bn_model

Red bayesiana

Se desarrolló una red bayesiana para estimar la integridad ecológica, que cuanta con las siguientes capas:

• Detección de signos: Observaciones obtenidas de sensores remotos.

• Contextual: Representa las condiciones fisicoquímicas dentro de las cuales, las variables de la capa de detección de signos varían.

• Latente: Define la condición de la integridad ecológica basándose en los valores de la capa de detección de signos y contextual.

• Intervención humana: Condiciones provocadas por el ser humano, que podrían afectar la integridad ecológica.

  

Se consideraron las siguientes variables

Fuente de datos	Variable	Nombre de la variable	Capa	Link de descarga	Referencia
Hemerobia	Hemerobia	hemerobia	Latente		Uso de suelo y vegetación, INEGI
Uso de suelo (MAD-Mex)	Proporción de cultivos y pastizales	mad_mex_cultivos_pastizales	Intervención humana	https://madmex.conabio.gob.mx	MAD-Mex, CONABIO
	Proporción de asentamientos humanos	mad_mex_asentamientos	Intervención humana
	Proporción de suelo desnudo	mad_mex_suelo_desnudo	Intervención humana
	Proporción de matorral	mad_mex_matorral	Detección de signos
	Proporsión de selva	mad_mex_selva	Detección de signos
	Proporción de bosque	mad_mex_bosque	Detección de signos
Zona de vida de Holdridge	Zona de vida de Holdridge	holdridge	Contextual	http://www.conabio.gob.mx/informacion/gis/?vns=gis_root/region/fisica/zvh_mx3gw	Portal de Geoinformación, CONABIO
Elevación (DEM)	Elevación promedio	dem90_mean	Contextual	https://code.earthengine.google.com/b08b9d4d6689d1f30467a230d9c21ea9	Continuo de Elevaciones Mexicano, INEGI
	Mínimo de elevación	dem90_min	Contextual
	Máximo de elevación	dem90_max	Contextual
Fotosíntesis (Productividad primaria bruta)	Fotosíntesis promedio anual	modis_mean	Detección de signos	https://code.earthengine.google.com/55b24b28652d3a26aa8f5ebc14cc21be	Terra Gross Primary Productivity, NASA LP DAAC
	Desviación estándar anual de fotosíntesis	modis_sd	Detección de signos
	Promedio de fotosístesis en estación lluviosa	modis_rainy	Detección de signos
	Promedio de fotosítesis en estación seca	modis_dry	Detección de signos
Radar (de apertura sintética en la banda C)	VH	vh	Detección de signos	https://code.earthengine.google.com/fc3284f4477aa1765242f61148991966	Sentinel-1, Copernicus Sentinel data
	VH entropía	vh_entropy	Detección de signos

Implementación

Se utilizó la paquetería bnlearn del lenguaje de programación R. Se entrenó la red con datos del 2017, a una resolución de 250m para todo el territorio Mexicano. El flujo de trabajo es el siguiente:

0. Para extraer las variables de la fuente Uso de suelo (MAD-Mex) utilizar el script scripts/source_extraction/extract_mad_mex.R.

1. Proyectar cada raster a la misma extensión, sistema de coordenadas (epsg) y resolución, mediante el script scripts/source_extraction/project_raster.R, que toma un raster de referencia que tiene la exención, epsg y resolución deseada (este se puede encontrar en la carpeta scripts/source_extraction con el nombre Mask_IE2018.tif). Para proyectar rasters con valores continuos, se utilizó el método average (promedio) y para valores categóricos near (Nearest neighbor).

2. Transformar los rasters a un dataframe, mediante el script scripts/source_extraction/create_dataframe.R , el cual recibe el directorio de la carpeta en donde se encuetran los rasters y arroja un dataframe cuyas columnas contienen los valores de cada raster y sus respectivas coordenadas geográficas.

3. Se consideró una red bayesiana discreta, por lo que las variables continuas tienen que ser convertidas a categóricas mediante el script 0. discretize_df.R.

   Si se desea entrenar una red bayesiana seguir el paso 4 y 5, de lo contrario pasar al 6.

4. Crear una matriz de adyacencia. El script 1. initialize_adj_matrix.R, recibe el csv creado en el paso 3 y crea una matriz cuyos nombres de cada renglón y columna corresponden al nombre de cada variable. Una vez creada, ésta puede ser manipulada en otro software, como Excel, para ser llenada con 1's donde existe un arco entre las variables. La dirección del arco es renglón ---> columna.

5. El script 2. fit_model recibe el dataframe y la matriz de adyacencia para entrenar la red bayesiana, guardando la red ya entrenada.

6. Con el script 3. predict_with_bn se puede predecir la integridad ecológica, mediante una red ya entrenada y con datos generados siguiendo del paso 1 al 3, obteniendo un archivo csv con las coordenadas y su respectivo valor.

7. Mediante 4. create_ie_raster.R se puede generar el raster de integridad ecológica con el csv del paso anterior.

Se puede estimar la integridad ecológica para todo año en el que se tengan datos, con la red entrenada para 2017, ésta se puede encontrar en la carpeta model_files con el nombre prior.RData. También se encuentra la matriz de adjacencia con la que se creó la red, con el nombre ienet.csv.