Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Avances en El Analisis Espacial de Datos Ecologicos Aspectos Metodologicos y Aplicados
Avances en El Analisis Espacial de Datos Ecologicos Aspectos Metodologicos y Aplicados
Espacial de Datos
Ecológicos: Aspectos
Metodológicos y
Aplicados
MARCELINO DE LA CRUZ
FERNANDO T. MAESTRE
(editores)
EDITORES
De la Cruz, M. y Maestre, F. T. (eds.) 2013. Avances en el Análisis Espacial de Datos Ecológicos: Aspectos
Metodológicos y Aplicados. ECESPA-Asociación Española de Ecología Terrestre. Móstoles. 355 pp.
Móstoles, 2013
ISBN: 978-84-616-3448-4
PREFACIO
Hace más de cuatro años desde que viera la luz el libro “Introducción al análisis espacial de
datos en ecología y ciencias ambientales: métodos y aplicaciones”, auspiciado por el grupo
de ecología espacial de la Asociación Española de Ecología Terrestre (ECESPA) y
publicado por la Universidad Rey Juan Carlos y la Editorial Dyckinson. Dicho libro supuso
un hito importante en la literatura científica en castellano, ya que hasta la fecha no se había
publicado ningún libro en castellano dedicado en exclusiva al análisis de datos ecológicos
espacialmente explícitos. Esta obra ha tenido una muy buena acogida por parte de
investigadores y estudiantes interesados en el análisis de estos datos, como lo demuestran
las numerosas descargas (varios miles de sus distintos capítulos) realizadas del mismo
desde la página web de ECESPA (www.ecologiaespacial.es), así como las reseñas del
mismo que han aparecido en revistas científicas (Fajardo, A. 2010. Revista Chilena de
Historia Natural 83: 321-322) y de alta divulgación (Wiegand, T. 2009. Ecosistemas 18:
92-94). La buena acogida de este libro, y el interés y calidad de las presentaciones de la II
Reunión de Trabajo de ECESPA, realizada en la Universidad Politécnica de Madrid entre el
24 y 26 septiembre de 2008, nos ha animado a editar el volumen que tiene entre sus manos,
que pretende mostrar algunas técnicas de análisis espacial que no fueron representadas en el
primer libro, así como distintos estudios de caso en los que investigadores repartidos a lo
largo de la geografía española han aplicado técnicas de análisis espacial.
Siguiendo el esquema del libro publicado en 2008, la presente obra consta de 16
capítulos divididos en dos grandes apartados: i) conceptos y técnicas para el análisis
espacial de datos ecológicos y ii) aplicaciones prácticas. Como su propio nombre indica, el
primer apartado recoge una serie de capítulos 4 en total dedicados a revisar con cierta
profundidad distintas técnicas de análisis espacial que son de interés general para el análisis
de datos ecológicos espacialmente explícitos. La segunda parte de la obra recoge una serie
de 12 capítulos más cortos en formato de artículo científico que derivan de las
comunicaciones orales cortas y pósteres presentados en la II reunión de ECESPA. Estos
capítulos ilustran la variedad e importancia de cuestiones ambientales y ecológicas que
pueden abordarse desde la óptica de la ecología espacial.
Marcelino de la Cruz
Fernando T. Maestre
Móstoles, mayo de 2012
ÍNDICE
AUTORES ....................................................................................................................XVI
David Alameda Márquez. Area de Ecología, Universidad de Córdoba, Edificio C-4 "Celestino
Mutis", Campus de Rabanales, Ctra. Madrid, Km. 396, 14071 Córdoba; España.
dammad4@msn.com
José Manuel Blanco Moreno. Departamento de Biología Vegetal, Universidad de Barcelona, Av.
Diagonal 643, 08028, Barcelona, España. jmblanco@ub.edu
Javier Cabello Piñar. Departamento de Biología Vegetal y Ecología, Centro Andaluz para la
Evaluación y Seguimiento del Cambio Global–CAESCG. Universidad de Almería, Ctra. Sacramento
s/n. Almería, 04120, España. jcabello@ual.es
Jesús Julio Camarero. ARAID, Instituto Pirenaico de Ecología, CSIC Avda. Montaña, 1005. 50192
Zaragoza, España. jjcamarero@ipe.csic.es
José Antonio Carreira. Departamento de Biología Animal, Vegetal y Ecología, Universidad de Jaén,
Campus “Las Lagunillas” s/n, Jaén, España. jafuente@ujaen.es
Raquel Casado García. Area de Ecología, Universidad de Córdoba, Edificio C-4 "Celestino Mutis",
Campus de Rabanales, Ctra. Madrid, Km. 396, 14071 Córdoba; España. e-mail: bv3casgr@uco.es
Victoria González Rodríguez. Area de Ecología, Universidad de Córdoba, Edificio C-4 "Celestino
Mutis", Campus de Rabanales, Ctra. Madrid, Km. 396, 14071 Córdoba; España. bv2gorov@uco.es
Alba Gutiérrez Girón. Departamento de Biología Vegetal II. Facultad de Farmacia. Universidad
Complutense de Madrid. Avda. Complutense s/n. 28040 Madrid. albaggiron@farm.ucm.es
Juan Carlos Linares. Departamento de Sistemas Físicos, Químicos y Naturales, Universidad Pablo
de Olavide, Ctra. de Utrera s/n, Sevilla, España. jclincal@upo.es
Elisa Liras Laita. Departamento de Biología Vegetal y Ecología, Centro Andaluz para la Evaluación
y Seguimiento del Cambio Global–CAESCG. Universidad de Almería, Ctra. Sacramento s/n.
Almería, 04120, España. eliras@ual.es
Hugo Saiz. Instituto Pirenaico de Ecología. (CSIC), Avda. Montañana 1005, P. O. 13034, 50192,
Zaragoza, España. hsaiz@ipe.csic.es
Miguel Ángel Sánchez Granero. Área de Geometría y Topología. Universidad de Almería. España.
misanche@ual.es
Elena Suárez Bonnet. Area de Ecología, Universidad de Córdoba, Edificio C-4 "Celestino Mutis",
Campus de Rabanales, Ctra. Madrid, Km. 396, 14071 Córdoba; España. esuarez@cica.es
Karla Elizabeth Tapia. Instituto de Ecología. Universidad Técnica Particular de Loja.c/ San
Cayetano Alto s/n, Loja, Ecuador . ketapia@utpl.edu.ec
María Fernanda Tapia. Instituto de Ecología. Universidad Técnica Particular de Loja.c/ San
Cayetano Alto s/n, Loja, Ecuador . mftapia@utpl.edu.ec
José Esteban Torracchi Carrasco. Instituto de Ecología. Universidad Técnica Particular de Loja.c/
San Cayetano Alto s/n, Loja, Ecuador. jstorracchi@utpl.edu.ec
Rafael Vicuña. Instituto de Ecología. Universidad Técnica Particular de Loja.c/ San Cayetano Alto
s/n, Loja, Ecuador . rvicuna@utpl.edu.ec
Rafael Villar. Area de Ecología, Universidad de Córdoba, Edificio C-4 "Celestino Mutis", Campus
de Rabanales, Ctra. Madrid, Km. 396, 14071 Córdoba; España. bv1vimor@uco.es
1. Métodos y herramientas para el análisis de la conectividad
del paisaje y su integración en los planes de conservación
Santiago Saura Martínez de Toda
Resumen
La conectividad del paisaje, entendida como aquella característica que facilita en mayor o
menor medida los flujos ecológicos a través del territorio, se considera hoy en día parte
central de las estrategias de conservación de la biodiversidad y una de las mejores
respuestas para contribuir a mitigar los efectos negativos de la fragmentación de los hábitats
y del cambio climático. En este capítulo se describen los principales enfoques
metodológicos disponibles para el análisis de la conectividad del paisaje (índices espaciales
sencillos, estructuras de grafos, modelos de poblaciones espacialmente explícitos) y, dentro
de éstos, las diversas técnicas y tipos de información utilizables para caracterizar las
conexiones entre las teselas de hábitat, haciendo especial énfasis en sus posibilidades de
utilización práctica en la conservación de hábitats y especies y en la planificación territorial
en escalas amplias. Se discute cómo la conectividad debe ir más allá de la simple
evaluación del número de conexiones o regiones conexas, y cómo es conveniente
cuantificarla mediante índices desarrollados bajo el concepto de disponibilidad de hábitat a
escala de paisaje. Estos índices permiten evaluar separadamente y dentro de un marco
analítico integrado las diferentes maneras en que las teselas de hábitat o elementos
conectores pueden contribuir al mantenimiento de la conectividad a escala de paisaje. Se
revisa en qué casos una alta conectividad puede tener efectos contraproducentes sobre los
sistemas ecológicos y los objetivos de conservación, y en cuáles el invertir en la creación o
mantenimiento de corredores u otros elementos conectores puede ser menos eficiente que
otras alternativas de conservación al alcance del gestor. Se describen las principales
herramientas disponibles en forma de aplicaciones informáticas (la mayoría de ellas
gratuitas y de reciente desarrollo) para el análisis de la conectividad del paisaje y las
prestaciones complementarias y posibles sinergias entre las mismas. Se concluye con un
ejemplo de aplicación a un caso de estudio para la identificación y priorización de las zonas
críticas para el mantenimiento de la conectividad del hábitat del urogallo a escala regional
en Cataluña, ilustrándose su potencial para evaluar la efectividad y posible reforzamiento
de las redes de espacios protegidos, así como para orientar las medidas de gestión en las
zonas prioritarias identificadas.
2 S. SAURA MARTÍNEZ DE TODA
1.1. Introducción
Sin embargo, debe hacerse énfasis en que estos análisis de conectividad estructural
son en general excesivamente simplificados y poco realistas desde el punto de visto
biológico, y en la necesidad de orientar, siempre que sea posible, los análisis de
conectividad y la planificación subsiguiente hacia una visión funcional, por su mayor
relevancia ecológica y adecuación a los procesos que realmente están actuando o pueden
verse afectados en el paisaje. Habitualmente un análisis de conectividad se centra, como
muchos de los planes de conservación en general, en una o pocas especies (o grupos de
especies funcionalmente similares), las más amenazadas, emblemáticas o consideradas
Métodos y herramientas para el análisis de la conectividad del paisaje 5
Figura 1.1. Un mismo mosaico de 28 teselas de hábitat (representadas en color negro en la figura) puede
ser percibido como más o menos conexo según el alcance de los movimientos de la especie considerada
(representado en color gris claro en torno a las teselas que constituyen su hábitat). Para un organismo
con bajas capacidades de dispersión (izquierda) la mayoría de las teselas son percibidas como unidades
aisladas unas de otras, mientras que para otro capaz de dispersarse mayores distancias (derecha) gran
parte de las teselas se encuentran funcionalmente conectadas entre sí. En el caso de la izquierda las
teselas de hábitat están distribuidas en 18 componentes diferenciados (siendo un componente un conjunto
de unidades de hábitat que se encuentran conectadas entre sí y aisladas del resto del hábitat existente en
el paisaje), mientras que en el de la izquierda están agrupadas en tan solo 3 componentes o regiones
conexas diferenciadas, dos de las cuales reúnen además la mayor parte del hábitat existente en el
paisaje. Eventualmente, para distancias de dispersión todavía mayores, todo el mosaico de teselas sería
percibido por la especie como una única unidad de hábitat funcionalmente conexa (componente) sobre la
cual se podrían producir sin limitaciones sus movimientos vitales y flujos dispersivos.
Estos índices pueden calcularse directamente con las prestaciones típicas de los sistemas de
información geográfica o mediante algunos programas de amplia difusión (y en ocasión
indiscriminada aplicación) para el cálculo de índices de configuración del paisaje tales
como Fragstats (McGarigal et al. 2002), Patch Analyst o Apack (Mladenoff y DeZonia
2004). La mayoría de estos índices o bien consideran la conectividad desde un punto de
vista estructural o bien caracterizan la conectividad funcional de un modo demasiado pobre
e indirecto. Tal es el caso de índices como el de la distancia media entre teselas de hábitat,
distancia a la tesela de hábitat más próxima (u otras medidas simples de distancias), índices
de conectancia, índices de cohesión (Schumaker 1996), o algunos de los índices basados en
los buffers en torno a las zonas de hábitat (Moilanen y Nieminen 2002).
Los grafos son estructuras matemáticas compuestas por un conjunto de nodos y enlaces
(que conectan pares de nodos) especialmente adecuadas para realizar análisis de
conectividad en distintos tipos de redes (Strogatz 2001, Barabási 2002, Lesne 2006, Pascual
y Dunne 2006, Grubesic et al. 2008). El gran desarrollo que ha experimentado la teoría de
grafos en diversas disciplinas a lo largo de varias décadas brinda potentes herramientas,
algoritmos y métricas que se pueden aplicar, con sus debidas adaptaciones, al análisis de la
conectividad del paisaje. Los grafos caracterizan el paisaje de una manera espacialmente
explícita, permitiendo evaluar la importancia de los elementos individuales para el
mantenimiento o fomento de la conectividad del paisaje en su conjunto, por lo que son
utilizables para orientar las decisiones de planificación y conservación (Keitt et al. 1997,
Urban y Keitt 2001, Jordán et al. 2003, Pascual-Hortal y Saura 2006, Fall et al. 2007,
Estrada y Bodin 2008, Minor y Urban 2008, Saura y Rubio 2010). Los grafos pueden
modelar y representar el paisaje como un conjunto de teselas o unidades de hábitat
interconectadas, lo cual se puede realizar de diferentes maneras dependiendo de los
objetivos, escala y nivel de detalle del análisis. Así, los nodos representan las unidades
espaciales objeto del análisis, habitualmente teselas de hábitat, aunque pueden corresponder
también a otro tipo de unidades delimitadas de acuerdo con criterios espaciales, ecológicos
o de gestión (espacios protegidos, tramos o unidades de corta en una ordenación de montes,
cuadrículas de un atlas faunístico, etc.). Los nodos se pueden caracterizar mediante un
atributo que se considere relevante para el análisis, tal como el área de hábitat, la calidad o
adecuación del mismo para una determinada especie, el número de individuos de la misma,
etc. Los enlaces representan las relaciones topológicas o conexiones funcionales entre cada
par de nodos; la existencia de un enlace implica la capacidad potencial de un organismo
para, en mayor o menor grado, dispersarse de manera directa entre los dos nodos (sin
necesidad de pasar por otros nodos o unidades de hábitat intermedios). Los enlaces se
Métodos y herramientas para el análisis de la conectividad del paisaje 7
Una metapoblación puede definirse como un conjunto de poblaciones locales (que habitan
en teselas concretas y diferenciadas) que están relacionadas mediante procesos dinámicos
de extinciones locales y recolonizaciones. Los modelos de metapoblaciones o modelos
poblacionales espacialmente explícitos (Hanski 1989, 1998, Dunning et al. 1995, South
1999, Hanski y Ovaskainen 2000) consideran las dinámicas poblacionales asociadas con las
teselas individuales que resultan de procesos de crecimiento demográfico, natalidad,
mortalidad, emigración e inmigración, siendo las relaciones de conectividad entre las
diferentes teselas cruciales para entender dichas dinámicas. Estos modelos son muy útiles
para evaluar por ejemplo si el número de individuos de una determinada población
(metapoblación) llegará a situarse, dentro de un horizonte temporal determinado, por debajo
del umbral de viabilidad y persistencia en un paisaje y escenario de cambios concreto.
En general, el uso del primer tipo de índices debería evitarse, excepto para análisis
exploratorios y preliminares a refinar y profundizar posteriormente con índices y modelos
de los otros dos grupos. Este tipo de índices espaciales sencillos tienen habitualmente un
ámbito de aplicación restringido a aplicaciones de tipo descriptivo, y carecen de suficiente
potencial para orientar la toma de decisiones en la conservación y planificación territorial.
Por otro lado, el uso de los modelos de poblaciones espacialmente explícitos puede
estar fuertemente condicionado por la gran cantidad de datos de entrada que habitualmente
requieren para su parametrización, datos que raramente están disponibles en las
aplicaciones relacionadas con los análisis y planes de conservación en escalas amplias,
quedando estos modelos más bien limitados a pequeñas extensiones o investigaciones
científicas (Calabrese y Fagan 2004, Minor y Urban 2007). Los enfoques e índices de
conectividad deben ser pragmáticos y operativos para que sea posible su aplicación más allá
del ámbito estrictamente académico, especialmente cuando se pretende que se incorporen
de manera práctica en la conservación de hábitats y especies. Para ello se deben basar en
datos que estén disponibles habitualmente o se puedan obtener con un coste razonable
(Fagan y Calabrese 2006). En este sentido, Calabrese y Fagan (2004) concluyeron que los
índices de conectividad basados en estructuras de grafos presentan una buen equilibrio
entre el nivel de detalle en la caracterización del paisaje y en los resultados que ofrecen (por
un lado), y la cantidad de datos de entrada que requieren para ello (por otro), como se
ilustra en la Figura 1.2. Los grafos se consideran por tanto una buena e incluso preferible
alternativa a los modelos de poblaciones espacialmente explícitos a efectos de la
conservación de especies en paisajes heterogéneos (Minor y Urban 2007).
Sin embargo, y a pesar de las ventajas descritas, los grafos son sólo una estructura de
datos e, igual que ocurre con la estructuras de datos vectoriales o matriciales típicas de los
sistemas de información geográfica, su uso no es por sí mismo garantía de calidad o
adecuación en los resultados obtenidos, dado que se pueden utilizar índices muy diversos y
obtener resultados muy diferentes mediante el análisis de las estructuras de grafos. La
cuestión clave no es sólo por qué utilizar grafos para modelar el paisaje y analizar su
conectividad, sino sobre todo cómo debe medirse y analizarse la conectividad una vez que
el paisaje ha sido modelado y representado mediante un grafo (Saura y Rubio 2010), según
se aborda en apartados siguientes. Sin duda, el análisis de la conectividad del paisaje
presenta particularidades y necesidades específicas que no se ven necesariamente
satisfechas por los métodos e índices que, basados en grafos, se han desarrollado en otros
ámbitos y disciplinas científicas (Saura y Rubio 2010).
Métodos y herramientas para el análisis de la conectividad del paisaje 9
Figura 1.2. Las tres elipses indican la relación entre la cantidad de datos de entrada requeridos (eje de
las abcisas) y el nivel de detalle en el análisis y resultados obtenidos (eje de las ordenadas) para los tres
principales enfoques metodológicos disponibles para analizar la conectividad del paisaje (véase el
apartado 1.2). Las líneas intermitentes indican, a modo ilustrativo, los máximos en la cantidad de
información disponible en la práctica para la gestión y conservación en escalas amplias (línea vertical) y
en el nivel de detalle en los resultados que habitualmente requieren las aplicaciones relacionadas con la
planificación territorial y la conservación del paisaje (línea horizontal). En el punto de intersección de
ambas líneas encontramos a las estructuras de grafos, como aquellas que probablemente poseen la mejor
relación entre esfuerzo y resultados para los problemas de conservación relacionados con la
conectividad del paisaje, al proporcionar una caracterización suficientemente detallada de las
conectividad con unos requisitos flexibles y relativamente modestos en cuanto a los datos de entrada
(Calabrese y Fagan 2004).
Una definición ya clásica de la conectividad del paisaje es aquella que afirma que ésta “es
el grado en el que el paisaje facilita o dificulta el movimiento entre las teselas de hábitat”
(Taylor et al. 1993). Sin embargo, por los motivos que veremos a continuación, es
conveniente modificar ligeramente esa definición para establecer que la conectividad es “el
grado en el que el paisaje facilita o dificulta el movimiento a través de las zonas de hábitat
existentes en el paisaje”, más similar a la presentada al principio de este capítulo. Aunque
la diferencia pueda parecer de matiz, en la práctica la primera definición puede dar pie a
10 S. SAURA MARTÍNEZ DE TODA
pensar que la conectividad sólo comprende y sólo debe medir el movimiento entre las
teselas de hábitat. De acuerdo con esta concepción, un índice que podría cuantificarla sería
por ejemplo el número de conexiones o corredores existentes entre las teselas de hábitat, de
manera que cuanto más abundantes fueran estas conexiones, mayor sería la conectividad
del paisaje. Sin embargo, tal forma de medirla sería errónea y daría lugar a diversos
equívocos cuando consideramos los cambios en los propios patrones espaciales de los
hábitats ya que, de hecho, para que las conexiones entre teselas sean abundantes es
necesario que primero se haya producido con suficiente intensidad un proceso de
fragmentación que haya generado diversas teselas diferenciadas tras la degradación del
Figura 1.3. En la parte inferior se muestra la progresión típica de un proceso de pérdida de hábitat y
conectividad (las teselas de hábitat se representan en color negro), y en la parte superior, a modo
indicativo, la pauta habitual de variación del número de conexiones entre teselas (curva con trazo
continuo) y del número de componentes (curva con trazo discontinuo) a lo largo de dicho proceso. En las
primeras fases se van generando, a partir de una única tesela continua y plenamente conexa (A), una
serie de teselas diferenciadas e inicialmente próximas y eventualmente conectadas entre sí (B), con lo
que aumenta tanto el número de teselas como el número de conexiones entre las mismas, mientras que
todo el hábitat se mantiene todavía reunido en un único componente funcionalmente conexo. En fases
posteriores se van perdiendo algunas de las conexiones entre teselas, ya sea como consecuencia de la
mayor distancia entre las mismas o de una mayor intensificación y pérdida de permeabilidad de la matriz
del paisaje que dificulta el movimiento entre las diferentes zonas de hábitat, con lo que aumenta el
número de componentes diferenciados (C). Más adelante se continúa reduciendo el número de
conexiones pero, adicionalmente, la pérdida de algunas de las teselas o fragmentos de hábitat completos
que se encontraban ya aislados (D) conlleva que la tendencia de variación en el número de componentes
se invierta para disminuir también en las últimas fases de este proceso. Esta evolución no monótona hace
que ni el número de conexiones ni el de componentes (ni otros índices aquejados de circunstancias
similares) sean adecuados como índices de conectividad, ya que indican tendencias opuestas a lo largo
de las distintas fases del proceso en el que va produciendo la pérdida de la misma. Esto no ocurre con los
índices basados en el concepto de disponibilidad de hábitat a escala de paisaje (ver apartados 1.3.2 y
1.3.3), que siempre disminuyen en mayor o menor medida a lo largo de este gradiente de cambios en el
hábitat y paisaje.
Métodos y herramientas para el análisis de la conectividad del paisaje 11
hábitat que originalmente se encontraba formando una única tesela continua con un
máximo de conectividad (Tischendorf y Fahrig 2000, Pascual-Hortal y Saura 2006), como
se muestra en la Figura 1.3. Es obvio que las conexiones entre las teselas o unidades de
hábitat deben considerarse a la hora de evaluar cualquier índice de conectividad, pero éstas
no deben ser el único ingrediente de un índice que pretenda usarse con éxito en la
conservación y el seguimiento de los cambios en los ecosistemas, sino que deben
contemplarse y desarrollarse dentro de una perspectiva más amplia, tal y como se trata en el
apartado siguiente.
pérdida de hábitat y fragmentación en sólo una de las dos grandes teselas del paisaje B.
Muchos índices que no están basados en el concepto de la disponibilidad de hábitat a escala
de paisaje yerran a la hora de informar y orientar las medidas de conservación y gestión, al
indicar que la pérdida de una sola de las pequeñas de las teselas del paisaje A es más
perjudicial para la conectividad del hábitat que la pérdida de una de las grandes teselas de
hábitat del paisaje B, simplemente porque en el primer caso se reducen el número de
conexiones o enlaces existentes en el paisaje, cosa que no ocurre en el segundo (Pascual-
Hortal y Saura 2006, Saura y Pascual-Hortal 2007).
una determinada cantidad de hábitat en el paisaje, los valores de IIC y PC serán máximos
cuando todo el hábitat esté agrupado en una única tesela (ninguna fragmentación), o cuando
el hábitat esté dividido en teselas diferenciadas pero exista un máximo grado de
conectividad entre todos los pares de teselas de hábitat. Tanto IIC como PC son índices
topoecológicos, en el sentido de que tienen en cuenta los atributos intrínsecos de las teselas
considerados relevantes para el análisis de conectividad (ya sea el área de hábitat u otros
atributos como calidad del hábitat, probabilidad de ocurrencia, índice de adecuación o
densidad poblacional de una determinada especie) junto con las relaciones topológicas entre
las diferentes teselas dentro de las redes de conectividad (como se tratará con más detalle en
el apartado siguiente). En Pascual-Hortal y Saura (2006) y Saura y Pascual-Hortal (2007) se
pueden encontrar más detalles sobre las fórmulas, propiedades, ventajas y forma de
interpretación de IIC y PC respectivamente.
PC − PCelim ,k
dPCk = 100 ⋅
PC
1.3.4. Las diferentes maneras en las que una tesela puede contribuir a la conectividad y
disponibilidad de hábitat en el paisaje
Las teselas de hábitat pueden jugar diferentes papeles dentro del mosaico del paisaje y las
redes de conexiones que en él se establecen. No sólo sirven como zonas de refugio,
alimentación o reproducción, sino que también funcionan como puntos desde los que se
producen (y reciben) flujos de dispersión hacia otras teselas de hábitat, y actúan como
teselas puente o puntos de paso (stepping stones) que, incluso cuando puedan no ser el
destino final de los flujos de dispersión, facilitan la dispersión y el intercambio de genes e
individuos entre otras unidades de hábitat más distantes. Dentro de un mismo paisaje, y aun
tratándose de una misma especie, las diferentes teselas tendrán funciones diferenciadas
dependiendo de sus características intrínsecas y de su posición topológica dentro de las
redes de conectividad (Saura y Rubio 2010).
del hábitat existente en el paisaje, pero no la importancia de k para mantener los flujos y
conexiones entre otras zonas de hábitat, aspecto que cuantifica la siguiente fracción.
Figura 1.5. Un ejemplo sencillo de paisaje para ilustrar los diferentes papeles que pueden jugar las
teselas de hábitat atendiendo a la manera en que contribuyen a la conectividad y disponibilidad de
hábitat a escala de paisaje. Las teselas de hábitat están representadas en color negro, mientras que las
conexiones entre las mismas se indican mediante líneas discontinuas. La tesela A es una tesela aislada
(sin conexión con ninguna otra tesela del paisaje) y que por tanto contribuye sólo mediante la fracción
intra. Las teselas B contribuyen tanto con la fracción intra como con la flux (al estar conectadas y recibir
un determinado flujo de dispersión de otras teselas del paisaje) pero no mediante la fracción connector.
Las teselas C contribuyen, además de mediante las fracciones intra y flux, también mediante la fracción
connector, al jugar un papel de tesela puente o elemento conector entre otras teselas de hábitat. Dentro
de las dos teselas C, la tesela de la derecha presenta un valor mayor de la fracción connector, ya que su
pérdida dejaría dividido el hábitat en dos mitades aisladas entre sí, mientras que la pérdida de la tesela
C de la izquierda sólo dejaría aislada una de las muchas teselas existentes en el paisaje. Los ejemplos de
tipologías de las teselas indicados en esta figura no son exhaustivos, y el resto de teselas que no tienen
una letra explícitamente asignada también corresponden a las tipologías B o C.
16 S. SAURA MARTÍNEZ DE TODA
Cada una de las teselas de hábitat del paisaje aportará una mayor o menor dPCk
procedente de una o más de estas tres fracciones (Fig. 1.5), dependiendo de sus
características intrínsecas (atributo de los nodos) y de su posición topológica dentro del
paisaje (Saura y Rubio 2010). Cuando una tesela de hábitat esté completamente aislada tan
solo contribuirá a la conectividad global a través de la fracción dPCintra; cuando una tesela
esté conectada en cierto grado a otras teselas del paisaje, contribuirá con las fracciones
dPCintra y dPCflux y, en función de su posición en el paisaje, si actúa como tesela puente,
también contribuirá con la fracción dPConnector (Fig. 1.5). Las elementos conectores
(conexiones, enlaces) que facilitan los flujos ecológicos pero que no contienen en sí
mismos ningún área de hábitat (tales como podrían ser los corredores o matrices del paisaje
más o menos permeables) sólo contribuyen al valor de dPCk mediante la fracción
dPCconnector.
Figura 1.6. Contribución relativa de cada una de las tres fracciones del índice PC a la conectividad y
disponibilidad de hábitat en el paisaje en función de la distancia de dispersión para el conjunto de
teselas correspondiente a los bosques mixtos de Pinus sylvestris y Pinus nigra en la provincia de Lleida,
uno de los hábitats definidos y delimitados en esta provincia para el estudio de la biodiversidad dentro
del Tercer Inventario Forestal Nacional (Ministerio de Medio Ambiente 2005). La fracción intra domina
en distancias de dispersión cortas y la fracción flux en distancias de dispersión grandes, mientras que la
mayor contribución de la fracción connector se obtiene, tanto para las teselas como para los enlaces o
conexiones, para valores intermedios de la distancia de dispersión, según se describe en el apartado
1.3.4. Las pautas generales de variación de la contribución de las tres fracciones con la distancia de
dispersión son similares en otros hábitats distintos de este utilizado aquí como ejemplo. Figura adaptada
de Saura y Rubio (2010).
Métodos y herramientas para el análisis de la conectividad del paisaje 17
Las distancias euclídeas (en línea recta) entre las unidades de hábitat han sido ampliamente
utilizadas, por su simplicidad y fácil e intuitiva interpretación, en una gran variedad de
estudios relacionados con la conectividad del paisaje, desde índices de conectividad
considerablemente sencillos (Moilanen y Nieminen 2002) hasta otros basados en
estructuras de grafos (Keitt et al. 1997, Bodin y Norberg 2007, Pascual-Hortal y Saura
2008a) o en modelos de metapoblaciones de diferente naturaleza y complejidad (Hanski
1989, Hanski y Ovaskainen 2000). También han sido la base de múltiples estudios (tanto
teóricos como empíricos) que han contribuido a explicar la diferenciación genética entre
diferentes poblaciones o subpoblaciones en función de la distancia geográfica que las
separa (Wright 1943, Pogson et al. 2001, Neel 2008).
Una de las principales limitaciones del uso de distancias euclídeas en los modelos de
conectividad es que con ellas se considera homogénea la matriz del paisaje (entendiendo
por tal el conjunto de zonas distintas del propio hábitat de la especie), sin tener en cuenta la
mayor o menor permeabilidad o facilidad de movimiento a través de los distintos elementos
del paisaje y tipos de cubierta. Esta simplificación no será aconsejable cuando la especie
considerada sea sensible y vea limitada su capacidad de movimiento en función de las
características de la matriz y ésta sea a su vez suficientemente heterogénea a lo largo del
territorio estudiado, lo que será frecuentemente el caso dadas las amplias escalas espaciales
en las que operan y suelen estudiarse los procesos relacionados con la conectividad. Existen
modelos más completos que incorporan de manera explícita la heterogeneidad de la matriz
del paisaje en los análisis de conectividad, tal y como se describe en los dos apartados
siguientes.
1.4.2. Distancias de mínimo coste: una primera aproximación para considerar el efecto
de la variable permeabilidad de la matriz del paisaje
Son numerosos los autores que han mostrado el mejor rendimiento de las distancias
efectivas en comparación con las euclídeas en diferentes casos de estudio (Chardon et al.
2003, Sutcliffe et al. 2003, Verbeylen et al. 2003, Coulon et al. 2004). A pesar de sus
demostradas ventajas y mayor grado de detalle en la caracterización de las conexiones entre
las teselas en comparación con las distancias en línea recta, los modelos y caminos de coste
mínimo no están exentos de algunas limitaciones y problemas, entre las que se pueden citar
los siguientes:
inmersos en medios circundantes más inhóspitos, etc.) o sobre todo posibles barreras
(frecuentemente infraestructuras viarias), son parte fundamental y foco de muchos de los
análisis de conectividad del paisaje. Por ello, es crucial que estos elementos estén
adecuadamente recogidos y representados en las superficies de fricción que nutren los
análisis de las distancias efectivas. Los procesos de conversión del formato vectorial (en el
que mayoritariamente se encuentran representados estos elementos lineales) al formato
matricial o ráster (requerido para el cálculo de los caminos de coste mínimo sobre las
superficies de fricción) deben realizarse de una manera especialmente cuidadosa y con
especificaciones adaptadas a las necesidades de este tipo de estudios, para evitar
discontinuidades o huecos que anulen el efecto barrera o conductor de estos elementos al
aplicar los caminos de coste mínimo, tal y como tratan por ejemplo Adriaensen et al.
(2003).
• Los caminos de coste mínimo son los óptimos o menos malos, pero ¿son
realmente buenos? Como resultado de este tipo de modelos se identifican los caminos de
menor coste y las distancias efectivas entre cada par de unidades de hábitat. Sin embargo,
se suele carecer de información que nos permita estimar en qué medida esos caminos de
coste mínimo, aun siendo los mejores disponibles en el paisaje, son de suficiente calidad y
realmente practicables a efectos de permitir el intercambio de individuos y genes. La
conectividad entre dos teselas podría estar tan limitada que incluso el camino de menor
coste disponible entre ellas pudiera ser inutilizable a efectos de proporcionar algún grado de
conectividad efectiva, con lo que es difícil decidir si invertir esfuerzos en la conservación o
posible mejora de esos caminos es realmente eficiente en alguna medida desde el punto de
vista de su rentabilidad económica comparada con otras alternativas de conservación (véase
el apartado 1.5.2). Con las distancias efectivas resulta más complicado que con las
euclídeas realizar la conversión de sus valores para cuantificar la facilidad o probabilidad
de dispersión a través de una determinada conexión.
Existen otras dos limitaciones o problemas a considerar en relación con los modelos
de coste mínimo que se tratan en el siguiente apartado junto con enfoques propuestos
recientemente para solventarlas total o parcialmente.
22 S. SAURA MARTÍNEZ DE TODA
1.4.3. Más allá de los caminos de mínimo coste en la evaluación de las distancias
efectivas a través de la matriz del paisaje
Los habituales modelos de conectividad basados en los caminos de mínimo coste, a pesar
de sus ventajas y popularidad, se basan en algunos supuestos simplificados que en ciertos
casos pueden ser insuficientes para caracterizar convenientemente las conexiones y flujos
ecológicos entre las unidades de hábitat. En primer lugar, estos modelos consideran como
óptimo el camino a lo largo del cual se minimiza el coste de desplazamiento
independientemente de su anchura, de manera que una ruta compuesta por un solo píxel,
aunque esté rodeada de otras zonas inhóspitas y de baja permeabilidad, se considera
suficiente para conducir de manera efectiva los movimientos de los organismos. Sin
embargo, y especialmente para las especies de mayor masa corporal y con aversión a las
zonas de borde, es poco probable que tales caminos compuestos por uno o pocos píxeles, a
pesar de su bajo coste, sean adecuados y suficientes para conducir el movimiento de las
especies si no vienen acompañados de un entorno más amplio en el que se presenten
condiciones favorables para su dispersión y refugio. Por este motivo, empiezan a ser cada
vez más habituales propuestas en las que se busca identificar franjas permeables de una
determinada anchura que permitan conducir los flujos ecológicos de una manera efectiva,
pudiendo coincidir o no con el entorno de los caminos de coste mínimo en sentido estricto
(Theobald 2006, Beier et al. 2008).
Por otro lado, los modelos habituales de distancias efectivas hacen la simplificación
de considerar que sólo el camino de menor coste importa a la hora de determinar la
intensidad y frecuencia de los flujos ecológicos entre las teselas, mientras que las
características del resto de la matriz del paisaje son despreciadas y no se tienen en cuenta a
la hora de caracterizar dichos flujos. Parece razonable sin embargo que, aun siendo el
mismo el camino mínimo, las tasas de intercambio de genes e individuos sean mayores en
aquellos paisajes en el que el resto de la matriz del paisaje presenta también una alta
permeabilidad en comparación con aquellos en que las zonas distintas del propio camino de
coste mínimo son totalmente inhóspitas para la especie considerada (McRae 2006,
Theobald 2006, Beier et al. 2008). Pueden existir de hecho varios caminos de bajo coste
que, además del mínimo, sean de uso factible y frecuente para la dispersión de las especies
consideradas, por lo que sería conveniente tenerlos en cuenta a la hora de caracterizar las
conexiones entre teselas en un modelo de conectividad. Por otro lado, es improbable que
los individuos en dispersión sepan de antemano cuál es el camino de coste mínimo por el
que deben desplazarse para alcanzar una determinada unidad de hábitat, y habitualmente
sus movimientos se realizarán de una manera mucho más tentativa y con cierto grado de
aleatoriedad (Fahrig 2007). Por ello, el coste acumulado a lo largo de ese camino óptimo
probablemente subestima el coste medio real de movimiento entre dos unidades de hábitat
determinadas.
Métodos y herramientas para el análisis de la conectividad del paisaje 23
más pobladas a las menos densas, siguiendo los patrones típicos de las dinámicas fuente-
sumidero.
Este enfoque consiste básicamente en situar (ya sea de manera aleatoria o concentrados en
mayor medida sobre las zonas con mayor calidad de hábitat) una serie de hipotéticos
individuos sobre determinados puntos de partida en un modelo del paisaje de interés
(habitualmente una malla cuadriculada o ráster) sobre el que se simulan los movimientos y
evolución de cada uno de ellos y se registra el número de individuos que alcanzan cada una
de las zonas de hábitat. Lógicamente la simulación de estos movimientos requiere en
primer lugar estimar una serie de parámetros relacionados con la longitud de los
movimientos en un periodo de tiempo determinado, la direccionalidad del mismo en su
caso (ver apartado anterior), la mayor o menor aleatoriedad o correlación entre las
características (longitud y dirección) de movimientos sucesivos (Kareiva y Shigesada
1983), etc., pudiendo definirse distintos perfiles de organismos con movimientos y
respuestas a la estructura del paisaje diferenciadas (Tischendorf y Fahrig 2000).
