Funcionamiento de MARXAN y el templado simulado José L. Gerhartz Muro WWF [email protected];...
-
Upload
constanza-mancia -
Category
Documents
-
view
4 -
download
0
Transcript of Funcionamiento de MARXAN y el templado simulado José L. Gerhartz Muro WWF [email protected];...
Funcionamiento de MARXAN y el templado simulado
José L. Gerhartz MuroWWF
Objetivos Conocer los tipos de problemas que Marxan
puede solucionar Conocer cómo se formula matemáticamente el
problema Aprender cómo Marxan soluciona el problema Aprender cómo funciona Marxan y por qué es
una herramienta de soporte a las decisiones.
El problema del conjunto mínimo en Marxan
Objetivo Minimizar el costo del sistema de reservas
Constreñimiento Representar todos los tipos de hábitat al menos una vez
Dinámicas del sistema (datos)
Datos sobre donde ocurren los tipos de objetos de conservación
Parámetros de control Si un sitio particular se reserva o no
Objetivo típico Minimizar el costo total al tiempo que se satisfagan los constreñimientos (problema de optimización)
EjemploObjetivo Comprar la comida para la
semana a un mínimo costo
Constreñimiento Comprar alimentos de cada tipo de comida (vegetales, carnes, etc.)
Dinámicas del sistema (datos)
Precios de los alimentos estables (¡con suerte!)
Parámetros de control Si compramos o no un alimento particular
Objetivo típico Minimizar el costo total al tiempo que se satisfagan los constreñimientos (problema de optimización)
SitioESPECIES A B C D E F G H TotLechos de macroalgas 1 1 0 1 1 1 0 1 6Crestas arrecif. 1 1 1 1 0 0 0 1 5Colonias de esponjas 1 1 0 1 1 1 0 0 5Lechos de pastos densos 1 1 1 0 0 0 1 1 5Arrecif. frontal. 1 1 1 1 0 0 1 0 5Lechos de pastos ralos 1 0 0 0 1 1 1 0 4Plataforma arrecifal 1 0 1 1 0 0 0 0 3Manglar 1 1 1 0 0 0 0 0 3Desove de pargos 0 1 0 0 1 0 0 0 2Refugio de guasas 0 0 1 0 0 0 0 0 1Riqueza 8 7 6 5 4 3 3 3 39
Diferentes métodos para solucionar el problema
Criterio = Riqueza de especies
SitioESPECIES A B C D E F G H TotLechos de macroalgas 1 1 0 1 1 1 0 1 6Crestas arrecif. 1 1 1 1 0 0 0 1 5Colonias de esponjas 1 1 0 1 1 1 0 0 5Lechos de pastos densos 1 1 1 0 0 0 1 1 5Arrecif. frontal. 1 1 1 1 0 0 1 0 5Lechos de pastos ralos 1 0 0 0 1 1 1 0 4Plataforma arrecifal 1 0 1 1 0 0 0 0 3Manglar 1 1 1 0 0 0 0 0 3Desove de pargo 0 1 0 0 1 0 0 0 2Refugio de guasa 0 0 1 0 0 0 0 0 1Riqueza 8 7 6 5 4 3 3 3 39
Diferentes métodos para solucionar el problema
Criterio = Rareza
Diferentes métodos para solucionar el problema
Criterio = Conjunto mínimo (Sol. óptima)Sitio
ESPECIES A B C D E F G H TotLechos de macroalgas 1 1 0 1 1 1 0 1 6Crestas arrecif. 1 1 1 1 0 0 0 1 5Colonias de esponjas 1 1 0 1 1 1 0 0 5Lechos de pastos densos 1 1 1 0 0 0 1 1 5Arrecif. frontal. 1 1 1 1 0 0 1 0 5Lechos de pastos ralos 1 0 0 0 1 1 1 0 4Plataforma arrecifal 1 0 1 1 0 0 0 0 3Manglar 1 1 1 0 0 0 0 0 3Desove de pargo 0 1 0 0 1 0 0 0 2Refugio de guasa 0 0 1 0 0 0 0 0 1Riqueza 8 7 6 5 4 3 3 3 39
¡¡Completamente innecesario!!
