Simulacion de Escenario Contrafactual
Simulacion de Escenario Contrafactual
Simulacion de Escenario Contrafactual
Resumen
1 Introducción
La última etapa fue extendida en 1999 hasta el año 2034 (Cerrejón, 2016).
Algunos de los posibles impactos de la minería son descritos por Fierro
Morales (2012) de la siguiente manera:
2 Objetivos
2.1 General
2.2 Específicos
3 Marco Teórico
3.1 Paisaje
Los patrones del paisaje son el resultado de las relaciones complejas que se
dan por factores que están interviniendo en el ecosistema. Uno de ellos es el
componente abiótico que junto con el clima definen los patrones
biogeográficos, tales como el relieve físico y el desarrollo de los suelos. Las
diferentes interacciones bióticas y el rol de las especies claves definen los
grupos de poblaciones o comunidades observadas en el paisaje, y por otro
lado se tiene los patrones del paisaje determinados por la actividad
antrópica, más propiamente por la manera en cómo se hace uso de los
suelos (Turner, 2005).
Para estudiar las variaciones en el paisaje es necesario contar con
herramientas y técnicas que permitan analizarlas de forma rápida. La
geomática es una disciplina que agrupa técnicas para el procesamiento de
la información y adquisición de datos referente a variaciones en la superficie
terrestre, utilizando los sistemas de información geográfica, la teledetección y
los sistemas de posicionamiento global -GPS-.
3.3 Teledetección
La luz visible (colores que vemos) solo es una parte del espectro
electromagnético, las ondas de radio, el calor, la luz ultravioleta y los rayos X
también hacen parte de este. Todo el espectro electromagnético tiene
características similares e irradian de acuerdo a la teoría básica de ondas.
En 1864 J.C Maxwell estableció la teoría electromagnética de la luz y la
describió de la siguiente manera: “la luz no es una onda mecánica, sino una
forma de onda electromagnética de alta frecuencia. Las ondas luminosas
consisten en la propagación, sin necesidad de soporte material alguno de
un campo eléctrico y un campo magnético. Dichos campos son
perpendiculares entre sí y a la dirección de propagación” esto se muestra en
la Figura 6.
Figura 8. Firmas espectrales típicas para algunas coberturasTomada de: (Chuvieco Salinero,
1990)
● Algoritmo Lineal
● Transformación Helmert
● Algoritmos polinomiales de orden 1 a 3
● Algoritmo Thin Plate Spline
● Transformación proyectiva
El tipo de remuestreo elegido depende del objetivo del ejercicio, así por
ejemplo si no se desea cambiar las estadísticas de la imagen, el método a
elegir será el de Vecino más próximo, los demás tipos de remuestreo
modifican las estadísticas pero generan salidas más suaves (cambios en
tonos de grises menos marcados) (QGIS, 2016).
● Procesamiento multivista
● Promediado espacial
● Filtro Speckle
● Método de sustracción de objetos oscuros
1. Fase de entrenamiento
2. Fase de asignación
3. Fase de verificación erez et al, 2006)
Son conocidos también dos métodos de clasificación de información
temática; la clasificación supervisada y la clasificación no supervisada.
La primera se basa en la disponibilidad de áreas de entrenamiento, estas
deben ser homogéneas y se debe tener información sobre qué había (tipo
de cobertura) el día que fue tomada la imagen de satélite; por lo general la
información sobre qué había se consigue con fotografías aéreas o con visita
a campo cuando la imagen fue tomada recientemente.
Figura 9. Dendrograma
En la Figura 9 puede verse cómo se van agrupando los individuos hasta tener
el número de clases que se le indica al algoritmo en este caso 3.
Las reglas de transición local o de evolución son las que definen cómo
cambia una celda dependiendo, como se mencionó anteriormente, de su
estado anterior y el de su vecindario. Estás por lo general se expresan por un
conjunto de ecuaciones.
CLUE-S (the Convertion of Land Use and its Effects at Small regional extent) es
un modelo dinámico de cambio de cobertura y uso del suelo. Su
característica principal es que fue desarrollado específicamente para el
análisis de usos del suelo en regiones pequeñas, con una fina resolución
espacial (Verburg et al., 2002). Una característica importante de este modelo
es que el usuario proporciona para cada año simulado la cantidad de
categorías de ocupación del suelo.
