integración de diferentes impactos del cambio climático a
Post on 17-Jul-2022
10 Views
Preview:
TRANSCRIPT
1
Integración de diferentes impactos del cambio climático a nivel municipal en México, a través de métodos multicriterio y sistemas de información
geográfica
INFORME FINAL
2017
Documento generado a partir de los resultados
de la consultoría realizada por:
Mariano Alejandro Villalobos Delgado
2
Derechos Reservados © 2018
Programa de las Naciones Unidas para el Desarrollo (PNUD)
Montes Urales 440, Colonia Lomas de Chapultepec, Delegación Miguel Hidalgo, CP.11000, Ciudad de México.
Instituto Nacional de Ecología y Cambio Climático (INECC)
Boulevard Adolfo Ruiz Cortines No. 4209, Colonia Jardines en la Montaña, Delegación Tlalpan, CP. 14210, Ciudad de México.
Todos los derechos están reservados. Ni esta publicación ni partes de ella pueden ser reproducidas, almacenadas mediante cualquier
sistema o transmitidas, en cualquier forma o por cualquier medio, sea éste electrónico, mecánico, de fotocopiado, de grabado o de
otro tipo, sin el permiso previo del Programa de las Naciones Unidas para el Desarrollo y el Instituto Nacional de Ecología y Cambio
Climático.
El análisis y las conclusiones aquí expresadas no reflejan necesariamente las opiniones del Programa de las Naciones Unidas para
el Desarrollo, de su Junta Ejecutiva, de sus Estados Miembros, o del Instituto Nacional de Ecología y Cambio Climático.
Documento generado a partir de los resultados de la consultoría realizada por: Mariano Alejandro Villalobos Delgado.
Citar como:
PNUD México-INECC, 2017. Integración de diferentes impactos del cambio climático a nivel municipal en México, a través de
métodos multicriterio y sistemas de información geográfica. Proyecto 86487 “Plataforma de Colaboración sobre Cambio Climático
y Crecimiento Verde entre Canadá y México”. 52 pp. Mariano Alejandro Villalobos Delgado. México.
Esta publicación fue desarrollada en el marco del proyecto 86487 “Plataforma de Colaboración sobre Cambio Climático y
Crecimiento Verde entre Canadá y México” del Programa de Naciones Unidas para el Desarrollo (PNUD).
Agradecimiento:
Al gobierno de Canadá a través de Environment Canada por el apoyo financiero recibido para el desarrollo del proyecto 86487
“Plataforma de Colaboración sobre Cambio Climático y Crecimiento Verde entre Canadá y México”, durante 2014-2018. Al
Instituto Nacional de Ecología y Cambio Climático por el apoyo prestado para el buen desarrollo de la Plataforma.
3
CONTENIDO
1. Introducción 5
2. Descripción de productos clave para la determinación de la metodología de integración 7
2.1 Evaluación de impactos del cambio climático sobre los suelos de México. Proyecto
del que se derivaron insumos cartográficos 7
2.2 Evaluación del potencial productivo de los suelos de México que considere Cambio
Climático 8
2.3 Actualización y análisis del impacto del cambio climático en zonas bioclimáticas de
México con nuevos escenarios de cambio climático. 8
3. Descripción de métodos y ejercicios de aplicación para determinar la metodología de integración de información cartográfica 10
4.1 Método del Cociente de Localización 10
4.2 Método de integración de información mediante el cálculo de la Estructura
Porcentual 12
4.3 El método de análisis de Componentes Principales 18
4.3.1 Procedimiento para el análisis de correlación espacial por Componentes Principales. 20
4.4 Método de Clasificación 21
4. Integración de cada indicador por municipio 27
5. Anexo 28
5.1 Presentación del análisis de correlación espacial mediante la técnica de
Componentes Principales 28
5.1.1 Revisión de la tabla de atributos de las coberturas para identificar el valor y las categorías
de cada indicador 28
5.2 Anexo 2. Ejercicio de integración o síntesis de los indicadores del suelo asociados al
clima, mediante el proceso metodológico de clasificación (clustering) 34
5.2.1 Análisis de clasificación mediante la conformación de clúster 34
6. Bibliografía 51
4
Lista de Imágenes Imagen 3-1 Representación de las categorías predominantes y secundarias del Índice de aridez por municipio ................................................................................................................................................................................... 13 Imagen 3-2 Representación conjunta de las categorías predominantes, aplicando el criterio de 66% o más, y secundaria del Índice de aridez por municipio ........................................................................................ 13 Imagen 3-3 Clasificación del Índice de aridez del suelo ........................................................................................ 15 Imagen 3-4 Clasificación del indicador de productividad primaria neta del suelo .................................... 16 Imagen 3-5 Clasificación del indicador evapotranspiración potencial del suelo ........................................ 17 Imagen 3-6 Clasificación del indicador Erosión Hídrica del suelo .................................................................... 18 Imagen 3-7 Esquema que muestra la dispersión de dos variables y la línea que representa los componentes principales conformados........................................................................................................................ 19 Imagen 3-8 Archivo con el resumen estadístico que utiliza el método de clasificación o clustering . 22 Imagen 3-9 Comportamiento espacial de los 16 clúster conformados ........................................................... 23 Imagen 3-10 Representación de la correlación entre PPN e IA a partir del valor de la media de cada indicador según los 16 clúster conformados. En la gráfica de la derecha representación de la no correlación entre PPN y ETP ............................................................................................................................................. 23 Imagen 3-11 Comportamiento espacial de los 16 clúster conformados ......................................................... 24
Lista de Tablas Tabla 3-1 Tabla de atributos de la cobertura del Índice de Aridez, campos seleccionados. ................... 11 Tabla 3-2 Matriz espacial área por categoría del índice de aridez .................................................................... 11 Tabla 3-3 Caracterización de clúster según la estructura porcentual del índice de aridez .................... 25 Tabla 3-4 Caracterización de los clúster definidos por el método de clasificación .................................... 26
5
1. Introducción
El presente proyecto se inserta en el Acuerdo denominado Plataforma de Colaboración sobre Cambio
Climático y Crecimiento Verde entre Canadá y México 2013-2016, establecido entre el gobierno de
México y el gobierno de Canadá. Dicho Acuerdo busca “Contribuir a la reducción de la vulnerabilidad
ante el cambio climático, fortalecer las capacidades para la adaptación y el rastreo del financiamiento
climático a través del desarrollo de información, criterios y directrices como insumos de conocimiento
para los ámbitos de política, toma de decisiones e inversión pública en la materia en México”. Entre las
actividades planteadas en el marco de la Plataforma se destacan las siguientes:
a) Análisis espacial y temporal sobre los impactos potenciales y observados del cambio y la
variabilidad climáticos.
b) Generación de bases de datos actualizadas que servirán como insumo en cualquier estudio de
cambio y variabilidad climáticos.
Estas actividades son apoyadas por el Programa de las Naciones Unidas para el Desarrollo (PNUD),
que participa como agencia implementadora, y el Instituto Nacional de Ecología y Cambio Climático
(INECC) como instancia asociada en la implementación de proyectos en materia de cambio climático.
Hasta la fecha bajo este Acuerdo de Colaboración, en el INECC se han realizado una serie de estudios
sobre los impactos del cambio climático, por lo que se cuenta con una importante base de información
espacial, cartográfica y tabular. En este contexto se inserta el presente proyecto titulado Integración de
diferentes impactos del cambio climático a nivel municipal y a través de métodos multicriterio y de sistemas de información
geográfica para México; cuyo objetivo es:
Integrar impactos del cambio climático provenientes de diferentes temáticas y
resoluciones a nivel municipal, mediante funciones multicriterio y de sistemas de
información geográfica, para conocer los impactos previstos en los municipios de
México.
