5.2.4 Usos de la metodología del Proceso de Análisis Jerárquico para la toma de decisiones en el entorno de los Sistemas de Información Geográfica.

Olivas (2006), para definir la aptitud de áreas para el establecimiento de plantaciones forestales, evaluó tres técnicas de modelación cartográfica multicriterio: álgebra booleana, AHP y AHP–lógica difusa.

La Figura 14 muestra la jerarquización general realizada como parte del planteamiento del problema para la identificación de áreas aptas para el establecimiento de plantaciones forestales reportada por Olivas (2006). En la Figura 14 PP es la precipitación, T. MIN es la temperatura mínima, T.MAX es temperatura máxima, pH es la reacción del suelo, PROF es la profundidad del suelo, TEX es la textura del suelo, ALT es altitud y PEND es la pendiente del terreno.

Una vez construido el modelo jerárquico, se realizan comparaciones en pares entre dichos elementos (criterios, subcriterios y alternativas) en una matriz de comparación y se atribuyen valores numéricos (pesos) a las preferencias señaladas por las personas involucradas (expertos), entregando una síntesis de las mismas mediante la agregación de esos juicios parciales.

En el Cuadro 7 se muestra la matriz de comparación pareada con los valores para estandarizar el subcriterio precipitación en el análisis de la aptitud para Pinus durangensis (Olivas, 2006).

Olivas (2006), concluye que para efectos de planificación, se deben considerar los resultados con aptitud alta y media, que fueron obtenidos mediante el AHP, debido a que esta técnica es más selectiva en la definición de las áreas con aptitud alta, con relación a las otras técnicas implementadas. Posteriormente, se pueden considerar los resultados obtenidos mediante AHP–Lógica difusa y finalmente los de álgebra booleana.

Ceballos (2002), aplicó la EMC en un ambiente de SIG, para identificar la importancia de cada uno de los criterios en el rendimiento de los cultivos y la técnica de función de membresía en la lógica difusa (fuzzy), para estandarizar los mapas factor e identificar áreas aptas para cultivos en el DDR 04 Toluca, México, considerando variables relevantes de clima, suelo y relieve y los cultivos maíz, papa, avena, haba, amaranto y nopal.

En el Cuadro 8 se muestran los criterios y los pesos asignados en la comparación pareada a partir de datos reportados por Ceballos (2002) en maíz.

En el Cuadro 9 se muestra el cálculo del vector de prioridades para maíz (a partir de datos reportados por Ceballos, 2002). Obsérvese los valores relativos altos para la temperatura mínima, el índice P/E y la textura del suelo.

En el Cuadro 10 se muestra el cálculo del índice de consistencia, a partir de los datos reportados por Ceballos (2002) para la matriz de comparación de maíz.

Como se observa en el Cuadro 10, más que el índice de consistencia, lo que mide o evalúa la consistencia en los juicios de comparación es la razón de consistencia (CR), la cual resulta de:

CR = IC/IR.

En este ejemplo el índice de consistencia es menor que 0.10, e indica que los pesos asignados a los criterios son consistentes. Así, el AHP permite llevar a cabo el análisis de sensibilidad, para interpretar los cambios que podrían surgir respecto a las preferencias (Toskano, 2005). Dado que en el ejemplo anterior el índice de consistencia fue menor que 0.10, no es necesario hacer ningún cambio en los pesos asignados.

En la investigación de Ceballos (2002), de acuerdo con el vector de prioridades, el factor más importante para la producción de maíz en la región del DDR 004 de Toluca, México, según la metodología del AHP, es la temperatura mínima (5.8 ºC) con 39.5% de la importancia relativa, le sigue el índice P/E con 23.0% de la importancia y luego la textura del suelo con 13.8%.