La modelación de sistemas dinámicos se refiere a la representación matemática de un conjunto de elementos u objetos que cambian en el tiempo. Típicamente se utilizan para anticipar las consecuencias de ciertas acciones sin tener que intervenir directamente en el sistema real. En el proyecto MEGADAPT, el objetivo de la modelación de sistemas dinámicos es simular el comportamiento de los componentes biofísico-infraestructurales del sistema socio-ecológico de la Ciudad de México. En total, se implementaron cinco modelos: crecimiento urbano, escorrentía, encharcamientos e inundaciones, escasez de agua y riesgos para la salud. El resultado de la modelación de sistemas dinámicos alimenta la Modelación Basada en Agentes a través de capas (mapas) digitales.
Modelo de Escorrentía
Este modelo simula el escurrimiento superficial de las 244 subcuencas altas en la periferia de la Ciudad de México. Cada subcuenca se dividió hasta en seis bandas de elevación para estimar el escurrimiento acumulativo generado por la heterogeneidad de la precipitación, la evapotranspiración y la cobertura vegetal. Este modelo funciona con base en la curva numérica (CN) del método SCS-CN desarrollado por el Servicio de Conservación de Suelos de Estados Unidos. El cálculo de la escorrentía integra las siguientes variables: tipo de suelo, uso del suelo, cobertura vegetal, precipitación y evapotranspiración potencial. Las fuentes de datos del modelo son: para tipo de suelo, uso de suelo y cobertura vegetal, la serie VI y la capa edafológica del INEGI (estos datos se organizaron según la clasificación edafológica de la Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO]); para precipitación, evapotranspiración y temperatura para el periodo 1993-2013, el procedimiento descrito en Livneh et al. (2015). Para generar las series de tiempo de precipitación y evapotranspiración para el futuro se utiliza el método delta, que es la diferencia de las variables del clima entre las condiciones actuales y las proyectadas tomando en cuenta el cambio climático. Para calcular los valores de la curva numérica proyectados al 2060 utilizamos los mapas de urbanización generados por el modelo de crecimiento urbano para reclasificar la capa de uso de suelo y vegetación. Referencias:
Livneh, B., Bohn, T. J., Pierce, D. W., Munoz-Arriola, F., Nijssen, B., Vose, R., Cayan, D. R., & Brekke, L. (2015). A Spatially Comprehensive, Hydrometeorological Data Set for Mexico, the U.S., and Southern Canada 1950–2013. Scientific Data, 2. https://doi.org/10.1038/sdata.2015.42
Modelo de Crecimiento Urbano
Este modelo simula el crecimiento urbano de la Zona Metropolitana de la Ciudad de México a través de la implementación de SLEUTH, un software de libre distribución basado en autómatas celulares y desarrollado en el National Center for Geographic Information and Analysis para simular cambios de uso de suelo. Este modelo integra las siguientes variables: cobertura urbana, pendiente, red de carreteras y zonas no urbanizables.
Las fuentes de datos del modelo son: para cobertura urbana, las series I a la IV de uso de suelo y vegetación del Instituto Nacional de Estadística y Geografía (INEGI); para pendiente, el modelo digital de elevación del INEGI; para la red de carreteras, el Atlas de Comunicaciones y Transportes, en las secciones correspondientes a la Ciudad de México, Hidalgo y Estado de México, de la Secretaría de Comunicación y Transporte (SCT); y para las zonas no urbanizables, las capas digitales de Áreas Naturales Protegidas estatales y federales de CONANP, de hidrografía del INEGI y de humedales de la CONANP, así como la Red de Canales de Xochimilco y Tláhuac. La implementación de este modelo requiere del ajuste previo de sus parámetros, lo que se denomina calibración, para lograr que las predicciones de crecimiento urbano de la Ciudad de México sean lo más cercanas a la realidad. El modelo emplea parámetros distintos para reflejar la heterogeneidad de la urbanización histórica en distintos puntos de la zona metropolitana. De este modo, la calibración de estos parámetros se basa en datos obtenidos en trece subregiones. Los resultados del modelo representan tres escenarios distintos de urbanización: sin restricciones, tendencia actual y apego estricto a la normatividad. Para cada uno de estos escenarios se contemplan los contextos de desarrollo tanto con la construcción del Nuevo Aeropuerto Internacional de la Ciudad México como sin ella.
Modelo de Riesgos para la Salud
Este modelo simula la incidencia de enfermedades (casos por cada 1,000 habitantes) en la Ciudad de México mediante la aplicación de dos modelos de regresión espacial, uno para las zonas bajas (susceptibles a inundaciones) y otro para las zonas altas (con carencia de agua potable).
