Territorio y Medio Ambiente. Mtodos Cuantitativos y Tcnicas de Informacin Geogrfca.

Editado por
C. Conesa Garca y J.B. Martnez Guevara. 2004 Grupo de Mtodos Cuantitativos, SIG y Teledetec-
cin (Asociacin de Gegrafos Espaoles) y Departamento de Geografa, Universidad de Murcia.
Geoestadstica y Medio Ambiente
W. Siabato
1
y C. Yudego
2

(1) Doctorando en ngeniera nformatica. Programa ngeniera del Software. Facultad de nformatica, Universidad de
Pontifcia de Salamanca, Paseo Juan XX, 3 - 28040 Madrid.
(2) Master en Sistemas de nformacin Geografca (GS), Facultad de nformatica, Universidad de Pontifcia de
Salamanca, Paseo Juan XX, 3 - 28040 Madrid.
RESUMEN
Dentro de la disciplina de los mtodos cuantitativos uno de los mas utilizados es la
Geoestadstica, que por sus caractersticas intrnsecas para predicciones y simulacio-
nes de fenmenos naturales y sus propiedades de control de errores heredadas de los
mtodos de interpolacin estocsticos, se perflan como una buena opcin para el trata-
miento de la informacin geogrfca originada en estudios territoriales y de medio am-
biente.
El objeto de este articulo es presentar los resultados de estudios realizados en la Pennsula
Valds (Argentina) y Bogot (Colombia) referentes a la reproduccin del pingino de Ma-
gallanes de la Estancia San Lorenzo y el comportamiento de gases contaminantes y mate-
rial particulado en zonas urbanas.
Debido al objeto del estudio y la naturaleza de la muestra se plantea el tratamiento de este
conjunto de datos desde el punto de vista geoestadstico, procesando los datos recolectados
en campo y analizndolos a travs de semivariogramas y otros mtodos para obtener ten-
dencias de comportamiento y correlacin de datos de las variables analizadas.
Para el estudio realizado en la Pennsula Valds, se dividi la pinginera en una red de pun-
tos que distaban entre s 50 metros, sobre cada uno de los cuales se traz un rea circular de
100 m
2
para contabilizar nidos activos. Se estim el tamao poblacional a partir de la me-
dia de densidades y del rea total ocupada por la colonia, asumiendo que haba una pareja
de pinginos reproductores en cada nido activo. Cada punto de muestreo, contiene tambin
un censo de vegetacin y una caracterizacin del tipo de suelo.
Para el estudio del comportamiento de polutantes, se tomaron las mediciones de estaciones
atmosfricas y meteorolgicas distribuidas a lo largo de Bogota D.C. Se presenta un anli-
sis enfocado al material particulado inferior a 10 micras PM
10
por el comportamiento de la
muestra y por su inuencia directa en la salud humana.
W. Siabato - C. Yudego 12
En ambos casos, se explican las caractersticas fundamentales de los modelos aplicados
incluyendo descripciones tericas y metodolgicas, as como el modelado espacial de las
variables estudiadas.
Palabras Cla:e Pinguino, Nido acti:o, Censo, Calidad del aire, Distribucin de gases
contaninantes, Interpolacin, Geoestadistica, Peninsula Valdes (Argentina), Bogota
(Colonbia).
INTRODUCCIN
El uso de la geoestadstica se ha venido diversifcando cada vez ms en mltiples reas
del saber, y sobre todo en aqullas que tienen que ver con anlisis de fenmenos y compor-
tamientos relacionados con el medio ambiente o que relacionan algn tipo de componente
espacial. Desde que en los aos 60 el Doctor George Matheron, del Centre de Morphologie
Mathematique en Fontainebleau (Francia), desarrollara una nueva rama de la estadstica
aplicada, a la que llamara geoestadstica, orientada hacia la explotacin minera y fnes
geolgicos en general (de all el prefjo geo), la geoestadstica ha pasado a ser una clase de
tcnicas usadas para analizar, estimar y predecir valores de una variable distribuida en el
espacio o el tiempo.
Los mltiples usos en los que esta rama puede participar son ilimitados. Cualquier colec-
cin de datos geogrfcos puede tratarse a travs de esta tcnica. Tal y como lo describe Envi-
ronment System Research Institute -ESRI- (2004), se pueden destacar entre otros los descritos
a continuacin.
En la antigua Unin Sovitica, los meteorlogos y estadsticos desarrollaron a mediados de
los aos cincuenta del siglo pasado las bases de la rama actualmente conocida como geoesta-
dstica. Desde entonces el anlisis de los datos atmosfricos contina siendo una de las aplica-
ciones principales. Tambin se usa ampliamente en la industria de la minera en las fases de los
estudios de viabilidad para el control de la produccin y esperanza de explotacin. La industria
del petrleo la utiliza con gran xito para analizar los datos espaciales y la integracin de los
datos ssmicos con los datos de los pozos y estudiar las correlaciones entre las propiedades
fsicas y los atributos ssmicos.
