UNIVERSIDAD NACIONAL AGRARIA LA MOLINA FACULTAD DE INGENIERÍA AGRÍCOLA
INFORME N°012-2018-PRSIG-FIA-UNALM UNIDAD 12 “
ANÁLISIS Y MODELAMIENTO EN SIG
PROFESOR: Enciso Gutiérrez, Antonio Celestino REPRESENTANTE: Arias Zaldívar, Jesús Miguel CURSO: Percepción Remota y SIG CICLO: 2018-1
La Molina, 2018
”
ÍNDICE: ÍNDICE: .................................................................................................................. 2 ÍNDICE DE FIGURAS: ........................................................................................... 3 I.
Marco teórico: .................................................................................................. 4
ANÁLISIS DE DATOS ..................................................... ........................................................................................................................ ................................................................... 4 CONSIDERACIONES PRINCIPALES ......................................................................................... ................................................................................................... .......... 4 1.
MODELAMIENTO GEOGRÁFICO ....................................................... ......................................................................................... .................................. 4
2.
MODELOS DESCRIPTIVOS ....................................................... ................................................................................................... ............................................ 4
3.
MODELOS PREDICTIVOS ......................................................... ..................................................................................................... ............................................ 5
4.
MODELOS DE PONDERACIÓN .......................................................... ............................................................................................ .................................. 5
SUPERPOSICIÓN DE COBERTURAS ................................................................................................. ................................................................................................. 6 ANÁLISIS DE DATOS Y ATRIBUTOS ................................................................................................. ................................................................................................. 9 1.
ANÁLISIS DE DATOS ................................................................ ............................................................................................................ ............................................ 9
2.
ANÁLISIS DE ATRIBUTOS ........................................................ .................................................................................................. .......................................... 10
MODELOS DE SIMULACIÓN ................................................................ .......................................................................................................... .......................................... 12 MODELOS DE PREDICCIÓN ................................................................. ........................................................................................................... .......................................... 12 VALIDACION DE MODELAMIENTOS ............................................................................................. ............................................................................................. 14 II.
BIBLIOGRAFÍA ...............................................................................................16
ÍNDICE DE FIGURAS: Figura N° 1: Representación actual del mundo externo .................................................................... .................................................................... 4 Figura N° 2: Modelo de representación ........................................................................ ............................................................................................. ..................... 4 Figura N° 3: Modelo de representación 2 ..................................................................... .......................................................................................... ..................... 5 Figura N° 4: Modelo Predictivo P redictivo ................................................................................... .......................................................................................................... ....................... 5 Figura N° 5: IDW .............................................................. ................................................................................................................................. ................................................................... 6 Figura N° 6: TIN ............................................................... .................................................................................................................................. ................................................................... 6 Figura N° 7: Superposición o combinación de atributos .......................................................... .................................................................... .......... 7 Figura N° 8: Área total de la nueva dataset ....................................................................................... ....................................................................................... 7 Figura N° 9: Superposición de carreteras y vegetación ..................................................................... 8 Figura N° 10: Superposición de pendientes de suelos y vegetación .................................................. 8 Figura N° 11: Superposición de rásters ............................................................ .............................................................................................. .................................. 8 Figura N° 12: Escala de los datos geográficos, puntos en este caso .................................................. .................................................. 9 Figura N° 13: Auto correlación espacial de los datos espaciales ....................................................... 9 Figura N° 14: Estructuras espaciales ................................................................................................ ................................................................................................ 10 Figura N° 15: Desborde de los datos espaciales............................................................................... espaciales............................................................................... 10 Figura N° 16: Capas de un área específica ....................................................................................... 11 Figura N° 17: Datasets de un área específica 2 ........................................................... ................................................................................ ..................... 11 Figura N° 18: Tabla de Atributos de las capas ingresadas al SIG ...................................................... 11 Figura N° 19: Simulación de procesos mediante algoritmos de información de los MDT ............... 12 Figura N° 20: Distribución Actual A ctual de la Musoraña Ibérica, España .................................................. .................................................. 13 Figura N° 21: Atributos del área evaluada ....................................................................................... ....................................................................................... 13 Figura N° 22: Ejemplo de gráficas y diagramas probabilístico de la especie evaluada .................... 13 Figura N° 23: Distribución futura de la especie de la Musoraña ibérica, España ............................ 14 Figura N° 24: Modelo a Validar 1 ..................................................................................................... 14 Figura N° 25: Modelos a validar 2 .................................................................................................... .................................................................................................... 14 Figura N° 26: Validación del Modelo ArcMap .................................................................................. .................................................................................. 15
I.