Así como las técnicas descritas en el apartado anterior evalúan de manera directa y
empírica los movimientos de los individuos en el paisaje, las técnicas de análisis genético
permiten estimar la intensidad de los flujos entre diferentes poblaciones o subpoblaciones
de manera indirecta a través de su grado de diferenciación genética. A diferencia de los
anteriores, éstos son efectos que se manifiestan a largo plazo, a medida que la mayor o
menor facilidad de intercambio genético a través de las conexiones se va acumulando en
sucesivas generaciones, ya sean flujos de polen o semillas en el caso de las especies
vegetales o de individuos reproductores en el caso de las animales.
los modelos de coste mínimo, dando así una base empírica y mayor solidez a la estimación
de dichos valores de fricción (Cushman et al. 2006).
que podemos encontrar los puntos de vista más críticos en artículos como los de Simberloff
et al. (1992), Niemelä (2001) o Hodgson et al. (2009). En algunos casos, la
permeabilización de la matriz en un sentido más amplio y difuso puede ser más conveniente
que el propio establecimiento de corredores lineales, a pesar de la mayor visibilidad social
que puedan tener estos últimos.
1.5.2. Cuando la conectividad, aún teniendo efectos positivos sobre las especies de
interés, no es la mejor alternativa de conservación por mostrar menos beneficios que
otras posibilidades de gestión o una pobre relación entre la inversión requerida y los
resultados efectivos obtenidos.
En este sentido, los gestores pueden seleccionar las zonas a conservar siguiendo al
menos dos criterios diferenciados. En primer lugar (criterio A), pueden seleccionar las
mejores zonas de hábitat por sí mismas, atendiendo a sus características intrínsecas
individuales (superficie o calidad de hábitat, tamaño poblacional, etc.), e ignorando los
aspectos relacionados con la configuración del paisaje y la conectividad entre las diferentes
zonas de hábitat. Por otro lado (criterio B), pueden aplicar algún método que seleccione las
zonas de manera que se potencie la conectividad y cohesión espacial de la red de espacios
protegidos (McDonnell et al. 2002, Cabeza 2003, Araújo et al. 2004). Obviamente, las
mejores zonas para mantener la conectividad (criterio B) no tienen por qué coincidir con
aquellas que presentan las mejores características de hábitat por sí mismas (criterio A). La
incorporación de criterios de conectividad en el proceso de selección de espacios protegidos
puede llevar a excluir alguna de las mejores zonas consideradas individualmente (criterio
A) para permitir la incorporación a la red de otras que por sí mismas son comparativamente
pobres o subóptimas pero que potencian la conectividad entre el resto de espacios (Cabeza
2003). Por tanto, en cualquier plan de conservación debe buscarse un equilibrio entre la
importancia relativa asignada a las características intrínsecas de las teselas del hábitat por
un lado y a la conectividad entre las zonas de hábitat (topología de la red, configuración del
paisaje) por el otro (Saura y Rubio 2010). Una de las mayores limitaciones de muchos de
los enfoques actuales relacionados con la conectividad es que los gestores deben decidir a
priori, y en general de una manera al menos parcialmente subjetiva, si la conectividad entre
30 S. SAURA MARTÍNEZ DE TODA
(criterio A). Ignorar la conectividad entre teselas en el plan de conservación final dará lugar
a pobres resultados de conservación y no está justificado en este caso.
Finalmente, cabe destacar que las incertidumbres y falta de información fiable que
suele darse a la hora de alimentar algunos de los modelos e índices de conectividad,
especialmente los más complejos (véase el apartado 1.2), así como las incertidumbres
relativas a la propia respuesta efectiva de algunas de las especies a las variaciones en el
grado de conectividad del paisaje, pueden disminuir el atractivo y fiabilidad de las
recomendaciones de gestión resultantes de un análisis de conectividad, en comparación con
otras alternativas más clásicas (y en las que la calidad y cantidad de información
disponibles es comparativamente mayor) como incidir de manera directa sobre la cantidad
y calidad del hábitat sin atender a mayores complejidades espaciales (Hodgson et al. 2009).
Aunque el nuevo conocimiento científico utilizable a estos efectos va creciendo a un ritmo
más que notable en los últimos años, siempre quedará lugar para la incertidumbre en este
32 S. SAURA MARTÍNEZ DE TODA
1.6.1. Conefor
fricción, se pueden utilizar otras herramientas que se describen más adelante para
proporcionar el archivo de conexiones en el formato requerido por Conefor.
El Conefor es una herramienta que continúa en desarrollo, más allá de la versión 2.6
disponible actualmente en la web, y en un futuro próximo se tiene previsto publicar una
nueva compilación con nuevas prestaciones y funcionalidades nuevas, tales como la
posibilidad de trabajar con conexiones asimétricas, dado que en su estado actual las
conexiones son obligadamente simétricas.
1.6.2. PathMatrix
PathMatrix es una extensión para ArcView 3.x desarrollada por Ray (2005) que permite
calcular los caminos de mínimo coste y el coste acumulado de movimiento (distancia
efectiva) entre cada par de nodos o teselas de hábitat. Para su uso es necesario contar con la
extensión Spatial Analyst de ArcView. PathMatrix se puede descargar libremente desde
http://cmpg.unibe.ch/software/pathmatrix/. Requiere como datos de entrada una capa de
teselas de hábitat, que serán los puntos de partida y destino de los caminos de mínimo coste
a calcular, y una capa en formato ráster (superficie de fricción) en la que se asigne en cada
34 S. SAURA MARTÍNEZ DE TODA
uno de los píxeles un valor de resistencia al movimiento por toda la zona de estudio (ver
apartado 1.4.2). En general, las limitaciones computacionales asociadas a este tipo de
métodos hacen que no sea posible procesar con PathMatrix paisajes en los que existan (o se
hayan diferenciado) más de unas 200 unidades de hábitat.
1.6.3. Circuitscape
1.6.5. Guidos
Guidos (Graphical User Interface for the Description of image Objects and their Shapes)
es un programa informático que aplica técnicas de morfología matemática (MSPA,
Morphological Spatial Pattern Analysis) a paisajes binarios (hábitat y no hábitat) para
clasificar y describir los patrones espaciales del paisaje con una muy notable eficiencia
computacional (Vogt et al. 2007, Soille y Vogt 2009). En este enfoque las zonas de hábitat
son clasificadas en siete categorías (core, islet, perforation, edge, loop, bridge, branch),
entre las que destaca la correspondiente a los conectores estructurales (bridges), que son
elementos sin área interior (para la distancia al borde especificada) que conectan en sus dos
extremos con teselas de hábitat que sí tienen presencia de tal área interior. Guidos también
incluye otras prestaciones propias de los sistemas de información geográfica como la
posibilidad de grabar los mapas ráster de resultados en el formato Google Earth. Se puede
descargar desde http://forest.jrc.ec.europa.eu/download/software/guidos. Ha sido utilizado
para caracterizar los patrones espaciales de los bosques por la Comisión Europea y el US
Forest Service. Mientras que Guidos y las técnicas MSPA en él implementadas son capaces
de identificar y clasificar los patrones del paisaje, Conefor es especialmente adecuado para
valorar la contribución de cada uno de los elementos conectores (bridges) a la conectividad
36 S. SAURA MARTÍNEZ DE TODA
estructural del conjunto del paisaje. En este sentido, la última versión de Guidos integra
alguna de las prestaciones del Conefor a fin de priorizar los elementos identificados por
Guidos en términos de su importancia para el mantenimiento de la conectividad estructural.
• Ucinet, desarrollado de hecho pensando en las redes sociales, cuenta con unas
posibilidades de aplicación en el ámbito de la conectividad del paisaje similares a las de la
herramienta anterior, pero con prestaciones todavía más potentes, depuradas y fáciles de
manejar de cara al usuario (pero por el contrario sólo disponible gratuitamente en una
Métodos y herramientas para el análisis de la conectividad del paisaje 37
sugiere que los movimientos entre teselas son limitados y dependen de la capacidad de
dispersión de los individuos (Segelbacher et al. 2003), por lo que el análisis de conectividad
planteado resulta de interés para esta especie.
Este caso de estudio parte de aplicaciones previas realizadas en este mismo sentido
(Pascual-Hortal y Saura 2008a, 2008b), aquí ampliadas y mejoradas considerando: (1) datos
más ajustados a las características de la dispersión de la especie en la zona de estudio
(Menoni 1991), y (2) una profundización en la interpretación y nivel de detalle de los
resultados obtenidos mediante el desglose de la importancia de las zonas de hábitat en las
tres fracciones que cuantifican separadamente las diferentes maneras en las que una tesela
de hábitat puede contribuir a la conectividad y disponibilidad de hábitat para el urogallo en
Cataluña (véase el apartado 1.3.4).
Todos los datos espaciales de partida necesarios para la resolución de este caso de
estudio se pueden descargar desde http://scoc.ornitologia.org/ y http://www20.gencat.cat
/portal/site/dmah (en el enlace de "Cartografia"), o en su lugar en http://
dmah.nexusgeografics.com/, según se indica más adelante. Por otro lado, también el propio
Conefor 2.6 se puede descargar gratuitamente desde http://www.conefor.org.
Las zonas de hábitat del urogallo se identificaron a partir de los mapas de abundancia del
Atlas de las Aves Nidificantes de Cataluña (Estrada et al. 2004). Estos mapas se obtuvieron
como resultado de censos de presencia/ausencia de cada una de las aves nidificantes en esta
región (y entre ellas el urogallo) en más de 3.000 cuadrículas UTM 1 x 1 km (Estrada et al.
2004). Para estimar la distribución del hábitat del urogallo en todas las cuadrículas 1 x 1 km
en Cataluña (y no sólo en aquellas muestreadas en dichos censos) se aplicó en este atlas una
modelización del nicho ecológico (Guisan y Zimmerman 2000), según se describe con
mayor detalle en Estrada et al. (2004). El mapa de distribución del hábitat resultante para el
urogallo (así como para el resto de especies de aves consideradas en dicho atlas) se puede
descargar directamente desde http://scoc.ornitologia.org/.
Una vez identificados los nodos, corresponde modelar los enlaces o conexiones entre los
mismos. En este caso de estudio trabajaremos con el índice PC y el modelo probabilístico
de conexiones que le es propio (ver apartado 1.3.3), por lo que es necesario estimar la
probabilidad directa de dispersión del urogallo (pij) entre cada par de cuadrículas. Para ello,
contamos con datos de seguimiento de individuos machos (jóvenes y adultos) realizados en
el Pirineo francés (Menoni 1991), que estiman una distancia de dispersión mediana de 5 km
para esta especie. Así, la probabilidad de dispersión directa entre cada par de cuadrículas
(pij) se ha obtenido mediante una curva exponencial negativa en función de la distancia
euclídea entre nodos (distancia de borde a borde de las cuadrículas) ajustada de modo que
pij=0,5 para esa distancia de 5 km, y que pij=1 cuando la distancia entre cuadrículas es igual
a cero, de manera similar a otros estudios (Keitt et al. 1997, Hanski y Ovaskainen 2000,
Urban y Keitt 2001, Saura y Pascual-Hortal 2007). De este modo suponemos que el coste
(en términos de disminución de la probabilidad de dispersión directa entre dos nodos) del
movimiento entre cuadrículas adyacentes (distancia cero de borde a borde) es nulo, o lo que
es lo mismo, que es seguro que los individuos pueden moverse de una cuadrícula a la
adyacente. Aunque esta es una simplificación a los efectos de este ejemplo de análisis, el
mismo procedimiento (datos de partida, programa informático e índice de conectividad) se
podría aplicar bajo otros supuestos o maneras de considerar y modelar las conexiones entre
las unidades de hábitat diferenciadas. Por otro lado, en este ejemplo de aplicación tratamos
como homogénea la matriz del paisaje. Es decir, no consideramos los diferentes tipos de
cubierta y usos del suelo existentes entre las zonas de hábitat, más o menos permeables para
los movimientos dispersivos del urogallo, lo que habitualmente se cuantifica mediante
modelos de fricción y caminos de mínimo coste (véanse los apartados 1.4.2 y 1.4.3). Sin
embargo, estas consideraciones se podrían incorporar dentro del mismo procedimiento de
análisis, estimando las pij entre los nodos a partir de una distancia efectiva resultante de una
superficie de fricción y los caminos de coste mínimo proporcionados por PathMatrix, los
corredores de una determinada anchura a través de dichas superficies de fricción
identificados con Corridor Designer, o las estimaciones de conductancia considerando la
40 S. SAURA MARTÍNEZ DE TODA
Figura 1.7. Importancia de cada una de las cuadrículas para la conectividad y disponibilidad global de
hábitat en el paisaje para el urogallo (dPC, %). Los resultados se muestran superpuestos sobre los
espacios de la Red Natura 2000 y PEIN en Cataluña, obtenidos del Departament de Medi Ambient i
Habitatge de la Generalitat de Catalunya en sus versiones actualizadas a 14/09/2007 para la Red Natura
y a 30/04/2008 para el PEIN (disponibles en http://www20.gencat.cat/portal/site/dmah [en el enlace de
"Cartografia"], o en http://dmah.nexusgeografics.com/).
Métodos y herramientas para el análisis de la conectividad del paisaje 41
diez clases de igual superficie de hábitat. De cara a la gestión, las clases con una mayor
importancia para la conectividad global (dPC) contienen las localizaciones de conservación
prioritaria (Fig. 1.7).
En primer lugar, podemos observar que existen algunas cuadrículas en las que dPC
alcanza valores superiores al 2,7% (Fig. 1.7), lo cual es un valor muy elevado dado que el
hábitat del urogallo queda representado por un total de 522 cuadrículas 1 x 1 km en el
conjunto de Cataluña, con lo que la aportación al hábitat total de la especie que
correspondería a cada una de las cuadrículas en términos de superficie sería sólo del 0,19%.
Esto nos indica que la importancia para la conectividad se concentra en unas pocas
cuadrículas que juegan un papel crítico y a las que por tanto es necesario y prioritario
dirigir los esfuerzos de gestión y conservación.
Figura 1.8. Importancia de cada una de las cuadrículas de hábitat del urogallo de acuerdo con la
fracción dPCintra (%). Los resultados se muestran superpuestos sobre los espacios de la Red Natura
2000 y PEIN en Cataluña.
42 S. SAURA MARTÍNEZ DE TODA
Los valores de dPCflux (Fig. 1.9) estiman las cuadrículas que reciben (o de las que
parte) un mayor flujo de dispersión de (hacia) otras zonas de hábitat del urogallo. Por tanto,
éstas serían las zonas prioritarias para asegurar el éxito de una eventual reintroducción de
individuos, o aquellas en las que cabría esperar una mayor diversidad genética dentro de las
poblaciones de urogallo.
Métodos y herramientas para el análisis de la conectividad del paisaje 43
Figura 1.9. Importancia de cada una de las cuadrículas de hábitat del urogallo de acuerdo con la
fracción dPCflux (%). Los resultados se muestran superpuestos sobre los espacios de la Red Natura 2000
y PEIN en Cataluña.
Figura 1.10. Importancia de cada una de las cuadrículas de hábitat del urogallo de acuerdo con la
fracción dPCconnector (%). Los resultados se muestran superpuestos sobre los espacios de la Red
Natura 2000 y PEIN en Cataluña.
de utilidad pública y/o consorciados con la administración forestal) (Fig. 1.11). De esta
manera, se han identificado aquellos montes que son más relevantes para el mantenimiento
de la conectividad global del hábitat del urogallo de acuerdo con dPC (Fig. 1.11). Se puede
observar cómo en unos pocos montes de la provincia de Lleida se concentra la mayor parte
de la importancia en términos de conectividad. En concreto, el monte de Muntanya en el
término municipal de Espot (comarca del Pallars Sobirá) alberga el 19,7 % de la dPC
acumulada en el conjunto de Cataluña, seguido por los montes de Riberes de Sant Nicolau
(término municipal de La Vall de Boí, comarca de la Alta Ribagorça) y Obaga i Solana
(término municipal de Alins, comarca del Pallars Sobirá) con un 15,1 % y 14,9 % de la
dPC total respectivamente (Fig. 1.11).
Por tanto, es en estos montes donde debe priorizarse una gestión forestal orientada a la
protección y mejora de la estructura y composición de la vegetación según los
requerimientos de esta especie y evitando, en todo caso, la pérdida de la calidad y superficie
del hábitat. La ejecución de una gestión acorde con sus requerimientos espaciales y
ecológicos puede ser clave para la conservación y viabilidad a largo plazo de la especie,
Métodos y herramientas para el análisis de la conectividad del paisaje 45
Figura 1.11. Importancia para la conectividad global del hábitat del urogallo (dPC, %) acumulada en
cada uno de los montes de gestión pública con presencia de hábitat de esta especie. Los valores
acumulados se han calculado como suma de los valores de dPC en cada una de las cuadrículas situadas
en el interior de cada monte, o de su parte proporcional en el caso de cuadrículas parcialmente situadas
dentro el monte. La capa de montes de gestión pública se ha obtenido del Departament de Medi Ambient
i Habitatge de la Generalitat de Catalunya en su versión actualizada a 13/06/2008 (disponibles en
http://dmah.nexusgeografics.com/).
dado el alto impacto potencial que tienen estos montes (zonas críticas) en la conectividad
del hábitat del urogallo en escalas amplias.
1.8. Agradecimientos
Buena parte de las ideas y conceptos descritos en este capítulo se han ido desarrollando y
adquiriendo en la Universidad Politécnica de Madrid, la Universidad de Lleida y el Centro
Tecnológico Forestal de Cataluña en el marco de los proyectos CONEFOR (REN 2003-
01628/FOR), IBEPFOR (CGL2006-00312/BOS), MONTES-CONSOLIDER (CSD2008-
00040), Proyecto Singular Estratégico en Restauración y Gestión Forestal (PSS-31000-
2009) y DECOFOR (AGL2009-07140/FOR). Deseo agradecer también a Lidón Rubio
Guillamón por su ayuda en el proceso y preparación de las figuras mostradas en el caso de
46 S. SAURA MARTÍNEZ DE TODA
estudio del apartado 1.7, así como al Instituto Catalán de Ornitología y a todos los
voluntarios que participaron en los censos del Atlas de Aves Nidificantes de Cataluña e
hicieron posible contar con los datos de los que parte dicho caso de estudio.
2. Estructura fractal de los patrones espaciales de la
vegetación y su significado ecológico
Resumen
2.1. Introducción
Generalmente los objetos han sido medidos en la naturaleza por medio del espacio
euclidiano, donde la dimensión 1 corresponde a la línea, la dimensión 2 a la superficie y la
3 al volumen. Sin embargo la mayoría de los objetos reales presentan rugosidades y su
tamaño depende de la unidad con la que la midamos. Por ejemplo la longitud de una línea
entre dos puntos no es la misma si la medimos con un palo de 5 cm que si la medimos con
uno de 5 m (Fig. 2.1). En este último caso realizaremos atajos a lo largo de las curvas del
trayecto de tamaño menor a la longitud del palo, que darán como resultado una longitud
menor que en el primer caso.
Estructura fractal de los patrones espaciales de la vegetación 49
λ1
λ2
λ3
N(λ)=Kλ -D
Figura 2.1. Representación de una línea y cálculo del número de veces (N) que una unidad de tamañoλ
cubre la línea. K es una constante y D es la dimensión fractal de la línea. A mayor tamaño de la unidad,
menor será la longitud (L) de la línea, la cual viene dada por la ecuación L(λ ) = kλ1− D , donde k
será una nueva constante.
ln N (λ )
Dc = lim
ln(1 λ )
λ →0
donde N (λ) es el número de cajas de tamaño λ necesarias para cubrir el objeto. El proceso
se repite varias veces para valores de λ cada vez menores hasta que la escala del enrejado se
aproxima al tamaño mínimo de resolución de nuestro objeto de estudio, e.g. tamaño de
píxel (Bunde y Havlin, 1994). Este método llamado “box-counting”, tiene el problema de
que los objetos reales son sólo similares en un rango limitado de escalas. Para evitar esto se
usa solo la parte de los datos que están dentro de la región lineal de la relación entre el
logaritmo del tamaño y el logaritmo del número de cajas (log λ - log N(λ); Berntson y Stoll,
1997).
I (λ )
DI = lim
ln(1 λ )
λ →0
donde
N (λ )
I (λ ) = − ∑ pi ln pi ; pi = xi ∑x i
i =1
siendo xi es el número de pixeles ocupados por cada caja. Cuando todos los cubos tienen la
misma probabilidad, pi = 1/ N(λ), I(λ) = ln N(λ), y Dc = DI , pero generalmente Dc < DI .
I(λ) es la cantidad de información necesaria para caracterizar un sistema. Se le denomina
también índice de Shannon (H) (Shannon 1948). Cuando I(λ) es dibujado contra el
logaritmo del tamaño de la caja, DI es la pendiente de la línea.
Fig. 2.2. Representación de una distribución de manchas de vegetación aleatoria y una agregada. DI
representa la dimensión fractal de las manchas de vegetación .Izquierda, DI = 1,82; Derecha DI = 1,77.
Las manchas de vegetación se definen como los registros de suelo con vegetación continua
entre dos puntos con suelo desnudo. De este modo es posible calcular la relación entre el
tamaño de las manchas y su frecuencia para determinar el nivel de organización espacial de
la vegetación. Existen diferentes formas de analizar esta relación:
52 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
1) Estimar el número de manchas entre rangos de tamaño. Para ello es necesario definir
unos rangos de tamaño constante (xi+1 - xi), y analizar la relación entre el punto medio
del rango (xi/2 + xi+1/2) y el número de manchas observadas, donde xi es el tamaño de
la mancha. Los límites de los rangos pueden influenciar en los resultados observados
ya que determinan la longitud de la secuencia (la resolución de la distribución de
frecuencias) y el número de datos dentro de cada rango, y por tanto la exactitud con
que se estima la función de densidad (White et al. 2008).
Hay que señalar que el valor de los parámetros no es equivalente. Así el valor de γ
para la distribución potencial no será equivalente al de la distribución truncada. De la
misma forma el valor del parámetro γ para la distribución de manchas agrupadas en rangos
no es equivalente al obtenido por medio de la distribución acumulada.
a) No pastado Pastado
1000 1000
Frecuencia (N(S))
Frecuencia (N(S))
100 100
10 10
1 1
1 10 100 1000 1 10 100 1000
b)
No pastado Pastado
1 1
10 100 1000 10 100 1000
0.1 0.1
p (N(S) >S)
p (N(S) >S)
0.01 0.01
0.001 0.001
c)
1 No pastado
1 Pastado
0.1
p(N(S) < S)
p(N(S) < S)
0.1
0.01
0.01 0.001
Figura 2.3. Representación gráfica de la distribución de manchas de vegetación en una zona pastada y
en una zona no pastada siguiendo el método de a) distribución por rango, b) distribución de frecuencias
acumuladas descendente para tamaños mayores o igual que uno dado, c) distribución de frecuencias
acumulada ascendente para tamaños menores que uno dado.
54 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
Una pregunta que nos hacemos cuando estudiamos la distribución de objetos en un espacio
es si su posición depende de sus vecinos o si se comporta independientemente de ellos,
distribuyéndose homogéneamente por el espacio (al igual que las partículas de un gas
ideal). Dado que en los procesos ecológicos sus componentes interaccionan unos con otros,
es de esperar que éstos generen auto-correlación espacial (Tilman et al. 1997).
4 Ruido blanco
3
-1
-2
-3
10 Movimiento browniano
8
-2
-4
Figura 2.4. Representación gráfica en una dimensión de una distribución Gaussiana de ruido blanco
(White noise) y su integración produciendo el movimiento Browniano.
Estructura fractal de los patrones espaciales de la vegetación 55
El uso de curvas normales asume que las fluctuaciones son independientes, sin auto-
correlación. Sin embargo, en la naturaleza las fluctuaciones están estructuradas. Por
ejemplo la posición de una planta en un lugar determinado dependerá de la distancia a la
planta madre, de las interacciones con los vecinos además de la idoneidad del suelo u otros
factores. En estos casos las correlaciones entre zonas vecinas serán mayores que entre
zonas más alejadas. Por tanto es necesario caracterizar la auto-correlación, es decir el
grado y amplitud de la similaridad de una medida conforme varía en el espacio o en el
tiempo. Una de las formas mejor conocidas es el cálculo de la semi-varianza de la variable
a lo largo de una serie de distancias, d, también llamado semivariograma
γ (d ) = ( yi + d − yi )2
1
2 N (d )
∑
donde γ(d) puede ser considerado como la media del error del estimador yi al cuadrado
usando de referencia el valor de y a una distancia d de la posición i (yi+d).
56 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
Otro modo, mucho más general, de medir la dependencia de las fluctuaciones es mediante
el exponente de Hurst (H), que permite detectar dependencias mucho más complejas que
las dadas por la auto-correlación. En un movimiento Browniano, la variación de los datos
(en este caso, la suma acumulada de las fluctuaciones) es proporcional a la raíz cuadrada
del espacio considerado. Por ejemplo, la variación en 100 metros será 10 veces mayor que
la variación en 1 metro. Sin embargo, en los movimientos Brownianos fraccionales, la
variación de los datos es proporcional a una potencia (el exponente de Hurst H) del espacio
considerado. Nótese que H puede tomar valores entre 0 y 1. Así, el movimiento Browniano
es un caso particular del movimiento Browniano fraccional con H = 0,5. Además, si H <
0,5, el movimiento es antipersistente (por ejemplo, para el ruido blanco H = 0), con lo que
cada fluctuación tenderá a contrarrestar la anterior, mientras que si H > 0,5 el movimiento
será persistente, con lo que cada fluctuación tenderá a tener el mismo signo que las
fluctuaciones anteriores.
( yi+d − yi ) ∝ d H
Para calcular el exponente de Hurst, usaremos la fórmula desarrollada en Sánchez-
Granero et al, 2008, que se basa en la fórmula anterior y tiene la ventaja de que ser más
precisa que otros métodos cuando se dispone de pocos valores, como suele ser el caso. Si la
media de las fluctuaciones no es nula, y queremos eliminar el efecto de una media no nula
en el exponente de Hurst, la serie de datos que utilizaremos para el cálculo de H será la
suma acumulada de las fluctuaciones (fluctuaciones menos promedio de las fluctuaciones).
Por tanto, para calcular H, tomamos la secuencia de fluctuaciones xi, y calculamos su suma
agregada menos su promedio
i
z i = ∑ ( xk − xk )
k =0
tamaño de los datos. Si dibujamos log(mb) contra log(b), obtendremos una recta cuya
pendiente será el exponente de Hurst. En el apéndice 2.7.2 se presenta una rutina en
MATLAB para el cálculo del exponente de Hurst siguiendo el método de Sánchez-Granero
et al. (2008).
6 6
4
5
2
0 4
-2 0 20 40 60 80 100 120
3
-4
-6 2
-8
1
-10
-12 0
-14 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Figura 2.5. Procedimiento para el cálculo del exponente α del DFA. izq) Función generada a partir de
datos aleatorios, la cual es una función acumulada de la serie de datos que incluye las presencias
(registradas como 1) y ausencias (registradas como -1) de un elemento. El cuadro rojo corresponde a
una caja b = 20. dcha) Regresión lineal correspondiente a los 20 primeros datos de la serie (datos
incluidos dentro de la caja que aparece en la izquierda). Las líneas rojas marcan la el valor de los
residuales para el modelo ajustado. Para esta caja se obtiene un valor F2 determinado. El procedimiento
se repite para todas las cajas de tamaño b = 4, 8,16,…,512 y se suman todos los valores. A continuación
() α
se ajusta la función F b ∝ b para obtener el valor α.
58 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
F 2 (b ) = ∑
(y ( ) − yˆ ( ) )
b s b s
2
N
donde N es el número de tamaños de caja que empleamos. Para hallar el exponente de la
relación F (b ) ∝ b α , el proceso se repite para una serie de cajas de tamaño 2n para n desde
2 hasta 11 en el caso de 2050 puntos (211 = 2048, entero inferior más cercano al número de
puntos). Para el cálculo del exponente α hemos usado el programa Drasme2009
desarrollado por Escós y Alados (http://www.ipe.csic.es/conservacion/Services.html).
También hemos preparado un programa en MATLAB para el cálculo del exponente α de
DFA para secuencias binarias (apéndice 2.7.1).
1.3 Alimentarse
1.1
Alfa-DFA
0.9
0.5
1 1.2 1.4 1.6 1.8
Beta
Figura 2.6. Representación del exponente α de DFA (alfa-DFA) y β del espectro de potencia (1/f β) para
secuencias de comportamiento alimentario (alimentarse / no alimentarse) en cabra montés (datos
inéditos de Escós y Alados).
Estructura fractal de los patrones espaciales de la vegetación 59
Alfa-DFA
Hurst
2
1.8
1.6
1.4
Exponente
1.2
1
0.8
0.6
0.4
0.2
0
Ruido blanco Movimiento browniano
Figura 2.7. Representación del exponente H (Hurst ) y α ( alfa-DFA) para seis simulaciones de ruido
blanco y movimiento browniano fraccionario con exponente H = 0,5.
60 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
2.5
2
Alfa-DFA
1.5
y = 0.98x + 1.00
0.5 R² = 0.96
0
0 0.2 0.4 0.6 0.8 1 1.2
Exponente de Hurst
Figura 2.8. Relación entre el exponente H ( Hurst ) y α ( alfa-DFA) para 1000 simulaciones de
movimiento browniano fraccionario con exponente H oscilando entre 0 y 1 y generado a partir del
algoritmo AdditionsFM1D (Voss 1988).
Con el fin de analizar la relación entre el exponente de Hurst (H) y el alfa-DFA (α)
hemos generado secuencias de 2048 datos siguiendo el algoritmo de movimiento
Browniano fraccionario con sucesivas adiciones y con valores de exponente de Hurst
oscilando entre 0 y 1 (Voss 1988). La secuencia así generada es analizada por medio del
DFA. Los resultados presentes en la Figura 2.8 muestran un coeficiente de regresión
positivo de 0,96 entre los exponentes α y H.
En el mundo real, los mecanismos que afectan a la generación de patrones espaciales actúan
dentro de unos límites definidos. Por encima o por debajo de ellos, otros mecanismos
actúan sobre el objeto de estudio dando lugar a un cambio en la tendencia de la relación
potencial que define la estructura fractal, lo que puede ocasionar resultados erróneos. Por
ello, para definir la estructura fractal de un proceso debemos asegurarnos que recogemos
con nuestros datos la amplitud de los mecanismos implicados. Por ejemplo, si deseamos
estimar la estructura espacial de la vegetación y estamos interesados en cómo las
Estructura fractal de los patrones espaciales de la vegetación 61
2.3.1. Efecto del intervalo del rango sobre la distribución de manchas de vegetación
Tabla 2.1. Valor de los parámetros c, γ, Sx, correspondientes a la ecuación potencial (PL) y
potencial truncada (TPL) para las distribuciones de frecuencias no acumuladas con tamaño
de rangos de 10, 20 y 30 cm. AICc es el criterio de información de Akaike (Burnham y
Anderson 1998), q es el número de datos de la serie. R2 es el coeficiente de pseudo regresión
igual a 1 – SSr/SSc, dónde SSr es la suma de residuos de la regresión y SSc es la suma de
cuadrados corregida.
Longitud Intervalo
0.85 0.8
0.8 0.75
0.75
Alfa-DFA
Alfa-DFA
0.7
0.7
0.65
0.65
0.6 0.6
0.55 0.55
0.5 0.5
Longitud Longitud Longitud Intervalo Intervalo Intervalo
(500m) (250m) (125m ) (0.20m) (0.40m) (0.80m)
Figura 2.9. Valores medios y errores estándares de alfa-DFA para transectos que oscilan en longitud y
en distancia entre los contactos (intervalos) aplicados a la distribución de vegetación vs. suelo desnudo.
2.3.2. Efecto de la longitud del muestreo y del intervalo de muestreo sobre la estimación
del exponente alfa-DFA
0.5
0.4
0.3
0.2
0.1
0
Conservado Degradado
1 Periploca
0.9
0.8
0.7
Alfa-DFA
0.6
500 m
0.5
250 m
0.4
125 m
0.3
0.2
0.1
0
Conservado Degradado
Figura 2.10. Valores medios y errores estándares de alfa-DFA para transectos que oscilan en la longitud
del transecto y en la distancia entre los contactos (intervalos) aplicados a la distribución espacial de
Periploca laevigata.
3
2
1
0
log (F(b))
-1
-2
-3 intervalo=20cm
-4 intervalo=40cm
-5
-6
0 2 4 6 8 10
log(b)
Figura 2.11. Relación entre el valor de la varianza residual F, y el tamaño de la caja b de la ecuación
()
F b ∝ b α para Periploca laevigata a intervalos de 20 cm y de 40 cm.
0.75
0.7
0.65
0.6
0.55
0.5
1 1.5 2 2.5 3 3.5
Índice de diversidad de Shannon
0.85
b) y = -0.122x + 0.97
0.8 R² = 0.71
0.75
0.7
0.65
0.6
0.55
0.5
1 1.5 2 2.5 3
Índice de diversidad de Shannon
Figura 2.12. Cambio en la dimensión fractal de información con la intensidad de pastoreo en el matorral
de Chamaerops humilis y Periploca laevigata del Parque Natural de Cabo de Gata-Nijar: a) matorral de
Chamaerops y Periploca con Stipa tenacissima (alrededor de 30% de S. tenacissima); b) estepa de
esparto con abundancia de Stipa tenacissima (50% de la cobertura).
68 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
Con la ayuda de las herramientas de análisis fractal podemos distinguir los patrones
que se generan a mayor escala y que dependen de la interacción con los caracteres físicos
del paisaje de los patrones que emergen a pequeña escala fruto de las interacciones locales
(Cutler et al. 2008).
0.75
Dimensión fractal de información
0.7
0.65
0.6
0.55
0.5
Control Bajo Medio Alto
Intensidad de pastoreo
Figura 2.13. Cambio en la dimensión fractal de información con respecto a la presión de pastoreo en el
matorral de Chamaerops y Periploca del Parque Natural de Cabo de Gata-Nijar. Reproducido de los
datos de Alados et al. (2003)
Estructura fractal de los patrones espaciales de la vegetación 69
Periploca laevigata
0.90
0.80
Alfa-DFA
0.70
0.60
0.50
Control Bajo Medio Alto
Presión de pastoreo
Figura 2.14. Cambio en el exponente alfa-DFA con respecto a la presión de pastoreo en el matorral de
Chamaerops y Periploca del Parque Natural de Cabo de Gata-Nijar para las especies Genista
spartioides, Periploca laevigata y Phlomis purpurea.
1.00
0.90
0.80
Alfa-DFA
0.70
0.50
Control Bajo Medio Alto
Presión de pastoreo
Figura 2.15. Cambio en el exponente alfa-DFA con respecto a la presión de pastoreo en el matorral de
Chamaerops y Periploca del Parque Natural de Cabo de Gata-Nijar para las especie S. tenacissima y
Ch. humilis.
70 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
2.5. Conclusión
Dado una serie de datos dispuestos en dos columnas donde se representan las especies
interceptadas y la posición en el transecto (distancia). En nuestro caso los puntos de corte se
han establecido a 20 cm unos de otros. El programa puede leer los ficheros en Excel a
través del botón de búsqueda del icono Excel en la parte superior izquierda de la ventana.
A continuación se presiona en el botón “DI-FT Analysis Open”, y se nos abrirá una ventana
en la que le seleccionamos las columnas donde aparecen la posición en el transecto
(distance) y la identidad de la especie con la que corta (species). Presionamos OK,
seleccionamos el tamaño del número de divisiones del transecto (aparecen 7 por defecto,
equivalente a dividir un transecto de 500 metros en 7 grupos de 64 metros) y nos
Fig 2.16. Ventana del cálculo de la dimensión de información (DI) con el Programa Drasme2007
http://www.ipe.csic.es/conservacion/Services.html)
72 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
2.6.1.2. Cálculo del exponente alfa por medio del Análisis de fluctuaciones con tendencia
removida (DFA)
A partir de un fichero Excel con los datos en columnas, como en el ejemplo anterior, se
generan los ficheros “.txt” necesarios para el cálculo del exponente alfa de DFA. Si los
datos provienen del método de contactos, presionamos el botón “Intercept Data Open”. Si
en lugar de contactos recogemos el comienzo y final de cada objeto, presionamos el botón
“Block Data Process” y seleccionamos en la ventana que se nos abre a continuación la
Fig 2.17. Ventana de generación de ficheros “*.txt” con datos binarios a partir del transecto original de
distribución de especies con el programa Drasme2009
Estructura fractal de los patrones espaciales de la vegetación 73
columna donde están las especies y la columna que recoge el punto de inicio (InPoint) y el
de final (EndPoint) de cada especie. Si se aplicara a secuencias de comportamiento sería el
comienzo y el final de cada comportamiento.
Antes de proceder a crear los ficheros “.txt” de secuencias binarias (0, 1), debemos
crear una carpeta con el nombre que si deseemos y guardar en ella nuestro fichero de datos.
De esta forma todos los ficheros “.txt” se guardarán en dicha carpeta.
