ana justel

8/16/2019 Ana Justel

1/89


2/89

Propuestas de una estadística moderna enestudios relacionados con el cambioclimático

Ana Justel - Universidad Autónoma de Madrid Ana Justel - Universidad Autónoma de Madrid

En los últimos años la estadística se enfrenta a la necesidad de desarrollar nuevosEn los últimos años la estadística se enfrenta a la necesidad de desarrollar nuevosmétodos paramétodos para extraer la información rápida y eficazmente de grandes bases deextraer la información rápida y eficazmente de grandes bases dedatos, pero también que nos permitan aprender de datos problemáticos y escasosdatos, pero también que nos permitan aprender de datos problemáticos y escasos En esta conferencia se presentarán varios problemas reales, relacionados con indicadores para el estudio del cambioclimático, que en la mayoría de los casos han motivado el desarrollo de nuevos procedimientos estadísticos. Muchos

de los trabajos tienen su origen en el análisis de los datos registrados en la Antártida por el equipo del proyectoLimnopolar, uno de los lugares donde las condiciones de trabajo son más e tremas por el aislamiento, la dificultad deacceso y la meteorología. Los problemas estadísticos que trataremos incluyen el concepto de tendencia para datos

funcionales en el estudio de series de temperaturas en la regi!n de la "enínsula Antártica, aprovechando datos#defectuosos$ y escasos. %luster de series temporales para agrupar países con intereses comunes frente a loscompromisos del "rotocolo de &yoto. 'elecci!n de variables en análisis cluster para identificar diferencias en las

pautas de consumo el(ctrico de los hogares. )etecci!n de cambios de variabilidad en series de temperaturas parapredecir indirectamente el momento en que se congela*descongela un lago antártico, y así estimar el n+mero de días

con actividad biol!gica. Estimaci!n robusta de parámetros relacionados con la presencia de especies comobioindicadores. Análisis de la varian a para seleccionar indicadores de impacto en áreas protegidas de la Antártida.


3/89

1.1. Cluster de series temporales paraCluster de series temporales para agrupar países con interesesagrupar países con interesescomunes frente a los compromisos del Protocolo de Kyotocomunes frente a los compromisos del Protocolo de Kyoto

2.2. Selección de variables en análisis cluster paraSelección de variables en análisis cluster para identificaridentificar diferencias en las pautas de consumo eléctrico de losdiferencias en las pautas de consumo eléctrico de loshogareshogares

3.3. Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio deseries de temperaturas en la región de la Penínsulaseries de temperaturas en la región de la PenínsulaAntárticaAntártica , aprovechando datos “defectuosos” y escasos, aprovechando datos “defectuosos” y escasos

.. !etección de cambios de variabilidad en series temporales para!etección de cambios de variabilidad en series temporales parapredecir indirectamente el momento en que sepredecir indirectamente el momento en que secongela/descongela un lago antártico, y estimar el númerocongela/descongela un lago antártico, y estimar el númerode días con actividad iológicade días con actividad iológica

".". #stimación robusta de parámetros relacionados con la#stimación robusta de parámetros relacionados con la presenciapresenciade especies como ioindicadoresde especies como ioindicadores

$.$. %nálisis de la varian&a para seleccionar%nálisis de la varian&a para seleccionar indicadores de impactoindicadores de impactoen áreas protegidas de la Antártidaen áreas protegidas de la Antártida


4/89

Seriestemporales

Análisismultivariante

Pro lemas estadísticosPro lemas estadísticos

!luster de series temporales para agrupar!luster de series temporales para agruparpaíses con intereses comunes frente a lospaíses con intereses comunes frente a loscompromisos del Protocolo de Kyotocompromisos del Protocolo de Kyoto


5/89


"elección de varia les en análisis cluster"elección de varia les en análisis clusterpara identificar diferencias en las pautas depara identificar diferencias en las pautas deconsumo eléctrico de los hogaresconsumo eléctrico de los hogares

Seriestemporales


Datosfuncionale

s


6/89


!oncepto de tendencia para datos funcionales!oncepto de tendencia para datos funcionales

en el estudio de series de temperaturas en laen el estudio de series de temperaturas en laregión de la Península Antártica, aprovechandoregión de la Península Antártica, aprovechandodatos #defectuosos$ y escasosdatos #defectuosos$ y escasos