Lecciones aprendidas La priorización basada en sistemas de
puntuación puede:1. No representar algunos objetos raros
2. Sobrerrepresentar otros
3. Ser generalmente poco eficiente Es necesario buscar soluciones del
problema de conjunto mínimo (optimización)
SSD como Marxan ayudan a esto
¿Cómo funciona un SSD en la planificación de AMP? Metas cuantitativas Unidades de planificación como base para realizar
una selección de los sitios a conservar Información cuantitativa por unidades de
planificación Índice de eficiencia de cada portafolio que se
examina Seleccionar conjuntos de unidades de
planificación (portafolio) que cumplen las metas de manera mas o menos eficiente (soluciones), calcula el índice para cada una y selecciona la mejor
(1) Planning Units (unidades de planificación)
(2) Conservation Features (objetos de conservación)
(3) Targets (metas cuantitativas)
(4) Weights and Penalty Factors (SPF) (pesos y factores de penalización)
(5) Boundary Length Modifier (BLM) (Factor de modificación de la longitud del perímetro)
(6) Solutions (Soluciones)
(7) Objective Function (Función objetivo)
Jerga de MARXAN:
¿Cómo trabaja MARXAN?
Crea aleatoriamente un portafolio semilla (conjunto de unidades de planificación que en alguna manera cumple las metas de conservación) y calcula su costo (en función de las UP incluidas, la longitud de frontera y las metas)
Crea portafolios alternativos: calcula si algún cambio en el portafolio puede mejorar su efectividad (disminuir su costo)
Mediante un algoritmo de optimización repite el proceso un numero muy grande de veces y selecciona el portafolio de menor costo
Los componentes del costo del portafolio de AMP Costo combinado de las unidades de planificacion
incluidas en el portafolio Costo de la longitud total de la frontera del
portafolio Costo de la penalización por no alcanzar las
metas de cada objeto de conservación
El costo total del portafolio combina estos tres costos en la “Función Objetivo”
La Función Objetivo en Marxan
∑Costo
Costo - Costo de la unidad de planificación j
BLM – Factor de modificación de la Longitud del Perímetro (Const.)Frontera– Perímetro común entre UP dentro y fuera del sistema
+ BLM∑ Frontera
SPF – Peso de la penalidad para el objeto de conservación iPenalidad – Penalización por la diferencia entre lo alcanzado en la solución y la meta para cada objeto de conservación
+∑ SPFi x Penalidad + Penalidad por costo límite
Penalidad por costo límite – Penalización por exceder el costo límite pre-establecido
Costo de la UP Se asigna de acuerdo al criterio que se
defina por el equipo de planeamiento: Área Costo de manejo Costo de adquisición Costo de oportunidad (costo de transformar el
uso, por ejemplo, de pesca a conservación)
Longitud de frontera del sistema Se calcula como la suma de las fronteras
compartidas entre las UP seleccionadas y las no seleccionadas
9 UP
LF= 12
9 UP
LF= 26
Penalización de los objetos de conservación Es la penalización dada a un sistema de
reservas por no representar adecuadamente los objetos de conservación
Es aproximadamente el costo de agregar nuevas UP hasta alcanzar el nivel de representación adecuado
¿Qué hace Marxan? Buscar N soluciones «buenas» (en que el
valor de la función objetivo es mínimo) y seleccionar de ellas la de menor costo
Se apoya en algoritmos de optimización
Métodos de optimización en Marxan Mejoramiento iterativo
Normal Permuta Dos pasos Combinado
Templado simulado Programación adaptativa Programación fija
Selección heurística Ávida Riqueza Rareza Irremplazabilidad
Templado simulado: AnalogíaEncontrar las áreas más bajas de un planeta
Robot con 4 brazos detecta diferencias de altura
Se utiliza el “templado simulado” como algoritmo de búsqueda de los sitios de manor altura, el que consiste de tres pasos:1. Mejoramiento iterativo2. Retrocesos aleatorios 3. Repetición
Templado simulado: Analogía
• Lanzar robot• Medir la elevación directamente
debajo del robot• Seleccionar un brazo
aleatoriamente y medir la elevación bajo el mismo
• Si el terreno bajo el brazo es más bajo moverse hasta ese punto • Deternerse en el punto donde no se halle otro sitio más bajo
• PROBLEMA: Se puede llegar a un mínimo local lejos de constituir la mejor solución
(1) Mejoramiento iterativo
Templado simulado: Analogía
• Al principio del proceso no detenerse en el primer mínimo: Regresar a puntos más altos hasta alcanzar una cima
• Desde la cima repetir el proceso de mejoramiento iterativo para encontrar nuevos mínimos
(2) Retrocesos aleatorios
Templado simulado: Analogía
• Repetir múltiples veces y comparar los sucesivos resultados
(3) Repetición
• Combinar mejoramiento iterativo, retrocesos aleatorios y repeticiones asegura encontrar las áreas más bajas
• Incrementar las repeticiones más allá de cierto punto NO MEJORARÁ EL RESULTADO solo demorará el proceso.