Como una conclusión final Mas et al, (2011) expone la necesidad de crear
modelos que se ejecuten de acuerdo a las necesidades del usuario y que se
puedan acoplar a otros modelos. De estas herramientas estudiadas, el único
que no presentaba una estructura rígida y que permitía al modelador
implementar diferentes estrategias fue Dinamica EGO.
4 Metodología
4.1.2 Procesos
Las imágenes Landsat son ofrecidas de forma gratuita en dos niveles: 1G y 1T.
El primero quiere decir que la imagen no está correctamente
georreferenciada, o que la georreferencia no se hizo con suficiente precisión.
El segundo quiere decir que la imagen está correctamente georreferenciada
y se entrega junto con ella un archivo con los puntos de control usados para
su georreferenciación.
Las imágenes obtenidas con Path: 8 Row: 53, eran de nivel 1T, mientras que
las imágenes con Path 8 Row: 52 tenían nivel 1G.
Tabla 9 Georreferencia
Los puntos fueron tomados de dos imágenes nivel 1T; se aprovechó el área
de solape entre imágenes de la misma fecha pero de Row diferente para
tomar algunos puntos, los otros fueron tomados de la imagen Landsat 5 del
año 1985, con Path:8 y Row:52 En la carpeta anexos 2.
Corrección_geométrica, se encuentran los archivos con las coordenadas de
los puntos de control utilizados, un informe de georreferencia y un mapa con
los puntos usados.
Debido a que la zona de estudio no estaba cubierta por una sola imagen
satelital, se hizo la unión de las imágenes de Path: 8 Row: 52, con las de Path:
8 Row: 53, utilizando la función r.patch del software GRASS GIS. La Figura 12
muestra el resultado obtenido para la banda 4 del año 1973.
Figura 12 Unión de imágenes banda 4 del año 1973
El mapa de cuencas fue evaluado visualmente para dejar solo la cuenca del
Río Ranchería, teniendo presente otras delimitaciones hechas por
Corpoguajira en 2011 y 2015. La Figura 14 muestra la cuenca obtenida
finalmente.
0-1 1 A nivel
7 - 12 4 Moderadamente inclinada
12 - 25 5 Fuertemente inclinada
25 - 50 6 Ligeramente escarpada
50 - 75 7 Moderadamente escarpada
Los pasos con los que se hizo la clasificación no supervisada en GRASS GIS
para las imágenes de 1973 y 1978 fueron:
Tabla 11 Categorías
Actividad Antrópica 2
Vegetación densa 3
Nube 4
Para tener las distancias a cada una de las variables (vías principales, vías
secundarias, centros poblados y drenajes) se utilizó el comando
r.grow.distance de GRASS GIS, el mapa de pendientes se había generado
con anterioridad, los mapas resultantes se muestran en la Figura 19.
Por otro lado, la matriz de múltiples pasos calcula las tasas de transición por
cada periodo de tiempo que se requiera. En este caso la matriz de transición
ocurrió para un periodo anual en un intervalo de cinco años.
Para realizar la simulación fue necesario calibrar los parámetros internos del
modelo. Entre estos están dos algoritmos de Autómatas Celulares: El
Expander y el Patcher. La función del Expander, es la responsable de la
expansión o contracción de los parches conformados por una clase o
cate oría en particular es decir las transiciones ue ocurren de i → j sólo es
posible en las vecindades contiguas con estado j. La función Patcher, por el
contrario, enera nue os parc es a partir de un mecanismo “semilla” las
transiciones i → j se reali an cuando las ecindades conti uas tienen un lu ar
diferente de j (Soares-Filho et al., 2009).
Otros parámetros internos que consideró el modelo tenían que ver con el
tamaño, la variación y la forma de los parches; los dos primeros se daban en
hectáreas y el último definió la forma de esos parches en un rango de 0 a 2,
si el valor es más cercano a dos, la formación de los parches será más
agrupada adquiriendo formas circulares, para una explicación más
profunda del funcionamiento de este procedimiento se puede ver en Soares-
Filho et al., (2003).
4.2.5 Validación
Para medir el ajuste espacial entre el mapa simulado con el mapa histórico
se consideró el método incorporado en D-EGO de ventanas múltiples, el cual
emplea una función de decaimiento constante dentro de un tamaño de
ventana variable.