Datosfuncionale

s

Seriestemporales



7/89


%etección de cam ios de varia ilidad en series%etección de cam ios de varia ilidad en seriestemporales para predecir indirectamente eltemporales para predecir indirectamente elmomento en que se congela/descongela unmomento en que se congela/descongela un

lago antártico, y estimar el número de días conlago antártico, y estimar el número de días conactividad iológicaactividad iológica

Robustez

Seriestemporales


Datosfuncionale

s


8/89


&stimación ro usta de parámetros&stimación ro usta de parámetrosrelacionados con la presencia derelacionados con la presencia deespecies como ioindicadoresespecies como ioindicadores

Seriestemporales


Datosfuncionale

sRobustez


9/89


Análisis de la varian'a paraAnálisis de la varian'a paraseleccionar indicadores de impactoseleccionar indicadores de impactoen áreas protegidas de la Antártidaen áreas protegidas de la Antártida

Análisisde la

varianza

Seriestemporales


Datosfuncionale

sRobustez


10/89


Seriestemporales


Datosfuncionale

sRobustez

Análisisde la

varianza


11/89

!luster de series temporales asado!luster de series temporales asadoen densidades de predicciónen densidades de predicción

Andrés () AlonsoAndrés () AlonsoUniversidad Carlos III de Madrid Universidad Carlos III de Madrid

*osé +amón errendero*osé +amón errenderoUniversidad Autónoma de Madrid Universidad Autónoma de Madrid

Adolfo -ernánde'Adolfo -ernánde'Universidad Complutense de Madrid Universidad Complutense de Madrid

Ana *ustelAna *ustelUniversidad Autónoma de Madrid Universidad Autónoma de Madrid

1.1. Cluster de series temporales paraCluster de series temporales para agrupar países con interesesagrupar países con interesescomunes frente a los compromisos del Protocolo de Kyotocomunes frente a los compromisos del Protocolo de Kyoto


12/89

Emisiones de CO 2 en 24 países industrializados

. servamos los datos históricos de emisiones de !. yqueremos clasificar en grupos o #!01"2&+"$#!01"2&+"$ a los países

Planteamiento del problemaPlanteamiento del problema


13/89

&l o 3etivo de las técnicas estadísticas de A4506"6"A4506"6"!01"2&+ !01"2&+ o de !.470.(&+A%."!.470.(&+A%." es identificar gruposde individuos con características comunes a partir de lao servación de varias varia les en cada uno de ellos

&sta técnica no de e ser confundida con el análisisdiscriminante y los métodos de asignación, que partende un conocimiento previo de los grupos 8seguimientode pacientes sometidos que reci en tratamiento oplace o9



14/89

1n !01"2&+ !01"2&+ es un grupo de individuos que, cuando ladimensión lo permite, el o3o humano identifica comohomogéneos entre sí y separados de los individuos delos otros clusters



15/89

(étodos para encontrar clusters(étodos para encontrar clusters

!luster 3erárquico)!luster 3erárquico) "e parte de tantos clusters comodatos tiene la muestra y en cada paso se van 3untandodos clusters siguiendo algún criterio especificado,hasta o tener un único cluster con todos los datos

!riterios de optimi'ación)!riterios de optimi'ación) Producen una partición delos o 3etos en un número especificado de grupossiguiendo un criterio de optimi'ación) &l más conocido

es k k :(&%6A":(&%6A"&n general, se usca -.(.7&4&6%A%-.(.7&4&6%A% dentro de los 'ruposdentro de los 'rupos y -&2&+.7&4&6%A%-&2&+.7&4&6%A% entre 'ruposentre 'rupos



16/89


;Podemos utili'ar las técnicas ha ituales del análisis;Podemos utili'ar las técnicas ha ituales del análisismultivariante para encontrar los clusters


17/89

( Procedimientos cluster tradicionales ignoran laestructura de autocorrelación de la serie y noproporcionan uenos resultados

( 4ecesidad de desarrollar nuevos procedimientos

cluster para series temporales( Algunos tra a3os previos se asan en los modelos

que generan las o servaciones, o en el último datoo servado

( &l pro lema se complica mucho más con "&+6&""&+6&"2&(P.+A0&" (1026=A+6A42&"2&(P.+A0&" (1026=A+6A42&" , cuando o servamosmás de una varia le para cada individuo a lo largo deltiempo