Fig 2.18. Ventana de cálculo de el exponente alfa-DFA de una distribución aleatoria de la especie con el
programa Drasme2009
74 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
Para obtener la distribución al azar de las especies de tamaño mayor que el intercept se
puede aplicar el siguiente procedimiento, consistente en distribuir aleatoriamente los
individuos presionando el botón “Random” en Drasme2009, e indicar el tamaño máximo de
la especie en la zona. En la Figura 2.7 hemos indicado 7 (7 x 20 cm hacen un tamaño de 1,5
m para Periploca laevigata, la planta seleccionada en este ejemplo) y obtener el valor
teórico aleatorio de la especie en concreto (alfa-DFA = 0,782 en este ejemplo). La
diferencia en el valor del parámetro alfa-DFA con el de la distribución real (0,829 en este
caso) nos daría el incremento en organización y podría compararse con el de otra especie de
diferente tamaño.
Estructura fractal de los patrones espaciales de la vegetación 75
2.7. Apéndice
function f=fluctuation(s1,n)
dif=zeros(1,n*floor(length(s1)/n));
for i=1:floor(length(s1)/n)
s2=s1((i-1)*n+1:n*i);
lr=polyfit(1:n,s2,1);
dif((i-1)*n+1:n*i)=s2-lr(2)-lr(1)*(1:n);
end
f=std(dif);
end
serie=cumsum(serie-mean(serie));
serie=reshape(serie,1,length(serie));
nmax=length(serie)/4;
n0=floor(log2(nmin));
n01=floor(log2(nmax))-n0;
x=zeros(1,n01+1);
y=zeros(1,n01+1);
for n=1:n01+1
F=fluctuation(serie,2^(n-1+n0));
x(n)=n-1+n0;
y(n)=log2(F);
end
lr=polyfit(x,y,1);
alfa=lr(1);
%coeficiente de correlación
aux=corrcoef(x,y);
r2=aux(1,2);
%dibujar la regresión
if bplot
plot(x,y,'*',x,lr(2)+lr(1)*x);
76 C. L. ALADOS, J. ESCÓS, H. SAIZ, M. A. SÁNCHEZ
end
end
function mr=meanRango(s1,n)
%Notese que se invierte la serie, para utilizar siempre los ultimos
datos
rang=zeros(floor(length(s1)/n),1);
for i=1:length(rang)
rang(i)=abs(s1(length(s1)-n*i+1)-s1(length(s1)-n*(i-1)));
end
mr=mean(rang);
end
function s2=quitarMedia(s1)
aux=s1(2:length(s1))-s1(1:length(s1)-1);
s2=cumsum(aux-mean(aux));
end
serie=quitarMedia(serie);
nmax=length(serie)/4;
n0=floor(log2(nmin));
n01=floor(log2(nmax))-n0;
ran=1:n01+1;
x=zeros(size(ran));
y=zeros(size(ran));
for n=ran
D=meanRango(serie,2^(n+n0));
x(n)=(n-1+n0)*log(2);
y(n)=log(D);
end
lr=polyfit(x,y,1);
h=lr(1);
aux1=corrcoef(x(1:length(x)-1),y(1:length(y)-1));
r21=aux1(1,2);
if r21>0.9
lr=polyfit(x(1:length(x)-1),y(1:length(y)-1),1);
h=lr(1);
r2=r21;
end
end
%dibujar la regresión
if bplot
plot(x,y,'*',x,lr(2)+lr(1)*x);
end
end
maxlevel=floor(log2(size));
N=2^maxlevel;
delta=zeros(N,1);
x=zeros(N+1,1);
x(N+1)=sigma*randn();
for i=1:maxlevel
delta(i)=sigma*sqrt(0.5*(1-2^(2*H-2)))*0.5^(H*i);
end
D=N;
d=floor(N/2);
level=1;
while level<=maxlevel
for i=d:D:N-d
x(i+1)=0.5*(x(i-d+1)+x(i+d+1));
end
for i=1:d:N+1
x(i)=x(i)+delta(level)*randn();
end
D=floor(D/2);
d=floor(d/2);
level=level+1;
end
fbm=x;
end
3. Aplicaciones de las funciones de núcleo en ecología espacial
José Manuel Blanco Moreno
Resumen
Existen situaciones en las que, sea por la dispersión de los datos, por el ruido que afecte a la
variable de respuesta, o la variabilidad del proceso estudiado, puede ser conveniente
obtener representaciones continuas, de variación gradual en el espacio, que no siempre son
fácilmente asignables a un modelo teórico. En estos casos resultan especialmente atractivos
los métodos de análisis no paramétricos estimados mediante funciones de núcleo. Las
funciones de núcleo distribuyen la probabilidad asociada a cada observación de una manera
gradual en el espacio y constituyen, por tanto, un sistema de asignación de pesos a las
observaciones en función de la distancia que las separa de los puntos de estimación del
modelo. Mediante estos sistemas de ponderación se pueden estimar modelos que sean
variables en el espacio. Más allá del análisis exploratorio de los datos, estas aproximaciones
no paramétricas pueden servir para el contraste estadístico de hipótesis. En este capítulo se
ofrece un repaso de diversas metodologías, unidas entre sí por el nexo común de las
funciones de ponderación en el espacio. Se procede desde los casos teóricamente más
simples a los más complejos, desde cómo obtener una representación continua en el espacio
de datos puntuales hasta cómo testar hipótesis concretas mediante estimas de densidad,
desde la determinación de la tendencia espacial de los datos a cómo testar si las tendencias
de dos grupos son iguales o paralelas, o cómo decidir si un modelo no paramétrico es
continuo o no en el espacio, y cómo explorar la variabilidad espacial de un modelo de
regresión paramétrico. Y siempre que sea posible se hace hincapié en las posibles
limitaciones de la aplicación de estos métodos en un entorno espacial, casi siempre
sometido a la autocorrelación de los términos de error.
3.1. Introducción
por definición, pero sin embargo puede ser de interés la obtención de un estadístico
continuo, como pudieran ser las propiedades de primer orden (densidad o intensidad).
- En muchísimos casos los datos ecológicos presentan una estructura espacial con
una componente importante de ruido, de manera que puede ser difícil separar la señal que
es de interés de esta componente no interpretable (y con frecuencia poco interesante desde
el punto de vista del investigador).
En un sentido más o menos vago una función de núcleo es, en general, una función de
pesos que satisface ciertas condiciones de regularidad. Estas funciones de pesos
habitualmente se definen de forma que los pesos guardan una relación monótonamente
decreciente con la distancia que separa los datos con respecto del punto de estimación sobre
los ejes que marcan las covariables (excepto en las funciones de núcleo uniforme, véase la
Tabla 1). De esta manera los valores estimados son más influidos por las observaciones
cercanas en los ejes de covariables y progresivamente menos por las más alejadas. En el
caso de la ecología espacial estas covariables, tal como las trataré en este capítulo, son las
coordenadas en una o dos, raramente en tres dimensiones y rarísimamente en más (existen
aplicaciones en otros campos: Choi y Hall 1999, 2000, Grillenzoni 2008). Estas funciones
de núcleo son funciones integrables no negativas y definidas en los reales, que satisfacen
las siguientes condiciones:
+∞
1. ∫
−∞
K (u )du = 1 , es decir su integral es 1 y
+∞
2. ∫
−∞
uK (u )du = 0, es simétrica.
Tabla 3.1 Algunas de las funciones de núcleo más comunes para datos en una dimensión. El peso es una
función de la distancia entre el punto de estimación x y la observación xi, en los casos de funciones de
núcleo con dominio compacto, I(|x – xi| ≤ h) es un indicador que toma valor 1 si la distancia entre x y la
observación xi es menor o igual al ancho de ventana h, y 0 en caso contrario. Todos los gráficos están
producidos para h = 1, excepto para el núcleo gaussiano, donde h* ≈ 0,36.
un límite) que con una función de dominio global (p.e. la gaussiana), más aún cuando
ciertas funciones de núcleo de dominio compacto son muy similares a otras de dominio
global.
Tener que calcular pesos para todas las observaciones del dominio de estudio y
manejar grandes matrices densas no suele ser muy eficiente, y mucho menos cuando el
número de observaciones es grande. Por este motivo las funciones de pesos de dominio
compacto han ganado cierta popularidad en la ecología espacial (Seaman y Powell 1996).
En cualquier caso, el uso de una u otra función no es extremadamente relevante para el
resultado, siempre que la función cumpla las condiciones expuestas previamente (Fig. 3.1).
Aplicaciones de las funciones de núcleo en ecología espacial 83
Figura 3.1 Dos estimaciones mediante núcleos diferentes. La línea continua indica la función de
densidad mediante el núcleo cuártico (izquierda) y el gaussiano (derecha) con un parámetro de ancho de
ventana equivalente. Se han representado los pesos (núcleos) de las observaciones individuales con trazo
discontinuo. No existen diferencias muy acusadas entre una y otra función núcleo, a pesar de que una es
de dominio compacto y la otra no.
Existen otras funciones de núcleo, que no son positivas en todo su dominio, y que
pueden llegar a tener mejores propiedades de convergencia (Wand y Jones 1995). Sin
embargo, estos núcleos optimizados para reducir el sesgo no producen realmente una
función de densidad y solo son óptimos de manera asintótica, lo que en la práctica se
traduce frecuentemente en un error más grande (Wand y Jones 1995).
Aunque la forma más fiel de reflejar la estructura espacial de una población o comunidad
de naturaleza discreta pueda ser la representación cartográfica de sus elementos (De la Cruz
2008), la visualización humana es altamente dependiente de la densidad (o de la
intensidad), por lo que es preferible representar variaciones de la densidad de las
observaciones en el espacio muestral a representar directamente las observaciones.
Densidad e intensidad son proporcionales, y sólo difieren en una constante n, el número de
observaciones. La manera más sencilla de obtener una estimación de la intensidad de
observaciones por unidad de espacio es mediante el recuento de eventos en un número de
muestras adyacentes sobre todo el espacio muestral (De la Cruz 2008, Fotheringham et al.
2000). Esta aproximación es equivalente, en una dimensión, a la obtención de un
histograma de las posiciones de las observaciones. Sin embargo, la obtención de
representaciones mediante unidades discretas adolece de al menos tres inconvenientes
(Bowman y Azzalini 1997, Fotheringham et al. 2000):
Figura 3.2 Dependencia de los recuentos en unidades discretas en el origen y el tamaño del intervalo.
Para el mismo conjunto de datos (individuos de Pinus uncinata Ramond ex DC. en un ecotono del límite
forestal pirenaico) se han representado mediante barras grises las estimas de densidad en intervalos
adyacentes de una (fila superior) y dos unidades (fila inferior), en un transecto con origen variable (0,25,
0,5 y 0,75 unidades antes del primer pino). La línea continua representa la estima de densidad mediante
una función núcleo de Epanečnikov de ancho de ventana “óptimo” (ver sección 3.2.2.2), para la que no
se observan cambios pues sólo depende de la posición en la que se calcule.
promedio de los pesos de todas las observaciones para cada posición del dominio de
estudio, la intensidad corresponde con la suma de los pesos:
n n
fˆ ( x) = n −1 ∑ w( x − xi ; h) ↔ λˆ ( x) = nfˆ ( x) = ∑ w( x − xi ; h) (3.1)
i =1 i =1
Estas aproximaciones son bien conocidas para muchos ecólogos como herramientas
orientadas a la obtención de representaciones gráficas más visuales que la representación
directa de los datos sobre sus coordenadas geográficas o sobre las coordenadas temporales.
De hecho, la estimación mediante funciones de núcleo fue introducida por investigadores
en el campo de las series temporales (Parzen 1962, Rosenblatt 1956) y casi todo lo
expuesto para datos georeferenciados en una dimensión es válido para datos tomados en el
tiempo, excepto la asimetría de esta dimensión.
Más delicado que la elección de una función de núcleo suele ser la selección del parámetro
de suavizado de esta función, el ancho de ventana (o ancho de banda, del inglés
bandwidth). Este parámetro determina el grado de dispersión de la probabilidad asociada a
una observación sobre el espacio muestral. De esta manera, si la disminución de la
probabilidad de las observaciones es progresiva, la función estimada resultante es suave, y
su grado de suavidad (para una función de núcleo determinada) sólo está determinado por
el ancho de ventana, el único coeficiente que el investigador modifica en estas aplicaciones.
hi = Aσ i n −1 (4+ d ) (3.2)
donde A es una constante que ajusta el ancho de ventana a la función de núcleo que se
utilice (Silverman 1986), σi es la desviación estándar de los n datos en la dimensión i, y d es
el número de dimensiones (en el análisis espacial en general serán una, dos o tres). Esta
solución puede llevar con frecuencia a la selección de anchos de ventana diferentes para
cada dimensión, lo que en ecología espacial no es frecuente, a menos que exista una fuerte
anisotropía o que se incluya la dimensión temporal.
Esto no quiere decir que, para una primera exploración de los datos, estas soluciones
“automáticas” no sean aceptables. Es más, esta estimación piloto de la densidad constituye
la base para la selección de anchos de ventana variables en el espacio, que corrigen las
diferencias locales en la dispersión de los datos. Silverman (1986) propone el uso de un
ancho de ventana “corregido” mediante la ratio de la media geométrica de las densidades y
las densidades locales estimadas con un ancho de ventana constante:
~ α
λg
h( xi ) = href ~
(3.3)
λ ( xi )
donde λ~g es la media geométrica de las estimas de densidad, y λ~ ( xi ) es la estima local en
el punto i. α es un parámetro de sensibilidad que varía entre 0 y 1, de manera que α = 0
equivale a no hacer ningún ajuste. Otros ajustes locales para controlar la cantidad de datos
que se incluyen en las estimaciones de densidad consisten en expresar el ancho de ventana
como una función de la distancia al vecino más cercano (Bowman y Azzalini 1997), pues
Aplicaciones de las funciones de núcleo en ecología espacial 87
Uno de los métodos que más se utiliza para establecer el ancho de ventana es el de la
validación cruzada por subconjuntos (cross-validation) o más estrictamente la validación
cruzada “dejando uno fuera” (leave-one-out). Este método, aunque presenta ciertos
problemas de estabilidad (Bowman y Azzalini 1997, Wand y Jones 1995), tiene la ventaja
de que la idea subyacente es generalizable a los diferentes procesos de estimación mediante
funciones núcleo, y es un método que resulta familiar e intuitivo. Las formulaciones más
utilizadas son la validación cruzada mediante la minimización de la media del error
cuadrático integrado (MECI) (Bowman y Azzalini 1997, Eubank 1999) y mediante la
maximización de expresiones de la verosimilitud (Brunsdon 1995, Diggle et al. 2005).
∑ ∫ fˆ ( x)dx − n2 ∑i =1 fˆ−i ( x)
n 2 n
1
n i =1 −i (3.4)
Figura 3.3 Comportamiento de diferentes selectores del ancho de ventana. Los anchos de ventana
seleccionados corresponden a 500 muestras simuladas de tamaño muestral n = 150 a partir de los 200
datos utilizados en la Figura 3.2 (realizada con un ancho de ventana óptimo h = 3,13 m). Se puede
observar el comportamiento mucho más variable de la validación cruzada (MECI), y la selección de
anchos de ventana sustancialmente más grandes mediante la aproximación normal o de referencia. El
método plug-in de Sheather-Jones proporciona estimaciones más variables que la aproximación normal,
pero más cercanas al valor óptimo por mínimos cuadrados.
Como en otras técnicas de análisis espacial aplicadas en dominios finitos, puede ser
necesario realizar correcciones del efecto borde. Este efecto se produce cuando la función
de pesos se aplica para estimar la densidad cerca de los límites del área de estudio, y por
tanto interviene en la estimación un área fuera de éstos, que no presenta observaciones
(Diggle 1985).
Figura 3.4. A: Corrección del efecto borde mediante una aproximación a la integración numérica. Para
cada punto de estimación se calcula la cantidad de sectores radiales del núcleo que yacen dentro del
área de estudio y se suma su volumen (área × peso asignado), lo que equivale a integrar el volumen del
núcleo dentro del área de estudio. El factor de corrección que reciben los puntos de evaluación es el
recíproco del volumen interior. B: Estimación de la intensidad del patrón puntual a partir del total de
observaciones, sólo se representa dentro del área poligonal, que simula un dominio de estudio irregular.
C: Estimación de la intensidad dentro del dominio de estudio, sin aplicar ninguna corrección del efecto
borde, se observa la disminución muy acusada de la intensidad estimada hacia los límites del polígono.
D: Factor de corrección para un núcleo gaussiano de ancho de ventana h = 0,09, en el centro del área
no se aplica ningún factor de corrección (fc = 1) porque todo el volumen del núcleo está incluso en el
dominio de estudio. E: Intensidad estimada dentro del domino de estudio, obtenida por aplicación del
factor de corrección a la intensidad en el panel superior derecho, se observan mejoras en el
comportamiento del estimador cerca del límite. La media de las diferencias absolutas entre la intensidad
“real” y la no corregida es 1,33, la media de las diferencias absolutas con la intensidad corregida es
0,23.
Más complejas pero mucho más efectivas, sobre todo por su aplicabilidad general y
flexibilidad, son las soluciones basadas en la aplicación de una corrección a la función de
pesos, sea por modificación directa de la función núcleo (Eubank 1999) o en relación con la
extensión del núcleo que excede el dominio de estudio (Haase 1995). Diggle (1985)
propuso una corrección para la estimación de intensidades mediante funciones de núcleo
basada en la integral definida de la función de núcleo dentro del área de estudio, lo que
corrige el sesgo de primer orden. En la misma línea, Fortin y Dale (2005, p. 39) sugieren el
uso de una integral aproximada mediante sectores discretos de la función de pesos (Fig.
3.4). Sin embargo, estas correcciones pueden llegar a ser computacionalmente costosas,
especialmente para límites de estudio de forma muy compleja. Un problema colateral de las
correcciones del efecto borde es que la densidad estimada deja de sumar la unidad, aunque
esta discrepancia suele ser pequeña (Kelsall y Diggle 1995a).
Figura 3.5 Bandas de variabilidad para estimas de densidad obtenidas mediante la aproximación normal
para núcleos gaussianos (izquierda) y mediante bootstrap (5000 muestreos con reemplazamiento) de las
observaciones (derecha). En ninguno de los dos casos se ha aplicado la corrección del efecto borde para
evidenciar el sesgo. Es particularmente obvia la diferencia entre ambos métodos en los extremos, donde
se acentúa el efecto del sesgo para la aproximación normal
(Bowman y Azzalini 1997), por comparación de la densidad estimada con las bandas de
variabilidad, y si éstas distan o no de cero.
Las estimaciones de densidad también pueden ser usadas para comprobar si los eventos de
dos o más tipos siguen el mismo patrón de distribución. Para la distribución de eventos de
dos tipos (p.e. individuos de especies diferentes a lo largo de un transecto) podemos
92 J. M. BLANCO MORENO
∫ { fˆ ( x) − gˆ ( x)} dx
2
(3.5)
Como hemos visto se pueden obtener bandas de variabilidad para las funciones de
densidad, y de manera similar también para la diferencia entre funciones de densidad. Sin
embargo, como también hemos visto, estas bandas de variabilidad no pueden ser usadas
directamente como si fueran auténticos intervalos de confianza, sino sólo como guías para
la identificación de las zonas en que se producen las mayores discrepancias entre las
funciones de densidad o las mayores contribuciones a la significación global. La
significación del estadístico de contraste se debe obtener de manera no paramétrica
mediante el etiquetado aleatorio de las observaciones. Bajo la hipótesis nula, ambos tipos
de eventos derivan de un único proceso espacial, por lo que las etiquetas que los identifican
como uno u otro grupo deberían ser intercambiables. La significación del estadístico
observado es simplemente la proporción de valores simulados que son más grandes que
éste.
En el caso de que haya más de dos grupos que quieran ser comparados, el estadístico
más adecuado es la suma de las integrales de las diferencias al cuadrado para cada grupo
respecto a la densidad conjunta:
k
∑ n ∫ { fˆ ( x) − fˆ ( x)} dx
i =1
i i
2
(3.6)
distribuciones son iguales, sus medias estimadas sean iguales (lo que sólo se consigue si el
ancho de ventana es homogéneo entre grupos).
donde las sˆ( xi ) son las diferencias entre el riesgo local y el riesgo promedio (de hecho es
una estima de la varianza de la superficie de riesgo). El estadístico de contraste se compara
con un número suficientemente elevado de estadísticos tj obtenidos mediante simulación
del patrón de puntos.
existe la segregación entre los diferentes tipos. Diggle et al. (2005) presentan una
metodología para el análisis de patrones puntuales multivariados basada en la estimación de
la función de densidad de eventos mediante funciones de núcleo.
podemos afirmar que el proceso de Poisson subyacente es al azar si pk(x) = pk, es decir que
las probabilidades de los diferentes k tipos son constantes en el espacio e iguales a las
probabilidades promedio de los eventos de tipo k. Las intensidades se pueden estimar
mediante una función de núcleo como hemos visto para la estimación de densidades
univariadas, sin embargo, resulta más directo hacerlo directamente mediante un estimador
de la probabilidad (Diggle et al. 2005). El proceso se puede entender como una
modificación del método propuesto por Kelsall y Diggle (1998) para la estimación de la
variación espacial del riesgo. En este caso, puesto que se puede entender todo el proceso
como una regresión multinomial, la selección del ancho de ventana se puede llevar a cabo
mediante la validación cruzada de la log-verosimilitud:
n g
LVC (h) = ∑∑ I ( zi = k ) log( pˆ k−i ( xi )) (3.9)
i =1 k =1
donde la función I(zi = k) es un indicador que devuelve uno si la marca zi es del grupo k, y
cero en caso contrario, y pˆ k−i ( xi ) es la función de probabilidad estimada en xi pero sin tener
en cuenta este punto. El valor óptimo de ancho de ventana es aquél que maximiza esta
expresión. La elección de un ancho de ventana común presenta la ventaja de que las
probabilidades específicas calculadas suman uno para cualquier punto en el espacio, de
manera que indican la probabilidad de que un evento en el punto xi sea de tipo k. Para
probar estadísticamente la variación espacial de las probabilidades condicionales, Diggle y
colaboradores (2005) sugieren comparar las pˆ k ( x) estimadas con la esperanza de las
probabilidades específicas αk, que pueden ser estimadas mediante αˆ k = nk / n . El estadístico
de contraste sugerido es:
n m
T = ∑∑ { pk ( xi ) − α k }2 (3.10)
i =1 k =1
Aplicaciones de las funciones de núcleo en ecología espacial 95
Figura 3.6 Análisis de segregación de marcas mediante una aproximación por funciones de núcleo. Se
establece el ancho de ventana mediante validación cruzada de la verosimilitud para el conjunto de
especies; y con este ancho de ventana se realiza la estimación de las densidades relativas y de re-
estimación (500 veces) de las densidades con las marcas (especies) distribuidas al azar, de las cuales se
obtiene la significación respecto a un patrón homogéneo. El patrón de distribución conjunto así como las
distribuciones de las diferentes especies son diferentes respecto a uno homogéneo (P ≤ 0,002, los
contornos indican los intervalos de confianza del 95 %).
Éste puede ser probado mediante simulación de Monte Carlo (Diggle et al. 2005):
bajo la hipótesis nula las marcas de los eventos se pueden redistribuir aleatoriamente
(random labelling), de manera que la proporción entre las diferentes clases y la distribución
espacial de los eventos se mantienen constantes. La significación se obtiene de la manera
habitual, a partir el número de estadísticos tpermutas (obtenidos para un número elevado de
permutas de las marcas) que son mayores o iguales al estadístico original tobservado (obtenido
96 J. M. BLANCO MORENO
para la distribución original de las marcas). Por otra parte, este estadístico puede ser
descompuesto en sus componentes espaciales, de manera que permite evaluar las
localizaciones que más se apartan del modelo nulo de homogeneidad espacial, tanto en lo
referente al conjunto de k marcas como a cada una de los marcas (Fig 3.6).
Sin embargo, como hace notar De la Cruz (2008), la aleatorización de las marcas
corresponde a procesos que puedan ser entendidos como resultado de un proceso
jerárquico, uno que genera el patrón de puntos, y otro que asigna las marcas a los procesos.
En los casos epidemiológicos, esta hipótesis es adecuada, pues existe una población de
riesgo que contrae una u otra enfermedad. Sin embargo, en algún caso se ha sugerido el uso
del etiquetado aleatorio para testar la independencia de dos patrones puntuales, por ejemplo
la distribución de árboles de diferentes especies (Zheng y Diggle 2009), aunque esta no
sería la manera más adecuada de generar la hipótesis nula (Dixon 2002). En este caso, el
desplazamiento toroidal o la simulación de nuevos patrones puntuales de acuerdo a una
función de segundo orden serían más adecuados.
quedará diluida su importancia. Por esta razón se debe ejecutar el análisis con una función
núcleo unilateral (es decir, sólo medio núcleo), de la misma manera que se ha propuesto
para el análisis de bordes y líneas de cambio en imágenes (Garlipp y Müller 2006, Müller y
Garlipp 2005, Qiu 1997).
Para los patrones puntuales en dos dimensiones las diferencias de intensidad pueden
obtenerse para infinitas direcciones, por lo que hay que definir la direccionalidad de la línea
de cambio. Para encontrar la orientación más probable de la discontinuidad se deben probar
diferentes orientaciones con el objetivo de encontrar el ángulo θ que consigue la máxima δ
(Garlipp y Müller 2006). Tras este proceso se obtiene una superficie de tasas de cambio δ
(asociadas a sus ángulos θ), de la cual solamente interesan las “crestas”, o líneas que unen
los puntos de máximo cambio, que pueden ser definidas mediante las derivadas
direccionales de esta superficie de cambio.
Probablemente el uso del desplazamiento toroidal para áreas rectangulares puede aliviar
parcialmente el problema. Este aspecto así como la significación de las discontinuidades
individuales requieren una investigación más rigurosa.
Así como la estimación de densidad busca obtener un promedio local de conteos de datos o
de individuos, la regresión no paramétrica de una variable respecto a las coordenadas
cartesianas pretende obtener localmente un valor medio de las observaciones de la variable
de respuesta. Las técnicas de suavización de datos pueden resultar útiles para mostrar la
estructura espacial de los datos, sin hacer referencia a modelos paramétricos, como podrían
ser las superficies de tendencia (trend surface) (Legendre y Legendre 1998) u otros
modelos más analíticos, mecanicistas (regresiones logísticas, etc.) El modelo no
paramétrico, sin embargo, puede sugerir los modelos paramétricos o llevarnos a considerar
si éstos son adecuados en absoluto.
~ ( x) + ε =∑i =1
n
w( xi − x; h) yi
~y = m +ε (3.11)
∑
n
i =1
w( xi − x; h)
donde m ~ ( x) es el estimador en x, w( xi − x; h) son los pesos de los puntos xi, cuyo valor
medido es yi, para una estimación en x mediante un ancho de ventana h. Cabe destacar que
este estimador es una generalización, por así decirlo, del estimador de la media aritmética,
pues la media aritmética global es un caso particular de la función m ~ ( x) cuando el ancho
de ventana h tiende a infinito (ver la Figura 3.7).
De la misma manera que un ancho de ventana demasiado grande no es muy útil para
la caracterización local de los datos, un ancho de ventana excesivamente pequeño tampoco
es útil, porque conduce a la interpolación de los datos.
Figura 3.7. Comparación de la estimación de la media local con diferentes anchos de ventana. Se puede
definir un ancho de ventana óptimo, para el cual la suavización de los datos es adecuada, para anchos de
ventana más amplios (izquierda), se produce una sobre-suavización y no representa correctamente la
estructura de los datos, para anchos de ventana muy pequeños (derecha) se tiende a la interpolación de
los datos, lo que no es útil para detectar las tendencias
La idea de ajustar una recta localmente para obtener una función suave de la respuesta es
relativamente vieja (Cleveland 1979), pero sus excelentes propiedades estadísticas (Fan
1993, Fan y Gijbels 1992) han hecho que perdure y que se haya hecho un hueco entre las
100 J. M. BLANCO MORENO
Figura 3.8. Efecto de la regularización de los datos mediante medias locales en los resultados de una
clasificación. En el primer panel se muestran los datos de abundancia (en una escala ordinal) de treinta
y cuatro especies de plantas en un nevero pirenaico, a lo largo de un transecto desde la parte exterior del
nevero hasta el centro de éste. La clasificación de las muestras mediante un análisis de conglomerados
difuso en tres grupos presenta ciertas irregularidades, lo que no facilita la delineación de regiones
homogéneas. La regularización de la abundancia de las especies es equivalente en cierta manera a la
obtención de un modelo no paramétrico de su abundancia en relación con la permanencia de la nieve,
suavizando las irregularidades en la presencia de especies que pueden deberse a efectos estocásticos. La
regularización se llevó a cabo mediante la media local de cada especie con una función de núcleo común
(representado en trazo discontinuo en el cuarto panel). La clasificación de los datos regularizados
perfila con más claridad la presencia de regiones.
∑{ y − α − β ( x − x)} w( x − x; h)
i =1
i i
2
i
(3.12)
Figura 3.9. Propiedades de los estimadores locales de la media y de tendencias lineales. A la izquierda
se muestra el comportamiento del estimador de media local, y a la derecha la regresión local, en ambos
casos se muestra la función estimada óptima (línea continua) y dos estimadores sobre-suavizados, uno de
ellos con un ancho de ventana infinito (trazo largo). La regresión local es más apropiada para la
descripción de tendencias espaciales.
expresión algo más compleja que la media móvil, pero igualmente bien definida:
1 n {s2 ( x; h) − s1 ( x; h)( xi − x)}w( xi − x; h) yi
mˆ ( x) = ∑
n i =1 s2 ( x; h) s0 ( x; h) − s1 ( x; h) 2
(3.13)
en la cual n
.sr ( x; h) = n −1 ∑ ( xi − x) r w( xi − x; h)
i =1
Entre las propiedades deseables de este estimador hay que destacar que, así como la
media local puede verse como una generalización de la media global, con la que converge
para un ancho de ventana infinito, la regresión lineal local es una generalización de la
regresión lineal. La tendencia lineal (recta, monótona) en unos datos cualesquiera puede ser
representada mediante una regresión local con un ancho de ventana infinito (Fig. 3.9).
Existen estimadores locales de grado más elevado (polinomios), pero en general la
aproximación lineal es suficientemente flexible para la mayoría de aplicaciones, además,
los polinomios de grado impar son preferibles (Bowman y Azzalini 1997, Wand y Jones
1995), lo que juega a favor de estos modelos lineales locales.
que se desee realizar algún tipo de inferencia. Podemos ilustrar, mediante un modelo simple
con un único parámetro (la media local) cómo interpretar la derivación de los grados de
libertad para el modelo. La misma lógica se aplica a la evaluación local de modelos más
complejos, aunque con matrices “de proyección” diferentes.
Como hemos visto, la media aritmética local corresponde a un modelo que se puede
expresar de acuerdo con la expresión 3.9. Podemos expresar este modelo como:
∑ ∑
n n
j =1
w( xi − x j ; h) y j j =1
wij y j
yi =
~ = (3.14)
∑ ∑
n n
j =1
w( xi − x j ; h) w
j =1 ij
Reordenando los términos en la expresión anterior obtenemos:
w y
yi = nij j = sij y j
~ (3.15)
∑ j =1 ij
w
donde sij es el vector que convierte el vector de observaciones yj en la estimación ŷi en el
punto i. Podemos expresar el conjunto de vectores sij para todos los puntos de estimación i
en forma de una matriz rectangular:
~y = Sy (3.16)
manera que el total de grados de libertad residuales son g(N/g–p) = N–pg, de manera que
los grados de libertad del modelo para los N datos depende solamente de su nivel de
agrupación.
Existen algunas diferencias importantes entre la selección del ancho de ventana para
estimas de densidad y la de regresiones locales (Wand y Jones 1995). La primera, y quizás
la más importante, es que no existe un criterio teórico para derivar un ancho de ventana
óptimo, pues aunque los errores de la variable estimada puedan ser normales, las
observaciones no tienen por qué distribuirse de esta manera en el espacio, sino que con más
frecuencia siguen un diseño regular o aleatorio (uniforme o no).
1 n
VC (h) = ∑{ yi − mˆ −i ( xi )}2
n i =1
(3.17)
∑
n
1
( yi − mˆ ( xi )) 2
VCG (h) = i =1
n
(3.18)
(1 − 1n tr ( S )) 2
En este caso, simplemente se calcula la media de los errores al cuadrado (el
numerador) y se corrige de acuerdo el número de grados de libertad invertidos en la
estimación, se aplica, por lo tanto, una penalización al “gasto” de grados de libertad.
Existen otros selectores del ancho de ventana, entre los que destaca el de Hurvich et
al. (1998) que está basado en una modificación del criterio de la información de Akaike:
2{tr ( S ) + 1}
AICC = log( 1n ∑i =1 ( yi − mˆ ( xi )) 2 ) + 1 +
n
(3.19)
n − tr ( S ) − 2
Este selector es más estable que la validación cruzada generalizada y que presenta
un comportamiento favorable incluso respecto a los métodos de plug-in en los casos en que
éstos están disponibles. Sin embargo, también puede sobresuavizar las funciones con
variaciones fuertes.
parte del ruido (Bock et al. 2007, Bowman 2006, Herrmann et al. 1992).
Chu y Marron (1991) indican que la selección de un ancho de banda a partir del
conjunto de enésimas observaciones en una serie a menudo conduce a estimaciones de
anchos de ventana mucho más estables y siempre más grandes que a partir de los datos
originales autocorrelacionados. La efectividad del método depende de que la distancia entre
observaciones restante sea igual o mayor que el alcance de la autocorrelación de los
residuos. De hecho, esta práctica sería, en el campo de la regresión no paramétrica, un
equivalente a la selección de puntos de muestreo basada en la “distancia a la
independencia” (Fortin y Dale 2005, p. 249). Esta práctica resulta difícil de realizar a priori,
porque en general se desconoce el grado de autocorrelación espacial, y porque el mundo en
el que nos movemos es parcheado y heterogéneo a diferentes escalas (Dale 2000).
covarianza entre muestras (Dutilleul 1993). Por otra parte, los selectores de ancho de
ventana basados en el criterio de la información de Akaike resultan más estables ante los
residuos autocorrelacionados que los de validación cruzada (Hurvich et al. 1998).
Con la obtención de los grados de libertad del modelo, ya tenemos casi todos los
ingredientes necesarios para realizar inferencia estadística mediante los modelos de
regresión local. La única pieza que falta es el término de error. Tal como hemos expresado
nuestro modelo de regresión local (ecuación 3.13), podemos formular la suma de cuadrados
residuales como
SCR = ∑ { yi − mˆ ( xi )} ,
2
por lo que SCR / gdlerror deviene una medida intuitiva de la varianza residual σ̂ 2 . Sin
embargo, como ya hemos mencionado, este término de error contiene el sesgo propio del
estimador de la tendencia mˆ ( x) . Gasser y colaboradores (1986) ofrecen una definición
alternativa de σ̂ 2 a partir de unos pseudoresiduos obtenidos por interpolación lineal entre
observaciones adyacentes, que son los que se utilizan en algunas implementaciones de las
técnicas de regresión no paramétrica (Bowman y Azzalini 2007, Herrmann y Maechler
2009). En los problemas bidimensionales, sin embargo, estos pseudoresiduos son obtenidos
mediante el ajuste local de una regresión no paramétrica con un ancho de ventana pequeño,
para reducir la influencia del sesgo (Bock et al. 2007).
Si nos contentamos con este sesgo inevitable (y difícil de estimar), podemos utilizar las
bandas de variabilidad derivadas de estas medidas de la varianza residual como guías para
la inferencia, de la misma manera que hemos visto para las estimas de densidad (sección
3.4). Estas bandas de variabilidad son intervalos puntuales de confianza para el valor
esperado de mˆ ( x) , pero no para la función “real” m(x) , por lo que se deben interpretar con
cautela.
En los casos en que se requiera una comprobación de que las tendencias observadas van
más allá del puro azar (una línea horizontal correspondiente a la media) se puede realizar un
test sencillo a partir de un estadístico de contraste basado en un test de razón de pseudo-
verosimilitudes:
−1
SCR0 − SCR1 SCR1
F = (3.20)
gdl0 − gdl1 gdl1
donde se relacionan las sumas de cuadrados residuales del modelo constante en el espacio
(SCR0) con el espacialmente variable, y la diferencia de grados de libertad entre ambos.
Este estadístico se puede testar de una manera sencilla mediante la aleatorización de las
observaciones (Raz 1990) y calculando la proporción de estadísticos de las reordenaciones
que son más grandes que el estadístico obtenido para los datos observados. Este método,
además, permite la obtención de unas bandas de variabilidad para el modelo nulo de media
constante (Fig. 3.11).
Figura 3.12. Comparación de superficies no paramétricas en relación con diferentes modelos nulos. Las
superficies de la izquierda representan la densidad de una especie arvense (Avena sterilis L.) en un
campo de cereal para tres años consecutivos. Los colores gris oscuro y gris claro indican las áreas
donde las diferencias estandarizadas entre superficies (negativas y positivas respectivamente) superan
las dos unidades de desviación estándar. Para cada pareja de años se realizó la interpolación con un
ancho de ventana optimizado mediante el criterio de la información de Akaike (12 metros para la
primera y 10 metros para la segunda pareja). Aunque los tres años la estructura fue visualmente muy
parecida, el test de igualdad indicó que las diferencias entre años consecutivos fueron significativas. Sin
embargo, la prueba de paralelismo no rechazó la hipótesis nula, es decir, la localización de máximos y
mínimos y las tendencias espaciales no fueron significativamente diferentes, por lo que se puede concluir
que la estructura espacial de esta especie cambia poco entre años.
intervalos.