La aplicacin de la geoestadstica a los problemas medioambientales proporciona modelos ef-
caces y consistentes de la variabilidad de los contaminantes atmosfricos, terrestres y martimos.
Se ha convertido tambin en un estndar para la estimacin de la abundancia de peces en zonas de
pesca y mar abierto. Es utilizada ampliamente en la construccin de mapas temticos de las pro-
piedades del suelo para su aplicacin en agricultura de precisin. Un nmero creciente de agricul-
tores en todo el mundo est usando esta rama de la ciencia para aumentar el rendimiento, mejorar
las ganancias y reducir el impacto sobre el medio ambiente, valor agregado muy apreciado.
En resumen, la geoestadstica proporciona un conjunto de tcnicas dinmicas para ayudar a
resolver tanto problemas espaciales como para el mejoramiento de la estimacin de los valores
Geoestadstica y Medio Ambiente 13
de temperatura, la evaluacin de riesgos medioambientales, o la prediccin de la existencia
de cualquier elemento geofsico. Suministra tambin la posibilidad de realizar la exploracin
de datos espaciales, la identifcacin de sus anomalas, la evaluacin de error en modelos de
superfcie de prediccin y estimacin estadstica.
Como se puede apreciar, son muy variadas las aplicaciones que se le pueden dar a este tipo
de tcnicas en cada uno de los tres elementos que componen nuestro planeta. En este sentido,
los trabajos expuestos a lo largo de este artculo describen el uso de la geoestadstica aplicada
a temas referentes al medio ambiente a travs de una metodologa desarrollada en el Centro de
Investigacin y Desarrollo Cientfco de la Universidad Distrital Francisco Jos de Caldas, y
tiene por objeto, adems de ensear esta prctica y sencilla metodologa, sensibilizar un poco
a los lectores acerca del cuidado del medio ambiente y la proteccin de la fauna.
BREVES CONCEPTOS DE GEOESTADSTICA
La geoestadstica es el arte de modelizar datos espaciales, una tcnica estadstica usada
para la estimacin, prediccin y simulacin de datos correlacionados espacialmente. Su im-
portancia radica en que permite describir la continuidad espacial de las variables y estimar
valores muy cercanos a los reales en puntos desconocidos.
A lo largo de su evolucin se han identifcado cuatro diferentes generaciones:
Lineal: dedicada a la teora de las funciones aleatorias.
No Lineal: dedicada a aplicaciones mineras y la gran difusin de esta rama.
Tercera generacin: dedicada al desarrollo de los diferentes tipos de Kriging.
Cuarta generacin: la cual utiliza algoritmos Geoestadsticos a travs de herramientas
computacionales.
Para su anlisis utiliza mtodos exploratorios y de interpolacin. Estos mtodos requieren un
conocimiento bsico estadstico, pues cuando hay variacin irregular en los datos, la muestra es
representativa y/o la interpolacin simple arroja resultados incoherentes con la realidad, los m-
todos geoestadsticos proporcionan estimaciones probabilsticas de la calidad de la interpolacin.
Paralelamente, proporcionan una herramienta (semivariogramas) que permite explorar y obtener
una mejor comprensin de los datos. Adems se tiene el control para crear las mejores estimacio-
nes basadas en la informacin disponible, permitiendo la toma de mejores decisiones.
El mtodo geoestadstico se basa en los supuestos de estacionariedad en la variable, hipte-
sis intrnseca y distribucin de probabilidad en los datos. En caso de que la variable modelada
se comporte como una distribucin normal, el mtodo ser ms exacto. La efcacia de este
mtodo depende de la uniformidad del rea de estudio.
En general, se puede decir que los mtodos geoestadsticos son mejores que la interpola-
cin simple cuando hay una muestra representativa y depende tambin de la calidad de esti-
macin que se requiera.
En este artculo se aplicar la metodologa explicada a continuacin a dos tipos de muestras
completamente diferentes en su distribucin espacial y se evidenciar, de esta forma, la relevancia
de las muestras en el proceso de tratamiento de datos bajo los principios de la geoestadstica.
W. Siabato - C. Yudego 14
ESQUEMA METODOLGICO PARA EL ANLISIS GEOESTADSTICO
Tal y como lo mencionan Rangel et al. (2003) para realizar un buen anlisis geoestadstico
se debe realizar un proceso iterativo para poder obtener resultados ptimos y confables. En
la Figura 1 se muestra el ciclo metodolgico para realizar este tipo de anlisis, el cual est ba-
sado en modelos estadsticos que incluyen auto-correlacin y permiten realizar estimaciones
de fenmenos. Segn los mencionados autores, en general el esquema metodolgico para un
anlisis geoestadstico se describe en los siguientes siete pasos:
Informacin bsica. Se asume que antes de hacer el anlisis geoestadstico, o cualquier
otro tipo de anlisis, se ha defnido el problema o el fenmeno que se espera investigar; se debe
tener claro cules son los puntos muestreados con los que se cuenta, puesto que son la base
para realizar la estimacin. Para realizar un buen anlisis geoestadstico, se necesita utilizar
una muestra representativa de la variable que se desea modelizar y adicionalmente, para ob-
servar el resultado obtenido, se recomienda tener una espacializacin de la zona o lugar donde
ocurre el fenmeno en estudio.
