TOMA DE DECISONES y SISTEMAS DE INFORMACIN GEOGRFICA

Jorge Fallas

Laboratorio de Teledeteccin y Sistemas de Informacin Geogrfica

Programa Regional en Manejo de Vida Silvestre y Escuela de Ciencias Ambientales

Universidad Nacional. Heredia. Costa Rica.

Correo electrnico: jfallas@racsa.co.cr

2002

INDICE Introduccin_____________________________________________________________________ 1 Informacin y toma de decisiones ____________________________________________________ 2 Conceptos bsicos en toma de decisiones ______________________________________________ 3 Objetivo ________________________________________________________________________ 3 Objetivo simple __________________________________________________________________ 3 Objetivos mltiples _______________________________________________________________ 3 Objetivos complementarios _________________________________________________________ 3 Objetivos conflictivos o antagnicos__________________________________________________ 4 Decisin ________________________________________________________________________ 4 Criterios ________________________________________________________________________ 4 Factores ________________________________________________________________________ 5 Limitaciones absolutas ____________________________________________________________ 5 Regla de decisin_________________________________________________________________ 5 Funcin de seleccin, funcin objetiva o ndice de desempeo _____________________________ 5 Seleccin heurstica _______________________________________________________________ 6 Evaluacin ______________________________________________________________________ 6 Evaluacin de Criterios mltiples ____________________________________________________ 6 Incertidumbre y riesgo_____________________________________________________________ 8 Riesgo _________________________________________________________________________ 9 Propagacin/evaluacin de errores ___________________________________________________ 9 Error en la fuente de informacin ___________________________________________________ 10 Error causado por la incertidumbre en la regla de decisin _______________________________ 11 Teora Bayesiana ________________________________________________________________ 12 Ejemplo: Probabilidad Bayesiana ___________________________________________________ 13 Anlisis de discriminante _________________________________________________________ 15 Bibliografa ____________________________________________________________________ 15

Introduccin
La junta de desarrollo comunal de Rio Bonito de Roca Dura desea realizar un proyecto turstico en el rea de influencia del parque nacional Verde por Siempre. Para esto han solicitado al rea de conservacin y a la municipalidad local su apoyo tcnico. Las compaas tursticas al enterarse del plan tambin desean formar parte del desarrollo turstico. Algunos grupos ambientalistas preocupados por el posible impacto del proyecto han solicitado que se realice un estudio del impacto ambiental. Las autoridades gubernamentales desean apoyar la iniciativa de la comunidad siempre y cuando se cumpla con los objetivos de sostenibilidad del rea de conservacin. Para responder a este reto los profesionales involucrados en el proyecto requieren informacin actualizada sobre uso y cobertura de la tierra, distribucin y calidad de las vas de acceso, disponibilidad de infraestructura en telecomunicaciones y servicios (hospitales, escuelas), niveles de ingreso y educacionales de la poblacin, ausencia/presencia de reas ecolgicamente crticas, biodiversidad y su distribucin, vandalismo, cacera, amenazas potenciales para los turistas, etc.,etc. Este escenario, an cuando es hipottico refleja el tipo de retos a que se enfrenta el personal de las reas protegidas y en general cualquier profesional relacionado con la gestin de los recursos naturales en nuestros das. El desarrollo humano sostenible es uno de los conceptos claves en el quehacer de las instituciones del Estado, la sociedad civil y la empresa privada. Bajo la premisa de buscar un desarrollo sostenible es esencial considerar en nuestros proyectos tres ejes (Goodland, 1994): el econmico, el ambiental y el social. Un aspecto fundamental a considerar en el proceso de elaborar e implementar cualquier proyecto es reconocer el caracter espacial tanto de las variables o indicadores utilizados como del impacto de las decisiones. Histricamente, cada disciplina ha desarrollo sus teoras, conceptos y herramientas de trabajo. En la vida prctica esto ha llevado a una visin fragmentada de nuestro ambiente y de los procesos e interacciones que en el se dan. Sin embargo, durante lo ltima dcada conceptos tales como el desarrollo sostenible y la economa ecolgica han reconocido la necesidad de simular en nuestro proceso de toma de decisiones las interacciones existentes entre los diferentes subsistemas que conforman a el Planeta Tierra. Una dificultad para lograr esta integracin era la ausencia de un medio comn de trabajo. Los Sistemas de Informacin Geogrfica (SIG) han permito crear este espacio comn. Conceptualmente, el SIG se base en el hecho de que todo proceso, accin, o en general hecho fsico o social tiene un componente espacial y por lo tanto puede ubicarse en el Planeta Tierra y representarse utilizando un conjunto de coordenadas. Los mapas analgicos son el mejor ejemplo de dicha representacin. Aun cuando dichos mapas permiten lograr el objetivo de integrar informacin con frecuencia se deterioran, se extravan y son poco prcticos para manipular y analizar la informacin. En un SIG utilizamos mapas pero en un formato digital. Esta es la combinacin perfecta, ya que permite integrar informacin, visualizarla, analizarla y crear productos para mltiples usuarios. Las presentes notas tienen como objetivo introducir al lector la tema de toma de decisiones utilizando Sistemas de Informacin Geogrfica. A lo largo de documento se mencionan algunos ejemplos utilizando el programa IDRISI (www.clarklabs.org); sin embargo los conceptos son genricos y pueden implementarse en cualquier otro SIG.