Bowman et al. (2006) proponen un test global para la presencia de discontinuidades basado
en las diferencias estandarizadas. Así pues, se puede obtener un estadístico global mediante
la siguiente expresión:
g
{mˆ I ( zi ) − mˆ D ( zi )}2
T =∑ (3.21)
i =1 var(mˆ I ( zi ) − mˆ D ( zi ))
en la cual las zi, para i = 1,..., g, son las diferentes posiciones sobre las que se calculan las
diferencias entre estimadores por la derecha y por la izquierda. Las expresiones para
calcular la varianza de la diferencia se puede encontrar en los trabajos originales de
Bowman y Azzalini (1997, p. 74-75) y de Bowman y colaboradores (2006). Tampoco son
inmediatas las definiciones para poder calcular la significación del estadístico de manera
analítica, pero por fortuna existen implementaciones que permiten ésta y otras pruebas
estadísticas.
Aplicaciones de las funciones de núcleo en ecología espacial 111
Para asegurar que hay suficientes datos para proporcionar estimaciones sólidas, los
puntos de evaluación zi más cercanos a los límites del dominio de estudio deben ser
excluidos de las evaluaciones. Como no hay muchas recomendaciones claras en la
bibliografía al respecto y no hay métodos aplicables de corrección del efecto borde, lo más
adecuado es permitir una distancia entre el punto de evaluación y el límite del dominio de
estudio que incluya observaciones con peso suficiente como para obtener la estimación de
una recta o un plano no trivial (si los puntos distantes reciben muy poco peso, la función
ajustada pasa por los valores más cercanos al punto de estimación).
Este test no indica per se dónde yacen las discontinuidades en la regresión. Para ello
112 J. M. BLANCO MORENO
yi = f ( z ki , β ki ) + ε i (3.23)
regresión, estos puntos j reciben un peso wij que depende de la distancia dij que los separa
del punto i. Como en las otras formas de estimación de tipo núcleo la forma de la función
de núcleo utilizada en la construcción del sistema de pesos no es determinante, es más, para
este modelo ni siquiera es necesario que la función de pesos cumpla la condición 1, dadas
las características del proceso de estimación. Los pesos geográficos conforman la matriz de
pesos en la construcción de la matriz de proyección:
H = X ( X T WX ) −1 X T W (3.24)
Una prueba estadística formal del grado de mejora del modelo geográficamente
ponderado sobre el modelo global puede ser obtenida mediante el principio de la suma de
cuadrados extra (Brunsdon et al. 1999). La distribución de la suma de cuadrados residual
dividida por el número efectivo de parámetros puede ser aproximada de manera razonable
por una distribución χ 2 con los grados de libertad iguales al número efectivo de parámetros
(Fotheringham et al. 2002, Hastie y Tibshirani 1990). Este hecho permite establecer un test
de razón de verosimilitudes aproximado basado en una prueba F de Fisher, de la misma
manera que se pueden comparar dos modelos lineales con diferente número de parámetros.
En general se puede asumir que este test puede expresarse como:
−1
SCRmco − SCRrpg SCRrpg
Fgdl1 , gdl2 = (3.25)
gdlmco − gdlrpg gdlrpg
El primer término es la diferencia entre las sumas de cuadrados residual de ambos
modelos (mínimos cuadrados ordinarios y la regresión ponderada geográficamente)
dividida por la diferencia de grados de libertad de ambos modelos, mientras que el segundo
término es la media de la suma de cuadrados del modelo espacial. Los grados de libertad
del estadístico corresponden aproximadamente con la traza de la diferencia entre matrices
de proyección los dos modelos (gdl1) y con la traza de la matriz de proyección del modelo
ponderado geográficamente (gdl2) (Brunsdon et al. 1999, Fotheringham et al. 2002). Este
tipo de pruebas estadísticas, sin embargo, por estar al límite de las asunciones para los
modelos lineales, debería ser examinado con cautela.
Figura 3.14. Análisis mediante funciones núcleo de la estructura de población de Pinus uncinata Ramond
ex DC. en un transecto en el límite forestal pirenaico. A Se muestra un análisis de la densidad de las
cuatro categorías de árboles reconocidas en el campo (a: adultos, j: juveniles, v: plantones, p:
plántulas), para las cuales el análisis de homogeneidad rechaza la hipótesis nula (P ≤ 0,001). B Si nos
centramos en las categorías con distribuciones más similares, también se observan diferencias
significativas (P = 0,003), debidas a discrepancias en determinados segmentos de la distribución, en los
que las curvas yacen fuera de la banda de variabilidad. C El análisis de la edad de los individuos en
función de la altitud muestra con claridad un descenso de la edad media de los individuos. D El modelo
de continuidad rechaza la hipótesis nula (P ≤ 0,001), por lo que debemos considerar que existe una
discontinuidad en el reclutamiento de pinos en este ecotono. Se representa con una barra gris la zona
donde se producen discrepancias estandarizadas mayores entre las estimaciones por la derecha y por la
izquierda, y con una línea vertical discontinua la más fuerte de ellas. En los sectores delimitados a cada
lado de esta discontinuidad el test de continuidad no rechaza la hipótesis nula (P = 0,98 y P= 0,12).
Este ejemplo, a la vez, servirá para mostrar cómo el análisis de regresión ponderada
geográficamente puede ser extendido a un problema de regresión no lineal. La relación
entre producción del cultivo y densidad de plantas competidoras usualmente se ha descrito
mediante el modelo de Cousens (1985) o alguna de sus modificaciones para incluir más de
una especie competidora (Swinton et al. 1994). Este modelo agronómico describe la
relación cosecha-competidoras de acuerdo a una relación hiperbólica, en nuestro sistema de
estudio, la biomasa del cultivo (y) es una función de la potencialidad máxima de éste (ymax)
y de las densidades de las diferentes especies arvenses (di), sus respectivas capacidades
competitivas (Ii) y un parámetro de pérdida máxima (A) que marca el “techo” a partir del
cual la competencia intraespecífica es tan fuerte como la interespecífica (las competidoras
compiten más entre sí que con el cultivo):
I r dr + Iodo
y = ymax 1 − (3.26)
1 + ( I d
r r + I d
o o ) A
Puesto que no se puede expresar de manera lineal, el uso de las soluciones
preprogramadas para la regresión ponderada geográficamente queda descartado. Dado que
no existe ninguna forma analítica cerrada para resolver una regresión no lineal, este debe
resolverse mediante un proceso iterativo. Esto significa que debemos realizar una regresión
separada para cada punto del espacio (con un sistema de pesos diferente, véase la Figura
3.15), mediante el establecimiento de un sistema de ponderación geográfica centrado en
cada uno de estos puntos. La ponderación de las observaciones para la estimación local se
lleva a cabo mediante una función de núcleo gaussiana. En la sección 3.4.1 ya hemos visto
que hay diversos métodos para realizar la selección del ancho de ventana, en el caso de una
regresión no lineal espacialmente variable es especialmente problemática la selección
automática por validación cruzada, pues es un proceso computacionalmente muy intenso y
con multitud de escollos a salvar (falsa convergencia del algoritmo de optimización,
selección adecuada de los valores de inicio para la regresión en cualquier punto del espacio,
inversión de matrices singulares, etc.). Lo más práctico es seleccionar a priori un ancho de
ventana que permita tener observaciones con suficiente peso para todas y cada una de las
estimaciones locales, y testar si la variabilidad detectada a esa escala es significativa.
Figura 3.15. Efecto del sistema de ponderación geográfica en la estimación de las relaciones entre
variables. A La toma de muestras se llevó a cabo en una cuadrícula cuyos nodos distaban 10 m
(coordenadas UTM huso 31, zona T), la elevación del campo se sobrepone a la rejilla de muestreo en
forma de contornos, las áreas rayadas constituyen márgenes y zonas de vegetación natural. En B-E se
representa la relación entre biomasa del cultivo y la densidad de la especie arvense mayoritaria para
una estimación local centrada en cuatro puntos de muestreo (○), los pesos que reciben las medidas
tomadas en diferentes puntos del espacio (proporcional al tamaño del símbolo que representa cada
observación) se establecen mediante una función de núcleo gaussiana con un ancho de ventana h = 70 m.
Los puntos que reciben mayor peso son diferentes para cada una de las localizaciones marcadas ○), ( de
manera que pueden emerger relaciones diferentes entre las variables estudiadas. De esta manera se
obtienen vectores georeferenciados de las estimaciones de los parámetros, que pueden ser representados
gráficamente (F-I). Se puede observar que las estimaciones de los parámetros de biomasa potencial del
cultivo (ymax), así como los que indican la capacidad competitiva de las especies arvenses (Io, Ir) tienen
una estructura espacial parecida, y que concuerda en parte con la topografía del campo. Este fenómeno
posiblemente guarda relación con la capacidad de retención de agua, menor en las partes altas y
denudadas.
Aplicaciones de las funciones de núcleo en ecología espacial 121
Tabla 3.2 Análisis del modelo de regresión ponderada geográficamente respecto al modelo global de
regresión no lineal. Aunque el modelo de regresión ponderada geográficamente equivale a realizar una
regresión diferente en cada punto del espacio, no se invierten tantos grados de libertad como puntos
porque las regresiones en puntos cercanos son muy interdependientes entre ellas (ver la sección 3.3.3). A
pesar de que la diferencia en la suma de cuadrados residual y en los grados de libertad es relativamente
pequeña, esta diferencia es significativa de acuerdo con el test de razón de verosimilitudes, lo que nos
indica que el modelo espacialmente variable recoge una fracción significativa de la variabilidad del
modelo, aunque no indica por él mismo si todos los coeficientes son significativamente variables en el
espacio.
biomasa del cereal y densidad de arvenses para intervalos diferentes de la densidad (se
estimarían efectos bajos en las zonas de densidad alta, y efectos muy pronunciados en las
zonas de baja densidad).
Una vez establecido el ancho de ventana por uno u otro mecanismo, la regresión
ponderada geográficamente nos permite obtener estimaciones locales para cada uno de los
parámetros de la ecuación 3.26 (ymax, Ir, Io, A), que pueden ser representados gráficamente
en forma de un mapa (Fig. 3.14). Como se puede observar, ninguno de los parámetros
estimados es constante en toda el área de estudio, falta, sin embargo, averiguar si esta
variabilidad recogida por un modelo espacialmente complejo es significativa.
Uno de los inconvenientes de un capítulo que versa sobre un marco de trabajo laxo es que
las opciones para la aplicación de los métodos expuestos se encuentran dispersas un poco
aquí y allá. Para la aplicación de estimaciones de densidad o de tendencias suavizadas
mediante funciones de núcleo (o modelos similares), cabe destacar que casi todos los
paquetes estadísticos tienen alguna herramienta para realizar estimaciones de densidad en
122 J. M. BLANCO MORENO
una y dos dimensiones, con numerosos algoritmos implementados, con más o menos
facilidades para la selección del ancho de ventana. En esta categoría de programas
inespecíficos podemos incluir SAS (rutinas KDE para densidades y LOESS y TPSPLINE
para regresiones no paramétricas, aunque con una base teórica diferente a lo expuesto aquí),
SPSS, S-plus y algunas funciones y paquetes recomendados de R base (density para
densidad en una dimensión, kde2d en el paquete MASS para dos dimensiones, ksmooth
para el estimador de Nadaraya-Watson, loess para regresión no paramétrica...).
Resultan más interesantes por sus posibilidades otros programas más específicos,
destinados a problemas concretos u orientados al análisis estadístico y no sólo a la
representación gráfica. Para la estimación de densidad aplicada a las estimaciones del
movimiento de animales, los estudios de áreas de campeo y uso del hábitat, el lector
interesado puede dirigirse a la revisión de Santamaría et al. (2008), donde se halla un
listado extenso y detallado del conjunto de programas más habituales en este tipo de
estudios. Cabe destacar una ausencia en esa revisión, adehabitat, un paquete libre para
R orientada al análisis del uso del hábitat por animales, que contiene funciones para la
estimación de densidad, selección del ancho de ventana, etc.
Entre los paquetes para R existen diversas opciones para el análisis de la densidad de
patrones puntuales en dos dimensiones. splancs representa un buen punto de inicio, pues
permite tanto el análisis de la densidad mediante funciones de núcleo como el análisis de
funciones de segundo orden. Bivand et al. (2008, pp.176-177) indican cómo realizar un
análisis de segregación entre las marcas de un proceso puntual bivariado mediante este
paquete. También en R existe el paquete spatialkernel (Zheng y Diggle 2009) que
permite el análisis de la segregación en patrones puntuales multivariados mediante una
aproximación de funciones de núcleo.
No quisiera acabar sin trasladar aquí una reflexión de otros autores (Fortin y Dale
2005) y recomendar a los practicantes del análisis espacial (sean estudiantes de tercer ciclo,
investigadores júnior o sénior) la adquisición de algún tipo de habilidad en programación
estadística, sea en lenguajes para “macros” de paquetes estadísticos estándar o de SIG, o en
los fundamentos de algún lenguaje de nivel alto (por ejemplo R). El uso de soluciones pre-
programadas y empaquetadas, terriblemente cómodo, es limitante en algunos casos e
incluso puede conducir a error cuando los cálculos realizados (el código del programa) no
son explícitos. Por otra parte, entre la publicación de un nuevo método y su implementación
en paquetes estadísticos comerciales puede transcurrir cierto tiempo. La habilidad de
escribir y modificar el código de métodos preexistentes abre las puertas a una amplia gama
de posibilidades.
Por último hay que destacar que, como siempre que se realiza una revisión de este
tipo, es más que probable que durante el periodo desde su concepción y elaboración hasta
124 J. M. BLANCO MORENO
su aparición en la obra final hayan visto la luz otras herramientas, algunas incluso más
adecuadas o eficientes que las aquí expuestas, y que las aquí expuestas sean ya obsoletas.
3.7. Agradecimientos
Debo agradecer a Artur Lluent y a Enric Batllori compartir sus datos para ilustrar algunos
de los aspectos de este capítulo. También agradezco a los miembros del grupo de
Agroecología de la Universidad de Barcelona su apoyo y comprensión durante el desarrollo
de este trabajo.
4. Análisis conjunto de dos patrones puntuales en ecología
Virgilio Gómez Rubio y Antonio López Quílez
Resumen
El análisis de patrones puntuales en los que aparecen dos tipos de sucesos es común en
ecología. Varios métodos de análisis, desarrollados en el ámbito de la epidemiología
espacial, permiten analizar dos patrones puntuales conjuntamente y detectar diferencias
entre ellos. Estas diferencias pueden darse en la distribución espacial o en el nivel de
agregación que presentan los patrones. En este capítulo damos una introducción al análisis
espacial de datos de casos y controles y explicamos cómo incluir covariables que puedan
explicar dichas diferencias. Presentamos ejemplos de análisis de datos con el programa
estadístico R tanto en ausencia como con disponibilidad de covariables.
4.1. Introducción
El análisis de patrones puntuales en los que aparecen dos tipos de sucesos es común en
ecología. Un ejemplo claro es determinar si dos tipos de árboles tienen la misma
distribución espacial. Desde un punto de vista más epidemiológico, podemos estar
interesados en la distribución de árboles infectados por alguna enfermedad y compararla
con la de los árboles sanos. En todos estos casos podemos dividir los datos observados en
dos grupos diferenciados. En cuanto al análisis, nos puede interesar estudiar la distribución
de cada uno de estos dos grupos por separado pero, por otro lado, también resulta
interesante investigar si existe alguna relación espacial entre ambos grupos. En particular, si
la distribución espacial es la misma.
Las técnicas que vamos a presentar en este capítulo se han desarrollado en el ámbito
de la epidemiología espacial. Es por esto que muchas veces llamaremos a los sucesos del
grupo de referencia controles mientras que a los del otro grupo los denominaremos casos,
incluso aunque no se trate de datos epidemiológicos. El análisis de procesos puntuales en
epidemiología se centra en el estudio de la localización de los casos de una determinada
enfermedad. Al conocer la localización de los casos es posible realizar un análisis más
preciso de posibles focos de riesgo y otros factores que pudiesen afectar a la incidencia de
la enfermedad. Sin embargo, estudiar solamente la distribución de los casos puede llevar a
conclusiones erróneas sobre el origen y distribución de la enfermedad porque los casos
siguen principalmente la distribución de la población. Es por ello que normalmente se
compara la distribución de los casos a la de los controles.
126 V. GÓMEZ RUBIO, A. LÓPEZ QUÍLEZ
Este capítulo está estructurado como sigue. En el apartado 4.2 damos una
introducción al análisis espacial de datos de casos y controles. En el apartado 4.3
explicamos cómo incluir covariables en estos métodos. En el apartado 4.4 damos un
ejemplo de análisis de datos con el programa estadístico R sin tener en cuenta covariables.
Estas aparecen en los ejemplos incluidos en el apartado 4.5. Por último, en el apartado 4.6
hacemos un resumen de los métodos presentados.
donde A representa toda la región de estudio y ρ0(x) es igual al cociente n1/n0, que
representa un riesgo constante. Básicamente, este estadístico de contraste trata de medir las
diferencias entre ρ(x) y ρ0(x) en toda la región de estudio. Si son muy diferentes el valor de
T será alto, mientras que si son iguales será exactamente cero.
A la hora de calcular el valor de T realmente lo que haremos será definir una malla
𝑁
de puntos�𝑥𝑗 �𝑗=1 en los que evaluaremos las funciones que calculemos, de manera que la
estimación del estadístico de contraste se puede expresar como contraste:
𝑁
2
𝑇� = |𝑐| � �𝜌��𝑥𝑗 � − 𝜌0 �𝑥𝑗 ��
𝑗=1
donde |c| es el área de las celdas definidas por la malla que estamos utilizando.
Por tanto, si llamamos 𝑇� (0) al valor del estadístico de contraste para el conjunto de
casos y controles observado y 𝑇� (𝑖) a los valores obtenidos de los conjuntos re-etiquetados,
podríamos calcular el p-valor del contraste. Si llamamos l al número de valores de 𝑇� (𝑖) ,
i=1,...,k mayores que 𝑇� (0) , el p-valor viene dado por
𝑙+1
𝑘+1
El procedimiento Monte Carlo que hemos utilizado antes nos permite también determinar
regiones en las que la concentración de casos es inusual, ya sea muy alta o muy pequeña.
Como mencionábamos, para cada conjunto de casos y controles calculamos diversos
valores de la función cociente ρ(x) en los puntos de una malla. Por tanto, para cada punto x
de la malla tenemos el valor de 𝜌�(𝑥) más los valores calculados para los conjuntos
reetiquetados. Esto nos da una idea de los valores que puede tomar la función cuando la
distribución de casos y controles es la misma y nos permitirá calcular una serie de
envolventes para resumir la variabilidad bajo la hipótesis de que casos y controles tienen la
misma distribución.
Análisis conjunto de dos patrones puntuales en ecología 129
Por ejemplo, las envolventes al 95 %, están formadas por los cuantiles 0,025 y 0,975
de los valores de 𝜌�(𝑖) (𝑥), i =1,...,k, bajo etiquetado aleatorio. Estos límites representan los
valores razonables de ρ(x) en el supuesto de que se cumpla la hipótesis de igual distribución
espacial de casos y controles, y no deben ser interpretados como intervalos de confianza.
Por tanto, para cada punto x podemos determinar si el valor de 𝜌�(𝑥) queda fuera de la
envolvente. Si queda por encima, diremos que en ese punto la concentración de casos es
alta, mientras que si queda por debajo, diremos que es baja.
Igualmente, podríamos obtener un p-valor para cada punto, de manera que aquellos
en los que el p-valor sea menor que, digamos, 0,025 tendrán una diferencia significativa en
la concentración de casos y controles, mientras que los que tengan un p-valor mayor que
0,975 tendrán una distribución similar en la concentración de casos y controles riesgo bajo.
Además, a partir de los valores de los p-valores podemos calcular líneas de contorno para
distintos valores del p-valor.
Como describe De la Cruz (2008), es posible utilizar la función K de Ripley (Ripley 1976,
1977) para determinar si un proceso puntual es agregado o no. En el contexto de casos y
controles, nos interesa ver si los casos están agregados con respecto a los controles, por
tanto calcular la función K para casos o controles de manera separada no nos aporta
demasiada información.
donde s se refiere a una determinada distancia, K1(s) a la función K de los casos y K0(s) a la
de los controles. Si los valores de D(s) están muy próximos a cero entonces diremos que la
agregación de casos y controles es similar.
𝑚
� (𝑠𝑘 )��𝑣𝑎𝑟[𝐷
𝐷 = �𝐷 � (𝑠𝑘 )]
𝑘=0
de manera que la integral se sustituye por una suma y 𝐷 � (𝑠) se evalúa en un conjunto de
valores equiespaciados para la distancia s0; k =1,...,m, con s0 = 0.
Los métodos comentados hasta ahora no permiten, en principio, tener en cuenta covariables
en los análisis. Esto es importante porque si incluimos factores relevantes es posible
explicar las causas de posibles diferencias entre la distribución de casos y controles. Por
ejemplo, si estudiamos las diferencias en la distribución espacial de árboles jóvenes
(controles) y adultos (casos) podemos querer incluir distintos factores ambientales como
altitud, tipo de suelo o pendiente del terreno. De esta manera podemos determinar las
causas que favorecen que los árboles jóvenes se desarrollen. Es más, incluso podría darse el
caso de que la distribución de los árboles adultos siga el mismo patrón espacial que las
variables ambientales, de manera que todas las diferencias en la distribución espacial
desaparezcan.
Este es el caso que hemos considerado hasta ahora, es decir, la intensidad de los
casos es proporcional a la de los controles y exp{α} = n1/n0.
Análisis conjunto de dos patrones puntuales en ecología 131
𝜆1 (𝑥)
𝑝(𝑥) =
𝜆0 (𝑥)+𝜆1 (𝑥)
Diggle et al. (2007) utilizan este enfoque para el caso en el que la función de los
casos está modulada por las covariables, de manera que
𝜆1 (𝑥)
𝑙𝑜𝑔𝑖𝑡(𝑝(𝑥)) = 𝑙𝑜𝑔𝑖𝑡 � �=α+βx
𝜆0 (𝑥)+𝜆1 (𝑥)
y los parámetros del modelo se pueden estimar mediante el uso de la regresión logística.
Una vez que se ha ajustado el modelo, se podría proporcionar una estimación de la
intensidad de los casos en toda la región de estudio, pero para ello necesitamos conocer la
distribución espacial de todas las covariables. En otro caso, solamente podremos calcular
estas probabilidades para las localizaciones de casos y controles. Como alternativa, se
podría establecer una teselación de la región de estudio alrededor de los puntos observados,
de manera que el valor de la covariable se supone igual en cada una de las subregiones de la
teselación. Aunque es una simplificación importante, puede ser una aproximación
razonable en ausencia de más información.
Para el caso de la detección de conglomerados en los casos con respecto a los controles
ajustando por covariables seguiremos el método propuesto por Diggle et al. (2007). Este
método está basado en el uso de la función K no homogénea (Baddeley et al. 2000), que es
análoga a la función K de Ripley pero para procesos no homogéneos, y que mide el número
medio de sucesos alrededor de un punto dado con respecto a una intensidad de referencia
λ(x).
La función K no homogénea se puede estimar de la siguiente forma:
𝑛
# �𝑥𝑗 : 𝑑�𝑥𝑖 , 𝑥𝑗 � ≤ 𝑠�
𝐾𝐼,𝜆 (𝑠) = |𝐴|−1 � � 𝑤𝑖𝑗−1
𝜆(𝑥𝑖 )𝜆�𝑥𝑗 �
𝑖=1 𝑗≠𝑖
De manera similar a como ocurre con la función K homogénea, el valor esperado de
la función K homogénea a una distancia s es πs2. Desviaciones con respecto a este valor
marcarán agregación o dispersión en los casos con respecto a la intensidad de referencia
λ(x).
132 V. GÓMEZ RUBIO, A. LÓPEZ QUÍLEZ
4.4.1. Introducción
A la hora de trabajar con datos espaciales es importante tanto realizar un análisis con
herramientas apropiadas como mostrar los resultados de forma eficiente. Por tanto,
intentaremos realizar los análisis espaciales utilizando paquetes como splancs y
spatstat, pero utilizaremos el paquete sp, sus formatos y funciones, para mostrar los
resultados. Un curso completo de análisis de patrones puntuales con el paquete spatstat
ha sido desarrollado por el Prof. Adrian Baddeley y se encuentra disponible en
http://www.csiro.au/resources/pf16h.html.
El siguiente trozo de código muestra cómo cargar los datos y crear las variables para
guardar los árboles jóvenes y adultos:
> library(sp)
> library(spatstat)
> idx <-bei2$Dbh1 < 30
> jovadu <-ppp(bei2[, 1], bei2[, 2], c(0, 1000), c(0,
+ 500), marks = c("joven", "adulto")[2 -idx])
> jov <-jovadu[marks(jovadu) == "joven"]
> adu <-jovadu[marks(jovadu) == "adulto"]
> njov <-jov$n
> nadu <-adu$n
Para este banco de datos tenemos un conjunto de 1568 árboles jóvenes y 806
adultos. La Figura 4.1 muestra la localización de los árboles jóvenes y adultos.
Si la distribución de los árboles jóvenes y adultos fuese igual, el valor de 𝜌�(𝑥) sería
el cociente entre el número de casos y controles, es decir, 0,514. Como puede verse en la
Figura 4.3, existe una región al noreste en la que la concentración de árboles adultos es
mucho mayor de lo que cabría esperar.
> K <-99
> res <-matrix(NA, ncol = K, nrow = length(dratio$v))
> for (i in 1:K) {
+ progressreport(i,K)
+ jovadu2 <-rlabel(jovadu)
+ jov2 <-jovadu2[marks(jovadu2) == "joven"]
+ adu2 <-jovadu2[marks(jovadu2) == "adulto"]
+ djov2 <-density(jov2, dimyx=c(100,200))
+ dadu2 <-density(adu2, dimyx=c(100,200))
+ res[, i] <-dadu2$v/djov2$v
+}
A partir de las superficies obtenidas por el método Monte Carlo podemos calcular un
p-valor para cada punto de la malla y crear una nueva superficie con estos p-valores. El
resultado aparece en la Figura 4.4, donde valores pequeños indican una concentración
significativamente mayor de árboles adultos.
136 V. GÓMEZ RUBIO, A. LÓPEZ QUÍLEZ
Aunque esto nos da la relación de p-valores para cada punto de la región de estudio, no nos
marca exactamente aquellas regiones de riesgo alto o bajo. Para ello podemos calcular las
curvas de nivel para determinados valores. Por ejemplo, el siguiente código calcula las
curvas de nivel para p-valores de 0,025 y 0,975:
> library(maptools)
> SGDFpvmap <-as(pvaluemap, "SpatialGridDataFrame")
Análisis conjunto de dos patrones puntuales en ecología 137
Las regiones con un p-valor menor que 0,025 indican una concentración muy alta de
árboles adultos, mientras que aquellas con un p-valor mayor que 0,975 indican una menor
concentración de árboles adultos. Todo esto medido con respecto a la hipótesis de que la
distribución de árboles jóvenes y adultos es la misma. Estas regiones aparecen
representadas en la Figura 4.4.
Para ello usaremos la diferencia de las funciones K de los árboles jóvenes y adultos,
tal y como hemos discutido en la Sección 4.2.3. Primero calculamos las funciones K de los
datos observados:
138 V. GÓMEZ RUBIO, A. LÓPEZ QUÍLEZ
Figura 4.4. p-valores del Test Monte Carlo para el cociente de intensidades. Líneas de contorno que
marcan las regiones de alta (--) y baja (-) presencia de árboles adultos.
> r <-0:100
> Kjov0 <-Kest(jov, r = r, correction = "Ripley")
> Kadu0 <-Kest(adu, r = r, correction = "Ripley")
El test Monte Carlo es similar al caso anterior. En este caso, después de re-etiquetar
los puntos calculamos la diferencia de las funciones K de los nuevos conjuntos de árboles
jóvenes y adultos:
> K <-99
> res <-matrix(NA, ncol = K, nrow = length(r))
> for (i in 1:K) {
+ progressreport(i,K)
+ jovadu2 <-rlabel(jovadu)
+ jov2 <-jovadu2[marks(jovadu2) == "joven"]
+ adu2 <-jovadu2[marks(jovadu2) == "adulto"]
+ Kjov2 <-Kest(jov2, r = r, correction = "Ripley")
+ Kadu2 <-Kest(adu2, r = r, correction = "Ripley")
+ res[, i] <-Kadu2$iso -Kjov2$iso
+}
Con esta estimación de las varianzas podemos calcular los valores del estadístico de
contraste D(s) para los datos originales y los datos re-etiquetados. El cálculo del p-valor del
contraste se hace de manera análoga a como lo hemos hecho en el contraste anterior:
Además, con los datos de las simulaciones también es posible calcular envolturas al
95 % de la diferencia de las funciones K:
Esto puede deberse a que la competencia entre árboles jóvenes durante el desarrollo
haga que muchos de ellos desaparezcan dando lugar a un patrón mucho más disperso
posteriormente y a que los arboles adultos tienen una región de influencia alrededor en la
que no permiten que se desarrollen otros árboles adultos.
Para el caso que tenemos entre manos, disponemos de dos covariables que representan la
elevación del terreno y la pendiente. Estos datos forman parte del banco de datos bei y se
encuentran en la variable bei.extra. La Figura 4.6 muestra la distribución de los valores
de estas dos covariables en la región de estudio.
140 V. GÓMEZ RUBIO, A. LÓPEZ QUÍLEZ
Para examinar la importancia de estas dos covariables podemos ajustar una regresión
logística y determinar la probabilidad de ser un árbol adulto en una localización
determinada. El modelo que utilizamos es
Análisis conjunto de dos patrones puntuales en ecología 141
El interés de hacer un contraste para comparar la agregación de los árboles adultos y los
jóvenes cuando ajustamos por covariables es determinar si existe algún patrón residual de
agregación no explicado por las covariables. Para ello realizaremos un test Monte Carlo
similar al ya realizado en la Sección 4.4.5. Podemos comparar los nuevos resultados con
ésos para ver si al incluir covariables el p-valor del contraste disminuye, lo que indicaría
que al incluir las covariables sí que explicamos mejor la distribución de los casos.
Así mismo, podemos calcular la función K de los casos utilizando λ�1 (x), lo que nos
dará una idea de su discrepancia con los controles después de haber ajustado por las
covariables.
Para el test Monte Carlo, re-etiquetaremos los puntos (de acuerdo a las
probabilidades anteriores) para tener un nuevo conjunto de casos y controles, de los cuales
calcularemos su función K no homogénea. El cálculo del p-valor y las envolturas se realiza
de manera similar al caso anterior.
> K <-99
> resKi <-matrix(NA, ncol = K, nrow = length(r))
> for (i in 1:K) {
+ progressreport(i,K)
+ jovadu2 <-jovadu
+ marks(jovadu2) <-rep("joven", nadu + njov)
+ marks(jovadu2)[sample(1:(nadu + njov), size = nadu,
+ prob = probs)] <-rep("adulto", nadu)
+ jov2 <-jovadu2[marks(jovadu2) == "joven"]
+ adu2 <-jovadu2[marks(jovadu2) == "adulto"]
+ linpredadu2 <-linpred[marks(jovadu2) == "adulto"]
+ lambda0 <-density(jov2)
+ lambda1 <-interp.im(lambda0, adu2$x, adu2$y) *
+ exp(linpredadu2)
+ resKi[, i] <-Kinhom(adu2, lambda1, r = r,
+ correction = "Ripley")$iso
+}
Para obtener el p-valor del contraste primero calculamos el valor del estadístico de
contraste para los datos originales y luego para los datos re-etiquetados.
En este caso el p-valor es 0,01, lo que indica que existen diferencias significativas
entre la agregación de los árboles adultos comparada con la de los jóvenes incluso después
de ajustar por las covariables.
Además, con los datos de las simulaciones también es posible calcular envolturas al
95 % de la diferencia de las funciones K:
Los métodos presentados en este capítulo permiten analizar dos patrones puntuales
conjuntamente y detectar diferencias entre ellos. Estas diferencias pueden darse en la
distribución espacial o en el nivel de agregación que presentan los patrones. Posibles
generalizaciones de estos métodos incluyen extensiones para tratar con procesos espacio-
temporales o procesos en los que aparecen más de dos tipos de puntos.
Resumen
Se han analizado los patrones espaciales de las especies vegetales que forman los pastizales
psicroxerófilos de las cumbres de la Sierra de Guadarrama, así como sus relaciones
interespecíficas. El muestreo se ha realizado siguiendo el protocolo del proyecto GLORIA
para el seguimiento permanente de las comunidades vegetales de alta montaña. Para el
análisis de los patrones espaciales se empleó el programa SADIE basado en el cálculo de
índices de distancia. Las asociaciones positivas o negativas entre las especies fueron
analizadas mediante tablas de contingencia y χ2. Los resultados muestran la existencia de
una mayor heterogeneidad espacial en las exposiciones norte y este, relacionado con una
mayor rigurosidad climática en el primer caso y una mayor perturbación por herbivoría en
el segundo. Algunas de las especies muestran una distribución agregada, de forma frecuente
y ello podría estar relacionado con interacciones positivas. Estas especies difieren en
biotipo, dispersión, tipo de crecimiento y requerimientos ecológicos, pero todas ellas
participan en asociaciones positivas, siendo éstas más frecuentes que el de asociaciones
negativas, en todas las exposiciones. Las asociaciones positivas observadas se establecieron
tanto entre especie de biotipos diferentes, como entre especies que comparten un mismo
microhábitat. Estas especies podrían estar desempeñando un papel importante en la
organización y dinámica de la comunidad vegetal.
5.1. Introducción
Se consideran ambientes de alta montaña o alpinos aquellos que se localizan por encima del
límite de la vegetación forestal. Los ecosistemas de alta montaña están condicionados por
las bajas temperaturas (Körner y Larcher 1988); que junto con a otros fenómenos
meteorológicos como la precipitación en forma de nieve, o el viento hacen que el estrés
ambiental sea alto y que las comunidades vegetales en estos ambientes tengan una
distribución fragmentada y aislada. La adaptación de los organismos que en ellos habitan es
alta (Bliss 1971) y por tanto se consideran ecosistemas sensibles al calentamiento global
(Körner 2003). Estos supuestos comienzan a ser apoyados por estudios temporales sobre las
respuestas de algunas plantas alpinas al calentamiento global, como la elevación de los
límites altitudinales de la distribución de algunas especies y la pérdida de otras (Grabherr et
al. 1994, Walther et al. 2005, Pauli et al. 2006).
148 A. GUITIÉRREZ GIRÓN, R. G. GAVILÁN GARCÍA
Los estudios a largo plazo no son todavía abundantes por lo que es necesario
cuantificar y realizar el seguimiento de los cambios que se estén dando en los ecosistemas.
Desde 2001 la iniciativa GLORIA construye una red de seguimiento de las comunidades
vegetales de alta montaña para evaluar los posibles cambios espaciales y temporales que
pueden producirse relacionados con el calentamiento global. En la actualidad más de 50
equipos trabajan con un protocolo común en las principales cordilleras de ambos
hemisferios. Parte de los datos obtenidos con este protocolo de seguimiento son
espacialmente explícitos y pueden permitir el estudio de los patrones espaciales actuales de
las comunidades bajo seguimiento.
El objetivo de este trabajo es analizar los datos obtenidos del primer ciclo de
seguimiento GLORIA en la Sierra de Guadarrama para estudiar a una escala definida los
patrones que estructuran estas comunidades. Para ello hemos abordado el análisis según tres
niveles de organización ecológica. Primero analizamos las relaciones multivariantes entre
especies y factores ambientales, posteriormente comparamos los patrones espaciales de las
especies y entre diferentes situaciones ambientales. Finalmente describimos las
asociaciones más frecuentes entre especies.
5.2.2 Muestreo
Al ser la escala del muestreo únicamente apropiada par las comunidades de pastos
(Kent y Coker 1992), en este trabajo solo se consideraron las cimas de Valdemartín y
Guarramillas en las que los pastos cubren las cuatro orientaciones.
La nomenclatura seguida ha sido para los taxones vasculares las obras Castroviejo et
al. (1986-2010) y Tutin et al. (1964-1980); para las especies de musgos Smith (1996) y
Hoffman (1999) y para las especies de líquenes Purvis et al. (1992) y el index fungorum
(http://www.indexfungorum.org).
Para valorar el patrón espacial de las especies se calculó el índice de agregación (Ia)
para cada especie considerando su posición en las celdillas de 0,01 m2. Ia es un índice de
distancia (Perry et al. 1999) cuyo cálculo permite identificar aquellas especies que muestran
una disposición espacial más agregada o dispersa de lo que cabría esperar por azar. Para
caracterizar más detalladamente las estructura espacial de las especies posteriormente se
calculó el número y tamaño de los parches o manchas ocupadas por cada especie mediante
índices de agrupamiento o clustering indexυ).( Las diferencias entre los Ia, tamaño y
número de manchas calculados se testaron con pruebas no paramétrica Kruskal Wallis y U
de Mann Whitney (Sokal y Rohlf 1995).
Por último con el objetivo de identificar interacciones positivas o negativas entre las
especies, se analizaron las asociaciones por pares de especies mediante tablas de
contingencia , el cálculo del χ2 de Pearson y el coeficiente Phi con los datos de frecuencia
(N = 400) en cada cima y orientación. Las diferencias de número de asociaciones entre
orientaciones y cimas se testaron con pruebas no paramétricas Kruskal Wallis y U de Mann
Whitney (Sokal y Rohlf 1995).
Patrones espaciales y relaciones interespecíficas en pastizales psicroxerófilos 151
Los análisis de ordenación se realizaron con CANOCO (ter Braak y Smilauer 1998),
el cálculo de asociaciones de pares de especies con SPSS v.13. Para el análisis espacial se
empleó SADIE (Perry et al. 1999).
