Contexto
El análisis espacial basado en patrones permite encontrar conglomerados o clusters de áreas con patrones espaciales similares de cobertura del suelo en Costa Rica.
Métodos
Usé el mapa de cobertura del suelo de Costa Rica de 100 m de resolución del 2019 (Buchhorn et al. 2020). El mismo incluye 16 clases de tipos de cobertura del suelo (Figura 1). Los análisis y gráficos los realicé con R (R Core Team 2022) y los paquetes motif (Nowosad 2021), sf (Pebesma 2018), stars (Pebesma 2021) y ggplot2 (Wickham 2016).
Figura 1. Mapa de cobertura del suelo de Costa Rica.
El territorio de Costa Rica fue subdividido en una grilla de celdas de 8km x 8km, cada una de ellas representando un paisaje local de acuerdo a la cobertura del suelo.
Figura 2. Grilla con celdas de 8km x 8km.
Calculé la distancia (disimilaridad) entre los patrones de paisaje local. En este caso usé la métrica denominada la divergencia de Jensen-Shannon y definí 6 conglomerdos o clusters.
Figura 3. Representación espacial de 6 grupos (conglomerados) de paisajes locales.
Calidad de los conglomerados
Para evaluar la calidad de los conglomerados usé 3 métricas, inhomogeneidad, distinción y calidad.
Inhomogeneidad
La inhomogeneidad mide el grado de disimilitud mutua entre todos los elementos de un conglomerado. El valor es entre 0 y 1, valores menores indican que los elementos de un conglomerado representan patrones consistentes, es decir, el conglomerado es homogéneo en cuanto a su patrón.
Figura 4. Inhomogeneidad de los 6 conglomerados calculada para los paisajes locales basados en patrones de cobertura del suelo.
Distinción
Distinción es una distancia promedio entre el conglomerado focal y todos sus vecinos. El valor es entre 0 y 1, donde valores mayores significan que el conglomerado se destaca más de sus alrededores.
Figura 5. Distinción de los 6 conglomerados calculada para los paisajes locales basados en patrones de cobertura del suelo.
Calidad
La calidad es calculada como 1 - (inhomogeneidad / distinción). Su valor es entre 0 y 1, donde valores mayores indican mayor calidad del conglomerado.
Figura 6. Calidad de los 6 conglomerados calculada para los paisajes locales basados en patrones de cobertura del suelo.
Buchhorn, Marcel, Bruno Smets, Luc Bertels, Bert De Roo, Myroslava Lesiv, Nandin-Erdene Tsendbazar, Martin Herold, y Steffen Fritz. 2020. «Copernicus Global Land Service: Land Cover 100m: collection 3: epoch 2015: Globe». Zenodo. https://doi.org/10.5281/ZENODO.3939038.
Nowosad, Jakub. 2021. «Motif: an open-source R tool for pattern-based spatial analysis». Landscape Ecology 36: 26-43. https://doi.org/10.1007/s10980-020-01135-0.
Pebesma, Edzer. 2018. «Simple Features for R: Standardized Support for Spatial Vector Data». The R Journal 10 (1): 439-46. https://doi.org/10.32614/RJ-2018-009.
———. 2021. stars: Spatiotemporal Arrays, Raster and Vector Data Cubes. https://CRAN.R-project.org/package=stars.
R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Wickham, Hadley. 2016. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org.
Cómo citar
BibTeX
@online{spínola2022,
author = {Spínola, Manuel},
title = {Conglomerados (clusters) del paisaje en Costa Rica},
date = {2022-04-01},
url = {https://mspinola-ciencia-de-datos.netlify.app/posts/2021-07-21-clusters-del-paisaje/clusters-del-paisaje.html},
langid = {es}
}
Por favor, cita este trabajo como:
Spínola, Manuel. 2022. “Conglomerados (clusters) del paisaje en
Costa Rica.” April 1, 2022. https://mspinola-ciencia-de-datos.netlify.app/posts/2021-07-21-clusters-del-paisaje/clusters-del-paisaje.html.