Se trata, precisamente, de agregar de manera sistemática y estructurada información de naturaleza diversa
a nivel de municipio, diversa tanto por los temas abordados como por la unidad espacial de análisis con
la que se generó la información. Esto se deduce de los temas o productos propuestos para llevar a cabo
la integración a esta unidad espacial:
• Vulnerabilidad al cambio climático
• Índice de aridez
• Erosión de suelos
• Régimen humedad y temperatura de suelos
• Vegetación y zonas bioclimáticas
• Productividad primaria neta
• Cambio en vegetación
• Pérdidas no económicas
6
• Conflictos socio ambientales
• Acciones de adaptación
Dado el Acuerdo de Colaboración mencionado, los temas propuestos se enmarcan en el tema de
cambio climático, lo que implica que algunos de los productos cartográficos se han realizado bajo los
escenarios de cambio climático reportados para México. En este sentido, en el marco de la Plataforma
de Colaboración se ha puesto especial atención al medio biofísico y el medio productivo, los estudios
realizados al respecto han generado productos cartográficos que consisten en la conformación de un
escenario base (histórico) y tres escenarios radiativos para dos periodos futuros (2015-2039 y 2075-
2099); dicha información también será integrada a nivel de municipio.
Por otra parte, según lo expresado en el objetivo del proyecto, el fin último de la integración de la
información a escala municipal es identificar y cuantificar los impactos asociados al cambio climático
a los que están y estarán sujetos los territorios de cada municipio del país; con ello se pretende
contribuir al objetivo mismo de la Plataforma, en particular, en cuanto a la reducción de la
vulnerabilidad territorial frente al cambio climático. Precisamente, los territorios municipales son los
que experimentan las consecuencias inmediatas, por ejemplo, de eventos adversos de origen natural,
puesto que la mayoría de éstos suelen ser claramente localizables y de poca extensión espacial. De ahí
la importancia de proporcionar información simplificada, que sea útil y accesible y, por lo tanto, que
permita orientar la toma de decisiones a escala local, sobre todo en la formulación de medidas
preventivas y de adaptación frente al hecho del cambio climático.
La metodología y los métodos para desarrollar el presente trabajo, tiene en los Sistemas de Información
Geográfica un soporte importante, dada la naturaleza diversa de los productos cartográficos a integrar
y el ámbito espacial que abarcan, el cual es a nivel nacional.
7
2. Descripción de productos clave para la determinación de la metodología de integración
Como se mencionó, hasta el momento, a través del INECC se han desarrollado una serie de proyectos
que han generado información geográfica se ha abordado el medio biofísico y productivo, en particular,
se han generado indicadores básicos del suelo asociados a las condiciones del clima a nivel nacional.
2.1 Evaluación de impactos del cambio climático sobre los
suelos de México. Proyecto del que se derivaron insumos
cartográficos
Objetivo: Analizar y evaluar los impactos del cambio climático sobre los suelos de México a través del
comportamiento de algunas propiedades físicas, químicas y biológicas y con base en ello proponer
indicadores de monitoreo y evaluación de vulnerabilidad al cambio climático.
Productos cartográficos derivados:
Cobertura de Índice de aridez (escenario base).
Degradación de suelos por erosión hídrica (escenario base9).
Representación cartográfica de escenarios futuros:
Modelo regional CNRM; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039),
Intermedio (2045-2069) y Lejano (2075-2099).
Modelo regional HADGEM, Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039),
Intermedio ((2045-2069) y Lejano (2075-2099).
Modelo regional MPI; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039),
Intermedio ((2045-2069) y Lejano (2075-2099).
Modelo regional GFDL; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039),
Intermedio ((2045-2069) y Lejano (2075-2099).
8
2.2 Evaluación del potencial productivo de los suelos de
México que considere Cambio Climático
Objetivos:
• Generar algunas variables importantes que determinan la capacidad productiva de los suelos bajo diferentes usos y manejos a partir de información reportada por fuentes oficiales.
• Estimar los impactos del cambio climático en algunas propiedades del suelo asociadas principalmente a balances de humedad y regímenes de temperatura para México
Productos cartográficos derivados:
• Régimen de temperatura del suelo (escenario actual)
• Régimen de humedad (escenario actual)
• Evapotranspiración (escenario actual)
• Productividad Primaria Neta (escenario actual)
Representación cartográfica de escenarios futuros:
Modelo regional CNRM; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039), Intermedio (2045-2069) y Lejano (2075-2099).
Modelo regional HADGEM, Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039), Intermedio ((2045-2069) y Lejano (2075-2099).
Modelo regional MPI; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039), Intermedio ((2045-2069) y Lejano (2075-2099).
Modelo regional GFDL; Forzamiento radiativo 8.5 Y 4.5; Horizontes Cercano (2015-2039), Intermedio ((2045-2069) y Lejano (2075-2099).
2.3 Actualización y análisis del impacto del cambio
climático en zonas bioclimáticas de México con nuevos
escenarios de cambio climático.
Objetivos:
• Determinar la distribución geográfica de las principales zonas bioclimáticas del país bajo las condiciones bioclimáticas prevalecientes en las últimas cuatro décadas (escenario base)
• Analizar el posible impacto que tendría el cambio climático sobre la distribución de los principales ecosistemas terrestres del país.
Los ecosistemas terrestres identificados a partir de las zonas bioclimáticas y de los cuales se proyectan
los escenarios de cambio climático, fueron: Bosque de coníferas; Bosque de latifoliadas; Matorral árido;
Matorral semiárido; Pastizal natural; Selvas húmedas; Selvas secas; Vegetación halófila; Vegetación
hidrófila.
9
Representación cartográfica de escenarios futuros:
Modelo regional MPI-ESM-LR; Forzamiento radiativo 8.5 Y 4.5; Horizonte lejano (2075-2099).
Modelo regional GFDL-CM3; Forzamiento radiativo 8.5 Y 4.5; Horizonte lejano (2075-2099).
Modelo regional HADGEM2-ES; Forzamiento radiativo 8.5 Y 4.5; Horizonte lejano (2075-2099).
La intención de resaltar los proyectos y productos referidos resulta del hecho de que, para el desarrollo del presente proyecto, constituyen la base cartográfica de partida para cumplir el objetivo de integrar impactos del cambio climático provenientes de diferentes temáticas y resoluciones a nivel municipal, mediante funciones multicriterio y de sistemas de información geográfica, para conocer los impactos previstos en los municipios de México.
10
3. Descripción de métodos y ejercicios de aplicación para determinar la metodología de integración de información cartográfica
A continuación se explican los métodos o técnicas que se aplicaron y, aunque algunas fueron
descartadas, sirvieron de base para determinar el procedimiento final con el que se llevó a cabo la
integración de la información a nivel de municipio.
4.1 Método del Cociente de Localización
Desde una perspectiva de análisis y representación espacial de información, este método se puede
considerar como parte de las técnicas de clasificación, ya que permite generalizar una serie de elementos
o características de una unidad espacial determinada (Del Canto, et. al., 1988). En este sentido, el
ejercicio práctico se desarrolló para integrar el Índice de Aridez, el método del cociente de localización
permite identificar aquellos lugares donde se localiza de manera preferencial el fenómeno o variable
analizada.
Este método compara el comportamiento de la variable en cuestión, al interior de cada municipio,
entre el comportamiento de la misma en el ámbito nacional, de tal forma que, si el resultado es igual a
1, significa que el comportamiento de la variable en el municipio es igual que a nivel nacional (o al
promedio nacional), si es mayor a 1 se considera que la variable se localiza preferentemente en tal
municipio. Para su aplicación se realizó lo siguiente:
1. La cobertura del Índice de Aridez se adecuó de tal forma que en la tabla de atributos sólo se
conservaron los campos básicos, como el relativo a la descripción de cada categoría según los diferentes
niveles de aridez del suelo y el campo de área correspondiente (Figura 2.1).
