Professional Documents
Culture Documents
Herramientas principales
GRASS
OpenModeller
Herramientas de apoyo
Octave
Calc
Notepad++
Google Earth
SECCIÓN 2
Preparación de las
variables ambientales
Esquema de trabajo
Conceptos importantes en GRASS
BASE DE DATOS
Directorio de trabajo
LOCATION
Área geográfica y sistema
de referencia
MAPSET
Conjunto de mapas
MASK
Área de cálculo
REGION
Resolución y límites
geográficos
Creación de la base de datos de GRASS
(2.1.1)
BASE DE DATOS
C:/CURSO_MODELOS/GEODATOS/GRASSDB
ALMERIA_latlong ALMERIA_utm
latitud-longitud UTM
datum WGS84 datum WGS84
EPSG code = 4326 EPSG code = 32630
opción 5: Usen in
Spain (except
Northwest)
El interfaz de GRASS
Preparación de la región de trabajo (2.1.3)
Objetivos:
Definir un área y una resolución de trabajo
Tareas
Establecer resolución
Descargar e importar a GRASS un archivo vectorial
con los límites provinciales de Almería
Definir la extensión de la región de trabajo según
los límites geográficos de la provincia de Almería
Preparación del modelo de elevaciones
(2.2)
Objetivos:
Obtener un modelo de elevaciones de alta
resolución de la región de trabajo
Tareas:
Descargar el modelo de elevaciones (2.2.1)
Importarlo a la base de datos de GRASS (2.2.2)
Visualizarlo en la ventana de mapas de GRASS
Creación de una máscara (2.3)
Variables topográficas I (2.4.1)
Variables topográficas II (2.4.2 - 2.4.5)
Teledetección (Landsat)
Interfaz de descarga de imágenes de del programa Image 2000
Bandas Landsat
Importación y procesamiento de las
bandas Landsat (2.5.1)
Objetivos:
Preparar un conjunto de imágenes satélite
Tareas:
Descomprimir los paquetes con las capas
Importarlas a GRASS
Unir las parejas de imágenes
Borrar los mapas sobrantes
NDVI (2.5.2)
Precipitación (2.6.1)
Estaciones pluviométricas
y precipitación del mes
más húmedo
Temperatura (2.6.2)
Correlación espacial (2.7)
Objetivo:
Obtener una versión de baja resolución (1000m) de
cada una de las variables generadas
Tareas:
Cambiar la resolución de trabajo a la deseada: de
0:00:03 a 0:00:30
Remuestrear los mapas a la nueva resolución
Exportación de las variables ambientales
(2.10)
Objetivo:
Preparar las variables en un formato que
OpenModeller pueda leer
Tareas:
Exportar una sola variable para aprender cómo se
hace
Ejecutar un guión para automatizar la exportación
de todas las variables
Clasificación de las variables
ambientales
Variables Importancia
ambientales biológica
Índice topográfico de humedad Gradientes de recursos
Orientación recursos y energía de
Pendiente (EO) consumo directo
Objetivo:
Preparar conjuntos de variables para calibrar
modelos en OpenModeller
Tareas:
Preparar conjunto de variables de 1000m
Preparar conjunto de variables de 90m
Ejecución de un experimento de prueba
(4.2)
Objetivo:
Generar modelos de baja resolución con
OpenModeller
Tareas:
Preparar el experimento con los datos requeridos
en el tutorial
Ejecutar el experimento y observar los modelos
resultantes
Bioclim
Envuelta bioclimática
cuadrangular
Óptima
[m-c*s, m+c*s]
m = media
c = % desviación
s = desviación
Subóptima
[max, min]
Climate Space Model
Basado en el Análisis de
Componentes Principales
La información disponible
acerca de su
funcionamiento es
limitada y confusa
Envelope Score
Similar a Bioclim
Envueltas bioclimáticas
cuadrangulares definidas
según los valores máximo y
mínimo de las presencias
(envuelta subóptima de
Bioclim)
P = nº de variables que
cumplen el criterio / nº total
de variables
Environmental Distance (I)
Métricas de distancia ecológica (similaridad)
Sensibilidad:
proporción de aciertos
Error de omisión (falso
negativo): presencia
clasificada como
ausencia
Error de comisión y sobreajuste
NOTA: al finalizar este caso práctico, poner en ejecución los modelos continuos de
alta resolución para siguientes apartados
Complicándolo un poco más: Partición
aleatoria de datos de presencia
División al azar del conjunto de presencias en dos grupos:
calibrado y evaluación.
