Salidas de Marxan, Calibración e interpretación de resultados José L. Gerhartz Muro WWF jgerhartz@wwf.nl; jose.gerhartz@gmail.com

Objetivos Conocer las salidad de Marxan Aprender a calibrar los parámetros fundamentales para correr Marxan y obtener resultados relevantes Establecer metas Realizar análisis de sensitividadde alguno de los parámetros clave

Principales salidas de Marxan Mejor solución Solución sumada Reporte de en qué medida se alcazaron las metas de cada objeto de conservación en cada corrida UP C 1 2 3 4 UP F 1 5 2 50 3 15 4

Otras salidas de Marxan Resumen de información Detalles del escenario

Consejos para analizar los resultados Obsérvelos y estúdielos cuidadosamente: ¿Alguna meta se sobrecumple? ¿Por qué? ¿Alguna no se cumplen? ¿En qué medida (1% o 50%)?¿Por qué? ¿Los sitios están demasiado dispersos o demasiado aglomerados? Haga ajustes a las metas, SPF y BLM según sea necesario y repita el proceso: ¡¡¡Calibre!!!

¿Qué es la calibración? Proceso de seleccionar valores para variables y parámetros de corrida de manera que el modelo represente de manera adecuada la situación real bajo análisis Establecer y verificar repetidamente valores de SPF y de la cantidad de iteraciones, hasta lograr resultados sólidos y factibles

¿Por qué calibrar? Para asegurar conjuntos de soluciones cercanas al óptimo y que alcanzan las metas de conservación Son pocos parámetros pero pueden tener un gran impacto en la eficiencia de las soluciones No calibrar implica riesgos de: Encontrar soluciones ineficientes Nivel inadecuado de agrupamiento Metas no alcanzadas (soluciones no factibles)

Soluciones factibles Son aquellas que alcanzan todas las metas de conservación Esto se ve en el archivo Acuerde un límite de tolerancia para definir qué meta se alcanza o no:¡¡Marxan es burroo!!!!

Seleccionar soluciones para decisores Compilar datos Establecer costos de las UP Establecer la abundancia (normalizada o no, presencia/ausencia Establecer las metas de conservación (escenarios) Establecer el BLM Establecer el SPF Establecer el # de iteraciones Examinar cumplimiento de metas y costo ¿Agrupamiento adecuado? Examinar patrón espacial No Si Sensibilidad ¿Factible y adecuada? Seleccionar soluciones para decisores Seleccionar soluciones para más análisis No Si

Aspectos críticos para el éxito Amplia participación Conceptualización: Definición de qué queremos seleccionar (¿reservas? ¿AMP en general?) Definición del alcance territorial del estudio Estructuración de objetivos, criterios y metas Definición de la unidad de planificación Datos: Conocer sus limitaciones, compromisos de uso Documentación del proceso y fundamentación de los parámetros de corrida

Análisis de sensibilidad Ayuda a comprender en qué medida los resultados son sensibles a cambios en los datos o en los parámetros de entrada de Marxan Si datos poco confiables están determinando las soluciones ¡¡ELIMINELOS!! Si las soluciones son poco factibles ¡¡¡REVISE LAS METAS, SPF y parámetros de diseño!!!

Parámetros claves a calibrar BLM SPF Iteraciones Número de repeticiones Metas de conservación

Calibración del BLM Quizás la manera más intuitiva de definir el BLM es comenzar con cero e incrementarlo iterativamente Para escoger un valor inicial de BLM observe los intervalos de variación de los costos de las UP y escoja un BLM que compense las diferencias Alternativamente utilice el método de ponderacion para balances multiobjetivos

Ponderacion para balances multiobjetivos Llevar el BLM a 0 y correr Marxan para encontrar la solución menos costosa posible y plotear el costo y la longitud de frontera en un gráfico (punto X) Correr Marxan con BLM 1, SPF=0 para hallar la solución de menor frontera y plotear ésta y el costo (Punto Y). Utilizar la pendiente de la recta XY como BLM y plotee el Pto Z Si la solución resultante con este BLM es demasiado aglomerada o dispersa repita el proceso con las pendientes de YZ o XZ

Ponderacion para balances multiobjetivos Y 5000 4000 Costo 3000 2000 Z X 1000 1.0 2.0 3.0 4.0 5.0 Longitud de frontera

Balance entre costo y compacidad/fragmentación (BLM) Compacidad (BLM) Costo

Calibración del SPF Si es demasiado alto no se encuentran soluciones de bajo costo porque se incluyen demasiadas UP Si es demasiado bajo las metas no se lograrán porque las soluciones tendrán pocas UP El SPF hay que escogerlo para ESCALAR el peso de la penalidad por incumplir las metas respecto al resto de los factores de la función objetivo

Calibración del SPF: un método Defina un SPF arbitrario para todos los OC Corra Marxan configurado para 100 reinicios y 10000 iteraciones Haga una tabla con dos columnas: una con la cantidad de acumulada de soluciones factibles y otra con el costo acumulado de esas soluciones, expresado como % del costo de la solución óptima Haga un gráfico con esos valores Repita el proceso variando el SPF

Ejemplo de calibración del SPF 100 SPF =2 Número acumulado de soluciones SPF =10 50 SPF =20 SPF =200 SPF =20000 100 105 110 115 120 125 Costo (% del óptimo)

Calibración del SPF: ensayo y error Ponga un valor bajo y uniforme de SPF y observe si se cumplen las metas Si no se cumplen vaya aumentando paulatinamente hasta que se cumplan todas Si se cumplen disminúyalo hasta que no se cumplan todas Una vez encontrado un rango de SPF, pruebe a modificar el SPF solo para los OC que no cumplen hasta que encuentre un juego de valores mínimo de SPF en que se cumplan todas las metas

Otros aspectos a considerar: Costo de las UP Se puede definir de diversas maneras: Igual al área (práctica más común) Dando mayor costo a las más degradadas Medida de costo socioeconómico Costo de manejo Si hay actores con intereses divergentes (p. ej. conservacionistas y pescadores) se deben explorar diferentes escenarios de costo Diferentes costos => Nuevas calibraciones

Otros aspectos a considerar: Influencia de la inclusión o exclusión de UP Cada vez que se incluyen o excluyen UPs en el inicio es necesario calibrar nuevamente los parámetros de Marxan Incluir y excluir UP produce soluciones generalmente menos eficientes

Otros aspectos a considerar: Abundancia de objetos de conservación Con grandes diferencias en la distribución de los objetos de conservación, unos pocos dominan las soluciones Se pueden normalizar las abundancias en cada UP como un % de la abundancia total Alternativamente se puede reducir el SPF de los objetos que dominan la solución

Otros aspectos a considerar: Las metas Garantizar que representen con precisión los objetivos Asegurarse de que sean alcanzables Realizar pruebas de sensibilidad para ver los efectos de modificarlas