Esta herramienta permite hacer el ajuste teniendo en cuenta si las mismas
celdas que cambiaron caben dentro de un tamaño de ventana que
aumenta de manera impar, esto permite considerar ajustes con resoluciones
espaciales bajas.
4.2.6 Escenarios
Ambos coeficientes varían entre 0 y 1, por lo que se infiere que las variables
comparadas con valores mayores a 0.5 están muy correlacionadas, y valores
menores a ese número poco correlacionadas. Como se puede ver, ningún
valor está por encima a 0.5, dando cuenta de la independencia entre las
variables, por tal razón, se consideran todas como insumo para el modelo.
Los porcentajes con los que se logró la mejor similitud del expander y el
patcher en cada transición se muestran en la Tabla 15.
5.4 Validación
Tomando en cuenta las dos curvas, se observa que una similitud mayor del
50% para ambas curvas corresponden a una resolución espacial de 70
metros para el modelo de mínima similitud y 40 metros para el de máxima
similitud, lo que significa que el nivel de compatibilidad entre el mapa
simulado y el histórico es bueno.
5.5 Escenarios
6 Conclusiones
QGIS, GRASS GIS, y Dinamica EGO, son herramientas muy versátiles para
abordar estudios de cambios de coberturas y usos del suelo, además de que
permiten realizar la investigación a bajo costo.
7 Referencias Bibliográficas
Marron Gaite, M., Salom Carrasco, J., & Souto Gonzalez, X. (2007). Las
competencias geograficas para la educacion ciudadana. Madrid:
Asociacion de Geografos Espanoles.
Mas, J. F., Kolb, M., Houet, T., Paegelow, M., & Camacho Olmedo, M. T.
(2011). Una comparación de programas de modelación de cambios de
cobertura/uso del suelo.
Padilla, O., Pérez, P., Cruz, M., Huilcamaigua, S., & Astudillo, S. (2015).
Utilización de autómatas celulares como técnica de modelamiento espacial
para determinación el cambio de uso de suelo y cobertura vegetal. Ciencias
Espaciales, 8(1), 310.
Soares-Filho, B. S., Corradi, L., Cerqueira, G., & Araújo, W. L. (2003). Simulating
the spatial patterns of change through the use of the DINAMICA model. XI
Simpósio Brasileiro de Sensoriamento Remoto, 721-728.
Sobrino, J., Sobrino, J., Raissouni, N., & Kerr, N. (2000). Teledeteccion.
Valencia: Universitat de Valencia.
Song, C., Woodcock, C., Seto, K., Lenney, M., & Macomber, S. (2001).
Classification and Change Detection Using Landsat TM Data. Remote Sensing
Of Environment, 75(2), 230-244. http://dx.doi.org/10.1016/s0034-4257(00)00169-
3
Verburg, P., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V. &
Mastura, S. (2002). Modeling the Spatial Dynamics of Regional Land Use: The
CLUE-S Model. Environmental Management, 30(3), pp.391-405.
8 Anexos
Carpeta 1. Metadatos
o ASTER
ASTGTM2_N10W073.txt
ASTGTM2_N10W074.txt
ASTGTM2_N11W073.txt
ASTGTM2_N11W074.txt
o LANDSAT
LM10080521973001AAA04_MTL.txt
LM10080531973001AAA04_MTL.txt
LM20080521978362AAA02_MTL.txt
LM20080531978362AAA04_MTL.txt
Carpeta 2. Corrección_geometrica
o 1973_Puntos_Control_GPC.points
o 1978_Puntos_Control_GPC.points
o Informe_Georreferencia_1973.pdf
o Informe_Georreferencia_1978.pdf
o Mapa_Informe_1973.pdf
o Mapa_Informe_1978.pdf
Carpeta 3. Reclasificacion
o reclasificacion pendientes.txt
o reclasificacion_1973_1.txt
o reclasificacion_1973_2.txt
o reclasificacion_1973_3.txt
o reclasificacion_1973_4.txt
o reclasificacion_1973_5.txt
o reclasificacion_1978_1.txt
o reclasificacion_1978_2.txt
o reclasificacion_1978_3.txt
o reclasificacion_1978_4.txt
o reclasificacion_1978_5.txt
o reclasificacion_1978_6.txt
Carpeta 4. Resultados
o Escenario_Comunidades.gif
o Escenario_Gobernabilidad.gif
o Escenario_Tendencial.gif
o Coeficientes de Pesos de Evidencia.xls