Grado en CC. Ambientales: Cambio Global: estado, efectos y mitigación Bloque II. Efectos, medidas de mitigación y adaptación

Transcripción

1 Grado en CC. Ambientales: Cambio Global: estado, efectos y mitigación Bloque II. Efectos, medidas de mitigación y adaptación Dr. Emilio Chuvieco Salinero Curso 2013/2014 SIMULACIÓN PROSPECTIVA DE CAMBIOS DE USOS DEL SUELO (Práctica preparada con la ayuda del Prof. Francisco Aguilera) El objetivo de la práctica es mostrar cómo pueden emplearse modelos para estimar cómo será el uso del suelo en el futuro a distintas escalas. Se pone como ejemplo la simulación de dos usos del suelo en España a partir de los datos de ocupación del suelo existentes en el año 2006 y de los cambios observados entre esa fecha y el año Los usos que vamos a modelar son las zonas urbanas y los bosques, considerando, respectivamente, las zonas artificiales y las zonas de vegetación natural. Para valorar diferentes alternativas de crecimiento, se simularán 3 escenarios de crecimiento de estos dos usos. Un escenario de tendencia, un escenario de sobretendencia, y un escenario de tendencia reducida. El escenario de tendencia plantea que en los próximos años se producirá una cantidad de crecimiento de estos usos similar al que se produjo en España entre el año 2000 y el año Por su parte, el escenario de sobre tendencia estima que se produzca un crecimiento que duplique al que se produjo en esos años, y el de tendencia reducida implicará que el crecimiento se reduzca a la mitad. La simulación se realiza entre el año base (2006) y el horizonte de Como resultado de la práctica obtendremos 2 imágenes para cada escenario, una con el crecimiento del uso urbano y otro con el crecimiento de los bosques, para cada uno de los tres escenarios a simular. DESARROLLO DE LA PRÁCTICA: 1. EXPLORACIÓN DE LA BASE DE DATOS En primer lugar, descargar del entorno de publicación docente la base de datos para el ejercicio (se denomina BBDD.zip). Copiarla en un directorio con permisos de escritura. Crear un nuevo proyecto en IDRISI y establecer como directorio de trabajo el que se haya utilizado para descomprimir la base de datos (en Idrisi Explorer, señalar Working Folder). Comprobar que están los siguientes archivos raster (Utilizar el visualizador de Mapas: Display launcher): Bosques.rst: ocupación bosques de 2006 Clima_humedo.rst: clima de zonas húmedas Clima_seco.rst: clima de zonas secas Crecimiento_bosques.rst: crecimiento de vegetación natural entre 2000 y Crecimiento_urbano.rst: crecimiento de zonas urbanas entre 2000 y distancia_bosques.rst: distancia a vegetación natural en distancia_urbano.rst: distancia a zonas urbanas en Mascara_bosque.rst: todas las zonas que no son bosques. Mascara_urbano.rst: todas las zonas que no son urbanas. MDT_rst: modelo digital de elevaciones. Pendientes.rst: pendientes en porcentaje. Urbano.rst: ocupación urbana de 2006 Visualizar las variables para apreciar mejor su contenido. 1

2 2. LA EXPLICACIÓN DEL CRECIMIENTO ENTRE EL AÑO 2000 Y EL AÑO 2006 Para poder realizar la simulación futura de estos usos, es necesario relacionar la dinámica reciente de los mismos con un conjunto de variables explicativas, que consideremos que pueden haber influido esa dinámica. Para ello, se puede emplear algún método que permita explicar una variable (en este caso el crecimiento urbano y de bosque) a partir de un conjunto de variables explicativas. En nuestro caso utilizaremos la regresión logística. Para explicar el crecimiento urbano entre el año 2000 y 2006 se van a emplear 2 variables: la distancia a las zonas urbanas existentes y las pendientes. Para explicar el crecimiento de los bosques se emplearán: pendientes, distancia a zonas boscosas, las zonas de clima húmedo y de clima seco, la distancia a las zonas urbanas y el MDT. Para ejecutar la regresión logística (lo haremos dos veces, una para cada variable) se puede emplear el comando de IDRISI LOGISTIC REG, disponible en el menú GIS Analysis Statistics, que cuenta con el siguiente panel de control. Es necesario establecer como variable dependiente una de las imágenes que contiene el uso a explicar (por ejemplo crecimiento_urbano). Puesto que el crecimiento urbano se va a explicar mediante dos variables, en la sección Independent Variables, indicar 2 como Number of files y seleccionar las variables pendientes y distancia_urbano. Como Output files se inserta el fichero de predicción (podemos indicar explicación_urbano y el residual de la regresión: indicar residual_urbano). El primero mostrará la probabilidad de que las diferentes zonas se conviertan en urbanas en función de los valores de las dos variables independientes, tal y como las califica el modelo, mientras el residual indicará cómo varía espacialmente la calidad del ajuste que nos ofrece el modelo. Conviene incluir como máscara (Use mask) el fichero mascara_urbano, para restringir la explicación a lo que no es ya urbano. Debería aparecer un resultado similar al que se indica: 2