Las variables que integra el modelo, por Área Geoestadística Básica (AGEB), son: proporción de viviendas sin conexión a la red de drenaje, proporción de viviendas sin conexión a la red de agua potable, proporción de viviendas sin excusados, proporción de viviendas con piso de tierra, proporción de población menor de edad, nivel de hacinamiento, nivel de educación, índice de ingreso (poder adquisitivo), número de puestos de comida en la calle, número de alcantarillas, probabilidad de encharcamientos y número de casos por tipo de patógeno.
Se obtuvieron datos sobre la distribución de las enfermedades gastrointestinales, factores de riesgo socio-hidrológico y variables socioeconómicas y localización de las AGEB de la Ciudad de México. Luego se calculó el grado de relación entre la heterogeneidad espacial de factores físicos y socioeconómicos asociados a los riesgos socio-hidrológicos (inundación y escasez de agua) y la distribución espacial de las enfermedades gastrointestinales. Finalmente, se aplicaron estadísticas espaciales y análisis de regresión multivariada a los datos de enfermedades gastrointestinales en dos períodos de tiempo: 2007-2009 y 2010-2014 (Baeza, 2018). Las fuentes de datos del modelo son: para las primeras ocho variables, el Censo Nacional de Población y Vivienda 2010 del INEGI; para el número de puestos de comida en la calle y el número de alcantarillas, el portal de datos abiertos de la Ciudad de México, para la probabilidad de encharcamientos, la base de datos Encharcamientos 2007-2014 de SACMEX; para el número de casos por tipo de patógeno, la información proporcionada por la Secretaría de Salud del gobierno federal. Referencias:
Baeza, A., Estrada-Barón, A., Serrano-Candela, F., Bojórquez, L. A., Eakin, H., & Escalante, A. E. (2018). Biophysical, Infrastructural and Social Heterogeneities Explain Spatial Distribution of Waterborne Gastrointestinal Disease Burden in Mexico City. Environmental Research Letters13.6, 064016. https://doi.org/10.1088/1748-9326/aac17
Modelo de Encharcamientos e Inundaciones
Este modelo simula la frecuencia anual de encharcamientos e inundaciones por AGEB en la Ciudad de México. Las variables que integra son: capacidad de desalojo y frecuencia de encharcamientos e inundaciones por evento de lluvia. Esta última se obtiene de los escenarios de inundación pluvial desarrollados por el Instituto de Ingeniería de la UNAM bajo la coordinación del Dr. Eduardo Reinoso. Dichos escenarios simulan el tirante (profundidad) de encharcamientos e inundaciones causados por tormentas, considerando diferentes niveles de eficiencia de desalojo del drenaje (0%, 30%, 70% y 100%). Estos resultados se transforman en frecuencias de encharcamientos e inundaciones por AGEB, por año, para cada tipo de tormenta. La ocurrencia de éstas a lo largo del periodo de simulación se calcula aleatoriamente con base en el periodo de retorno correspondiente.
Modelo de Escasez de Agua
El modelo de escasez de agua simula las deficiencias en el abastecimiento de agua en cada una de las AGEB de la Ciudad de México. La escasez de agua se calcula a través de un índice que toma valores entre 0 y 1. Las variables que integra el índice son: densidad de población por AGEB, proporción de zonas críticas por AGEB, número de cisternas por alcaldía, ingreso per cápita por delegación, promedio de días sin agua por AGEB, presión hidráulica por AGEB, cantidad de pozos por AGEB, proporción de viviendas habitadas sin conexión a la red de agua potable por AGEB y antigüedad de la infraestructura por AGEB. Las fuentes de datos del modelo son: para la densidad de población por AGEB inicial, el Censo de Población y Vivienda 2010 de INEGI ajustado al 2017 según las tasas de crecimiento por localidad del Consejo Nacional de Población (CONAPO); para la proporción de zonas críticas por AGEB, la base de datos de colonias con menos de 4 horas de agua al día de SACMEX; para el número de cisternas y el ingreso total por delegación, los datos de la Encuesta Intercensal 2015 del INEGI; para el promedio de días sin agua, los reportes de falta de agua de SACMEX del año 2017; para la presión hidráulica, una estimación realizada mediante una función que relaciona la elevación de cada AGEB y su distancia con respecto a la entrada del Sistema Cutzamala; para el número de pozos por AGEB, la base de datos de caudal de los pozos de abastecimiento para los años 2010-2017 proporcionada por SACMEX; para la proporción de viviendas habitadas sin conexión a la red de agua potable, el Censo de Población y Vivienda 2010; para la antigüedad de la infraestructura, una estimación basado en datos históricos de crecimiento urbano, para definir zonas homogéneas para los siguientes periodos: anterior a 1950, 1951-1982, 1983-1998, 1999-2010, y 2010-2015.