2. Superposición de la cobertura de Índice de Aridez con la cobertura del Marco Geo estadístico
Municipal (en Arc/Gis con la herramienta Identity). En la estructura de tabla de atributos resultante
aparece primero el identificador de cada municipio (un campo con la clave numérica y un campo con
el nombre del municipio), puesto que es la unidad espacial para agregar o integrar las categorías del
Índice de Aridez. Se hace un acomodo de la tabla de atributos resultante, de tal forma que cada fila
corresponde a cada uno de los 2,456 municipios que conforman el territorio nacional mexicano;
mientras que las columnas corresponden a las categorías coincidentes espacialmente con cada
municipio.
11
Tabla 3-1 Tabla de atributos de la cobertura del Índice de Aridez, campos seleccionados.
3. Para aplicar la fórmula del Cociente de Localización, la estructura de la tabla se concibió tal cómo
se muestra en la siguiente matriz espacial:
Municipio
(j)
Categoría (i)
Área por categoría del Índice de aridez (IA)
Hiperárido
A
Árido
B
Semiárido
C
Subhúmedo
seco
D
Subhúmedo
Húmedo
E
Húmedo
F
Per-
húmed
o
G
Muy
húmed
o
H
Área
total del
municipi
o
1001 IAcat1001A IAcat1001B IAcat1001C IAcat1001D IAcat1001E IAcat1001F IAcat1001G IAcat1001H Atm1001
1002 IAcat1002A IAcat1002B IAcat1002C IAcat1002D IAcat1002E IAcat1002F IAcat1002G IAcat1002H Atm1002
1003 IAcat1003A IAcat1003B IAcat1003C IAcat1003D IAcat1003E IAcat1003F IAcat1003G IAcat1003H Atm1001
1004 IAcat1004A IAcat1004B IAcat1004C IAcat1004D IAcat1004E IAcat1004F IAcat1004G IAcat1004H Atm1001
32058 IAcat32058A IAcat32058B IAcat32058C IAcat32058D IAcat32058E IAcat32058F IAcat32058G IAcat32058H Atm1001
IAcattnA IAcattnB IAcattnC IAcattnD IAcattnE IAcattnF IAcattnG IAcattnH Atn
Tabla 3-2 Matriz espacial área por categoría del índice de aridez
12
De este modo, la conformación de la matriz facilitó la aplicación de la fórmula del Cociente de
Localización:
CLIA = Cociente de localización por categoría del índice de aridez
IAij = Área de la categoría i del municipio j
IAj = Área total del municipio j
IAi = Área total nacional en la categoría i
Atn = Área total nacional
Para los propósitos del presente proyecto, los resultados de la aplicación del Cociente de Localización
no resultaron convenientes, puesto que un número significativo de municipios resultó con dos o más
categorías de aridez superiores a 1. Si bien, mediante está técnica, es posible lograr una agregación
detallada de la distribución espacial de las categorías del Índice de Aridez en cada municipio, dada la
cantidad de combinaciones resultaba complicado conformar una leyenda que diferenciará con toda
claridad y simplicidad tales combinaciones, por lo que no se logró sintetizar o hacer más accesible y
útil la información revelada por el Índice de Aridez.
4.2 Método de integración de información mediante el
cálculo de la Estructura Porcentual
Se retomó la cobertura resultante de la superposición cartográfica realizada para aplicar el cociente de
localización; con la tabla de atributos correspondiente, que ya contaba con el área ocupada por las
categorías del Índice de Aridez para cada municipio, se obtuvo o calculó la estructura porcentual. Esto
se realizó con la intención de identificar, para cada municipio, la categoría de aridez que ocupaba el
mayor porcentaje de superficie en cada municipio. Para integrar la información del Índice de Aridez, a
partir de la estructura porcentual, se realizó el siguiente procedimiento:
1. Para cada municipio se identificó la categoría del Índice de Aridez con el máximo valor porcentual,
a partir de la cual se hizo la representación cartográfica y se denominó clase predominante (en el sentido
de que correspondía a la categoría o clase con la mayor superficie ocupada dentro de cada municipio).
2. También se identificó la categoría o clase con el segundo valor porcentual más alto dentro de cada
municipio, que se representó en otro mapa y se denominó como categoría secundaria (Imagen 3-1).
IAij/ATj
IAi/Atnt
CLIA =
13
3. Se realizó la representación cartográfica de ambas categorías o clases, predominante y secundaria en
un solo mapa. En este caso, se aplicó el criterio de que, si una categoría con el máximo valor era igual
o superior al 66% de la superficie total municipal, sólo ésta quedaría representada; mientras que, en los
casos en los que la categoría con el máximo valor porcentual fuera menor a 66, quedarían catalogados
con ambas categorías predominante y secundaria (Imagen 3-2).
Imagen 3-1 Representación de las categorías predominantes y secundarias del Índice de aridez por municipio
Imagen 3-2 Representación conjunta de las categorías predominantes, aplicando el criterio de 66% o más, y secundaria del Índice de aridez por municipio
Cabe mencionar que la integración de información a partir de la estructura porcentual por municipio
se presentó, ante el personal representante del Programa de las Naciones Unidas para el Desarrollo
(PNUD) y de la Coordinación General de Adaptación al Cambio Climático, como propuesta para
integrar el resto de la información, en especial, de las coberturas correspondientes a Erosión hídrica
de los suelos; Régimen de humedad de suelos; Régimen de temperatura de suelos; Zonas bioclimáticas;
y Productividad primaria neta. En la reunión de se expresó que de ser aprobado el procedimiento, éste
14
se debería realizar al menos 150 veces, ya que también se aplicaría a los escenarios futuros relativos a
cuatro modelos, dos RCP (4.5 y 8.5) y tres horizontes de tiempo.
Como resultado de la presentación se sugirió lo siguiente:
Al considerar que la tabla de atributos, de al menos cuatro de los productos cartográficos a integrar,
contenía el valor del índice, se sugirió hacer la integración a partir de dicho valor y no con las categorías
establecidas. La alternativa planteada fue hacer un análisis de correlación espacial entre los indicadores
antes de trasladar la información a nivel de municipio. La intención era tratar de rescatar el nivel de
detalle proporcionado por el valor del índice y su manifestación espacial, en particular se recomendó
hacer un análisis aplicando la técnica de Componentes Principales.
Con base en esta recomendación, se hizo una revisión más exhaustiva sobre el contenido de cada una
de las coberturas ya identificadas como básicas. Esto con el fin de conocer los aspectos valorados del
suelo con los que se conformó cada indicador; así como para comprender el sentido de la valoración
y clasificación, lo cual también resultaba relevante para la interpretación de los resultados. La primera
diferenciación, a partir de la revisión, fue en función del aspecto cuantificado, es decir, si se trataba de
una propiedad -física, química o biológica- del suelo o de la valoración del estado o condición del
mismo.
Indicadores de las propiedades del suelo asociados a la influencia del clima
• Régimen de temperatura (temperatura media anual del suelo/diferencia de temperatura entre
verano e invierno; a una profundidad de 50 cm a partir de la superficie).
• Régimen de humedad.
La representación cartográfica de ambos indicadores consiste en una clasificación cualitativa, realizada
principalmente en función del comportamiento, a lo largo del año, de los valores medios y mensuales
de precipitación y temperatura.
Indicadores de la condición del suelo asociados a la influencia del clima
• Índice de aridez
• Productividad Primaria Neta
• Evapotranspiración potencial
• Erosión hídrica
Estos últimos, consisten en indicadores cuantitativos, por lo que las clasificaciones representadas están
determinadas por intervalos de valores continuos, a partir de los cuales se valoró determinada
condición del suelo, como se describe a continuación:
15
Índice de aridez. Considera como criterio para definir las tierras secas, el establecido por la
Convención de Naciones Unidas de Lucha Contra la Desertificación (CNULD, 1994). En ésta se
plantea que “la definición de los tipos climáticos se realice a partir de la relación que guarda la
precipitación (P) y la evapotranspiración potencial (ETP), lo que se definió como Índice de Aridez. La
lluvia define la cantidad de humedad disponible mientras que la evapotranspiración potencial refleja el
consumo de ésta por los organismos del suelo y las plantas. De este modo, el criterio para definir las
tierras secas se determina a partir del cociente P/ETP, si el resultado es menor a 0.65 se trata de tierras
o suelos secos, si es igual o mayor a este parámetro, se trata de tierras o suelos húmedos. El resultado
se resume en el mapa correspondiente (Imagen4-3).
