Anda di halaman 1dari 89

Propuestas de una

estadstica moderna en
estudios relacionados con
el cambio climtico
Ana Justel

Departamento de Matemticas
Universidad Autnoma de Madrid

Propuestas de una estadstica moderna en


estudios relacionados con el cambio
climtico
Ana Justel - Universidad Autnoma de Madrid
En los ltimos aos la estadstica se enfrenta a la necesidad de desarrollar nuevos
mtodos para extraer la informacin rpida y eficazmente de grandes bases de
datos, pero tambin que nos permitan aprender de datos problemticos y escasos.
En esta conferencia se presentarn varios problemas reales, relacionados con indicadores para el estudio del cambio
climtico, que en la mayora de los casos han motivado el desarrollo de nuevos procedimientos estadsticos. Muchos
de los trabajos tienen su origen en el anlisis de los datos registrados en la Antrtida por el equipo del proyecto
Limnopolar, uno de los lugares donde las condiciones de trabajo son ms extremas por el aislamiento, la dificultad de
acceso y la meteorologa. Los problemas estadsticos que trataremos incluyen el concepto de tendencia para datos
funcionales en el estudio de series de temperaturas en la regin de la Pennsula Antrtica, aprovechando datos
defectuosos y escasos. Cluster de series temporales para agrupar pases con intereses comunes frente a los
compromisos del Protocolo de Kyoto. Seleccin de variables en anlisis cluster para identificar diferencias en las
pautas de consumo elctrico de los hogares. Deteccin de cambios de variabilidad en series de temperaturas para
predecir indirectamente el momento en que se congela/descongela un lago antrtico, y as estimar el nmero de das
con actividad biolgica. Estimacin robusta de parmetros relacionados con la presencia de especies como
bioindicadores. Anlisis de la varianza para seleccionar indicadores de impacto en reas protegidas de la Antrtida .

1. Cluster de series temporales para agrupar pases con intereses


comunes frente a los compromisos del Protocolo de Kyoto
2. Seleccin de variables en anlisis cluster para identificar
diferencias en las pautas de consumo elctrico de los
hogares
3. Concepto de tendencia para datos funcionales en el estudio de
series de temperaturas en la regin de la Pennsula
Antrtica, aprovechando datos defectuosos y escasos
4. Deteccin de cambios de variabilidad en series temporales para
predecir indirectamente el momento en que se
congela/descongela un lago antrtico, y estimar el nmero
de das con actividad biolgica
5. Estimacin robusta de parmetros relacionados con la presencia
de especies como bioindicadores
6. Anlisis de la varianza para seleccionar indicadores de impacto
en reas protegidas de la Antrtida

Problemas estadsticos

Series
temporales

Anlisis
multivariant
e

Cluster de series temporales para agrupar


pases con intereses comunes frente a los
compromisos del Protocolo de Kyoto

Problemas estadsticos

Series
temporales

Anlisis
multivariant
e

Seleccin de variables en anlisis cluster


para identificar diferencias en las pautas de
consumo elctrico de los hogares

Datos
funcionale
s

Problemas estadsticos

Series
temporales

Anlisis
multivariant
e

Concepto de tendencia para datos funcionales


en el estudio de series de temperaturas en la
regin de la Pennsula Antrtica, aprovechando
datos defectuosos y escasos

Datos
funcionale
s

Problemas estadsticos

Anlisis
multivariant
e

Series
temporales

Deteccin de cambios de variabilidad en series


temporales para predecir indirectamente el
momento en que se congela/descongela un
lago antrtico, y estimar el nmero de das con
actividad biolgica