Marco teórico:
ANÁLISIS DE DATOS
CONSIDERACIONES CONSIDERACIONES PRINCIPALES
1. MODELAMIENTO GEOGRÁFICO Representación de aspectos geográficos del mundo que nos rodea. Implica definir el tipo de operaciones geográficas que pueden ser empleadas en un análisis para resolver problemas. (Rodríquez, s.f.)
Figura N° 1: Representación actual del mundo externo Fuente: http://geoservice http://geoservice.igac.gov.co/contenidos_tel .igac.gov.co/contenidos_telecentro/fundamentos_sig/c ecentro/fundamentos_sig/cursos/sem_2/uni2/i ursos/sem_2/uni2/index.php?id=2 ndex.php?id=2
2. MODELOS DESCRIPTIVOS La definición de modelo descriptivo se acerca más a la realidad, el cual c ual utiliza, datos estadísticos de síntesis. A partir del modelo descriptivo resulta sencillo establecer un diagnóstico integral. La identificación y evaluación de deficiencias y problemas, en cada uno de los subsistemas, nos permite diseñar una serie de actuaciones que, integradas dentro de un proceso global de planificación, nos conducirá a la consecución del modelo territorial territorial deseado en función de nuestros objetivos. (Rodríquez, s.f.) Un ejemplo es el siguiente:
Figura N° 2: Modelo de representación Fuente: (Olaya, 2014)
Figura N° 3: Modelo de representación 2 Fuente: (Olaya, 2014)
Como se puede observan en las dos figuras anteriores, los datos espaciales se pueden presentar en varios modelos de representación o descriptivos, uno por curvas de nivel, por una malla de celdas regulares, por puntos regulares, por una red de triángulos irregulares, por una malla de celdas, o por un conjunto de líneas, todas ellas representando los mismos valores de datos espaciales. (Olaya, 2014) 3. MODELOS PREDICTIVOS Muchos delos SIG que hoy encontramos en el mercado mercado cuentan con funciones funciones estadísticas muy desarrolladas o, en su efecto, con facilidades de comunicación con paquetes estadísticos, lo que facilita la generación de modelos matemáticos a partir de los cuales es posible realizar predicciones de los procesos. Los modelos predictivos predictivos se incorporan en los procesos de planificación planificación para cubrir tres propósitos hasta la fecha ignorados: predicción y generación de escenarios, análisis de impacto de políticas y actuaciones y generación y/o diseño de políticas de actuación. (Olaya, 201 4)
Figura N° 4: Modelo Predictivo Fuente; https://geoinnova.org/cu https://geoinnova.org/cursos/wp-content/uploads/201 rsos/wp-content/uploads/2013/12/Maxent.pdf 3/12/Maxent.pdf
4. MODELOS DE PONDERACIÓN Para la realización del análisis espacial, y la esquematización de los modelos, se deben recurrir a modelos de ponderación o interpolación para calcular y visualizar las tendencias que los datos espaciales muestran en el área evaluada. Para ello se recurre a las herramientas espaciales para poder esquematizar el modelo espacial a detalle de los datos espaciales. Las herramientas más comunes de ponderación espacial son dos: DISTANCIA INVERSA PONDERADA (IDW)
En el método de ponderación o interpolación IDW, los datos espaciales o puntos de muestreo se ponderan durante la interpolación, de tal manera que la influencia de un punto en relación con otros disminuye con la distancia desde el punto desconocido que se desea crear. (QGIS, s.f.)
Figura N° 5: IDW Fuente: https://docs.qgis.org/2.8 https://docs.qgis.org/2.8/es/docs/gentle_gis /es/docs/gentle_gis_introduction/spatial_analysi _introduction/spatial_analysis_interpolation.html s_interpolation.html
RED IRREGULAR TRIANGULADA (TIN) La interpolación TIN es otra herramienta popular en los SIG. Un algoritmo TIN común es el llamado Triangulación de Delaunay. Este proceso intenta crear una superficie formada por triángulos de puntos vecinos más cercanos. Para ello, se crean circunferencias alrededor de los puntos de muestras seleccionados y sus intersecciones se conectan a una red de triángulos no traslapados y tan compactos como sea posible. (QGIS, s.f.)