Seleccin de las variables. Al seleccionar las variables se debe escoger aqullas que
tengan mayor infuencia sobre el fenmeno, con un tamao de muestra representativo, nunca
inferior a diez.
Anlisis exploratorio de los datos. Antes de aplicar Geoestadstica como tal, se debe
hacer una depuracin inicial de los datos para evitar errores en los anlisis. Por ejemplo se debe
observar qu tipo de distribucin tienen los datos, buscar si la muestra tiene alguna tendencia,
si existen valores atpicos y decidir si deben incluirse o retirarse de la muestra, analizar la dis-
tribucin espacial y los estadgrafos de los valores de la variable.
Figura 1. Diagrama resumen para la implementacin del proceso geoestadstico.
Seleccin del mtodo. Se escoge el mtodo que se va a utilizar para hacer la interpola-
cin, bien sea determinstico (Interpolacin por Distancia Inversa, Interpolacin por Distancia
Inversa Cuadrada, Interpolacin por el mtodo de Shepard, Interpolacin Polinomial, etc.) o
estocstico (Kriging Ordinario, Simple, Universal, Residual, Indicador, Probabilstico, Log-
normal, Disyuntivo, Bloques) y la variable en cuestin. Es de resaltar que se puede hacer el
anlisis individual o en conjunto para las variables dependiendo del mtodo de anlisis que se
utilice, Kriging para anlisis sencillos y Co-Kriging para anlisis multivariable.
Geoestadstica y Medio Ambiente 15
Anlisis estructural y clculo. Se calcula el variograma experimental utilizando una
funcin de correlacin espacial, bien sea de semivarianza o covarianza. De acuerdo a la nube
de puntos generada en el semivariograma experimental se busca el modelo terico (Esfrico,
Exponencial, Gaussiano o Potencial) que mejor se ajuste y se obtiene el modelado del semiva-
riograma, se defne el nmero y tamao (se recomienda que el tamao del Lag sea similar a la
distancia promedio que existe entre la ubicacin espacial de los datos) de los Lag que se van
a utilizar en el modelo.
Se defne si existe isotropa o anisotropa mediante el anlisis del Semivariograma desde
diferentes ngulos de referencia. Con base en la existencia o no de la autocorrelacin direc-
cional se debe defnir la vecindad de anlisis para cada uno de los datos y, posteriormente, se
hace la verifcacin del error de prediccin, la cual se puede realizar mediante validacin cru-
zada, que usa todos los datos para predecir la autocorrelacin del modelo. Para esto, basta con
omitir un valor de la variable y predecir dicho valor con los dems datos, luego se compara la
prediccin y el valor medido de la variable. Este proceso se repite para cada uno de los valores
muestreados. La pendiente de la recta generada con estos datos debe tender a uno.
Prueba, comprobacin y seleccin. Se hacen diferentes ensayos para escoger el mejor
mtodo, ya sea determinstico o estocstico, y el mejor modelo geoestadstico; en la prctica es
realizar los ltimos dos pasos (4 y 5) tantas veces como sea necesario para encontrar el modelo
que mejor se ajuste. Escoger el mtodo ms apropiado depende del tamao de la muestra y
la precisin que se desee obtener en la prediccin. Similarmente, escoger el mejor modelo se
fundamenta en seleccionar aqul cuyos errores de prediccin sean mnimos. Si los resultados
obtenidos en esta etapa no estn dentro de parmetros especifcados en el planteamiento del
problema, se debe regresar al paso 1, es decir, mejorar la muestra y volver a realizar el ciclo
de anlisis.
Resultado de la estimacin y salida hnal. Los resultados se pueden observar en tablas
como las de la Validacin Cruzada, Histogramas, QQPLOT (muestra los quantiles de las di-
ferencias entre los errores estandarizados y los quantiles correspondientes de una distribucin
normal), anlisis de tendencia, nubes de puntos del semivariograma o del covariograma, etc.
y/o en mapas como los de prediccin, probabilidad, prediccin del error estndar y de quanti-
les para cada uno de los anteriores pasos.
Este proceso se debe repetir para cada una de las variables que se deseen examinar dentro
del anlisis.
ANLISIS DE GASES CONTAMINANTES
Una descripcin precisa y concreta de la contaminacin es la impregnacin del aire, el agua
o el suelo con productos o sustancias que afectan a la salud del hombre, la calidad de vida o el
funcionamiento natural de los ecosistemas.