18/89


. servamos "&+6&" 2&(P.+A0&" (1026=A+6A42&""&+6&" 2&(P.+A0&" (1026=A+6A42&" yqueremos clasificarlas en grupos o #!01"2&+"$#!01"2&+"$

ProyectamosProyectamosen el futuroen el futuro

X X X

X X X

n

T p

n

T

n

T

T pT T

)(

,

)(

,2

)(

,1

)1(

,

)1(

,2

)1(

,1

-

-

.n/

0,0

.0/

0,0

--/n.

,0p

/n.

,01

---

---

n

h2p

n

h21

n

h20

0

h2p

0

h21

0

h20

ˆˆˆ

ˆˆˆ

)(

,

)(

,

)(

,

)(

,

)(

,

)(

,

+++

+++


19/89

&n muchas situaciones en la vida real, estamosinteresados en las P+&%6!!6.4&"P+&%6!!6.4&" en un momentoespecífico del futuro

0os resultados, en general, serán diferentesserán diferentes


Futuro

Modelo Presente


20/89

&n muchas situaciones en la vida real, estamosinteresados en las P+&%6!!6.4&"P+&%6!!6.4&" en un momentoespecífico del futuro


3uente4 Manuel 5ui , 6AM

!a)i *illa'e, China

Dam construction


21/89

;Por qué clusters de predicciones


22/89

Además, nuestro método se asa en clasificar las

series por las distancias entre las %&4"6%A%&" %& 0A"%&4"6%A%&" %& 0A"P+&%6!!6.4&"P+&%6!!6.4&" , no sólo en la predicciones puntuales)

&sto permite distinguir entre situaciones donde laspredicciones puntuales son similares, pero las

densidades completas proporcionan más información)



23/89

PA". >)PA". >) !alcular las densidades de predicción

PA". )PA". ) !alcular la matri' de discrepancias entre lasseries 8usando las densidades de predicción9

PA". ?)PA". ?) Aplicar análisis cluster tradicional

Metodología para clasificar series temporalesMetodología para clasificar series temporales


24/89

PA". >)PA". >) !alcular las densidades de predicción

A) "i no asumimos ninguna distri ución para los datosnecesitamos usar métodos de remuestreo 8#sieve

ootstrap$9 para calcular la densidad de predicción

) !on el ootstrap e@traemos " valores de ladistri ución de la predicción en el momento específicodel futuro que nos interesa

!) &stimamos la densidad de la predicción aplicandométodos no paramétricos a los " valores ootstrap


#e puede desarrollar una versi!n m$s sencilla de implementarasumiendo normalidad o basando la a rupaci!n en predicciones

puntuales


25/89


&squema del procedimiento ..2"2+AP&squema del procedimiento ..2"2+AP


26/89

PA". )PA". ) !alcular la matri' de discrepancias 8 D9

A) Para cada par de series calculamos la distancia %2 entre las funciones de densidad de las predicciones


) &stimamos cada distancia con , que se calcula apartir de los estimadores no paramétricos de lasestimadores no paramétricos de lasdensidades de prediccióndensidades de predicción usando la muestra depredicciones ootstrap

!) -emos pro ado que es estimador consistente de D ij

%)-emos hecho unas simulaciones para comparar D ij y


27/89

PA". ?)PA". ?) Aplicar análisis cluster tradicional

A) 0a matri' de discrepancias o tenida se utili'a como

input de un procedimiento cluster) 0os métodos 3erárquicos se pueden e3ecutar

conociendo sólo la (A2+6 de %6"!+&PA4!6A"(A2+6 de %6"!+&PA4!6A" , losque se asan en criterios de optimi'ación no nos

sirven



28/89

>) &nlace sencillo 8single linBage98single linBage9 C unir por la distanciaal individuo más cercano del grupo

) &nlace promedio 8average linBage98average linBage9 C unir por la mediade las distancias a todos los individuos del grupo

?) &nlace completo 8complete linBage98complete linBage9 C unir por ladistancia al individuo más ale3ado del grupo

D) )))

!riterios para unir grupos en métodos 3erárquicos!riterios para unir grupos en métodos 3erárquicos