Robuste
z

Datos
funcionale
s

Problemas estadsticos

Anlisis
multivariant
e

Series
temporales

Estimacin robusta de parmetros


relacionados con la presencia de
especies como bioindicadores

Robuste
z

Datos
funcionale
s

Problemas estadsticos

Anlisis
multivariant
e

Series
temporales

Anlisis
de la
varianza

Anlisis de la varianza para


seleccionar indicadores de impacto
en reas protegidas de la Antrtida

Robuste
z

Datos
funcionale
s

Problemas estadsticos

Anlisis
multivariant
e

Series
temporales

Anlisis
de la
varianza
Robuste
z

Datos
funcionale
s

1. Cluster de series temporales para agrupar pases con intereses


comunes frente a los compromisos del Protocolo de Kyoto

Cluster de series temporales basado


en densidades de prediccin

Andrs M. Alonso

Universidad Carlos III de Madrid

Jos Ramn Berrendero

Universidad Autnoma de Madrid

Adolfo Hernndez

Universidad Complutense de Madrid

Ana Justel

Universidad Autnoma de Madrid

Planteamiento del problema


Observamos los datos histricos de emisiones de CO 2 y
queremos clasificar en grupos o CLUSTERS a los pases
Emisiones de CO2 en 24 pases industrializados

Planteamiento del problema

El objetivo de las tcnicas estadsticas de ANLISIS


CLUSTER o de CONGLOMERADOS es identificar grupos
de individuos con caractersticas comunes a partir de la
observacin de varias variables en cada uno de ellos
Esta tcnica no debe ser confundida con el anlisis
discriminante y los mtodos de asignacin, que parten
de un conocimiento previo de los grupos (seguimiento
de pacientes sometidos que reciben tratamiento o
placebo)

Planteamiento del problema

Un CLUSTER es un grupo de individuos que, cuando la


dimensin lo permite, el ojo humano identifica como
homogneos entre s y separados de los individuos de
los otros clusters

Planteamiento del problema

Mtodos para encontrar clusters


Cluster jerrquico. Se parte de tantos clusters como
datos tiene la muestra y en cada paso se van juntando
dos clusters siguiendo algn criterio especificado,
hasta obtener un nico cluster con todos los datos
Criterios de optimizacin. Producen una particin de
los objetos en un nmero especificado de grupos
siguiendo un criterio de optimizacin. El ms conocido
es k-MEDIAS
En general, se busca HOMOGENEIDAD dentro de los grupos y
HETEROGENEIDAD entre grupos

Planteamiento del problema


Observamos series temporales y queremos clasificarlas
en grupos o CLUSTERS

Podemos utilizar las tcnicas habituales del anlisis


multivariante para encontrar los clusters?

Planteamiento del problema

Procedimientos cluster tradicionales


estructura de autocorrelacin de la
proporcionan buenos resultados
Necesidad de desarrollar nuevos
cluster para series temporales

ignoran la
serie y no

procedimientos

Algunos trabajos previos se basan en los modelos


que generan las observaciones, o en el ltimo dato
observado
El problema se complica mucho ms con SERIES
TEMPORALES MULTIVARIANTES,
MULTIVARIANTES cuando observamos
ms de una variable para cada individuo a lo largo del
tiempo

Planteamiento del problema


Observamos SERIES TEMPORALES MULTIVARIANTES y
queremos clasificarlas en grupos o CLUSTERS
(1)

(1)

(1)

1,Th

2,Th

p,Th

X X X
(1)

X1,1

(n)

(1)

(1)

(1)

1,T

2,T

p ,T

(n)

(n)

( n)

1,Th

2,Th

p,Th

X
X
X


(n)
(n)
(n)
X 1,T X 2,T X p,T

X1,1 (n )
(n )

X2,1
Xp,1

X X X
Proyectamos
en el futuro

Planteamiento del problema


En muchas situaciones en la vida real, estamos
interesados en las PREDICCIONES en un momento
especfico del futuro
Modelo

Presente
Futuro

Los resultados, en general, sern diferentes

Planteamiento del problema


En muchas situaciones en la vida real, estamos
interesados en las PREDICCIONES en un momento
especfico del futuro

Dam construction

Fuente: Manuel Ruiz, UAM

Daxi Village, China

Planteamiento del problema

Por qu clusters de predicciones?


Se reduce la dimensionalidad del problema
Se incluye informacin tanto del presente como
del pasado de las series
En muchos problemas, el inters real se centra en
el comportamiento futuro en si las series
convergen o no a un cierto nivel
Desarrollo sostenible
Emisiones de CO2 (Protocolo de Kyoto)
Convergencia econmica

Planteamiento del problema


Adems, nuestro mtodo se basa en clasificar las
series por las distancias entre las DENSIDADES DE LAS
PREDICCIONES,
PREDICCIONES no slo en la predicciones puntuales.
Esto permite distinguir entre situaciones donde las
predicciones puntuales son similares, pero las
densidades completas proporcionan ms informacin.