SENSIBILIDAD = 1 SENSIBILIDAD = 0
Caso práctico pág. 45: Evaluación
mediante partición aleatoria de datos
Tareas:
Importación de modelos a GRASS
Transformación de los valores de los modelos
Importación de los puntos de evaluación a GRASS
Consulta de los valores de los puntos de evaluación
sobre los tres modelos
Cálculo de la sensibilidad en Calc
sensibilidad sensibilidad
modelo aciertos celdas aptas (%)
(evaluación) (calibrado)
BIOCLIM 63 0.84 1 23.66
GARP desktop 70 0.93 0.99 38.94
GARP openmodeller 62 0.83 0.86 13.40
Registros de ausencia y matriz de
confusión (I)
¿Cómo se identifica el error de comisión?: una posibilidad, los
registros de ausencia.
Un ejemplo: tres modelos calibrados con los mismos datos de
presencia y ausencia.
Tareas
Generar puntos aleatorios
Consultar los valores de los puntos aleatorios sobre
los modelos
Preparar los datos para introducirlos en Octave
Calcular índices de evaluación utilizando el
programa KAPPA.m en Octave
Evaluación de modelos continuos: La
curva ROC (I)
La representación gráfica de
los pares sensibilidad vs. 1-
especificidad proporciona
una curva ROC.
El área bajo la curva (AUC)
indica la probabilidad de que
el modelo, ante una pareja
AUC = 0.74
de puntos de presencia y
ausencia seleccionadas al
azar, clasifique la presencia
con un valor de idoneidad
mayor que el de la ausencia.
Caso práctico pág. 63: Cálculo de la
curva ROC
Tareas:
Preparar archivos vectoriales de presencias y
aleatorios
Importar los modelos continuos de alta resolución a
GRASS
Consultar los valores de las presencias y los puntos
aleatorios sobre los modelos
Preparar los datos para introducirlos en Octave
Calcular AUC con el programa AUC.m en Octave
SECCIÓN 6
Transformación de
modelos continuos en
binarios
Transformación de modelos continuos en
binarios
Algunas aplicaciones de modelos de distribución
funcionan mejor con modelos binarios (reservas de
flora, cartografías...)
Es necesario establecer un criterio: se selecciona un
valor de idoneidad del modelo, por encima del cual se
considera el área apta para la presencia de la planta.
Este criterio será distinto según la aplicación a la que
está destinada el modelo.
Dos criterios sencillos pero muy efectivos:
valor medio de los registros de evaluación
valor medio menos desviación estándar de los
registros de evaluación
Diferencias entre los criterios
Objetivos:
Calcular superficie potencial de Linaria nigricans
Obtener cartografía a escala de reconocimiento
Obtener cartografía a escala de detalle
Comparación del resultado con una cartografía real
Tareas
Medir área potencial del modelo binario
Vectorizar modelo binario para obtener cartografía a escala
de detalle
Eliminar ruido del modelo binario para obtener cartografía a
escala de reconocimiento
Comparación visual del resultado con datos reales
Cartografía de poblaciones
Algunas consideraciones:
Los resultados tienen una buena relación coste-beneficio
El área de presencia potencial es mayor que el área de
presencia real
Cuanto mayor es la resolución, mejor será el resultado
Búsqueda de nuevas poblaciones (7.2)
Objetivos:
Obtener un mapa de presencia potencial para localizar
poblaciones desconocidas de una planta amenazada
Tareas:
Generar un mapa de distancias a las poblaciones conocidas
Importar todos los modelos continuos a GRASS
Transformarlos en binarios según un criterio relajado
Ensamblar los modelos mediante suma
Aplicación del criterio de distancia
Visualización del resultado
Búsqueda de nuevas poblaciones