Diagnosis fitoclimática de la España peninsular : actualización y análisis geoestadístico aplicado

Gonzalo Jimenez, Julián (2008). Diagnosis fitoclimática de la España peninsular : actualización y análisis geoestadístico aplicado. Tesis (Doctoral), E.T.S.I. Montes (UPM) [antigua denominación].

Descripción

Título: Diagnosis fitoclimática de la España peninsular : actualización y análisis geoestadístico aplicado
Autor/es:
  • Gonzalo Jimenez, Julián
Director/es:
  • García López, Javier María
Tipo de Documento: Tesis (Doctoral)
Fecha: 2008
Materias:
Escuela: E.T.S.I. Montes (UPM) [antigua denominación]
Departamento: Silvopascicultura [hasta 2014]
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img] PDF (Document Portable Format) - Acceso permitido solamente a usuarios en el campus de la UPM hasta 8 Mayo 2018 - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (15MB)
[img] PDF (Document Portable Format) - Acceso permitido solamente a usuarios en el campus de la UPM hasta 8 Mayo 2018 - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (15MB)

Resumen

En el presente trabajo se desarrolla un nuevo modelo fitoclimático para la España Peninsular a partir de la revisión y actualización de los modelos fitoclimáticos de Allué-Andrade (1990, 1995, 1997). Se revisa la propuesta y metodología de construcción del modelo integral elaborado por el autor, se propone un nuevo espacio fitoclimático factorial trascendente (con implicaciones fitológicas estructurales y funcionales) y se redefinen los ámbitos factoriales propuestos y las funciones de pertenencia a los mismos, mediante la utilización de diversas técnicas de análisis multivariante de ordenación y clasificación. La diagnosis fitoclimática de la España Peninsular, resultado de la aplicación del nuevo modelo fitoclimático a todo el territorio de la España Peninsular, precisa una base de datos geográfica continua de factores fitoclimáticos (elaboraciones matemáticas sencillas sobre variables o elementos climáticos con implicaciones estructurales y funcionales sobre la vegetación). La base de datos meteorológicos utilizada para calcular las variables o elementos climáticos (y posteriormente los factores fitoclimáticos) corresponde a la red nacional de estaciones meteorológicas de la actual Agencia Estatal de Meteorología (Ministerio de Medio Ambiente), para el periodo 1951-1999, sometida a un análisis exploratorio y filtrado exhaustivo; análisis de la componente espacial y temporal (estaciones termopluviométricas y pluviométricas peninsulares con un periodo mínimo de 15 años registrados para las variables de temperatura y 20 años para las variables pluviométricas), análisis de consistencia y coherencia de datos (filtros lógicos, homogeneidad de las series de datos, consistencia topológica y geográfica, correlación bivariada, multivariante y espacial) y análisis estructural de la red de observaciones. La red filtrada consta de un total de 1.348 estaciones termopluviométricas y 4.078 estaciones pluviométricas. La regionalización (interpolación) de las variables climáticas (t, temperatura media del mes, tmmf, temperatura media de las mínimas del mes, tmmc, temperatura media de las máximas del mes y p, precipitación total mensual), necesarias para el posterior cálculo de los factores fitoclimáticos se ensaya a través de diversas técnicas de análisis geoestadístico, optando por la modelización de la corregionalización de variables climáticas primarias u objetivo junto a las variables secundarias o auxiliares seleccionadas (altitud, distancia real a la costa, radiación potencial y nubosidad, para las variables objetivo de temperaturas, y altitud, distancia euclídea a la costa y nubosidad, para las variables objetivo de precipitación) y estimación a través de Co-Kriging ordinario (Ordinary Co-Kriging - OCK). Las variables auxiliares, altitud y distancia a la costa, fueron calculadas a partir del modelo digital de elevaciones DEM 250 MONA pro Europe cedido por el Space Applications Institute (SAI) del Joint Research Centre (JRC- European Commission) con una resolución de 0,0025º (278 m aprox. En proyección UTM Huso 30); la radiación potencial fue calculada a partir del modelo de transferencia radiativa r.sun (©JRC Institute for Environment and Sustainability , Renewable Energies Unit, 2003) y el análisis del efecto orográfico mediante el cálculo de una cuenca visual hemisférica a partir del citado modelo digital de elevaciones (modelo Solar Analyst cedido por el Helios Environmental