5.3. Resultados
Los tres primeros ejes de ordenación del PCA absorbían el 57,4% de la varianza total. El
primer eje separaba las parcelas de muestreo en orientación oeste y norte, situadas en los
valores negativos del eje, de las parcelas en orientación sur y este, en los valores positivos
del eje (Fig. 5.1). El segundo eje separaba las parcelas según cimas sólo en orientación este
y sur (Fig. 5.1). Finalmente el tercer eje separaba las parcelas de las orientaciones oeste y
norte. (Fig. 5.2). Al representar la disposición de las parcelas de muestreo en los ejes 1 y 3
quedaban ordenadas por orientaciones por los que se identificaron sobre el diagrama de
estos ejes grupos de especies por orientaciones (Fig. 5.3). La especies más características
identificadas fueron: Minuartia recurva y Luzula hispanica en orientación norte; Cetraria
islandica, Thymus praecox en orientación oeste; Agrostis castellana, Cerastium
ramosissimum y Rumex acetosella en orientación sur; y Agrostis delicatula, Polytrichum
juniperinum, P. piliferum, Ceratodon purpureus y Cladonia gracilis en orientación este.
Figura 5.1. Biplot ordenación PCA de las parcelas de muestreo en los ejes 1 y 2. Abreviaturas de las
parcelas: GUA, Guarramillas; VAL, Valdemartín; N, norte; S, sur E, este y W, oeste.
152 A. GUITIÉRREZ GIRÓN, R. G. GAVILÁN GARCÍA
Figura 5.2. Biplot ordenación PCA de las parcelas de muestreo en los ejes 1 y 3. Abreviaturas de las
parcelas: GUA, Guarramillas; VAL, Valdemartín; N, norte; S, sur E, este y W, oeste.
TR
MRLH
HV AC
CR
RA
DF CA
FC JA
JH RANU PB
GN
VV NS
SC
CH FI MB
HP
JC EP
HA SCI LS PPO PJ CP
PP
AD
TP SCA KC
CI CL
SB
-1.0 0.8
Figura 5.3. Biplot ordenación PCA de las especies en los ejes 1 y 3. Abreviaturas de las especies: AC,
Agrostis castellana; AD, Agrostis delicatula; CH, Campanula herminii; CR, Cerastium ramosissimum;
CP, Ceratodon purpureus; CA, Cetraria aculeata; CI, Cetraria islandica, CL, Cladonia gracilis; DF,
Deschampsia flexuosa subsp. iberica; EP, Erysimum penyalarense; FC, Festuca curvifolia; FI, Festuca
iberica; GN, Gagea nevadensis; HP, Hieracium pilosella; HV, Hieracium vahlii; HA, Homalothecium
aurens; JC, Jasione crispa subsp. centralis; JA, Juniperus communis subsp. alpina; JH, Jurinea humilis;
KC, Koeleria crassipes; LS, Linaria saxatilis; LH, Luzula hispanica; MR, Minuartia recurva; MB,
Murbeckiella boryi; NS, Nardus stricta; PPO, Paronychia polygonifolia; PB, Poa bulbosa; PJ,
Polytrichum juniperinum; PPI, Polytrichum piliferum; RANU, Ranunculus bulbosus; RA, Rumex
acetosella; SB, Sedum brevifolium; SCA, Sedum candollei; SC, Senecio pyrenaicus; SCI, Silene ciliata;
TP, Thymus praecox, TR, Tortula ruralis; VV, Veronica verna.
Patrones espaciales y relaciones interespecíficas en pastizales psicroxerófilos 153
la composición florística en orientación este y sur era más heterogénea y las subparcelas
quedaban separadas por cimas y orientaciones.
En la ordenación RDA realizada la varianza total explicada por las nueve variables
testadas como significativas (Tabla 5.1) fue del 66,6%. La ordenación RDA (Fig. 5.4)
mostró que las especies se distribuyen a lo largo de un primer eje relacionado con la
rigurosidad térmica. En el extremo de máxima rigurosidad se situaban las especies
crioromediterráneas características de pastizales psicroxerófilos como Minuartia recurva,
Thymus praecox, Luzula hispanica, Festuca curvifolia y el liquen de distribución boreo-
alpina Cetraria islandica. En el extremo de máxima termicidad se situaban especies cuyo
óptimo se da en altitudes menores como Rumex acetosella, Koeleria crassipes, Veronica
verna, Cerastium ramossisimum o Poa bulbosa. El segundo eje se relacionaba con la
perturbación por herbivoría y la disponibilidad hídrica. En el extremo de máxima
perturbación y disponibilidad hídrica se situaban Nardus stricta y Festuca iberica, dos
especies higrófilas y preferidas por el ganado. En el extremo de menor perturbación y
menor disponibilidad hídrica se situaban Festuca curvifolia y Jurinea humilis. En
situaciones de perturbación intermedia pero frías se situaban algunos de los táxones más
orófitos como Minuartia recurva, Luzula hispanica o Thymus praecox.
En el modelo RDA de las parcelas (Fig. 5.5) se observó que las condiciones térmicas
en orientación oeste son más próximas a las de orientación norte y que las de orientación
este son más semejantes a las de orientación sur, aunque las parcelas quedan más separadas
por la diferencia de innivación, mayor en las parcelas situadas al este.
Tabla 5.1. Variables significativas (p> 0,01) para el modelo RDA con selección manual por pasos.
Varianza total explicada por la suma de todos los ejes 66,6 %. Abreviaturas de las variables explicativas.
brio, cobertura de briófitos; hielo, días que el suelo permanece congelado, pertur, frecuencia
perturbación por pastoreo, liq, cobertura de líquenes; nieve, días cubiertos con nieve orient, orientación;
Tmf, temperatura media del mes más frío ; Tmin temperatura mínima; vasc, cobertura de vasculares.
Tmf
0.8
JH
Tmin
RA CR
CA FC
KC VV
CI
liq
RANU
brio vasc
PJ CP hielo
PB PPO JA
GN orient
AC SC SCI
LS HA CH
HP FI TR MS TP
PP MB EP
CP nieve MR
NS DF HV
AD JC LH
CL
pertur
-0.8
SB
-0.8 0.8
Figura 5.4. Biplot ordenación RDA de las especies ejes 1 y 2: Abreviaturas de las especies: AC, Agrostis
castellana; AD, Agrostis delicatula; CH, Campanula herminii; CR, Cerastium ramosissimum; CP,
Ceratodon purpureus; CA, Cetraria aculeata; CI, Cetraria islandica, CL, Cladonia gracilis; DF,
Deschampsia flexuosa subsp. iberica; EP, Erysimum penyalarense; FC, Festuca curvifolia; FI, Festuca
iberica; GN, Gagea nevadensis; HP, Hieracium pilosella; HV, Hieracium vahlii; HA, Homalothecium
aurens; JC, Jasione crispa subsp. centralis; JA, Juniperus communis subsp. alpina; JH, Jurinea humilis;
KC, Koeleria crassipes; LS, Linaria saxatilis; LH, Luzula hispanica; MR, Minuartia recurva; MB,
Murbeckiella boryi; NS, Nardus stricta; PPO, Paronychia polygonifolia; PB, Poa bulbosa; PJ,
Polytrichum juniperinum; PPI, Polytrichum piliferum; RB, Ranunculus bulbosus; RA, Rumex acetosella;
SB, Sedum brevifolium; SCA, Sedum candollei; SC, Senecio pyrenaicus; SCI, Silene ciliata; TP, Thymus
praecox; TR, Tortula ruralis; VV, Veronica verna. Abreviaturas de las variables explicativas. brio,
cobertura de briófitos; hielo, días que el suelo permanece congelado, pertur, frecuencia perturbación
por pastoreo, liq, cobertura de líquenes; nieve, días cubiertos con nieve orient, orientación; Tmf,
temperatura media del mes más frío ; Tmin temperatura mínima; vasc, cobertura de vasculares.
Tras el cálculo de los índices de agregación se descartaron las especies con un número de
manchas o parches inferior a 3 para no considerar valores de Ia elevados debido a un
número reducido de manchas. Puesto que todos los Ia > 1,3 resultaron ser significativos
υ>
fijamos ±1,3 como valor umbral para el análisis de agrupamiento, es decir valores de
1,3 indican que la celdilla está en una mancha, mientras que υ < -1,3 indican que
corresponde a un claro o hueco de la distribución de la especie analizada.
Patrones espaciales y relaciones interespecíficas en pastizales psicroxerófilos 155
1.0
VALS33
VALS31
Tmf VALS13
GUAS13
VALS11
Tmin GUAS33
GUAS11
VALN13
VALE11
GUAS31 VALN33
liq VALN11
brio vascVALW33 VALN31
VALW13
orient hielo
VALE33
VALE13
VALE31 GUAW13 VALW11
GUAW33
GUAE11 nieve VALW31
GUAW31
GUAN33
GUAE13 diente GUAW11
GUAN13
GUAE33 GUAN31
GUAN11
GUAE31
-1.0
-1.0 1.0
Figura 5.5. Biplot de ordenación RDA de las parcelas de muestreo en los ejes 1 y 2. Abreviaturas de las
parcelas: GUA, Guarramillas; VAL, Cerro de Valdemartín; N, norte; S, sur E, este y W, oeste.
Abreviaturas de las variables explicativas. brio, cobertura de briófitos; hielo, días que el suelo
permanece congelado, pertur, frecuencia perturbación por pastoreo, liq, cobertura de líquenes; nieve,
días cubiertos con nieve orient, orientación; Tmf, temperatura media del mes más frío ; Tmin
temperatura mínima; vasc, cobertura de vasculares.
Ninguna de las especies mostró una distribución regular. De las 38 especies presentes 31
muestran una distribución agregada en alguna de las observaciones, sin embargo tan sólo
Minuartia recurva, Luzula hispánica, Thymus praecox, Jurinea humilis, Rumex acetosella
y Nardus stricta mostraban distribución agregada al menos en el 50% de las observaciones.
No se encontraron diferencias significativas de Ia, ni de tamaño medio ni número de
parches entre estas 6 especies. Tampoco se encontraron diferencias significativas en los Ia
medios entre las dos cimas, pero si se detectaron diferencias significativas (p < 0,01) para
los Ia entre orientaciones. Los valores de Ia es orientación norte mostraban una distribución
bimodal indicativo de mayor heterogeneidad espacial por lo se excluyeron del test de
Kruscal Wallis para comparar Ia entre orientaciones. El valor medio de Ia mayor se dio en
orientación este (media Ia= 1,858) y el valor medio menor en orientación oeste (media Ia=
1,562). Comparando los Ia mas detalladamente, se observó que en orientación norte la
156 A. GUITIÉRREZ GIRÓN, R. G. GAVILÁN GARCÍA
Tabla 5.2. Comparación del patrón espacial por rangos altitudinales. Abreviaturas: MM:
Mesomediterráneo; SM: Supramediterráneo; OM: Oromediterráneo; COM: Crioromediterréno.
Tabla 5.3. Comparación del patrón espacial por biotipos. Abreviaturas: HC: Hemicriptófito cespitoso;
TE: Terófito; BRIO: briófito; L: liquen; HSF: hemicriptófito sufruticuloso; GB: Geófito bulboso; HR:
Hemicriptófito rosetado; CP: Caméfito pulviniforme; NPR: Nanofanerófito reptante; CR: Caméfito
reptante; HE: Hemicriptófito escaposo; CS: caméfito suculento.
biotipos como por rango altitudinal los valores de porcentajes de distribución agregada no
muestran un clara relación con el número de especies o el número de observaciones excepto
para rango altitudinal submediterráneo-crioromediterráneo (Tabla 5.2 y 5.3).
5.4. Discusión
Finalmente la relación de los orófitos con una menor intensidad de perturbación por
pastoreo podría ser indicativa de que este tipo de perturbaciones pueden tener un efecto
Patrones espaciales y relaciones interespecíficas en pastizales psicroxerófilos 159
negativo para las especies más originales de esta comunidad o bien a que la esclerofilia de
algunas de estas especies limita su consumo por los herbívoros. Por lo tanto se hacen
necesarios continuar el seguimiento de la perturbación por pastoreo para evaluar los futuros
cambios que se pueden dar en estas comunidades. Por otro lado los orófitos actualmente ya
ocupan las situaciones más expuestas y frías en las cimas estudiadas por los que la
capacidad de las cimas más elevadas para albergar nuevos microclimas ante un cambio de
las condiciones climáticas puede ser limitada. Algunas de estas especies con frecuencia
participan en asociaciones positivas por lo que podrían estar desempeñando un papel
funcional relevante en la organización de estas comunidades.
5.5. Agradecimientos
Resumen
6.1. Introducción
El hecho de que las interacciones inter e intraespecíficas entre plantas son fenómenos
complejos que engloban tanto componentes positivos como negativos está ampliamente
reconocido (Holmgren et al. 1997, Brooker et al. 2008). El balance entre unas y otras
determina el efecto global. Sin embargo, los mecanismos que tienen lugar en los procesos
de facilitación y competencia no siempre están claros, y suele resultar difícil precisar cuál
es el que más afecta a las plantas protegidas y determina el balance de la interacción. La
complejidad varía según la etapa de vida de las especies que interactúan (Pugnaire et al.
1996, Miriti 2006), las fisiologías propias de cada especie (Holmgren et al. 1997),
162 E. GRANDA, F. VALLADARES, A. ESCUDERO
interacciones indirectas con otros vecinos (Kunstler et al. 2006), y según la intensidad del
estrés abiótico experimentado (Bertness y Callaway 1994).
Existen numerosos estudios que hacen referencia a la relación entre los gradientes de
estrés abiótico y las interacciones. Holmgren et al. (1997) concluyeron que la limitación por
luz era mayor que la limitación por humedad en hábitats mésicos, anulando por tanto los
posibles efectos favorables del ligero incremento de humedad bajo los doseles arbóreos. Por
el contrario, la limitación por humedad parecía ser más importante en hábitats xéricos que
la limitación por luz, de forma que las ligeras disminuciones en la intensidad lumínica eran
superadas por un incremento proporcionalmente grande en la humedad del suelo. Otros
estudios han demostrado que existen diferencias en las interacciones en un gradiente
ambiental (Callaway et al. 2002, Gómez-Aparicio et al. 2004), pero la pregunta de si la
facilitación domina en ambientes de mayor estrés (Bertness y Callaway 1994, Pugnaire y
Luque 2001, Maestre et al. 2003, Gómez-Aparicio et al. 2004), menor estrés (Maestre y
Cortina 2004) o en ambientes con niveles intermedios de estrés (Brooker et al. 2006)
todavía no está clara. Una de las hipótesis que proponen Brooker et al. (2008) en una
extensa revisión es que la facilitación será importante cuando la severidad medioambiental
sea alta pero no extrema.
La zona de estudio está localizada en el Parque Natural del Alto Tajo (Guadalajara,
Castilla-La Mancha, España, 40º 40' 51'' N, 02º 04' 31'' W). La altitud mínima y máxima es
706 y 1881 m s.n.m. respectivamente. El clima es de tipo mediterráneo continental, con una
precipitación anual media de 500 mm y una pronunciada sequía estival. El rasgo más
distintivo es lo extremo del clima, con veranos muy secos y calurosos e inviernos muy
fríos. Los contrastes térmicos son muy fuertes tanto durante el día como a lo largo del año.
Las medias de las temperaturas máximas y mínimas diarias en enero y en agosto son 8,2 ºC
y -3,5 ºC, y 28,5 ºC y 10,3 ºC respectivamente (Agencia Estatal de Meteorología). El
sustrato es calizo y los suelos están poco desarrollados, aflorando con frecuencia la roca
madre.
Figura 6.1. Temperaturas medias diarias del suelo para encinar, quejigar, pinar y sabinar medidas entre
el 13 de diciembre de 2007 y el 30 de abril de 2008
Tenemos instaladas cuatro HOBO Weather Stations en orientaciones sur, norte, noreste y
páramo correspondientes a formaciones de encinar, pinar, quejigar y sabinar
respectivamente. Todas las estaciones tienen sensores de temperatura y humedad relativa
del aire y del suelo, registrando las medidas en intervalos de una hora.
expliquen las asociaciones entre sus variables. Elaboramos tablas de contingencia que
resumen la frecuencia de individuos en claros o bajo la proyección de la copa de distintas
especies (Juniperus thurifera, Pinus nigra, Quercus faginea, Quercus ilex u otras especies
leñosas), según la clase de edad (adultos vs juveniles), en distintos tipos de bosque (sabinar,
pinar, quejigar y encinar). Analizamos las tablas ajustando un modelo de independencia
mutua log-linear (Agresti 1992). Las desviaciones de las frecuencias esperadas del modelo
fueron representadas con gráficos tipo “mosaico” (Friendly 1994). Los análisis se llevaron a
cabo usando el software R (R Development Core Team 2007).
6.3. Resultados
Los datos climáticos para cada tipo de bosque revelan que existe una marcada oscilación
estacional tanto en la temperatura del aire como en la del suelo. La temperatura media del
aire fue muy similar en los distintos tipos de bosque considerados. Las diferencias entre
tipos de bosque son más notables en el caso de las temperaturas del suelo (Fig. 6.1), siendo
los encinares los que presentan una temperatura media mayor, seguidos de quejigares,
sabinares y pinares. Respecto a la humedad del aire y del suelo, es el quejigar el que tiene
una media mayor en ambos casos en comparación con resto de formaciones.
Figura 6.2. Abundancia de individuos juveniles y adultos de Juniperus thurifera, Pinus nigra, Quercus
faginea y Quercus ilex en cada tipo de bosque (sabinar, pinar, quejigar y encinar).
166 E. GRANDA, F. VALLADARES, A. ESCUDERO
Tabla 6.1. Resultados del análisis de independencia mediante un test de razón de probabilidades
(Likelihood Ratio Test). Valores de p < 0,05 indican dependencia de las variables incluidas en el modelo.
Figura 6.3. Mosaicos de tres vías para las variables [Clase de edad], [Localización] y [Tipo de bosque] para las
especies (A) Juniperus thurifera, (B) Pinus nigra, (C) Quercus faginea, (D) Q. ilex. El área de cada rectángulo es
proporcional a la frecuencia de la correspondiente tabla de contingencia. Los residuales estandarizados del
modelo de independencia log-linear se muestran mediante el sombreado y el contorno. Las líneas continuas y
discontinuas indican respectivamente desviaciones positivas y negativas de las frecuencias esperadas. Las
sombras más oscuras (residuales mayores de 4 en valor absoluto) y las más claras (residuales entre 2 y 4 en valor
absoluto) de cada color (azul y rojo) indican desviaciones significativas, correspondientes a niveles de
significación de 0,0001 y 0,05 respectivamente. Clases de edad = Adultos vs Juveniles; tipo de bosque = E
(encinar), P (pinar), Q (quejigar), S (sabinar); localización de los individuos muestreados = claro, Jt (bajo la
proyección de la copa de J. thurifera), Pn (P. nigra), Qf (Q. faginea), Qi (Q. ilex), sp (bajo el dosel de otras
especies leñosas).
168 E. GRANDA, F. VALLADARES, A. ESCUDERO
las frecuencias esperadas) y valores negativos (líneas discontinuas) indican celdas que se
dan con menor frecuencia que bajo independencia (desviación negativa en relación a las
frecuencias esperadas).
Pinus nigra ssp. salzmannii (Fig. 6.3B): los juveniles de pino fueron
significativamente menos frecuentes (α=0,05) en claros y más frecuentes (α=0,05) bajo
Pinus nigra en los pinares. En los quejigares había menor número de juveniles de pino bajo
Quercus faginea de lo esperado (α=0,05).
En el caso de Quercus faginea (Fig. 6.3C) los análisis indican que los juveniles en
quejigar se encuentran significativamente con menor frecuencia (α=0,05) en claros de lo
que sería esperable bajo la hipótesis de independencia. Así, en estas formaciones
encontramos que la frecuencia de los juveniles es significativamente mayor bajo quejigos
(α=0,0001). En pinares predominan los juveniles de Quercus faginea bajo Pinus nigra
(α=0,0001), mientras que existe una menor frecuencia de lo que sería esperable bajo la
protección de los quejigos (α=0,0001). En encinares y sabinares la frecuencia de juveniles
de esta especie es mayor bajo el dosel de encinas y sabinas (α=0,0001 y 0,05),
respectivamente.
6.4. Discusión
6.4.1. ¿Son más frecuentes los juveniles bajo la sombra de otros individuos?
Los juveniles de las cuatro especies se encontraron con una frecuencia significativamente
menor en claros, ya fuese en sabinar, pinar, quejigar o encinar. Creemos que estos
resultados se explican en parte a que la distribución espacial de los juveniles está
determinada por la lluvia de semillas que a su vez depende, en gran medida, de la
dispersión. Además, es posible que el dosel de árboles y arbustos esté favoreciendo el
establecimiento de los juveniles a través de otra serie de procesos que se comentarán en los
siguientes apartados de la discusión. Esto coincidiría con los resultados de Callaway
(1995), Pugnaire et al. (1996) y Callaway et al. (2002), según los cuales concluyen que la
facilitación es un fenómeno común. Los adultos se encontraron más frecuentemente de lo
esperado en claros que bajo el abrigo de la copa de otros individuos, posiblemente
relacionado con cambios en los requerimientos y tolerancias de los juveniles en
comparación con los adultos. Ya Alliende y Harper en 1989 afirmaron que los juveniles de
especies longevas frecuentemente se encuentran en hábitats distintos de aquellos en los que
se encuentran los adultos. Otros autores como Miriti (2006) han descrito cambios
ontogenéticos. Existe por tanto una tendencia muy significativa para la agregación espacial
de juveniles con adultos de todas las especies, siendo dichas agregaciones dependientes en
muchos casos del tipo de bosque y especie que ofrezca protección.
6.4.2. ¿Son las interacciones entre adultos y juveniles distintas para cada especie?
Nuestros resultados no mostraron una clara tendencia de los individuos a establecerse bajo
una especie en concreto (Callaway 1998, Gómez-Aparicio et al. 2005), a excepción de
Pinus nigra. Por el contrario podemos observar que el reclutamiento de cada una de las
cuatro especies está asociado a varias especies en todos los tipos de bosque.
Los quejigos juveniles se hallaron con mayor frecuencia de lo esperado bajo encinas,
pinos, quejigos y sabinas en encinar, pinar, quejigar y sabinar respectivamente (Fig. 6.3C).
Estos resultados muestran que no existe una asociación específica de especie. Por ello
podemos pensar que las condiciones bajo el dosel de las cuatro especies favorecen la
humedad edáfica y por tanto el reclutamiento de los quejigos. No obstante, según los
ambientes puede haber una menor humedad bajo los doseles arbóreos por una mayor
interceptación de agua de lluvia y toma directa a través de las raíces (Valladares y Pearcy
2002). Dado que carecemos de datos que comparen la humedad edáfica bajo los doseles y
en los claros, no podemos saber si esta es la responsable de las diferencias en la frecuencia
del reclutamiento según el tipo de cobertura. La radiación durante el verano en ambientes
mediterráneos es normalmente excesiva, causando fotoinhibición de la fotosíntesis en
muchas especies (Valladares et al. 2004). Una posible explicación puede ser que la sombra
producida por el dosel de los árboles favorezca la respuesta de las plántulas por la
reducción de la radiación en comparación con los claros (pero ver Sánchez-Gómez et al.
2006).
Las plántulas de Quercus ilex se encontraron en todas las formaciones (Fig. 6.3D)
sin mostrar una clara tendencia a la agregación con una especie determinada. Su mayor
frecuencia bajo los adultos de encina es probablemente debido a la lluvia de semillas, pero
teniendo en cuenta que la frecuencia de estas plántulas es significativamente mayor bajo
Asociación espacial de especies dominantes a lo largo de gradientes ambientales 171
pinos, quejigos, sabinas y arbustos según el bosque considerado, podemos pensar que
existen otros mecanismos implicados. Zavala y Zea en 2004 encontraron que los pinos
adultos reducían el estrés hídrico bajo su dosel por una alta disminución de la radiación,
facilitando el establecimiento de las plántulas de encina. Además, es ampliamente conocido
que la regeneración de las encinas depende en gran medida de la dispersión de las bellotas
(Pulido y Díaz 2005). Sugerimos que la mayor frecuencia de plántulas de encina bajo el
dosel de otros individuos en relación a los claros, no se debe a la facilitación por
amortiguación de las temperaturas ya que las plántulas de esta especie tienen una gran
tolerancia térmica tanto al frío como al calor (Gimeno et al. 2009), sino que es debida a la
protección frente a la sequía, herbívoros y mayor acumulación de semillas gracias a los
dispersores.
Mientras que numerosos estudios han comprobado que a niveles de estrés mayores la
facilitación es la interacción dominante (Maestre et al. 2003, Gómez-Aparicio 2004),
nuestros resultados no parecen indicar grandes diferencias en las interacciones entre tipos
de bosque. Esperábamos que bosques con temperaturas más moderadas y humedad
atmosférica y edáfica mayor como los quejigares, presentasen una mayor limitación por luz
que por humedad, y por tanto que los juveniles tendiesen a establecerse preferiblemente en
claros. Por el contrario, esperábamos que en microhábitats más xéricos como los encinares
y sabinares la frecuencia de juveniles fuese mayor bajo el dosel de otros individuos. Sin
embargo con nuestros datos no pudimos apreciar dichas diferencias. Maestre et al. (2005)
concluyeron que la magnitud del efecto neto de los vecinos, tanto si es positivo como
negativo, no es mayor bajo condiciones de mayor estrés, conclusión que está de acuerdo
con nuestros resultados
6.5. Conclusiones
Nuestro trabajo muestra una tendencia muy significativa para la agregación espacial de
juveniles con adultos de todas las especies, confirmando lo difícil de la colonización de
espacios abiertos por parte de la vegetación leñosa en los ecosistemas mediterráneos. Sin
embargo, se encontraron diferencias entre las especies consideradas, diferencias que se
vieron amplificadas al considerar distintas formaciones. Es bien conocido que hay que
considerar múltiples factores al examinar la importancia global de los doseles de plantas
nodrizas en la estructura de la comunidad vegetal (Callaway y Walter 1997). Por todo ello,
nuestro trabajo observacional debe combinarse con futuros estudios experimentales que
permitan explicar la naturaleza condicional y los mecanismos implicados en los efectos
facilitadores de los árboles dominantes en los bosques mediterráneos continentales, así
como dilucidar el efecto de los gradientes ambientales sobre dichos efectos.
172 E. GRANDA, F. VALLADARES, A. ESCUDERO
6.6. Agradecimientos
Agradecemos a la Dirección y a los Agentes Forestales del Parque Natural del Alto Tajo las
facilidades y ayuda prestada durante el trabajo de campo. Estos estudios se están llevando a
cabo en el marco del proyecto ECOCLIM (CGL2007-66066-C04-02) y gracias a una beca
de Formación de Personal Investigador, ambas ayudas subvencionadas por el Ministerio de
Educación y Ciencia.
7. Efecto del aclareo por denso-dependencia en poblaciones
de helechos arborescentes (Cyatheaceae)
Julia Chacón, Rafael Vicuña, Karla E. Tapia, Adrián Escudero
y Marcelino de la Cruz
Resumen
7.1. Introducción
Una tema central en ecología de comunidades es conocer cómo las especies coexisten y qué
procesos mantienen las elevadas tasas de diversidad que se observan en la naturaleza,
especialmente en comunidades hiperdiversas como son los bosques tropicales (Hubbel
1997, Chesson 2000, Wright 2002). Existen numerosos trabajos que exponen mecanismos
para explicar la coexistencia de las especies en zonas tropicales. Aunque aún existe mucha
controversia sobre los procesos que gobiernan la composición y el ensamblaje de las
174 J. CHACÓN, R. VICUÑA, K. E. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Uno de los problemas que tiene esta aproximación es que la señal que deja en el
patrón espacial de una población un proceso de aclareo por denso-dependencia pueden
Efecto del aclareo por denso-dependencia en helechos arborescentes 175
adultos. Por último, comparamos el patrón de los individuos adultos y el patrón de los
juveniles a través de un diseño de “caso-control” (Getzin et al. 2008). De esta forma
examinamos la posible existencia de efectos de aclareo por denso-dependencia teniendo en
cuenta la heterogeneidad presente en la parcela de estudio.
7.2.Metodología
Se seleccionó una parcela que se denominó "Zona Alta" (ZA) y que se encuentra en
un estado sucesional intermedio. La parcela se dividió en 14 subparcelas de 400 m2 cada
una. En cada subparcela se marcaron todos los individuos arborescentes de Cyathea
caracasana y se anotaron sus coordenadas x e y. Se midió además el diámetro a la altura
del pecho (DAP) y se clasificaron como "juveniles" aquellos con DAP <= 7 cm, y como
"adultos" los que presentaron DAP > 7 cm. En total se monitorizó una superficie de 5600
m2.
En todos los análisis, el efecto de borde se han corregido con el método isotrópico
de Ripley (Ripley 1988). La correspondencia entre los patrones observados y los modelos
nulos considerados en cada análisis ha sido contrastada mediante la computación de
envueltas para las funciones a partir de 999 simulaciones Monte Carlo y los consiguientes
tests de bondad de ajuste (Diggle 2003, Loosmore y Ford 2006). Todos los análisis de
patrones de puntos se han llevado a cabo con el software R 2.12.0 (R development Core
Team 2010) y los paquetes “spatstat” (Baddeley y Turner, 2005) y “ecespa” (De la Cruz
2008b).
Para responder a la primera pregunta hay que poder diferenciar los efectos del
agrupamiento debido a procesos de dispersión o interacciones de los debidos a la
heterogeneidad ambiental. Generalmente esto no es posible sin disponer de información
biológica adicional o patrones replicados (Diggle 2003). En el caso de las comunidades y
poblaciones vegetales, sin embargo, se suele atribuir la agregación en escalas grandes al
efecto de la heterogeneidad mientras que la agregación a pequeña escala se interpreta como
un efecto debido a las interacciones entre plantas (Wiegand et al. 2007). La heterogeneidad
a gran escala genera localmente densidades elevadas de individuos, que se traducen en
valores altos de L(r) y pequeños de g(r) para r grandes (Wiegand y Moloney 2004). En el
caso concreto de interacciones entre árboles, desviaciones significativas de un proceso
Poisson homogéneo a escalas r > 10 m se interpretan como síntoma del efecto de la
heterogeneidad ambiental (Stoyan y Penttinen 2000). Nosotros hemos analizado el patrón
espacial de los individuos adultos de Cyathea carcassana con la funciones univariada L(r)
y hemos contrastado las desviaciones del modelo Poisson homogéneo con 999 simulaciones
Monte Carlo y un test de bondad de ajuste.
7.2.3.2. Patrón espacial de la población de Cyathea caracasana una vez eliminado el efecto
de la heterogeneidad.
La aproximación espacial al estudio del aclareo por denso dependencia implica comparar la
variación en el patrón espacial de los diferentes estadios vitales de una planta (Moeur 1997,
Plotkin et al. 2002, Getzin et al. 2008, Zhu et al. 2010). Si existe aclareo, el patrón de los
estados o clases vitales más jóvenes será más agrupado que el de las clases más longevas.
La dificultad surge cuando queremos analizar el efecto del aclareo por denso-dependencia
teniendo en cuenta la heterogeneidad ambiental subyacente en las parcelas, que como
hemos mencionado previamente afecta al grado de agrupamiento de los patrones. Getzin et
al. (2008) lo resuelven aplicando un modelo nulo de etiquetado aleatorio (random labeling)
sobre un diseño de “caso-control” (Diggle y Chetwing 1991). La aproximación de Getzin et
al. (2008) se basa en tres puntos clave: En primer lugar (1) asume que tanto los “casos”
(individuos de pequeño tamaño) y los “controles” (individuos adultos) de una misma
población están expuestos a los mismos procesos de estocasticidad cuando existe
heterogeneidad ambiental (Wiegand y Moloney 2004). En segundo lugar (2) toman a los
individuos adultos como “control” puesto que la hipótesis de trabajo es que los individuos
adultos reflejan la heterogeneidad ambiental presente en las parcelas, que a su vez se ha
creado por un proceso de aclareo a lo largo de los diferentes estadios vitales de la planta
(Getzin et al. 2008). Por último (3), asumen que tanto árboles pequeños como grandes se
encuentran en equilibrio, es decir, ni invadiendo ni en declive dentro del área de estudio
(Zhu et al. 2010).
a) b)
Figura 7.1. a) Distribución de los individuos de Cyathea caracasana adultos (puntos negros) y juveniles
(puntos blancos) en la parcela ZA de la Estación Biológica "Chamusquín". Las unidades de los ejes (x,y)
están en metros. b) Intensidad individuos adultos (individuos·m-2) estimada mediante un kernel gausiano
con desviación estándar de 30 m.
(Getzin et al. 2008, De la Cruz, et al. 2008b, Zhu et al. 2010, Jacquemyn et al. 2010,
Raventós et al. 2010). Considerando el patrón “control” = patrón 1 = patrón de adultos y el
patrón “caso” = patrón 2 = patrón de juveniles, si g12 (r)-g11(r) ≈ 0 significa que, a la escala
r, los individuos juveniles rodean a los adultos con la misma intensidad que los adultos
rodean a los adultos. O lo que es lo mismo, ambos estados vitales explotan el espacio
disponible a esas escalas de manera similar (Getzin et al. 2008, Murrel et al. 2001), y que
por lo tanto no hay una segregación espacial en sus patrones. Por el contrario, si g21(r)-
g22(r) << 0, los puntos del tipo 2 tienden a estar rodeados de más puntos del tipo 2 de los
que cabría esperar por etiqueatado aleatorio y además son independientes del patrón
control, es decir, se encuentran segregados con respecto al patrón de adultos. Otra
diferencia interesante es g11(r)-g22(r), que evalúa la diferencia en el grado de agrupamiento
de dos patrones de puntos. En este caso, si el patrón de los juveniles (casos) estuviese más
agregado que el de los adultos (es lo que esperaríamos tras un proceso de aclareo por
denso-dependencia) obtendríamos valores negativos (Dixon 2002).
Para averiguar si existe aclareo por dernso dependencia hemos calculado las
diferencias de funciones de correlación de par univariadas y bivariadas de los patrones de
adultos y juveniles y hemos contrastado los resultados frente a un modelo de etiquetado
aleatorio.
7.3. Resultados
180 J. CHACÓN, R. VICUÑA, K. E. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Para el patrón de puntos considerado la función L(r) muestra un claro agrupamiento a gran
escala (test de bondad de ajuste significativo: p = 0,009) rechazando la hipótesis nula de
aleatoriedad del patrón a todas las escalas. A partir de los 7 metros la función observada
excede las envueltas calculadas y no vuelve a caer hacia el valor teórico de L(r) = 0 incluso
sobrepasados los 25 metros (Fig. 7.2a). Este hecho, pone de manifiesto la existencia de
heterogeneidad ambiental a gran escala en la parcela, y nos sugiere la utilización de
métodos específicos que tengan en cuenta la heterogeneidad espacial, para revelar la
posible existencia de efectos de segundo orden dentro de nuestra parcela.
Figura 7.2. a) Función L de los individuos adultos de Cyathea caracasana contrastada frente a un modelo
nulo Poisson homogéneo. b) Función L inhomogénea del patrón de adultos contrastada frente a un
modelo nulo Poisson heterogéneo basado en la intensidad estimada con el kernel gaussiano. Las curvas
negras continuas representan la función L (homogénea o inhomogénea) observada en cada caso. El
sombreado gris representa las envueltas obtenidas por simulación del correspondiente modelo nulo. La
línea discontinua representa el valor esperado (valor medio) del modelo nulo.
Efecto del aclareo por denso-dependencia en helechos arborescentes 181
Figura 7.3. a) Función L de los individuos juveniles de Cyathea caracasana contrastada frente a un
modelo nulo Poisson homogéneo. b) Función L inhomogénea del patrón de juveniles contrastada frente a
un modelo nulo Poisson heterogéneo basado en la intensidad estimada con el kernel gaussiano
representado en la figura 7.1.b (normalizado con la abundancia total de juveniles). Las curvas negras
continuas representan la función L (homogénea o inhomogénea) observada en cada caso. El sombreado
gris representa las envueltas obtenidas por simulación del correspondiente modelo nulo. La línea
discontinua representa el valor esperado (valor medio) del modelo nulo.
Fig. 7.2b) mientras que los individuos juveniles mostraron agrupamiento entre 1 y 3 metros
(p = 0,009), como se esperaba según la hipótesis de autoaclareo por denso-dependencia
(Fig. 7.3a y Fig. 7.3b).
Los individuos juveniles de Cyathea caracasana en nuestra parcela muestran un patrón más
agregado que los individuos adultos a pequeña escala. La diferencia g11(r)-g22(r) excede
significativamente la envuelta inferior a escalas comprendidas entre 0 y 1 metro (p =
0,009), lo que permite rechazar la hipótesis de una asignación aleatoria de marcas a esa
escala (Figura 7.4a). Esto era esperable tras el resultado obtenido en el análisis 2 y apoya la
hipótesis de autoaclareo por denso-dependencia.
Figura 7.4. Diferencias de funciones de correlación de par contrastadas frente a un modelo nulo de
etiquetado aleatorio. 1= adultos; 2= juveniles. a) Diferencia de agrupamiento entre los dos patrones. b)
Test de segregación de los adultos c) Test de segregación de los juveniles. Las curvas negras continuas
representan la diferencia observada en cada caso. El sombreado gris representa las envueltas obtenidas
por simulación del modelo nulo de etiquetado aleatorio. La línea discontinua representa el valor
esperado (valor medio) del modelo nulo.
individuos adultos (Figura 7.4c). Es decir, los individuos juveniles no sólo se encuentran
más agrupados que los adultos sino que se encuentran segregados con respecto a estos.