Metodologa para clasificar series temporales

PASO 1. Calcular las densidades de prediccin


PASO 2. Calcular la matriz de discrepancias entre las
series (usando las densidades de prediccin)
PASO 3. Aplicar anlisis cluster tradicional

Metodologa para clasificar series temporales


PASO 1. Calcular las densidades de prediccin
A. Si no asumimos ninguna distribucin para los datos
necesitamos usar mtodos de remuestreo (sieve
bootstrap) para calcular la densidad de prediccin
B. Con el bootstrap extraemos B valores de la
distribucin de la prediccin en el momento especfico
del futuro que nos interesa
C. Estimamos la densidad de la prediccin aplicando
mtodos no paramtricos a los B valores bootstrap
Se puede desarrollar una versin ms sencilla de implementar
asumiendo normalidad o basando la agrupacin en predicciones
puntuales

Metodologa para clasificar series temporales


Esquema del procedimiento BOOTSTRAP

Metodologa para clasificar series temporales


PASO 2. Calcular la matriz de discrepancias (D)
A. Para cada par de series calculamos la distancia L2
entre las funciones de densidad de las predicciones

B. Estimamos cada distancia con


, que se calcula a
partir de los estimadores no paramtricos de las
densidades de prediccin usando la muestra de
predicciones bootstrap
C. Hemos probado que

es estimador consistente de Dij

D. Hemos hecho unas simulaciones para comparar Dij y

Metodologa para clasificar series temporales

PASO 3. Aplicar anlisis cluster tradicional


A. La matriz de discrepancias obtenida se utiliza como
input de un procedimiento cluster
B. Los mtodos jerrquicos se pueden ejecutar
conociendo slo la MATRIZ de DISCREPANCIAS,
DISCREPANCIAS los
que se basan en criterios de optimizacin no nos
sirven

Metodologa para clasificar series temporales


Criterios para unir grupos en mtodos jerrquicos
1. Enlace sencillo (single linkage):
linkage) unir por la distancia
al individuo ms cercano del grupo
2. Enlace promedio (average linkage):
linkage) unir por la media
de las distancias a todos los individuos del grupo
3. Enlace completo (complete linkage):
linkage) unir por la
distancia al individuo ms alejado del grupo
4. ...

Metodologa para clasificar series temporales


Dendograma
Los clusters estn representados mediante trazos
horizontales y las etapas de la fusin mediante trazos
verticales

{1,2},3,{4,5}

Cuntos cluster hay?


Tests formales, intuicin (conocimiento del problema)

El caso de las emisiones de CO2


Protocolo de Kyoto
Impone lmites en las emisiones de CO2 y otros cinco
gases, responsables del calentamiento global.
Negociado en Kyoto en 1997, entra en vigor en 2005 con
la ratificacin de Rusia (cuando es aceptado por los
pases responsables del 55% de las emisiones a nivel
mundial).
El objetivo es reducir al menos un 5% (respecto de los
niveles de 1990) antes de 2012, pero con objetivos
distintos segn regiones (UE 8%, Japn 6%)
Aplicamos la tcnica de CLUSTER PARA SERIES
TEMPORALES para crear grupos de pases con intereses
comunes que puedan compartir experiencias o polticas
para alcanzar las reducciones comprometidas

El caso de las emisiones de CO2


Protocolo de Kyoto - Emisiones de CO2 1960-1999
Toneladas per capita
En 24 pases industrializados

El caso de las emisiones de CO2


Basado en el dato de 1999

Basado en la prediccin de 2012

El caso de las emisiones de CO2


Basado en el dato de 1999

Basado en la densidad de la prediccin de 2012

El caso de las emisiones de CO2


Protocolo de Kyoto - Cluster con el ltimo dato o con
las predicciones?

