Reporte de cálculo de métricas del paisaje

Se hizo un análisis de métricas del paisaje para 25 parques de la Ciudad de México, utilizando el paquete landscapemetrics. Se usó el producto de la clasificación supervisada del paso anterior, con las coberturas reclasificadas en agua, arbórea, asfalto, construído y pasto.

library(landscapemetrics)
library(knitr)
library(terra)
library(dplyr)

parques = vect("~/papers_y_tesis/A_RESPALDARparques_marisela/parques_nuevos.gpkg")
clases = rast("~/papers_y_tesis/A_RESPALDARparques_marisela/clasificacion_2023_agosto_rf.tif")

clases[clases[] %in% c(4,5,6)] = 4
clases = droplevels(clases)

id_clases = data.frame(
  value = c(1, 2, 3, 4, 7),
  cover = c("agua", "arbórea", "asfalto", "construído", "pasto")
)

levels(clases) = id_clases

Antes del cálculo de las métricas se revisa que la imagen tif de la clasificación esté correcta para los procesos (Tabla 1):

Tabla 1: Total de puntos por cobertura

check_landscape(clases)

  layer       crs units   class n_classes OK
1     1 projected     m integer         5  ✔

Las métricas calculadas están en la (Tabla 2):

metricas = data.frame(lsm_fun = c("lsm_c_enn_mn", "lsm_c_ca", "lsm_c_te", "lsm_c_np"), 
           solicitud = c("Distancia euclideana promedio entre parches más cercanos",
                         "Cobertura de bosque", 
                         "Longitud de borde",
                         "Número de parches"),
           unidades = c("m", "ha", "m", "none" )) 


knitr::kable(metricas)

Tabla 2: Métricas utilizadas

lsm_fun	solicitud	unidades
lsm_c_enn_mn	Distancia euclideana promedio entre parches más cercanos	m
lsm_c_ca	Cobertura de bosque	ha
lsm_c_te	Longitud de borde	m
lsm_c_np	Número de parches	none

En la Figura 1 y Figura 2 se aprecian los radios de 900 m a partir del punto central de cada parque.

par(mfrow = c(4,4))
for(i in 1:16) { 
crop(clases, terra::buffer(parques[i,], 900)) |> 
  mask( terra::buffer(parques[i,], 900)) |> 
  plot(main = paste0( parques$Parques[i], ", 900m"), cex.main = .8, legend = F )
}

Figura 1: Parques usados para el análisis

par(mfrow = c(4,4))
for(i in 17:25) { 
  crop(clases, terra::buffer(parques[i,], 900)) |> 
    mask( terra::buffer(parques[i,], 900)) |> 
    plot(main = paste0( parques$Parques[i], ", 900m"), cex.main = .8, legend = F )
}

Figura 2: Parques usados para el análisis

Las métricas del paisaje fueron calculadas a 100, 200, 300, …, 900 m a partir del punto central de cada parque (Tabla 3).

buffers = seq(100, 900, by = 100 )
parks_lsm = vector(mode = "list", length = length(buffers))
names(parks_lsm) = paste0("b_", buffers)
for(i in buffers){ 
lsm_buff = vector(mode = "list", length = 2) # solo 2 parques para el html de quarto 
names(lsm_buff) = parques$Parques[1:2]       #
for(j in  seq_along(parques)[1:2]){          #
  temp = crop(clases, terra::buffer(parques[j,], i)) |> 
    mask( terra::buffer(parques[j,], i)) 
  tempdf = bind_rows(
    lsm_c_enn_mn(temp), 
    lsm_c_ca(temp), 
    lsm_c_te(temp), 
    lsm_c_np(temp)
    )
  lsm_buff[[parques$Parques[j]]] = tempdf
  }
 parks_lsm[[paste0("b_", i)]] = bind_rows(lsm_buff, .id = "parque")
}

parks_lsm_b = bind_rows(parks_lsm, .id = "buffer")

parks_lsm_b = parks_lsm_b |>
  left_join(id_clases, by = c("class" = "value"))

#parks_lsm_b |>
#  write.csv("parques_lsm_planet.csv", row.names = FALSE)

parks_lsm_b |> head() |> kable()

Tabla 3: Ejemplo del resultado de métricas del paisaje

buffer	parque	layer	level	class	id	metric	value	cover
b_100	Alameda del Sur	1	class	2	NA	enn_mn	22.36068	arbórea
b_100	Alameda del Sur	1	class	3	NA	enn_mn	60.00000	asfalto
b_100	Alameda del Sur	1	class	4	NA	enn_mn	30.19804	construído
b_100	Alameda del Sur	1	class	7	NA	enn_mn	NA	pasto
b_100	Alameda del Sur	1	class	2	NA	ca	2.81000	arbórea
b_100	Alameda del Sur	1	class	3	NA	ca	0.08000	asfalto

Figura 1: Parques usados para el análisis Figura 2: Parques usados para el análisis