En concreto, se entiende por contaminacin atmosfrica, la presencia en el aire de sus-
tancias o formas de energa que impliquen riesgo, dao o molestia grave para las personas y
bienes de cualquier naturaleza (que se ven afectados normalmente por la lluvia acida).
W. Siabato - C. Yudego 16
En las grandes ciudades, la contaminacin del aire se debe a los escapes de gases de los
motores de explosin, a los aparatos domsticos de la calefaccin y a las industrias (principal-
mente la de generacin de electricidad) que liberan en la atmsfera gases, vapores o partculas
slidas capaces de mantenerse en suspensin, perjudicando la vida y la salud, tanto del ser
humano como de animales y plantas.
Es importante que los habitantes de las grandes ciudades tomemos conciencia de que el
ambiente es una necesidad primaria, indispensable para mantener una buena calidad de vida.
Se debera, entonces, legislar sobre las sustancias que pueden ir a la atmsfera y la concentra-
cin que no debe superarse para as mantener un control y poder planifcar con mayor control
disminuyendo el riesgo.
El anlisis de gases contaminantes en zonas urbanas que expone este trabajo, pretende
servir como herramienta de control de las emisiones diarias y as ofrecer a las entidades com-
petentes una herramienta que permita aplicar la legislacin ambiental vigente por el benefcio
comn, garantizando una mejor calidad de vida y sobre todo un medio ambiente sostenible,
sobre todo si se tiene presente la aseveracin de la Organizacin Mundial de la Salud -OMS-,
cuando establece que la contaminacin del aire es una amenaza aguda, acumulativa y crnica
que puede generar o agravar enfermedades respiratorias, pulmonares o cardacas.
De forma concreta y aplicando la metodologa explicada anteriormente se puede resumir
el trabajo de la siguiente forma:
Informacin utilizada. Para el anlisis de gases contaminantes realizado en la ciudad de
Bogot D.C. la informacin utilizada corresponde a las mediciones que realizaron las esta-
ciones atmosfricas y meteorolgicas del Departamento Tcnico Administrativo del Medio
Ambiente DAMA en el periodo 1997-2001. Estos datos incluyen informacin sobre variables
atmosfricas y meteorolgicas tales como humedad, presin, radiacin, temperatura, lluvia,
velocidad del viento, direccin del viento, azimut, elevacin, metano, monxido de carbono,
xidos de nitrgeno, dixidos de nitrgeno, ozono, material particulado y dixido de azufre.
Es de destacar que, en general, las mediciones de las variables estn en registros horarios dia-
rios para cada mes, correspondientes a promedios horarios diezminutales.
Dehnicin y medicin de variables. Aunque se registren valores de mltiples variables, se
utiliza nicamente PM
10
, que corresponde a las mediciones de materiales slidos que se producen
por la accin del viento sobre las reas desprovistas de vegetacin, en los procesos de combustin
de las fbricas, en la fracturacin de rocas y materiales de construccin, en los humos de los gases
de los vehculos y tambin por efecto de la resuspensin del material de las vas no pavimentadas
cuando sobre ellas circulan vehculos, o en otras actividades antropognicas. La unidad en que se
expresa el nivel de concentracin de este tipo partculas en la atmsfera es g/m
3
.
Se selecciona esta variable porque es uno de los tipos de sustancias conocidas como con-
taminantes primarios que infuye en la calidad del aire de las zonas urbanas. Adems, desde el
punto de vista de la salud humana, son de mayor inters las partculas cuyo tamao no excede
las 10 micras (PM
10
) debido a que pueden ingresar al tracto respiratorio y producir daos en los
tejidos y rganos que lo conforman. Y adicionalmente porque existen valores de esta variable
en la mayora de las estaciones meteorolgicas para el 95% de los das comprendidos en el
periodo de tiempo para el cual se estima el modelo.
Geoestadstica y Medio Ambiente 17
Marco y anlisis. El anlisis se realiza para los das 24 de Abril de 2000, 13 de Febrero de
2001 y 26 de Abril del mismo ao a las 14 horas, adems se incluye el da del 15 de Febrero de
2002 entre las 0:00 y 23:00 horas; este periodo se tiene en cuenta por ser la fecha actualizada
que ms mediciones tiene sobre la variable en estudio dentro de la muestra recogida.
El anlisis consiste en escoger, entre los mtodos de interpolacin existentes, dos o ms
para hacer estimaciones y comparar los resultados que arrojan cada uno de los mtodos selec-
cionados. En este caso, se utiliz para el anlisis un mtodo determinstico y uno estocstico.
