cambio de cobertura del suelo en napo
Post on 24-Apr-2015
72 Views
Preview:
TRANSCRIPT
Jorge Hurtado Pidal Página 1
MODELIZACION DE CAMBIO DE COBERTURA DEL SUELO EN LA PROVINCIA DE NAPO
PARA EL PERIODO 1990 – 2000, UTILIZANDO REGRESION LOGÍSTICA Y MAXENT.
JORGE HURTADO PIDAL
Email:jorgerene_9@hotmail.com
1. INTRODUCCION.
“La modelación estadístico-espacial del cambio en el uso del suelo, se deriva de la
combinación y uso de técnicas cartográficas, sistemas de información geográfica y modelos
estadísticos multivariantes. Su objetivo principal es identificar la magnitud y distribución
espacial del cambio, proyectar y desplegar cartográficamente su probabilidad de
ocurrencia en el futuro cercano, bajo el supuesto que las técnicas de manejo del suelo
continuarán siendo similares al pasado cercano (V. Sandoval y V. Oyarzun, 2003)”.
Por tanto la idea de este ensayo es modelizar la suceptibilidad o probabilidad que tiene la
provincia de Napo para el “Cambio de Cobertura del Suelo” (CCS), de coberturas naturales
(ej: Bosque o páramos) hacia coberturas de origen antrópico (ej: silvopastorial o cultivos).
Las técnicas que se usaran son las de regresión logística multivariada apoyados en SPSS y
utilizando el modelo MAXENT. Nos apoyaremos en un mapa de cobertura del suelo de la
provincia, del año 90, realizado por nosotros a partir de imágenes del sensor TM (LandSat
4y5), y también de un mapa de cobertura del suelo del año 2000 recopilado, que
corresponde a la base INFOPLAN (250.000). La importancia de este ensayo es que vamos a
poder determinar qué zonas son más propensas al cambio de cobertura del suelo
(deforestación) y que variables son las determinantes en este proceso, además modelizar
el cambio de uso de suelo nos permitiría en un futuro evaluar por ejemplo la respuesta
hidrológica de la cuenca ante eventos de precipitación extrema que pueden producir
inundaciones por desbordamiento de ríos.
2. OBJETIVOS.
Modelizar la probabilidad de CCS a partir de Regresion Logística Multivariada con
SPSS.
Modelizar la probabilidad de CCS a partir de MAXENT.
Determinar las zonas más susceptibles de CCS y que variables son más importantes
en este proceso.
3. METODOLOGIA.
3.1. Generación de presencias y ausencias de CCS.
La generación de las presencias y ausencias se realizo a partir de la generación randomica
de puntos dentro de los polígonos de presencia y ausencia respectivamente. Los polígonos
Jorge Hurtado Pidal Página 2
de presencia son aquellos que identifican las zonas que cambiaron de coberturas naturales
en el 90 hacia coberturas antropizadas en el 2000, para esto se hace una intersección
espacial en GIS entre los dos mapas de cobertura del suelo. La siguiente figura muestra los
polígonos de presencia y ausencia.
Figura1. Polígonos de Presencias y Ausencias.
Figura2. Puntos de Presencias y Ausencias.
Jorge Hurtado Pidal Página 3
3.2. Selección de variables independientes para modelizar el CCS.
Las variables independientes utilizadas se indican a continuación.
Tabla1. Características de las variables independientes consideradas.
Debido a que el CCS es un proceso antrópico los factores que lo determinan son
principalmente de este origen y es por esto que consideramos variables como las
distancias tanto a vías como a centros poblados para considerar de alguna forma, la
influencia que la presencia humana, y la accesibidad que tiene en el bosque, pueden
influenciar en el CCS. Sin embargo además de existir las condiciones antrópicas favorables
a este cambio, también deben existir condiciones ambientales que lo favorezcan, es por
esto que consideramos la distancia ríos ya que de alguna forma ofrece accesibildad en el
territorio por la navegabilidad. La altitud porque la ocupación humana y sus actividades
agroproductivas son en las partes media y baja de las cuencas en Napo, debido a que las
partes altas en los páramos son en su gran mayoría reservas protegidas como Cayambe
Coca, Antisana y Llanganates. La pendiente es importante en este modelo porque las
zonas de alta pendiente son más difíciles de acceder y por tanto de cambiar de cobertura,
sin embargo no es imposible y lo hemos visto, como por ejemplo en la via desde Papallacta
hasta Baeza y Cosanga, como zonas de bosque se han transformado en usos silvopastoriles
y pastos. Por otro lado tenemos la saturación y se refiere a la acumulación del flujo
superfial de agua que se puede concentrar en un lugar determinado por la topografía o
morfología del terreno, se calculó este índice con el modelo Geodinámico SINMAP, esta
variable también la consideramos importante porque zonas de alta saturación, con baja
pendiente y suelos de texturas finas (condiciones que se dan en la parte baja de la cuenca
en la rivera del Napo), son terrenos enpantanados especialmente en la época más lluviosa.