29/89

%endograma%endograma0os clusters están representados mediante tra'oshori'ontales y las etapas de la fusión mediante tra'osverticales


2ests formales, intuición 8conocimiento del pro lema9;!uántos cluster hay


30/89

6mpone límites en las emisiones de !. y otros cincogases, #responsa les$ del calentamiento glo al)

4egociado en Kyoto en >EEF, entra en vigor en GGH conla ratificación de +usia 8cuando es aceptado por lospaíses responsa les del HHI de las emisiones a nivelmundial9)

&l o 3etivo es reducir al menos un HI 8respecto de losniveles de >EEG9 antes de G> , pero con o 3etivosdistintos según regiones 81& JI, *apón I9

Aplicamos la técnica de !01"2&+ PA+A "&+6&"!01"2&+ PA+A "&+6&"2&(P.+A0&"2&(P.+A0&" para crear grupos de países con interesescomunes que puedan compartir e@periencias o políticaspara alcan'ar las reducciones comprometidas

Protocolo de KyotoProtocolo de Kyoto

El caso de las emisiones de COEl caso de las emisiones de CO 22


31/89

Protocolo de KyotoProtocolo de Kyoto #misiones de C-2 1 $/ 1 #misiones de C-2 1 $/ 10oneladas0oneladas per capita per capita#n 2 pa ses industriali&ados#n 2 pa ses industriali&ados



32/89


33/89

!asado en el dato de "###!asado en el dato de "###


!asado en la densidad de la predicción de $%"$!asado en la densidad de la predicción de $%"$


34/89


35/89

Protocolo de KyotoProtocolo de Kyoto Cluster con el ltimo dato o con Cluster con el ltimo dato o conlas predicciones4las predicciones4



36/89

"elección de varia les para análisis"elección de varia les para análisisclustercluster

+icardo Lraiman+icardo LraimanUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina


(arcela "varc(arcela "varcUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina

2.2. Selección de variables en análisis cluster paraSelección de variables en análisis cluster para identificaridentificar diferencias en las pautas de consumo eléctrico de los hogaresdiferencias en las pautas de consumo eléctrico de los hogares

Data source: Cuesta–Albertos and Fraiman (2006)


37/89

!onsumo eléctrico en JJ hogares argentinos!onsumo eléctrico en JJ hogares argentinos

"e miden E varia lesC"e miden E varia lesC consumo de electricidad enintervalos de 1" minutos en un d a M %atos funcionalesM %atos funcionales

Cuesta5%lbertos y 6raiman 72//$8 encuentran dos clusterscon un m9todo " " medias para datos funcionalesmedias para datos funcionales

#l primer cluster tiene 33 ho'ares, y el se'undo ""


38/89


39/89

0rataremos de eliminar variables> ##+16%."A"$+16%."A"$ ,, ;ue son las no informativasy?o> +&%14%A42&"+&%14%A42&" , ;ue no aportan información;ue no este contenida en otras variables

"elección de varia les"elección de varia les


40/89

1.1. #ncontrar los 'rupos con#ncontrar los 'rupos conun m9todo clusterun m9todo cluster

2.2. Seleccionar las variablesSeleccionar las variables

&&'()E*+ -./)E*0'()E*+ -./)E*0M(todo de selecci!n de variablesM(todo de selecci!n de variables

=roponemos un m9todo@ consistente estadísticamenteconsistente estadísticamente no paramétricono paramétrico

fácil de usarfácil de usar

El m todo cluster esbueno

El m todo cluster enerauna partici!n del espacio


41/89

- p t i m i & i n '

c r i t e r i a

- p t i m i & i n '

c r i t e r i a

A i e r a r c h i c a l

A i e r a r c h i c a l c l u s t e r i n '

c l u s t e r i n '

K-medias


42/89

Cuando se elimina la información de las variables

“ruidosas”. #speramos ;ue 4. !A( 6&44. !A( 6&4 los clusterslos clusters

"&0&!!6O4 %& =A+6A 0&" #AL2&+$ !01"2&+ "&0&!!6O4 %& =A+6A 0&" #AL2&+$ !01"2&+

&los datos se $uedan en la misma partición'