Corridas
Iteraciones
“portafolio semilla”
Recalcular costo (Cm)
Co=CmSí No
Calcular costo (Co)
Escoger aleatoriamente una UP
Cambiar su estatus
Cm<Co
Solución n
Comparar las n soluciones
Seleccionar la de menor costo
Repetir n veces
INICIO
Repetir m veces
Retrocesoaleatorio
¡¡OJO!!¡Mínimoslocales!
El Proceso en MARXAN
Co=Cm
1. Seleccionar un sistema de reservas aleatoriamente y calcular la función objetiva
2. Establecer la temperatura inicial y el número de iteraciones
3. Escoger aleatoriamente una unidad de planificación 4. Evaluar el cambio en la función objetiva sea adicionando o
sustrayendo la unidad seleccionada del sistema de reservas
El templado simulado en MARXAN
4. Si < Número aleatorio, aceptar el cambio
e - Cambio
Temperatura
5. Bajar la temperatura6. Regresar al paso 2 el número de veces (iteraciones)
establecidas7. Invocar el algoritmo de mejora iterativa8. Seleccionar como reserva final el óptimo hallado
MARXAN: Un ejemplo por pasos
Tres objetos de conservación
Factor de modificación de frontera (BLM) = 1.5
Meta: Representar cada objeto al menos una vez Penalización para cada objeto
por no cumplir la meta= 10
9 UP de 1 km2
Costo de cada UP=1 Frontera medida en km
¿Cómo se calcula el costo? Ejemplo con dos portafolios
Costo Total UP = 4 Costo de frontera = 12 * BLM Penaliz = 10
Costo total Portafolio A = 4 + (12 * 1.5) + 10= 32
P-A
Costo Total UP = 4 Costo de frontera = 8 * BLM Penaliz= 0
costo total Portafolio B = 4 + (8 * 1.5) + 0= 16
P-B
Iteración 1
Iteración 2
Iteración 3
Portafolio semilla Selección aleatoria de una UP
Nuevo portafolio
Costo = 32 Costo = 23
El cambio reduce el costo. Seleccionar el nuevo portafolio y pasar a la siguiente iteración
Costo = 23 Costo = 26
Costo = 23 Costo = 22
El cambio aumenta el costo. Rechazar el nuevo portafolio y pasar a la siguiente iteración
El cambio reduce el costo. Seleccionar el nuevo portafolio
Mejoramiento Iterativo
Selección aleatoria de una UP
Retroceso aleatorio
Costo Total=24
Costo Total=27
CostoAumentaSe acepta
Costo Total=14
CostoDisminuy
eSe acepta
Selección aleatoria de una UP
Repeticiones (corridas)
SUMA DESOLUCIONES
Mejor portafolioCorrida 2
Mejor portafolioCorrida 3
Mejor portafolioCorrida 4
Mejor portafolioCorrida 5
Mejor portafolioCorrida 1
Soluciónfinal sugerida
MenorCOSTO