Informacin y toma de decisiones

Una frase muy antigua dice La informacin es poder. Para cualquier persona en el rea de administracin de empresas o negocios esta es una realidad indiscutible; sin embargo para los profesionales en recursos naturales esto es una tarea difcil ya que nos enfrentamos a sistemas complejos, con informacin fragmentada e imprecisa y en la mayara de los casos sin una geobase de datos consolidada. Los SIG proveen las herramientas requeridas para crear bases de datos digitales, editarlas, actualizarlas e incorporar la informacin en el proceso de toma de decisiones. A pesar del desarrollo mundial observado en las reas de software y microprocesadores en los ltimos 5 aos (Ej. desarrollo de los procesadores Pentium (Pro, II, III y IV); Windows (98, NT, 2000, XP) y de su uso masivo en el ambiente de trabajo; los SIG no han logrado todava insertarse en el proceso de toma de decisiones de las organizaciones. Un aspecto importante que limita su uso es la percepcin que se tiene de ella: tecnologa muy costosa, compleja y no accesible a los tomadores de decisiones. En parte esta percepcin se sustenta en el uso de sistemas UNIX que requieren de un administrador del sistema y en equipo y software relativamente costosos. Ambientes operativos tales como Windows NT, 2000 y XP han logrado eliminar la mayora de las barreras que separaban a los SIG de sus usuarios potenciales. Habiendo dicho lo anterior, es importante que el lector tenga un perspectiva clara en cuanto al costo involucrado en establecer un SIG en una institucin o compaa. Con frecuencia, del costo total, un 70-80% corresponde a la creacin de la base de datos (adquisicin, edicin, evaluacin, sistematizacin e ingreso de los datos a la computadora). Otro aspecto importante es la capacitacin en el uso de la informacin y de la tecnologa. Recordemos que la informacin es til en tanto y cuanto el usuario pueda utilizarla para facilitar el proceso de toma de decisiones (cuadro 1). Cuadro 1: SIG en toma de decisiones: ventajas y desventajas. Ventajas Facilita el acceso a la informacin y por tanto democratiza el proceso de toma de decisiones. Ofrece un ambiente de trabajo comn: permite integrar informacin y diferentes visiones del mundo. Informacin puede combinarse con mayor facilidad y por tanto permite simular los procesos del mundo real con mayor rigurosidad. Desventajas Puede concentrar la informacin en ciertos sectores de la sociedad o de la institucin. La tecnologa es percibida como moderna y de gran rigor cientfico. Esto crea una actitud de rechazo (no es para m) que limita su acceso a los encargados de tomar decisiones. La tecnologa es desarrollada a partir de una gama muy amplia de disciplinas: cartografa, computacin, teledeteccin, estadstica, diseo grfico, etc. y por lo tanto se requiere de un conocimiento amplio en el manejo de informacin digital y espacial.

Cuadro 1: SIG en toma de decisiones: ventajas y desventajas (Cont.) Ventajas Moderniza proceso de toma de decisiones. Medio digital y electrnico agilizan las simulaciones y la evaluacin del impacto de la calidad de la informacin (Ej. Errores) en el proceso de toma de decisiones. Desventajas Proceso de transferencia tecnolgica no es simple ni automtico. Ausencia de herramientas analticas orientadas al proceso de toma de decisiones (Ej. Objetivos mltiples, evaluacin de incertidumbre, etc).

Conceptos bsicos en toma de decisiones

La literatura en toma de decisiones se caracteriza por la ausencia de consenso en cuanto a la definicin de sus trminos y conceptos. Por tanto y para crear un lenguaje comn de comunicacin a continuacin se brindan algunos conceptos tomados de Eastman, et. al. (1997).

Objetivo
El objetivo es aquella expresin (matemtica o textual) que gua el proceso de toma de decisiones. Por ejemplo, el objetivo del Parque Siempre Verde puede ser proveer las mejores reas para turistas de la tercera edad, maximizar la biodiversidad y minimizar la cacera ilegal. En cuanto a los objetivos, se pueden clasificar de la siguiente manera:

Objetivo simple
En este caso el proceso de evaluacin trata de dar respuesta a un nico objetivo o pregunta. Por ejemplo, cual es la mejor rea para observar aves rapaces en el parque Verde por Siempre? o cules son las reas de reproduccin del Gaviln Caracolero?

Objetivos mltiples
En este se trata de llegar a una solucin que cumpla con dos o ms objetivos en forma simultnea. Dependiendo de la naturaleza de los objetivos tenemos los siguientes casos:

Objetivos complementarios
En este caso el proceso de evaluacin tiene como objetivo seleccionar aquellas reas que pueden cumplir dos o ms objetivos en forma simultnea. Por ejemplo, es posible seleccionar reas para recarga acufera y proteccin de hbitat para fauna silvestre. En este caso es posible utilizar un proceso de seleccin jerrquico en el cual cada objetivo tendr una ponderacin determinada. Por ejemplo, conservar zonas de recarga acufera tendr un peso de 40% y mantener zonas en pastos para venado un 60%. El ndice final reflejar el porcentaje en que cada rea cumple con los diferentes objetivos.

