Empezar

Introducción

Abra QGIS en su ordenador. Para tener acceso a los mensajes de registro, active el panel «Mensajes de Registro» en QGIS yendo a Ver > Panel > Mensajes de Registro en el Menú. Cuando se utiliza un plugin, también es un buen hábito abrir la consola Python en QGIS para tener acceso a los mensajes Python devueltos en la consola. Para abrirla, haz clic en el icono de Python en la «Barra de herramientas de plugins». Si la barra de herramientas no está visible, actívela yendo a Ver > Barras de herramientas > Barra de herramientas de plugins en el Menú.

Una vez instalado el plugin (ver instrucciones para la instalación ), abre el plugin pulsando sobre su icono . Deberías ver las versiones de las dependencias instaladas en tu entorno escritas en la consola de Python. Comprueba que estos números de versión corresponden a la última versión de cada dependencia. En caso contrario actualiza las dependencias.

osmconvert 0.8.10
osmfilter 1.4.4
geefcc 0.1.3
pywdpa 0.1.6
forestatrisk 1.2
riskmapjnr 1.3

Para probar el plugin y echar un primer vistazo a sus funcionalidades, pruébelo en una pequeña área de interés (AOI) como la isla Martinique (1128 km²) que tiene el código iso MTQ. Probar el plugin en una pequeña AOI tiene la ventaja de que los cálculos son rápidos y puedes ver directamente las salidas, interpretar los resultados y entender el funcionamiento del plugin.

Para entender mejor las distintas etapas, hay que tener en cuenta que estamos considerando distintos periodos y fechas para la calibración y validación del modelo.

Fechas y periodos utilizados para calibrar y validar los modelos. Modificado de Verra’s VT0007. En nuestro caso, hemos renombrado el periodo de t2 a t3 como periodo de «validación» en lugar de periodo de «confirmación».

Obtener variables

• Working directory: Selecciona tu directorio de trabajo. Aquí /home/<username>/deforisk/MTQ-tuto, pero podría ser C:\sers\<username>\deforisk\MTQ-tuto en Windows por ejemplo.

• Area Of Interest: MTQ

• Years: 2000, 2010, 2020

• Forest data source: tmf

• Tree cover threshold (%): 50 (podría dejarse vacío, no es útil aquí para la fuente de datos tmf)

• Tile size (dd): 1

• Country/state ISO code: MTQ

• Earth Engine access: Nombre del proyecto de Google Cloud con acceso a Earth Engine o ruta a un archivo de clave privada JSON para la cuenta de servicio.

• WDPA access: Token personal de la API de la WDPA o ruta a un archivo de texto con la variable de entorno WDPA_KEY.

• Projection EPSG code: EPSG:5490

Advertencia

Para los usuarios de Windows, elija un directorio de trabajo con una ruta corta (por ejemplo, C:\Users\<username>\<dirname>). Las rutas largas pueden causar problemas para acceder a los archivos en Windows.

Haga clic en el botón Ejecutar. Aparecerá un mapa de cambios en la cubierta forestal en la lista de capas de QGIS (véase la imagen inferior y haga clic para ampliarla) y se creará un gráfico de los cambios en la cubierta forestal fcc123.png en la carpeta outputs/variables. Se crean nuevas carpetas en el directorio de trabajo, entre ellas la carpeta data_raw que incluye los datos originales con archivos intermedios y la carpeta data que incluye los datos procesados utilizados para los modelos y los gráficos. Puede visualizar la red de carreteras, por ejemplo, añadiendo el archivo vectorial roads_proj.shp, que se encuentra en el directorio data_raw, en QGIS.

Si desea saltarse este paso, puede descargar un archivo zip que incluye todos los datos del ejemplo MTQ.

Modelo de referencia

Ajustar el modelo a los datos

• Umbral de deforestación (%): 99,5

• Max. distance to forest edge (m): 2500

• calib. period: Comprobado, el modelo se ajusta sobre el periodo de calibración (t1–t2).

• hist. period: Si se marca, el modelo se ajusta al periodo histórico (t1–t3).

