Tutorial completo: Downscaling geográfico ponderado (GWR) para una variable bioclimática

Este tutorial describe paso a paso cómo realizar downscaling geográfico utilizando Geographically Weighted Regression (GWR) para una variable bioclimática (por ejemplo BIO1). Está orientado a usuarios que trabajan con datos climáticos y desean obtener capas refinadas a escala fina (30 m) a partir de capas gruesas (~1 km).

1. Introducción al GWR para Downscaling Climático

El downscaling estadístico permite refinar la resolución espacial de variables climáticas utilizando predictores locales (topografía, pendiente, radiación, etc.).
El método GWR (Geographically Weighted Regression) modela la relación entre clima y topografía permitiendo que los coeficientes varíen espacialmente:

[ Y_i = \beta_0(u_i,v_i) + \beta_1(u_i,v_i) X_{1,i} + \beta_2(u_i,v_i) X_{2,i} + \ldots + \varepsilon_i ]

Esto lo convierte en una de las mejores técnicas para zonas montañosas.

2. Librerías necesarias

library(terra)
library(sf)
library(spgwr)
library(dplyr)
library(ggplot2)

3. Datos necesarios

• Variable bioclimática coarse (ej.: BIO1).
• Modelo de elevación digital (DEM) a 30 m.
• Predictores derivados: pendiente, aspecto, etc.

4. Cargar datos raster

bio_coarse <- rast("bio1_coarse.tif")
dem        <- rast("dem_30m.tif")

# Asegurar mismo CRS
dem <- project(dem, bio_coarse)

5. Crear predictores topográficos

slope  <- terrain(dem, opt="slope", unit="degrees")
aspect <- terrain(dem, opt="aspect", unit="degrees")
elev   <- dem

6. Convertir la variable coarse a puntos

bio_pts <- as.points(bio_coarse)
names(bio_pts) <- "bio"

Extraer predictores:

bio_df <- extract(c(elev, slope, aspect), bio_pts, bind=TRUE)

7. Selección óptima del ancho de banda

bw <- gwr.sel(bio ~ elev + slope + aspect,
              data = bio_df,
              coords = st_coordinates(bio_df))
bw

8. Ajuste del modelo GWR

gwr_mod <- gwr(bio ~ elev + slope + aspect,
               data = bio_df,
               coords = st_coordinates(bio_df),
               bandwidth = bw,
               hatmatrix = TRUE)

9. Predicción a resolución fina (30 m)

Crear stack de predictores:

pred_stack <- c(elev, slope, aspect)

Convertir raster a puntos:

pred_pts <- as.points(pred_stack)
pred_df  <- as.data.frame(pred_pts)

Extraer coeficientes del GWR:

coefs <- gwr_mod$SDF

b0 <- coefs$`(Intercept)`
b1 <- coefs$elev
b2 <- coefs$slope
b3 <- coefs$aspect

Predicción:

pred_df$bio_pred <- b0 +
                    b1 * pred_df$elev +
                    b2 * pred_df$slope +
                    b3 * pred_df$aspect

Volver a raster:

bio_30m <- rast(pred_df, type="xyz",
                crs = crs(dem),
                extent = ext(dem))

10. Guardar resultados

writeRaster(bio_30m, "bio1_30m_gwr.tif", overwrite=TRUE)

11. Evaluación del desempeño

Comparación visual:

plot(c(bio_coarse, bio_30m))

Comparación punto a punto:

vals <- extract(bio_30m, bio_pts)

plot(vals$bio_30m, bio_df$bio,
     xlab="BIO1 downscaled",
     ylab="BIO1 original coarse")
abline(0,1,col="red")

12. Advertencias importantes

• No extrapolar fuera del rango altitudinal.
• Evitar multicolinealidad en predictores (VIF < 5).
• El bandwidth controla suavidad vs. sobreajuste.
• Aspecto puede ser circular → usar seno/coseno si es necesario.

13. Extensiones opcionales

Agregar predictores como:

• Curvatura
• Radiación solar
• Rugosidad
• TWI, TRI

Ejemplo:

curv <- terrain(dem, "flowdir")
rug  <- terrain(dem, "roughness")

📘 **Autor:** Eduardo Fuentes-Lillo   🧩 **Proyecto:** Curso SENCE-IEB — Gestión y modelamiento de datos de biodiversidad   📅 **Actualizado:** Octubre 2025