El mtodo determinstico seleccionado fue Interpolacin por Distancia Inversa (IDW) mientras
el estocstico fue Kriging Ordinario. Se selecciona IDW porque es el mtodo de interpolacin
ms sencillo, utiliza pocos parmetros de decisin, las estadsticas simples son aceptables y
es un buen parmetro de comparacin; paralelamente, se escoge Kriging Ordinario dentro de
los otros tipos de Kriging porque, en principio, ste utiliza la media de la muestra, la variable
medida se asume que es estacionaria, porque al hacer las pruebas de prediccin con tendencia
y, sin sta, los errores de prediccin son menores cuando se hacen los clculos sin tendencia;
adems, aunque grfcamente se podra notar alguna tendencia, sta no se podra comprobar
con la muestra disponible. El mtodo permite usar modelos de los errores de medicin y, por
experiencia, es el ms usado para fenmenos ambientales. Se hace un anlisis individual de la
variable PM
10
y no en conjunto con otras variables porque el nmero de datos existentes no son
sufcientes para mejorar la estimacin lograda con una sola variable.
Un importante elemento de anlisis lo constituye la grfca de caja y bigote, la cual est
formada por cuatro elementos: bigote, caja, puntos y lnea. En trminos generales, el bigote
indica el rango de distribucin de los datos, es decir el valor mximo y mnimo de la muestra;
la varianza est representada por la caja, la amplitud de sta es directamente proporcional al
valor de la varianza; la lnea ndica la mediana de la muestra, la ubicacin relativa de la lnea
y la caja con respecto al bigote representan el sesgo de la muestra; si la lnea se encuentra en
la mitad de la caja indica que la media y la mediana son muy cercanas, siendo esto tpico en
las distribuciones normales; los puntos en la grfca son valores atpicos y pueden o no estar
presentes en ella.
Figura 2. Comparacin de estadsticas basicas para la concentracin de PM
10
en los das Abril 24 de
2000 y Abril 26 de 2001.
W. Siabato - C. Yudego 18
La Figura 2 compara la distribucin de PM
10
para el 24 y 26 de Abril de 2000 y 2001 res-
pectivamente a la misma hora de toma de muestra. Es evidente, que la distribucin de PM
10
para
el 26 de Abril era ms homognea y menos sesgada, adems se observa cmo la mediana se
encuentra en la mitad del intervalo de varianza, signifcando esto que la distribucin tiende a ser
normal. En trminos ambientales, esto signifca que la distribucin del material particulado para
el 26 de abril de 2001 en Bogot D.C. era uniforme en el rea urbana. Por otro lado, el bigote
indica que, si bien para el da 24 de abril existieron concentraciones mnimas absolutas de 0 g/
m
3
, tambin es claro que comienza a alcanzar niveles crticos acercndose a los lmites defnidos
como crticos por la OMS (teniendo en cuenta que sta no acepta niveles de emisin seguros).
As se descarta la posibilidad de que los niveles de 0 g/m
3
se deban a tomas no vlidas de datos
o cualquier otro valor atpico de muestra debido a que stos no son tenidos en cuenta en el pro-
ceso de anlisis exploratorio. Se puede concluir que las mediciones realizadas corresponden,
por un lado, a muy tempranas horas de la maana, donde la actividad industrial de la ciudad y su
trfco se ve casi reducido a cero, adems de que la accin de los vientos ha hecho una limpieza
general de la zona urbana (benefcio ambiental de la cuidad gracias a su topografa). Por otro
lado, y en contraposicin, la mxima emisin se dar en las horas pico de rodamiento y mxima
produccin industrial, acompaada quizs de otros fenmenos ya explicados anteriormente.
Figura 3. Comparacin de estadsticas basicas para la concentracin de PM
10
en los das Febrero 13 de
2001 y Febrero 15 de 2002.
Siguiendo el mismo anlisis, se infere de la Figura 3 que las distribuciones son menos
homogneas que las observadas anteriormente. Cabe destacar, que las concentraciones medias
son muy cercanas y mucho ms elevadas que para el mes de Abril, tendencia que se ratifca en
los aos muestreados. Aunque para este caso el rango de los datos es ms cercano, su sesgo
es notablemente diferente, tanto que, para los datos de 2001 se presenta una distribucin cla-
ramente sesgada a la izquierda (sesgo negativo), mientras que para el 2002 cambia su sesgo,
aunque en menor proporcin, a la derecha (sesgo positivo). Esto evidencia la existencia de me-
diciones distantes en una nica direccin, es decir grandes diferencias en las concentraciones
emitidas y medidas a diferentes horas del da. Para el 13 de Febrero estas diferencias son pe-
queas, mientras que para el 15 de Febrero son indiscutiblemente mayores, de ah que el sesgo
se produzca a la derecha, esto es comprensible si se tiene en cuenta que el rango es mayor.
Teniendo en cuenta, como ya se dijo antes, que la media de las distribuciones es cercana, es
Geoestadstica y Medio Ambiente 19
claro que la distribucin del material particulado a lo largo de la ciudad est afectado por los
factores atmosfricos y, en particular, por la direccin y velocidad del viento.
Figura 4. Mapa de estimacin segn Kriging para el da febrero 15 de 2002 para las 08:00 a.m.
