Documente Academic
Documente Profesional
Documente Cultură
Resumen
El uso de los modelos se ha incrementado en el manejo medioambiental, debido a que ellos
son la única herramienta que permite relacionar cuantitativamente el impacto en un
ecosistema con las consecuencias para el estado del ecosistema. Se describe brevemente la
manera en que los modelos del medio ambiente son construidos y aplicados a los problemas
del medio ambiente. Se toma el ejemplo de modelación del secuestro de carbono por suelos
forestales en la Caldera de Teziutlán, Puebla, para mostrar cómo integrar las herramientas
que brinda la Estadística Espacial con otros enfoques y estrategias, que combinados con
los anteriores, contribuyen a una mejor explicación del dicho fenómeno.
Introducción
La Tierra tiene aproximadamente 4.6 billones de años y en sólo los últimos doscientos años
la actividad humana ha tenido un impacto principal sobre los ecosistemas que constituyen
la biosfera. Este impacto ha sido observado en escalas crecientes. (Moffatt, I., 2004).
Antecedentes
El campo de la modelación medio ambiental se ha desarrollado enormemente desde que
emergieron los primeros modelos en 1970, no sólo debido al desarrollo de la tecnología
computacional sino también debido a una muy fuerte actitud hacia la importancia de la
cuantificación en la ciencia medioambiental y la ecología (y hacia el desarrollo general del
campo de la modelación por el mismo). Nuestro conocimiento teórico sobre los
ecosistemas y sobre la modelación como una herramienta en la ciencia y administración ha
crecido significativamente durante los últimos 30 años. El desarrollo teórico probablemente
ha tenido lugar durante los últimos 10 años mientras “la modelación como una herramienta
crecientemente útil” probablemente se desarrolló más significativamente durante el periodo
1970 a 1985.
1. Tenemos una imagen más real de los que la modelación medioambiental puede
ofrecer, sus debilidades y sus fortalezas debido entre varios otros resultados, a la
validación de los pronósticos previamente desarrollados.
2. Un nuevo modelo puede desarrollarse sobre la base de una amplia experiencia,
mientras que a menudo tenemos que desarrollar nuestros modelos en un
conocimiento vacío de 20 o 30 años. El problema en este contexto es cuán generales
son nuestro modelos.
3. Estamos más cercanos, por lo menos más cerca que hace 30 años, a una teoría de
ecosistemas o más bien a un patrón de teorías de ecosistemas. Esto significa que
conocemos mucho mejor las propiedades del sistema que vamos a modelar, lo que
inevitablemente conducirá a modelos mejores por reflexión de las propiedades
pertinentes y correctas en los modelos.
4. Hemos desarrollado una buena teoría de modelación sobre cómo vamos a modelar.
Tenemos un amplio espectro de enfoque de modelación. Esto no significa que no se
lleve a cabo más investigación en el uso de modelos como una herramienta en el
manejo (administración) de la ecología y el medioambiente, sino que significa que
una buena base teórica se ha alcanzado en modelación.
5. Tenemos una mayor comprensión del conocimiento de los valores apropiados de los
parámetros que van a ser usados en los modelos.
Sobre la segunda cuestión, hay cuatro importantes aspectos sobre los que nos estamos
moviendo en la modelación ambiental:
Los ecosistemas forestales pueden absorber cantidades significativas de CO2, por lo que
hay un gran interés por incrementar el contenido de carbono en estos ecosistemas, pero a
pesar de la importancia del secuestro de carbono, su evaluación se encuentra muy limitada
en estos suelos.
La toma de acción para el secuestro de carbono bajo el Protocolo de Kyoto u otros tratados
post-Kyoto, no sólo estimulan cambios importantes en el manejo del suelo, sino que
también, por medio de un incremento en el contenido de materia orgánica, tienen un
impacto positivo sobre las cualidades ambientales y sobre la biodiversidad. Las acciones
del Protocolo de Kyoto llevan aparejado problemas técnicos a resolver. Entre estos
problemas técnicos se encuentran la utilización de diferentes técnicas estadísticas
(espaciales y temporales) que deben aplicarse en estudios como el que se muestra aquí
como ejemplo.
Objetivos
Describir la manera en la que los esfuerzos de la modelación medioambiental han
contribuido a esclarecer complejos problemas
Estudiar el secuestro de carbono por suelos forestales en la Caldera de Teziutlán, Puebla, y
establecer una metodología para la evaluación del secuestro de carbono en los suelos
forestales.
