Sevilla, 5 de noviembre de 2015
Mapa de Calidad del Cielo en Andalucía
2
Mapa de calidad del cielo en Andalucía0. Antecedentes
1. Medidas experimentales
2. Capas geográficas de apoyo
3. Planteamiento del modelo
4. Modelo obtenido
5. Fortalezas y debilidades
6. Futuras líneas de actuación
Materiales y método
Resultados
Conclusiones
3
0. AntecedentesObjetivos de la Medición de la calidad del cielo nocturno en Andalucía
• Obtener datos que CUALITATIVA Y CUANTITATIVAMENTE permitan:
• CONOCER la calidad del cielo a fecha de aprobación del Decreto357/2010 de 3 de agosto
• SEGUIR la evolución e incidencia de la aplicación progresiva de estanorma
• Elaborar un MAPA que permita predecir la calidad del cielo en un puntodeterminado sin necesidad de medir en el mismo
4
1. Medidas experimentalesSky Quality Meter (SQM) • Instrumento para la medida de la calidad del cielo nocturno
• Valores en escala logarítmica de magnitudes por segundo de arco al cuadrado (MPSAS – de 16 a 22)
• Brillo homogéneo del cielo tomando muestras de un segundo de arco de lado en una región de x grados de arco (20 u 80 según el modelo)
• Convertible a otras escalas
Cielos altamentecontaminados lumínicamente
Cielosciertamente
oscuros
5
1. Medidas experimentalesUbicación del SQM sobre un vehículo
Campaña Fechas Ámbito Tipo Puntos1 08/2011 – 01/2012 Andalucía Itinerario 18.0472 12/2013 – 06/2014 Andalucía Itinerario 11.7443 12/2014 – 01/2015 Doñana Itinerario 12.0914 12/2014 – 01/2015 Doñana Puntos fijos 625 12/2014 – 01/2015 Doñana Puntos fijos 5
Total 41.949
6
1. Medidas experimentalesDispositivos de apoyo
Medidas puntuales para la calibración del dispositivo SQM
• Cámara CCD
• AstMon
7
1. Medidas experimentalesAnálisis preliminar de los datos
Motivo de exclusión Número de observaciones Porcentaje
Datos totales 41.949 100,00%Medidas de campo erróneas 1.219 2,91%Medidas fuera de la ComunidadAutónoma 1.283 3,06%
Falta de información por errores de bordeen la rasterización de capas vectoriales 836 1,99%
Datos disponibles 38.611 92,04%
9
1. Medidas experimentalesAnálisis preliminar de los datos
10
2. Capas geográficas de apoyo
Intensidad lumínica (brillo)• Compuesto anual original 2013• Mejor relación con la magnitud medida• Imagen del promedio de la banda visible, en
nivel digital y sin ningún tipo de filtro. Losvalores van de 0-63
• Los valores no se corresponden de un año aotro
11
2. Capas geográficas de apoyo
Brillo de vecindad• Derivada de la capa de brillo• Promedio ponderado del brillo en 30 km
alrededor de cada punto mediantefunciones kernel (decaimiento gaussiano)
12
2. Capas geográficas de apoyo
Capa de altura del terreno• Resolución 20 m• Con variación temporal más limitada
Capa de pendientes• Resolución 20 m• Con variación temporal más limitada
13
2. Capas geográficas de apoyo
Visibilidad• Derivada de la capa orográfica, refleja la
superficie que un observador puedealcanzar a ver libre de obstáculos
14
2. Capas geográficas de apoyo
Distancia a núcleo urbano cercano• Alta relación física con capa de brillo• Requiere juicio de experto para valorar la
posible influencia de la distancia al núcleo
15
2. Capas geográficas de apoyo
Usos de suelo• Variable categórica que requiere la elección
del número de categorías a utilizar(seleccionadas 16)
16
3. Planteamiento del modeloMedidas de entrenamiento y test
Medidas en campo
80% Entrenamiento
20% Test
Se utilizan para obtener el modelo
Se utilizan para comprobar el modelo obtenidoDan una idea de los resultados que se obtendrían con futuras campañas en campo
---------- ---------- ---------- Selección aleatoria ---------- ---------- ----------
17
3. Planteamiento del modeloRelación entre las variables disponibles
SQM
Brillo
sat
élite
Brillo
de
vecin
dad
Altu
ra
Pend
iente
= f ( )
Visib
ilidad
…
Dist
ancia
a n
úcleo
ur
bano
cer
cano
Medidas en campo |-------- ---------- ---------- ---------- -------- Capas de apoyo -------- ---------- ---------- ---------- ---------|
Puntos discretos Información disponible para toda Andalucía
18