Modeling Institute, desarrollado junto al Information Telecommunication and Technology Center - ITTC, el Kansas Biological Survey - KBS, el Kansas Applied Remote Sensing Program - KARS y la University of Kansas General Research Fund.) y la nubosidad fue calculada a partir de las máscaras de nubes de imágenes (remuestreadas a 1 km) procedentes del sensor AVHRR (Advanced Very High Resolution Radiometer) instalado en la serie de satélites meteorológicos norteamericanos NOAA/Tiros-N (National Oceanic and Atmospheric Administration - NOAA. NESDIS/NCDC. Climate Services Division. Satellite Services Branch. USA), correspondientes a la serie temporal 1987-2004, y cedidas por el Laboratorio de Teledetección de la Universidad de Valladolid (LATUV-UVA). Tras la validación cruzada de los modelos de corregionalización y a través de la estimación mediante Co- Kriging Ordinario, se obtiene finalmente la base de datos geográfica continua (1 km de resolución espacial) para la España Peninsular correspondiente a las 48 variables climáticas de interés (48 mapas climáticos). En la construcción del modelo fitoclimático, se define la variable dependiente a partir del análisis del modelo integral de Allué-Andrade (1990, 1995) desde la Teoría de los Conjuntos Borrosos (Fuzzy Logic), se justifica desde un punto de vista fitológico estructural y fisionómico (funcional) la clasificación en los subtipos fitoclimáticos propuesta por el autor, se profundiza en su significado fitosociológico, geobotánico y florístico y se analiza su correspondencia con otras clasificaciones estructurales y fisionómicas continentales y mundiales (Brockmann-Jerosch & Rübel, 1912, Walter, 1970, Box, 1981, 1996, Prentice, 1992, Karte der natürlichen Vegetation Europas Maßstab 1: 2 500 000. Bundesamt für Naturschutz – BfN, Bohn et al., 2002/2003). Sobre la red de 1339 estaciones termopluviométricas (reducida por ajustes de resolución espacial) de la AEMET (Ministerio de Medio Ambiente) se efectúa un detallado análisis de diagnosis fitoclimática a partir del modelo integral de Allué-Andrade (1990, 1995) y del análisis de contingencia espacial con las principales bases de datos geográficas nacionales de vegetación potencial y actual: Mapa de Series de Vegetación de España a escala 1:400.000 (Rivas-Martínez, 1987, versión digitalizada de Gonzalo, 2003), Mapa Forestal de España a escala 1:400.000 (Ceballos, L.,1966) y Mapa Forestal de España a escala 1/200.000 (Ruiz De la Torre, 1990). Se definen y calculan sobre dicha red de estaciones las variables independientes del modelo, factores fitoclimáticos, ensayándose un total de 30 factores termopluviométricos de justificada implicación funcional, sometiéndolos a un análisis de reducción factorial (componentes principales y análisis semántico). A partir de la base de componentes fitoclimáticas (3 componentes: factor xérico, factor criotérmico y factor pluviométrico) ampliada a 1422 estaciones (estaciones simuladas en área de montaña en ámbitos oroarticoide termoaxérico, X(IX)1, oroarticoide termoxérico, X(IX)2, oroborealoide genuino, X(VIII), nemoral, VI, y mediterráneo subestepario, IV(VII)) se ensaya un algoritmo Fuzzy K-Means con 20 grupos, efectuando una validación interna y externa de la partición, esta última por comparación con la clasificación procedente de la diagnosis fitoclimática efectuada por el autor. De esta forma dicha clasificación manifiesta además de un significado fitológico contrastado una consistencia estadística en cuanto a factores fitoclimáticos significativos y grupos o ámbitos fitoclimáticos. Con objeto de seleccionar la combinación óptima de factores fitoclimáticos y la regla discriminante para los grupos predefinidos se ensayan diversas técnicas de análisis discriminante, seleccionando el análisis discriminante cuadrático sobre la matriz construida sobre los tres factores que mejor explican la varianza del espacio factorial original: Pw, precipitación invernal ( 12 1 2 Pw = p + p + p , diciembre, enero y febrero), PMTMAX, precipitación mensual del mes más cálido ( si i 1...12 ' ' = > ∀ = i i i PMTMAX p t t ) y TMF, temperatura media mensual más baja ( min( i ) TMF = t ) y las 1422 estaciones (red AEMET y simuladas). La validación LOO (Leave One Out) de este modelo QDF (Quadratic Discriminant Function) presenta un porcentaje de reclasificación correcta sobre la partición original (diagnosis fitoclimática de estaciones) del 75, 8 % (1078 de 1422 estaciones) y la comparación entre la clasificación a priori y