Modelos Mentales
Para obtener los modelos mentales de los actores implicados en la gestión del agua en la Ciudad de México, se diseñó un protocolo de visitas, entrevistas, cuestionarios y elaboración de representaciones gráficas. Las entrevistas se basan en el método que proponen Morgan et al. en Risk Communication: A Mental Model Approach. Se hicieron guías para orientar a los entrevistadores, procurando que las preguntas influyeran lo menos posible en las respuestas, dado que la intención era obtener respuestas espontáneas y honestas. Se realizaron entrevistas a representantes de los residentes y del gobierno de la ciudad. Las entrevistas a gobierno se dividieron en tres grupos: local (alcaldías Xochimilco, Iztapalapa y Magdalena Contreras), Ciudad de México (SACMEX), y federal (CONAGUA). Cada entrevista se transcribió y codificó.
Dado que las entrevistas describen la percepción de los riesgos socio-hidrológicos en los términos de cada individuo, fue necesario homogeneizar el lenguaje mediante la creación de un diccionario de términos. En este diccionario se compendiaron las sinonimias con base en el significado semántico de los términos. A partir de esta homogeneización, se formaron comunidades de términos que expresan relaciones entre pares de términos. Por ejemplo, la comunidad de términos “asentamientos humanos regulares e irregulares” agrupa ideas como “falta de drenaje”, “crecimiento urbano”, “escasez de agua”, etcétera. Estas comunidades de términos se obtuvieron mediante un análisis de frecuencias realizado en el software Map Equation, con el cual se obtuvo el número de veces que los actores se refirieron a cada relación entre términos. Los resultados se ordenaron de mayor a menor para denotar su prevalencia en el conjunto de todos los modelos mentales. Cada comunidad de término se puede considerar como un narrativa común en el discurso de la ciudad, o un modelo mental compartido.
Los modelos mentales extraídos en el proyecto MEGADAPT capturan las narrativas comunes a todos los actores sociales implicados en el problema de los riesgos socio-hidrológicos. Al determinarse la frecuencia con la que cada comunidad de términos aparecía, se identificaron las narrativas compartidas entre los diversos actores. Esta información fue fundamental en la creación de escenarios de gobernanza en MEGADAPT y para la generación de reglas de decisión de los autómatas geográficos (el Modelo Basado en Agentes).
Referencias
Cone, J., Winters, K., (2011) Mental models interviewing for more-effective communication. Oregon Sea Grant (Ed.), Oregon State University, Corvallis, Oregon.
Morgan, M.G., Fischhoff, B., Bostrom, A., Atman, C.J. (2002) Risk Communication: A Mental Models Approach. Cambridge University Press, Cambridge.
Siqueiros-García, J.M., Lerner, A.M., Eakin, H., Hernandez, B. (2019) A standardization process for mental model analysis in social-ecological systems. Environmental Modelling & Software 112, 108-111.
Eakin, H., Siqueiros-García, J.M., Hernández-Aguilar, B., Shelton, R., Bojórquez-Tapia, L.A. (2019) Mental Models, meta-Narratives, and solution pathways associated with socio-hydrological risk and response in Mexico City. Frontiers in Sustainable Cities 1:4
Lerner, A. M.; Eakin, H. C.; Tellman, E.; Bausch, J. C., & Hernández Aguilar, B. (2018). Governing the gaps in water governance and land-use planning in a megacity: The example of hydrological risk in Mexico City. Cities 83, 61-70.
Análisis de Decisión Multicriterio (MCDA)
El análisis de decisión multicriterio (MCDA por sus siglas en inglés) es una herramienta bien establecida de la teoría de decisión que identifica rigurosamente contextos específicos de criterios de decisión a través del involucramiento de los actores. Típicamente, los problemas con múltiples criterios no tienen una única mejor solución, por ello, en el análisis de decisión multicriterio, las preferencias de los tomadores de decisiones forman parte del proceso de solución (Lootsma, 1999 cited by Bausch, Bojórquez and Eakin 2014). El análisis de decisión multicriterio ofrece una amplia colección de técnicas y procedimientos para la estructuración de problemas de decisión, y para el diseño, la evaluación y la priorización de decisiones alternativas.
En el proyecto MEGADAPT se usa el Proceso Analítico Reticular (ANP; Saaty 2001), un método establecido en el Análisis de Decisión Multicriterio, para construir con los participantes un modelo de vulnerabilidad de los efectos que más les preocupan, los criterios sobre los que se basan para tomar decisiones, y las decisiones que son más proclives a seguir para hacer frente a su vulnerabilidad (Eakin and Bojórquez-Tapia 2008; Bojórquez-Tapia et al. 2011; Mazari-Hiriart et al. 2006). Este método permite traducir las preferencias cualitativas (ejemplo, "las amenazas por inundaciones son más importantes para mí que tener acceso al agua potable") en criterios cuantitativos (ejemplo, "la frecuencia de exposición a las inundaciones"), objetivos y alternativas de decisión (ejemplo, "dejar la comunidad"). Los talleres permiten formalizar las estrategias de decisión y las preferencias de los perfiles asociados con diferentes actores y agentes, los cuales pueden ser utilizados en un Modelo Basado en Agentes. Referencias:
Saaty, T. L., & Vargas, L. G. (2012). Models, methods, concepts & applications of the hierarchy process (Vol. 175). Springer Science & Business Media. Bausch, Julia C., Luis Bojórquez-Tapia, and Hallie Eakin. "Agro-environmental sustainability assessment using multicriteria decision analysis and system analysis." Sustainability science 9.3 (2014): 303-319.
Eakin, H., and L. A. Bojórquez-Tapia. 2008. Insights into the composition of household vulnerability from multicriteria decision analysis. Global Environmental Change 18: 112-127.
Bojórquez-Tapia, L., Luna-Gonzales, L., Cruz-Bello, G.M., Gomez-Priego, B., Juarez- Marusich, L., and I. Rosas-Perez. 2011. Regional environmental assessment for multiagency policy making: Implementing an environmental ontology through GIS-MCDA. Environment and Planning B: Planning and Design 38(3):539-563.
Lootsma FA (1999) Multi-criteria decision analysis via ratio and difference judgement. Kluwer Academic Publishers, Dordrecht.
Modelación Basada en Agentes (MBA)
La Modelación Basada en Agentes (MBA) es un tipo de modelo computacional que permite crear unidades (agentes) autónomas que interactúan entre sí y con el ambiente, con base en reglas de comportamiento que definen y diferencian a cada unidad. Los agentes pueden representar, por ejemplo, una persona, un grupo de personas (un hogar), o una organización (formal o informal). Independientemente de los agentes elegidos, la MBA pretende representar las decisiones de los actores y las reglas que definen esas decisiones, así como las consecuencias resultantes para otros actores y para el ambiente. A partir de las interacciones entre los actores, las cuales usualmente ocurren de manera simultánea, se observa la emergencia de dinámicas distintas a las acciones y dinámicas propias de los actores individuales.
Entre los beneficios de la MBA se encuentra su flexibilidad para definir y programar a los agentes, lo que permite representar comportamientos y acciones con un gran nivel de detalle y así, crear ambientes de alta complejidad. Esta flexibilidad en la programación de los agentes también permite definir múltiples interacciones de los agentes con la tecnología, la ecología y las dinámicas físicas del ambiente bajo estudio y así, crear escenarios más realistas y útiles para la toma de decisiones.
En el proyecto MEGADAPT se utiliza la MBA para crear dos agentes: las autoridades de gestión del agua y los residentes vulnerables. La representación de estos dos actores nos permite evaluar los cambios en la inversión económica realizada por el gobierno de la Ciudad de México a través del tiempo. Estos cambios se miden con base en dos factores: el estado de la infraestructura de la ciudad y la respuesta a la presión social ejercida por los residentes vulnerables. Para cada grupo de actores, realizamos consultas con los tomadores de decisiones clave, tanto representantes del gobierno encargados de la gestión del agua (a nivel federal, regional y local), como residentes de áreas particularmente vulnerables a la escasez de agua e inundación, en tres alcaldías afectadas frecuentemente por estos riesgos.
Seguimos un proceso que involucra obtener modelos mentales, criterios de decisión y alternativas de decisión a través de entrevistas, grupos focales, y talleres participativos. Con este modelo seremos capaces de estimar la influencia de las interacciones de acciones individuales y colectivas en la producción de vulnerabilidad en la megalópolis. Referencias
Baeza, A., Bojorquez-Tapia, L.A., Janssen, M.A., Eakin, H. (2019) Operationalizing the feedback between institutional decision-making, socio-political infrastructure, and environmental risk in urban vulnerability analysis. Journal of Environmental Management 241, 407-417.
Bojórquez-Tapia, L., Janssen, M.A., Eakin, H., Baeza-Castro, A., Serrano-Candela, F., Gomez-Priego, P., Miquelajauregui, Y. (2019) Spatially-explicit simulation of two-way coupling of complex socio-environmental systems: Socio-hydrological risk and decision making in Mexico City. Socio-Environmental Systems Modelling 1.