Figura N° 6: TIN Fuente: https://docs.qgis.org/2.8 https://docs.qgis.org/2.8/es/docs/gentle_gis /es/docs/gentle_gis_introduction/spatial_analysi _introduction/spatial_analysis_interpolation.html s_interpolation.html
SUPERPOSICIÓN DE COBERTURAS Una de las preguntas más básicas que se hacen sobre un SIG es: ¿qué está encima de qué? ¿Qué uso de suelo se encuentra encima de qué tipo de suelo? ¿Qué pozos están dentro de bases militares abandonadas? ¿Qué carreteras están dentro de qué países? (ArcMap, s.f.) Para responder dichas preguntas los cartógrafos creaban hojas de plásticos transparente y superponían esas hojas en una mesa luminosa para crear el nuevo mapa de los datos superpuestos. s uperpuestos. Sin embargo, actualmente, esto se viene realizando con programas de SIG. (ArcMap, (A rcMap, s.f.) Para ello, en SIG, primero se materializan todos los atributos de la entidades que forman parte de la superposición, donde las parcelas y las zonas inundadas son polígonos, mostradas en la siguiente figura. Mediante la herramienta combinación se pueden superponer para crear un nuevo dataset de polígono, el cual posee los dos rasgos de los atributos superpuestos (combinados). (ArcMap, s.f.)
Figura N° 7: Superposición o combinación de atributos Fuente: http://desktop.arcgis.co http://desktop.arcgis.com/es/arcmap/10.3/analyz m/es/arcmap/10.3/analyze/commonly-used-tools/ove e/commonly-used-tools/overlay-analysis.htm rlay-analysis.htm
Gracias a esta superposición de datos espaciales, se puede calcular el área total de cada tipo de suelo de la zona analizada al seleccionar la zona superpuesta.
Figura N° 8: Área total de la nueva dataset Fuente: http://desktop.arcgis.co http://desktop.arcgis.com/es/arcmap/10.3/analyz m/es/arcmap/10.3/analyze/commonly-used-tools/ove e/commonly-used-tools/overlay-analysis.htm rlay-analysis.htm
También se pueden superponer los límites de una cuenca con una capa de vegetación, o las carreteras según los tipos de vegetaciones de la siguiente figura:
Figura N° 9: Superposición de carreteras y vegetación Fuente: http://desktop.arcgis.co http://desktop.arcgis.com/es/arcmap/10.3/analyz m/es/arcmap/10.3/analyze/commonly-used-tools/ove e/commonly-used-tools/overlay-analysis.htm rlay-analysis.htm
También se pueden superponer las pendientes empinadas de suelos y de la vegetación de un mismo terreno a analizar:
Figura N° 10: Superposición de pendientes de suelos y vegetación Fuente: http://desktop.arcgis.co http://desktop.arcgis.com/es/arcmap/10.3/analyze m/es/arcmap/10.3/analyze/commonly-used-tools/ove /commonly-used-tools/overlay-analysis.htm rlay-analysis.htm
Finalmente, también se puede dar el caso de superponer ráster respecto a otra ráster. Esto lo que hace es sumar el valor de los datos datos espaciales de cada celda del ráster ráster con la otra, obteniendo como resultado final, una combinación de ráster en el cual cada celda de este es la suma de las otras dos superpuestas:
Figura N° 11: Superposición Su perposición de rásters Fuente: http://desktop.arcgis.co http://desktop.arcgis.com/es/arcmap/10.3/analyz m/es/arcmap/10.3/analyze/commonly-used-tools/ove e/commonly-used-tools/overlay-analysis.htm rlay-analysis.htm
ANÁLISIS DE DATOS Y ATRIBUTOS ATRIBUTOS 1. ANÁLISIS DE DATOS Considerar que el dato espacial es un dato cualquiera sin ninguna peculiaridad supone no realizar sobre él un análisis óptimo. Las características propias de los datos espaciales dotan a estos de una gran importancia y potencialidad de análisis, pues estos condicionan o limitan las cantidades de operaciones que podríamos realizar con este. (Anónimo, ( Anónimo, s.f.) Entendemos por lo tanto que por dato espacial es todo aquel dato que tiene asociada una referencia geográfica, de tal modo que se pueda localizar exactamente dónde sucede dentro de un mapa geográfico. Dentro de esta definición se incluyen conceptos como datos de campos (superficies) o datos asociados a objetos como puntos, líneas, o polígonos. (Anónimo, s.f.) A la hora de estudiar la información geográfica, se puede realizar en distintos niveles y, dependiendo del nivel elegido, los resultados serán de una u otra naturaleza. Este hecho es fácil de analizarlo con ejemplos donde se analicen las distintas escalas de los datos geográficos:
Figura N° 12: Escala de los datos geográficos, puntos en este caso Fuente: http://volaya.github.io/li http://volaya.github.io/libro-sig/chapters/Analis bro-sig/chapters/Analisis_espacial.html is_espacial.html
En la imagen anterior, se puede visualizar que los puntos en a) se agrupan en conglomerados en zonas concretas del espacio, mientras que en el b) solo se enfoca uno de los dichos grupos designados en a), no pudiendo visualizar claramente los otros grupos de datos adyacentes a este grupo enfocado. (Anónimo, s.f.)