7.4. Discusión
Existen muchos trabajos que ofrecen evidencias sobre la existencia de procesos de aclareo
por denso-dependencia tanto en bosques tropicales (Connel et al 1984, Getzin et al. 2008)
como subtropicales (Zhu et al. 2010). El aclareo denso-dependiente actúa desde fases
tempranas del desarrollo y a lo largo de la ontogenia, por lo que esperamos un patrón más
agrupado en etapas juveniles que en etapas adultas. Tras comparar el patrón espacial de los
Efecto del aclareo por denso-dependencia en helechos arborescentes 183
Uno de los resultados más interesantes que hemos obtenido con las diferencias de
funciones g(r) es que los individuos juveniles no solo se encuentran más agrupados entre sí
que los adultos sino que, además, se encuentran segregados con respecto a estos. Esta
segregación de los individuos juveniles nos indica un mecanismo de agregación
independiente del patrón de los adultos. Según Arens (2001) Cyathea caracasana crece
más rápido, produce más hojas, genera esporas y establece sus esporófitos exclusivamente
bajo condiciones de pleno sol. Estos hábitats más soleados se encuentran normalmente en
claros del bosque, o en bosques secundarios abiertos. No existen datos fiables sobre cuánto
tiempo pueden permanecer bajo el dosel los individuos de Cyathea caracasana, aunque
Arens (2001) apunta que ha observado individuos persistiendo en condiciones de sombra al
menos 20 años. En condiciones de sombra, esta especie frena su crecimiento y la
producción de esporas y entra en un estado que podríamos denominar “de persistencia”,
esperando las condiciones de sol óptimas para comenzar un nuevo ciclo de crecimiento y
reproducción. Los agrupamientos de individuos juveniles segregados de los adultos pueden
estar representando ciclos de reclutamiento asociados a la apertura de claros. El hecho de
que los individuos juveniles de esta población presenten un agrupamiento entre 1 y 3
metros (Fig 7.3b) aun controlando el efecto de la heterogeneidad, podría estar indicando
que un tamaño de los claros de al menos tres metros sería suficiente para que se produzca
reclutamiento. Sin embargo, al carecer de datos de crecimiento y mortalidad, no podemos
asegurar si este tamaño de claro genera las condiciones de luz suficientes como para que la
supervivencia, crecimiento y reclutamiento de los individuos recién establecidos pueda
seguir dándose. Según Arens (2001), si la apertura del dosel no se produce, los individuos
irían muriendo sucesivamente y de forma aleatoria dentro de los agrupamientos. Esto
justifica el patrón aleatorio de los adultos, que puede estar originado por un aclareo denso-
dependiente a partir de estos agrupamientos o por una mortalidad sucesiva de los individuos
que quedan en condiciones de latencia bajo el dosel por mucho tiempo. En cualquier caso y
a falta de un método fiable para datar con precisión la edad de los helechos, no podemos
saber con certeza si los agrupamientos se corresponden con un mismo ciclo de
reclutamiento, o si se trata de agrupamientos de individuos pertenecientes a diferentes
clases de edad.
184 J. CHACÓN, R. VICUÑA, K. E. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Uno de los principales problemas al analizar un patrón espacial es que los efectos de
la heterogeneidad ambiental y de los procesos poblacionales pueden confundirse ya que
ambos pueden generar estructuras similares, como por ejemplo agrupamiento a alguna
escala (Wiegand et al. 2007). Tras un proceso de aclareo por denso-dependencia esperamos
que los individuos adultos muestren un patrón menos agregado que el de los juveniles. Al
explorar el patrón espacial de los individuos adultos y juveniles de Cyathea caracasana,
observamos que en ambos casos la función L(r) excede las envueltas de los modelos
Poisson homogéneos tanto a pequeña como a gran escala, lo que nos indica que ambos
patrones muestran los efectos de la heterogeneidad ambiental y por lo tanto nos impide
atribuir las diferencias de los mismos exclusivamente a los efectos del aclareo denso-
dependiente. Cuando repetimos este análisis con la función L(r) inhomogénea, controlando
el efecto de la heterogeneidad ambiental sobre el patrón de adultos, observamos que la
función observada queda dentro de las envueltas revelando un comportamiento totalmente
aleatorio. Por el contrario, La función L(r) inhomogénea de los juveniles, a pesar de
controlar el agrupamiento a gran escala, revela que a corta escala (entre 1 y 3 metros)
presentan un agrupamiento mayor que el que sería compatible con el modelo Poisson
heterogéneo. Esto confirma nuestra hipótesis de partida y además coincide con los
resultados de las diferencias de funciones g(r). Los resultados de este análisis confirman
que el patrón de adultos puede emplearse como un subrogado de la heterogeneidad
ambiental de la parcela, ya que la misma superficie de aclareo que ajustamos con el kernel
gausiano, una vez normalizada para tener en cuenta la diferencia de abundancia de adultos
y juveniles, fue capaz de describir el agrupamiento a gran escala de los juveniles.
El objetivo general de este trabajo era desvelar si las poblaciones del helecho
arborescente Cyathea caracasana experimentan los efectos del aclareo por denso-
dependencia. Nuestros resultados demuestran, comparando el patrón de individuos adultos
y juveniles, que Cyathea caracasana sigue un esquema similar al encontrado para otras
especies forestales (Getzin et al. 2006, Wiegand et al. 2007, Getzin et al. 2008, Zhu et al.
2010). Además, proporcionan un claro ejemplo del efecto que la heterogeneidad ambiental
tiene sobre los patrones espaciales de las plantas en sus diferentes etapas vitales y en
particular a escalas grandes. Estos resultados sugirieren que es necesario tener en cuenta el
papel de la heterogeneidad ambiental cuando se investigan los procesos formadores de
patrón espacial, como sería un proceso aclareo por denso-dependencia.
7.5. Agradecimientos.
Resumen
8.1. Introducción.
Abies pinsapo Boiss. es una especie relicta perteneciente al grupo de los abetos circun-
mediterráneos (Linares 2011). Esta especie endémica aparece en poblaciones generalmente
pequeñas y aisladas entre 1000 y 1800 m de altitud, en laderas orientadas al norte de
algunas montañas próximas a la costa del sur de España (oeste de la cordillera Bética) y del
norte de Marruecos (cordillera del Rif) (Barbero y Quézel 1975, Linares 2011). En el
sudeste de España el pinsapo está presente en una superficie de alrededor de 3600 ha
186 J. C. LINARES. J. J. CAMARERO, J. A. CARREIRA, M. LAMRANI, V. OCHOA, R. GARCÍA
mientras que esta superficie supera las 4000 ha en el norte de Marruecos (Navarro Cerrillo
et al. 2006). Estos bosques fueron intensamente explotados durante siglos bajo diversos
usos poco sostenibles, tales como talas, carboneo, pastoreo, etc. (Linares et al. 2009). En el
sur de España las poblaciones fragmentadas de A. pinsapo experimentaron una notable
regeneración a partir de pequeños rodales formados por árboles viejos como consecuencia
de la adopción de medidas de protección de estos bosques durante la segunda mitad del
siglo XX (Ruiz de la Torre et al. 1994, Linares y Carreira 2009). Las montañas del Rif, en
el norte de Marruecos, representan una región de relevancia mundial desde el punto de vista
de la biodiversidad, con Abies pinsapo var maroccana y Abies pinsapo var tazaotana entre
sus especies endémicas más emblemáticas. El aclareo del bosque, la elevada densidad de
población rural, el aumento de las áreas de cultivo o la erosión del suelo, representan en la
actualidad factores que pueden comprometer la conservación de estos bosques (Moore et al.
1998).
CAMBIO GLOBAL
Enfoque temporal+ Enfoque espacial
CAMBIO CLIMÁ
CLIMÁTICO Disponibilidad
Aumento de Temperatura
Aumento en la Variabilidad de las Hídrica
Precipitaciones
Figura 8.1. Los cambios de uso del territorio y el cambio climático son factores relacionados con el
cambio global ampliamente reconocidos aunque raramente son considerados de manera integrada con
un adecuado diseño espacio-temporal. Nuestra hipótesis de trabajo es que el incremento de la densidad
forestal, como consecuencia de los cambios de uso del territorio, supone un aumento de la competencia
entre individuos, que unido a una menor disponibilidad hídrica, como consecuencia de variaciones
climáticas, incrementa el riesgo de declive en poblaciones situadas cerca de sus límites de tolerancia.
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 187
Biosfera de España y Marruecos, establecida por la UNESCO dentro del programa para el
Hombre y la Biosfera.
Está ampliamente reconocido que la estructura del bosque (el patrón espacial de los
individuos, su diversidad de clases de edad y de tamaño, especies, etc.) juega un papel clave
en la estabilidad de los ecosistemas forestales (Linares et al. 2011a). Además, la estructura
de la masa y su biodiversidad puede ser modificada directamente por la historia de uso
humano (Figura 8.1). La estructura del bosque puede variar desde poblaciones de edad
similar, establecidas en un evento de regeneración puntual, hasta poblaciones con un
amplio espectro de edades, donde el establecimiento de las diferentes cohortes ha tenido
lugar de manera relativamente continua en el tiempo (Oliver y Larson 1990). Por otra parte,
desde el punto de vista de la biodiversidad, un bosque puede ser mono-específico, integrado
por una única especie arbórea dominante, o formar una masa mixta, con varias especies
dominantes (Oliver y Larson 1990, Veblen 1992). En los bosques templados, el patrón de
regeneración de los individuos ha sido interpretado como una consecuencia de la frecuencia
y la magnitud de perturbaciones que eliminan a uno o varios árboles dominantes en el
dosel, lo que origina la apertura de huecos de tamaño variable donde tiene lugar el
reclutamiento de nuevos individuos jóvenes (Runkle 2000). Por otra parte, la historia de
usos del territorio puede también usarse para explicar el efecto a largo plazo de la actividad
humana o su régimen de perturbación sobre la dinámica forestal (Abrams y Orwig 1996).
Además, desde el punto de vista del manejo y la conservación de los ecosistemas, una
aplicación apropiada de los principios derivados del conocimiento de la dinámica forestal
puede ser útil de cara a la restauración de ecosistemas forestales intensamente deteriorados
(Edwards y Mason 2006, Mason et al. 2007). El objetivo de este estudio fue básicamente
describir las características estructurales de los bosques de A pinsapo de España y
Marruecos y su historia reciente de manejo y comprender cuales son los procesos que
controlan la dinámica forestal de estos bosque relictos. Para ello se realizó una
caracterización estructural extensiva de diferentes poblaciones españolas y marroquíes,
considerando numerosas variables de tipo ambiental y biótico.
Sierra de Sierra de
Grazalema las
Nieves
Sierra
Bermeja N
EStrecho de
Gibraltar
Océano Mar
Atlántico Mediterráneo
40 km
T
Talassemtane
Figura 8.2. Distribución de A. pinsapo en el sur de España y el norte de Marruecos. Talassemtane (T);
Sierra de Grazalema (G); Sierra de las Nieves (N) y Sierra Bermeja.
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 189
verde. Los datos de pies muertos se refieren a árboles que habían muerto recientemente, por
ejemplo, desde finales de los años 90 de acuerdo con las estimaciones dendrocronológicas.
Mediante una barrena de Pressler se obtuvieron testigos de madera, a 1,3 m de la base, de
árboles sin síntomas aparentes de decaimiento, cubriendo todo el rango de diámetros
presente. En algunos individuos se extrajeron además secciones de la base, con el fin de
obtener una correlación entre la edad del árbol y la edad a d.a.p. Dentro de cada clase
diamétrica los individuos fueron elegidos al azar con el fin de recoger un amplio rango de
situaciones de dominancia/supresión. Por último, se aplicó una ordenación basada en el
escalado multidimensional no métrico (NMDS).
Los testigos de madera fueron secados al aire, lijados y datados visualmente (cross-dating)
con ayuda de una lupa binocular (Stokes y Smiley 1968, Yamaguchi 1991); se dataron dos
radios por individuo. La anchura de los anillos fue medida en cada radio con una exactitud
de 0,01 mm en un medidor semiautomático ANIOL (Aniol 1983) y las series resultantes
fueron chequeadas estadísticamente con el programa COFECHA (Holmes 1983).
El patrón espacial de árboles en cada parcela fue analizado mediante la función K de Ripley
(Ripley 1977, Ripley 1981, Upton y Fingleton 1985, Dixon 2002) y las desviaciones
respecto a la hipótesis nula de aleatoriedad espacial completa fueron contrastadas mediante
el método de Monte Carlo (De la Cruz 2008). Se realizaron 10000 simulaciones para
obtener el intervalo de confianza del 95% (Besag y Diggle 1977, Diggle 1983). No se
consideraron áreas heterogéneas de la parcela, las cuales fueron descompuestas en
triángulos y eliminadas del análisis (Goreaud y Pélissier 1999, Pélissier y Goreaud 2001).
El patrón de puntos fue analizado con el programa ADE-4 (Thioulouse et al. 1997).
Se calculó para cada individuo el índice de competencia propuesto por Hegyi en 1974
(Hegyi 1974):
N (R)
Ci = ∑ ( Dj / Di) / Lij
j =1
radio R del individuo focal; el tamaño relativo de los individuos competidores con respecto
al focal, expresado como el cociente del diámetro de cada uno: Dj / Di, siendo D el
diámetro normal de cada individuo y Lij la distancia que los separa.
Puesto que se desconoce la escala espacial a la que opera la competencia entre individuos
de A. pinsapo, no está definido qué valor de radio R debe utilizarse como límite de
influencia de un individuo sobre otro (De Luis et al. 1998). En este capítulo hemos
cuantificado la correlación existente entre el crecimiento medio de los individuos y su
índice de competencia, calculado a intervalos de 1 metro, desde un radio de 1 m hasta 10 m.
18
Temperatura media anual (ºC)
(a)
17
16
15
y = -6.38+0.01x; r2 = 0.23 ; P < 0.001
(b)
Precipitación anual (mm)
2000
1500
1000
2
y = 7674.72-3.21x; r = 0.05 ; P < 0.05
500
1920 1930 1940 1950 1960 1970 1980 1990 2000
Año
Figura 8.3. Tendencias regionales a largo plazo en la temperatura media anual (a) y la precipitación
total anual (b) en el área de estudio. Las temperaturas han mostrado una tendencia significativa de
incremento desde 1920, mientras que los datos de precipitación han mostrado un descenso significativo.
Nótese el brusco descenso de las precipitaciones en 1994-1995.
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 191
El impacto del manejo sobre la estructura forestal fue analizado mediante la revisión de
trabajos publicados con referencias al uso del bosque, eventos de perturbación tales como
talas o intensidad del pastoreo, cambios de uso del territorio, etc. Diversos materiales no
publicados e informes forestales de la administración fueron también supervisados.
30
G1 G2 G3
20
10
20 G4 G5 G6
10
20
G7 G8 G9
Área basal (m2 ha-1)
10
0
20 N1 N2 N3
10
0
20 N4 T1 T2
10
20
T3 T4 T5
10
0
10 30 50 70 90 10 30 50 70 90 10 30 50 70 90
DBH (cm)
Figura 8.4. Histogramas de densidad (área basal) para los individuos de A. pinsapo vivos (Ap; living
trees) y muertos (Ap; dead trees) y para el resto de especies leñosas presentes en las parcelas de estudio.
Qf: Quercus faginea, Qr/Qi: Quercus rotundifolia/Quercus ilex, Au: Arbutus unedo, Pl: Phillyrea
latifolia, Cm: Crataegus monogyna, Ph: Pinus halepensis, Ao: Acer opalus granatensis, Ca: Cedrus
atlantica, Tb: Taxus baccata, Pm: Pinus nigra mauretanica, Jo: Juniperus oxycedrus, Cp: Juniperus
phoenicea, Ia: Ilex aquifolium, Vl: Viburnum lantana. DBH: diámetro a la altura del pecho.
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 193
Las Figuras 8.4 y 8.5 muestran el patrón de clases de diámetro y el patrón espacial
de puntos de las parcelas de estudio mientras que la Tabla 8.1 resume sus características
estructurales y espaciales. El d.a.p. medio de los individuos estudiados es de 19 cm, con
valores por encima de la media en algunas de las parcelas de Grazalema y siempre por
debajo de la media en las de Sierra de las Nieves. La densidad media de individuos está en
torno a 1100 individuos por hectárea, aunque existe una amplia variabilidad, especialmente
en cuanto a la presencia de parcelas de baja densidad (N4 y T2) y parcelas muy densas (G2,
N2 y N3). El área basal está en torno a 44 m2 por hectárea, con valores máximos en algunas
parcelas de Grazalema y Marruecos. Una elevada proporción de las parcelas estudiadas
fueron mono-específicas (ver diversidad de especies arbóreas en la Tabla 8.1). El índice de
diversidad de Shannon para especies arbóreas fue significativamente mayor en las
poblaciones marroquíes, seguidas de las estudiadas en Grazalema (Fig. 8. 4 y Tabla 8.1). En
el caso de las parcelas estudiadas en Talassemtane, la diversidad específica obtenida se
debe a la presencia de especies mediterráneas a baja altitud (Quercus ilex, Q. faginea) así
como a la presencia de coníferas de montaña, en zonas más elevadas (Cedrus atlantica,
Pinus nigra subsp. mauretanica, Taxus baccata, etc.). Grazalema también presentó
formaciones mixtas con especies mediterráneas (Quercus ilex, Q. faginea). Las poblaciones
de Sierra de las Nieves aparecen puntualmente mezcladas con Pinus halepensis. La
diversidad estructural (estimada mediante el índice de Shannon sobre las diferentes clases
de d.a.p.) fue también superior en parcelas de Grazalema y Marruecos y mínima en parcelas
de la Sierra de las Nieves, las cuales estuvieron dominadas por árboles de entre 10 y 15 cm
(Fig. 8. 4 y Tabla 8.1). La diversidad estructural no estuvo correlacionada con la diversidad
específica (ambas estimadas mediante el índice de Shannon), pero mostró una estrecha
correlación con la densidad total de la parcela (la densidad total explicó el 45,52% de la
varianza observada en la diversidad estructural) y el d.a.p. medio (37,45% de la varianza),
indicando que las poblaciones con una elevada densidad de individuos son menos diversas
estructuralmente y están dominadas por las clases de tamaños más pequeñas.
La edad media fue bastante superior en las parcelas de Marruecos (192 años frente a
87 en Grazalema y sólo 58 en la Sierra de las Nieves). El crecimiento secundario,
expresado en incremento de área basal, fue mayor en las masas más maduras y estuvo
determinado principalmente por el índice de competencia (el IC explicó el 22,43 % de la
varianza observada en el incremento de área basal; columna IC en la Tabla 8.1).
194 J. C. LINARES. J. J. CAMARERO, J. A. CARREIRA, M. LAMRANI, V. OCHOA, R. GARCÍA
10 10 10
0 0 0
0 10 20 0 10 20 0 10 20
20 20 20
G4 G5 G6
10 10 10
0 0 0
0 10 20 0 10 20 0 10 20
40
G7 30 G8 30 G9
20 20
20
10 10
0 0 0
y (m)
0 10 20 30 40 0 10 20 30 0 10 20 30
N1 N2 20 N3
40 30
20
20 10
10
0 0 0
0 10 20 0 10 20 30 0 20 40
50 N4 30 T1 50 T2
20
25 25
10
0 0 0
0 20 40 0 10 20 30 0 20 40
40 T3 30 T4 30 T5
20 20
20
10 10
0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
x (m)
Figura 8.5. Patrón espacial de puntos para los individuos de A. pinsapo vivos (Ap; living trees) y
muertos (Ap; dead trees) y para el resto de especies leñosas presentes en las parcelas de estudio. Qf:
Quercus faginea, Qr/Qi: Quercus rotundifolia/Quercus ilex, Au: Arbutus unedo, Pl: Phillyrea latifolia,
Cm: Crataegus monogyna, Ph: Pinus halepensis, Ao: Acer opalus granatensis, Ca: Cedrus atlantica, Tb:
Taxus baccata, Pm: Pinus nigra mauretanica, Jo: Juniperus oxycedrus, Cp: Juniperus phoenicea, Ia: Ilex
aquifolium, Vl: Viburnum lantana.
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 195
Tabla 8.1. Características estructurales y espaciales de las parcelas de estudio. d.a.p.: diámetro a la altura del pecho (cm); Dens: densidad (individuos
ha-1); Dens A.p.: densidad de Abies pinsapo (individuos ha-1); Área: área basal (m2 ha-1); SP: riqueza de especies arbóreas; Sh.sp: índice de Shannon
para especies; sh.dap: índice de Shannon para clases de D.A.P.; IC: índice de competencia medio; K: agregación espacial según K de Ripley (0,
distribución aleatoria; 1, distribución significativamente agregada); Edad: edad media (años); Anchura: anchura media de los anillos de crecimiento
(mm); ∆ área: incremento medio del área basal entre 1995 y 2004 (cm2 año-1).
Parcela d.a.p. Dens Dens A.p. Área SP Sh.sp Sh.dap IC K Edad Anchura ∆ área
G1 9,56 1553 186,36 44,0 6 1,72 1,379 2,33 0 66 0,91 7,77
G2 13,18 2000 2000,00 36,0 1 0,00 2,008 3,51 0 79 0,78 3,95
G3 24,94 1052 1052,00 71,6 2 0,17 1,590 4,38 1 81 0,83 6,15
G4 25,83 701 665,95 51,6 2 0,27 2,187 4,82 1 69 0,66 3,35
G5 32,12 439 439,00 49,9 1 0,00 1,977 2,43 0 83 0,67 7,58
G6 30,57 352 352,00 41,0 1 0,00 2,763 0,87 0 67 0,80 5,31
G7 21,69 560 537,60 43,7 3 0,31 2,813 0,39 0 115 0,93 13,49
G8 30,89 467 452,99 44,8 2 0,20 2,189 0,88 1 107 1,41 13,26
G9 17,49 1053 1053,00 35,6 1 0,00 2,491 0,94 0 114 0,53 4,68
N1 14,70 1231 1206,38 30,8 3 0,18 1,696 4,93 0 61 0,92 3,58
N2 10,14 2833 2833,00 37,7 1 0,00 1,198 5,65 1 55 0,84 3,36
N3 9,90 2263 2217,74 29,0 3 0,50 1,003 6,37 1 67 1,00 3,80
N4 17,39 338 253,50 8,9 4 1,02 1,739 2,93 1 48 2,85 14,86
T1 17,01 1366 915,22 66,3 4 1,18 1,573 2,00 1 199 1,78 21,85
T2 15,43 377 82,94 14,6 6 1,80 2,092 0,40 1 209 0,79 11,38
T3 17,93 1011 566,16 44,5 7 1,63 1,532 2,97 1 184 1,86 16,80
T4 18,81 1247 1159,71 81,9 2 0,35 2,034 5,19 0 174 1,07 8,76
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño
T5 14,89 1343 1020,68 70,1 4 1,13 1,701 2,41 0 193 0,89 8,98
195
196 J. C. LINARES. J. J. CAMARERO, J. A. CARREIRA, M. LAMRANI, V. OCHOA, R. GARCÍA
Nuestra revisión bibliográfica mostró que los usos del territorio de los pinsapares
han cambiado desde las décadas de 1950 y 1970, fundamentalmente a través de la adopción
de medidas de protección legales. Este esfuerzo conservacionista ha consistido en la
eliminación, más o menos estricta, de usos tradicionales tales como talas, aclareos del
monte, pastoreo, poda de ramas para carbón, etc. Esta acción ha tenido generalmente como
consecuencia una notable regeneración del bosque. Por ejemplo, en la Sierra de las Nieves,
el pinsapar ha incrementado su densidad desde finales de 1950 a partir de poblaciones
aisladas de individuos centenarios como consecuencia de la eliminación de una elevada
carga ganadera que impedía la regeneración (Linares et al. 2009, Linares y Carreira 2009).
En las montañas del Rif la política forestal durante la época del Protectorado español
(1912-1956) tuvo un claro enfoque productivo, encaminado a la explotación de la madera,
lo que llevó al deterioro de algunos ecosistemas naturales. Sin embargo el impacto directo
que esta acción tuvo sobre los pinsapares no está aún bien documentado y necesita de
futuras investigaciones. Aunque desde la década de 1970 se comenzaron a adoptar en
Marruecos políticas conservacionistas con la creación de diferentes espacios naturales
protegidos, la elevada población rural dependiente de estos espacios ha continuado
ejerciendo una cierta explotación de los recursos, con lo que, a diferencia de lo ocurrido en
España, han persistido hasta el presente usos tradicionales del monte en muchas zonas
(Linares et al. 2011a, b). Los valores medios de las series dendrocronológicas de
Grazalema se muestran en la Figura 8.6 y los de la Sierra de las Nieves y Talassemtane en
la Figura 8.7. En la Sierra de las Nieves el número de series anteriores a 1960 no es muy
alto debido a la edad de la población estudiada, sin embargo en Grazalema y en
Talassemtane se muestrearon individuos cuyo crecimiento cubre la totalidad del siglo XX.
En la Sierra de las Nieves hasta mediados de la década de 1950 el crecimiento medio de los
individuos es reducido en todas las parcelas. Este periodo corresponde históricamente con
una fuerte presión ganadera, talas etc., lo cual limitó drásticamente el crecimiento de las
poblaciones (entorno a 1,25 mm/año).
hasta 0,5 mm en 30 años; o sea, -0,7 mm cada 10 años). Sobre el patrón descendente de
baja frecuencia se superponen eventos de reducción drástica del crecimiento en 1981, 1987
y, especialmente, 1995. La tendencia observada en el crecimiento de los individuos no
presenta relación significativa con la edad. Por otra parte, habida cuenta de la edad media
de los individuos muestreados no sería en ningún caso esperable que individuos de 50 años
hayan reducido su crecimiento debido al envejecimiento.
Debido a su larga historia de manejo muchas de las áreas forestales actuales están
restringidas a áreas montañosas. Las cotas más elevadas de las montañas que circundan la
Cuenca Mediterránea son actualmente el refugio de numerosas coníferas relictas que
encuentran aquí su único área de distribución (caso de los abetos circun-mediterráneos o de
los bosque de Pinus nigra s.l.) o persisten en ellas como poblaciones marginales a escala
continental, cuyo núcleo de distribución se encuentra dentro de la Región Templada (Pinus
sylvestris, Taxus baccata). Esto hace que, en cierto modo, estas poblaciones relictas
constituyan islas de bosque, similar a los de las áreas montañosas templadas, pero inserto
en la Región climática Mediterránea. Esta circunstancia hace que estos ecosistemas sean
especialmente vulnerables a los efectos del actual cambio climático (Boisvenue y Running
2006). Por otro lado, las áreas de distribución de las coníferas endémicas o relictas
mediterráneas han experimentado cambios drásticos de uso del territorio durante las últimas
décadas, tales como el abandono de usos tradicionales, descenso de la población rural (en
España), adopción de medidas de protección, etc. (Linares y Carreira 2009). Esto ha tenido
en una primera fase un claro efecto positivo sobre la vegetación natural. Las tareas de
reforestación o protección, mediante exclusión del ganado o la prohibición de la
explotación del monte, han estado condicionados por los modelos de vegetación potencial y
en la mayoría de los casos han ignorado el factor humano como parte del medio, o han
intentado excluir sus efectos (IPCC 2007a). En determinadas zonas del Rif, la tendencia de
la población rural ha sido la contraria que en España, con un aumento de la presión sobre el
medio que en muchos casos es claramente insostenible. Sin embargo, zonas rurales en
donde persiste un régimen de perturbación de baja intensidad sobre el bosque, mediante
claras, extracción de leña, baja carga ganadera, etc., pueden presentar en la actualidad una
Patrones espacio-temporales en los pinsapares del macizo Bético-Rifeño 199
a) b)
a)
b)
Figura 8.7. Patrón de crecimiento secundario en a) la Sierra de las Nieves y b) el Parque Nacional de
Talassemtane.
200 J. C. LINARES. J. J. CAMARERO, J. A. CARREIRA, M. LAMRANI, V. OCHOA, R. GARCÍA
mayor biodiversidad y una estructura forestal más diversificada y estable. Los resultados de
este trabajo pueden tener implicaciones sustanciales de cara al manejo o la restauración de
determinados bosques de pinsapo. El abandono de usos tradicionales ha promovido en
algunos casos el desarrollo de masas poco diversificadas, de elevada densidad y poca
diversidad de especies arbóreas, que pueden resultar más vulnerables a plagas o eventos de
sequía (Linares et al. 2010a, b). Por el contrario, una baja carga ganadera o entresacas de
baja intensidad, tal y como hemos podido constatar en los bosques de Marruecos, parecen
promover la creación de un dosel menos cerrado y pequeños huecos donde la regeneración
natural es más favorable (Linares et al. 2011a)
Single Linkage
Euclidean distances
1400
1200
1000
Linkage Distance
800
600
densos
200 Poco
densos
0
N2 N3 G2 T3 T2 N4 T5 T4 T1 N1 G6 G7 G8 G5 G4 G9 G3 G1
Resumen
Las variables del suelo pueden presentar una estructura espacialmente explícita que puede
informarnos tanto de los procesos formadores del suelo como de la interacción suelo-planta
que determinan este patrón espacial. El objetivo de este trabajo es, por un lado, conocer si
las variables de suelo relacionadas con la compactación (densidad aparente, resistencia a la
penetración, humedad y materia orgánica) presentan un patrón agregado y por otro, la
influencia de Quercus ilex y Pinus pinaster sobre estas características y la producción de
pasto. Mediante análisis con SADIE encontramos que la densidad aparente, humedad
gravimétrica, materia orgánica, porcentaje de gravas y resistencia a la penetración presentan
una estructura agregada significativa. En la interacción suelo-planta el tiempo es un factor
determinante, ya que a medida que el estrato arbóreo crece el suelo va modificando su
estructura física, lo que determina una nueva estructura espacial. Así, comprobamos como
en los espacios sin cobertura arbórea las características del suelo son el testigo de un
cambio producido por efectos de copa especie-dependiente. La acción de la encina
(Quercus ilex subsp. ballota) tiende a disminuir la densidad aparente, la resistencia a la
penetración y a incrementar el contenido de materia orgánica; en cambio la cobertura de
pino (Pinus pinaster) produce el efecto inverso de modo significativo. Las implicaciones
que tiene esta estructura espacial de la compactación ligada al tipo de cobertura arbórea
tienen un reflejo en la producción de herbáceas. Así, mediante análisis de covariación
espacial con SADIE encontramos que para la producción de pasto de 2007 y 2008 existe
una relación significativa y consistente para ambos años con las variables de la
compactación y el tipo de cobertura arbórea. La producción de herbáceas fue mayor en
zonas con mayor contenido de materia orgánica, menor porcentaje de grava, menor
resistencia a la penetración y menor densidad aparente y con cobertura de Quercus ilex. En
cambio, los efectos fueron opuestos para las zonas con cobertura de Pinus pinaster.
9.1. Introducción
Las propiedades físicas del suelo tales como textura, porosidad o estructura son importantes
ya que tienen fuertes implicaciones en los procesos de asimilación de agua y nutrientes por
las plantas. La estructura del suelo en el espacio nos informa no sólo de los procesos de
intercambio entre las raíces y el complejo edáfico, sino que también describe los fenómenos
que condujeron a esa distribución de partículas. Ya sean de origen abiótico como la
precipitación, escorrentía, mineralización, entre otros, o de origen biótico como el efecto de
202 D. ALAMEDA, R. VILLAR
Los efectos que la compactación puede tener sobre la vegetación son dependientes
del rango de compactación y de la especie (Alameda y Villar 2009). En general, se asume
que un grado de compactación elevado limita el crecimiento de las raíces y los fenómenos
derivados de esta limitación: toma de agua y nutrientes, pérdida del soporte físico, o
susceptibilidad a otras fuentes de estrés. Por tanto, parece lógico pensar en el grado de
compactación de los suelos como una vía para describir la estructura del suelo a la vez del
efecto potencial que tiene sobre la vegetación.
El muestreo de las variables de suelo y la producción de pasto se llevó a cabo sobre una
malla regular cuadrada de 40 x 40 m con una resolución de 4 m, con un total de 121 puntos.
Las malla estaba localizada en una parcela de exclusión de herbívoros en la finca “La
Vegueta” en el P.N. de la Sierra de Cardeña y Montoro (Córdoba) (38º 14’ 9’’ N 4º 21’
55’’ O). La vegetación arbórea era mayoritariamente Q. ilex L. subsp. ballota (Desf.) Samp.
204 D. ALAMEDA, R. VILLAR
con algunos ejemplares de Pinus pinaster Aiton. La vegetación arbustiva estaba compuesta
principalmente por Cistus ladanifer L.
Las medidas de densidad aparente deben realizarse a capacidad de campo por lo que
se esperó una semana de lluvia tras la que se realizó el muestreo, día 28 de abril de 2008.
En cada punto de muestreo se tomaron: medidas de densidad aparente a dos profundidades
(0-7 cm y 8-15 cm) con cilindros de aluminio de 5 cm de altura; humedad gravimétrica tras
secado del suelo de los cilindros a 105 ºC, para que esta medida fuese real los cilindros con
el suelo se precintaban para evitar las pérdidas de agua; porcentaje de gravas (como uno de
los valores de la granulometría) mediante tamiz de 2 mm sobre la masa de suelo extraída en
la medidas de densidad; materia orgánica total mediante ignición en horno Muffla, sabiendo
que existe 0 % de carbonatos; y 3 medidas de resistencia a la penetración mediante
penetrómetro de resolución 1 cm, desarrollado por Eijkelcamp (Giesbeek, The Netherlands),
de las que sólo se tomaban los 15 primeros cm.
La cobertura arbórea para cada punto de muestro se estimó por intersección con la
vertical del punto en base a un conteo 0-1 siendo 0 ausencia de cobertura y 1 la presencia
de encina o pino, colocándose en variables distintas. En julio de 2007, se cosecharon para
cada punto de muestreo todas las herbáceas que había en un cuadrado de 25 x 25 cm
centrado en cada punto del nodo, se secaron en estufa a 70 º C un mínimo de 48 h y se
obtuvo posteriormente el peso seco. Se siguió el mismo procedimiento para estimar la
biomasa de herbáceas en el año 2008, realizando el muestreo en los mismos puntos y en
julio.
El patrón espacial de las variables registradas se analizó con SADIE (Perry, 1998)
mediante el “freeware” SadieShell v 1.3 disponible en www.rothamsted.ac.uk/pie/sadie. La
técnica SADIE (del inglés, spatial analysis by distance indices) es una herramienta de
análisis espacial basado en índices de distancia que cuantifica el patrón espacial de una
variable objeto de estudio y permite detectar asociación o disociación espacial entre pares
de variables. Para evaluar el patrón espacial de cada factor a nivel individual se utilizaron
dos índices: el índice de agregación Ia y el índice de agrupación υ. Ia proporciona
información sobre la agregación a nivel global de la variable analizada. Si Ia < 1, el patrón
es regular; si Ia = 1 el patrón es aleatorio y si Ia > 1 el patrón es agregado. El índice υ
cuantifica el grado en que cada unidad de muestreo contribuye al patrón global espacial de
los datos. Al ser una variable continua, se pueden generar mapas mediante interpolación
(krigging) en los que se muestren manchas (zonas de alto valor de la variable con υ > 1,5) y
claros (zonas de bajo valor de la variable con υ < -1,5).
de asociación global (X) que indica el grado de coincidencia espacial entre dos variables y
oscila entre -1 (disociación) y 1 (asociación). También se obtiene un índice de asociación
local (χ) que estima la contribuci
ón de cada unidad de muestreo al patrón global de
asociación. Al igual que el índice de agrupación, estos índices permiten generar mapas para
mostrar zonas de asociación y disociación entre pares de variables. Los mapas se generaron
mediante interpolación lineal usando el programa SURFER.v8. (Golden Software Inc.,
Boulder, Colorado, USA).
9.3. Resultados
Las variables seleccionadas para cuantificar el grado de compactación del suelo: densidad
aparente, humedad gravimétrica, contenido de materia orgánica, porcentaje de gravas y
resistencia a la penetración, presentan una estructura espacialmente explícita (Tabla 9.1).
Todas las variables medidas de suelo en la profundidad de 0 a 7 cm presentan una
estructura agregada, determinando patrones de manchas y claros (Fig. 9.1). Para la
profundidad de 8 a 15 cm, también todas las variables presentaron una estructura agregada
y tan sólo la materia orgánica no presenta una estructura espacial explícita (Ia ≈ 1),
aproximándose a un patrón aleatorio (Tabla 9.1 y Fig. 9.1).
Tabla 9.1. Resultados del análisis SADIE y estadística descriptiva para las variables de la compactación
(n=121). Los valores de significación P se obtuvieron mediante un test de permutaciones aleatorias
(=5967). Ia, índice de agregación.