Haga clic en el botón Run para estimar el riesgo de deforestación con el modelo de referencia y predecir el riesgo de deforestación en t1 utilizando los datos de los periodos de calibración e histórico. Los mapas con clases de riesgo de deforestación se añaden a la lista de capas de QGIS (véase la imagen siguiente).

En el directorio outputs/rmj_benchmark/ se crean nuevas carpetas con los resultados de cada periodo. En concreto, las carpetas de resultados incluyen el archivo <period>/perc_dist.png. Este archivo muestra el gráfico de la deforestación acumulada en función de la distancia al borde del bosque e indica los limites de distancia (aquí 240  m para el periodo de calibración).

Limite de distancia para el periodo de calibración.

Las carpetas de salida también incluyen la tabla <period>/defrate_cat_bm_<period>.csv que muestra las tasas de deforestación para cada clase de riesgo de deforestación (ver detalles aquí).

Tasa de deforestación para cada clase de riesgo de deforestación (cifras truncadas a tres dígitos decimales).

cat	nfor	ndefor	rate_obs	rate_mod	rate_abs	time_interval	pixel_area	defor_dens
1001	33433	0	0.0	0.0	0.0	10	0.09	0.0
1002	12965	0	0.0	0.0	0.0	10	0.09	0.0
1003	91686	19	2.072e-05	2.072e-04	2.072e-04	10	0.09	1.865e-06
1004	82279	5	6.077e-06	6.076e-05	6.076e-05	10	0.09	5.469e-07
2001	1373	0	0.0	0.0	0.0	10	0.09	0.0

Predecir el riesgo de deforestación

• t2 validation: Marcado, calcula las predicciones en t2 para la validación (utilizando el modelo de referencia ajustado durante el periodo de calibración).

• t3 forecast: Marcado, calcula predicciones en t3 para previsión (utilizando el modelo de referencia ajustado sobre el periodo histórico).

Haga clic en el botón Run para predecir el riesgo de deforestación en t2 y t3 utilizando el modelo de referencia. Los mapas con clases de riesgo de deforestación se añaden a la lista de capas de QGIS y se añaden nuevos archivos a las carpetas de salida.

Modelos forestatrisk

Observaciones por muestreo

• N# samples: 10000

• Adapt sampling: Marcado, el número de observaciones es proporcional a la superficie forestal.

• Random seed: 1234

• Spatial cell size (km): 2

• calib. period: Marcado, las observaciones se muestrean para el periodo de calibración (t1–t2).

• hist. period: Marcado, las observaciones se muestrean para el periodo histórico (t1–t3).

Advertencia

Para jurisdicciones grandes, para evitar calcular demasiados parámetros para los efectos aleatorios espaciales, fije el tamaño de la celda espacial en ~10km.

Al pulsar el botón Run en este cuadro se muestrearán las observaciones. Una vez finalizada la operación, las observaciones muestreadas aparecerán en la lista de capas de QGIS.

Se crean nuevas carpetas con los resultados en el directorio outputs/far_models/ incluyendo el archivo <period>/sample.txt que es el conjunto de datos de observación con los valores de las variables.

Cinco primeras observaciones para el periodo de calibración.

altitude	dist_edge	dist_river	dist_road	dist_town	fcc	pa	slope	X	Y	cell
56	30	750	0	150	0	1	6	700155	1645545	63
56	30	750	0	150	0	1	6	700185	1645545	63
100	30	875	0	1657	0	1	5	698265	1645425	62
93	30	600	0	1358	0	1	8	698565	1645425	62
68	30	300	0	335	0	1	7	699615	1645425	63

Ajustar el modelo a los datos

• List of variables: Dejar vacío, utilizará la fórmula por defecto: C(pa) + altitude + slope + dist_edge + dist_road + dist_river + dist_town.

• Starting values for betas: -99

• Prior Vrho: -1

• MCMC: 100

• Variable selection: Dejar sin marcar, sin selección de variables (hace los cálculos más rápidos para este ejemplo).

• calib. period: Comprobado, los modelos se ajustan durante el periodo de calibración (t1–t2).

• hist. period: Marcado, los modelos se ajustan sobre el periodo histórico (t1–t3).