Objetivos conflictivos o antagnicos

En este caso los objetivos a lograr con el proyecto son antagnicos o conflictivos y una determinada rea slo puede asignarse a uno de ellos. Por ejemplo, reas para recreacin y desarrollo urbano. En este caso, es muy importante definir claramente la regla de decisin, ya que en caso de conflicto deber asignarse el rea a uno de los 2 usos. El proceso de evaluacin utilizado en este caso involucra el establecimiento de prioridades en caso de objetivos conflictivos. Por ejemplo, el objetivo mantener hbitat para reproduccin de venado es ms importante que mantener hbitat para forrageo y por lo tanto dado que un rea pueda cumplir con los dos objetivos, ser asignada al primero. En programacin lineal el procedimiento es equivalente a utilizar una funcin de seleccin que maximice o minimice un objetivo sujeto a una serie de restricciones.

Decisin
Una decisin es aquella conclusin/decisin a que llegamos despus de evaluar diferentes alternativas. Por ejemplo, podemos decidir aprobar el desarrollo de un proyecto hotelero a una distancia de 1km del Parque Nacional Siempre Verde. A esta conclusin se lleg despus de evaluar las siguientes alternativas: 1. Hotel en el rea de acampar del parque; 2. Hotel en la zona administrativa del parque; 3. Hotel en el pueblo ms cercano, 4. Hotel a una distancia de 1km del Parque y 5. No hotel. El conjunto de opciones recibe el nombre de marco de decisin. El rea involucrada en la decisin se denomina set candidato y los pixeles asignados a la decisin final se denomina set de decisin.

Criterios
El criterio es aquel elemento o evidencia cuantificable utilizado para tomar una decisin. Por ejemplo, un criterio para aprobar la construccin del hotel, en el caso anterior, puede ser distancia mnima al lmite del Parque o volumen mximo de desechos slidos que puede generar el hotel. Los criterios de subdividen en:

Factores
Los factores son normalmente variables continuas que favorecen (realzan) o desfavorecen (limitan) la seleccin de una de las alternativas en consideracin. Por ejemplo, si deseamos utilizar el factor pendiente para zonificar el Parque Siempre Verde en cuanto al riesgo para los turistas de la tercera edad, podemos utilizar como criterio el gradiente de la pendiente y por lo tanto cuanto ms plano sea el rea mayor ser su apropiabilidad para el uso de turistas de la tercera edad. Trminos alternos: variables de decisin en programacin matemtica y variables estructurales en programacin lineal por objetivos.

Limitaciones absolutas
Una limitacin absoluta es aquel criterio que restringe o limita en su totalidad el objetivo o meta de una de las alternativas en consideracin. Con frecuencia, los criterios limitantes se expresan en un SIG como mapas booleanos, en donde las reas no apropiadas o prohibidas se expresan como cero y aquellas reas apropiadas como uno. Para el caso anterior, reas de recreacin para turistas de la tercera edad, un criterio limitante puede ser excluir todas aquellas reas con una pendiente superior al 30% con una tabla de agua superficial. Otro tipo de criterio limitante es aquel que impone una restriccin en el resultado del proceso de decisin. Por ejemplo, para el caso anterior, el criterio de seleccin puede establecer que se requiere de al menos 10 hectreas de terreno apto para el uso de turistas de la tercera edad. Algunas veces estos criterios limitantes se denominan metas o resultados esperados.

Regla de decisin
La regla de decisin es el procedimiento utilizado para combinar los criterios y comparar posteriormente los resultados de tal forma que se llegue a una decisin. La regla de decisin puede ser tan simple como las reas apropiadas para turistas de la tercera edad son aquellas con una pendiente inferior a un 5% tan compleja como reas con pendiente inferior a 5%, con disponibilidad de servicios de emergencia a una distancia mxima de 500 metros, y con una va de acceso cuya pendiente sea inferior al 3%. En el primer caso utilizamos un criterio simple y en el segundo criterios mltiples. El proceso de toma de decisiones involucra el crear un ndice que integre todos los criterios y una escala para valorar la apropiabilidad (bondades y limitaciones) de cada una de las alternativas. Los mtodos utilizados en el proceso de evaluacin y seleccin son:

Funcin de seleccin, funcin objetiva o ndice de desempeo

La funcin de seleccin es el procedimiento matemtico utilizado para comparar alternativas y seleccionar aquella que mejor cumpla los objetivos o metas que se pretenden lograr con el proyecto. En la mayora de los casos esto se logra mediante un proceso de optimizacin y comparacin de todas las posibles soluciones.