la clasificación a posteriori (reclasificación LOO) nos deja un índice de Rand, (Rand ,1971) y su versión corregida (Hubert & Arabie, 1985), elevados, 0,93 y 0,57 respectivamente. Para terminar se aplican los modelos cuadráticos calculados a las bases de datos climáticas geográficas continuas de 1 km de resolución espacial (factores fitoclimáticos calculados a partir de las variables climáticas) y el resultado se valida a través del análisis de fidelidad efectuado para 21 especies de interés forestal, titulares de series de vegetación potencial, inventariadas en el II-III Inventario Forestal Nacional (DGCONA, 1998) y el análisis de contingencia efectuado con las cliseries de las principales cadenas montañosas peninsulares, reconstruidas con la base de datos anterior y el Mapa Forestal de España (Ruiz de La Torre,1990). ----------ABSTRACT---------- The present work develops a new phytoclimatic model for the Spanish Peninsular territory, starting from the revision and updating of the models proposed by Allué-Andrade (1990, 1995, 1997).The work revises the conceptual basis and the methodology developed by this author to build his integrated model, while proposes a new phytoclimatic factorial space having structural and functional phytoclimatic implications. In addition, using several multivariate classification techniques the work redefines the proposed factorial ambits and their membership functions. The resulting phytoclimatic diagnosis requires a geo-database with spatially continuous phytoclimatic factors. These are derived directly from climatic variables having structural or functional implications on the vegetation cover. The meteorological database used to compute the climatic variables (input for the phytoclimatic factors) is the National net of meteorological ground stations, managed by the Spanish Meteorological Agency. Meteorological data spanning 1951-1999 was exhaustively explored and filtered. The spatial and temporal consistency of temperature and precipitation data was also analyzed. In this process any ground station that didn’t reach a minimum of 15year of data, for temperature-related variables, and 20 years of data for the rain-related variables was filtered and left aside. Once filtered, the net of meteorological ground stations was integrated by a total of 1348 stations with temperature and rain data, and 4078 stations with only rain data. As mention, this net was used to measure the following four climatic variables: t, mean temperature for the month, tmmf mean of minimum temperatures for the month, tmmc, mean of maximum temperatures for the month and p, total monthly precipitation). In order to regionalize (interpolate) these climatic data, several geo-statistic techniques were tested. According to the results of these tests, the best option was to model the co-regionalization of primary (target) climatic variables (t, tmmf, tmmc and p) along with previously selected secondary (auxiliary) variables, and then carry out the estimation by Ordinary-Co- Kriging. The chosen secondary variables were height, real distance to the coast, potential radiation and cloudiness for temperature-related target variables, and height, Euclidean distance to coast and cloudiness for precipitation target values Auxiliary variables, height and distance to de coast, were derived from the Digital Elevation Model DEM 250 MONA pro Europe provided by DG-Joint Research Centre of the European Commission. The spatial resolution of this DEM is of 0,0025º (approximately 278 m in UTM projection, Zone 30). Potential radiation was computed using r.sun radiative transference model (©JRC Institute for Environment and Sustainability, 2003). As for the orographic effect it was analysed by computing an hemispheric viewshed with the above-mentioned DEM ((Solar Analyst model developed by Helios Environmental Modeling Institute, in collaboration with the Information Telecommunication and Technology Center - ITTC, the Kansas Biological Survey - KBS, and the University of Kansas General Research Fund.). Finally, cloudiness was obtained from cloud masks derived from multitemporal satellite imagery recorded on a daily basis by the AVHRR instrument on board of NOAA satellites (National Oceanic and Atmospheric Administration - NOAA. NESDIS/NCDC. Climate Services Division. Satellite Services Branch. USA). To this purpose, NOAA daily images for the period 1987 -2004 (resampled at 1 km resolution) were provided by the Remote Sensing Laboratory of Valladolid