Resultados de la estimacin. Dentro de los resultados que se obtuvieron en el anlisis
geoestadstico, uno de los ms importantes es el mapa de estimaciones. En las Figuras 4 y 5,
se ilustran la distribucin espacial estimada para el da 15 de Febrero de 2002 a los 08:00 AM
por los dos mtodos nombrados.
De acuerdo a los resultados obtenidos aplicando Kriging ordinario para la muestra del 15
de febrero de 2002 a las 08:00 a.m., la mayor concentracin de PM
10
se encuentra en la parte
noroccidental de la ciudad (en la fgura se representa por el tono oscuro) y la menor se encuen-
tra en la parte oriental (en la fgura se representa por el tono ms claro). El rango hasta donde
se consider auto-correlacin es 2 km.
Realizando el mismo anlisis por el mtodo IDW se observa que la mayor concentracin
es coincidente con los anteriores resultados en la parte noroccidental de la ciudad y la menor
concentracin se encuentra en la parte nororiental, encontrando algunas diferencias con el
anterior resultado.
Figura 5. Mapa de estimacin segn DW para el da febrero 15 de 2002 para las 08:00 a.m.
W. Siabato - C. Yudego 20
Inicialmente se puede concluir que, de acuerdo a la muestra tomada para hacer el anlisis
de PM
10
en la zona urbana de Bogot D.C. para los das analizados, el mejor mtodo de inter-
polacin entre los utilizados es el de distancia inversa. Para ello, la herramienta de decisin uti-
lizada fue la validacin cruzada. Aunque Kriging es considerado BLUE (Best Linear Unbiased
Estimator), sus estimaciones obtienen un intervalo de error mayor al de IDW, posiblemente
debido al tamao de muestra disponible, esto si se tiene en cuenta que se est trabajando sobre
el lmite del mnimo permitido.
Para los das que se tuvieron en cuenta, la contaminacin producida por material
particulado en la zona urbana de Bogot D.C. no es uniforme, sino que presenta una mayor
concentracin en el costado occidental y sur de la ciudad. Esta situacin es el refejo de la
ubicacin de fuentes fjas de contaminantes tales como zona industrial, canteras, relleno
sanitario y plantas asflticas. La menor concentracin de material particulado se encuentra
en el costado oriental de la ciudad lo cual, con seguridad, es producido por el gran pulmn
ambiental que generan los cerros orientales y la alta precipitacin en este lugar, que hace
un lavado de los contaminantes, llevando la contaminacin a la superfcie urbana y a los
suelos.
ESTIMACIN DE LA POBLACIN DE COLONIAS DE PINGINOS
Los pinginos son aves marinas, es decir, pasan la mayor parte del tiempo en el mar, y
all es donde encuentran su alimento. Pero, como aves que son, su reproduccin es ovpa-
ra. Es por esta razn por la que, una vez al ao, necesitan pisar tierra frme para poner sus
huevos e incubarlos. El tamao de estas colonias reproductivas vara, entre otros factores,
en funcin del tipo de suelo y de la topografa sobre la que pueden construir sus nidos. La
distribucin siempre es colonial, ya que ste es un mtodo defensivo frente a los depreda-
dores, pero las colonias pueden ir variando con el paso del tiempo, es decir, el nmero de
individuos en una colonia de reproduccin puede variar en el transcurso de los aos por
diversos factores.
El sur de Argentina es uno de los lugares del mundo donde nidifca el pingino de Maga-
llanes (Spheniscus magellanicus). Una de estas colonias de reproduccin es la ubicada en la
Estancia de San Lorenzo (Pennsula Valds, Chubut, Argentina). Ya que la Pennsula Valds es
zona turstica, se plante la apertura al pblico de la pinginera, previo a lo cual se solicit un
estudio de impacto ambiental. Se quera analizar la viabilidad de la visita de turistas, minimi-
zando en todo lo posible el impacto que se les poda causar.
Frere y Gandini (1996) afrman que al comienzo de cualquier estudio de poblaciones natu-
rales, uno de los pasos ms importantes es determinar el nmero de nidos activos para estimar
el tamao de la poblacin. Por esto, uno de los primeros estudios que se realizaron fue el de
calcular el tamao de la colonia de pinginos en esta rea.
El objetivo de estos anlisis era averiguar la distribucin espacial de los nidos dentro de la
colonia, y ver si exista alguna relacin entre el tipo y la cantidad de los nidos, con respecto al
tipo de suelo sobre el que se construyeron y la vegetacin reinante en cada zona.
Geoestadstica y Medio Ambiente 21
El tratamiento geoestadstico que se da a los datos del censo de este estudio pretende
evidenciar la necesidad de tomar datos de campo georreferenciados en estudios similares al
presentado en este trabajo. De esta manera resulta mucho ms sencillo mostrar la relacin
espacial existente entre las diferentes variables medidas en cada punto de muestreo, as como
la toma de decisiones para crear mejores planes de manejo que aseguren la conservacin de
nuestros recursos naturales, como es, en este caso, el Pingino de Magallanes en la colonia de
San Lorenzo.