Al pulsar el botón Run en este cuadro se ajustará el modelo estadístico a las observaciones de deforestación. Se ajustan tres modelos estadísticos (modelo iCAR, GLM y modelo Random Forest). Se añaden nuevos archivos a las carpetas outputs/far_models/calibration y outputs/far_models/historical. En concreto, el archivo summary_icar.txt es el resumen del modelo iCAR con la media, la desviación estándar y los intervalos de credibilidad de los parámetros del modelo.

Resumen del modelo iCAR para el periodo de calibración.

	Mean	Std	CI_low	CI_high
Intercept	-3.39	0.158	-3.7	-3.1
C(pa)[T.1.0]	-0.0915	0.122	-0.282	0.172
scale(dist_edge)	-10.3	0.417	-11.1	-9.63
scale(dist_road)	-0.256	0.0537	-0.36	-0.144
scale(dist_town)	0.0342	0.0464	-0.0551	0.123
scale(dist_river)	-0.0817	0.0544	-0.188	0.0199
scale(altitude)	-0.554	0.0809	-0.728	-0.4
scale(slope)	-0.532	0.0392	-0.611	-0.457
Vrho	6.89	0.756	5.64	8.49
Deviance	1.36e+04	24.9	1.36e+04	1.37e+04

El archivo model_deviances.csv incluye una tabla para comparar el porcentaje de desviación explicada entre modelos.

Porcentaje de desviación explicado por los modelos para el periodo de calibración.

model	deviance	perc
null	26769.0	0.0
glm	16864.0	37.0
rf	6668.0	75.0
icar	13636.0	49.0
full	0.0	100.0

Predecir el riesgo de deforestación

• Spatial cell size interpolation (km): 0.1.

• iCAR model: Marcado, calcula predicciones con el modelo iCAR.

• GLM: Comprobado, calcula predicciones con GLM.

• RF model: Marcado, calcula predicciones con el modelo Random Forest.

• t1 calibration: Comprobado, calcula predicciones en t1 utilizando modelos ajustados durante el periodo de calibración.

• t2 validation: Marcado, calcula predicciones en t2 para la validación (utilizando modelos ajustados durante el periodo de calibración).

• t1 historical: Comprobado, calcula predicciones en t1 utilizando modelos ajustados en el periodo histórico.

• t3 forecast: Marcado, calcula predicciones en t3 para previsión (usando modelos ajustados sobre el periodo histórico).

Advertencia

Para jurisdicciones grandes, a fin de evitar la obtención de un archivo raster de gran tamaño (de tipo Float), establezca la interpolación de los efectos aleatorios espaciales en ~1km.

Al pulsar el botón Run en este cuadro se utilizarán los modelos estadísticos para las predicciones. Una vez finalizada la operación, los rásters que representan las clases de riesgo de deforestación aparecen en la lista de capas de QGIS. Se crean nuevas carpetas outputs/far_models/validation y outputs/far_models/forecast. Incluyen las tablas <period>/defrate_cat_<model>_<period>.csv con las tasas de deforestación para cada clase de riesgo de deforestación (ver detalles aquí).

Modelos de ventanas móviles

Ajustar el modelo a los datos

• Deforestation threshold (%): 99,5%.

• Max. distance to forest edge (m): 2500

• Window sizes (# pixels): 11, 21

• calib. period: Comprobado, el modelo se ajusta sobre el periodo de calibración (t1–t2).

• hist. period: Si se marca, el modelo se ajusta al periodo histórico (t1–t3).

Nota

Para jurisdicciones grandes, si desea reducir el tiempo de cálculo, utilice sólo un tamaño de ventana (por ejemplo, 21 píxeles).

Haga clic en el botón Run para estimar el riesgo de deforestación con el modelo de ventana móvil utilizando datos de los periodos de calibración e histórico. Se crean nuevas carpetas con los resultados en el directorio outputs/rmj_moving_window/ incluyendo el archivo raster <period>/ldefrate_mw_<window_size>.tif con las tasas locales de deforestación reescaladas en [2, 65535].