Figura N° 13: Auto correlación espacial de los datos espaciales Fuente: http://volaya.github.io/li http://volaya.github.io/libro-sig/chapters/Analis bro-sig/chapters/Analisis_espacial.html is_espacial.html
Del mismo modo ocurre con el auto correlación espacial, si los datos se encuentran relacionadas entre sus datos adyacentes a estos, se denominan auto correlación espacial positiva presentada en la figura a); no obstante, cuando presentan una tendencia simétrica entre estas se denominan auto correlación espacial negativa, caso b); pero cuando no presentan ninguna relación entre estas, es
decir, cada dato son independientes, se denominan Ausencia de auto correlación espacial, caso c). (Anónimo, s.f.)
Figura N° 14: Estructuras espaciales Fuente: http://volaya.github.io/li http://volaya.github.io/libro-sig/chapters/Analis bro-sig/chapters/Analisis_espacial.html is_espacial.html
Las estructuras de los datos espaciales es otra propiedad propiedad que ha de ser evaluada, esto para verificar si los datos espaciales usados en el trabajo de SIG realizado son las correctas o no guardan relación para poder procesar y analizar entre estos. Por ejemplo, en el patrón b) los puntos se hallan más agrupados pero distribuidos de manera desigual, mientras que en el a), los puntos o datos espaciales se hallan distribuidos de forma uniforme a lo largo de la extensión de la zona de análisis. Si la auto correlación de los datos espaciales es positiva, la información recogida en el patrón b) es mucho menos representativa ya que se dispone de datos que recogen información en c ierta medida redundante, dejando vacíos para ciertas zonas a analizar, mientras que en el patrón a) existen una buena representación de la zona evaluada. (Anónimo, s.f.)
Figura N° 15: Desborde de los datos espaciales Fuente: http://volaya.github.io/li http://volaya.github.io/libro-sig/chapters/Analis bro-sig/chapters/Analisis_espacial.html is_espacial.html
Un problema al momento de realizar el modelamiento o análisis de datos espaciales es cuando se tiene una limitada información espacial del terreno evaluado. Se recomienda obtener información espacial tanto dentro como fuera de la zona evaluada, ya que al solo tener datos espaciales dentro de la zona, en las regiones limítrofes de esta se tendrá una menor representación confiable de los datos, puesto que al existir vacíos en la zona exterior de la zona evaluada, esta información espacial tendrá dificultad en encontrar un valor concreto para completar la zona faltante, obteniendo como resultados informaciones no confiables en las regiones limítrofes de la zona evaluada. (Anónimo, s.f.) 2. ANÁLISIS DE ATRIBUTOS Un SIG puede modelar información geográfica como un conjunto lógico de capas con sus respectivos atributos descriptivos en ellos. Por ejemplo, estas capas pueden ser: -
Calles representadas como líneas de centro Áreas de uso de suelo que representan vegetación, zonas residenciales y empresariales, etc.
-
Áreas administrativas Masas de agua y ríos Polígonos de parcelas como propiedades pro piedades de terreno Superficie para representar la elevación y el terreno mismo Una fotografía aérea o imagen satelital para un área de interés (ArcGIS, s.f.)