Seleccin heurstica
En este caso no se utiliza una funcin matemticas para guiar el proceso de evaluacin y seleccin de alternativas, sino que ms bien se especifica el procedimiento a seguir en la evaluacin y seleccin de la mejor alternativa. Este mecanismo de evaluacin y seleccin es ms amigable al usuario que el matemtico, es ms fcil de implementar y por lo tanto es muy utilizado. En general, existen dos tipos de reglas de decisin. En primer lugar aquellas que utilizan un proceso de clasificacin y en segundo lugar las que utilizan un proceso de seleccin. Un ejemplo del primer tipo es determinar s un rea es apropiada para la recreacin de turistas de la tercera edad y del segundo tipo seleccionar las mejores reas para recreacin de turistas de la tercera edad. Por ejemplo, para seleccionar el rea de recreacin apta para turistas de la tercera edad podramos utilizar el siguiente proceso: Objetivo : seleccionar las mejores 10 hectreas para recreacin de turistas de la tercera edad. Criterios: pendiente, servicios de emergencia, distancia a los servicios de emergencia, vas de acceso y pendiente de las vas de acceso. Procedimiento para crear ndice: combinacin lineal de criterios con igual ponderacin. Escala de valoracin: ndice con valores en el mbito 0 a 10, donde 0 representa las reas no apropiadas para el objetivo buscado y 10 las reas con una condicin ptima para lograr el objetivo o meta buscado. Funcin de seleccin, funcin objetiva o ndice de desempeo: Seleccionar aquellas 10 hectreas para las cuales se maximizada la suma de apropiabilidades individualidades.

Evaluacin
La evaluacin es el proceso utilizado para aplicar la regla de decisin a las alternativas bajo consideracin. IDRISI provee los siguientes mecanismos de evaluacin: Evaluacin de criterio simple Es el caso ms simple de evaluacin pues involucra slo un criterio y el proceso utilizado es el de clasificacin. La seleccin de reas para ser utilizadas como criterios limitantes son un ejemplo de este tipo de evaluacin. Evaluacin de Criterios mltiples En la mayora de los casos para seleccionar la mejor alternativa es necesario evaluar dos, tres o ms criterios y por lo tanto el procedimiento utilizado es denominado evaluacin de criterios mltiples (Carver, 1991). En algunos ambientes acadmicos y profesionales se denomina a

este proceso modelado. Sin embargo en este caso, los pesos o ponderaciones asignados a cada criterio estn en funcin del objetivo que se quiere lograr (Ej. Mejores reas para recreacin de turistas de la tercera edad) y no provienen de un proceso de anlisis independiente (Ej. Modelado de distribucin espacial de la precipitacin en el Valle Central de Costa Rica) y por lo tanto se sugiere no utilizar dicho trmino en el contexto de toma de decisiones. Los procedimientos implementados para la evaluacin de criterios mltiples en IDRISI incluyen: Interseccin Booleana: En este caso todos los factores son tratados como limitantes, ya que las reas seleccionadas son aquellas cuyas condiciones son ptimas para todos los factores. La operacin aplicada es la interseccin (AND) o mnimo Booleano. En este mtodo de combinacin de factores no existe negociacin o compensacin de un factor por otro. O sea, un rea con una valoracin excelente en un factor no puede compensar por la valoracin deficiente de otro factor para la misma rea. Al utilizar este mtodo de combinacin de factores el anlisis trata de reducir su riesgo a un mnimo; ya que selecciona las reas con condiciones ptimas en todos los factores. Combinacin lineal ponderada (WLC): En este mtodo de combinacin pueden utilizarse tanto factores como limitantes. El proceso de combinacin se da en 3 etapas: < < < Multiplicacin de cada uno de los factores por sus respectivos pesos o ponderaciones Adicin de los resultados anteriores Multiplicacin del resultado anterior por cada uno de los mapas de limitaciones (mapas booleanos de 0 y 1).

Este proceso de combinacin de criterios permite compensar en cuanto al grado de apropiabilidad entre criterios, esto se logra mediante los pesos o ponderaciones. Por ejemplo, un factor con un peso muy alto y con una excelente apropiabilidad para lograr el objetivo buscado puede compensar por la baja apropiabilidad de otro factor que tenga un menor peso en el proceso de toma de decisiones. En este caso el analista asume una posicin de riesgo promedio, pues las reas seleccionadas ofrecen un compromiso entre un riesgo mnimo (operacin Y ) y un riesgo mximo (operacin OR). Promedio ponderado jerrquico (OWA): Este mtodo de combinacin es similar al anterior (WLC) en cuanto a que tambin utiliza factores, limitantes y ponderaciones. Sin embargo, adems requiere que las ponderaciones se jerarquicen segun el orden en que se utilizarn. Esta jerarquizacin determina el grado de negociacin o compensacin a utilizar as como el nivel de riesgo que se utilizar en el proceso de toma de decisiones. Este mtodo de ponderacin permite combinar los factores basados en su posicin relativa (utilizando el orden menor a mayor) en cuanto a satisfacer los criterios establecidos por el analista. El nivel de riesgo es controlado por la asimetra relativa hacia el mnimo o hacia el mximo de los ordenes (expresado como pesos relativos). Cuando los pesos estn distribuidos

equitativamente a lo largo de todas las posiciones se logra el mayor grado de negociacin o compensacin (ya que todos los factores tienen una influencia relativa). Ambas estrategias de decisin brindan resultados diferentes. Las estrategias basadas en la lgica Booleana dominan las soluciones en el mundo vectorial en tanto que WLC domina las soluciones implementadas en los sistemas raster.

