consumo** (6001) | LNDU:INC_REFORESTATION (1010), LNDU:DEC_DEFORESTATION (1011) | | **Soluciones de oferta** (6002) | AGRC:DEC_EXPORTS (1003), LNDU:INC_SILVOPASTURE (1012), LNDU:INC_SILVOPASTURE_PLUR (1013), LNDU:INC_SUSTAINABLE_GRAZING (1014), LSMM:INC_MANAGEMENT_CATTLE_PIGS (1017), LSMM:INC_MANAGEMENT_POULTRY (1019), LSMM:INC_CAPTURE_BIOGAS (1020), LSMM:BUNDLE_INC_MANAGEMENT (1021), LVST:DEC_EXPORTS (1024), LVST:INC_PRODUCTIVITY (1025), LVST:INC_PRODUCTIVITY_PLUR (1026), LVST:DEC_ENTERIC_FERMENTATION (1027) | > **Exclusiones justificadas:** Las intervenciones AGRC:INC_RICE_MANAGEMENT (1007) y AGRC:DEC_LOSSES_SUPPLY_CHAIN (1008) se excluyeron por ausencia de cultivo de arroz significativo en Yucatán. LSMM:INC_MANAGEMENT_OTHER (1018) se excluyó por ausencia de las categorías de animales que afecta en la región. ### 4. Escalamiento proporcional territorial #### 4.1 Fundamento El método de escalamiento proporcional (Bankes, 1993) asume que las dinámicas de cambio de cobertura observadas a escala nacional se replican proporcionalmente en cada unidad territorial, ponderadas por su composición de cobertura inicial. Es análogo al supuesto de *invarianza de escala* en sistemas complejos (Lempert et al., 2003). #### 4.2 Fórmula $$A_{m,e,t,c} = A_{m,c,\text{base}} \times P_{e,t,c}$$ Donde: - $A_{m,e,t,c}$ = Aporte estimado (ha) de la unidad $m$ bajo estrategia $e$, año $t$, categoría $c$ - $A_{m,c,\text{base}}$ = Superficie base (ha) de la unidad $m$ en categoría $c$ (año 0) - $P_{e,t,c}$ = Proporción nacional: fracción del área total de México en categoría $c$, bajo estrategia $e$, en año $t$, según SISEPUEDE La **proporción nacional** $P_{e,t,c}$ se calcula como: $$P_{e,t,c} = \frac{H_{e,t,c}}{\sum_{c'} H_{e,t,c'}}$$ Donde $H_{e,t,c}$ son las hectáreas en categoría $c$ proyectadas por SISEPUEDE para la estrategia $e$ en el año $t$, y el denominador es la superficie total de México (196 437 500 ha). #### 4.3 Limitaciones 1. **Homogeneidad espacial**: El modelo asume que todas las unidades territoriales responden a las políticas en la misma proporción, independientemente de sus características locales (biofísicas, socioeconómicas, institucionales). 2. **Bundles como promedio**: El efecto de un bundle se aproxima al promedio aritmético de sus intervenciones, lo que puede subestimar sinergias o sobreestimar efectos compensatorios entre intervenciones. 3. **Escala de emisiones**: Las emisiones territoriales se distribuyen aplicando el peso territorial (fracción de área de la unidad respecto al total regional). Son válidas únicamente para comparación entre estrategias, no como inventario local de emisiones. 4. **Estacionariedad de la matriz de transición**: La matriz histórica S5→S6 se aplica como proxy de las transiciones futuras, asumiendo que los patrones históricos de cambio de cobertura continuarán bajo cada estrategia. ### 5. Transiciones de cobertura La matriz de transición $T$ (Usher, 1979; Acosta-Velázquez et al., 2015) cuantifica las probabilidades de cambio entre categorías de cobertura en un período de referencia: $$T_{ij} = \frac{A_{ij}}{\sum_j A_{ij}}$$ Donde $T_{ij}$ es la probabilidad de que la cobertura de tipo $i$ transite a tipo $j$, y $A_{ij}$ es el área (ha) que transitó de $i$ a $j$ en el período histórico de referencia (Series 5→6 del USV, INEGI, 2013→2016). La superficie transicionada estimada para cada unidad territorial bajo cada estrategia se calcula como: $$S_{m,e,t} = A_{m,e,t} \times T$$ ### 6. Estimación de emisiones territoriales Las emisiones de la unidad $m$ bajo estrategia $e$ en año $t$ se estiman como: $$E_{m,e,t} = E_{e,t}^{\text{nacional}} \times \omega_m$$ Donde $E_{e,t}^{\text{nacional}}$ son las emisiones AFOLU nacionales (MtCO₂e/año) proyectadas por SISEPUEDE y $\omega_m = A_m / A_{\text{total}}$ es el peso territorial de la unidad $m$. Las emisiones se desagregan por subsector AFOLU: - **AGRC** (Agricultura): emisiones de cultivos, residuos agrícolas, arrozales - **FRST** (Forestal): secuestro y emisiones de bosques (puede ser negativo) - **LNDU** (Uso de suelo): conversiones de cobertura y carbono del suelo - **LSMM** (Estiércol): manejo de excretas ganaderas - **LVST** (Ganadería): fermentación entérica y otros procesos ganaderos - **SOIL** (Suelo): emisiones de suelos agrícolas y pastizales > Las emisiones brutas de SISEPUEDE modelan el sistema productivo proyectado bajo cada estrategia sin descontar las absorciones actuales de sumideros ni los efectos de políticas ya implementadas. Por ello, los valores del año base son superiores a las emisiones netas reportadas en el Inventario Nacional de Emisiones de GEI (Semarnat, 2022). Véase la discusión metodológica en Cruz Núñez (2025, §2.3). ### 7. Caracterización territorial y PCA El Análisis de Componentes Principales (Hotelling, 1933; Jolliffe & Cadima, 2016) reduce la dimensionalidad de las variables socioeconómicas y ambientales de los municipios para identificar tipologías territoriales. Se implementa con el paquete `FactoMineR` (Lê et al., 2008) en R. Las variables incluidas en el PCA se estandarizaron (z-scores) antes del análisis. El número óptimo de clústeres se determinó mediante el criterio *within-cluster sum of squares* (WSS), utilizando k-means con semilla aleatoria `set.seed(42)` para reproducibilidad. --- ## Referencias Acosta-Velázquez, J., Ruiz-Luna, A., & Berlanga-Robles, C. A. (2015). Análisis de la dinámica de cambio de uso de suelo y vegetación. *Investigaciones Geográficas*, 86, 95–107. Bankes, S. (1993). Exploratory modeling for policy analysis. *Operations Research*, 41(3), 435–449. https://doi.org/10.1287/opre.41.3.435 Cruz Núñez, C. G. (2025). *Modelación territorial de estrategias de descarbonización del sector AFOLU y sus efectos sobre el uso de suelo y la vegetación en Yucatán* [Tesis de Maestría]. Universidad Nacional Autónoma de México. Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. *Journal of Educational Psychology*, 24(6), 417–441. INEGI. (2013). *Serie 5 de Uso del Suelo y Vegetación*. Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/temas/usosuelo/ INEGI. (2016). *Serie 6 de Uso del Suelo y Vegetación*. Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/temas/usosuelo/ INEGI. (2022). *Serie 7 de Uso del Suelo y Vegetación* (escala 1:250 000). Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/temas/usosuelo/ IPCC. (2006). *IPCC Guidelines for National Greenhouse Gas Inventories*. Intergovernmental Panel on Climate Change. IPCC. (2019). *2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories*. Intergovernmental Panel on Climate Change. Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. *Philosophical Transactions of the Royal Society A*, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202 Kalra, N., Molina-Pérez, E., Syme, J., Esteves, F., Cortés, H., Rodríguez-Cervantes, M. T., Espinoza-Juárez, V. M., Jaramillo, M., Baron, R., & Alatorre, C. (2023). *The benefits and costs of reaching net zero emissions in Latin America and the Caribbean*. Inter-American Development Bank. https://doi.org/10.18235/0005330 Lê, S., Josse, J., & Husson, F. (2008). FactoMineR: An R package for multivariate analysis. *Journal of Statistical Software*, 25(1), 1–18. https://doi.org/10.18637/jss.v025.i01 Lempert, R. J., Popper, S. W., & Bankes, S. C. (2003). *Shaping the next one hundred years: New methods for quantitative, long-term policy analysis*. RAND Corporation. Semarnat. (2022). *Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero 2019*. Secretaría de Medio Ambiente y Recursos Naturales. Syme, J. (2023). *SISEPUEDE* [Software, versión 1.0]. GitHub. https://github.com/jcsyme/sisepuede Usher, M. B. (1979). Markovian approaches to ecological succession. *Journal of Animal Ecology*, 48(2), 413–426.