𝑷 𝑬𝑻𝑷⁄
P = Precipitación
ETP = Evapotranspiración Potencial
Imagen 3-3 Clasificación del Índice de aridez del suelo
Productividad Primaria Neta (PPN). “A nivel regional la productividad primaria neta puede
visualizarse como un indicador generalizado del potencial ecológico” (Gómez y Gallopín, 1991). Se
considera un indicador de la capacidad de “producir cierta cantidad de biomasa” (De Paepe y Álvarez,
2013); la PPN “corresponde a la energía que queda después de la respiración y que es almacenada en
forma de materia orgánica” (Smith y Smith, 2001, citado en Gómez, et. al., 2008), se expresa en kg de
materia seca (MS) por hectárea al año (Imagen 4-4). La fórmula para su cálculo fue la siguiente:
Log(10)PPN = (1.66*Log(10)ETR)-1.66.
PPN = Producción Primaria Neta (gMS/m2/año)
ETR = Evapotranspiración Real (mm/año)
16
Evapotranspiración Potencial (ETP). “Se define como el agua devuelta a la atmósfera en estado de
vapor por un suelo que tenga la superficie completamente cubierta de vegetación y en el supuesto de
no existir limitación en el suministro de agua (por lluvia o riego) para obtener un crecimiento vegetal
óptimo” (MMA, 2004). La ETP se estimó por medio de un modelo físico, se calculó la
evapotranspiración potencial diaria sobre la superficie de agua libre y poco profunda expresada en
milímetros por día (ETo) y para la estimación de la evapotranspiración potencial mensual (ETP), se
multiplicó este parámetro por el número de días del mes (Imagen 4-5). La fórmula consta de un término
de radiación y de un término aerodinámico, y se expresa como (UACh, 2016):
𝐸𝑇𝑜 = 𝑘 ∗ (𝑊 ∗ (𝑅𝑛 + 𝐺) + (1 − 𝑊) ∗ (𝑢) ∗ (𝑒0 − 𝑒))
Donde:
ETo = Evapotranspiración sobre superficie agua libre (mm/día)
k = coeficiente de conversión de energía por unidad de superficie en mm de agua que es capaz de
evaporar esa energía.
De acuerdo con la fórmula otros parámetros que se utilizaron para estimar la ETP son: calor de
vaporización del agua (con factor de ponderación de los efectos de radiación); pendiente de la curva
de saturación de vapor; calor específico del aire seco a presión constante; flujo advectivo de calor;
radiación neta; radiación global en el límite superior de la atmósfera; radiación solar en un día sin nubes;
velocidad del viento (km/día) a una altura de 2 metros; déficit de saturación de vapor; y humedad
relativa.
Imagen 3-4 Clasificación del indicador de productividad primaria neta del suelo
17
Imagen 3-5 Clasificación del indicador evapotranspiración potencial del suelo
Erosión hídrica (EH). Se refiere a la pérdida de suelo debida a la “disgregación y transporte de las
partículas del suelo por la acción del agua” (MMA, 2004). La ecuación utilizada para estimar la EH, se
basa en el modelo RUSLE (Revised Universal Soil Loss Equation), se trata de un modelo de tipo
paramétrico que usa cinco factores referentes a las interacciones de los elementos que propician la
erosión del suelo como la lluvia, escurrimiento superficial, suelo, topografía, vegetación e intervención
humana. La ecuación general es la siguiente:
𝑨 = 𝑹 𝑲 𝑳𝑺 𝑪 𝑷
Dónde:
A.- Pérdida anual de suelo (t ha-1 año-1).
R.- Factor de erosividad de la lluvia (MJ mm ha-1 h-1 año-1)
K.- Factor de erosionabilidad del suelo (t ha h MJ-1 mm-1 ha-1)
LS.- Factor topográfico. Longitud de la pendiente (L) y grado de inclinación de la misma (S)
(Adimensional)
C.- Factor asociado al uso y manejo del suelo (Adimensional)
P.- Factor de prácticas mecánicas de control de la erosión (Adimensional)
18
Imagen 3-6 Clasificación del indicador Erosión Hídrica del suelo
Por lo tanto, el análisis de Componentes Principales se realizó sobre estas cuatro coberturas que
contenían, como parte de su tabla de atributos, el valor del índice respectivo.
4.3 El método de análisis de Componentes Principales
El método de Componentes Principales tiene como objetivo “resumir un grupo amplio de variables
en un nuevo conjunto, más pequeño, sin perder, una parte significativa de la información original”
(Chuvieco, 1995). El resumen o síntesis se realiza a partir de la “combinación lineal de los indicadores
originales, por lo tanto, los primeros nuevos componentes generados explican el máximo de la
variabilidad total” (Ruiz, 2013); así cada componente representa la varianza máxima común entre el
conjunto de indicadores analizados. De esta forma, las componentes resultantes se distinguen por
(Imagen 4-7):
a) La primera componente explica o contiene la máxima varianza del conjunto de indicadores
originales.
b) Cada componente subsecuente explica la mayor varianza posible no explicada por las
componentes anteriores.
c) Las componentes no están correlacionadas entre sí (son ortogonales entre sí).
19
Imagen 3-7 Esquema que muestra la dispersión de dos variables y la línea que representa los componentes principales conformados.
Fuente: Imagen extraída de Ruiz, 2013.
En el presente trabajo, además de los principios estadísticos que implica el uso del método de
Componentes Principales se considera el carácter espacial de la información, precisamente, el método
se incluye como herramienta de análisis espacial en Arc/Gis. La aplicación del método en teledetección
conserva el propósito de detectar información redundante (entre los valores de reflactancia en las
distintas bandas espectrales), en este campo, el análisis de Componentes Principales “permite sintetizar
las bandas originales creando nuevas bandas” (Chuvieco, 1995); esto, sin perder información de
manera sustancial. En este caso, las Componentes resultantes también se conforman en bandas,
aquellas que capturan la mayoría de la varianza se concentran en las primeras bandas de salida.
En Arc/Gis el resultado del análisis estadístico se presenta en un archivo de texto, donde se incluye la
matriz de covarianza y la matriz de correlación. En particular, la matriz de correlación tiene gran
relevancia puesto que el análisis de Componentes Principales tiene significancia sólo si existe alta
correlación entre los indicadores o variables, lo que implicaría que hay redundancia de información.
También se incluye la matriz de correlación de las Componentes con los indicadores o variables en
cuestión.
20
4.3.1 Procedimiento para el análisis de correlación espacial por Componentes Principales.
Para la aplicación del análisis de Componentes Principales, la primera condicionante es que la
información espacial deberá estar en formato raster. Como se había mencionado, las coberturas
disponibles presentan un formato vectorial, un sistema de referencia geográfica (geográficas) y datum
WGS84. Por lo tanto, para llevar a cabo el análisis, parte del procedimiento consistió en la adecuación
cartográfica:
1. La base de datos tabular quedó conformada sólo con los campos que contienen el valor del
índice y la descripción de las clases correspondientes.