El caso de las emisiones de CO2


Protocolo de Kyoto - Cluster con el ltimo dato o con
las predicciones?

2. Seleccin de variables en anlisis cluster para identificar


diferencias en las pautas de consumo elctrico de los hogares

Seleccin de variables para anlisis


cluster

Ricardo Fraiman

Universidad de San Andrs, Argentina

Ana Justel

Universidad Autnoma de Madrid

Marcela Svarc

Universidad de San Andrs, Argentina


Data source: CuestaAlbertos and Fraiman (2006)

Consumo elctrico en 88 hogares argentinos


Se miden 96 variables: consumo de electricidad en
intervalos de 15 minutos en un da Datos funcionales
CuestaAlbertos y Fraiman (2006) encuentran dos clusters
con un mtodo k-medias para datos funcionales
El primer cluster tiene 33 hogares, y el segundo 55

Objetivo
Buscamos el subconjunto de variables ms
pequeo posible que explique las agrupaciones de
los datos que hemos encontrado, o un porcentaje alto
de ellas.
Es habitual que el nmero de variables,
variables que
no debemos confundir con la cantidad de
informacin,
informacin sea demasiado elevado.
Aplicacin
Anlisis exploratorio de datos. Ayuda a interpretar
los cluster que se forman
Reducir la dimensin. Para nuevos conjuntos de datos

Seleccin de variables
Trataremos de eliminar variables
RUIDOSAS, que son las no informativas
y/o
REDUNDANTES,
REDUNDANTES que no aportan informacin
que no este contenida en otras variables

El mtodo cluster es
bueno

1. Encontrar los grupos con


un mtodo cluster

El mtodo cluster genera


una particin del espacio

2. Seleccionar las variables

AFTER-CLUSTER
Mtodo de seleccin de variables
Proponemos un mtodo:- consistente estadsticamente
- no paramtrico
- fcil de usar

a
iteri
r
c
izing
m
i
t
Op

K-medias

Hier
arch
ical
clus
teri
ng

SELECCIN DE VARIABLES AFTER CLUSTER


Probamos a clasificar slo con las variables de todos los
subconjuntos posibles y elegimos el PTIMO: ms
pequeo y que ms explique
Cuando se elimina la informacin de las variables
ruidosas. Esperamos que NO CAMBIEN los clusters
(los datos se quedan en la misma particin)
La CLAVE est en tener en cuenta que la particin se
define en el espacio de variables original, as que
para reasignar los datos a los cluster no puedo eliminar
variables aunque sean ruidosas
EN LUGAR DE ELIMINAR VARIABLES DEBEMOS
DESACTIVARLAS

Desactivar variables ruidosas


Que una variable sea ruidosa significa que
su DISTRIBUCIN DE PROBABILIDAD
es la misma en todos los clusters
Esto nos sugiere cancelar el efecto de
una variable sustituyendo todos los valores
que toma por la MEDIA

Resultados con datos simulados


El mtodo para seleccionar variables funciona muy bien
para eliminar variables ruidosas, pero es incapaz de
detectar variables con informacin redundante.

Ejemplo con datos simulados

Data source: Tadesse, Sha and Vannucci (2005)

Eliminar variables redundantes


La extensin ms natural es cambiar MEDIAS por
MEDIAS CONDICIONALES

El mejor predictor de
Xi basado en las
variables del
subconjunto

En la practica, calculamos la media condicional con


una regresin no paramtrica que hace uso de la
informacin local, de un nmero de VECINOS MS
CERCANOS que tenemos que fijar
Tambin probamos que este mtodo de
seleccin de variables es consistente

Ejemplo con datos simulados

Data source: Tadesse, Sha and Vannucci (2005)

Mtodo basado en la
media condicional

El mtodo basado en la MEDIA CONDICIONAL sirve


para eliminar las variables RUIDOSAS y las
REDUNDANTES,
REDUNDANTES pero requiere
- Un tamao muestral grande para calcular la
esperanza condicionada
- Mucho esfuerzo computacional
- Elegir el nmero adecuado de vecinos ms
cercanos, que es un problema sin resolver
El mtodo basado en la MEDIA MARGINAL es ms
simple.