Ba CB%*# está en tener en cuenta ;ueCB%*# está en tener en cuenta ;ue la partición sela partición sedefine en el espacio de varia les original,define en el espacio de varia les original, as ;uepara reasi'nar los datos a los cluster no puedo eliminarvariables aun;ue sean ruidosas

&4 017A+ %& &06(64A+ =A+6A 0&" %& &(."&4 017A+ %& &06(64A+ =A+6A 0&" %& &(." #%&"A!26=A+0A"$ #%&"A!26=A+0A"$

=robamos a clasificar sólo con las variables de todos lossu con3untos posi lessu con3untos posi les y ele'imos el OP26(.C másOP26(.C máspequeNo y que más e@pliquepequeNo y que más e@plique


43/89


44/89

+esultados con datos simulados+esultados con datos simulados

#l m9todo para seleccionar variables funciona muy bien#l m9todo para seleccionar variables funciona muy bienpara eliminar variables ruidosas, pero es incapa& depara eliminar variables ruidosas, pero es incapa& de

detectar variables con información redundante.detectar variables con información redundante.


45/89

&3emplo con datos simulados&3emplo con datos simulados

Data source: Tadesse, Sha and Vannucci (200 )


46/89

Ba e)tensión más natural es cambiar (&%6A"(&%6A" por(&%6A" !.4%6!6.4A0&"(&%6A" !.4%6!6.4A0&"

&l me3or predictor de&l me3or predictor de X X

i i asado en lasasado en lasvaria les delvaria les delsu con3untosu con3unto

&liminar varia les redundantes&liminar varia les redundantes

#n la practica, calculamos la media condicional conuna re'resión no param9trica ;ue hace uso de la

información local, de un n mero de =&!64." (5"=&!64." (5"!&+!A4."!&+!A4." ;ue tenemos ;ue fi


47/89

Data source: Tadesse, Sha and Vannucci (200 )

(étodo asado en la(étodo asado en lamedia condicionalmedia condicional

&3emplo con datos simulados&3emplo con datos simulados


48/89

#l m9todo basado en la (&%6A !.4%6!6.4A0(&%6A !.4%6!6.4A0 sirvepara eliminar las variables #+16%."A"$#+16%."A"$ y las +&%14%A42&"+&%14%A42&" , pero re;uiere

#l m9todo basado en la (&%6A (A+764A0(&%6A (A+764A0 es mássimple.

7 Dn tamaEo muestral 'rande para calcular laesperan&a condicionada

7 #le'ir el n mero adecuado de vecinos máscercanos, ;ue es un problema sin resolver

7 Fucho esfuer&o computacional


49/89


50/89


51/89


52/89

Bos intervalos no sombreadosBos intervalos no sombreadoscorresponden a las variablescorresponden a las variables

seleccionadasseleccionadas

( Madrugada &()** a +)**'Madrugada &()** a +)**', Ma-ana &.)** a /)**', Ma-ana &.)** a /)**', 0arde &1 )** a 1/)**', 0arde &1 )** a 1/)**', 3oc#e &21)** a 2+)**', 3oc#e &21)** a 2+)**'

!onsumo de electricidad M %atos funcionales!onsumo de electricidad M %atos funcionales


53/89

adru adaadru ada(*+,, a 4+,,)(*+,, a 4+,,)

Data source: Cuesta–Albertos and Fraiman (2006)

a-anaa-ana(.+,, a /+,,)(.+,, a /+,,)

0arde0arde(1 +,, a 1/+,,)(1 +,, a 1/+,,)

3oc e3oc e(21+,, a 24+,,)(21+,, a 24+,,)

!onsumo de electricidad M %atos funcionales!onsumo de electricidad M %atos funcionales


54/89

Ba información redundanteBa información redundante, especialmente de tarde ynoche, ;ueda resumidaresumida con el al'oritmo de la mediaal'oritmo de la media

condicional con " HHcondicional con " HHCuando aceptamos al'unos errores de clasificación, sereduce la eficiencia y de


55/89

33 Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio de


56/89

4ociones de tendencia para series de4ociones de tendencia para series dedatos funcionalesC Aplicación al estudiodatos funcionalesC Aplicación al estudiodel calentamiento glo al en la Antártidadel calentamiento glo al en la Antártida

+icardo Lraiman+icardo LraimanUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina


Pamela 0lopPamela 0lopUniversidad 3acional del 4itoral! ArgentinaUniversidad 3acional del 4itoral! Argentina

3.3. Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio deseries de temperaturas en la región de la Península Antárticaseries de temperaturas en la región de la Península Antártica ,,aprovechando datos “defectuosos” y escasosaprovechando datos “defectuosos” y escasos


57/89


58/89

2emperaturas registradas en la ase Antártica2emperaturas registradas en la ase Antártica

&spaNola *uan !arlos 6 8 A&:*!69&spaNola *uan !arlos 6 8 A&:*!69


59/89




60/89




61/89


62/89


63/89


64/89

)A28' %89 :92E5"8LA%:;9 #shape preserving$

/eason/eason 1ercentage of1ercentage ofobserved dataobserved data

(irst observed(irst observeddatadata

-ast observed-ast observeddatadata


65/89

observed dataobserved data datadata datadata

0*0


66/89

Estadístico " de tendencia de funcionesEstadístico " de tendencia de funciones

/e define como el vector de rangos medios en cada instante

-/E linear-/E lineartrendtrend


67/89

*obust*obustlinear trendlinear trend




68/89

7on parametric7on parametrictrendtrend




69/89

Estadístico $ de tendencia de funcionesEstadístico $ de tendencia de funciones

ada con8unto de barras corresponde a una curva y cuenta elnúmero de veces a lo largo del tiempo en que el rango es ", $, 9, "5


70/89

Estadístico $ de tendencia de funcionesEstadístico $ de tendencia de funciones

/e define para cada curva

se puede interpretar como un vector de &rango0 de las curvas

.. !etección de cambios de variabilidad en series temporales para!etección de cambios de variabilidad en series temporales parad i i di ld i i di l


71/89

%inámica del comportamiento de los%inámica del comportamiento de loslagos de la Antártida en tres aNos conlagos de la Antártida en tres aNos condiferentes condiciones climáticasdiferentes condiciones climáticas

Antonio QuesadaAntonio Quesada >>,,Antonio !amachoAntonio !amacho ,,&duardo Lernánde':=aliente&duardo Lernánde':=aliente >>,,!arlos +ochera!arlos +ochera , Ana *ustel, Ana *ustel >>,,(anuel 2oro(anuel 2oro ?? , &ugenio +ico, &ugenio +ico >>,,(anuel aNón(anuel aNón DD

11 Universidad Autónoma de Madrid Universidad Autónoma de Madrid 22 Universidad de 5alenciaUniversidad de 5alencia(( CE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento++Instituto 3acional de MeteorologíaInstituto 3acional de Meteorología

predecir indirectamente el momento en que sepredecir indirectamente el momento en que secongela/descongela un lago antártico, y estimar el númerocongela/descongela un lago antártico, y estimar el númerode días con actividad iológicade días con actividad iológica


72/89

0ago 06(4 P 0A+0ago 06(4 P 0A+


73/89

0ago 06(4.P.0A+ 0ago 06(4.P.0A+


74/89


75/89

!uando el lago está congelado se estima!uando el lago está congelado se estimaun incremento del > >I con respecto alun incremento del > >I con respecto alvolumen normal del lagovolumen normal del lago


76/89



77/89

1tili'ación del fitoplacton como indicador1tili'ación del fitoplacton como indicadoriológico para la evaluación de laiológico para la evaluación de la

eutrofi'ación en los em alses espaNoleseutrofi'ación en los em alses espaNoles

de especies como ioindicadoresde especies como ioindicadores

!arlos 4uNo!arlos 4uNoCE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento

!aridad -oyos!aridad -oyosCE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento



78/89

UTILIZACIÓN DEL FITOPLACTON COMO INDICADOR BIOLÓGICO PARA LA EVALUACIÓN DEUTILIZACIÓN DEL FITOPLACTON COMO INDICADOR BIOLÓGICO PARA LA EVALUACIÓN DELA EUTROFIZACIÓN EN LO EMBAL E E PA!OLELA EUTROFIZACIÓN EN LO EMBAL E E PA!OLE

%. 96D8, %. )E 8F8', A. G6'2EL

Óptimos y rangos de toleranciade especies fitoplactónicas


79/89

u I J óptimo de la especie It I J tolerancia de la especie IKiI J abundancia de la especie I en la muestra i