2. Se constató que la proyección de las coberturas corresponda al Sistema de Referencia
Geográfica
3. Definición del tamaño de pixel (30” x 30” de arco equivalentes en el terreno a un km2)
4. Transformación de cada cobertura a formato ráster
Con las coberturas transformadas a formato ráster, se realizaron varias pruebas de análisis de
Componentes Principales hasta llegar al ejercicio final, donde los valores de los indicadores
Productividad Primaria Neta (PPN), Índice de Aridez (IA), Evapotranspiración Potencial (ETP) y
Erosión Hídrica (EH) fueron estandarizados, ya que la herramienta de Componentes Principales en
Arc/Gis, no estandariza de manera automática los valores del índice. El procedimiento de
estandarización fue necesario debido a las diferencias entre la amplitud de los valores de cada indicador,
así como por la diferencia en las unidades de medida; por ejemplo, el índice de PPN presentaba una
amplitud de 43.65 a 4,897.78, mientras que el IA registraba una amplitud entre 0.04 y 7.13.
La fórmula utilizada para estandarizar fue la siguiente:
𝑧𝑖 =Xi − �̅�
S(i)
Donde:
i = es el indicador o variable determinada
Xi = es el valor de cada caso de la variable i
�̅� = es el valor de la media aritmética de la variable i
S(i) = es la desviación típica de la variable i
z = es el valor estandarizado o normalizado resultante de la variable i en cada caso
21
Con la estandarización de los indicadores es posible hacer la comparación, puesto que las magnitudes
de los valores numéricos correspondientes son similares. Por lo tanto, los resultados del análisis de
Componentes Principales que se presentan corresponden al análisis definitivo, a partir del cual se
determinó si era posible reducir o sintetizar los cuatro indicadores en uno sólo.
En el Anexo 1 se presentan los resultados estadísticos y cartográficos del análisis de Componentes
Principales.
Del análisis de Componentes Principales se concluyó:
• Sólo se logró resumir dos coberturas, la correspondiente a PPN y el IA, ya que fueron las que aportaron
la mayor varianza en la primera Componente.
• Los indicadores ETP y EH conformaron Componentes independientes entre sí, en este caso resulta
conveniente trabajar con los indicadores originales.
• De las cuatro coberturas, sólo se reduciría un producto cartográfico, por lo tanto, no se logró el
propósito de resumir a un solo producto los cuatro indicadores.
4.4 Método de Clasificación
Otro procedimiento metodológico con el que se intentó simplificar el número de coberturas fue el de
clasificación que, en el ámbito del análisis multivariado, destacan las técnicas enfocadas a la
conformación de grupos denominados clustering (agrupamiento). En Arc/Gis se incluye la
herramienta Isocluster, mediante ésta es posible conformar grupos homogéneos (clúster) de un conjunto
de unidades espaciales, en este caso, celdas o pixeles en los cuales se encuentra agregada la información
de cada uno de los indicadores.
El análisis de Clúster es una técnica de clasificación en la cual cada banda o cobertura ráster es
segmentada para identificar grupos o clases, para ello emplea algoritmos y parámetros de control
(Chuvieco, 1995). La herramienta aplicada emplea la media y la matriz de covarianza para conformar
y distinguir cada grupo. El algoritmo utilizado para delimitar los valores homogéneos del conjunto de
coberturas ráster, es el ISODATA (Datos auto-asociados iteractivamente), el cual consiste en calcular
la media de las clases o agrupaciones generalmente a partir de una muestra de pixeles. En cada una de
las iteracciones recalcula los promedios y reclasifica los pixeles de las bandas o coberturas con respecto
a estos nuevos promedios (Rejas, 2014). Este procedimiento se repite hasta que el cambio del número
de pixeles en cada clase o clúster es mínimo respecto a un valor de tolerancia o hasta que se realiza
cierto número de iteracciones predefinidas.
22
Finalmente, para la conformación de clúster o clases, el procedimiento consiste en comparar cada uno
de los pixeles de cada cobertura ráster con los valores de referencia de las categorías establecidas (a
partir de la muestra de pixeles) asignándoles la de mayor similitud. Para esto utiliza la medida de
semejanza como la distancia euclidiana (matriz de covarianza). En Arc/Gis los resultados estadísticos
finales se presentan en un archivo de extensión GSG; el resultado del proceso de clasificación es la
cobertura con el total de pixeles asignados a los diferentes clúster o clases generadas (Imagen 4-8). En
la siguiente figura se muestra una fracción de las estadísticas que calcula la herramienta para conformar
los grupos o clases, a cada uno de éstos se asigna un número sólo con el propósito de diferenciarlos
entre sí, pero no indican algún orden.
Imagen 3-8 Archivo con el resumen estadístico que utiliza el método de clasificación o clustering
El análisis de clúster se realizó con las coberturas de los cuatro indicadores con los valores
estandarizados. En la figura 4-9 se muestra el comportamiento conjunto del valor de la media de cada
indicador según las 16 clases o clúster conformados. En términos generales no se observa una relación
lineal entre los cuatro indicadores, dicha relación sólo se detecta entre la Productividad Primaria Neta
y el Índice de Aridez, sobre todo en los primeros nueve clúster; mientras que el comportamiento de la
Evapotranspiración Potencial refleja un comportamiento independiente respecto al comportamiento
de los otros indicadores, lo mismo que los valores de la Erosión Hídrica, cuyo comportamiento
también se muestra indiferente al comportamiento de los tres indicadores restantes.
23
En las gráficas de dispersión se representa el valor de la media de la PPN y el IA con lo que se constata
la correlación entre ambas variables en la conformación de los clúster (Imagen 4-10), como lo indica
la línea de tendencia central. Mientras que en la gráfica de la derecha, se verifica la independencia del
indicador Evapotranspiración Potencial, en este caso, respecto al indicador de Productividad Primaria
Neta; donde la línea de tendencia es casi horizontal, lo que es indicativo de la no correlación entre tales
indicadores.
Imagen 3-9 Comportamiento espacial de los 16 clúster conformados
Imagen 3-10 Representación de la correlación entre PPN e IA a partir del valor de la media de cada indicador según
los 16 clúster conformados. En la gráfica de la derecha representación de la no correlación entre PPN y ETP
24
En términos espaciales, los polígonos que representan cada clúster conforman una tipología de
espacios según las características asociadas en cada clúster, lo que se refleja en la fragmentación y
distribución dispersa de dichos polígonos. En la parte central, sur y sureste del país, los polígonos son
más pequeños y están más fragmentados, en comparación con los clúster predominantes en la porción
norte de México.
Imagen 3-11 Comportamiento espacial de los 16 clúster conformados
Debido a que la intención de aplicar el análisis de clúster era tratar de sintetizar la información de los
cuatro indicadores en un solo producto cartográfico, además de considerar los aspectos antes
señalados, se realizó la caracterización o descripción de cada uno de los clúster o clases definida para
valorar si tal propósito se había conseguido. Como se ha manifestado, el número de clases establecido
fue de 16, esta cantidad se eligió con el fin de disminuir la generalización de la información
proporcionada por cada uno de los indicadores, además de considerar que el análisis tenía como ámbito
espacial de estudio el territorio nacional.
25
En este caso se realizó la caracterización de cada uno de los clúster identificados, bajo el siguiente
procedimiento:
1. La cobertura ráster clasificada se transformó a formato vectorial, para obtener los polígonos
correspondientes a cada clúster.
2. La cobertura clasificada en formato vectorial se sobrepuso con cada una de las coberturas
correspondientes a los indicadores de PPN, IA, ETP y EH con su respectiva clasificación.
3. Se generaron tablas de frecuencia en las que se obtuvo, para cada clúster, la distribución espacial
de las clases de cada uno de los indicadores.
4. Se obtuvo la estructura porcentual por indicador y para cada clúster (ejemplo con el Índice de
Aridez).
5. A partir de la estructura porcentual se caracterizó cada clúster con la categoría o categorías de
cada indicador que ocuparon más del 50% de la superficie total de cada clúster (ver la tabla con
la caracterización).