Incertidumbre y riesgo
La informacin es vital para el proceso de toma de decisiones; sin embargo no todas las decisiones se toman con informacin de la misma calidad. Lo ms frecuente en el proceso de toma de decisiones es que tengamos informacin imperfecta (Ej. La escala no es la adecuada, el detalle de los datos es inapropiado, la informacin est desactualizada, etc). La incertidumbre engloba a todos aquellos factores que afectan la veracidad o exactitud de los datos y por ende de nuestras decisiones. En general, podemos clasificar la incertidumbre en aquella relacionado con los datos y aquella ligada a la regla o proceso de decisin. Base de datos Los criterios a evaluar son representados por datos en el proceso de toma de decisiones (Ej. distancia a servicios de emergencia, pendiente del terreno, etc) . En este caso el error de medicin es la principal fuente de la incertidumbre. Dada la naturaleza cuantitativa de la informacin es posible utilizar la teora de probabilidades para cuantificar dicha incertidumbre. Por ejemplo, el usuario puede tener una certeza de 100% de que una pendiente de 75% es diferente a una de 10%; sin embargo su certeza puede ser slo de un 50% de que es diferente de 85%. Otro aspecto relacionado con la incertidumbre en los datos es aquel derivado de la percepcin humana en cuanto a la valoracin de un criterio. Por ejemplo, en algunos documentos se dice que el terreno con una pendiente empinada no es apropiada para cultivos estacionales. Sin embargo qu constituye una pendiente empinada? Es posible que consideremos a un rea con una pendiente inferior al 15% como no empinada y una con una pendiente superior al 40% como empinada; sin embargo cmo la clasificamos en el mbito 16-39%?. En este caso existe una tendencia en el criterio que va de no empinada (<16% ) a empinada (>40%). En este caso existe una zona difusa en la cual no podemos asignar una de las dos etiquetas y por lo tanto lo que tenemos es un continuo de no empinado a empinado. En un SIG de naturaleza raster este proceso se puede reproducir utilizando la Teora de Sets o Conjuntos Difusos (Smith, 1994 ). En este caso se habla de una posibilidad en el mbito [0,1], en contraste con la palabra probabilidad, de que algo suceda o tome un valor determinado. En nuestro caso, cuando la pendiente es inferior o igual a un 15% el criterio tomar un valor de 0 y cuando es igual o superior a 40% un valor de 1. Regla de decisin La incertidumbre en la regla de decisin puede derivarse de dos aspectos. El primero est relacionado con un error de conceptualizacin en la estructuracin del modelo y el segundo con los umbrales de decisin utilizados. Por ejemplo, podemos asumir que la relacin entre la gradiente de la pendiente (criterio) y su apropiabilidad para uso turstico (objetivo) es lineal cuando en realidad es curvilnea. Para este mismo caso, podemos asumir que aquellas

reas con una pendiente inferior a 30% son ptimas cuando en realidad el valor debera ser 20%. Como meta en el proceso de toma de decisiones se debe tratar de eliminar toda fuente de errores; sin embargo cuando esto no sea posible se puede utilizar la Teora de Sets o Conjuntos Difusos, la Teora de Probabilidad de Bayes la Teora de evidencia de Dempster-Shafer como un mecanismo para remediar los errores derivadas de utilizar informacin imprecisa y relaciones funcionales poco conocidas.

Riesgo
El riesgo es la verosimilitud de cometer un error en el proceso de toma de decisiones y por ende llegar a la conclusin errnea. Por ejemplo, despus de un anlisis de riesgos por terremoto se puede concluir que el rea administrativa del Parque es la ms segura, sin embargo dado que se utilizaron mapas geolgicos a escala 1:200.000 no fue posible detectar una falla local ubicada a 50 metros del edificio. El riesgo es producto de la incertidumbre y por lo tanto es necesario estimar su magnitud utilizando procedimientos estadsticos tales como la teora Bayesiana. No existe una decisin nica y por ende la decisin final ser una combinacin de la regla de decisin utilizada, el resultado esperado y el nivel de riesgo que el decidor est dispuesto a aceptar.

Propagacin/evaluacin de errores
Como ya hemos mencionado en los prrafos anteriores tanto los datos como la regla de decisin estn sujetos a errores. Por tanto es esencial entender la forma en que los errores se propagan cuando realizamos anlisis espaciales que involucran dos o mas mapas y funciones booleanas o aritmticas. El cuadro 2 resume las principales operaciones utilizadas en un SIG y la ecuacin utilizada para estimar el error compuesto del mapa producto. Cuadro 2 : Operaciones en un SIG y frmulas para el clculo de la propagacin de errores. (Basado en Burrough, 1986) Operacin Sobre posicin: adicionar y restar Sobre posicin: multiplicacin y divisin. Error en el mapa producto Ez = / [ ( Ex)2 + ( Ey)2] Ez = / [( Ex)2 * Y2 + ( Ey)2 * X2]. En este caso el error debe calcularse en forma separada para cada celda. Ez = Ex = Ey , error no cambia. Ez = E1 * k Ez = E1 / k Ez = / [( E1)2 * k2 * X2(k-1) ]

Escalar: adicionar o restar un valor constante (k) a los valores de cada celda del mapa Escalar: multiplicar los valores de cada celda del mapa por un valor constante (k) Escalar: dividir los valores de cada celda del mapa entre un valor constante (k) Escalar: elevar a un exponente (k) los valores de cada celda del mapa.

