Representación y análisis del retroceso glaciar de la Sierra Nevada de Santa Marta a partir de trayectorias de regiones en movimiento

Abstract

Abstract: This article presents the glacial retreat that the Sierra Nevada de Santa Marta located in the Colombian Caribbean has been experiencing, due to the climatic changes experienced over time. Subsequently, the information was vectorized and stored in a spatial-temporal database built with the purpose of obtaining trajectories, visual snapshots of glacier extension, three-dimensional models and a estimated calculation of glacier retreat during the period from 1850 to 2021. Keywords: Glacier retreat, image classification, trajectories, space-temporal database, moving regions trajectories. Sin embargo, en el presente artículo se hace uso de una base de datos espaciotemporal con información vectorizada de la zona de estudio, con el propósito de obtener instantáneas visuales de extensión glaciar, modelos tridimensionales y así mismo un cálculo más preciso del factor de cambio del glaciar en el periodo comprendido entre los años 1850 y 2021.

Headnote

Resumen: Este artículo presenta el retroceso glaciar que ha venido experimentando la Sierra Nevada de Santa Marta ubicada en el Caribe Colombiano debido a los cambios climáticos experimentados a lo largo del tiempo. Para esto, la metodología utilizada contempló la clasificación de imágenes satelitales por medio del algoritmo supervisado de Máquinas de Soporte Vectorial. Posteriormente, se vectorizó la información y se almacenó en una base de datos espacio temporal construida con el propósito de obtener trayectorias, instantáneas visuales de extensión glaciar, modelos tridimensionales y un cálculo estimado del retroceso glaciar durante el periodo de 1850 al 2021. Es relevante mencionar la importancia de las bases de datos espaciotemporales en esta investigación, ya que permiten almacenar información de objetos que cambian constantemente a través del tiempo, es decir que permiten almacenar tanto sus cambios de posición y forma en diferentes periodos de tiempo, lo que abre las puertas a estudios multitemporales, de estos objetos representados a través de regiones en movimiento.

Palabras-clave: Retroceso glaciar, clasificación de imágenes, trayectorias, base de datos espacio temporal, regiones en movimiento.

Abstract: This article presents the glacial retreat that the Sierra Nevada de Santa Marta located in the Colombian Caribbean has been experiencing, due to the climatic changes experienced over time. For this, the methodology used contemplated the classification of satellite images by means of the supervised algorithm Vector Support Machines. Subsequently, the information was vectorized and stored in a spatial-temporal database built with the purpose of obtaining trajectories, visual snapshots of glacier extension, three-dimensional models and a estimated calculation of glacier retreat during the period from 1850 to 2021. It is relevant to mention the importance of space-time databases in this research because they allow to store object information that change constantly over time, that is to say, they allow to store both their changes of position and shape in different periods of time, which opens the doors to multitemporal studies of these objects represented through moving regions.

Keywords: Glacier retreat, image classification, trajectories, space-temporal database, moving regions trajectories.

(ProQuest: ... denotes formulae omitted.)

1.Introducción

La Sierra Nevada de Santa Marta es el sistema montañoso litoral más alto del planeta el cual redujo su área un 5,5% (aproximadamente 0,39 Km2) entre febrero de 2016 y diciembre de 2017. Esta sierra nevada no es una masa continua glaciar; está conformada por alrededor de 38 masas de hielo independientes de diferente tamaño y relativamente aisladas unas de otras. Esta condición la hace más vulnerable al derretimiento por su mayor grado de exposición al medio (IDEAM, 2017). Adicionalmente, su localización ecuatorial lo hace vulnerable a la pérdida de masa glaciar, además de la condición global del cambio climático y las problemáticas locales asociadas a prácticas humanas (Lozano et al., 2019).

Es importante tener en cuenta, que la reducción de los glaciares es un proceso mundial que ha venido siendo registrado y documentado por su especial sensibilidad a los cambios climáticos que estamos viviendo actualmente. Desde la segunda mitad del siglo XIX, los glaciares del planeta han experimentado una reducción considerablemente marcada desde hace cuatro décadas y particularmente en Colombia ésta problemática es mucho más notable. En cálculos de área, a mediados del siglo XIX los glaciares de Colombia tenían una extensión de 350 Km2 y finalizando la década de los cincuenta contó con una extensión de 108Km2. Es por ello, que actualmente solo quedan relictos de extensiones glaciares y protegidos bajo la figura de Parques Nacionales Naturales (IDEAM, 2017).