Consumo de electricidad Datos funcionales

96 variables: consumo elctrico


en intervalos de 15 minutos en
un da
Un nmero demasiado elevado
para calcular todas las posibles
combinaciones
Data source: CuestaAlbertos and Fraiman (2006)

Diseamos un algoritmo de busqueda forwardbackward para encontrar las ventanas de tiempo


ms relevantes para el procedimiento de cluster.

Consumo de electricidad Datos funcionales


Resultados con 100 permutaciones

Para calcular la media


condicionada,
consideramos 5, 10 and
33 vecinos ms cercanos

Usar el algoritmo de la media


condicionada,
condicionada en lugar del de la
media que es ms rpido, significa
reduccir del nmero de intervalos
que caracterizan a los dos tipos de
consumidores

Consumo de electricidad Datos funcionales


Resultados con 100 permutaciones

La eleccin del nmero de vecinos ms cercanos (NN)


afecta al resultado (es un problema importante que resolver)
Los resultados con 5-NN son bastante satisfactorios

Consumo de electricidad Datos funcionales

Los intervalos no sombreados


corresponden a las variables
seleccionadas

Madrugada (3:00 a 4:00)


Maana (7:00 a 9:00)
Tarde (15:00 a 19:00)
Noche (21:00 a 24:00)

Consumo de electricidad Datos funcionales

Madrugada
(3:00 a 4:00)

Noche
(21:00 a 24:00)

Data source: CuestaAlbertos and Fraiman (2006)

Maana
(7:00 a 9:00)

Tarde
(15:00 a 19:00)

Consumo de electricidad Datos funcionales

La informacin redundante,
redundante especialmente de tarde y
noche, queda resumida con el algoritmo de la media
condicional con 5-NN
Cuando aceptamos algunos errores de clasificacin, se
reduce la eficiencia y deja de ser importante el
comportamiento en la madrugada

Consumo de electricidad Datos funcionales

Se obtienen resultados similares para 10-NN y 33-NN

3. Concepto de tendencia para datos funcionales en el estudio de


series de temperaturas en la regin de la Pennsula Antrtica ,
aprovechando datos defectuosos y escasos

Nociones de tendencia para series de


datos funcionales: Aplicacin al estudio
del calentamiento global en la Antrtida
Ricardo Fraiman

Universidad de San Andrs, Argentina

Ana Justel

Universidad Autnoma de Madrid

Pamela Llop

Universidad Nacional del Litoral, Argentina

Temperaturas registradas en la Base Antrtica


Espaola Juan Carlos I (BAE-JCI)

Temperaturas registradas en la Base Antrtica


Espaola Juan Carlos I (BAE-JCI)

Temperaturas registradas en la Base Antrtica


Espaola Juan Carlos I (BAE-JCI)

DATOS CON INTERPOLACIN shape preserving

DATOS CON INTERPOLACIN shape preserving

DATOS CON INTERPOLACIN shape preserving

Season

Percentage of
observed data

First observed
data

Last observed
data

1987/1988

6.53

1864

2160

1988/1989

65.42

645

2158

1989/1990

71.11

230

2086

1990/1991

61.90

433

2158

1991/1992

71.39

539

2160

1992/1993

5.13

1243

2131

1993/1994

65.79

529

2040

1994/1995

59.03

143

2160

1995/1996

69.91

87

1720

1996/1997

31.30

1478

2160

1997/1998

84.40

185

2102

1998/1999

95.23

71

2160

1999/2000

90.42

168

2160

2000/2001

93.33

67

2160

2001/2002

97.17

2160

2002/2003

99.35

2160

2003/2004

90.23

1976

2004/2005

92.08

14

2160

2005/2006

100

2160

2006/2007

100

2160

Eliminadas
(insuficientes datos)

1076 datos
empleados
cada ao

S = 17
T = 1076

Estadstico 1 de tendencia de funciones


Se define como el vector de rangos medios en cada instante

LSE linear
trend

Estadstico 1 de tendencia de funciones


Se define como el vector de rangos medios en cada instante

Robust
linear trend

Estadstico 1 de tendencia de funciones


Se define como el vector de rangos medios en cada instante

Non parametric
trend

Estadstico 2 de tendencia de funciones


Cada conjunto de barras corresponde a una curva y cuenta el
nmero de veces a lo largo del tiempo en que el rango es 1, 2, , 17

