Análisis espacial de accidentes de tráfico relacionados con fauna mediante sistemas de información geográfica

Transcripción

1 6CFE01-263

2 2/9 Análisis espacial de accidentes de tráfico relacionados con fauna mediante sistemas de información geográfica VALERO GUITIÉRREZ DEL OLMO, E. 1, PICOS MARTÍN, J. 1, LAGO LÓPEZ, F. 1, LAGOS ABARZUZA, L. 1 1 Grupo de Investigación de Ingeniería Agroforestal (AF-4). Departamento de Ingeniería de los Recursos Naturales y Medio Ambiente. Escuela de Ingeniería Forestal, Universidad de Vigo. Resumen Los accidentes de tráfico relacionados con fauna salvaje suelen producirse agrupados espacialmente en ciertas carreteras y en determinados tramos de las mismas. Los sistemas de información geográfica (SIG) y el amplio abanico existente de herramientas de estadística espacial permiten procesar grandes cantidades de datos sobre localización de accidentes y, de este modo, obtener los tramos de acumulación de accidentes de forma precisa. La identificación de estos tramos resulta de utilidad para saber en qué lugares aplicar medidas de mitigación y para crear modelos de riesgo que permitan identificar las variables que influyen en la frecuencia de accidentes. En este trabajo se presenta una metodología basada en los SIG para identificar los tramos de mayor frecuencia de accidentes y obtener las variables de las carreteras y del tráfico que, posteriormente pueden ser analizadas para determinar su influencia en la probabilidad de accidente. El cálculo de los tramos de mayor frecuencia de accidentes se realizó utilizando la herramienta Densidad de Puntos de ArcMap. Las variables estudiadas fueron extraídas de las capas de información cartográfica y mediante diversas metodologías. Se analizó una base de datos de accidentes producidos en las carreteras autonómicas de Galicia entre 2006 y Palabras clave Ecología de carreteras, Galicia, medidas de mitigación, SIG, tramos de concentración de accidentes. 1. Introducción La mayor parte de las medidas existentes para mitigar el problema de los accidentes de tráfico relacionados con fauna (revisión en PUTMAN et al. 2004; HUIJSER et al. 2008; LANGBEIN et al. 2011) requieren un conocimiento preciso de los tramos de vía en los que se concentran este tipo de accidentes. En general los accidentes de tráfico no se producen de forma aleatoria en el espacio, sino que generalmente forman clusters conocidos como puntos calientes o hotspots (XIE & YAN 2008). La identificación de los tramos de las carreteras con mayor frecuencia de accidentes resulta imprescindible para una señalización efectiva, así como para situar dispositivos que prevengan que los animales crucen la vía (cierres, reflectores, repelentes olorosos) y dirigirlos hacia pasos de fauna seguros. Asimismo, la identificación de estos tramos resulta un paso previo indispensable para analizar las variables que determinan la distribución de los accidentes y crear un modelo que prediga la probabilidad de accidentes en función de ciertas características de la vía, del tráfico