Informacin utilizada. La informacin manejada en esta publicacin proviene de los estu-
dios realizados dentro del plan de manejo de la Estancia San Lorenzo (4204` - 4210` S, 6350`
- 6356` W), durante la estacin reproductora de 1999-2000 del pingino de Magallanes. Entre
ellos se incluye un estudio de impacto ambiental. Como parte de este proyecto de impacto am-
biental se realizaron diferentes estudios, entre los cuales estn un censo de pinginos, un censo
de vegetacin y un estudio del tipo de suelo en el rea cubierta por la zona de nidifcacin. Son
precisamente los datos de estos tres anlisis los que se utilizan.
Dehnicin y medicin de variables. Se han tenido en cuenta tres de las variables que se
midieron en los 821 puntos de muestreo que conformaban la cuadrcula en que se dividi la
pinginera. La variable ms importante seleccionada es Nmero de Nidos, y corresponde al
nmero total de nidos activos que se encuentran en un rea circular de 100 m
2
cuyo centro es el
propio punto de muestreo. El dato del nmero total de nidos nos dar el tamao poblacional de
esta colonia y, junto a la georreferenciacin de los datos, podremos saber cul es la distribucin
de estos nidos en toda el rea cubierta por la pinginera. El resultado de este anlisis es la base
para cualquier otro estudio que se quiera realizar en dicha colonia, ya sean seguimientos de la
dinmica de la poblacin, o de cualquier otra ndole.
Las otras dos variables medidas (tipo de suelo y tipo de vegetacin predominante) se es-
cogieron para tratar de conocer las posibles causas de la distribucin de los nidos en la zona
de nidifcacin.
Anlisis exploratorio. No hace falta revisar los datos con profundidad para determinar
que la muestra es en general homognea, sin embargo un aspecto que debe tenerse en cuenta
es la presencia de puntos de muestreo con cero nidos activos as como los picos de 62 y 58
nidos. Esto queda an ms claro si se comprueba a travs de histogramas y mapas QQPlot, o
Voronoi.
Figura 6. Distribucin de la muestra en Histograma y QQPlot.
W. Siabato - C. Yudego 22
La Figura 6 muestra clara y obviamente una concentracin y desviacin de los datos hacia
el cero, aunque estos datos son considerados en el estudio, se ver posteriormente cmo su
omisin en el anlisis mejora la distribucin y el error en la prediccin.
Marco y anlisis. Teniendo en cuenta la totalidad de la muestra de nidos y aplicando IDW
con valor de potencia optimizado se obtienen los resultados expuestos en la Figura 7.
Figura 7. Prediccin y error por DW para Nidos.
La grfca representa claramente la gran diferencia entre el modelo de prediccin y el error;
a mayor distancia, mayor es el error. Se observa una densa nube de puntos que representa en
su mayora los puntos con cero nidos activos, siendo ste el motivo por el cual el error de pre-
diccin se incrementa. Sin embargo, para IDW no se registra un mejoramiento signifcativo del
error si se omiten estas muestras para la prediccin.
Repitiendo el proceso y comparando los resultados para mltiples tipos de tcnicas de in-
terpolacin se determin que el modelo terico que ms se ajusta corresponde al exponencial,
si se aplica Kriging ordinario con este modelo terico. Para el clculo del semivariograma se
asumi isotropa en la variable Numero de Nidos, es decir, se realiza el clculo omnidireccio-
nalmente (incluyendo todos los datos independientemente de la direccin).
Con respecto a la muestra, aunque el nmero del tamao de la muestra es aceptable, los pa-
res de muestreo generados no son acordes al tamao, pues se generan menos de los esperados,
esto debido a la cantidad de puntos presentes con cero nidos activos.
Para observar los valores de prediccin de la variable se utiliz la tcnica de validacin
cruzada (Figura 8). Aqu se puede observar que para el mtodo de prediccin es una buena
aproximacin, ya que los valores se encuentran agrupados y, aunque el error no se ve sensi-
blemente mejorado, la distribucin de los datos en torno al modelo terico mejora un poco,
sacrifcando, no obstante, el error medio cuadrtico.
Por otro lado, comparando los semivariogramas que consideran los puntos con cero nidos
se hace evidente una mejor distribucin de los datos a lo largo del modelo, tal y como se apre-
cia en la Figura 9. Adems de observarse los picos de densidad de nidos ya mencionados es
clara la importancia del proceso de anlisis exploratorio de datos.
Geoestadstica y Medio Ambiente 23
Figura 8. Prediccin y error por Kriging para Nidos.
Figura 9. Comparacin de semivariogramas.
Resultados. Segn los resultados obtenidos con el anlisis de los datos, se han elaborado
los mapas de distribucin de nidos en toda el rea cubierta por la pinginera.