Estadstico 2 de tendencia de funciones


Se define para cada curva
se puede interpretar como un vector de rango de las curvas

4. Deteccin de cambios de variabilidad en series temporales para


predecir indirectamente el momento en que se
congela/descongela un lago antrtico, y estimar el nmero
de das con actividad biolgica

Dinmica del comportamiento de los


lagos de la Antrtida en tres aos con
diferentes condiciones climticas
Antonio Quesada1,
Antonio Camacho2,
Eduardo Fernndez-Valiente1,
Carlos Rochera2, Ana Justel1,
Manuel Toro3, Eugenio Rico1,
Manuel Ban4
Universidad Autnoma de Madrid
2
Universidad de Valencia
3
CEDEX, Ministerio de Fomento
4
Instituto Nacional de Meteorologa
1

Con los datos de la temperatura del agua, una serie de la


que ya tenemos cinco aos de historia, estimamos
indirectamente cundo se congelan los lagos en la
Pennsula Byers (Islas Shetland del Sur, Antrtida)
Esta variable es muy importante porque determina el
tiempo que dura el ciclo de actividad biolgica
Nunca hemos estado all para verlo
BUSCAMOS EL MOMENTO EN EL QUE SE PRODUCE EL
CAMBIO EN LA VARIABILIDAD DE LAS TEMPERATURAS DEL
AGUA COMO INDICADOR DE LA CONGELACIN
Incluso este mtodo indirecto presenta muchos problemas,
la falta de energa durante algn invierno provoc fallos en
los registros, la serie est llena de datos missing y
atpicos

Lago LIMNOPOLAR

Batimetra del Lago LIMNOPOLAR

Superficie estimada 22.172,5 m2


Volumen estimado 58.577,81 m3
Profundidad media estimada 2,64 m.
Profundidad mxima estimada 5,45 m

Cuando el lago est congelado se estima


un incremento del 121% con respecto al
volumen normal del lago

Lake

Year

Thaw date

Freeze date

Ice-free days

Limnopolar

2002

Dec 22, 2001

Mar 26, 2002

95

Somero

2002

Dec 22, 2001

Mar 27, 2002

96

Somero

2003

Jan 20, 2003


Apr 10, 2003

Mar 7, 2003
Apr 28, 2003

66

Somero

2004

Feb 11, 2004

Mar 23, 2004

41

5. Estimacin robusta de parmetros relacionados con la presencia


de especies como bioindicadores

Utilizacin del fitoplacton como indicador


biolgico para la evaluacin de la
eutrofizacin en los embalses espaoles

Carlos Nuo

CEDEX, Ministerio de Fomento

Caridad Hoyos

CEDEX, Ministerio de Fomento

Ana Justel

Universidad Autnoma de Madrid

UTILIZACIN DEL FITOPLACTON COMO INDICADOR BIOLGICO PARA LA EVALUACIN DE


LA EUTROFIZACIN EN LOS EMBALSES ESPAOLES
C. NUO, C. DE HOYOS, A. JUSTEL

ptimos y rangos de tolerancia


de especies fitoplactnicas

uk

y
i 1
n

ik i

yik

tk

i 1

yik xik u k / yik


i 1

i 1

u k = ptimo de la especie k
t k = tolerancia de la especie k
Yik = abundancia de la especie k en la muestra i
X i = magnitud de la variable ambiental estudiada en la muestra i

UTILIZACIN DEL FITOPLACTON COMO INDICADOR BIOLGICO PARA LA EVALUACIN DE


LA EUTROFIZACIN EN LOS EMBALSES ESPAOLES
C. NUO, C. DE HOYOS, A. JUSTEL

ptimos y rangos de tolerancia


de especies fitoplactnicas

En la mayor parte de los casos la


barra de error y el box-plot dan
el mismo resultado

11200,, 113305,5,6
8600,, 538,46
4200,, 31620,547
0, clorfia

Casopnderaospnceluas

1120,,50
75,,500
20,,50

Casopndeclosrpfioanceluas

Algunas especies no son


consideradas indicadoras
debido al amplio rango de
tolerancia (barra de error)
Si utilizamos la mediana y el
rango intercuartlico pasan a
ser especies indicadoras

Box-plot o barra de error ?