Tabla 3-3 Caracterización de clúster según la estructura porcentual del índice de aridez
Hiperárido Árido SemiáridoSubhúmedo
Seco
Subhúmedo
húmedoHúmedo
Muy
húmedo
Per-
húmedo
1 0.0 28.2 19.4 14.6 37.7 0.0 90,719
2 0.0 0.2 0.5 41.9 57.4 0.0 49,183
3 0.0 28.4 71.6 23,544
4 1.2 1.9 5.3 84.1 7.5 79,356
5 0.1 44.4 34.0 18.4 3.2 0.0 151,794
6 0.0 1.9 22.7 29.9 44.8 0.7 163,804
7 2.8 91.0 6.2 0.1 0.0 206,142
8 0.0 59.8 40.0 0.1 0.0 0.0 290,833
9 0.0 40.1 59.5 0.3 0.0 182,716
10 1.0 23.0 36.0 39.8 0.0 249,554
11 0.0 0.0 0.0 6.8 91.3 1.9 59,801
12 0.1 32.3 45.6 20.8 0.8 0.4 0.0 85,276
13 0.1 42.0 55.4 2.5 0.0 0.0 138,373
14 0.0 7.7 6.3 58.2 27.4 0.0 81,914
15 24.7 51.8 23.2 0.0 52,128
16 0.3 5.0 30.4 6.6 9.2 20.9 18.9 8.6 22,004
Total nacional 0.7 19.0 33.5 10.8 10.0 18.5 6.4 1.0 1,927,141
Clasificación del Índice de AridezIdentificador
de cluster
Supericie
Total (km2)
26
Tabla 3-4 Caracterización de los clúster definidos por el método de clasificación
Con base en la caracterización porcentual no se observó una conformación de tipos o clúster
claramente diferenciales a partir de la asociación entre los cuatro indicadores, si bien reflejan la
coincidencia espacial de las características que los describen. Sin embargo, no se logró una síntesis que
facilitará su posterior integración a nivel municipal, haciendo también una lectura compleja del mapa
resultante.
Lo anterior se constató al hacer un análisis comparativo aplicado al caso del Estado de Chiapas. En el
Anexo 2, se muestran los resultados de dicha comparación, a partir de la cual se detectó la
generalización de la información que implicó la conformación de 16 clúster para todo el país. Se
comparó la descripción de
Por lo que la metodología de clasificación tampoco fue adecuada para intentar resumir los cuatro
indicadores en cuestión. Para el caso de Chiapas se observó que:
a) de los 118 municipios que lo constituyen sólo dos coinciden en la descripción de indicadores,
tanto la correspondiente al clúster como la obtenida a partir de la sobre posición de la cobertura
municipal con cada una de las coberturas de los indicadores
b) Al comparar lo descripción de los clúster, pero considerando cada indicador por separado, en
cuanto a la Productividad Primaria Neta coincidió la descripción en 74 municipios; en cuanto
al Índice de Aridez la coincidencia fue de 56 municipios; de la Evapotranspiración Potencial
de 43; y de la Erosión Hídrica de 38.
Por lo anterior, se determinó que el procedimiento para la integración de la información proporcionada
por los indicadores a nivel de municipio, se haría de manera individual, es decir, por cada indicador.
En la presentación se incluye el procedimiento aplicado para dicha integración y algunos ejemplos ya
aplicados para todo el país.
Como parte del informe se incluyen las coberturas, bases de datos y los mapas con el resultado de
integración de cinco indicadores del suelo bajo este último procedimiento.
Km2 %
1 90,719 4.7 De 500 a 1500 68.1 De 0.201 a 0.500/De 0.751 a 1.250 65.9 De 801 a 1200 99.4 < a 5 74.2
2 49,183 2.6 De 2000 a 5000 86.9 De 0.751 a 2.500 99.3 De 801 a 1200 94.6 < a 5/De 10 a 49.9 71.1
3 23,544 1.2 De 2500 a 5000 80.3 > 2.500 71.6 De 1001 a 1400 89.7 De 10 a 199.9 67.0
4 79,356 4.1 De 2000 a 5000 78.2 De 0.751 a 1.250 84.1 De 1001 a 1400 99.0 < a 5/De 10 a 49.9 69.7
5 151,795 7.9 De 500 a 15400 78.4 De 0.201 a 0.650 78.3 De 1001 a 1400 99.5 < a 5 71.2
6 163,804 8.5 De 1500 a 2000/De 2500 a 5000 63.8 De 0.651 a 1.250 74.6 De 1201 a 1400 92.6 < a 5/De 10 a 49.9 73.6
7 206,143 10.7 De 300 a 400/De 500 a 1000 84.6 De 0.201 a 0.500 91.0 De 1201 a 1400 95.2 < a 5 80.1
8 290,831 15.1 De 100 a 200/De 300 a 400 70.7 De 0.051 a 0.500 99.8 De 1401 a 1600 98.6 < a 5 76.0
9 182,716 9.5 De 100 a 200/De 300 a 400/De 500 a 1000 86.4 De 0.051 a 0.500 99.5 De 1401 a 1600 89.5 < a 5 80.3
10 249,556 12.9 De 2000 a 5000 77.8 De 0.651 a 1.250 75.9 De 1401 a 1600 96.8 < a 5 70.7
11 59,801 3.1 De 2500 a 5000 99.7 De 1.251 a 2.500 91.3 De 1201 a 1600 90.9 < a 5/De 10 a 49.9 59.2
12 85,277 4.4 De 100 a 200/De 300 a 400/De 500 a 1000 59.1 De 0.051 a 0.500 77.9 De 1601 a 1800 82.1 < a 5/De 10 a 49.9 71.6
13 138,373 7.2 De 200 a 300/De 500 a 1000 67.9 De 0.051 a 0.500 97.4 De 1601 a 1800 84.2 < a 5 79.1
14 81,915 4.3 De 2500 a 5000 91.2 De 0.751 a 2.500 85.6 De 1601 a 1800 74.5 < a 5 85.6
15 52,128 2.7 De 0 a 100/De 200 a 300 60.2 De 0.000 a 0.200 76.6 De 1801 a 2000 87.3 < a 5 77.3
16 22,004 1.1 De 500 a 1000/De 2000 a 5000 72.6 De 0.201 a 0.500/De 0.751 a 2.500 70.1 De 1201 a 1600 67.4 De 50 a 199.9/> a 200 81.7
Total 1,927,143 100
GRUPO
(CLUSTER) RANGO (en mm) RANGO (ton/ha/año)
ÁREA TOTALÁREA
OCUPADA
(%)
ÁREA
OCUPADA
(%)
ÁREA
OCUPADA
(%)
ÁREA
OCUPADA
(%)
PRODUCTIVIDAD PRIMARIA NETA ÍNDICE DE ARIDEZ EVAPOTRANSPIRACIÓN POTENCIAL EROSIÓN HÍDRICA
RANGO (KgMS/ha/año) RANGO
27
4. Integración de cada indicador por municipio
A partir de los resultados de los métodos aplicados, respecto a que no fue posible sintetizar la
información de los cuatro indicadores, y a partir del ejercicio que se realizó para el Estado de Chiapas,
en el cual se integró la información de cada indicador por separado a nivel de municipio, se determinó
aplicar este procedimiento para el desarrollo del trabajo.
Por lo tanto, el procedimiento de integración de información por municipio, que a continuación se
describe, se realizó para los siete indicadores relativos a ciertas características y condiciones del suelo
asociadas al clima, esto en el ámbito nacional. Para cada indicador se calculó la estructura porcentual
por clase o categoría. Dicho procedimiento consiste en:
a) Sobre posición espacial de la cobertura del marco geo estadístico municipal de la República
Mexicana, con cada una de las coberturas de los indicadores del suelo
b) La tabla de atributos resultante de la sobre posición espacial desagrega a cada municipio según
la categoría o categorías coincidentes de cada indicador
c) A partir de la generación de una tabla de frecuencias, se organizaron los datos en una matriz
espacial, esto para el cálculo de la distribución porcentual por categoría o clase de cada
indicador por municipio
d) A partir de la estructura porcentual por categoría de cada indicador municipio, se identificó y
seleccionó la categoría o categorías con los dos valores de mayor participación porcentual
respecto a la superficie total de cada municipio
e) El valor porcentual máximo de una categoría o clase se denominó como categoría
predominante; el segundo valor porcentual más alto se consideró como categoría o clase
secundaria.
f) En el mapa con la representación de la clase secundaria, ésta sólo se representó en los
municipios donde la categoría o clase predominante registraba una participación máxima de
69% de la superficie municipal. Es decir, que en los municipios donde no se presenta la clase
secundaria, el 70% o más de la superficie municipal es ocupada por la categoría predominante.