La temperatura media anual y precipitación acumulada anual, son las variables climáticas
de nuestro modelo, y se las incluyó para verificar si este fenómeno de CCS podría estar
Nº Variable FuenteTamaño de
celda(m)Tipo
1 Distancia a ViasCartografia de vias
(levantamiento GPS)100 antropica
2 Distancia a Rios Cartografia de rios. 100 ambiental
3Distancia a
Centros Poblados
Cartografia de centros
poblados 100 antropica
4 Altitud SRTM 90 ambiental
5 Pendiente SRTM 90 ambiental
6 Saturacion SRTM 90 ambiental
7 Temperatura WORLD CLIM 1000 ambiental
8 Precipitacion WORLD CLIM 1000 ambiental
9 NDVI TM LandSat (4-5) 30 ambiental
Jorge Hurtado Pidal Página 4
influenciado por estas variables. Por último el NDVI o índice normalizado de vegetación
que nos ofrece una medida cuantitativa de la cantidad de biomasa forestal, esta capa se la
construyo a partir de imágenes del sensor TM de los LandSat 4 y 5, pensamos importante
incluirla porque estamos modelando un proceso de deforestación.
La siguiente figura muestra los mapas que corresponden a las diferentes variables.
a. Distancia a vías.
b. Distancia a ríos.
c. Distancia a
poblados.
d. Altitud.
e. Pendiente.
f. Saturación.
g. Temperatura.
h. Precipitación.
i. NDVI.
Figura3. Variables independientes de la modelación.
3.3. Regresión Logística Multivariada con SPSS.
Se justifica el uso de la regresión logística para este ensayo ya que ésta técnica ha sido
utilizada principalmente para modelar el proceso de deforestación ocurrida en bosques
tropicales (Chomitz y Gray, 1996).
Jorge Hurtado Pidal Página 5
Para la modelización con regresión logística se preparo una tabla con las variables
independientes que corresponden a cada presencia y ausencia, esto se lo hizo con la
herramienta “Hawths Tools” de ArcGis. Lo que se obtiene es una tabla como se ve a
continuación.
Tabla2. Valores de las variables.
La tabla 2 es un pequeño extracto de la tabla original, ya que la tabla original tiene 2000
registros o filas, porque tenemos 1000 presencias y 1000 ausencias, es decir el ajuste del
modelo de regresión logística multivariada se realizó con 2000 ecuaciones. Des pues de
tener la tabla lista se la ingresa en SPSS para obtener el modelo.
Figura4. Ingreso de Datos en SPSS para hacer la RLM.
La tabla de clasificación que se obtiene es:
temp sat prec pend ndvi dvias drios dpob alt presaus
226 0.534 3984.000 0.154 196.000 1118.034 1000.000 1726.268 627 1
180 3.000 2322.000 0.065 177.000 806.226 200.000 1612.452 1384 1
137 3.000 1412.000 0.359 199.000 2262.742 1272.792 4965.884 2690 1
209 3.000 4238.000 0.054 185.000 9408.507 600.000 9508.417 1069 1
245 3.000 3150.000 0.000 135.000 5215.362 670.820 3189.044 330 1
202 0.259 4195.000 0.351 172.000 632.456 282.843 5600.893 1163 1
234 0.263 4062.000 0.177 182.000 2692.583 1700.000 3956.008 519 1
182 0.452 2823.000 0.588 139.000 8405.355 200.000 10327.633 1687 1
202 3.000 3944.000 0.092 169.000 200.000 500.000 761.577 1208 1
221 3.000 4063.000 0.100 196.000 2140.094 2280.351 2416.609 630 1
225 0.543 3984.000 0.100 208.000 1044.031 1236.932 1640.122 707 1
235 0.650 4214.000 0.196 193.000 100.000 707.107 1170.470 521 1
Jorge Hurtado Pidal Página 6
Lo que nos esta indicando esta tabla es que el modelo clasifico correctamente 82% de las
presencias y 72% de las ausencias, en promedio el modelo predice las observaciones en un
77% de los casos con un punto de corte de 0.5 en el modelo de probabilidad obtenido. Lo
que nos indica que es un modelo BUENO.