3 3/9 y del paisaje. Modelo que permitiría la adopción de sistemas de prevención en la fase de planificación de las carreteras. Existen trabajos que han puesto de manifiesto que la cobertura forestal puede redundar en una mayor frecuencia de accidentes (ROMIN & BISSONETTE 1996; FINDER et al. 1999, MALO et al. 2004), al igual que la proximidad de la carretera a los bosques (FINDER et al. 1999; HUBBARD et al. 2000; POKORNY 2006). También se ha puesto de manifiesto que la diversidad de hábitats y la fragmentación del paisaje influyen en la frecuencia de accidentes (ROMIN & BISSONETTE 1996; FINDER et al. 1999; HUBBARD et al. 2000; MADSEN et al. 2002; MALO et al. 2004), así como diversos parámetros y elementos relacionados con la conectividad del paisaje (MALO et al. 2004; GRILO et al. 2011). Finalmente, la frecuencia de accidentes disminuye al aumentar la superficie de zonas urbanizadas (MALO et al. 2004). No obstante, las características de la vía o del tráfico que redundan en una mayor frecuencia de accidentes no han sido analizadas con tanto detalle, salvo por los trabajos que ponen de manifiesto la influencia del volumen de tráfico (SEILER 2004) y la velocidad del mismo (ROMIN & BISSONETTE 1996; SEILER 2004). Los sistemas de información geográfica (SIG) y el amplio abanico existente de herramientas de estadística espacial (XIE & YAN 2008) permiten procesar grandes cantidades de datos de localización de accidentes y de este modo obtener los tramos con mayor frecuencia de accidentes de forma precisa. También permiten trabajar con mapas de usos del suelo, de carreteras y con hitos georreferenciados de las vías (señales, puntos kilométricos, estaciones de aforo, etc.) para extraer las variables que caracterizan cada tramo de la carretera. 2. Objetivos El objetivo del presente trabajo es describir una metodología basada en los SIG para identificar los tramos de alta frecuencia de accidentes relacionados con fauna y obtener las variables de la vía, del tráfico y del paisaje con las que puede estar relacionada la frecuencia de accidentes. 3. Metodología Se analizó una base de datos con accidentes de tráfico relacionados con ungulados silvestres ocurridos en las carreteras autonómicas de Galicia entre enero de 2006 y diciembre de Estos datos fueron proporcionados por la Consellería de Medio Ambiente, Territorio e Infraestructuras (CMATI). Los accidentes se georeferenciaron, partiendo del identificador de la vía y del punto kilométrico, asignándoles coordenadas UTM mediante la aplicación web Catalogo Visual de Carreteras (CMATI 2012). Para analizar la distribución espacial de la localización de los accidentes se realizó un análisis Nearest Neighbour Analysis (NNA) con CRIMESTAT (LEVINE 2010) que permite explorar si las localizaciones de los accidentes se agrupan en cluster o, por lo contrario, se distribuyen de forma aleatoria en la red de carreteras. Utilizando la función de Densidad de Puntos de las herramientas de Análisis Espacial, de ESRI ArcMap 9.3. ( ESRI Inc.), se calculó la densidad de accidentes en cada punto del territorio en celdas de 100x100 m. Como radio de búsqueda se empleó la distancia esperada si los accidentes se distribuyeran aleatoriamente, previamente obtenida del NNA.

4 4/9 Según la densidad de accidentes, el territorio fue clasificado en 5 clases: 1) 0-1 accidentes/km 2 ; 2) 1-2; 3) 2-3; 4) 3-4; 5) 4-5. Posteriormente, a cada punto kilométrico le fue asignada la densidad de accidentes del tramo en el que se sitúa mediante una operación de identidad. Se seleccionaron todos los puntos kilométricos con 2 accidentes por km 2, obteniéndose 135 puntos kilométricos de máxima densidad de accidentes. En un entorno de 3 km alrededor de estos puntos kilométricos con alta densidad de accidentes, fueron seleccionados puntos kilométricos con 1 accidentes por km 2 (Figura 1), obteniéndose 146 puntos. Así, se clasificaron estos puntos kilométricos seleccionados en dos clases: con alta densidad de accidentes ( 2 accidentes por km 2 ), con baja densidad de accidentes ( 1 accidentes por km 2 ). Figura 1. Selección de los puntos kilométricos de 1 accidente/km 2 en un buffer de 3 km en torno a los puntos kilométricos con 2 accidente/km 2. Los puntos kilométricos fueron utilizados como elementos de referencia, a los que asociar las variables de la vía y de la frecuencia de accidentes. Como medida de la frecuencia de accidentes (variable dependiente) se consideró la densidad de accidentes en cada punto kilométrico. Las variables (independientes) consideradas fueron: anchura de la vía, de los arcenes y de la plataforma, número de carriles, radio de curvatura, visibilidad, sinuosidad, limitación de velocidad, intensidad media diaria de tráfico, volumen de tráfico en vehículos por km y porcentaje de vehículos pesados. Las características de la vía como anchura de la calzada (m), de los arcenes (m), de la plataforma (m), número de carriles, visibilidad (m) y radio de curvatura (m) son variables registradas para cada punto kilométrico por la CMATI. La visibilidad es la distancia de visión que tiene el conductor sobre la carretera. El radio de curvatura determina si un tramo es recto o curvo, considerándose recto por encima de los Las características del tráfico consideradas fueron: intensidad media diaria (IMD) o número total de vehículos que pasan durante un año por una sección transversal de la

