Proyectando hacia el futuro: El programa Dinámica EGO

Dinámica EGO [1] es un programa libre creado para para el análisis ambiental y la dinámica de paisajes, que permite la creación de tendencias futuras a partir de un auto-entrenamiento utilizando situaciones previas en distintos momentos temporales. La plataforma permite la creación de modelos a través de una interfaz gráfica en la que se incorporan las funciones de cálculo (functors), los datos iniciales (mapas y tablas) y los resultados (mapas, tablas y pesos o “weights”) mediante los conectores de sus puertos (Figura 1). Dinámica EGO tiene implementados unos motores de cálculo que permiten maximizar los recursos de hardware (procesado en paralelo, memoria, …).

Su principal uso se basa en la aplicación de diversas funciones de cálculo relacionadas con los cambios de las cubiertas superficiales y los usos del suelo, así como una parte del análisis de paisajes del que dispone la plataforma. De esta forma se genera un modelo con una gran flexibilidad en las variables que inciden en el cambio según el territorio analizado. El modelo resultante, una vez calibrado, permitirá el análisis y la propuesta de un escenario futuro de los cambios ocurridos a lo largo del tiempo en los usos del suelo o los paisajes.

Los resultados del análisis de tendencias futuras permiten también su aplicación para evaluar las posibles incidencias ambientales de las mismas. Algunos ejemplos de análisis ambientales utilizando el resultado pre-establecido con Dinámica se relacionan con el estudio de de distintos escenarios como la deforestación [2, 3], los cambios recientes de usos del suelo y cambio climático [4, 5, 6] y también la evaluación de procesos relacionados con los recursos hídricos {7,8,9].

 

[1] Ferreira, B.M, Soares Filho, B.S, Pereira, F.M.Q. 2019. The Dinamica EGO Virtual Machine. Science of Computer Programming. Doi: https://doi.org/10.1016/j.scico.2018.02.002

[2] Ghilardi, A., Bailis, R., Mas, J.-F., Skutsch, M., Elvir, J.A., Quevedo, A., Masera, O., Dwivedi, P., Drigo, R., Vega, E., 2016. Spatiotemporal modeling of fuel wood environmental impacts: Towards improved accounting for non-renewable biomass. Environ. Model. Softw. 82, 241–254. Doi. https://doi.org/10.1016/j.envsoft.2016.04.023

[3] Jaramillo-Giraldo, C., Soares Filho, B., Carvalho Ribeiro, S.M., Gonçalves, R.C., 2017. Is It Possible to Make Rubber Extraction Ecologically and Economically Viable in the Amazon? The Southern Acre and Chico Mendes Reserve Case Study. Ecol. Econ. 134, 186–197. Doi. https://doi.org/10.1016/j.ecolecon.2016.12.035

[4] Ahmed, S., Bramley, G., 2015. How will Dhaka grow spatially in future?-Modelling its urban growth with a near-future planning scenario perspective. Int. J. Sustain. Built Environ. 4, 359–377.

[5] Maeda, E., Pellikka, P., Siljander, M., J.F. Clark, B., 2010. Potential impacts of agricultural expansion and climate change on soil erosion in the Eastern Arc Mountains of Kenya. https://doi.org/10.1016/j.geomorph.2010.07.019

[6] Troupin, D., Carmel, Y., 2016. Landscape patterns of development under two alternative scenarios: Implications for conservation. Land Use Policy 54, 221–234. https://doi.org/10.1016/j.landusepol.2016.02.008

[7] Lima, L.S., Coe, M.T., Filho, B.S.S., Cuadra, S.V., Dias, L.C.P., Costa, M.H., Lima, L.S., Rodrigues, H.O., 2014. Feedbacks between deforestation, climate, and hydrology in the Southwestern Amazon: implications for the provision of ecosystem services. Landsc. Ecol. 29, 261–274. https://doi.org/10.1007/s10980-013-9962-1

[8] Veerbeek, W., Pathirana, A., Ashley, R., Zevenbergen, C., 2015. Enhancing the calibration of an urban growth model using a memetic algorithm. Comput. Environ. Urban Syst. 50, 53–65. https://doi.org/10.1016/j.compenvurbsys.2014.11.003