Predecir el riesgo de deforestación

• t2 validation: Marcado, calcula predicciones en t2 para la validación (usando el modelo de ventana móvil ajustado sobre el periodo de calibración).

• t3 forecast: Marcado, calcula predicciones en t3 para la previsión (utilizando el modelo de ventana móvil ajustado sobre el periodo histórico).

Haga clic en el botón Run para predecir el riesgo de deforestación en t2 y t3 utilizando el modelo de ventana móvil. Los mapas con las clases de riesgo de deforestación se añaden a la lista de capas de QGIS (ver imagen inferior) y se crean nuevas carpetas con los resultados en el directorio outputs/rmj_moving_window/, incluyendo las tablas <period>/defrate_cat_mv_<window_size>_<period>.csv con las tasas de deforestación para cada clase de riesgo de deforestación (ver detalles aquí).

Validación

• Coarse grid cell size (# pixels): 50, 100

• iCAR model: Marcado, estima el rendimiento del modelo iCAR.

• GLM: Marcado, estima el rendimiento del GLM.

• RF model: Marcado, estima el rendimiento del modelo Random Forest.

• MW model: Comprobado, estima el rendimiento de los modelos de ventana móvil.

• calib. period: Comprobado, estima el rendimiento del modelo para el periodo de calibración (t1–t2).

• valid. period: Comprobado, estima el rendimiento del modelo para el periodo de validación (t2–t3).

• hist. period: Comprobado, estima el rendimiento del modelo para el periodo histórico (t1–t3).

Nota

Para jurisdicciones grandes, si desea reducir el tiempo de cálculo, utilice sólo un tamaño de celda (por ejemplo, 100 píxeles) y compruebe únicamente el periodo de validación, el único con observaciones independientes.

Al pulsar el botón «Run» en este cuadro se calculará el área deforestada prevista en cada celda de la cuadrícula para cada modelo y cada período seleccionado y se comparará este valor con el área deforestada observada para la misma celda de la cuadrícula y el mismo período.

Se crean nuevas carpetas para cada periodo: outputs/model_validation/<period>/figures y outputs/model_validation/<period>/tables. En cada carpeta se añaden varios archivos de salida.

Archivos figures/pred_obs_<model>_<period>_<cell_size>.png que muestran el gráfico del área deforestada predicha frente a la observada. El gráfico muestra los valores del área deforestada predicha y observada en cada celda de la cuadrícula como puntos y la línea de uno a uno. El gráfico muestra también el número de celdas de la cuadrícula (o puntos) y los valores de dos de los índices de rendimiento: el \(R^{2}\) y el MedAE.

El archivo outputs/model_validation/indices_all.csv incluye una tabla con los índices de rendimiento para todos los tamaños de celda de validación, todos los modelos y todos los periodos. En este ejemplo, tanto el modelo Random Forest como el modelo iCAR  son mejores que el modelo de referencia sean cuales sean los índices de rendimiento considerados. El modelo iCAR es el mejor porque tiene el MedAE más bajo, el RMSE más bajo y el \(R^{2}\) más alto para el periodo de validación, que es el único periodo con datos independientes (es decir, que no se han utilizado para calibrar los modelos). Esto es así sea cual sea el tamaño de celda de validación elegido.

Índices de rendimiento.

csize_coarse_grid	csize_coarse_grid_ha	ncell	period	model	MedAE	R2	RMSE	wRMSE
50	225.0	604	validation	bm	2.71	0.43	6.08	6.22
50	225.0	604	validation	icar	1.78	0.65	4.79	4.59
50	225.0	604	validation	glm	2.39	0.38	6.39	6.52
50	225.0	604	validation	rf	2.09	0.50	5.69	5.74
50	225.0	604	validation	mw_11	2.34	0.56	7.66	6.83
50	225.0	604	validation	mw_21	2.51	0.56	7.54	6.66

Asignación de la deforestación

El mapa de riesgo de deforestación obtenido con el modelo iCAR en t3 puede utilizarse para asignar la deforestación después del año 2020. Tanto el mapa de riesgo con las clases de deforestación de 1 a 65535 como la tabla defrate_cat_icar_forecast.csv con las tasas de deforestación para todas las clases de riesgo de deforestación son necesarios para asignar la deforestación en el futuro.