3. Planteamiento del modeloRelación entre las variables disponibles
División del problema por uso de suelo
• Se crean grupos más homogéneos
• El resultado final será la unión de todos los usos
SQM = a + b·BRI + c·VEC + d·ALT + e·PEN + f·VIS + g·DIS + RESIDUO
Se selecciona la relación lineal, tras haber probado otras funciones
19
3. Planteamiento del modeloEsquema de cálculo
• Para cada uso de suelo:
• Unión del resultado para cada uso
• Calidad del cielo
= a + b · + c · + d ·
+ e · + f · + g ·
+
20
4. Modelo obtenidoCoeficientes regresión
UsoCte BRI VEC ALT PEN VIS DIS
a b c d e f g
Urbano mixto 19,12934 -0,01574 0,0028 -0,00022 0,00007 -0,0001 0,00052IndustrialExtracción mineraInfraestructuras técnicas
19,68108 -0,08791 0,06383 -0,00051 0,00001 0,00009 0,00027
Infraestructuras de transporte 21,04383 -0,03694 -0,00355 -0,00025 -0,00001 0,00004 0,00002
Cultivos herbáceos 21,05367 -0,02705 -0,00403 -0,00013 0,00002 0,00004 -0,00004
Invernaderos 21,51897 0,00259 -0,0266 -0,00283 0 0,00007 -0,00022
Cultivos leñosos 20,69953 -0,01693 -0,00703 0,00014 0,00001 0,00005 0,00004
Combinaciones de cultivos y vegetación 20,63949 0,00764 -0,02877 0,00018 -0,00007 0,00008 0,00013
Pastizal 20,87927 -0,02124 -0,00786 -0,0002 0 0,00012 0,00003
Matorral 20,72548 -0,02979 0,00542 -0,00007 0,00003 0,00003 0,00007
Bosque 20,20911 -0,00813 0,00124 -0,00001 0,00001 -0,00007 0,00005
Matorrales con arbolado 21,03331 -0,02691 -0,00624 0,00001 -0,00004 -0,00004 0
Pastizales con abolado 20,92267 -0,05153 0,01737 -0,00008 0 -0,00001 0,00003
Zonas sin vegetación 20,9978 -0,03071 -0,0043 -0,00014 0,00002 -0,00003 0,00003
Zonas húmedas 20,85945 -0,00534 -0,02575 0,00002 0,00002 0,00004 0,00003
21
4. Modelo obtenido
23
4. Modelo obtenidoAnálisis de resultados
Estadístico Descripción Modelo Test Unid.
Pares completos de datos
Número total de pares de datos en los que se dispone de observación y modelo 30.826 7.712 Medicio-
nesFactor de
predicción con un factor de 2
Porcentaje de las predicciones que guardan una relación con la observación entre 0,5 y 2 100% 100% %
Error medio Promedio de la diferencia entre el modelo y la observación -0,008 0,005 magnitud/arcseg2
Error absoluto medio
Promedio de la diferencia en valor absoluto entre el modelo y la observación 0,483 0,489 magnitud
/arcseg2
Error relativo Suma de las diferencias entre modelo y observación normalizada por el valor medio de la observación -0,04% 0,02% %
Error absoluto relativo
Suma de los valores absolutos de las diferencias entre modelo y observación normalizada por el valor medio de la observación 2,36% 2,38% %
Error cuadrático medio
Raíz cuadrada del promedio de las diferencias al cuadrado entre modelo y observación 0,750 0,764 magnitud
/arcseg2Coeficiente de
correlación Índice de correlación entre modelo y observación 0,656 0,645 -
Coeficiente de eficacia
Mejora del modelo con respecto a la predicción en base al valor medio de la observación 34,90% 33,78% %
24
4. Modelo obtenidoAnálisis de resultados
Modelo Test
25
4. Modelo obtenidoExplotación de resultados
<- Peores municipios
Mejores municipios ->
26
5. Fortalezas y DebilidadesFortalezas
• Extrapolación de medidas reales> ahorro del coste que supondríaampliar físicamente las medidasrealizadas
• Procedimiento de bajo coste quepermite su reproducibilidad enaños venideros, así como análisisde evolución
• Susceptible a mejoras en base anuevas capas de informacióndisponibles
Debilidades
• Asunción de determinadashipótesis simplificatorias
• Información no coetánea por faltade disponibilidad
— Medidas realizadas endiferentes años
— Año de actualización de lascapas de información
27
6. Futuras líneas de actuación• Introducción de nuevas capas de apoyo, con el objetivo de reducir aún
más los residuos encontrados
• Análisis de los residuos para determinar explicaciones decomportamiento
• Descomposición estacional y horaria de los valores encontrados
• Contraste con mapas de calidad del cielo de otros grupos deinvestigación
GRACIAS POR SU ATENCIÓ[email protected]
Top Related