Figura N° 16: Capas de un área específica Fuente: http://resources http://resources.arcgis.com/es/ .arcgis.com/es/help/getting-started/article help/getting-started/articles/026n0000000p00 s/026n0000000p000000.htm 0000.htm
Figura N° 17: Datasets de un área específica 2 Fuente: http://resources http://resources.arcgis.com/es/ .arcgis.com/es/help/getting-started/articles help/getting-started/articles/026n0000000p000 /026n0000000p000000.htm 000.htm
Unas series de atributos o informaciones descriptivas, se tratan de información tabular tradicional utilizada para describir entidades y categorías acerca de los objetos geográficos que contiene cada datset. Estos, en general, están representados como columnas de las l as tablas de atributos de las capas de las figuras, por ejemplo, mencionadas anteriormente. (ArcGIS, s.f.)
Figura N° 18: Tabla de Atributos de las capas ingresadas al SIG Fuente: http://resources http://resources.arcgis.com/es/ .arcgis.com/es/help/getting-started/article help/getting-started/articles/026n0000000p00 s/026n0000000p000000.htm 0000.htm
El análisis de estos atributos nos permite determinar, por ejemplo, la cantidad de área que abarca esa Dataset, el perímetro que esta abarca, el centroide en el eje x e y, el código de representación, etc.
MODELOS DE SIMULACIÓN Un modelo de simulación es aquel modelo que no es esencialmente un modelo estático, sino que representa propiedades que permanecen como valores inmutables y que cambian en el transcurso del tiempo. Su naturaleza digital para este tipo de modelo permite utilizar a los modelos digitales del terreno para realizar procesos de simulación dinámica, con lo que a través de la modelización de objetos, se pueden crear modelos de procesos en este mismo. (Felicisimo, s.f.) Esta modelización de procesos es posible mediante el uso y diseño de algoritmos algo ritmos numéricos. Estos algoritmos crean nuevos modelos digitales de terreno, los cuales son denominados modelos digitales de derivación. (Felicisimo, s.f.)
Figura N° 19: Simulación de procesos mediante algoritmos de información de los MDT Fuente: http://www6.uniovi.es/ http://www6.uniovi.es/~feli/CursoMDT/Tema_1.pdf ~feli/CursoMDT/Tema_1.pdf
La figura anterior muestra el resultado de la simulación de una erupción volcánica, donde do nde las zonas de color muestran la probabilidad de que el flujo de lava pase por cada lugar. La aplicación utilizada para este tipo de modelo de simulación fue una aplicación denominada: FLOWFRONT. (Felicisimo, s.f.)
MODELOS DE PREDICCIÓN Los modelos predictivos, como se explicó anteriormente, son aquellos conjuntos de modelos que nos permiten predecir el comportamiento de otro modelo a futuro, debido a los otros modelajes que generan ese patrón predictivo del modelo evaluado. (Quesada, s.f.) Un ejemplo de ello es por ejemplo, la distribución de una especie “x” a futuro. Para lograr el
modelaje predictivo de la distribución de la especie analizada, debemos tener como datos ingresantes el comportamiento de otros modelos que beneficien y perjudiquen la distribución o expansión de la especie evaluada en un área de análisis, mediante datos georreferenciados en este. (Quesada, s.f.) Primero se empieza con la obtención de la distribución actual de la Musoraña ibérica, España:
Figura N° 20: Distribución Actual de la Musoraña Ibérica, España Fuente: https://geoinnova.org/bl https://geoinnova.org/blog-territorio/indicador-ambiental og-territorio/indicador-ambiental-de-la-distribucion-de-la-musaran -de-la-distribucion-de-la-musarana-iberica-estudioa-iberica-estudiorealizado-con-maxent/
A continuación se presentan por ejemplo, atributos at ributos de datos georreferenciados de altitud, usos de suelo de la especie, pinares, precipitación, temperatura y robledales respectivamente:
Figura N° 21: Atributos del área evaluada Fuente: https://geoinnova.org/bl https://geoinnova.org/blog-territorio/indicador-ambiental og-territorio/indicador-ambiental-de-la-distribucion-de-la-musaran -de-la-distribucion-de-la-musarana-iberica-estudioa-iberica-estudiorealizado-con-maxent/
Frente a estos parámetros, parámetros, se realiza una serie de procesos procesos matemáticos probabilísticos de la expansión futura de esta especie en el software SIG utilizado.