Los coeficientes de las variables obtenidos son:
VARIABLE COEFICIENTE
TEMP 0.00500
PREC 0.00027
NDVI 0.00620
DVIAS 0.00010
DPOB 0.00007
ALT 0.00058
CONSTANTE 0.98500
Tabla3. Coeficientes de las variables.
Si la ecuación general o función logística es:
(Ecuacion 1)
Donde:
P; probabilidad de presencia.
α; Constante
β1,2…; Coeficientes
X1,2…; Variables
Exp; función exponencial (numero e).
3.3.1. Resultados Con La Regresión Logística.
Aplicando los valores de la tabla3 en la ecuación1 se obtiene el siguiente mapa que
representa la probabilidad de cambiar de cobertura de suelo.
Jorge Hurtado Pidal Página 7
Figura5. Modelo de Probabilidad de Cambio con RLM. Colores azules indican alta
probabilidad de cambio y los rojos baja probabilidad de cambio.
Ahora bien, si usamos como punto de corte o “Threshold” para el modelo un valor de 0.5
(50%) reclasificamos el mapa de probabilidad en zonas suceptibles de cambiar y zonas no
suceptibles de cambiar (año 2000). El mapa con este punto de corte es el siguiente:
Figura6. Zonas susceptibles de cambiar de cobertura de suelo.
Jorge Hurtado Pidal Página 8
3.4. Modelización con MAXENT.
Maxent es un programa para modelamiento de distribución de especies a partir de
presencias solamente. Los modelos de distribución de especies estiman la relación entre
los lugares a de muestreo de las especies y el medio ambiente o características espaciales
de estos sitios (J.Elith, J.Phillips y otros 2011). En este proceso de modelización la variable
dependiente es dicotómica (presencia/ausencia) y las independientes pueden ser
cuantitativas (ej: temperatura o elevación) o nominales (ej: litología o uso del suelo)
(R.Mateo, A.Felicísimo, J.Muñoz 2001).
En este sentido la idea de usar Maxent es para evaluar si este procedimiento donde se
modela la distribución a partir de presencias y un background, podría servir o no para el
modelamiento del cambio de cobertura del suelo.
Los datos de ingreso a maxent fueron:
Presencias en formato *.csv (1000 puntos)con información de la ubicación y de las
variables.
Background (corresponde a las ausencias de la RLM, 1000 puntos) en formato
*.csv con información de la ubicación y de las variables.
Grids en formato ascci para la proyección del modelo. Estas vendrían a ser las 9
variables de la figura3.
La siguiente figura muestra el ingreso de datos en Maxent.
Figura7. Entrada de datos en Maxent.
Jorge Hurtado Pidal Página 9
La prevalescencia se estableció en 0.5 (tenemos 1000 presencias y el background tiene
1000 puntos) y la regularización en 1 para evaluar como arroja el modelo las curvas de
respuesta (curvas que muestran como cada variable afecta a la predicción de Maxent).
3.4.1. Resultados en Maxent.
A continuación se enuncian los principales gráficos del reporte de salida de Maxent.
Figura7. Area de Omisión y predicción de background.
Este gráfico muestra las omisiones calculadas a partir de los puntos de entrenamiento y los
de test. Vemos que la fracción de brackground predicha no es muy buena. Por ejemplo
para un punto de corte de 60%, hay una fracción de 0.2 del background, entonces
mientras mas pegada a la esquina inferior izquierda este la curva roja (fractional
background predicted) mejor será el modelo.
El siguiente gráfico es la curva ROC.
Figura8. Curva ROC
Básicamente este gráfico indica que tan bueno es el modelo respecto a un modelo
randómico, el modelo randómico tiene un AUC de 0.5 y el obtenido para Napo es 0.7, por
tanto el modelo no es tan bueno, mientras el AUC se acerque a 1 sera mejor. La línea roja
muestra como los datos del muestreo se ajustan al modelo.