Es importante mencionar, que a través de los años se ha capturado información del área glaciar de la Sierra Nevada de Santa Marta por medio de diferentes técnicas, como fotografías aéreas, mapas y clasificaciones de imágenes de satélite. Sin embargo, en el presente artículo se hace uso de una base de datos espaciotemporal con información vectorizada de la zona de estudio, con el propósito de obtener instantáneas visuales de extensión glaciar, modelos tridimensionales y así mismo un cálculo más preciso del factor de cambio del glaciar en el periodo comprendido entre los años 1850 y 2021.

En este sentido, la información almacenada en la base de datos espaciotemporal es producto de diferentes procesos de recolección de información de diversas fuentes, como información oficial de fuentes nacionales, imágenes de satélite, vuelos fotogramétricos y mapas, lo cual garantiza la fidelidad y exactitud de los datos analizados.

Para el desarrollo de la investigación se consultaron diversas fuentes que permitieron destacar que el presente estudio es único en su ámbito debido a que esta metodología no ha sido implementada en escenarios similares al expuesto en el artículo. Sin embargo, se puede resaltar que el modelo semántico utilizado toma como principal referencia la investigación realizada para explorar el crecimiento urbano de Bogotá D.C. a través de trayectorias de regiones en movimiento (Ortiz et al., 2020).

2.Metodología

2.1.Materiales

Dentro de la metodología se contempló el análisis de imágenes satelitales de diferentes sensores, los cuales brindan información completa del área de estudio. Las imágenes utilizadas se describen en la Tabla 1.

Adicionalmente, se utilizó información vectorial proveniente del Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM que contiene la evolución del área glaciar de la Sierra Nevada de Santa Marta calculado a partir de la interpretación de mapas, fotografías aéreas e imágenes satelitales, ver Tabla 2.

2.2. Clasificación de Imágenes

Para la obtención de las regiones asociadas a las áreas glaciares de la Sierra Nevada de Santa Marta se realizó el proceso de clasificación de imágenes por medio del método supervisado, basado en el algoritmo de Máquinas de Soporte Vectorial - MSV.

2.2.1.Maquinas de Soporte Vectorial

Máquinas de Soporte Vectorial - MSV, es el algoritmo clasificador de aprendizaje automático supervisado usado en esta clasificación. Este algoritmo encuentra el hiperplano óptimo para separar el conjunto de datos en clases, centrándose en las muestras de entrenamiento además de los límites de las clases. El hiperplano óptimo se denomina "vector de soporte". La ventaja de este método de clasificación es su resistencia a valores atípicos, ruido, bandas correlacionadas y muestras de entrenamiento no balanceadas y no distribuidas normalmente. Este clasificador también permite ajustar los pesos de clase a medida que procesa los datos (Green et al., 2017). Una vez realizado el entrenamiento, se procede a la clasificación de cada una de las coberturas presentes en la imagen de la zona de estudio utilizando el algoritmo MSV y el entrenamiento de los polígonos por medio de una clasificación basada en objetos, ver Figura 1.

2.2.2.Precisión de la clasificación

A través de la generación de puntos de referencia (mínimo 50 por cada cobertura identificada), se logra determinar la veracidad de la clasificación, por lo tanto, se procede a crear la matriz de confusión para la validación estadística de la información clasificada, ya que es una herramienta que permite la estimación de desempeño del algoritmo utilizado (Chuvieco Salinero, 1996).

En la Tabla 3 se muestra la precisión general de la clasificación (parte inferior de la diagonal). La precisión general es útil para una comprensión global de las clases del mapa ya que estos resultados explican la precisión de las clases individuales, así como la confusión entre clases. Si los resultados fuera de la diagonal revelan una confusión de clase constante, puede ser necesario ajustes a los parámetros del clasificador o recopilar más muestras de entrenamiento. Es importante tener en cuenta que la precisión del productor es la precisión con la que los resultados de la clasificación cumplen con las expectativas del creador (Patiño, 2017).

Finalmente, para la precisión general de la clasificación, se calcula el coeficiente kappa que proporciona una evaluación general de la precisión de la clasificación. En la Tabla 4 se muestran los resultados de las estadísticas kappa obtenidas para cada una de las imágenes de satélite clasificadas.

De acuerdo con los coeficientes Kappa obtenidos, se evidencia una alta precisión en la clasificación de las imágenes, ya que según (Landis & Koch, 1977) si el coeficiente Kappa se encuentra entre 0.81-1.00 existe una fiabilidad casi perfecta.