Metodología
Hay tres factores que han permitido que el campo de la modelación ambiental se haya
desarrollado rápidamente. (Sydow, A., 2004), Estos factores son: (1) Desarrollo de la
tecnología computacional. (2) Una comprensión general de los problemas de la
contaminación, que incluye que una eliminación completa de la contaminación no es
posible, pero que un control apropiado de la contaminación con recursos económicos
limitados posibles requiere serias consideraciones de la influencia de la contaminación
sobre el ecosistema. (3) Nuestro conocimiento de los problemas ambientales y ecológicos
ha crecido significativamente.
Por otra parte, el enfoque de sistemas, como metodología actual de las ciencias, se ha ido
aplicando al estudio del medio ambiente, Para ello hay que entender que en la ciencia
ambiental y en su modelación las siguientes parejas de conceptos juegan un papel
determinante:
Determinismo y probabilidad
El todo y sus partes
El orden y el caos.
Otro problema crucial está asociado con la generalidad de los modelos. ¿Puede un modelo
usado en un caso ser usado sin cambios en cualquier otro caso de estudio?
La respuesta no es un simple si o no, sino que la experiencia demuestra que los más simples
pueden ser usados más generalmente que los modelos más complejos.
Para el caso específico de la modelación del secuestro de carbono en suelos, los requisitos
para implementar un modelo son:
El modelo, generalmente, requiere de dos conjuntos de datos, a saber, datos del suelo y
datos del clima. Ponce et al., 2004 clasifican los métodos para modelar carbono en suelo en
dos tipos: indirectos y directos.
Para los modelos de tipo indirecto, la base de datos de características de suelo puede
obtenerse mediante el examen de los pastos y otras características de los suelos. Dichas
bases de datos pueden incluir registros existentes de muestras de suelo y datos analíticos,
con los parámetros requeridos por los modelos. De cualquier modo, en muchas ocasiones
parte de esta información está perdida. En tales circunstancias, se pueden estimar los
valores de dichos datos. La base de datos de clima puede generarse con información de las
estaciones meteorológicas de la zona agroecológicas bajo estudio.
La Figura 1, ilustra como las zonas agroecológicas se caracterizan con los datos tan
exactamente como sea posible, tomando en cuenta la descripción de los suelos y las
mediciones de las estaciones meteorológicas. Para la interpolación de estos datos, las tablas
de atributos para cada zona sirven como la fuente de entrada a modelos de simulación de la
materia orgánica en el suelo.
ZE Suelo Clima
1 S1 P1 D T 1 P1
2 1 T 2 P2
S2 P2 D
n 2 TnPn
Modelo de
Simulación
SOM
Dado que la posición de las zonas agro ecológica es conocida a través de sus pares de
coordenadas, podría ser posible identificar áreas de influencia o “dominios” de cada
estación meteorológica. En estos dominios debería ser posible obtener o extraer valores de
los parámetros de clima necesarios para modelar. Donde han sido digitalizados los datos
espaciales y las bases de datos espaciales de recursos están disponibles en forma digital,
pueden aplicarse splines cúbicos o funciones de distancia. La Interpolación o teselación
permitirá automáticamente construir un GIS (Sistema de Información Geográfica),
agrupando las células agro-ecológicas en zonas.
Otras vías de modelación se establecen cuando se han usado métodos directos para evaluar
el carbono en el suelo. En estos casos se realizan diseños muestrales en la zona de estudio,
se recogen muestras de suelo y luego se analizan algunas propiedades químicas y físicas del
suelo. Esta es la vía que se utiliza en el caso que reportamos en este trabajo.
Resultados
El estudio realizado proviene de los suelos de la Caldera de Teziutlán situada en la porción
nororiental del estado de Puebla, entre los paralelos 19°43 30 y 20°14 54 de latitud norte
y los meridianos 97°07 42 y 97°43 30 de longitud occidental. Estos .suelos, derivados de
material piroclástico, se presentan cubriendo una superficie de 846 km2. Fueron
identificados como Andisoles y la vegetación corresponde a Bosques de Pino. El análisis
fisicoquímico del suelo se efectuó de acuerdo a la Norma Oficial Mexicana NOM-021-
RECNAT-2000.
Los cálculos se realizaron con MINITAB 14. Finalmente, se decidió tomar los puntajes de
la componente principal obtenida en la Tabla 3b, para realizar el Análisis Geoestadístico,
que se reporta en el siguiente apartado donde se realiza la discusión de resultados.
Variable CP1
MO 0.966
COrg 0.966
logNtotal 0.697
Discusión
Al llevar a cabo un análisis de datos geoestadístico deben estimarse las relaciones
espaciales y las predicciones en los puntos no muestreados, así como, calcularse la
estimación del error estándar de las predicciones. (Webster y Oliver, 2001).