Figura 10. Mapa de distribucin de densidades segn DW.
De acuerdo con el anlisis realizado segn IDW, las mayores concentraciones de nidos
se encuentran en una lengua de terreno situada en la parte occidental de la colonia, con la
mxima agrupacin situada en un pequeo ncleo, unos metros alejado del agua (marcado con
el color ms oscuro). El resto de la colonia aparece cubierta por densidades menores de nidos
y, aunque van difuminndose de manera notable a medida que nos desplazamos hacia el lmite
oriental de la colonia, es de destacar que aparecen muchos nidos pegados a la lnea de costa.
W. Siabato - C. Yudego 24
Desarrollando el mismo anlisis por el mtodo de Kriging ordinario, aparecen resultados
coincidentes en cuanto a la zona de mayor densidad de nidifcacin. Sin embargo, en este caso
aparecen pequeas diferencias con respecto al mtodo anterior, en cuanto a la pequea zona
de mxima acumulacin de nidos. Tambin parecen menores las densidades cercanas al mar,
ya que la distribucin se ve ms suavizada que en el caso anterior. Aunque en el anlisis de los
datos la exclusin de los ceros garantizaba un mejor comportamiento de los datos, en cuanto a
la distribucin del semivariograma, conociendo la realidad en el campo resulta ms fdedigno
el mapa que tiene en cuenta los ceros.

Figura 11. Mapa de distribucin de densidades segn Kriging ordinario (Con y sin ceros).
Scolaro (1984) afrma que la topografa fsica y el tipo de suelo son los mayores determi-
nantes en la localizacin y el tipo de nido. Segn los resultados derivados de los anlisis del
tipo de suelo, la lengua de alta densidad de nidos coincide en su totalidad con la zona de
suelo arcilloso de la colonia. Esta lengua arcillosa es an ms grande que la parte cubierta
por nidos. En cambio, las zonas de menores densidades corresponden a reas cuyo suelo est
principalmente formado por arena y cantos rodados. Y, fnalmente, aquellas zonas donde la
presencia de nidos es mnima o nula, corresponden a zonas de tierra o de dunas. Adems, en
las salidas de campo pudo comprobarse cmo la mayora de los nidos construidos cercanos a
la lnea de costa estaban protegidos por los pocos arbustos que all crecan, contrastando con
los lugares de esa misma lnea en los que no haba vegetacin alguna, donde apenas se encon-
traron nidos. Asimismo, casi la totalidad de los nidos construidos en la zona de alta densidad,
de terreno arcilloso, eran madrigueras excavadas bajo tierra, aunque tambin existan muchos
de ellos construidos al abrigo de los arbustos, de ah su elevado nmero.
En conclusin, Kriging no mejora la prediccin de los datos pues en las variables ana-
lizadas, los EMC tanto para IDW como Kriging son muy cercanos. Lo que implica que el
mtodo de interpolacin no mejora el resultado as sea que se utilice el mejor estimador lineal
insesgado (BLUE). Por lo tanto, el mtodo que mejor muestra los resultados de acuerdo a lo
comprobado en el campo es el de IDW, y es el que se tom como idneo para este estudio. Esto
se explica por lo regular de la muestra.
Geoestadstica y Medio Ambiente 25
REFERENCIAS
Environmental System Research Institute -ESRI- (2004): Statistical Tools and Models for Data Explora-
tion, Modeling, and Probabilistic Mapping [en lnea], [18/05/2004], <http://www.esri.com/software/
arcgis/extensions/geostatistical/about/overview.html> [Consulta: 20/05/2004 ]
Frere, E. y Gandini P. (1996): Conceptos generales para la evaluacin y monitoreo de poblaciones de
aves marinas, en Fundacin Patagonia Natural, (Argentina), I.T. No.8
Rangel, A.P.; Sanchez, A.H. y Siabato, W.L.(2003): Geoestadstica aplicada a problemas de contami-
nacin atmosfrica en Revista Ingeniera, (Bogot D.C.), Vol. 7. No. 2 (Junio 2003), 33-42
Sanchez, A.H. y Siabato W.L.(2002): Anlisis de gases contaminantes en zonas urbanas, Bogot D.C.:
Centro de Investigaciones y Desarrollo Cientfco U. D. F.J.C., 2002, pp.102
Scolaro, J. A. (1984): Revisin sobre biologa de la reproduccin del Pingino de Magallanes. El ciclo
biolgico anual. Argentina: Centro Nacional Patagnico. Contribucin 91: 1 - 26
Yudego, C., Martnez E., y Prez. A. D. (2000): Distribucin poblacional y principales factores ecolgi-
cos que determinan la nidifcacin del Pingino de Magallanes (Spheniscus magellanicus) en la co-
lonia de San Lorenzo, Pennsula Valds, Chubut, Argentina. IV Jornadas Nacionales de Ciencias del
Mar, (Puerto Madryn) Universidad de la Patagonia, San Juan Bosco.