5. Estimacin robusta de parmetros relacionados con la presencia


de especies como bioindicadores

Medicin del impacto de la actividad


humana en los suelos de una Zona
Especialmente Protegida de la Antrtida

Pablo Tejedo1,
Ana Justel2,
Eugenio Rico1,
Javier Benayas1,
Antonio Quesada3
Departamento de Ecologa, UAM
2
Departamento de Matemticas, UAM
3
Departamento de Biologa, UAM
1

Estudio del impacto de los investigadores de la


expedicin LIMNOPOLAR
Lugar: Pennsula Byers, SPA N. 126, Livingston
Island, Archipilago South Shetland. Antrtida
El principal objetivo es contrastar la
efectividad de las recomendaciones que
hace el SCAR para minimizar el impacto
ambiental que causan las expediciones
cientficas
Modelo para la gestin de los campamentos o del
turismo que aumenta cada ao a un ritmo
exponencial

Indicadores de impacto
I1- ABUNDANCIA DE FAUNA EDFICA

Relacionan el nivel de uso de


un sendero (estimado en
pisadas) con su degradacin
fsica y biolgica

I2 - RESISTENCIA A LA COMPACTACIN
I3 - DENSIDAD APARENTE

La efectividad de los indicadores se prueba en dos zonas


experimentales de suelo no pisado, bajo condiciones controladas.
Las medidas obtenidas con diferentes intensidades de uso
muestran la evolucin de los indicadores en funcin del nmero
de pisadas.

Indicadores de impacto

Los tres indicadores muestran que el impacto siempre crece


cuando aumenta el nmero de pisadas

Indicadores de impacto

Los tres indicadores muestran que el impacto siempre crece


cuando aumenta el nmero de pisadas
El indicador de fauna edfica es susceptible de sufrir los efectos
de una distribucin patching de las especies

Use level

Indicadores de impacto
Resistance to compre

Apparent density

Los tres indicadores muestran que el impacto siempre crece


cuando aumenta el nmero de pisadas
El indicador de fauna edfica es susceptible de sufrir los efectos
de una distribucin patching de las especies
Existe una alta correlacin entre las medidas de densidad
aparente y resistencia a la compactacin. La densidad aparente
no proporciona informacin relevante que no proporcione la
resistencia a la compactacin, mucho ms sencilla de medir

ANOVA
p-valor < 0,0001

R e sistan ce to co m pression

6
5
4
3
2
1
0
-1
1

Use level

No hay
diferencias
significativas

La presencia de los investigadores supone un impacto


estadsticamente significativo sobre los frgiles suelos
antrticos, aunque la alteracin no es estadsticamente
apreciable con un uso ocasional de nivel 2

El impacto y la capacidad de recuperacin a corto


plazo (del suelo depende del nivel de uso al que haya sido
sometido el sendero. Los cambios en la capa activa del
permafrost pueden influir en la regeneracin

Tent

Entrance path

River path

Camp path

Exit path

R es is tanc e to c om pres s ion

>4,5

-1,0

0,0

1,0

2,0

3,0

4,0

-1,0

0,0

1,0

2,0

3,0

4,0

-1,0

0,0

1,0

2,0

3,0

4,0 -1,0

0,0

1,0

2,0

3,0

4,0

-1,0

0,0

1,0

2,0

3,0

4,0

Agradecimiento a mis coautores

Andrs Alonso
Manuel Ban
Javier Benayas
Jos Ramn Berrendero
Antonio Camacho
Eduardo Ferdz-Valiente
Ricardo Fraiman
Adolfo Hernndez
Caridad Hoyos
Pamela Llop
Carlos Nuo
Antonio Quesada
Eugenio Rico
Carlos Rochera
Marcela Svarc
Pablo Tejedo
Manuel Toro

Muchas gracias

Anda mungkin juga menyukai