Para estimar las relaciones espaciales debe contarse con el variograma, que da una medida
de la correlación espacial describiendo como los datos muestrales están relacionados con la
distancia y la dirección. De esta manera puede detectarse si el proceso es isotrópico (si no
depende de la dirección) o es anisotrópico (si depende de la dirección. (Cressie, 1993).
Varias herramientas exploratorias como las nubes de variogramas y la matriz de anisotropía
geométrica, señalaron que los datos analizados provenían de un proceso ligeramente
anisotrópico. El variograma empírico, brindó la descripción de cómo los datos están
correlacionados con la distancia y permitió estimar los parámetros de rango, “sill” y
“nugget”, con los valores 9582.39, 0 y 2.298, respectivamente.
Dado que para desarrollar el método kriging es necesario especificar una función de
variograma teórico, seleccionamos el modelo esférico. Se modeló el variograma esférico
con los parámetros mencionados anteriormente y se obtuvieron las predicciones kriging a
través de kriging ordinario. Previamente se comprobó que los puntajes de la componente
principal tenían un coeficiente de asimétria de 0.21, lo que corroboraba empíricamente el
supuesto de normalidad de la misma.
Las Figuras 2 y 3, en el Anexo, muestran los gráficos de las predicciones kriging y los
errores estándares de esas predicciones. El análisis fue realizado con S-PLUS: S+Spatial
Stats, (2000). Consideraciones sobre la variabilidad espacial no fue particularmente
significativa. Aparentemente, simples mediciones del carbono en el suelo, como la media,
pudieran ser suficientes para estimar el carbono almacenado en el suelo. Los resultados
coinciden con la literatura consultada.
Conclusiones
En el estudio del secuestro de carbono, es necesario integrar a las herramientas que brinda
la Estadística Espacial otros enfoques y estrategias, que combinados con los anteriores,
contribuirían a una mejor explicación del dicho fenómeno. Como puede apreciarse, en
presencia de variables altamente correlacionadas, el análisis geoestadístico puede realizarse
a través de la aplicación de técnicas factoriales como el ACP, que reducen la dimensión y
evitan trabajar con modelos de coregionalización completa. Dado el carácter
multidimensional de las propiedades de los suelos forestales, la metodología antes expuesta
permite la evaluación geoestadística de estos suelos.
Bibliografía
Cressie, N. A. C. (1993). Statistics for Spatial Data. John Wiley. New York.
Jorgensen, S.E. (2004). ENVIRONMENTAL MODELS AND SIMULATIONS. in
Environmental Systems, [Ed. Achim Sydow], in Encylopedia of Life Support Systems
(EOLSS), Developed under the Auspices of the UNESCO, Eolss Publishers, Oxford, UK,
[http://www.eolss.net]
Linares, F., G. (1991). Análisis de Datos. ENPES. La Habana, Cuba.
Linares F., G. (2004). “Geoestadística en las ciencias del suelo”. Memorias de la XI
Semana Nacional de Estadística. Facultad de Ciencias Físico Matemáticas de la BUAP.
Puebla. México.
Linares F., G. et al. (2006). “Análisis geoestadístico del secuestro de carbono en suelos
forestales”. Memorias del V Congreso Internacional y del XI Nacional de Ciencias
Ambientales. Oaxtepec, Morelos. México.
MINITAB 14. (2003). Minitab Inc. USA.
Moffatt, I. (2004). CASE STUDIES OF LOCAL, REGIONAL AND GLOBAL
APLICATIONS OF ENVIROMENTAL MODELS, in Environmental Systems, [Ed. Achim
Sydow], in Encylopedia of Life Support Systems (EOLSS), Developed under the Auspices
of the UNESCO, Eolss Publishers, Oxford, UK, [http://www.eolss.net]
Ponce, R., P. Koohafkan, J. Antoine, “Assessing carbon stocks and modeling win-win
scenarios of carbon sequestration through land-use changes,” Food and Agriculture,
Organization of the United Nations, Rome, 2004.
S-PLUS: S+Spatial Stats, (2000) Professional Release 2. MatthSoft, Inc. Seattle, USA.
Sydow, A. (2004), ENVIRONMENTAL SYSTEMS, in Environmental and Ecological
Sciences, Engineering and Technology Resources, [Ed. Achim Sydow], in Encylopedia of
Life Support Systems (EOLSS), Developed under the Auspices of the UNESCO, Eolss
Publishers, Oxford, UK, [http://www.eolss.net]
Webster, R. Oliver, M. A. (2001). Geostatistics for Environmental Scientists. John Wiley &
Sons, Chichester, England.
ANEXO