La tabla sólo incluye valores para rate_mod, las tasas relativas de deforestación espacial del modelo iCAR estimadas en el periodo histórico. En cuanto al paso de validación, la deforestación debe ajustarse cuantitativamente en función de la cantidad de deforestación prevista en el futuro.

Tasas de deforestación de las clases del modelo iCAR para la previsión de la deforestación.

cat	nfor	ndefor	rate_obs	rate_mod	rate_abs	time_interval	pixel_area	defor_dens
1	137575	0	0.0	1e-06	0.0	20	0.09	0.0
2	5425	0	0.0	1.6259239478743857e-05	0.0	20	0.09	0.0
3	3523	0	0.0	3.151847895748772e-05	0.0	20	0.09	0.0
4	2458	0	0.0	4.677771843623157e-05	0.0	20	0.09	0.0
5	2078	0	0.0	6.203695791497542e-05	0.0	20	0.09	0.0

Considerando una deforestación total \(D\) (en ha) para los próximos \(Y\) años a nivel jurisdiccional, el factor de ajuste es \(\rho = D / (A \sum_i n_{i} \theta_{m,i})\), siendo \(A\) el área del píxel en ha, la tasa absoluta es \(\theta_{a,i} = \rho \theta_{m,i}\), y la densidad de deforestación es \(\delta_{i} = \theta_{a,i} \times A / Y\). La densidad de deforestación \(\delta_{i}\) se utiliza para predecir la cantidad de deforestación (en ha/año) para cada píxel forestal perteneciente a una clase determinada de riesgo de deforestación para los próximos \(Y\) años (para las notaciones, véanse los detalles aquí).

El mapa de riesgo, junto con la tabla de densidad de deforestación computada, puede ser utilizado para asignar proporcionalmente fracciones de la línea de base de datos de la actividad de deforestación no planificada jurisdiccional (en el contexto del VMD0055) o del FREL jurisdiccional (en el contexto del Marco Jurisdiccional y Anidado de REDD+ del VCS) a proyectos o programas a ser implementados dentro de la jurisdicción. Para ello, se debe calcular una tabla con el número de píxeles para cada clase de riesgo de deforestación en el área del proyecto.

Asignación de la deforestación a proyectos dentro de la jurisdicción.

El plugin QGIS deforisk incluye una utilidad para facilitar la asignación de la deforestación a los proyectos. Antes de utilizarla, puede descargar el archivo vectorial que define las fronteras de un proyecto falso en Martinica (project_borders_MTQ_jurisdiction.gpkg).

• Juris. risk map: Archivo prob_icar_t3.tif para el mejor mapa de riesgo.

• Table. with defor. rates: Archivo defrate_cat_icar_forecast.csv para la tabla con las tasas de deforestación del modelo icar en t3 para cada clase de riesgo de deforestación.

• Project borders: Archivo project_borders_MTQ_jurisdiction.gpkg.

• Juris. deforestation (ha): 4000. Alrededor de 400 ha han sido deforestadas cada año en 2010–2020 en MTQ.

• Length forecast period (yr): 10.

Al pulsar el botón Run en este cuadro, se calcula el factor de ajuste de cantidad y la densidad de deforestación para cada clase de riesgo utilizando la deforestación total esperada a nivel jurisdiccional (\(D=4000\)) y las tasas relativas de deforestación espacial del modelo. A continuación, el mapa de riesgo con las clases de riesgo de deforestación se recorta hasta los límites del proyecto y se calcula el número de píxeles de bosque en cada clase de riesgo a nivel de proyecto. Por último, la deforestación prevista a nivel de proyecto se obtiene sumando las densidades de deforestación dentro del proyecto.

Se crea una carpeta outputs/allocating_deforestation con el fichero defor_project.csv que indica la deforestación prevista (106,7 ha) para el periodo 2020–2030 para el proyecto:

Deforestación asignada al proyecto.

period	length (yr)	deforestation (ha)
annual	1.0	10.7
entire	10.0	106.9

Conclusión