Ponencia ofrecida por Antonio Lozano dentro de las Jornadas “La calidad del cielo nocturno andaluz como motor de empleo verde”, llevadas a cabo en Noviembre de 2015 en Sevilla.
1. Sevilla, 5 de noviembre de 2015
Mapa de Calidad del Cielo en Andalucía
2. 2
Mapa de calidad del cielo en Andalucía
0. 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. 3
0. Antecedentes
Objetivos 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 Decreto
357/2010 de 3 de agosto
•SEGUIR la evolución e incidencia de la aplicación progresiva de esta
norma
•Elaborar un MAPA que permita predecir la calidad del cielo en un punto
determinado sin necesidad de medir en el mismo
4. 4
1. Medidas experimentales
Sky 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 altamente
contaminados
lumínicamente
Cielos
ciertamente
oscuros
5. 5
1. Medidas experimentales
Ubicación del SQM sobre un vehículo
Campaña Fechas Ámbito Tipo Puntos
1 08/2011 – 01/2012 Andalucía Itinerario 18.047
2 12/2013 – 06/2014 Andalucía Itinerario 11.744
3 12/2014 – 01/2015 Doñana Itinerario 12.091
4 12/2014 – 01/2015 Doñana Puntos fijos 62
5 12/2014 – 01/2015 Doñana Puntos fijos 5
Total 41.949
7. 7
1. Medidas experimentales
Análisis 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 Comunidad
Autónoma
1.283 3,06%
Falta de información por errores de borde
en la rasterización de capas vectoriales
836 1,99%
Datos disponibles 38.611 92,04%
9. 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. Los
valores van de 0-63
• Los valores no se corresponden de un año a
otro
10. 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 mediante
funciones kernel (decaimiento gaussiano)
11. 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
12. 13
2. Capas geográficas de apoyo
Visibilidad
• Derivada de la capa orográfica, refleja la
superficie que un observador puede
alcanzar a ver libre de obstáculos
13. 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
14. 15
2. Capas geográficas de apoyo
Usos de suelo
• Variable categórica que requiere la elección
del número de categorías a utilizar
(seleccionadas 16)
15. 16
3. Planteamiento del modelo
Medidas de entrenamiento y test
Medidas en campo
80% Entrenamiento
20% Test
Se utilizan para obtener el
modelo
Se utilizan para comprobar el
modelo obtenido
Dan una idea de los resultados
que se obtendrían con futuras
campañas en campo
---------- ---------- ---------- Selección aleatoria ---------- ---------- ----------
16. 17
3. Planteamiento del modelo
Relación entre las variables disponibles
SQM
Brillosatélite
Brillodevecindad
Altura
Pendiente
= f ( )
Visibilidad
…
Distanciaanúcleo
urbanocercano
Medidas en campo |-------- ---------- ---------- ---------- -------- Capas de apoyo -------- ---------- ---------- ---------- ---------|
Puntos discretos Información disponible para toda Andalucía
17. 18
3. Planteamiento del modelo
Relación 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
18. 19
3. Planteamiento del modelo
Esquema de cálculo
• Para cada uso de suelo:
• Unión del resultado para cada uso
• Calidad
del cielo
= a + b · + c · + d ·
+ e · + f · + g ·
+
19. 20
4. Modelo obtenido
Coeficientes regresión
Uso
Cte 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 0,00052
Industrial
Extracción minera
Infraestructuras 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. 23
4. Modelo obtenido
Análisis 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-
nes
Factor 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
/arcseg2
Coeficiente 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. 26
5. Fortalezas y Debilidades
Fortalezas
• Extrapolación de medidas reales
> ahorro del coste que supondría
ampliar físicamente las medidas
realizadas
• Procedimiento de bajo coste que
permite su reproducibilidad en
años venideros, así como análisis
de evolución
• Susceptible a mejoras en base a
nuevas capas de información
disponibles
Debilidades
• Asunción de determinadas
hipótesis simplificatorias
• Información no coetánea por falta
de disponibilidad
— Medidas realizadas en
diferentes años
— Año de actualización de las
capas de información
25. 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 de
comportamiento
• Descomposición estacional y horaria de los valores encontrados
• Contraste con mapas de calidad del cielo de otros grupos de
investigación
26. GRACIAS POR SU ATENCIÓN
luminica.cmaot@juntadeandalucia.es