10

Cuadro 2 : Operaciones en un SIG y frmulas para el clculo de la propagacin de errores (Basado en Burrough, 1986). Cont. Operacin Operador lgico O Operador lgico Y Error en el mapa producto Ez = Ex * Ey Ez = Ex + Ey * (1-Ex ) Ez = Ex + [ Ey * (Ex * Ey )]

Ez = error medio cuadrtico de mapa producto Z Ex = error medio cuadrtico en mapa insumo X Ey = error medio cuadrtico en mapa insumo Y X = valor de cada celda en mapa insumo X Y = valor de cada celda en mapa insumo Y A continuacin se ilustra cmo evaluar el impacto de la incertidumbre en nuestras decisiones.

Error en la fuente de informacin

Este tema fue tratado en detalle en el fascculo sobre normas y estndares para bases de datos digitales y analgicas (Fallas, 1998) y por lo tanto slo mencionaremos, a modo de ejemplo, algunas de las fuentes de error ms comunes. Para aquellos interesados en un tratamiento ms amplio del tema se les remite a Goodchild and Gopal (1989). Atributos: Algunos ejemplos son: el cdigo de pendiente asignado a la parcela es incorrecto; el rea fue clasificada como bosque secundario en etapa I de sucesin y en realidad es bosque intervenido. Como puede observarse en estos ejemplos, el error en este caso est asociado a sesgos o imprecisiones en el proceso de medicin y por lo tanto su efecto en el proceso de toma de decisiones puede modelarse y evaluarse. El error en este caso es expresado como un valor que indica la exactitud de la clasificacin (Ej. el error del usuario en el mapa de usocobertura del suelo es de un 15%). Otra fuente de errores es aquella relacionada a aspectos conceptuales: por ejemplo, el equipo de trabajo puede considerar que no es capaz de decidir s un rea es apropiada para cultivos en limpio cuando la pendiente es superior a un 10% pero inferior a un 15%. La solucin en este caso es utilizar la Teora de Sets o Conjuntos Difusos. Espacial: Veamos algunos ejemplos: el Datum geodsico utilizado y su grado de acople con el geoide (para mayor detalle sobre el significado de dichos trminos se remite al lector al documento sobre cartografa); la proyeccin utilizada; la tasa de muestreo (Ej. tamao del pixel en un SIG tipo raster o distancia/intervalo de tiempo con que obtenemos puntos cuando se digita una lnea en un SIG vectorial). Para minimizar el efecto de estos errores el usuario debe conocer las caractersticas del material cartogrfico utilizado y las herramientas que le provee el SIG para remediar o eliminar dichos errores. En cuanto a la naturaleza de los errores, estos pueden ser sistemticos aleatorios. En el prime caso el error est asociado a un patrn o proceso presente en el set de datos. Por ejemplo, las mediciones de distancia se realizaron con un cinta calibrada incorrectamente o el medidor de pH

11

sobrestima las lecturas en un 10%. La tasa o valor del error acumulado puede obtenerse graficando el valor observado en funcin del valor real y calculando la pendiente de la ecuacin. La relacin puede ser lineal curvilineal. En el segundo caso, error aleatorio, no existe un patrn que define la naturaleza del error y por lo tanto su efecto no es el mismo para cada uno de las observaciones en el set de datos. El error asociado con el valor en cada pixel no depender, como en el caso anterior, del instrumento utilizado para la medicin, sino que de una funcin aleatoria. En este caso el error es cuantificado como la raz cuadrada del error medio cuadrtico (RMC). El clculo del RMC asume que los errores tienen una distribucin normal alrededor de su valor verdadero (en lenguaje estadstico esto equivale a decir que =0). Utilizando la teora estadstica puede estimarse el error mximo permisible para un nivel de confianza determinado: Error mximo = (Valor de tabla Z * Error estndar) + error promedio Cuando no es posible estimar el error por mecanismos convencionales como los expuestos en los prrafos anteriores se puede recurrir a la simulacin de Monte Carlo para estimar el efecto de un error aleatorio en el set de datos. El procedimiento a seguir es el siguiente: Realice el anlisis con los datos originales (Se asume que los datos no tienen error). Realice nuevamente el anlisis pero ahora con un error predefinido en los datos. La magnitud del error es establecida por el analista. El error es evaluado sustrayendo el mapa 1 (sin errores) del mapa 2 (con error predeterminado). Un histograma de las diferencias (residuos) no permite determinar el impacto del error en nuestra decisin. El mdulo random de IDRISI permite generar un variable aleatoria con un distribucin normal, log-normal rectilnea. Utilizando este mdulo es posible crear un nuevo mapa cuyos datos sigan una distribucin normal con promedio igual a cero y desviacin estndar igual al RMC. Si adicionamos este mapa al mapa que estamos evaluando (del cual se tom el RMC) el nuevo mapa mostrar el efecto de una perturbacin (error) aleatorio en nuestros datos. La tcnica de Monte Carlo parte del supuesto de que se realizarn un gran nmero de repeticiones; sin embargo, en el caso de un archivo raster con al menos 500 columnas por 500 hileras el numero de celdas (250000) es suficientemente grande como par asegurar la validez del proceso. Cuando el nmero de celdas sea pequeo el proceso debe repetirse varias veces y promediar los resultados.