Densidad aparente (g cm -3) 0- 7cm 1,57 0,003 1,41 0,11 1,65 1,08
8- 15 cm 1,77 0,000 1,46 0,10 1,72 1,18
Humedad gravimétrica (%) 0- 7cm 1,52 0,006 10,40 4,35 52,46 5,44
8- 15 cm 1,30 0,059 9,71 4,13 51,31 5,47
Materia orgánica (%) 0- 7cm 1,61 0,003 2,60 0,96 6,16 0,34
8- 15 cm 0,99 0,457 2,20 0,75 7,68 0,82
Gravas (partículas >2mm) (%) 0- 7cm 2,18 0,000 37,04 5,99 59,70 11,58
8- 15 cm 2,34 0,000 37,42 5,75 60,99 22,97
Resistencia a la penetración (Mpa) 0- 7cm 2,22 0,000 1,49 0,66 4,54 0,50
8- 15 cm 2,11 0,000 2,51 1,16 5,78 0,69
206 D. ALAMEDA, R. VILLAR
Profundidad de muestreo
0-7 cm 8-15 cm
35 35
30 30
Densidad aparente
25 25
Y (m)
Y (m)
20 20
15 15
10 10
5 5
0 0
35 35
30 30
25 25
MWC
Y (m)
Y (m)
20 20
15 15
10 10
5 5
0 0
35 35
30 30
Materia orgánica
25 25
Y (m)
Y (m)
20 20
15 15
10 10
5 5
0 0
35 35
30 30
25 25
Grava
Y (m)
Y (m)
20 20
15 15
10 10
5 5
0 0
Resistencia a la penetración
35 35
6
5
30 30 4
3
25 25 2
1
Y (m)
Y (m)
20 20 0
-1
15 15 -2
-3
10 10
-4
-5
5 5
-6
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
X (m) X (m)
Figura 9.1. Mapas del índice de clúster resultado del análisis SADIE para las variables de la
compactación. Las escala de colores no tiene unidades. En cada mapa pueden verse delimitados por
líneas discontinuas los claros (Vj < -1,5) y las manchas (Vi > 1,5).
Patrón espacial de las variables de la compactación del suelo 207
Tabla 9.2. Correlaciones entre los índices de clúster del análisis SADIE para las variables de la
compactación (n=121). Las interacciones significativas están señaladas con valores en negrita al nivel
de significación corregido por Bonferroni (P < 0,001).
En general los valores de las variables de suelo a la primera profundidad (0-7 cm) estaban
positivamente asociados a los de la segunda profundidad (7-15 cm), tan solo los valores de
la materia orgánica no estaban asociados en las dos profundidades (Tabla 9.2). También se
encontró que la materia orgánica estuvo negativamente asociada a la densidad aparente y
que un mayor contenido de humedad estuvo negativamente asociado a la resistencia a la
penetración (Tabla 9.2).
Tabla 9.3. Análisis de covariación con SADIE entre la producción de pasto de los 2 años de estudio y las
variables de la compactación y el tipo de cobertura (n=121). Χ (chi-p) es la medida del grado de
asociación al nivel de probabilidad P. Las interacciones significativas están señaladas con valores en
negrita; para asociación significativa P < 0,025; para disociación significativa P > 0,975.
Tabla 9.4. ANOVA para las variables de la compactación y los 3 tipos de cobertura: pino, encina y sin
cobertura. Las diferencias significativas están señaladas con letra diferente.
Las características del suelo variaron en función de la cobertura vegetal. En general, las
zonas en la que la cobertura era de Pinus pinaster presentaron una mayor densidad aparente,
menor materia orgánica y un mayor porcentaje de gravas (Tabla 9.3 y 10.4). Por contra, las
zonas en las que la cobertura era de Quercus ilex presentaron una menor densidad aparente,
mayor materia orgánica y menor porcentaje de gravas. Los suelos sin cobertura arbórea se
caracterizaron por una mayor densidad aparente y menor materia orgánica.
9.3.4. ¿Qué efecto tienen compactación del suelo y cobertura arbórea sobre la
producción de pasto?
Tabla 9.5. Análisis de covariación con SADIE entre la producción de pasto de los 2 años de estudio y las
variables de la compactación y el tipo de cobertura (n=121). Χ (chi-p) es la medida del grado de
asociación al nivel de probabilidad P. Las interacciones significativas están señaladas con valores en
negrita; para asociación significativa P < 0,025; para disociación significativa P > 0,975.
1.0
Resistencia a la penetración
prof 8-15 cm
-1.0
Factor 1 : 43.67%
Figura 9.2. Diagrama de componentes principales (PCA) mostrando las relaciones entre las variables de
suelo, cobertura arbórea y biomasa de pasto. La selección de estas variables se realizó en función al
mayor porcentaje de explicación del modelo, siendo en este caso el máximo, 59,8 %.
En el análisis de PCA (Fig. 9.2) se observa cómo la materia orgánica, la biomasa de pasto y
la cobertura de Quercus ilex están muy asociadas. Por otro lado, la cobertura de Pinus
pinaster y la densidad aparente están muy asociadas y opuestas a la materia orgánica y
producción de pasto.
9.4. Discusión
agregadas en el espacio, tanto en la superficie (0-7 cm) como a poca profundidad (8-15 cm)
se manifiestan patrones espaciales consistentes. Algunas de estas variables presentan una
disociación significativa entre sí, por ejemplo, zonas con un mayor contenido de materia
orgánica se corresponden con una menor densidad aparente, o que las zonas de alta
resistencia a la penetración llevan asociadas una menor humedad. De forma similar, Quero
(2007) encuentra que las zonas de alta resistencia a la penetración estaban asociadas a
zonas con poca hojarasca, o una disociación entre resistencia y humedad del suelo en
algunos tipos de hábitats (bosque de Pinus sylvestris autóctono), mientras que para otros
hábitats no existía ningún tipo de asociación (matorral) o se encontraba una asociación
positiva entre resistencia y humedad del suelo (en repoblaciones de Pinus sylvestris). En
general se suelen encontrar relaciones negativas entre resistencia a la penetración y el
contenido de humedad del suelo (Alameda et al. en preparación), debido fundamentalmente
a que la medida de resistencia es dependiente del grado de elasticidad del suelo,
determinado por el contenido de agua.
Figura 9.3. Esquema conceptual de la influencia de distintas variables del suelo y cobertura arbórea
sobre la producción de herbáceas. En líneas continuas se muestra las relaciones positivas, en líneas
discontinuas (y rojas) se muestran las relaciones negativas. El esquema se ha realizado teniendo en
cuenta las Tablas 10.3 y 10.5.
212 D. ALAMEDA, R. VILLAR
2007 como para el año 2008. Las relaciones causales no son fáciles de asignar, pero por lo
discutido hasta el momento un modelo teórico se muestra en la Figura 9.3.
9.5. Agradecimientos
Resumen
Las series temporales de índices de vegetación obtenidas a partir de imágenes de satélite
constituyen una valiosa herramienta para estimar las ganancias de carbono a escala regional
y, por tanto, para evaluar la situación de los países frente a compromisos internacionales
para minimizar los efectos del cambio global (Protocolo de Kyoto). Sin embargo, las
diferencias en el procesamiento seguido por las distintas bases de datos pueden causar
discrepancias en los balances de carbono estimados. Con el objetivo de reducir este grado
de incertidumbre, recientemente en Alcaraz et al. (2010b) evaluamos la consistencia entre
cuatro bases de datos de las tendencias del índice de vegetación normalizado (NDVI)
durante el periodo 1982–1999 en la Península Ibérica. En este capítulo revisamos los
análisis de estadística espacial aplicados en el anterior trabajo, e introducimos una
evaluación de la similitud y consistencia en el patrón espacial de las tendencias entre las
cuatro bases de datos. Para ello, nos basamos en la presencia de autocorrelación espacial en
las variables ecológicas (es decir, la falta de independencia entre las observaciones debida a
su cercanía en el espacio) (Legendre 1993) para emplearla como indicador del grado de
agregación espacial de las tendencias y para considerar su efecto a la hora de evaluar la
similitud entre bases de datos. Así, en primer lugar evaluamos la similitud en la magnitud
de las tendencias entre pares de bases de datos mediante tests de Mantel parciales, para
“restar” el efecto de la autocorrelación. Posteriormente, caracterizamos el patrón espacial
de las tendencias mediante mapas de autocorrelación local basados en la I de Moran Local.
Por último, analizamos la similitud del patrón espacial de las tendencias de nuevo mediante
tests de Mantel parciales entre pares de bases de datos, pero esta vez sobre los valores de
autocorrelación espacial local. El conjunto de los análisis nos permitió elaborar mapas de
consenso y de incertidumbre, tanto de las tendencias como de su patrón espacial, con el fin
de identificar los puntos calientes de cambio en las ganancias de carbono y en el patrón
espacial de sus tendencias. Así, mientras que en el valle del Guadalquivir se ha producido
un descenso en la productividad, en los ecosistemas de la región Eurosiberiana de la
Península se ha producido un incremento en su productividad. Por otro lado, se detecta en
la Albufera de Valencia, y en la costa y el interior alicantino un descenso en el verdor de la
vegetación, que vinculamos a los cambios en el uso del suelo. Finalmente, detectamos una
franja con ausencia de autocorrelación espacial en el límite Norte y Este de la región
214 E. LIRAS, D. ALCARAZ-SEGURA, S. TABIK, J. M. PARUELO, J. CABELLO
peninsular donde las precipitaciones están principalmente determinadas por los frentes que
entran desde el Atlántico por el Suroeste peninsular.
10.1. Introducción
Los esfuerzos y compromisos internacionales para minimizar de los efectos del cambio
global (e.g. Protocolo de Kyoto) requieren de análisis consistentes y con bajo grado de
incertidumbre en el cálculo del balance de carbono, tanto a nivel nacional como global
(IPCC 2007b, MA 2005). Históricamente, la estimación de las ganancias de carbono se ha
realizado a partir de inventarios forestales y de cartografía de usos del suelo o cambios de
uso del suelo (Krankina et al. 2004, Luyssaert et al. 2007, Montero et al. 2006). En la
actualidad, la teledetección se ha incorporado como una herramienta imprescindible para
derivar este tipo de medidas, incluso en áreas no forestales o donde no existen inventarios
previos (Goetz et al. 2009, González-Alonso et al. 2006, Vincent y Saatchi 1999). Los
índices espectrales ofrecidos por las imágenes satelitales permiten derivar fácilmente
atributos funcionales de los ecosistemas estrechamente relacionados con las ganancias de
carbono, con una extensión y resolución temporal adecuada para la caracterización de su
dinámica temporal y sobre grandes extensiones (Paruelo 2008).
Uno de los índices espectrales más utilizados a nivel regional para evaluar las
ganancias de carbono es el índice de vegetación de la diferencia normalizada (NDVI, del
inglés Normalized Difference Vegetation Index). El NDVI se calcula como la diferencia
normalizada de la reflectancia en las longitudes de onda del infrarrojo cercano y el rojo, y
está relacionado con la fracción de la radiación fotosintéticamente activa interceptada por la
vegetación (Dye y Goward 1993, Sellers 1994). Por tanto, permite estimar a escala regional
las ganancias de carbono del ecosistema y su productividad primaria a partir del modelo de
eficiencia en el uso de la radiación (Monteith 1972), y sus aplicaciones operativas derivadas
(modelo CASA-NASA). Este índice ha sido ampliamente utilizado en evaluaciones
regionales del funcionamiento ecosistémico (Lloyd 1990, Paruelo y Lauenroth 1995, Prince
et al. 1998), permitiendo no sólo la descripción integrada de los patrones espaciales de la
productividad primaria y las ganancias de carbono, sino también de su estacionalidad y
fenología (Alcaraz et al. 2006, Baeza et al. 2006, Paruelo et al. 2001). También ha servido
para realizar el seguimiento de las tendencias temporales en los atributos funcionales de los
ecosistemas (Alcaraz-Segura et al. 2008, Alcaraz-Segura et al. 2009a, Oyonarte et al.
2010).
las tendencias mediante mapas de autocorrelación local basados en la I de Moran Local. Por
último, analizamos la similitud del patrón espacial de las tendencias mediante tests de
Mantel parciales entre pares de bases de datos. El conjunto de los análisis nos permitió
elaborar mapas de consenso y de incertidumbre, tanto de las tendencias del NDVI como de
su patrón espacial, con el fin de identificar los puntos calientes de cambio en las ganancias
de carbono y en el patrón espacial de sus tendencias.
Las imágenes obtenidas con los valores de tendencia para las 4 bases de datos se
trasformaron a una proyección común (UTM 30N, European 1950 Datum), y se
reescalaron a un tamaño de píxel de 8 x 8 km. Después, se eliminaron del análisis todos los
píxeles considerados como “mar” o “agua” en los indicadores de calidad de las bases de
datos.
Tendencias de NDVI en la Península Ibérica durante 1982-1999 217
Tabla 10.1 Comparación de las principales características de las cuatro series temporales de NDVI derivadas del
sensor AVHRR para el periodo 1982-1999 que fueron empleadas en este trabajo. Para una descripción ampliada
consultar (Alcaraz-Segura et al. 2010b, Baldi et al. 2008).
Resolución
Base de datos temporal y Correcciones aplicadas Observaciones
espacial
• Atmosférica parcial mediante el
Compuestos de
PAL-II algoritmo para dispersión de Rayleigh
10 días.
(Panthfinder AVHRR (Gordon et al. 1988).
Land II) • Sin corrección para aerosoles, vapor de
64 km2
agua, ni deriva satelital.
FASIR
versión 4.13 Compuestos de • Ajuste de Fourier para valores atípicos.
Incluye
(Fourier-Adjustment, 10 días. • Función de distribución bidireccional
correcciones de
Solar zenith angle (BRDF) para conseguir una geometría
PAL II.
corrected, Interpolated 64 km2 de observación e iluminación común.
Reconstructed)
Muy utilizada en
• Efecto degradación del sensor.
evaluación de
• Diferencias entre sensores.
dinámica de la
• Diferencias en ángulos de captura e
GIMMS vegetación y sus
2 compuestos iluminación solar por deriva del satélite
Version del año 2007 tendencias
por mes. mediante descomposición modal
(Global Inventory, globales.
(Pinzon et al. 2005).
Modeling and Mapping Se considera
64 km2 • Cobertura de nubes.
Studies) consistente con
• Aerosoles volcánicos.
series de sensores
• No incluye correcciones para vapor de VEGETATION y
agua, ozono, y dispersión Rayleigh. MODIS.
Para minimizar
ruido por
nubosidad,
• Procesamiento mejorado a partir de las sombras, y
Imágenes deficiencias encontradas en PAL II. aerosoles,
originales • Calibración indirecta usando parámetros calculamos
LTDR
diarias (Vermote y Kaufman 1995). compuestos del
versión 2
• Vapor de agua, ozono, y dispersión máximo valor en
(Land Long Term Data
0,05 x 0,05 Rayleigh. 15 días.
Record)
grados • El efecto de aerosoles y diferencias en Pretende ser una
(aprox. 25 km2) ángulos de captura e iluminación solar serie temporal
se implementarán en futuras versiones. larga consistente
entre sensores
AVHRR, MODIS
y VIIRS.
218 E. LIRAS, D. ALCARAZ-SEGURA, S. TABIK, J. M. PARUELO, J. CABELLO
Las tendencias de NDVI para cada una de las bases de datos muestra un patrón espacial no
homogéneo, aunque todas las bases de datos coinciden en la detección de tendencias
negativas en el Suroeste de España, en la cuenca del Duero, en Valencia, y en la cuenca del
río Segura, y de tendencias positivas en el resto del territorio, especialmente en las zonas
montañosas. No obstante, la magnitud en el valor de la pendiente inter-anual y en el número
de píxeles varía entre una base de datos y otra (Fig. 10.1).
±
km
km 0 50 100 200
0 50 100 200
a) PAL-II b) FASIR
0 50 100
km
200 0 50 100 km
200
Pendiente
Slope of the del
NDVINDVI
trends
-0.020 to -0.004
-0.004 to 0.000
0
0.000 to 0.004
c) GIMMS d) LTDR 0.004 to 0.020
Figura 10.1 Tendencias de NDVI para el periodo 1982-1999 para las 4 bases de datos de AVHRR: a)
PAL-II, b) FASIR, c) GIMMS, y d) LTDR en la Península Ibérica (España y Portugal). Las pendientes
expresan el cambio de NDVI anual [Modificada de Alcaraz et al. (2010b)].
De las cuatro bases de datos de AVHRR, aquellas que mostraron mayor similitud
espacial en los valores de tendencia y correlación fueron FASIR y PAL II (Fig. 10.3). El
resto de comparaciones de las tendencias de NDVI mostraron valores similares de r de
Mantel parcial y r de Pearson. La base de datos GIMMS mostró la menor correlación y
similitud espacial con las otras 3 bases de datos, mientras que la base de datos LTDR
mostró una correlación moderada con PAL-II y FASIR (pero no con la base de datos
GIMMS).
220 E. LIRAS, D. ALCARAZ-SEGURA, S. TABIK, J. M. PARUELO, J. CABELLO
35 35 LTDR - GIM M S
30 30 LTDR - FASIR
LTDR - PAL II
(%)
(%)
25 25
(%)
Frecuency(%)
GIM M S - FASIR
Frecuency
GIM M S - PAL II
20 20
Frecuencia
Frecuencia
FASIR - PAL II
15 15
10 10
5 5
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
a) r del test deMantel’s
a) Partial Mantel parcial (p-valor
r (p-value < 0,001)
< 0.001) b)b)r Pearson´s
de Pearsonr( = 0,05)0.05)
(alpha=
± ±
km km
0 50 100 200 0 50 100 200
a) PAL-II b) FASIR
km
0 50 100 200
I de Moran local
> 1> 1
0 0
c) GIMMS d)
< -1
< -1
Figura 10.3. Patrones de autocorrelación espacial local (I de Moran local significativa con p-valor <
0,05) para los valores de tendencia de NDVI en la Península Ibérica para las bases de datos: a) PAL-II,
b) FASIR, c) GIMMS y d) LTDR. [Modificada de Alcaraz et al. (2010b)].
Tendencias de NDVI en la Península Ibérica durante 1982-1999 221
En primer lugar, para evaluar el patrón espacial local de las tendencias de NDVI de cada
base de datos, se calculó la I de Moran local (análisis LISA –Local Indicators of Spatial
Association) (Anselin 1995) sobre cada píxel. Este índice nos permitió medir la
autocorrelación espacial (mayor similitud entre datos cercanos en el espacio de lo esperado
por azar) (Fortin et al. 2002) de los valores de tendencia de NDVI para cada píxel con
respecto al valor de los píxeles situados dentro de su área de influencia (200 km). El valor
de la I de Moran generalmente varía entre -1 y 1, indicando autocorrelación espacial
negativa o positiva respectivamente (aunque estos límites pueden sobrepasarse (Legendre y
Legendre 1998). El radio de influencia (200 km) se estimó como la distancia a la que la
autocorrelación espacial dejó de ser significativa (p-valor < 0,05) utilizando correlogramas
de la I de Moran, que miden la autocorrelación de los datos en función de la distancia
espacial (Legendre 1993). El análisis LISA permitió identificar aquellas zonas donde los
datos de tendencia no tuvieron autocorrelación espacial, es decir, donde los valores de
tendencia no fueron similares en el espacio (Fig. 10.3).
35
LTDR - GIMMS
LTDR - FASIR
30
LTDR - PAL-II
GIMMS - FASIR
25
GIMMS - PAL-II
(%)
Frecuency(%)
20 FASIR - PAL-II
Frecuencia
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
r del test de Mantel
Partial parcial
Mantel´s (p-valor
r value < 0,001)
(p<0.001)
10.4.1. Consenso del sentido de las tendencias del NDVI en la Península Ibérica
El mapa de consenso creado incluye, para cada píxel, el grado de consistencia de las
tendencias de NDVI entre las cuatro bases de datos de acuerdo con las categorías
especificadas en la Figura 10.5.
Para las tendencias con signo positivo, un 68% de la Península Ibérica mostró
consistencia para las 4 bases de datos, un 6% para tres de ellas, y un 11% en dos (áreas del
Norte, centro y Sureste). En el caso de las tendencias negativas, sólo un 2% de la Península
Ibérica mostró valores negativos en las cuatro bases de datos, otro 2% en tres de ellas, y un
1% para dos (píxeles aislados en las montañas de Aracena, y en áreas agrícolas de las
cuencas del Guadalquivir y del Segura, de las planicies de La Mancha, y de Valencia). En
menos de un 1% del territorio no se encontraron tendencias de NDVI, de acuerdo a cuatro y
tres bases de datos. Finalmente, en un 22% de la Península Ibérica, los valores de tendencia
de NDVI no fueron consistentes entre las cuatro bases de datos analizadas.
El mapa de consenso creado para el patrón espacial de las tendencias incluye, para cada
píxel, el grado de consistencia entre las cuatro bases de datos de acuerdo con las categorías
especificadas en la Figura 10.6.
Tendencias de NDVI en la Península Ibérica durante 1982-1999 223
km
0 50 100 200
Figura 10.5. Mapa de consenso y categorías establecidas para su elaboración. Se muestra la consistencia en el
valor de tendencia de NDVI entre las cuatro bases de datos (PALL-II, FASIR, GIMMS y LTDR) en la Península
Ibérica [Modificada de Alcaraz et al. (2010b)].
Las áreas de la Península para las que hubo una total consistencia en la autocorrelación
positiva ocupan grandes franjas del suroeste y Norte. En cambio se pueden reconocer
patrones aislados con total consistencia para autocorrelación negativa en el valle del Duero,
224 E. LIRAS, D. ALCARAZ-SEGURA, S. TABIK, J. M. PARUELO, J. CABELLO
±
km
0 50 100 200
Figura 10.6. Mapa de consenso y categorías establecidas para su elaboración. Se muestra la consistencia en el
valor de autocorrelación espacial local de tendencia de NDVI entre las cuatro bases de datos (PALL-II, FASIR,
GIMMS y LTDR) en la Península Ibérica. La línea de puntos conecta las zonas con ausencia de autocorrelación
espacial consistente.
Tendencias de NDVI en la Península Ibérica durante 1982-1999 225
por tanto, pueden ser consideradas como de autocorrelación incierta. Muy llamativo es el
hecho de que aparece una franja que recorre la Península Ibérica desde el centro de
Portugal, continua al Norte del Sistema Central y desciende hasta el Sureste Ibérico, donde
se observa una falta de autocorrelación espacial. Dicha franja se encuentra en medio de las
áreas con autocorrelación incierta y puede estar relacionada con la influencia del índice
NAO (del inglés North Atlantic Oscillation). Los años de NAO positiva de invierno se
corresponden con períodos de sequía en el Suroeste peninsular con influencia atlántica
mientras que en las áreas de influencia mediterránea siguen manteniéndose las
precipitaciones que se originan en el mar Mediterráneo (Rodrigo 2002). La franja en la que
se observa una ausencia de autocorrelación espacial consistente parece responder a los
límites entre estas dos zonas dominadas por frentes de circulación atmosférica distintos.
de la dinámica del NAO sobre las tendencias de NDVI en el cuadrante Suroeste también
parece coincidir con la alta autocorrelación espacial en esta región.
Las diferencias entre las tendencias de NDVI observadas con cada base de datos
pueden deberse a multitud de factores, tales como las diferencias entre sus algoritmos de
corrección, los sistemas de proyección, la resolución temporal o los errores de geo-
localización. Actualmente, las bases de datos PAL-II y FASIR se han sustituido por la base
de datos GIMMS, que actúan como referencia en las evaluaciones de balances de carbono a
nivel global (Luyssaert et al. 2007, Potter et al. 2005). Desde que la base de datos LTDR se
ha producido como el primer componente de una larga base de datos consistente a través de
Tendencias de NDVI en la Península Ibérica durante 1982-1999 227
distintos sensores (que se continuará con los sensores MODIS y VIIRS), se espera que las
imágenes LTDR reemplacen todas las bases de datos anteriores de AVHRR en este tipo de
estudios. No obstante, en nuestro análisis, las imágenes GIMMS y LTDR, bases de datos
más recientes y mejoradas del sensor AVHRR, mostraron la menor consistencia entre ellas.
Este resultado sugiere que las tendencias de NDVI derivadas de imágenes LTDR también
deberían ser comparadas con el resto de bases de datos de AVHRR y, de forma ideal, con
sensores independientes (tales como VEGETATION SPOT o MODIS), con el fin de buscar
consistencias que reduzcan al máximo la incertidumbre. Las bases de datos de NDVI
futuras (por ejemplo futuras versiones de LTDR) deberían incluir estimadores globales de
sus errores (Nagol et al. 2009) y, cuando sea posible, estimadores temporal y espacialmente
explícitos de su incertidumbre (Alcaraz-Segura et al. 2010b). Por todo ello, una evaluación
mejorada de las bases de datos satelitales debería incluir no solo asunciones matemáticas y
físicas del procesado de las imágenes, sino que también debería evaluar su nivel de
predicción, por ejemplo, comparando tendencias derivadas de datos espectrales con
observaciones independientes de cambio (Alcaraz-Segura et al. 2010a, Baldi et al. 2008).
Las áreas identificadas con cambios de uso del suelo extremo que cubren una parte
sustancial de un píxel de 64 km2 (por ejemplo áreas deforestadas en Sudamérica y zonas
con expansión de los sistemas agrícolas sobre zonas semiáridas) son lugares ideales para
contrastar tendencias espectrales con cambios observados. Por último, con el objetivo de
reducir al máximo posible la incertidumbre en la estimación de los balances de carbono, la
evaluación del error asociado a las tendencias de NDVI debería incluir, además de una
comparación entre distintas bases de datos, una evaluación del grado de autocorrelación
espacial que presentan las zonas de cambio detectadas. Esto es particularmente importante
en las estimaciones del balance de carbono a escala local o a partir de unos pocos píxeles,
ya que los resultados obtenidos ganarían robustez al compararlos con los observados a
escala regional para el resto del territorio.
10.6. Agradecimientos.
Resumen
11.1. Introducción
1967, Legendre 1993, Økland y Eilertsen 1994). Este modelo teórico de distribución se
conoce como “de control ambiental”, ya que son las variables ambientales de carácter
abiótico las principales modeladoras de la estructura de la vegetación. A escalas espaciales
más detalladas, los factores físicos tienden a perder protagonismo en favor de otras
variables, a menudo relacionadas directa o indirectamente con procesos biológicos, tales
como fenómenos de competencia, dispersión, influencia de la vegetación sobre las
propiedades del suelo (Økland y Eilertsen 1994),.y también de carácter antrópico, fruto del
manejo a que ha sido y es sometido el territorio tales como el fuego (Manson et al. 2007) o
el pastoreo (Del Pozo et al. 2006, Zhao et al. 2005). En este caso el patrón de distribución
de la vegetación responde al denominado “modelo de control biótico”, ya que la influencia
de las variables de origen biológico es muy determinante. En la práctica, ambos modelos
conceptuales no son mutuamente excluyentes, sino que se encuentran imbricados actuando
a diferentes escalas espacio-temporales, configurando la vegetación presente (Wagner y
Fortin 2005). La aparición de diferentes niveles de estructuración espacial dependientes de
la escala de estudio, hace de la heterogeneidad espacial una propiedad “funcional” de los
ecosistemas (Legendre 1993), que debidamente cuantificada puede actuar como variable
sintética de los múltiples procesos subyacentes que la han generado.
11.1.1. Objetivos
Toda la extensión del Puerto se encuentra comprendida entre los pisos bioclimáticos
subalpino y alpino, desde aproximadamente 1710 m.s.n.m. en las zonas más bajas del
puerto hasta 2539 m que alcanza Peña Prieta. El alto valor para la conservación de este
territorio se encuentra avalado por su inclusión en la Red Natura 2000 como Lugar de
Interés Comunitario (LIC). Es un área de notable importancia para la protección de la
población oriental del Oso Pardo (Naves 2007) y que atesora una excepcional riqueza
botánica derivada de la presencia de un buen número de especies endémicas, raras y
amenazadas integradas en diversas comunidades vegetales de distribución muy restringida
(Rivas-Martínez et al. 1984, Alonso 2003, Moreno y Sánchez 2004).
232 J. BEDIA, J. BUSQUÉ
Los tipos de vegetación predominantes dentro del área de alcance pastoral son de carácter
silicícola, y abarcan desde las comunidades turbícolas de las zonas más bajas y deprimidas,
con diferentes proporciones de Carex nigra y Erica tetralix (encuadrables en las alianzas
Ericion tetralicis y Caricion davallianae) hasta los pastos psicroxerófilos de las zonas más
altas del puerto, donde son abundantes Festuca eskia y Luzula caespitosa con Juncus
trifidus en su límite altitudinal superior (Teesdaliopsio-Luzulion caespitosae), pasando por
diversas comunidades arbustivas dominadas por ericáceas, escobales de Genista
obtusiramea y enebrales de Juniperus nana (Daboecion cantabricae, Genistion
polygaliphyllae y Juniperion nanae). Dentro de las primeras, destacan por su extensión las
formaciones dominadas por Calluna vulgaris. Los pastos herbáceos que soportan una
mayor utilización forrajera se encuentran dominados en mayor o menor medida por Nardus
stricta, y van desde los cervunales higrófilos que ocupan las zonas llanas del fondo de valle
(Luzulo carpetanae-Nardetum) hasta los cervunales mesófilos de ladera (Nardion strictae,
Bedia y Busqué 2012). También están presentes los pastos de tipo Cynosurion dominados
Influencia de factores espaciales y topográficos sobre la vegetación de montaña cantábrica 233
Especie Código
Calluna vulgaris (L.) Hull Cal_vul
Carex nigra (L.) Reichard Car_nig
Cytisus oromediterraneus Rivas Martínez et al. Cyt_oro
Erica aragonensis Willk. Eri_ara
Erica arborea L. Eri_arb
Erica tetralix L. Eri_tet
Euphorbia polygalifolia Boiss. & Reuter Eup_pol
Festuca-Agrostis Fes_Agr
Festuca eskia Ramond ex DC. Fes_esk
Genista obtusiramea Gay ex Spach. Gen_obt
Juniperus nana Willd. Jun_nan
Juncus trifidus L. Jun_tri
Luzula caespitosa (Gay ex Meyer) Steudel Luz_cae
Nardus stricta L. Nar_str
Vaccinium myrtillus L. Vac_myr
Vaccinium uliginosum L. subsp. microphyllum (Lange) Tolm. Vac_uli
Figura 11.2. Mapas vectoriales de algunas de las especies analizadas con las coberturas estimadas en
cada uno de los polígonos (valores de cobertura en %)
Las variables topográficas (Tabla 11.2) ALT y SLP se obtuvieron a partir del modelo
digital de elevación del terreno, con una resolución de 2 m. RAD y CONVEX fueron
calculadas a partir del modelo de elevación de 25 m mediante las funciones “Area Solar
Radiation” y “Curvature” incorporadas en la extensión Spatial Analyst de ArcGis v. 9.2. La
menor resolución espacial de estas dos últimas variables se debió a limitaciones en la
capacidad computacional en el caso de RAD y a ciertas anomalías detectadas en el output
generado en el caso de CONVEX a resolución de 2 m (bandeado vertical y horizontal no
atribuible a características topográficas reales del terreno). Las variables ambientales fueron
calculadas sobre la misma retícula que las especies, aplicando un procedimiento de
interpolación bilineal para ajustar todas las variables a la misma rejilla.
Influencia de factores espaciales y topográficos sobre la vegetación de montaña cantábrica 235
Tabla 11.2. Resumen de las variables topográficas, con su código, unidades de medida, rango y valores
máximo y mínimo
(Borcard et al. 1992, Legendre 1993, Fig. 11.3), la cual resulta más apropiada que las
coordenadas XY por sí solas ya que permite detectar no sólo los gradientes de carácter
lineal subyacentes en la matriz de especies, sino también estructuras más complejas tales
como parches o huecos, que requieren los términos cuadráticos y cúbicos de sus
coordenadas para ser correctamente descritos (Borcard et al. 1992). El término
independiente b0 fue descartado ya que en el análisis de correspondencias posterior los
datos de las especies son centrados en el origen. Con el fin de no aumentar la cantidad de
variación explicada por mero azar, se redujo el número de variables espaciales, como
recomiendan Borcard et al. (1992). Para ello, se realizó un Análisis de Correspondencias
Canónicas utilizando en esta ocasión como variables explicativas los nueve términos de la
ecuación. Éstos fueron sometidos al procedimiento de selección manual por pasos
sucesivos incluido en CANOCO v. 4.5. (Ter Braak y Šmilauer 2002), siendo retenidos los
siguientes términos (499 permutaciones, P = 0,002):
Figura 11.3. Superficie polinómica de regresión de tercer grado obtenida sobre la matriz de
coordenadas geográficas de los centroides de cada una de las celdas del grid (ecuación 11.1).
Los pasos para descomponer la varianza fueron los siguientes (Fig. 11.4):
11.3. Resultados
Figura 11.4. Representación esquemática de las fracciones de la variación explicada por dos conjuntos
de datos A y B, representada por el área sombreada en gris
El análisis de correspondencias realizado sobre la matriz de las especies (Fig. 11.5) presenta
un primer eje de ordenación fuertemente correlacionado con las variables topográficas
introducidas (correlación especies-ambiente = 0,84), lo que indica la presencia de un
gradiente topográfico acusado. La longitud del gradiente correspondiente al primer eje de
ordenación (diversidad β) fue de 4,062 unidades de desviación típica (u.d.t.), lo que debe
interpretarse como un cambio completo en la composición específica de las muestras de
extremos opuestos (Jongman et al. 1987). Este resultado avala el uso de un modelo
unimodal de distribución tal como el asumido por el análisis de correspondencias.
Eje 2
Eje 1
Tabla 11.3. Valores calculados de las diferentes componentes de la variación. Vías alternativas
de cálculo pueden dar lugar a ligeras desviaciones del valor estimado debido al redondeo del
procedimiento de aproximaciones sucesivas utilizado en el algoritmo del ACC.
11.4. Discusión
Figura 11.6. Resultado gráfico de la partición de la variación. Los códigos de cada fracción están
explicados en el texto
Un hecho muy notable es que la fracción de la variación no explicada fue muy alta
(X = 62%). Si bien siempre existe una cierta proporción de variación no explicada fruto de
fluctuaciones estocásticas dentro de los datos, una proporción tan elevada indica que
existen factores determinantes que no han sido considerados, los cuales son escasamente
predecibles por la estructura espacial de la vegetación. Estos factores deberían ser, al menos
en parte, independientes de los factores topográficos, y si fueran de carácter espacial no
serían detectables mediante la técnica de superficie de regresión sino que requerirían
funciones más complejas para su adecuada representación. Este resultado sugiere la
posibilidad de que variables relacionadas con el manejo (incendios, desbroces, riegas…),
cuya ocurrencia está menos controlada por condicionantes topográficos y que operan a una
escala espacial más fina, podrían tener una influencia considerable en el patrón de
distribución de ciertas comunidades. El resultado sugiere que sería conveniente la
incorporación de descriptores espaciales de escala más fina, indicando que el modelo a gran
escala representado por la superficie polinómica es insuficiente. Adicionalmente, es posible
que determinadas variables edáficas pudiesen describir adecuadamente algunos de estos
efectos de manejo, contribuyendo a aumentar de forma decisiva la cantidad de variación
explicada (p.ej. cationes intercambiables, relación C:N, pH…ver por ejemplo Manson et al.
2007, Zhao et al. 2005).
Por último, destacar que las últimas técnicas de modelización espacial tales como el
análisis de coordenadas principales de matrices de vecinos (Borcard y Legendre 2002;
Borcard et al. 2004) y los mapas de vectores propios de Moran (Dray et al. 2006) parecen
proporcionar mejores resultados que la técnica utilizada en el presente trabajo. El uso de
estos nuevos descriptores espaciales, capaces de modelizar patrones a todas las escalas,
junto con la incorporación de parámetros físico-químicos del suelo que en la actualidad
estamos preparando, auguran la obtención de una mayor proporción de varianza explicada
en próximos análisis y con ella una mejor comprensión de los fenómenos determinantes de
la estructura de la vegetación en este puerto de montaña de la Cordillera Cantábrica.
Además, métodos recientemente desarrollados de selección de variables garantizan la
minimización del Error tipo I y sobreestimaciones de la variación explicada (Blanchet et al.
2008), serán aplicados en futuros análisis.
11.5. Conclusiones
probablemente operan a una escala más fina que la modelizada mediante el polinomio
construido a partir de las coordenadas geográficas de las muestras.
11.6. Agradecimientos
Resumen
12.1. Introducción
Los ecosistemas forestales presentan una gran heterogeneidad espacial y temporal, ya que
tanto las variables ambientales como las inherentes a los propios organismos siguen
habitualmente distribuciones no aleatorias (Legendre 2003).
246 V. GONZÁLEZ, R. CASADO, R. VILLAR, J.L. QUERO, E. SUÁREZ, R.M. NAVARRO
Dicha variabilidad es esencial para explicar muchos procesos que se dan a nivel de
ecosistema y también condiciona la diversidad del mismo (Terradas 2001). Esto es, en
parte, debido a que las plantas responden de manera diferencial a la heterogeneidad del
ambiente (Jurena y Archer 2003), permitiendo así la coexistencia entre especies (Beckage y
Clark 2003).
Por tanto, ya que las características de un micrositio donde se establece una plántula
pueden variar en pocos metros (Gómez-Aparicio et al. 2005, Quero 2007) se hacen
necesarios diseños experimentales y análisis estadísticos que consideren dicha falta de
homogeneidad (Zas 2006). Esto permite evaluar correctamente la influencia espacial de los
factores que son clave en las primeras fases de reclutamiento de muchas especies
mediterráneas. De hecho, los patrones espaciales de algunos recursos pueden influir en la
estructura y función de los ecosistemas (Maestre 2006).
Las especies del género Quercus son muy representativas en el estrato arbóreo de los
bosques mediterráneos (Amaral 1990) y presentan una regeneración limitada (Jordano et al.
2008). Su establecimiento depende fuertemente de las características del micrositio (Urbieta
et al. 2008, Quero 2007, González-Rodríguez et al. 2008), de forma que el patrón espacial
de las variables ambientales puede determinar zonas de reclutamiento de individuos
(Lookingbill y Zavala 2000). El estudio de la influencia de la heterogeneidad ambiental
Heterogeneidad ambiental y establecimiento de cuatro especies de Quercus 247
sobre la regeneración de Quercus puede ser muy útil para poder abordar actuaciones de
restauración que tengan en cuenta esta variabilidad a pequeña escala y sean más exitosas.