Este mismo procedimiento se aplicó para integrar la información de los escenarios futuros de los
indicadores para los que se generaron tales escenarios. La consideración de las categorías o clases
predominante y secundaria.
28
5. Anexo
5.1 Presentación del análisis de correlación espacial
mediante la técnica de Componentes Principales
5.1.1 Revisión de la tabla de atributos de las coberturas para identificar el valor y las categorías de cada indicador
Indicadores del suelo asociados a la influencia del clima
• Régimen de temperatura (temperatura media anual del suelo/diferencia de temperatura entre
verano e invierno; a una profundidad de 50 cm a partir de la superficie).
• Régimen de humedad
• Evapotranspiración potencial
Indicadores de la condición del suelo asociados a la influencia del clima
• Índice de aridez (precipitación media anual/evapotranspiración potencial)
• Erosión hídrica (precipitación media anual/erodabilidad inherente al suelo/longitud e
inclinación de la pendiente/manejo del suelo/prácticas de control de la erosión)
• Productividad Primaria Neta (evapotranspiración real –evapotranspiración
potencial/déficit de humedad)
29
30
Análisis de Componentes Principales
Se aplicó con el propósito de reducir la cantidad de indicadores, puesto que la virtud del método
consiste en transformar el conjunto original de indicadores en otro conjunto de nuevos indicadores
correlacionados entre sí, denominados Componentes Principales.
Las Componentes se conforman a partir de la combinación o correlación lineal de los indicadores
originales
La primer Componente concentra o abarca la mayor varianza del total de indicadores, por lo tanto es
la que concentra la mayor proporción de ésta
31
32
33
34
5.2 Anexo 2. Ejercicio de integración o síntesis de los
indicadores del suelo asociados al clima, mediante el
proceso metodológico de clasificación (clustering)
5.2.1 Análisis de clasificación mediante la conformación de clúster
• Se aplicó con el propósito de combinar en una sola banda o cobertura los cuatro indicadores
del suelo referentes a Productividad Primaria Neta (PPN), Índice de Aridez (IA),
Evapotranspiración Potencial (ETP) y Erosión Hídrica (EH)
• Lo anterior a partir de la conformación de grupos o clases homogéneas (clúster) de un conjunto
de unidades espaciales, en este caso, las celdas o pixeles correspondientes a las coberturas ráster
de cada indicador
• Se aplicó la función o herramienta de Isocluster en Arc/Gis a las coberturas con los valores de
cada indicador normalizados
35
36
37
Km2 %
1 90,719 4.7 De 500 a 1500 68.1 De 0.201 a 0.500/De 0.751 a 1.250 65.9 De 801 a 1200 99.4 < a 5 74.2
2 49,183 2.6 De 2000 a 5000 86.9 De 0.751 a 2.500 99.3 De 801 a 1200 94.6 < a 5/De 10 a 49.9 71.1
3 23,544 1.2 De 2500 a 5000 80.3 > 2.500 71.6 De 1001 a 1400 89.7 De 10 a 199.9 67.0
4 79,356 4.1 De 2000 a 5000 78.2 De 0.751 a 1.250 84.1 De 1001 a 1400 99.0 < a 5/De 10 a 49.9 69.7
5 151,795 7.9 De 500 a 15400 78.4 De 0.201 a 0.650 78.3 De 1001 a 1400 99.5 < a 5 71.2
6 163,804 8.5 De 1500 a 2000/De 2500 a 5000 63.8 De 0.651 a 1.250 74.6 De 1201 a 1400 92.6 < a 5/De 10 a 49.9 73.6
7 206,143 10.7 De 300 a 400/De 500 a 1000 84.6 De 0.201 a 0.500 91.0 De 1201 a 1400 95.2 < a 5 80.1
8 290,831 15.1 De 100 a 200/De 300 a 400 70.7 De 0.051 a 0.500 99.8 De 1401 a 1600 98.6 < a 5 76.0
9 182,716 9.5 De 100 a 200/De 300 a 400/De 500 a 1000 86.4 De 0.051 a 0.500 99.5 De 1401 a 1600 89.5 < a 5 80.3
10 249,556 12.9 De 2000 a 5000 77.8 De 0.651 a 1.250 75.9 De 1401 a 1600 96.8 < a 5 70.7
11 59,801 3.1 De 2500 a 5000 99.7 De 1.251 a 2.500 91.3 De 1201 a 1600 90.9 < a 5/De 10 a 49.9 59.2
12 85,277 4.4 De 100 a 200/De 300 a 400/De 500 a 1000 59.1 De 0.051 a 0.500 77.9 De 1601 a 1800 82.1 < a 5/De 10 a 49.9 71.6
13 138,373 7.2 De 200 a 300/De 500 a 1000 67.9 De 0.051 a 0.500 97.4 De 1601 a 1800 84.2 < a 5 79.1
14 81,915 4.3 De 2500 a 5000 91.2 De 0.751 a 2.500 85.6 De 1601 a 1800 74.5 < a 5 85.6
15 52,128 2.7 De 0 a 100/De 200 a 300 60.2 De 0.000 a 0.200 76.6 De 1801 a 2000 87.3 < a 5 77.3
16 22,004 1.1 De 500 a 1000/De 2000 a 5000 72.6 De 0.201 a 0.500/De 0.751 a 2.500 70.1 De 1201 a 1600 67.4 De 50 a 199.9/> a 200 81.7
Total 1,927,143 100
ÁREA
OCUPADA
(%)
PRODUCTIVIDAD PRIMARIA NETA ÍNDICE DE ARIDEZ EVAPOTRANSPIRACIÓN POTENCIAL EROSIÓN HÍDRICA
RANGO (KgMS/ha/año) RANGO
GRUPO
(CLUSTER) RANGO (en mm) RANGO (ton/ha/año)
ÁREA TOTALÁREA
OCUPADA
(%)
ÁREA
OCUPADA
(%)
ÁREA
OCUPADA
(%)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
• Obtenida a partir de la superposición de la cobertura correspondiente a la conformación de
clúster, en formato vectorial, con cada una de las coberturas de los indicadores del suelo
• El porcentaje de área ocupada corresponde a los rangos o clases que caracterizan a cada clúster
GRUPOS(CLUSTER)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
COMPORTAMIENTO ESPACIAL DE LAS CLASES O CLUSTER CONFORMADAS
Caracterización de clúster o clases conformadas*
38
39
Integración de cada indicador por municipio
• A partir de la superposición cartográfica de la cobertura de municipios del Estado de Chiapas
con cada una de las coberturas correspondientes a cada indicador del suelo.
• Del tabulado obtenido de cada superposición, se calcula la estructura porcentual por clase, de
cada indicador, según la superficie ocupada.