Error causado por la incertidumbre en la regla de decisin

En algunas ocasiones es difcil definir el valor o lmite que separa a dos categoras; por ejemplo pendiente suave y pendiente moderada y por lo tanto puede incurrirse en un error de apreciacin. Otro ejemplo son la zonas de ecotono entre dos tipos de vegetacin. En estos casos la teora de Conjuntos Difusos nos permite a travs de una funcin de pertenencia (Fig. 2) asignar cada celda a una de las categoras. Observe que en la grfica se utiliza en el eje Y la palabra posibilidad para indicar el grado de pertenencia a una u otra determinada categora o clase. En este caso no se utiliza la palabra probabilidad ya que los valores reflejan la importancia relativa asignada por el equipo decisor a dicha variable y no es el resultado de un proceso aleatorio.

12

1.0 P O S I B I L I D A D .8 .6 .4 .2 0 0 1 2 3 4 5 6 7

Distancia en km
Figura 2: Funcin de pertenencia para la variable distancia a ojos de agua. Cero indica reas muy cercanas y 7 reas muy lejanas.

Teora Bayesiana
Otra forma de evaluar la incertidumbre en la regla de decisin es utilizar la teora Bayesiana. La regla de decisin parte de la siguiente relacin: s usted cree que el cielo est azul entonces no llover. Esto es conoce como el par creencia-hiptesis. La teora Bayesiana es una extensin de la teora probabilstica tradicional donde la probabilidad de un evento X es igual a: P(X) = Nx / N en donde N: nmero infinito de eventos independientes, y Nx: nmero de eventos que poseen la caracterstica X. La teora Bayesiana establece que la probabilidad de un evento hi (Ej. da con lluvia) dada la evidencia e (Ej. da soleado) es: P(hi /e)= P(e/hi) * P(hi) / [ (P(e/hi ) * P(hi) ] en donde: P(hi /e) : probabilidad de que la hiptesis sea correcta dada la evidencia (probabilidad a posteriori) P(e/hi) : probabilidad de encontrar la evidencia dado que la probabilidad sea correcta. P(hi) : probabilidad de que la hiptesis sea correcta sin considerar la evidencia (probabilidad a priori) P(hi) = conjunto de hiptesis bajo consideracin

13

En ausencia de evidencia previa a la toma de decisiones por ejemplo, si no existiera ninguna razn para creer que el cielo azul indica una mayor probabilidad de que no llover, entonces los dos resultados da con lluvia y da sin lluvia seran igualmente probables y por tanto P(x) (da con lluvia) es equivalente al evento complementario P(~X) (da sin lluvia). Observe que este caso es muy simple porque slo tenemos dos hiptesis para tomar la decisin. En este caso la probabilidad Bayesiana se reduce a: P(x/e) = P(e/x) La expresin P(e/x) es una probabilidad condicional y nos indica la probabilidad de encontrar e dado x. En otras palabras nos indica la probabilidad de encontrar la evidencia (Ej. Cielo azul) dado que no la hiptesis nula sea correcta (Ej. Da sin lluvia). En una aplicacin de SIG esto equivale a encontrar reas donde la hiptesis nula sea verdadera y obtener datos para verificar la consistencia de los datos con lo postulado por la hiptesis nula. Como podemos observar, la Teora de Bayes es til cuando el analista o equipo de trabajo posee informacin previa sobre la relacin entre las variables analizadas y su impacto en los posibles resultados.

Ejemplo: Probabilidad Bayesiana

A continuacin se ilustran los pasos a seguir para aplicar los postulados de la teora Bayesiana a la estimacin de densidad esperada de poblacin para una especie hipottica. 1. Determinar densidad mxima de referencia: mxima estimacin de poblacin para el sitio (poblacin mxima esperada en el largo plazo). 2. Determinar densidad mnima de referencia: mnima estimacin de poblacin para el sitio (poblacin mnima esperada en el largo plazo). 3. Determinar densidad media (mnimo+mximo)/2. 4. Determinar la proporcin del hbitat que puede mantener densidades de poblacin superiores a la densidad media estimada. Esto equivale a probabilidad a priori para ALTO. 5. Determinar diferencia entre 1 y a probabilidad a priori para ALTO. Esto equivale a probabilidad a priori para BAJO. 6. Son las variables seleccionadas para el modelo independientes? En caso negativo, seleccione las variables ms estrechamente relacionadas con la densidad de la especie. 7. Remueva la variables sin capacidad de discriminar entre lugares con baja y alta densidad de poblacin. Variables sin capacidad de diagnstico. 8. Identifique el nivel y la unidad de medicin de cada una de las variables (Ej. nominal, ordinal, intervalo, razn). 9. Determine la variabilidad para cada una de las variables (Ej. cobertura de copas 0100%). Divida el mbito en clases de tal forma que tengan un efecto diferente en la densidad de la poblacin. 10. Determine la frecuencia relativa asociada para cada una de las clases con la densidad alta de la poblacin. Repetir para cada variable. Probabilidad por variable no debe exceder 1. 11. Determine la frecuencia relativa asociada para cada una de las clases con la densidad baja de la poblacin. Repetir para cada variable. Probabilidad por variable no debe exceder 1.