Figura N° 22: Ejemplo de gráficas y diagramas probabilístico de la especie evaluada Fuente: Imágenes de Google
Obteniendo como resultado final la distribución futura de la especie evaluada, que se muestra a continuación:
Figura N° 23: Distribución futura de la especie de la Musoraña ibérica, España Fuente; https://geoinnova.org/bl https://geoinnova.org/blog-territorio/indicador-ambiental og-territorio/indicador-ambiental-de-la-distribucion-de-la-musaran -de-la-distribucion-de-la-musarana-iberica-estudioa-iberica-estudiorealizado-con-maxent/
VALIDACION DE MODELAMIENTOS A medida que se crea un modelo, los datos y herramientas que se agregan y se conectan deben ser validados o comprobados automáticamente para garantizar la validez de los datos existentes usados en los modelos. En el caso del SIG, ArcMap: Se debe ingresar manualmente al modelo haciendo click en ModelBuilder, Ejecutar y luego Validar. Normalmente esto se puede realizar siempre y cuando se tenga un modelo previo, el cual fue creado y modificado anteriormente.
Figura N° 24: Modelo a Validar 1 Fuente: http://desktop.arcgis.com/ http://desktop.arcgis.com/es/arcmap/10.3/analyze es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm /modelbuilder/validating-a-model.htm
Figura N° 25: Modelos a validar 2 Fuente: http://desktop.arcgis.com/ http://desktop.arcgis.com/es/arcmap/10.3/analyze es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm /modelbuilder/validating-a-model.htm
Figura N° 26: Validación del Modelo ArcMap Fuente: http://desktop.arcgis.com/ http://desktop.arcgis.com/es/arcmap/10.3/analyze es/arcmap/10.3/analyze/modelbuilder/validating-a-model.htm /modelbuilder/validating-a-model.htm
La validación devolverá a todos los procesos a su estado preparado para ejecutarse. Si se valida un modelo y alguno de los procesos cambia de estado no preparado para ejecutarse, significa que uno o más parámetros de la herramienta modelada no son válidos o apropiados para la cadena de los modelos creados, en este caso, se debe revisar y corregir ese valor de la variable impuesta a modelar.
II.
BIBLIOGRAFÍA
Anónimo. (s.f.). volaya.github.io. volaya.github.io. Obtenido de Conceptos básicos para el análisis espacial: http://volaya.github.io/libro-sig/chapters/Analisis_espacial.html ArcGIS. (s.f.). resources.arcgis.com. resources.arcgis.com. Obtenido de Tabla de atributos, análisis: http://resources.arcgis.com/es/help/getting-started/articles/026n0000000p000000.htm ArcMap. (2015). desktop.arcgis.com. desktop.arcgis.com. Obtenido de Validar un Modelo de SIG: http://desktop.arcgis.com/es/arcmap/10.3/analyze/modelbuilder/validating-amodel.htm ArcMap. (s.f.). desktop.arcgis.com. desktop.arcgis.com. Obtenido de Análisis de superposición: http://desktop.arcgis.com/es/arcmap/10.3/analyze/commonly-used-tools/overlayanalysis.htm ArcMap. (s.f.). desktop.arcgis.com. desktop.arcgis.com. Obtenido de Ponderaciones espaciales: http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/spatialweights.htm Felicisimo, A. (s.f.). uniovi.es. uniovi.es. Obtenido de Conceptos básicos, modelos y simulación: http://www6.uniovi.es/~feli/CursoMDT/Tema_1.pdf Olaya, V. (2014). Sistemas de Informaicón Geográfica. QGIS. (s.f.). docs.qgis.org. docs.qgis.org. Obtenido de Análisis Espacial (Interpolación): https://docs.qgis.org/2.8/es/docs/gentle_gis_introduction/spatial_analysis_interpolation. html Quesada, L. (s.f.). geoinnova.org. geoinnova.org. Obtenido de INdicador ambiental de la distribuci´n de la musoraña ibérica: https://geoinnova.org/blog-territorio/indicador-ambiental-de-ladistribucion-de-la-musarana-iberica-estudio-realizado-con-maxent/ Rodríquez, J. (s.f.). rua.ua.es. rua.ua.es. Obtenido de Los sistemas de información i nformación geográfica: Una herramienta de análisis en los estudios de impacto ambiental (EIA): https://rua.ua.es/dspace/bitstream/10045/2725/10/cap10.pdf