• Se identifican los dos valores porcentuales máximos por clase de cada indicador
40
MPIONUM PPN_0 PPN_7 PPN_8 PPN_9 PPN_10 AREA_TOT PPNVP_0 PPNVP_7 PPNVP_8 PPNVP_9 PPNVP_10 PPNVPMX1 PPNCLMX1 PPNVPMX2 PPNCLMX2
7001 2 248 250 0.7 99.3 99.3 10 0.7 9
7002 379 92 12 483 78.6 19.0 2.5 78.6 8 19.0 9
7003 2 564 565 0.3 99.7 99.7 10 0.3 0
7004 958 958 100.0 100.0 10 0
7005 2 314 316 0.7 99.3 99.3 10 0.7 9
7006 4 10 3 239 256 1.4 3.8 1.3 93.4 93.4 10 3.8 8
7007 27 126 153 17.6 82.4 82.4 10 17.6 9
7008 586 586 100.0 100.0 10 0
7009 13 799 812 1.6 98.4 98.4 10 1.6 0
7010 1 1 77 79 1.2 1.2 97.6 97.6 10 1.2 9
7011 215 215 100.0 100.0 10 0
7012 155 14 184 353 43.9 4.0 52.1 52.1 10 43.9 8
7013 29 179 159 366 7.8 48.8 43.4 48.8 9 43.4 10
7014 159 159 100.0 100.0 10 0
7015 46 0 6 16 108 176 25.9 0.1 3.6 9.2 61.2 61.2 10 25.9 0
7016 629 629 100.0 100.0 10 0
7017 1,028 277 1,142 2,448 42.0 11.3 46.7 46.7 10 42.0 8
7018 21 11 124 155 13.3 6.8 79.9 79.9 10 13.3 8
7019 247 383 352 983 25.1 39.0 35.9 39.0 9 35.9 10
7020 1 2,587 2,588 0.0 100.0 100.0 10 0
7021 49 22 276 347 14.1 6.3 79.6 79.6 10 14.1 8
7022 186 186 100.0 100.0 10 0
7023 106 239 345 30.7 69.3 69.3 10 30.7 9
7024 123 286 408 30.0 70.0 70.0 10 30.0 9
7025 182 182 100.0 100.0 10 0
7026 1 251 252 0.3 99.7 99.7 10 0.3 9
7027 359 404 71 834 43.1 48.4 8.5 48.4 9 43.1 8
7028 40 11 52 78.3 21.7 78.3 8 21.7 9
7029 109 6 116 94.6 5.4 94.6 8 5.4 9
7030 9 12 982 1,003 0.9 1.2 97.9 97.9 10 1.2 9
7031 0 1,682 1,682 0.0 100.0 100.0 10 0
7032 2 419 421 0.4 99.6 99.6 10 0.4 9
ESTRUCTURA O DISTRIBUCIÓN PORCENTUAL POR CLASE VALOR MÁXIMO VALOR MÁXIMO 2
EJEMPLO DE INTEGRACIÓN POR MUNICIPIO DE LA PRODUCTIVIDAD PRIMARIA NETA
41
42
Procedimiento mediante el cual se integrará la información proporcionada por los indicadores a nivel de municipio El procedimiento de integración consiste en:
a) Sobre posición de la cobertura del marco geo estadístico municipal de la República Mexicana, con cada una de las coberturas de los indicadores del suelo
b) La tabla de atributos resultante de la sobre posición desagrega a cada municipio según la categoría o categorías coincidentes, esto se obtiene para cada indicador
c) A partir de la generación de una tabla de frecuencias, se organizan los datos en una matriz espacial, esto para el cálculo de la distribución porcentual por categoría de indicador en cada municipio
d) A partir de la estructura porcentual de cada municipio, se identifica y selecciona la categoría o categorías con los dos valores de mayor participación porcentual
e) En este caso, el valor máximo de cada municipio se identifica o denomina como la categoría o clase predominante; el segundo valor porcentual más alto se considera como la categoría o clase secundaria.
f) Para la representación cartográfica, se consideró que en los municipios donde una categoría contribuye con el 70% o más de la superficie municipal, sólo se representará esta categoría, por lo que no se incluye la categoría o clase secundaria
En las siguientes láminas se muestra la aplicación del procedimiento descrito Para cada indicador:
• El primer mapa representa al indicador en su conformación original
43
• El segundo mapa representa la integración de cada indicador por municipio, en el cual sólo se representa la categoría con el valor porcentual máximo, es decir, la categoría predominante
• El segundo mapa muestra la categoría con el segundo valor porcentual más alto, en este caso, sólo para los municipios en los que ninguna categoría, por sí sola, contribuyó con el 70% o más
Productividad primaria neta actual
44
Productividad primaria neta actual por municipio
Productividad primaria neta actual secundaria por municipio
45
Índice de aridez de los suelos
Índice de aridez actual predominante por municipio
46
Índice de aridez actual secundario por municipio
Evapotranspiración potencial actual
47
Evapotranspiración potencial actual por municipio
Evapotranspiración potencial actual secundaria por municipio
48
Erosión hídrica de los suelos actual
Erosión hídrica del suelo actual predominante por municipio
49
Erosión hídrica del suelo actual, secundaria por municipio
Régimen de humedad de los suelos actual
50
Régimen de humedad de los suelos predominante por municipio
Régimen de humedad de los suelos actual secundario por municipio
51
6. Bibliografía
Chuvieco, Emilio (1995), Fundamentos de Teledetección Espacial, Segunda Edición, Ediciones
RIALP, Madrid, España.
De Paepe, J. L. y Álvarez, R. (2013), Desarrollo de un índice de productividad de suelo regional a través
de una red neuronal artificial, Informaciones Agronómicas de Hispanoamérica, Versión Cono Sur, pp.
23-26, Buenos Aires, Argentina.
Gómez, I. A. y Gallopín, G. C. (1991), “Estimación de la productividad primaria neta de ecosistemas
terrestres del mundo en relación a factores ambientales”, Ecología Austral, Asociación Argentina de
Ecología, pp. 24-40, Argentina.
Gómez, J.; Monterroso, A. I.; Toledo, M. L. y Tinoco, J. A., (2008), Generación de escenarios de
cambio climático a escala regional, al 2030 y 2050; evaluación de la vulnerabilidad y opciones de
adaptación de los asentamientos humanos, la biodiversidad y los sectores ganadero, forestal y pesquero,
ante los impactos de la variabilidad y el cambio climáticos; y fomento de capacidades y asistencia
técnica a especialistas estatales que elaborarán programas estatales de cambio climático, Informe sobre
Impactos del cambio climático en el sector ganadero a nivel país, Instituto Nacional de Ecología -
SEMARNAT, Centro de Ciencias de la Atmósfera - UNAM, y Universidad Autónoma Chapingo,
México. http://www.inecc.gob.mx/descargas/cclimatico/2008_ecc_inf_ganadero.pdf
MMA, (2004), Guía para la elaboración de estudios del medio físico. Contenido y Metodología,
Ministerio de Medio Ambiente, Secretaría General para la Prevención de la Contaminación y del
Cambio Climático, Serie Monografías, 5ta reimpresión, España.
Rejas A., Juan Gregorio (2014), Detección de patrones y anomalías espectrales del terreno mediante
espectrometría de imagen de alta resolución. Reconocimiento, optimización y evaluación
multiescenario, Tesis Doctoral, Escuela Técnica Superior de Ingenieros de Caminos, Canales y
Puertos, Universidad Politécnica de Madrid, España.
http://oa.upm.es/25545/1/Juan_Gregorio_Rejas_Ayuga.pdf
Ruiz Fernández, Luis Ángel (2013), Fundamentos del método de análisis de componentes principales
orientado al análisis de imágenes multiespectrales. Aplicaciones más relevantes en teledetección,
Repositorio Institucional, Universidad Politécnica de Valencia, España.
https://riunet.upv.es/bitstream/handle/10251/30616/ACP_teledeteccion.pdf?sequence=5
Universidad Autónoma de Chapingo (2016), Informe Final. Servicios de consultoría para la evaluación
del potencial productivo de los suelos de México que considere el Cambio Climático, en el marco del
Proyecto 00086487 Plataforma de colaboración sobre Cambio Climático y Crecimiento Verde entre
Canadá y México 2013-2016, Programa de las Naciones Unidas para el Desarrollo, Environnement
Canada, Instituto Nacional de Ecología y Cambio Climático, México.
52
top related