Representing uncertainty of area class maps with a correlated inter-map cell swapping heuristic

Análisis de errores en modelos medioambientales de variables discretas

“…En todo trabajo de representación de la realidad, se asume la premisa de que resulta imposible realizar una representación perfecta (Ehlschlaeger, 2000), y más aún al trabajar con la realidad natural que con la realidad antrópica. Por ello, el logro más importante en la investigación de la incertidumbre es lograr la exactitud adecuada de los datos para representar la parte de la realidad más relevante para la aplicación estudiada (Ehlschlaeger, 2000), aun sabiendo que una variable discreta no puede tener un número ilimitado de clases (Qi et al, 2011).…”

“…Las fuentes de error más importantes en la cartografía de variables medioambientales discretas son la adecuada determinación de las clases (Qi et al, 2011), la identificación de la categoría -error temático y conceptual- (Ehlschlaeger, 2000), la localización de sus bordes -precisión y exactitud cartográfica- (Goodchild et al, 1992;Huang et al, 2009, y Ehlschlaeger, 2000 y la escala (Finke et al, 1999). Por ello, resulta habitual considerarlas como variables de entrada en los análisis de propagación de errores.…”

“…Cada realización de Monte Carlo debería representar una de las posibles representaciones de la realidad. Debido a que realizar representaciones de la realidad es imposible, Ehlschlaeger (2000) requiere utilizar los siguientes modelos para asemejarse lo más posible a ella en cada realización: I. Un modelo de probabilidades para cada una de las categorías discretas. Debido a que no existe un modelo sencillo para esto, se pueden utilizar los siguientes enfoques: i.…”

“…Cabe destacar la importancia de representar adecuadamente la incertidumbre de salida del modelo. Para ello hay que representar la incertidumbre de cada clase, así como un modelo de autocorrelación espacial entre las clases (Ehlschlaeger, 2000). La correlación espacial de las clases simuladas se estudia reconstruyendo los variogramas experimentales para cinco clases diferentes dentro de las categorías evaluadas usando simulaciones seleccionadas aleatoriamente.…”

“…Los datos son por definición generalizaciones de la realidad (Ehlschlaeger, 2000), y mucho más las variables categóricas de origen natural que cualquier otra de origen antrópico. Huang et al (2009), sostienen que todas las capas SIG utilizadas como variables predictivas contienen algún nivel de error, y que además este error se propaga por el proceso de clasificación del modelo según su grado de sensibilidad a dicho error.…”