2.3. Almacenamiento de la información en bases de datos espacio temporales

Para el almacenamiento de la información, es necesario vectorizar las clasificaciones de las imágenes analizadas en la investigación, con el propósito de generar las instantáneas de tiempo y las trayectorias para cada año. Es importante mencionar que la estructuración de la información en bases de datos espacio temporales es un factor clave para la representación de las trayectorias y el cálculo del retroceso glaciar utilizando regresiones lineales múltiples (Mckennney & Frye, 2015).

2.3.1.Modelo de base de datos para el almacenamiento de regiones en movimiento y sus trayectorias.

En la Figura 2 se define un modelo de almacenamiento de información que permite almacenar de manera adecuada la información de cada una de las entidades que participan en la representación del retroceso glaciar. Adicionalmente, el modelo entidad relación contempla variables importantes que están directamente relacionadas con el objeto de la investigación, como lo pueden ser, la variación de la temperatura, fenómenos climáticos o variaciones estacionales.

Este modelo muestra desde un nivel semántico como es el movimiento de la región en diferentes periodos de tiempo, asociando información de los cambios presentados en las variables de la dinámica temporal de las regiones en movimiento (Ortiz et al., 2020). De manera general, el modelo describe la generación de una subtrayectoria, entre el centroide de la región en el tiempo inicial y el centroide de la región en el tiempo final, de manera tal que se puede describir el movimiento de la región en cada uno de sus periodos de tiempo. Adicionalmente, permite definir cardinalmente donde se han presentado los desplazamientos de la región (Retroceso Glaciar) entre dos periodos de tiempo distintos directamente relacionados a través de las subtrayectorias del movimiento.

2.3.2.Trayectorias de regiones en movimiento

La trayectoria de regiones en movimiento es el trazo generado por un objeto que se mueve en un espacio geográfico (Zheng et al., 2011). En este sentido, en la Figura 3 se detalla el flujo de procesos a realizar dentro de la base de datos espacio temporal para el almacenamiento y análisis de trayectorias de regiones en movimiento aplicadas a la determinación del retroceso glaciar de la Sierra Nevada de Santa Marta.

El proceso descrito dentro del flujo de la Figura 3 relacionado con la generación de las trayectorias de las regiones en movimiento y sus puntos cardinales, comprende la generación de un conjunto de funciones SQL y procedimientos almacenados en la base de datos.

En la Figura 4 se puede observar un ejemplo de la función que permite generar las subtrayectorias cardinales para cada uno de los puntos cardinales generados a partir de una función espacial.

Una vez creadas cada una de las funciones que permiten la generación de cada una de las entidades descritas en el modelo ER, se procede a la utilización de una interfaz gráfica para renderizar los elementos almacenados en la base de datos y obtener las representaciones graficas de las trayectorias de regiones en movimiento.

A continuación, se encuentra el resultado del flujo de actividades y conjunto de algoritmos descritos anteriormente, en donde se pueden visualizar las trayectorias del retroceso glaciar de la Sierra Nevada de Santa Marta en el periodo comprendido entre 1850-2021.

3.Resultados

Como resultado del almacenamiento de información en bases de datos espacio temporales y la aplicación de algoritmos que permiten la obtención de trayectorias, se pueden implementar proyecciones gráficas y predicción de posibles valores futuros para las regiones en movimiento por medio de la integración de modelos estadísticos (Düntgen et al., 2007).

3.1.Modelo de Regresión Lineal Múltiple

El análisis de regresión lineal múltiple permite establecer la relación entre una variable dependiente y un conjunto de variables independientes (Granados, 2016). Es por ello que a diferencia del modelo de regresión simple, el modelo múltiple se aproxima más a situaciones de análisis real puesto que los fenómenos, hechos y procesos naturales, por definición, son complejos y, en consecuencia, deben ser explicados en la medida de lo posible por la serie de variables que, directa e indirectamente, participan en su definición (Rodríguez & Mora, 2001).

La regresión múltiple está dada por la ecuación (1):

... (1)

En donde la variable Y es la variable dependiente o a predecir, y las variables a,b1x1,b2x2 ***bnxn , son los parámetros desconocidos a estimar junto con la variable e que define el error de la predicción de los parámetros (Rodríguez & Mora, 2001). Teniendo en cuenta lo explicado anteriormente, es necesario establecer las variables que participaran en el análisis de regresión lineal múltiple, las cuales se describen en la Tabla 5.

A partir de la información de la Tabla 5, se define la variable dependiente Y, como el área de la región expresada en Km2 y las variables independientes como:

b1 = Año

b2 = Temperatura promedio de la región de la Sierra Nevada de Santa Marta (0C)

b3 = Variación climática por fenómenos climáticos como El Niño o La Niña (°C)

b4 = Promedio del incremento de las temperaturas a nivel mundial (°C)

La información de la temperatura fue obtenida por medio de fuentes de datos históricos publicados por la organización independiente sin fines de lucro de Estados Unidos centrada en ciencias de datos Berkeley Earth (Berkeleyearth.org, 2021) y la información de la variación climática extraída de la página web de la Oficina Nacional de Administración Oceánica y Atmosférica NOAA (Climate Prediction Center Internet Team, 2005).

3.2.Análisis de regresión exploratoria

El análisis de regresión exploratoria es una herramienta de extracción de datos que calcula todas las posibles combinaciones de variables explicativas para ver qué modelo cumple todos los diagnósticos por medio de OLS (Mínimos Cuadrados Ordinarios) (Wright & Harder, 2019). Al evaluar todas las combinaciones posibles de variables independientes, se puede incrementar las probabilidades de encontrar el mejor conjunto de variables que se ajusten al modelo.

En la Figura 6 se visualiza el análisis de regresión exploratoria en donde se puede observar el conjunto de variables que mejor se ajusta a la investigación.

Debido al R2 ajustado de 0.99, el cual muestra la efectividad que tienen las variables independientes de explicar la variable dependiente (Rodríguez & Mora, 2001), se establece que el mejor conjunto de variables que explica el retroceso glaciar son el año del área calculada, temperatura promedio de la región, temperatura promedio mundial y los fenómenos climáticos. Dando como resultado un modelo muy preciso para aplicar a las trayectorias de regiones en movimiento y obtener un factor de retroceso glaciar expresado en una ecuación, que determina los posibles valores futuros de las áreas de cobertura glaciar de la Sierra Nevada de Santa Marta.

3.2.1.Análisis de regresión lineal múltiple para toda la Sierra Nevada de Santa Marta

Como resultado del análisis de regresión exploratoria, se extrajeron los conjuntos de variables más adecuados para generar la regresión lineal múltiple desde el motor de base de datos, el cual permitió obtener el siguiente conjunto de coeficientes que se ajusta al modelo con un alto nivel de precisión, dichos valores se muestran en la Tabla 6.

Definiendo el R2 como el coeficiente de correlación múltiple al cuadrado, este valor mide la variabilidad de la variable dependiente explicada por las variables independientes (Rodríguez & Mora, 2001). Y el R2 ajustado como coeficiente de variabilidad el cual no se ve influenciado por el número de variables (Granados, 2016). Se puede concluir que el modelo tiene una confiabilidad de cerca del 98%, lo que significa que las temperaturas de los años registrados en la base de datos, las variaciones climáticas generadas por los fenómenos del Niño y la Niña tienen una relación directa muy estrecha con la disminución del área glaciar de la Sierra Nevada de Santa Marta. Esta relación que determina el factor de cambio se explica a través de la ecuación (2):

... (2)

En la Tabla 7 se muestran las proyecciones construidas a partir de la ecuación obtenida en donde se puede concluir que aproximadamente para el 2032 la Sierra Nevada de Santa Marta, perderá la totalidad de su masa glaciar.

3.2.2.Análisis de regresión múltiple para una trayectoria

Una de las ventajas de poder utilizar las trayectorias de regiones en movimiento en este tipo de análisis, es poder filtrar los datos y generar análisis aislados para una sola de las trayectorias que componen la trayectoria general de toda la Sierra Nevada de Santa Marta. Por lo tanto, en la Figura 7, se visualizan las trayectorias que conforman el área de estudio.

El análisis aislado se centra en la trayectoria numero 3, asociada a la region glaciar que se encuentra más al sur de la Sierra Nevada de Santa Marta y es una de las más afectadas por el paso de los años, ver Tabla 8.

Una vez validado que el modelo, se puede obtener el factor de cambio expresado en la ecuación (3):

... (3)

Como resultado, se puede concluir que la trayectoria 3 desaparecerá aproximadamente en el año 2022, como se describe en la Tabla 9.

4.Conclusiones

Se puede concluir que a través de la semántica del movimiento de las regiones y usando como base las trayectorias de puntos en movimiento, podemos generar trayectorias de regiones en movimiento, las cuales describen como una región puede cambiar a través del tiempo, y así mismo verse afectada por diferentes factores que influyen directamente en cómo se desplazan y transforman en el espacio (Ortiz et al., 2020). Por lo tanto, la semántica del movimiento de las regiones permite describir con gran precisión como la Sierra Nevada de Santa Marta ha ido cambiando a través del tiempo, y así mismo obtener una trayectoria del cambio de cada una de las masas glaciares que la componen.

La Sierra Nevada de Santa Marta afronta un destino crítico, debido a diferentes factores (aumento de las temperaturas y fenómenos climáticos) que están generando una pérdida de masa glaciar considerable a medida que transcurre el tiempo. Es por ello, que en aproximadamente 10 años la masa glaciar de la Sierra Nevada de Santa Marta habrá desaparecido por completo y de igual manera en aproximadamente 1 año la masa glaciar que se encuentra más al sur se habrá derretido en su totalidad.

Adicionalmente se logra determinar un factor de cambio expresado a través de una ecuación de regresión lineal múltiple, la cual permite evaluar con base en su trayectoria de movimiento, los posibles escenarios futuros a los que se enfrenta la Sierra Nevada de Santa Marta y así mismo poder proyectar como evolucionara su masa glaciar en el futuro, no solo para la totalidad de ella, sino que también podremos determinar específicamente las regiones que desaparecerán o en un caso optimista se generarán a partir de su trayectoria.

References

Referencias

Berkeleyearth.org. (2021). Berkeley Earth data files. https://berkeleyearth.org/data

Chuvieco Salinero, E. (1996). Fundamentos de teledetección espacial (Ediciones RIALP (ed.); Ediciones RIALP). Ediciones RIALP. http:// www.sidalc.net/ cg i-bin/ wxis.exe/?IsisScript = catalco. xis&method=post&formato=2&cantidad=ı&expresion=mfn=o6426ı

Climate Prediction Center Internet Team. (2005). El Niño / Southern Oscillation (ENSO). https://origin.cpc.ncep.noaa.gov/products/precip/CWlink/MJO/enso. shtml#history

Düntgen, C., Behr, T., Güting, R. H., Hagen, D.-, Christian, D., & G, R. H. (2007). BerlinMOD: A Benchmark for Moving Object Databases. Science, 1-40.

Granados, R. M. (2016). Modelos de regresión lineal múltiple. Universidad de Granada.

Green, K., Russell, C., & Tukman, M. (2017). Imagery and GIS : best practices for extracting information from imagery. In Esri Press. Esri Press.

IDEAM. (2017). Informe del estado de los glaciares Colombianos. http://www.ideam.gov.co/documents/24277/72621342/ Informe+del+Estado+de+los+glaciares+colombianos.pdf/26773334-c132-467291db-f620e8a989f9

Lozano, R. J., Ministro, P., González, Y., Directora General, H., Bautista, G. G., General, S., Vargas, N. O., & Subdirector De Hidrología, M. (2019). Informe del estado de los glaciares Colombianos.

Mckennney, M., & Frye, R. (2015). Generating Moving Regions from Snapshots of Complex Regions. ACM Trans. Spatial Algorithms Syst., 1(1), 4:1-4:30. https://doi.org/10.1145/2774220

Ortiz, A. E., Rocha, L. A., & Medina, R. J. (2020). Modelo Semántico para Trayectorias de Regiones en Movimiento. Revista Ibérica de Sistemas e Tecnologias de Informaçâo.

Patiño, J. E. (2017). Emilio Chuvieco, Fundamentals of satellite remote sensing: An environmental approach. Environment and Planning B: Urban Analytics and City Science, 44(6), 1171-1173. https://doi.org/10.1177/2399808317711988

Rodríguez, M., & Mora, R. (2001). Estadística informática casos y ejemplos con el SPSS (S. de P. Universitat d'Alacant / Universidad de Alicante (ed.)).

Wright, D., & Harder, C. (2019). GIS for Science: Applying Mapping and Spatial Analytics (Esri Press (ed.); Vol. 1).

Zheng, Y., Zhou, X., Jeung, H., Yiu, M. L., & Jensen, C. S. (2011). Computing with Spatial Trajectories (Y. Zheng (ed.)). Springer US.