5 5/9 carretera, dividido por el número de días del año (CMATI 2010), tipología de tráfico en cuanto al porcentaje de tráfico pesado, la densidad de tráfico expresada en vehículos por km, todas estas variables calculadas como media entre 2006 y Esta información procede de los datos de tramos aforados proporcionados por la CMATI. La CMATI también dispone de una base de datos de estaciones de aforo con su localización en coordenadas UTM y la identificación de la misma. Utilizando como identificador el código de la estación es posible asignar los datos de la base de datos de tramos aforados a cada estación de aforo. Para asignar esta variable a cada punto kilométrico se emplearon polígonos de Thiessen, asignando a cada punto kilométrico las características de tráfico de la estación de aforo más próxima. Se calculó la sinuosidad de la vía en un radio de 200 m en torno al punto kilométrico utilizando la herramienta Hawths Tools (BEYER 2004). Calculamos la sinuosidad como longitud total del tramo (longitud acumulada de todos los segmentos que forman la línea) entre distancia entre el punto de inicio y del fin de la misma. Se consideró la limitación de velocidad marcada por la señal más próxima. Para asignar esta variable a cada punto kilométrico también fueron empleados polígonos de Thiessen, obteniendo la zona de influencia de cada señal. Mediante una operación de identidad se asignó a cada punto kilométrico el valor de la limitación de velocidad de la señal que lo afecta. 4. Resultados La distancia media al vecino más próximo es 428 m, mientras que la distancia esperada si los accidentes se distribuyeran aleatoriamente sería m. El índice al vecino más próximo proporcionó un valor de 0,27; valores inferiores a 1 indican que los accidentes están más agrupados de lo que cabría esperar con una distribución aleatoria. Mediante un análisis hotspot se identificaron 78 tramos o hotspots de accidentes en toda Galicia, la mayor parte de ellos situados en Lugo (43) y Ourense (15), 19 en A Coruña y 1 en Pontevedra. Según el nivel de frecuencia de accidentes que se considere, se pueden distinguir diversos tramos, habiendo siendo identificados en este caso los de mayor frecuencia de toda Galicia. El propio mapa de densidad de accidentes (Figura 2) permite identificar visualmente las zonas con mayor frecuencia de accidentes. Como resultado de estos análisis espaciales, se obtiene una base de datos con 281 puntos kilométricos, clasificados en dos categorías (clases): 1) con alta densidad de accidentes ( 2 accidentes por km 2 ); 2) con baja densidad de accidentes ( 1 accidentes por km 2 ) (Tabla 1). Cada uno de los puntos kilométricos lleva asociado todas las variables independientes extraídas mediante las operaciones con el SIG descritas. En la tabla 1 se incluye, como ejemplo, parte de la base de datos obtenida.

6 6/9 Figura 2. Mapa de densidad de accidente en las carreteras de la Red Autonómica de Galicia. Tabla 1. Fragmento de la base de datos obtenida mediante los análisis con SIG. Cada punto kilométrico (PK) lleva asociadas una determinada frecuencia de accidentes, características de la vía, del tráfico, sinuosidad y limitación de velocidad. PK FRECC. ACC. CARACT. VÍA CARACT. TRÁFICO OTROS LIM. VEL. n Carr. PK Dens. Acc Clase Calzada Arcenes Plataf. Carriles Radio_C Visib. IMD %Pes. Veh km Sinuosidad Señal_vel 1 OU ,1 3 10, ,80 6, , OU ,0 3 10, ,80 6, , OU ,1 3 10, ,80 6, , OU ,1 3 10, ,80 6, , OU ,0 3 10, ,80 6, , OU ,0 3 10, ,80 6, , OU ,3 0 6, ,00 8, , OU ,2 2, ,00 8, , OU ,1 2,7 9, ,26 8, , OU ,5 0 8, ,26 8, , De esta base de datos se pueden obtener estadísticos descriptivos de cada variable continua, para el total de la muestra y para cada clase de puntos kilométricos ( 2 accidentes por km2 y 1 accidentes por km2: Tabla 2). Asimismo es posible un análisis con tablas de

7 7/9 contingencia en el caso de las variables categóricas como el número de carriles o la clase de limitación de velocidad. Estos análisis permiten explorar las diferencias que pueden existir en las características de la vía entre zonas con alta densidad de accidentes y aquellas en las que apenas se producen. También sería posible realizar un análisis de las diferencias en las variables entre puntos con alta y baja densidad de accidentes mediante una prueba U de Mann-Whitney en el caso de variables continuas y una chi-cuadrado ( 2 ) en el caso de variables discretas. Los siguientes pasos serían la realización de una regresión logística binomial (PALLANT 2005) con el objeto de analizar qué variables, de entre las extraídas con el SIG, podrían predecir la existencia de tramos con alta densidad de accidentes. Tabla 2. Variables de la vía y del tráfico. Valor medio y error típico de cada variable Variable PK con densidad 1 acc/km 2 PK con densidad 2 acc/km 2 Anchura arcenes (m) 1,48±0,14 2,22 ± 0,15 Anchura plataforma (m) 9,05±0,31 10,02±0,30 Visibilidad (m) 178,74±14,30 248,55 ± 24,11 Radio de curvatura (m) 356,02±150,03 56,67±235,52 IMD tráfico (vehículos/día) 4.528,82±286, ,55 ± 246,31 % pesados 10,65±0,42 9,39±0,45 Vol. de tráfico vehículos/km ,84± , ,66± ,94 5. Discusión Con el presente trabajo se describe la primera fase de los análisis para identificar las variables de la vía y del tráfico que pueden predecir la frecuencia de accidentes: la obtención de las variables. Los análisis preliminares realizados con estos datos sugieren la influencia de la velocidad del tráfico en la frecuencia de accidentes (VALERO, en prep.). Este resultado ya había sido puesto de manifiesto por ROMIN & BISSONETTE (1996) y SEILER (2004). La metodología desarrollada emplea uno de los múltiples métodos existentes para analizar la distribución de los accidentes en la red de carreteras. Programas como SANET (OKABE & SUGIHARA 2012) o CRIMESTAT (LEVINE 2010) permiten obtener la densidad de accidentes sobre una red, mientras que los análisis con ArcMap permiten obtener una estimación de la densidad o del kernel sobre el plano. Sin embargo, los primeros programas citados presentan diversos problemas que hicieron necesario recurrir al análisis de la densidad de accidentes sobre el plano en lugar de sobre la red. Esta solución también ha sido adoptada en otros trabajos (RAMP et al. 2005; DIAZ-VARELA et al. 2011), a pesar de las ventajas que supone su cálculo sobre la red de carreteras: las distancias entre puntos de accidentes se calculan sobre la red en lugar de calcularse distancias euclideas, la densidad se mide por unidad de longitud (accidentes/km) (XIE & YANG, 2008), aspectos que suponen que se trate de un cálculo más realista. El principal problema que se ha encontrado es que el análisis sobre el plano, al utilizar distancias euclideas, puede considerar que dos puntos de accidente se sitúan próximos a pesar de estar situados en distintas carreteras. También es posible utilizar esta metodología para extraer las variables del paisaje y asignarlas a cada punto kilométrico, y también las densidades de fauna en cada punto del territorio, de existir esta información.

8 8/9 6. Conclusiones - La metodología descrita en el presente trabajo permite identificar los tramos con mayor frecuencia de accidentes. - Asimismo, permite obtener variables de la vía y del tráfico que pueden ser incluidas en análisis estadísticos que permitan identificar las variables con mayor poder para predecir la existencia de tramos con alta densidad de accidentes. 7. Agradecimientos Este trabajo se ha realizado a partir del proyecto financiado por la Consellería de Medio Ambiente, Territorio e Infrastructuras (CMATI): Proyecto de I + D sobre accidentes y daños causados por la presencia de animales en la red autonómica de carreteras de Galicia. Agradecemos la especial colaboración de María Isabel Berriuso, Antonio López y Jose Ramón Pacheco (CMATI). Así como al personal del grupo AF4 que ha contribuido a procesar los datos y realizar análisis espaciales: Víctor Estévez, Rodrigo Souto y Jacinta García. 8. Bibliografía BEYER, H.L.; Hawth's Analysis Tools for ArcGIS. Disponible en: CMATI; Memoria de Tráfico da Rede Autonómica de Estradas de Galicia. Xunta de Galicia. Consellería de Medio Ambiente, Territorio e Infraestruturas, Dirección Xeral de Infraestruturas Santiago de Compostela. CMATI; Catálogo visual de estradas. Disponible en: _Infraestruturas/Estradas/seccion.html&std=catalogo-estradas.html DIAZ-VARELA, E.R.; VÁZQUEZ-GONZÁLEZ, I.; MAREY-PÉREZ, M.F.; ÁLVAREZ- LÓPEZ, C.J.; Assessing methods of mitigating wildlife vehicle collisions by accident characterization and spatial analysis. Transp Res D FINDER, R.A.; ROSEBERRY, J.L.; WOOLF, A,; Site and landscape conditions at white-tailed deer vehicle collision locations in Illinois. Landsc Urban Plan GRILO, C.; ASCENSÃO, F.; SANTOS-REIS, M.; BISSONETTE, J.A.; Do wellconnected landscapes promote road-related mortality?. Eur J Wildl Res HUBBARD, M.; DANIELSON, B.; SCHMITZ, R.; Factors influencing the location of deer vehicle accidents in Iowa. J Wildl Manage HUIJSER, M.P.; MCGOWEN, P.; FULLER, J.; HARDY, A.; KOCIOLEK, A.; CLEVENGER, A.P.; SMITH, D.; AMENT, R.; Wildlife-Vehicle Collision Reduction Study: Report to Congress. U.S. Department of Transportation Virginia. LANGBEIN, J.; PUTMAN, R.; POKORNY, B.; Traffic collisions involving deer and other ungulates in Europe and available measures for mitigation. En: Putman, R,; Apollonio,

9 9/9 M.; Andersen, R. (eds): Ungulate management in Europe: problems and practices Cambridge University Press. Nueva York. LEVINE, N.; CrimeStat III: A Spatial Statistics Program for the Analysis of Crime Incident Locations (version 3.3). Ned Levine & Associates: Houston, TX/ National Institute of Justice: Washington, DC. MADSEN, A.B.; STRANDGAARD, H.; PRANG, A.; Factors causing traffic killings of roe deer Capreolus capreolus in Denmark. Wildl Biol MALO, J.E.; SUÁREZ, F.; DÍEZ, A.; Can we mitigate animal vehicle accidents using predictive Models?. J Appl Ecol OKABE, A.; SUGIHARA, K., Spatial Analysis along Networks: Statistical and Computational Methods. John Wiley & Sons Chichester. PALLANT, J.; SPSS Survival Manual. 2 nd edition. A step by step guide to data analysis using SPSS version 12. Open University Press Buckinham. POKORNY, B.; Roe deer vehicle collisions in Slovenia: situation, mitigation strategy and countermeasures. Vet Arhiv (Suppl) PUTMAN, R.J.; Deer and Road Traffic Accidents: Options for Management. J Environ Manage RAMP, D.; CALDWELL, J.; EDWARDS, K.A.; WARTON, D.; CROFT, D.B.; Modelling of wildlife fatality hotspots along the Snowy Mountain Highway in New South Wales, Australia. Biol Conserv ROMIN, L.; BISSONETTE, J.; Temporal and spatial distribution of highway mortality of mule deer on newly constructed roads at Jordanelle Reservoir, Utah. Great Basin Nat SEILER, A.; Trends and spatial patterns in ungulate vehicle collisons in Sweden. Wildl Biol XIE, Z.; YAN, J.; Kernel Density Estimation of traffic accidents in a network space. Computers, Environment and Urban Systems