14

Una vez concluido el proceso usted dispone de la informacin requerida para aplicar el modelo. Cuadro 3: Ejemplo hipottico de la aplicacin de la teora Bayesiana en la evaluacin de hbitat. Variable % cobertura de copas Distancia Medicin
>= <=

Clases A B A B

Prob. Alta 0.8 0.2 0.1 0.9 0.7

Prob. Baja 0.3 0.7 0.8 0.2 0.3

60% 60% 500m 500m

>= <=

Probabilidad a priori

En este ejemplo se asume que en los pasos 4 y 5 se determin que las probabilidades a priori eran 0.7 para la categora alto y 0.3 para la categora bajo. Determinacin de probabilidad para rea a evaluar Datos de campo: Variable 1: % cobertura de copas <= 60% Variable 2: Distancia >= 500m Clculo de la probabilidad a posteriori para las categoras alto y bajo P(hi /e)= P(e/hi) * P(hi) / [ (P(e/hi ) * P(hi) ] Categora Alto: (Prob. Alta de cobertura copas * Prob. Alta distancia caminos) * Prob. A priori alta Probabilidad a priori alta P(h a): 0.7l (se obtiene del cuadro 3) Categora Alto: (0.2* 0.1)*0.7= 0.014 P(e/ha) * P(ha) Categora Baja: (Prob. Baja de cobertura copas * Prob. Baja distancia caminos) * Prob. A priori baja Probabilidad a priori baja P(h b): 0.3 Categora Baja : (0.7*0.8 )*0.3= 0.168 P(e/hb) * P(hb) Probabilidad conjunta: [ P(e/ha) * P(ha) ] + [ P(e/hb) * P(hb) ] Probabilidad Posteriori Alta P(h/e): 0.014\(0.014+0.168) = 0.076 Probabilidad Posteriori Baja P(h/e): 0.168\(0.014+0.168) =0.923

15

Anlisis de discriminante
El anlisis de discriminante es una tcnica estadstica utilizada para determinar, basado en una combinacin lineal de variables predictoras, a cul de dos o ms grupos debe asignarse un individuo u observacin. En forma breve, el anlisis consiste en: Identificar reas y asignarlas a uno de dos o ms grupos (factor de clasificacin). Cuantificar las variable predictoras para cada grupo y ajustar una ecuacin lineal que permitan discriminar entre los grupos conocidos. Esta tarea puede ejecutarse utilizando programas estadsticos tales como StatGraphics Plus, Systat SAS. Utilizar la ecuacin lineal para asignar observaciones a las diferentes categoras. La ecuacin tiene la forma: Z = W1X1 + W2X2 + ... + Wn Xn Donde: Z = puntaje del discriminante W = peso del discriminante X = variabe predictora El anlisis parte del supuesto de que ciertas caractersticas del ambiente estn asociadas a los diferentes grupos o factores de clasificacin. Por ejemplo, mediante un muestreo de campo o un anlisis de literatura se puede determinar que la presencia de una especie de fauna depende de la densidad del bosque, de la cercana a ros, de la distancia a carreteras y de la gradiente del terreno. A partir de estos datos se asigna cada sitio de muestreo u observacin a una de las siguientes categoras: presencia muy poco probable, presencia probable y presencia muy probable. Luego se ajusta un modelo lineal a los datos y finalmente se utiliza la ecuacin de mejor ajuste para estimar a cul categora perteneceran otros sitios para los cuales se posee informacin sobre las variables predictoras. Finalmente, recuerde que se deben validar los resultados del modelo en el campo.

Bibliografa
Burrough, P.A. 1986. Principles of geographical information systems for land resources assessment. Monographs on Soil and Resources Survey N0.12. Oxford, Oxford University Press. 193p. Carver, S.J. 1991. Integrating multi-criteria evaluation with geographic information systems. International Journal of Geographic Information Systems, 5(3): 321-339. Crance, J. H. 1987. Guidelines for using Delphi technique to develop habitat suitability index curves. National Ecoloy Center. U.S. Fish and Wildlife Service. Fort Collins, USA. 21p. Eastman, J.R. 1993. IDRISI. Vesion 4.1. Update Manual. Clark Labs. for Cartographic Technology and Geographic Analysis. Clark University. USA. 209p.

16

Eastman, J.R.; Kyem, P.A.K.; Toledano, J. and Jin, W. 1993. GIS and decision making. Explorations in Geographic Information System Tecnology. Volume 4. UNITAR. Geneva, Zwitzerland., 100p. Eastman, J.R. 1997. IDRISI for Windows Version 2. Usres manual. Clark Labs for Cartographic Technology and Geographic Analysis. Clark University. USA. Fallas, Jorge. 1998. IDRISI. Tutora. Laboratorio de Teledeteccin y Sistemas de Informacin Geogrfica. Programa Regional en Manejo de Vida Silvestre y Escuela de Ciencias Ambientales. Universidad Nacional. Heredia, Costa Rica. 70p. Goodland, Robert. 1994. Environmental Sustainability and the power sector.Part 1: The concept of sustainability. Impact Assessment, 12(3):275-3040 Goodchild, M.F. and Gopal, S. eds.1989. Accuracy of spatial databases. London, Taylor and Francis. Smith, P.N. 1994. Fuzzy applications in project appraisal: Part 2 fuzzy numbers. Project Appraisal, 8(3):195-204.