Salidas de Marxan, Calibración e interpretación de resultados

José L. Gerhartz MuroWWF

jgerhartz@wwf.nl; jose.gerhartz@gmail.com

Objetivos Conocer las salidad de Marxan Aprender a calibrar los parámetros

fundamentales para correr Marxan y obtener resultados relevantes

Establecer metas Realizar análisis de sensitividadde alguno de

los parámetros clave

Principales salidas de Marxan

Mejor solución Solución sumada Reporte de en qué medida se alcazaron las

metas de cada objeto de conservación en cada corrida

UP C

1 0

2 1

3 1

4 0

UP F

1 5

2 50

3 15

4 2

Otras salidas de Marxan

Resumen de información Detalles del escenario

Consejos para analizar los resultadosObsérvelos y estúdielos cuidadosamente: ¿Alguna meta se sobrecumple? ¿Por qué? ¿Alguna no se cumplen? ¿En qué medida (1%

o 50%)?¿Por qué? ¿Los sitios están demasiado dispersos o

demasiado aglomerados? Haga ajustes a las metas, SPF y BLM según

sea necesario y repita el proceso: ¡¡¡Calibre!!!

¿Qué es la calibración? Proceso de seleccionar valores para variables y

parámetros de corrida de manera que el modelo represente de manera adecuada la situación real bajo análisis

Establecer y verificar repetidamente valores de SPF y de la cantidad de iteraciones, hasta lograr resultados sólidos y factibles

¿Por qué calibrar? Para asegurar conjuntos de soluciones

cercanas al óptimo y que alcanzan las metas de conservación

Son pocos parámetros pero pueden tener un gran impacto en la eficiencia de las soluciones

No calibrar implica riesgos de: Encontrar soluciones ineficientes Nivel inadecuado de agrupamiento Metas no alcanzadas (soluciones no factibles)

Soluciones factibles Son aquellas que alcanzan todas las metas de

conservación Esto se ve en el archivo Acuerde un límite de tolerancia para definir

qué meta se alcanza o no:¡¡Marxan es burroo!!!!

Compilar datos

Establecer costosde las UP

Establecer las metas de

conservación (escenarios)

Establecer la abundancia

(normalizada o no,presencia/ausencia

Establecer el BLM

Establecer el SPF

Establecer el # de

iteraciones

¿Agrupamiento adecuado?

Examinar patrón

espacial

Examinar cumplimiento

de metasy costo

Seleccionar soluciones

para más análisis

¿Factible y adecuada?

Seleccionar soluciones

para decisores

No

Si

No

Si

Sensibilidad

Aspectos críticos para el éxito

Amplia participación Conceptualización:

Definición de qué queremos seleccionar (¿reservas? ¿AMP en general?)

Definición del alcance territorial del estudio Estructuración de objetivos, criterios y metas Definición de la unidad de planificación

Datos: Conocer sus limitaciones, compromisos de uso

Documentación del proceso y fundamentación de los parámetros de corrida

Análisis de sensibilidad Ayuda a comprender en qué medida los

resultados son sensibles a cambios en los datos o en los parámetros de entrada de Marxan

Si datos poco confiables están determinando las soluciones ¡¡ELIMINELOS!!

Si las soluciones son poco factibles ¡¡¡REVISE LAS METAS, SPF y parámetros de diseño!!!

Parámetros claves a calibrar BLM SPF Iteraciones Número de repeticiones Metas de conservación

Calibración del BLM Quizás la manera más intuitiva de definir el

BLM es comenzar con cero e incrementarlo iterativamente

Para escoger un valor inicial de BLM observe los intervalos de variación de los costos de las UP y escoja un BLM que compense las diferencias

Alternativamente utilice el método de ponderacion para balances multiobjetivos

Ponderacion para balances multiobjetivos1. Llevar el BLM a 0 y correr Marxan para encontrar la

solución menos costosa posible y plotear el costo y la longitud de frontera en un gráfico (punto X)

2. Correr Marxan con BLM 1, SPF=0 para hallar la solución de menor frontera y plotear ésta y el costo (Punto Y).

3. Utilizar la pendiente de la recta XY como BLM y plotee el Pto Z

4. Si la solución resultante con este BLM es demasiado aglomerada o dispersa repita el proceso con las pendientes de YZ o XZ

Ponderacion para balances multiobjetivos

Longitud de frontera

Cos

to

1.0 5.0

1000

5000

2000

3000

4000

2.0 3.0 4.0

X

Y

Z

Compacidad (BLM)

Cos

to

Balance entre costo y compacidad/fragmentación (BLM)

Calibración del SPF Si es demasiado alto no se encuentran

soluciones de bajo costo porque se incluyen demasiadas UP

Si es demasiado bajo las metas no se lograrán porque las soluciones tendrán pocas UP

El SPF hay que escogerlo para ESCALAR el peso de la penalidad por incumplir las metas respecto al resto de los factores de la función objetivo

Calibración del SPF: un método Defina un SPF arbitrario para todos los OC Corra Marxan configurado para 100 reinicios y

10000 iteraciones Haga una tabla con dos columnas: una con la

cantidad de acumulada de soluciones factibles y otra con el costo acumulado de esas soluciones, expresado como % del costo de la solución óptima

Haga un gráfico con esos valores Repita el proceso variando el SPF

Ejemplo de calibración del SPF N

úm

ero

acu

mu

lad

o d

e so

luci

ones

Costo (% del óptimo)

100 125110 120115105

100

0

50

SPF =2SPF =10SPF =20SPF =200SPF =20000

Calibración del SPF: ensayo y error Ponga un valor bajo y uniforme de SPF y observe

si se cumplen las metas Si no se cumplen vaya aumentando

paulatinamente hasta que se cumplan todas Si se cumplen disminúyalo hasta que no se

cumplan todas Una vez encontrado un rango de SPF, pruebe a

modificar el SPF solo para los OC que no cumplen hasta que encuentre un juego de valores mínimo de SPF en que se cumplan todas las metas

Otros aspectos a considerar:Costo de las UP

Se puede definir de diversas maneras: Igual al área (práctica más común) Dando mayor costo a las más degradadas Medida de costo socioeconómico Costo de manejo

Si hay actores con intereses divergentes (p. ej. conservacionistas y pescadores) se deben explorar diferentes escenarios de costo

Diferentes costos => Nuevas calibraciones

Otros aspectos a considerar:Influencia de la inclusión o exclusión de UP

Cada vez que se incluyen o excluyen UPs en el inicio es necesario calibrar nuevamente los parámetros de Marxan

Incluir y excluir UP produce soluciones generalmente menos eficientes

Otros aspectos a considerar:Abundancia de objetos de conservación

Con grandes diferencias en la distribución de los objetos de conservación, unos pocos dominan las soluciones

Se pueden normalizar las abundancias en cada UP como un % de la abundancia total

Alternativamente se puede reducir el SPF de los objetos que dominan la solución

Otros aspectos a considerar:Las metas

Garantizar que representen con precisión los objetivos

Asegurarse de que sean alcanzables Realizar pruebas de sensibilidad para ver los

efectos de modificarlas