Jorge Hurtado Pidal Página 10
El siguiente mapa es la proyección del modelo en las variables de entrada.
Figura9. Proyección del modelo en las variables independientes de entrada.
Este mapa es análodo a que si hubiéramos usado el raster calculator como hicimos con la
RLM para proyectar el modelo. Las zonas “verde-amarillas” cercanas a los puntos de
presencias (pixeles blancos), serian las mas suceptibles de cambiar de cobertura de suelo,
es decir deforestarse.
A continuación las curvas de respuesta que miden como cada variable afecta al modelo.
Jorge Hurtado Pidal Página 11
Figura9. Curvas de respuesta.
Mientras más cerrada serian mejores las curvas, esto se puede modificar con el factor de
regularización en maxent. Es decir una curva donde todos los valores de la variable afectan
por igual al modelo no es bueno. De estas curvas deducimos que las variables mas
importantes para el modelo son: la altura, distancia a poblaciones y distancia a vías. Lo
cual resulta lógico por ser la deforestación un proceso entrópico condicionado por la
actividad humana.
Por último se muestra el análisis de la contribución de las variables:
Tabla4. Contribución de las variables.
4. CONCLUSIONES Y RECOMENDACIONES.
En el modelo de RLM las variables precipitación, temperatura, distancia a vías,
distancia a centros poblados, altura y NDVI tienen un grado de influencia en la
deforestación.
El modelo de RLM es un buen modelo porque predice en promedio el 77% de las
presencias y ausencias, con un punto de corte de 0.5.
El modelo con Maxent tuvo un 70% de certeza en la predicción, es decir tendría
menor calidad que el de regresión logística para este caso y es lógico ya que la
regresión logística toma en cuenta las ausencias que son reales en este caso,
mientras que Maxent no usa las ausencias sino un background.
Jorge Hurtado Pidal Página 12
Una de las subcuencas mas afectadas es la de Misualli donde se encuentra la
ciudad de Tena con alto índice de población respecto a la provincia, este cambio
de uso de suelo cambia la respuesta hidrológica de la cuenca, es decir mayor
escurrimiento superficial de agua proveniente de las precipitaciones, lo que puede
desencadenar desbordamiento de ríos por crecidas repentinas, lo cual se ha visto
que ya ha sucedido, además por ser una cuenca pequeña los tiempos de respuesta
son cortos por lo que sería altamente recomendable un sistema de alerta
temprana ante estos eventos.
Otras consecuencia por el cambio de uso de suelo, además de las crecidas, es la
erosión, porque el arrastre de sedimentos puede afectar la navegabilidad del río
paulatinamente, esto es importante considerar ya que en la rivera del Río Napo el
transporte en canoa es muy utilizado.
Las áreas protegidas como Cayambe-Coca, Antisana y LLanganates muestrasn
cierto grado de presión al CCS (deforestación) en la provincia de Napo,
especialmente la Cayambe-Coca en su parte baja por la presencia de de
poblaciones importantes como el Chaco y Baeza que tienen actividades
agropecuarias.
5. BIBLIOGRAFÍA.
Cabral. P, Zamyatin. A (2006). Three land change models for urban dynamics
análisis in Sintra-Cascais area. Center for Remote Sensing and Spatial Analyst, The State University of New
Jersey. Land Use Change Models in Idrisi. Elith. J, Phillips. J, otros (2011). A Statistical explanation of MaxEnt for ecologists. A Journal
of Conservation Biogeography.
Henríquez. C, y otros (2006). Cambio de uso de suelo y escorrentía superficial: aplicación de un modelo de simulación espacial en los Angeles, VIII Región del Biobío, Chile.
Lambin. E, y otros (2003). Dynamics of Land-Use and Land-Cover Change in
Tropical Regions. Mahiny. A, Turner. B, (s/f). Modeling Past Vegetation Change Through Remote
Sensing and GIS: A Comparison of Neural Networks and Logistic Regression Methods.
Mateo. R, Felisícimo. A, Muñoz. J (2011). Modelos de distribución de especies.
Revista Chilena de Historia Natural.
Phillips. S, AT&T Research. A Brief Tutorial on Maxent.
Sandoval. V (2003). Modelamiento y prognosis espacial del cambio en el uso del suelo.
Jorge Hurtado Pidal Página 13
6. ANEXOS.
top related