University. After the cross-validation of co-regionalization models and the use of Ordinary Co-Kringing, a geodatabase with 48 spatially continuous climatic variables was finally obtained (4 monthly variables along 12 month). These were later used to compute the phytoclimatic variables. When building the phytoclimatic model, the dependant variable was defined by analysing Allué Andrade’s integral model (Allué-Andrade 1990, 1995) from the perspective of Fuzzy logic theoretical basis. Besides, the classification for climatic sub-types proposed by this author is justified from a phytological structural and physiognomic point of view. In this work there is an effort also to deepen the phytosociological, geobotanic and floristic meaning of the above-mentioned sub-types and to analyse the correspondence between Allué Andrade’s classification and other continental and global classifications, both structural and physiognomic (Brockmann-Jerosch & Rübel, 1912, Walter, 1970, Box, 1981, 1996, Prentice, 1992, Karte der natürlichen Vegetation Europas Maßstab 1: 2 500 000. Bundesamt für Naturschutz – BfN, Bohn et al., 2002/2003). Next, an exhaustive analysis of phytoclimatic diagnosis was performed over the net of meteorological stations. This analysis based on Allué-Andrade’s integrated model (1950, 1995) and also on the analysis of the spatial contingency between this model’s classification and the main geo-databases with data on potential and actual vegetation in Spain, namely: Mapa de Series de Vegetación de España 1:400.000 (Rivas-Martínez, 1987, digital version by Gonzalo, 2003), Mapa Forestal de España 1:400.000 (Ceballos, 1966) and Mapa Forestal de España 1/200.000 (Ruiz De la Torre, 1990). Initially, 30 phytoclimatic factors were computed from the climatic variables previously regionalised. Next, by means of a factorial reduction analysis (principal components and semantic analysis) this number was reduced to 3: xeric factor, criothermal factor and precipitation factor. Basing on these three components a Fuzzy K-means algorithm with 20 groups was run. The resulting partition was validated internally and externally, the later by comparison with the phytoclimatic diagnosis of Allué-Andrade with which, the Fuzzy K-means partition agreed notably. In this way the classification shows both, a well contrasted phytological meaning, and a good statistical consistency in terms of phytoclimatic factors and groups or phytoclimatic realms. Next, in order to select the optimum combination of phytoclimatic factors and the best rule to separate predefined groups, several techniques of discriminant analysis were tested. As a result, it was decided to use a quadratic discriminant function (QDF) over the matrix built with those three factors the best explain the variance in the original factorial space, together with the total number of ground meteorological stations. These factors are Pw, winter precipitation (December, January and February), PMTMAX, precipitation of the warmest month ( ) and TMF, lowest monthly mean temperature ( ). The validation LOO (leave One Out) of this QDF model shows a correct percentage of reclassification when the model is compared to the original partition (phytoclimatic diagnosis at the level of meteorological stations). Specifically, the agreement is attained in 75,8%. Moreover, the comparison between the a-priori classification and the posterior classification (LOO reclassification) yields high values for the Rand Index (Rand ,1971) and its modified version (Hubert & Arabie, 1985): 0,93 y 0,57 respectively. Finally, the QDF models computed were applied to 1 km resolution climatic data (spatially continuous phytoclimatic variables derived from climatic variables). The result of this process was validated by means of a fidelity analysis performed for 21 species relevant to forestry (species being head of lists in potential vegetation series and species present the National Forest Inventories) and a contingency analysis performed with cliseries from the main mountainous systems in the Spanish Peninsula, which were derived for this purpose with the previously mentioned database and the National Forests Map of Spain ((Ruiz de La Torre,1990).

Más información

ID de Registro: 48370
Identificador DC: http://oa.upm.es/48370/
Identificador OAI: oai:oa.upm.es:48370
Depositado por: Archivo Digital UPM 2
Depositado el: 10 Nov 2017 08:30
Ultima Modificación: 13 Nov 2017 18:45
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM