In pacoalonso/alonsaRp: Miscelaneous utilities

Vamos a ver como utilizar con R un conjunto de funciones que nos permiten hacer evaluación multicriterio con datos espaciales desde R. Las funciones son:

• EMC_var2crit Para convertir variables en criterios
• EMC_pesos_criterios Para calcular los pesos de los diversos criterios
• EMC_combinacion Para calcular la adecuación con el método de combinación lineal
• EMC_topsis Para calcular la adecuación con métodos de distancia al punto ideal

Librería y datos

library(alonsaRp)

Creamos la matriz de alternativas que contiene 4 alternativas para 3 criterios (pendiente, distancia a un espacio natural y distancia a una carretera en kilómetros:

variables <-data.frame(cbind(c(18, 10, 14, 8),
                          c(4, 8, 2, 3),
                          c(22, 28, 18, 30)))

names(variables) <- c("Pendiente", "Espacio", "Carretera")

date cuenta de que la orden {\tt cbind} "pega" columnas para formar una matriz.

Obtención de los criterios

La función EMC_var2crit permite convertir variables en criterios pasándole un vector con los valores de la variable, y otro con los valores del criterio, correspondientes a un gráfico que relaciona ambos como los siguientes.

par(mfrow=c(1,3))
plot(c(0,20,90),c(100,0,0), type="l", xlab="Pendiente (grados)",ylab="Criterio de pendiente", cex.axis=1.4,cex.lab=1.4)
plot(c(0,10,50),c(0,100,100), type="l", xlab="Distancia a espacio natural", ylab="Criterio de distancia a espacio", cex.axis=1.4,cex.lab=1.4)
plot(c(0,32,50),c(100,0,0), type="l", xlab="Distancia a carretera (km)",ylab="Criterio de distancia a carretera", cex.axis=1.4,cex.lab=1.4)

En cada caso puedes ver cuales son los puntos de inflexión. Vamos a crear un data.frame para los criterios copiándolo del de las variables

criterios <- variables
criterios[,1] <-EMC_var2crit(variables[,1], var=c(0,20,100), cri=c(100,0,0))
criterios[,2] <-EMC_var2crit(variables[,2], var=c(0,10,100), cri=c(0,100,0))
criterios[,3] <-EMC_var2crit(variables[,3], var=c(0,32,100), cri=c(100,0,0))
variables
criterios

Obtenemos los pesos

Vamos a obtener los pesos por el método de clasificación:

pesos1 <- EMC_pesos_criterios(names(criterios))
pesos1

tasación simple a partir de un vector que mide al importancia de los diferentes criterios:

pesos2 <- EMC_pesos_criterios(names(criterios), importancia=c(100,50,40))
pesos2

y jerarquía analítica a partir de la matriz de comparación por pares:

mcp <- rbind(c(1,3,7),
             c(1/3,1,5),
             c(1/7,1/5,1))
mcp

pesos3 <- EMC_pesos_criterios(names(criterios), matriz=mcp)
pesos3

Cálculo de adecuación

Con estos resultados ya podemos obtener la adecuación para cada alternativa con combinación lineal. Vamos a utilizar los pesos obtenidos con el procedimiento de jerarquía analítica. Como la función correspondiente devuelve varias cosas, es necesario especificar cual de ellas contiene los pesos:

EMC_combinacion(criterios, w=pesos3$w)

A continuación obtenemos la adecuación mediante técnicas basadas en la distancia al punto ideal:

EMC_topsis(criterios, w=pesos3$w)

Con capas raster

Para hacer algo similar con capas raster deberás cargar las capas de las variables con la función raster de la librería raster desde ficheros GeoTiff o Img. Una vez que las tengas, deberás pasarlas a un objeto SpatialGridDataFrame llamado capas.

El slot data del objeto capas será un data.frame similar a variables, aunque con muchas más filas, con el que puedes calcular la adecuación.

Para añadir los resultados de adecuación a capas basta con que escribas, por ejemplo:

capas$adecuacion <- EMC_combinacion(criterios, w=pesos3$w)

pacoalonso/alonsaRp documentation built on May 17, 2020, 9 a.m.