3 El programa también nos ofrece un informe en formato texto con el resultado de la regresión logística en el que aparece la ecuación de regresión obtenida. Recordar que la fórmula de la regresión logística es: 1 f ( Zi ) 1 Z e i Donde Z i = B 0 + B 1 x 1 +B 2 x B i x i, siendo x1,x2 las variables independientes y b0, b1 los coeficientes del modelo. En nuestro caso los resultados del modelo serían: El programa también ofrece una medida del ajuste logrado con la regresión logística denominado ROC, que varía de 0 a 1, con valores cercanos a uno para mejores ajustes. 3

4 Para valorar la influencia de cada uno de los factores, se puede repetir la regresión logística seleccionando como variables explicativas únicamente una variable. Así, se propone realizar el análisis de regresión logística primero con las pendientes y luego con las distancias (usar como nombres de salida explicación_urbano_pendientes y explicación_urbano_distancias). Una vez realizado, comparar los resultados del ROC para cada una de ellas. La variable con mayor ROC resultará más influyente en la explicación del cambio observado. COMENTAR LOS RESULTADOS REALIZAR EL MISMO ANÁLISIS PARA EL CRECIMIENTO DE LOS BOSQUES. En primer lugar pueden generarse modelos para cada una de las variables independientes (MDT, pendientes, distancia_bosques, distancia_urbano, clima_seco, clima_humedo). Comparar los resultados del ROC obtenidos con cada una de ellas. A continuación, probar con los modelos para las dos y tres variables con mayor carga explicativa. 3. LA SIMULACIÓN DE LOS ESCENARIOS. CANTIDAD DE CRECIMIENTO A SIMULAR Una vez que se tiene la probabilidad de crecimiento de los bosques y de las zonas urbanas, es posible plantear la simulación futura de su crecimiento. Para ello emplearemos los tres escenarios que se comentaban anteriormente: ESCENARIO DE TENDENCIA. Para el año 2024 (18 años desde 2006) se incrementarán los dos usos en la misma proporción que en el período En este período la tasa de crecimiento anual de los bosques fue de 30 píxeles al año y de 228 píxeles al año para las zonas urbanas, lo que haría un total de 30 x18 (se 4

5 multiplica por 18 al ser el número de años a simular) nuevos píxeles de bosques y 228 x 18 de nuevos píxeles de zonas urbanas. ESCENARIO DE SOBRE TENDENCIA. Para el año 2024 se duplicará el crecimiento del escenario de tendencia. ESCENARIO DE TENDENCIA REDUCIDA. Para el 2024 se reducirá a la mitad el crecimiento del escenario de tendencia. Una vez que sabemos cuántos píxeles que van a crecer, hay que situarlos espacialmente. Parece razonable que los píxeles que crezcan a urbano o bosque sean los que tienen mayor probabilidad de crecimiento. Con esa idea, generamos una nueva imagen en donde se ordenan todos los píxeles en función de su nivel de probabilidad de crecimiento a urbano y bosque, utilizando el comando Decision Support - RANK. Se introducen como mapas de entrada los resultados de la regresión logística (explicación urbano y explicación_bosques), y el programa las ordena de mayor a menor probabilidad, mediante la opción descending de sort order. Como capas de salida introducimos orden_bosques y orden_urbano. Aceptamos los dos mensajes que muestra a continuación idrisi, que tienen que ver con el escalado de los resultados. El resultado muestra los rankings más cercanos a 1 para los píxeles con probabilidad de transformación más alta y los rankings inferiores (valores más altos) para las probabilidades más bajas. Para situar los píxeles que se transformarán en urbano o en bosque en cada uno de los tres escenarios, debemos reclasificar la imagen la imagen resultado del ordenamiento, seleccionando sólo el número de píxeles que cumpla con el objetivo de cada escenario de crecimiento. Para ello, empleamos el comando Data Base Query - RECLASS con los mapas orden_urbano y orden_bosques. Asignaremos el valor 1 a los píxeles objetivo y 0 al resto. 5

6 Por ejemplo, para el escenario de tendencia, el crecimiento urbano requiere que se conviertan a urbano 4104 pixeles (=228 pixeles/año x18 años). La idea es reclasificar a 1 los 4104 píxeles de crecimiento a urbano más probable, para lo que seleccionamos los que 4104 que tengan el rango más alto. Se introduce como tipo de imagen a reclasificar (Image), con tipo de clasificación personalizada (User-defined). El archivo de entrada será orden_urbano y la salida nuevo_urbano_simulado_tendencia. Los parámetros para reclasificar serán asignar 1 a los valores de 1 a <=4105 y 0 al resto (de 4105 a ). El proceso se repite para los otros dos escenarios de crecimiento urbano (señalar como nombres de salida nuevo_urbano_simulado_sobretendencia nuevo_urbano_simulado_tendencia_reducida) y para los tres escenarios de crecimiento de bosque (con nombres de salida nuevo_bosque_simulado_tendencia, nuevo_bosque_simulado_sobretendencia y nuevo_bosque_simulado_tendencia_reducida). Analizar los resultados de las simulaciones. Comentar el interés de estas técnicas de simulación. Proponer otras posibles. 6