L i J ma'nitud de la variable ambiental estudiada en la muestra i

∑∑

=

==n

iik

n

iiik

k

y

x yu

1

1 ( )2

1

1 1

2!−= ∑ ∑

= =

n

i

n

iik k ik ik k yu x yt


80/89



81/89

(edición del impacto de la actividad(edición del impacto de la actividadhumana en los suelos de una onahumana en los suelos de una ona&specialmente Protegida de la Antártida&specialmente Protegida de la Antártida

de especies como ioindicadoresde especies como ioindicadores

Pa lo 2e3edoPa lo 2e3edo >>,,Ana *ustelAna *ustel ,,&ugenio +ico&ugenio +ico >>,,*avier enayas*avier enayas >>,,Antonio QuesadaAntonio Quesada ??

11 6epartamento de Ecología! UAM 6epartamento de Ecología! UAM 22 6epartamento de Matem9ticas! UAM 6epartamento de Matem9ticas! UAM (( 6epartamento de :iología! UAM 6epartamento de :iología! UAM


82/89

( #studio del impacto de los investi'adores de la#studio del impacto de los investi'adores de lae)pedición BMFH-=-B%Ge)pedición BMFH-=-B%G

( Bu'ar@ =en nsula :yers, S=% HN. 12$, Bivin'stonBu'ar@ =en nsula :yers, S=% HN. 12$, Bivin'stonMsland, %rchipi9la'o South Shetland. %ntártidaMsland, %rchipi9la'o South Shetland. %ntártida

( &l principal o 3etivo es contrastar la&l principal o 3etivo es contrastar laefectividad de las recomendaciones queefectividad de las recomendaciones quehace el "!A+ para minimi'ar el impactohace el "!A+ para minimi'ar el impactoam iental que causan las e@pedicionesam iental que causan las e@pedicionescientíficascientíficas

( Fodelo para la 'estión de los campamentos o delturismo ;ue aumenta cada aEo a un ritmoe)ponencial


83/89

+elacionan el nivel de uso deun sendero 8estimado enpisadas9 con su degradaciónfísica y iológica

0a efectividad de los indicadores se prue a en dos 'onase@perimentales de suelo no pisado, a3o condiciones controladas)0as medidas o tenidas con diferentes intensidades de usomuestran la evolución de los indicadores en función del númerode pisadas)

::"" ++ ABUNDANCIA DE FAUNA EDÁFICA ABUNDANCIA DE FAUNA EDÁFICA

::

$$ ++

RE I !ENCIA A "A C#M$AC!ACI%N RE I !ENCIA A "A C#M$AC!ACI%N

::;; ++ DEN IDAD A$AREN!E DEN IDAD A$AREN!E

:ndicadores de impacto


84/89

-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas



85/89

-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas El indicador de fauna edáfica es susceptible de sufrir los efectosde una distri&ución 'atc(in) de las especies



86/89

-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas El indicador de fauna edáfica es susceptible de sufrir los efectosde una distri&ución 'atc(in) de las especies Existe una alta correlación entre las medidas de densidadaparente y resistencia a la compactación -a densidad aparenteno proporciona información relevante que no proporcione laresistencia a la compactación, muc


87/89

#l impacto y la capacidad de recuperación a corto


88/89

2ent

B,CA,C1,C0,CC,C70,C

5 e s i s t a n c e t o c o m p r e s s i o n

Entrance path

B,C,C1,C0,CC,C70,C

5iver path

B,C,C1,C0,CC,C70,C

%amp path

B,C,C1,C0,CC,C70,C

IB,@IB,@IB,@

E it path

B,C,C1,C0,CC,C70,C

#l impacto y la capacidad de recuperación a cortopla&o 7del suelo depende del nivel de uso al ;ue haya sidosometido el sendero. Bos cambios en la capa activa delpermafrost pueden influir en la re'eneración

5 radecimiento a mis coautores Andr s Alonso

Manuel :a-ón ;avier :ena


89/89

Muchas gracias

;os =amón :errendero Antonio Camac#o

Eduardo 8erd>?5aliente =icardo 8raiman Adolfo @ern9nde> Caridad @o

ana justel

Documents