Nueva metodología para el diseño de índices de calidad ambiental basada en extensiones difusas de funciones de transformación

New methodology based on fuzzy extensions of transformation functions for the design of environmental quality indexes

El propósito de este artículo es presentar una metodología nueva y rigurosa, basada en el concepto de extensión difusa de una función de transformación para el diseño de índices de calidad ambiental. Una extensión difusa es una generalización de una función clásica extendida al campo de los conjuntos difusos en R. Las funciones de transformación se utilizan para convertir los valores que toman los indicadores ambientales en un emplazamiento, en sus contribuciones al índice de calidad ambiental. Para diseñar el índice de calidad ambiental se define un conjunto de atributos que debe incluir todos los factores significativos en lo concerniente a la calidad ambiental objeto de valoración. Para cuantificar cada atributo se selecciona un indicador ambiental, junto con su rango de valores. A continuación, se define una extensión difusa para cada indicador ambiental. Seguidamente, se calcula una matriz de comparación por pares de las importancias relativas de los atributos, a partir de la cual se determina su correspondiente vector de prioridades normalizado. Los valores que toman los indicadores en el emplazamiento objeto de estudio se describen en términos difusos, y la contribución difusa al índice de calidad ambiental se obtiene como la imagen del valor del indicador a través de la extensión difusa de la función de transformación. El valor difuso del índice de calidad ambiental es el resultado de agregar las contribuciones difusas, teniendo en cuenta sus importancias relativas. Finalmente, por desborrosificación del valor difuso del índice de calidad ambiental, se calculan los estimadores clásicos, puntual y de intervalo del índice de calidad ambiental.

Introducción

Matemática difusa y lógica difusa constituyen herramientas de utilidad para el tratamiento de información afectada de incertidumbre. Tal es el caso del campo medioambiental, en el que frecuentemente se trabaja con información imprecisa y que, en muchas ocasiones, conlleva una carga importante de subjetividad. Por tal motivo, la aritmética difusa así como la inferencia difusa han sido aplicadas con éxito durante los últimos años en distintos tipos de valoraciones medioambientales, como son: la evaluación de los impactos ambientales de actividades o proyectos (Duarte, 2000; Peche, 2006; Peche y Rodríguez, 2009; Kaya y Kahraman, 2011; Peche y Rodríguez, 2011; Sánchez, 2015; Wieland y Gutzler, 2014; Zulueta et al., 2016); los modelos de ayuda de toma de decisiones en reciclado de residuos (Nasiri y Huang, 2008); la clasificación de residuos peligrosos (Musee et al., 2008); la evaluación de la calidad de suelos recuperados (Kaufmann et al., 2009); la gestión de áreas protegidas (Prato, 2009); la valoración y análisis de riesgos ambientales (Hu et al., 2016; Martins et al., 2016); las alternativas de reducción de contaminación acústica (Ruiz Padillo et al., 2016); y valoraciones agrícolas (Sami et al., 2014).

En particular, la lógica difusa también ha sido aplicada al desarrollo de índices destinados a cuantificar la calidad ambiental, ya sea en algún aspecto particular, o con un enfoque más generalista. Así, se han desarrollado índices destinados a valorar la sostenibilidad de la energía nuclear (Abouelnaga et al., 2010), las consecuencias ambientales asociadas a sustancias tóxicas o peligrosas en industrias químicas (Arunraj y Maiti, 2009), la calidad del agua (Gharibi et al., 2012), y en particular de aguas de ríos (Lermontov et al., 2009), las condiciones ambientales (Marchini et al., 2009), la sostenibilidad de sistemas de energía renovable (Liu et al., 2012), o la monitorización ambiental (Stroppiana et al., 2009). Igualmente, la lógica difusa también ha permitido desarrollar metodologías destinadas al diseño de índices de calidad ambiental (Peche y Rodríguez, 2012) o índices de calidad dinámica de suelos agrícolas (Rodríguez et al., 2016).