(Coolpix 995 y objetivo de ojo de pez FC E8, Nikon, Tokio, Japón) y analizadas con el
software Hemiview canopy analisis versión 2.1 (Delta-T, Cambridge, UK).
En julio de 2007, se cosecharon para cada punto de muestreo todas las herbáceas que
había en un cuadrado de 25 x 25 cm centrado en cada punto del nodo, se secaron en estufa a
70 º C un mínimo de 48 h y se obtuvo posteriormente el peso seco.
El patrón espacial de las variables registradas se analizó con SADIE (Perry, 1998)
mediante el “freeware” SadieShell v 1.3 disponible en www.rothamsted.ac.uk/pie/sadie. La
técnica SADIE (del inglés, spatial analysis by distance indices) es una herramienta de
análisis espacial basado en índices de distancia que cuantifica el patrón espacial de una
variable objeto de estudio y permite detectar asociación o disociación espacial entre pares
de variables (Quero 2006, Maestre y Quero 2008). Para evaluar el patrón espacial de cada
factor a nivel individual se utilizaron dos índices: el índice de agregación Ia y el índice de
agrupación υ. Ia proporciona información sobre la agregación a nivel global de la variable
analizada. Si Ia < 1, el patrón es regular; si Ia = 1 el patrón es aleatorio y si Ia > 1 el patrón
es agregado (Maestre 2002, 2003). El índice υ cuantifica el grado en que cada unidad de
muestreo contribuye al patrón global espacial de los datos. Al ser una variable continua, se
pueden generar mapas mediante interpolación en los que se muestren manchas (zonas de
alto valor de la variable con υ > 1,5) y claros (zonas de bajo valor de la variable con υ <
1,5).
Tabla 12.1. Valores medios ± ds, rangos e índices de agregación (Ia) de las variables medidas en los dos
cuadros de estudio. El patrón espacial es agregado cuando Ia es significativo y mayor que 1 (*: p < 0,05;
**: p < 0,01; ***: p < 0,001; ns: no significativo). Valores de Ia por debajo de 1 muestran un patrón
regular y los valores próximos a 1 indican patrón aleatorio. Letras distintas indican que existen
diferencias significativas en los valores medios de los dos cuadros
CUADRO 1 CUADRO 2
Luz (GSF) Media ± ds 0,43 ± 0,12 a 0,60 ± 0,13 b
Min- Max ( 0,18 – 0,68 ) (0,23 – 0,83)
Ia 1,6 ** 1,4 **
12.3. Resultados
35 35 35
30 30 30
25 25 25
Cuadro 1
20 20 20
15 15 15
3.5
3.5
3 10 10 10
3
2.5
2.5
2 5 5 5 2
1.5 1.5
1 0 0 0 1
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
0.5 0.5
0 40 40 40 0
-0.5 -0.5
-1 35 35 35 -1
-1.5 -1.5
-2 30 30 30 -2
Cuadro 2
-2.5 -2.5
-3 25 25 25 -3
-3.5 -3.5
20 20 20
15 15 15
10 10 10
5 5 5
0 0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Figura 12.1. Mapas de los índices de agrupación υ) (para algunas variables en cad a cuadro de
muestreo. Las zonas delimitadas por línea continua indican manchas con valores altos de la variable (υ
υ<
> 1,5) y las zonas con línea discontinua indican claros de valores bajos de la variable ( 1,5). Las
unidades de los cuadros son metros.
100 100
90 CUADRO 1 90
Supervivencia (%)
80 CUADRO 2 80 CUADRO 1
Emergencia (%)
70 70 CUADRO 2
60 60
50 50
40 40
30 30
20 20
10 10
0 0
100
Éxito establecimiento (%)
90
80 CUADRO 1
70 CUADRO 2
60
50
40
30
20
10
0
Q. ilex Q. suber Q. faginea Q. pyrenaica
Figura 12.2. Emergencia, supervivencia y éxito de establecimiento en los dos cuadros estudiados para las
cuatro especies.
La emergencia para las distintas especies varió entre 36 y 68% en los dos cuadros (Fig.
12.2). En el cuadro 1, el patrón espacial de la emergencia de Q. ilex fue agregado, mientras
que en el cuadro 2 fue Q. pyrenaica la que presentó un patrón espacial agregado en la
emergencia.
252 V. GONZÁLEZ, R. CASADO, R. VILLAR, J.L. QUERO, E. SUÁREZ, R.M. NAVARRO
La supervivencia para las distintas especies varió entre el 3 y 36% en los dos cuadros,
encontrándose que en el cuadro 2 la supervivencia de todas las especies fue muy baja (Fig.
12.2). El éxito de establecimiento fue en general mayor para Q. ilex y Q. suber. El éxito de
establecimiento considerando todas las especies de forma conjunta fue agregado para
ambos cuadros. La Figura 12.3 muestra los mapas de manchas y claros para alguno de los
casos y variables estudiadas.
35 35 35
30 30 30
25 25 25
20 20 20
Cuadro 1
15 15 15 4
3.5
10 10 10
3
5 5 5
2.5
2
0 0 0
0 5 10 15 20 25 30 35 4040 0 5 10 15 20 25 30 35 40
1.5
40 0 5 10 15 20 25 30 35 40
40
1
35 35 35 0.5
0
30 30 30
-0.5
-1
25 25 25
Cuadro 2
-1.5
20 20 20 -2
-2.5
15 15 15
-3
10 10 10
-3.5
5 5 5
0 0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Figura 12.3. Mapas de los índices de agrupación υ)( para la emergencia de Q. ilex y Q. pyrenaica, y
para el éxito de establecimiento considerando de forma conjunta a todas las especies. Las zonas oscuras
delimitadas por línea continua indican manchas con valores altos de la variable υ> ( 1,5) y las zonas
claras con línea discontinua indican claros de valores bajos de la variable (υ < 1,5). Las unidades de los
cuadros son metros.
Heterogeneidad ambiental y establecimiento de cuatro especies de Quercus 253
A B
40 40
35 35
3.5
30 30 3
2.5
2.0341
25 25 2
1.5
1
20 20 0.5
0
-0.5
15 15 -1
-1.5
-2
10 10 -2.0692
-2.5
-3
5 5
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Figura 12.4. A. Mapa de asociación local entre disponibilidad lumínica (GSF) y humedad del suelo en
septiembre en el cuadro 1. B. Mapa de asociación local entre la humedad máxima de primavera y la
humedad de septiembre en el cuadro 2. Las manchas representan zonas de asociación de las variables y
los claros zonas de disociación, rodeadas por una línea cuando son significativas (p < 0,05). Las
unidades de los cuadros son metros.
12.4. Discusión
En general se ha visto que para los dos cuadros estudiados muchas de las variables
ambientales presentaban un patrón de agregación significativo, indicando por tanto la
existencia de heterogeneidad del medio a pequeña escala y confirmando estudios previos
sobre la variabilidad espacial en ambientes mediterráneos (Gallardo et al. 2000, Valladares
y Guzmán 2006, Herrero et al. 2008). Sin embargo, prácticamente no se encontraron
asociaciones espaciales entre las variables ambientales medidas (luz, humedad del suelo y
producción de herbáceas). Esto nos indicaría, por ejemplo, que hay micrositios con mucha
254 V. GONZÁLEZ, R. CASADO, R. VILLAR, J.L. QUERO, E. SUÁREZ, R.M. NAVARRO
luz y valores muy diferentes de humedad en suelo, y viceversa, encontrando por tanto una
gran variedad de micrositios.
Tan solo encontramos una zona de asociación positiva en la que valores altos de luz
se corresponden con alta humedad en septiembre (después de las primeras lluvias otoñales)
(en el cuadro 1). Esto se podría explicar por el papel del dosel arbóreo como interceptor del
agua de lluvia, y dado que en otoño la evaporación es más baja, las zonas más abiertas
tendrían un mayor contenido de agua (Tiëlborger y Kadmon, 2000). También se encuentran
manchas de asociación entre la humedad máxima de primavera y la humedad de septiembre
(después de las primeras lluvias de otoño) (en el cuadro 2). Estas zonas serán
probablemente áreas donde se produce un encharcamiento y por tanto el agua se evapora
menos.
A B
40 40
35 35
30 30 5.5
5
4.5
25 25 4
3.5
3
20 20 2.5
2.34
1.5
15 15
1
0.5
10 0
10
-0.5
-2.31
5 5
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Figura 12.5. A . Mapa de asociación local entre la humedad máxima de primavera y la emergencia de
Q. pyrenaica en el cuadro 2. B. Mapa de asociación local entre la humedad de julio y el éxito en la
siembra de todas las especies en el cuadro 2. Las manchas representan zonas de asociación de las
variables y los claros zonas de disociación, rodeadas de línea cuando son significativas (p < 0,05). Las
unidades de los cuadros son metros.
Heterogeneidad ambiental y establecimiento de cuatro especies de Quercus 255
Sin considerar la estructura espacial de los datos, se observó como en ambos cuadros
la especie que mayor éxito tuvo en las siembras fue Q. ilex. Esta especie presenta una
estrategia evitadora del estrés hídrico (Valladares et al. 2008) y es, de las especies
estudiadas, la que mayor resistencia presenta a la sequía y también la que posee un mayor
rango de distribución (Amaral 1990). Por el contrario, la supervivencia y el éxito de
establecimiento de Q. pyrenaica fue prácticamente nula. En la Sierra de Cardeña y
Montoro, el melojo se encuentra escasamente representado y su distribución se restringe a
256 V. GONZÁLEZ, R. CASADO, R. VILLAR, J.L. QUERO, E. SUÁREZ, R.M. NAVARRO
zonas más húmedas (Castillo y Castillo 2004, Quero 2007, Quero y Villar 2009). Por otro
lado, Q. pyrenaica es una especie derrochadora de agua (sensu Valladares et al. 2008), con
escasa capacidad de regular el cierre estomático (Quero et al. 2004, Quero et al. 2006) y
por tanto con dificultades para sobrevivir cuando el agua escasea.
12.5. Agradecimientos
Este estudio ha sido financiado por los proyectos coordinados del Ministerio de Ciencia e
Innovación DINAMED (CGL2005-05830-C03-02/BOS), INTERBOS (CGL2008-04503-
CO3-02) y han sido cofinanciados con fondos FEDER. Victoria González Rodríguez ha
disfrutado de una beca y contrato pre-doctoral FPI-MEC (BES-2006-13059). José Luis
Quero ha disfrutado de un contrato posdoctoral MCINN (2007-0572). Agradecemos a
José Manuel Quero, Director-Conservador del P.N. de Sierra Cardeña y Montoro, y a Pedro
Lara por las facilidades en el uso de las instalaciones del P.N. A Fernando Puig y
Bartolomé Arévalo por la recogida de bellotas en sus fincas. Este trabajo forma parte de la
red Globimed. (www.globimed.net).
13. Elaboración de modelos predictivos de hábitats utilizando
datos de densidad-actividad y de riqueza específica para el
ensamblaje de coleópteros de Tindaya (Fuerteventura - Islas
Canarias)
Francisco J. Ferrer, Antonio de los Santos y Juan Pedro de Nicolás
Resumen
13.1. Introducción.
35
Madeira
Islas Canarias
Corriente fría de Canarias
25
AFRICA
Trópico de Cancer
20 10
Morro
Tabaiba Montañ
Montaña de Morro
Enmedio La Palma
Valle Chico
Valle Grande
VALLEBRON
Montañ
Montaña de Tindaya
E
N S
FUERTEVENTURA
W
Figura 13.1. Las islas Canarias se sitúan a 27º N, frente a las costas de África. Especialmente cerca de
la costa se encuentra Fuerteventura, una isla antigua desde el punto de vista geológico, que al estar muy
erosionada presenta cotas de elevación muy bajas. En la zona Norte de Fuerteventura se sitúa la
Montaña de Tindaya en medio de un llano recubierto principalmente de caliche debido a las extremas
condiciones de aridez.
temporal podría interpretarse como resultado de un ajuste entre las preferencias de hábitat
de las diferentes poblaciones y los hábitats disponibles para cada una de ellas (de los Santos
et al. 2002a,b). De tal forma que, las condiciones de hábitat de una especie o de un conjunto
de especies pertenecientes a un mismo taxón vendrían definidas por una red de
interacciones entre factores climáticos, geográficos y culturales. Por otro lado, la teoría
neutral de la diversidad de Hubbell (2001) propone que las abundancias de las especies
fluctúan de modo aleatorio debido a procesos estocásticos, pero restringidos espacialmente
por la dispersión. Esta teoría cuestiona la visión establecida de que son las características
del ambiente y el nicho los elementos más importantes para determinar dónde y con qué
abundancias ocurren las especies, que en nuestro caso adquiere especial relevancia si
tenemos en consideración que la dispersión de los coleópteros terrestres depende en gran
medida de los flujos superficiales del terreno al tratarse de especies cuyo peso no supera el
gramo en la mayoría de los casos. Lo cual podría influir de una forma determinante en la
distribución y abundancia de sus poblaciones que, además, pueden presentar fluctuaciones
estacionales, pues se trata de especies con un ciclo de vida anual o bianual, lo que hace
necesario considerar tanto los cambios estacionales que se producen en sus poblaciones
como los que se producen en las condiciones de hábitat. La sincronía que se establece entre
determinadas especies y factores a una determinada escala espacial y temporal se refiere
con el término ensamblaje. Con este término no se trata de sustituir al de comunidad o al de
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 259
ecosistema sino poner de manifiesto que se trata de datos empíricos que aún no han sido
interpretados y por lo tanto resulta conveniente mantenerse al margen de consideraciones
teóricas.
Nuestro objetivo es doble, por un lado se pretende evaluar en que medida rasgos
geográficos como la pendiente, la exposición de las laderas a los vientos dominantes o la
red de drenaje, que caracterizan los flujos superficiales y las condiciones climáticas en el
entorno de la Montaña de Tindaya, condicionan la variación espacial y temporal de la DAT
y la RQE y, de esta forma, determinar factores ecológicos significativos sobre la
potencialidad biótica del hábitat de estas especies. En segundo lugar, se pretende
cartografiar la distribución potencial de la DAT y la RQE en periodos temporales
homogéneos en cuanto a los rasgos vitales de las especies que componen el ensamblaje, que
podría tener cierta utilidad aplicada como instrumento en la gestión de la conservación y la
evaluación del impacto ambiental.
Figura 13.2. Mapa geológico del área de Tindaya y datación geológica de los materiales. La leyenda
sobre los materiales litológicos se ha reducido a los que se refieren en el texto.
260 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
los grandes depósitos de coluviones que actualmente rodean la montaña, que datan de hace
unos 26 m.a. En esa misma época, los llanos que rodean la montaña fueron recubriéndose
de caliche formando una gruesa capa que actualmente aflora bajo una capa de coladas
basálticas olivínicas más recientes (≈ 7 m.a.). Por el flanco oriental de la montaña, la acción
de las lluvias torrenciales ha excavado en los últimos 7 m.a. un barranco que actualmente
está relleno de materiales de aluvión. En el flanco Norte pueden observarse terrazas de
aluvión más recientes (≈ 2 m.a.) que posiblemente se han formado en periodos extremos de
aridez (Fig. 13.2). La litología de la zona de estudio nos indica que probablemente las
condiciones de aridez predominan desde hace 26 m.a. hasta la actualidad.
a b
Décimas de mm
100
c d
FRECUENCIA (%)
90
Octante
N-NE
80
NE-E
NW-N
70
SE-S
60 SW-W
50
E F M A M J J A S O N D E F M A M J J A S O N D
350
e 2200
f 3250
g
3000
DÉCIMAS DE MILIMETRO
300 2000
DÉCIMAS DE HORA
DÉCIMAS DE GRADO
2750
250 1800
2500
200 1600
2250
150 1400
2000
E F M A M J J A S O N D E F M A M J J A S O N D E F M A M J J A S O N D
Figura 13.3. Variación de la precipitación mensual (a) y de la intensidad máxima de lluvia en 1 hora (b)
con sus respectivos intervalos de confianza de la media al 95% para el periodo 1990-2003. Variación
mensual de la frecuencia del viento por octante (c) y de la frecuencia del viento dominante cuando se
produce la intensidad máxima de lluvia (d) para el periodo 1970-99. Variación de la temperatura media
mensual, así como de las medias de las máximas y mínimas diarias y mensuales (e) para el periodo 1970-
99. Evaporación total mensual (f) e Insolación total mensual (g) con sus respectivos intervalos de
confianza de la media al 95% para el periodo 1979-99. Datos correspondientes al observatorio C249I
de Puerto del Rosario (AEMET).
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 261
Se observa que los episodios de intensidad máxima de lluvia, que podrían tener
carácter torrencial, se producen desde el inicio del otoño (octubre) hasta el inicio de la
primavera (abril). Los vientos dominantes soplan del octante N-NE, seguidos por los del
octante NW-N (Fig. 13.3c), aunque cuando se producen los valores mensuales más altos de
intensidad máxima de la precipitación aumenta la frecuencia de los vientos procedentes del
SE-S y del SW-W, tal como se puede observar en la Figura 13.3d. Tanto en el caso del
viento dominante durante el mes como en el caso del viento dominante cuando se produce
la precipitación máxima, se observa que la probabilidad de que el viento sople en el octante
N-NE supera con creces a la probabilidad de que lo haga en cualquiera de los otros
octantes. Las Figuras 13.3e, 13.3f y 13.3g muestran que los valores más altos de
temperaturas, evaporación e insolación total respectivamente, ocurren durante los meses de
verano y los valores más bajos en invierno siguiendo un patrón anual propio de un clima
mediterráneo pero con un marcado carácter árido debido a las bajas precipitaciones que se
producen en otoño e invierno.
Para interpretar el ensamblaje entre las especies de coleópteros y los factores ecológicos
que definen su hábitat es necesario disponer de información temática procedente de
diferentes disciplinas que hagan referencia tanto a aspectos físico-químicos, como bióticos
y culturales (Fig. 13.4, fase 1). Esta información, al proceder de diferentes disciplinas como
la climatología, la geomorfología, la botánica o la zoología, se ha elaborado para fines que
no tienen porqué coincidir necesariamente con los objetivos planteados en el contexto de la
Ecología, que pretende describir y cuantificar procesos ecológicos. Por ello, es necesario
integrar parcialmente estas fuentes de información entorno a la idea de proceso ecológico
definiendo factores que son el resultado de la combinación de información procedente de
diferentes disciplinas y que adquieren un nuevo significado en el contexto de la Ecología
(Fig. 13.4, fase 2).
Una vez que se han definido una serie de factores ecológicos o parámetros
ambientales, es posible contrastar la correspondencia que existe entre estos parámetros y la
respuesta de las especies mediante el análisis de gradientes que se basa de una forma
general en la teoría del nicho, cuando se trata de una población o de un conjunto de
poblaciones de especies pertenecientes a un mismo taxón (Hutchison 1957); y de una forma
particular en la ley de tolerancia, cuando se trata de individuos (Shelford 1931). En nuestro
caso, la respuesta del conjunto de especies de coleópteros a los cambios de intensidad en
FASE 2:
FASE 1:
INTEGRACIÓN PARCIAL DE
ADQUISICIÓN DE
LAS VARIABLES
INFORMACIÓN TEMÁTICA
TEMÁTICAS
• Físico-química
• Físico-químicas
• Biótica
• Químico-bióticas
• Cultural
• Físico-antrópicas
FASE 3:
DETECCIÓN DE
(-) CORRESPONDENCIAS
EVALUACIÓN ENTRE PARÁMETROS
• Gradientes espaciales
• Gradientes temporales
• Otros gradientes
(+)
FASE 4:
PREDICCIONES SOBRE
POTENCIALIDAD BIÓTICA
DEL HÁBITAT
•Representación cartográfica
•Variación temporal
Figura 13.4. Metodología a seguir para evaluar la potencialidad biótica del hábitat de ensamblajes de
especies.
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 263
Por último, hay que tener en consideración que para que el modelo de hábitat sea
completo deben considerarse todos los factores ecológicos que pueden afectar a las
264 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
especies, por ello no se consideran como definitivas las predicciones sobre la potencialidad
biótica del hábitat sino que son susceptibles de ser sometidas a un proceso de evaluación
que incorpore: a corto plazo, nuevos análisis de correspondencias entre parámetros para
validar la bondad de ajuste de los modelos; a medio plazo, nuevos factores ecológicos
definidos a partir de la integración parcial de las variables temáticas disponibles; y a largo
plazo, nueva información temática que permita un mejor ajuste de los factores a los
procesos ecológicos subyacentes que representan.
El criterio para seleccionar las variables geográficas derivadas del MED atiende
tanto a aspectos estructurales relacionados con las condiciones de hábitat, como a aspectos
dinámicos relacionados con los procesos de dispersión. Los aspectos estructurales se
refieren a aquellas variables que afectan a las condiciones microclimáticas como la
orientación de las laderas respecto al Norte, el grado de exposición a los vientos del NW y
Figura 13.5. Aspecto de las gavias situadas en las cercanías de la Montaña de Tindaya después de varios
días de lluvia torrencial. Foto de F.J. Ferrer tomada el 28 de marzo de 2004.
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 265
el grado de insolación. Los aspectos dinámicos se refieren a aquellas variables que afectan a
los flujos superficiales de agua y otros materiales arrastrados por el viento y la fuerza de la
gravedad, como la pendiente del terreno, las zonas de convergencia-divergencia de flujos
superficiales, la red de drenaje y la dirección en que ésta se produce. La red de drenaje ha
sido aprovechada tradicionalmente por la población local para encauzar las escasas
precipitaciones que se producen durante el otoño e invierno hacia las gavias, extensiones
llanas del terreno que son aprovechadas para cultivos ocasionales. Se trata de
infraestructuras artesanales estrechamente integradas en el paisaje debido a su acoplamiento
con los procesos naturales que han dado lugar a la red de drenaje (Fig. 13.5).
La exposición de las laderas a los vientos húmedos procedentes del NE y del NW influye
en el grado de estrés hídrico al que esta sometido el ensamblaje de coleópteros pudiendo
afectar al tamaño de sus poblaciones y a su riqueza específica. La modelización de este
factor se ha realizado por dos vías diferentes; por un lado, se ha elaborado un modelo
digital de Orientación de las laderas respecto al Norte (ON) reclasificando el modelo digital
de orientación derivado del MED (Moore et al. 1993), cuyos valores varían de 0º
(barlovento) a 180º (sotavento) indistintamente del sentido de las agujas del reloj. Por otro
lado, se ha elaborado un modelo digital del Grado de Exposición a los vientos del NW
(ENW) promediando tres modelos digitales de sombras con alturas solares muy bajas (5, 10
y 15º) y un azimut fijo de 315º. Este modelo pretende simular el efecto de los vientos
cuando interceptan con la orografía de la zona de estudio, de tal forma que los valores altos
(máximo: 255) se corresponde con las fachadas más expuestas a los vientos del NW
(barlovento) y los valores bajos (mínimo: 0) a las fachadas menos expuestas (sotavento).
Para modelizar el grado de estrés térmico que ejerce el medio sobre las poblaciones
de coleópteros se ha elaborado un modelo digital del Grado de Insolación Anual (IA)
mediante un índice que refleja la insolación acumulada anualmente. El índice se ha
estimado promediando los valores de los mapas de sombras horarios para el intervalo de las
8:00 a las 18:00 horas durante los equinoccios y los solsticios. En total se han promediado
los valores de 44 mapas de tal forma que una celdilla expuesta cenitalmente al sol durante
todo el año y a todas horas recibiría un valor máximo de 255 y una celdilla que no estuviera
nunca expuesta al sol recibiría un valor mínimo de 0. Como estos casos extremos no son
posibles, en el modelo digital obtenido no hay ninguna celdilla que alcance estos valores
extremos, aunque se mantienen como valores de referencia del índice estimado. Las
operaciones y los cálculos conducentes a la obtención de estos modelos de abstracción tipo
campo que reflejan la variación espacial de los factores de hábitat se han realizado con
Idrisi Andes (2006).
266 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
La Pendiente del terreno (P%) esta directamente relacionada con la velocidad de los flujos
superficiales y con la fuerza de erosión que ejerce el desplazamiento de materiales que
pueden arrastrar individuos de una población afectando a la estabilidad de las poblaciones.
La pendiente se ha calculado a partir del MED como el vector resultante de la pendiente en
el eje X y la pendiente en el eje Y multiplicado por 100, de tal forma que, a un ángulo de
45º le corresponde una pendiente del 100% y cuando el ángulo se acerca a los 90º el valor
se hace infinito (Moore et al. 1993). Los flujos superficiales tienden a converger y divergir
en ciertas zonas que determinan el potencial de dispersión de las poblaciones allí situadas;
mientras que las zonas de convergencia tienden a agregar a los individuos de la población,
las zonas de divergencia tienden a dispersarlos. La detección de las áreas geográficas donde
convergen y divergen los flujos superficiales se estima mediante el Operador de Laplace
(OPL) aplicado a un MED, obteniéndose como resultado una superficie con valores
positivos en las zonas de convergencia (OPL > 0) y valores negativos en las zonas de
divergencia (OPL < 0). Ambas variables se han estimado con Surfer v.8 (2007).
Los datos sobre las poblaciones de coleópteros se han obtenido mediante un muestreo de
campo realizado con trampas de caída desde el otoño de 2003 hasta el verano de 2004
siguiendo la metodología propuesta por Santos et al. (1982). En la primera campaña (otoño-
invierno) se muestrearon durante tres periodos temporales consecutivos 6 unidades de
muestreo que se identifican como unidades 1 a 6, cada unidad de muestreo estaba
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 267
Tabla 13.1. Relación de campañas y periodos de muestreo con fecha de inicio y finalización. Valores
medios por periodo de temperatura (T) y humedad relativa (H) máxima y mínima estimados con los
termohigrómetros instalados en cada estación. Así como valores medios por periodo de la intensidad de
los flujos superficiales estimados como volumen (cm3) de agua y tierra acumulada en una trampa
diariamente.
CAMPAÑA Periodo FechaINI FechaFIN Tmin Tmax Hmin Hmax Agua Tierra
OTOÑO 1 18-10-03 02-11-03 15,9 29,9 42,6 93,6 8,7 14,0
FINAL OTOÑO 2 02-11-03 15-11-03 14,6 31,8 20,7 89,8 0,4
INVIERNO 3 15-11-03 29-11-03 12,2 28,2 43,0 98,8 1,4 10,4
4 01-04-04 17-04-04 11,5 35,3 21,7 98,0 1,9 0,5
PRIMAVERA
5 17-04-04 07-05-04 13,7 30,8 26,3 96,1 0,7
6 19-06-04 04-07-04 19,8 37,1 21,7 85,6 3,8
VERANO
7 03-07-04 18-07-04 18,5 33,6 33,1 81,3 1,8
compuesta por una rejilla de 50 trampas de caída dispuestas regularmente con una
equidistancia de 10 metros. En las otras dos campañas (primavera y verano) se añadieron 9
unidades de muestreo que se identifican como unidades 7 a 15 y los muestreos se realizaron
en dos periodos temporales consecutivos en cada campaña. En este caso se redujo la rejilla
a 20 trampas de caída (Tabla 13.1). Estos cambios en la estrategia de muestreo (aumento
del tamaño de la muestra y disminución de la intensidad de muestreo) se hicieron para
adaptar el diseño de muestreo a las características del ciclo de vida de las poblaciones de
coleópteros, que por lo general son de ciclo anual, lográndose a la vez una optimización del
esfuerzo de muestreo.
La composición específica del ensamblaje de coleópteros varía con las estaciones del año
en función de las características del ciclo de vida de las especies que lo componen. Por ello,
se ha procedido inicialmente a analizar mediante técnicas multivariantes la variación de la
DAE en cada periodo de muestreo a fin de agrupar los periodos de muestreo en unidades de
análisis homogéneas en cuanto a la composición y abundancia de especies. Una vez
analizada la variación temporal de la DAE se ha estimado el promedio de la DAT y la suma
de la RQE de los periodos agrupados en unidades de análisis homogéneas para analizar
mediante técnicas de regresión lineal múltiple por pasos (RLM) el efecto de los factores de
hábitat y de dispersión sobre la variación de la DAT y la RQE, observando con especial
atención la posible autocorrelación espacial de los datos de las unidades de muestreo. Los
valores de las variables relativas al hábitat y a la dispersión de cada unidad de muestreo se
han extraído de sus correspondientes modelos de abstracción tipo campo con diferentes
resoluciones de celdilla: x10, x50, x100 y x150 metros.
13.4. Resultados.
La Figura 13.6 muestra la ordenación de las especies por categorías de DAE y de los
periodos de muestreo en el plano definido por las dos primeras dimensiones obtenidas
mediante un análisis de correspondencias múltiple, la primera dimensión explica el 78,5%
de la varianza mientras que la segunda dimensión explica el 71,2%. Se observa una
ordenación cronológica de los periodos de muestreo asociados a un conjunto de especies,
caracterizadas por una determinada categoría de densidad-actividad, que forman una espiral
que se inicia con el primer periodo de muestreo (otoño), situado en el cuarto cuadrante (-/-),
seguido de los periodos 2 y 3 (finales de otoño e invierno), situados en el primer cuadrante
(+/+), los periodos 4 y 5 (primavera), situados en el segundo cuadrante (+/-) y, por último,
los periodos 6 y 7 (verano) que se sitúan cerca del origen de coordenadas, con valor 0 el
periodo 6 para la primera dimensión y valor cero el periodo 7 para la segunda dimensión.
Esto significa que existen diferencias entre los periodos de otoño, invierno y primavera, en
cuanto a la composición especifica del ensamblaje y su densidad-actividad, mientras que la
cercanía de los periodos de verano al centro de origen de coordenadas nos indica que la
composición específica del ensamble en estos periodos refleja el patrón medio del conjunto
de todas las especies sin mostrar claras diferencias con los otros periodos.
Modelos predictivos de hábitats del ensamblaje de coleópteros de Tindaya 269
-2
Arc2, Arg1
Chb1, Chl1, Orb1
-3
Dim. 2
Figura 13.6. Ordenación de las especies por categorías de DAE (1: baja, 2: media y 3: alta) y de los
periodos de muestreo (1: otoño, 2-3: otoño-invierno, 4-5: primavera, 6-7: verano) en el plano definido
por las dos primeras dimensiones del análisis de correspondencias múltiple. Arc: Arthrodeis costifrons,
Arg: Arthrodeis geotrupoides, Arm: Arthrodeis malleatus, Bla: Blaps alternans, Chb: Chrysolina bicolour,
Chl: Chrysolina lucidicollis, Coc: Conorrhynchus conicirostris, Cyd: Cymindis discophora, Deb:
Depresseremiarhinus breviatarsis, Gop: Gonocephalum patruele, Hed: Hegeter deyrollei, Hec:
Herpisticus calvus, Lim: Licinus manriquianus, Mel: Melasmana lineatum, Nes: Nesarpalus solitarius,
Nep: Nesotes picescens, Orb: Orthomus berytensis, Oxs: Oxycarops submetallica, Paw: Pachydema
wollastoni, Pah: Paivaea hispida, Spl: Sphodrus leucophthalmus, Zob: Zophosis bicarinata.
La Figura 13.7 muestra la relación de la DAT y la RQE por periodo de muestreo con la
Temperatura mínima y la Humedad relativa máxima (factores relativos al hábitat) y la
Tierra+Agua acumulada por trampa y día (factor relativo a la dispersión). Se observa cómo
los factores de hábitat presentan una relación cuadrática con la DAT y la RQE que marca
los valores óptimos de estos factores para las especies que componen el ensamblaje;
mientras que los factores de dispersión no presentan una relación tan clara con estos
macroparámetros, salvo la DAT que muestra una tendencia lineal directa con los factores
de dispersión, pero su interpretación resulta difícil pues la acumulación de agua y tierra en
las trampas reduce la eficiencia de captura, alterando de una forma significativa los valores
reales de DAT y de RQE.
270 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
4 3 5 2 1 7 6 76 2 1 5 43 25746 3 1
10
RQE 8
6
4
2
0
0.5
0.4
DAT
0.3
0.2
0.1
0.0
10 12 14 16 18 20 80 85 90 95 100 0 10 20
Temperatura mínima (ºC) Humedad (%) máxima Tierra+Agua (cm3)
Figura 13.7. Variación temporal de la DAT y la RQE en función de factores relacionados con las
condiciones microclimáticas: Temperatura mínima y Humedad relativa máxima; y de factores
relacionados con la intensidad de los flujos superficiales estimados como el volumen de agua y tierra
acumulada en una trampa durante un día. Cada punto representa un periodo de muestreo que se
identifica con un número en el margen superior.
Tabla 13.2. Resultados del análisis de RLM de la DAT frente a los factores del hábitat y dispersión. Los
periodos de muestreo se han agrupado por estaciones del año. El orden de entrada de las variables
independientes significativas en cada campaña se corresponde con el orden de los coeficientes de
regresión en la tabla. Entre paréntesis se indica la resolución espacial de las variables independientes en
metros. Niveles de significación: *: p < 0,05; **: p < 0,01.
Figura 13.8. Distribución potencial de la DAT estimada en (a) otoño, (b) invierno, (c) primavera y (d)
verano. Se representa mediante trama negra las áreas con mayor DAT. El mapa base se ha
confeccionado superponiendo el mapa de sombras con la red de drenaje y las curvas de nivel con una
equidistancia de 10 metros. También se ha representado mediante rectángulos la posición geográfica de
las unidades de muestreo.
272 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
sobre la distribución potencial de la DAT (Fig. 13.8) sólo se han representado los
valores más elevados de DAT en cada una de las estaciones del año: otoño (12–15),
invierno (6–8), primavera (7–8) y verano (4–5).
Como en el caso anterior los datos por periodos de DAT de las estaciones de muestreo se
han agrupado en función de las estaciones del año. La Tabla 13.3 muestra los resultados del
análisis de RLM por pasos que se ha realizado para determinar los factores ecológicos que
condicionan la distribución de la RQE en cada estación del año. Se observa que en otoño la
RQE está relacionada directamente con el OPL, lo cual nos indica que las poblaciones
tienen preferencia por situarse en aquellas zonas donde los flujos superficiales convergen.
En invierno el factor que condiciona la distribución de la RQE es la DDR, mientras que en
primavera está relacionada inversamente con la ENW, ya que en esta época del año son
especialmente frecuentes e intensos los vientos alisios del NE que antes de alcanzar la zona
de estudio son desviados hacia el NW. En verano la RQE presenta una relación exponencial
con el OPL. Para simplificar la cartografía sobre la distribución potencial de la RQE
(Figura 13.9) sólo se han representado los valores más elevados de RQE en cada una de las
estaciones del año: otoño (9 - 12), invierno (12 – 13), primavera (8 – 9) y verano (4 – 5).
13.5. Discusión.
Tabla 13.3. Resultados del análisis de RLM de la RQE frente a los factores del hábitat y dispersión. Los
periodos de muestreo se han agrupado por estaciones del año. Entre paréntesis se indica la resolución
espacial de las variables independientes en metros. Niveles de significación: *: p < 0,05; **: p < 0,01.
Figura 13.9. Distribución potencial de la RQE estimada en (a) otoño, (b) invierno, (c) primavera y (d)
verano. Se representa mediante trama negra las áreas con mayor RQE. El mapa base se ha
confeccionado superponiendo el mapa de sombras con la red de drenaje y las curvas de nivel con una
equidistancia de 10 metros. También se ha representado mediante rectángulos la posición geográfica de
las unidades de muestreo
274 F. J. FERRER, A. DE LOS SANTOS, J. P. DE NICOLÁS
refugios en aquellas zonas donde se produce una convergencia de los flujos superficiales
(Crist et al. 1997). La conservación de estos microhábitats resulta vital para la conservación
de estas poblaciones, por lo que consideramos que cualquier plan de actuación en el entorno
de la Montaña de Tindaya debería tener en cuenta las posibles alteraciones de la red de
drenaje, que facilita la dispersión de las poblaciones así como la posibilidad de que
encuentren hábitats adecuados donde establecerse.
Resumen
Los bosques montanos tropicales del sur de Ecuador están considerados como un “hotspot”
biológico debido a su alta diversidad y alta endemicidad. Desafortunadamente, estos están
siendo destruidos en tasas extremadamente altas causando impactos muy significativos
sobre la biodiversidad de esta región. Evaluar la tasa de deforestación y su incidencia en
cada tipo potencial de vegetación es una prioridad mundial para la conservación de estos
ecosistemas en peligro. El presente trabajo pretende estudiar la tasa de desaparición de
estos ecosistemas por destrucción directa y los patrones de fragmentación que siguen estos
sistemas montanos tropicales en el área andina del sur de Ecuador. Esto es especialmente
urgente dado que probablemente es una de las zonas más megadiversas del mundo.
Entre 1976 y 2002, la cubierta del bosque, sistemas arbustivos de alta montaña y páramos
se ha reducido un 59,72% en el área de estudio, lo cual equivale a una tasa anual de pérdida
de 1,16% por año. Esta destrucción ha ido asociada paralelamente a una severa
fragmentación, con una reducción en el tamaño de las cubiertas continuas y un rápido
incremento en la densidad de los fragmentos remanentes pequeños (<100 ha), así como a
una significativa reducción de la conectividad entre ellos. El área-núcleo total se ha
reducido y la extensión total del borde de los fragmentos se ha incrementado a lo largo del
período de estudio. Estas tendencias se observan en todos los tipos de bosque y formaciones
evaluados. Nuestros resultados proporcionan una fuerte evidencia de las tasas dramáticas de
deforestación y fragmentación de todos los tipos de vegetación presentes en esta zona
megadiversa. Nuestro trabajo también ha detectado la crítica situación de algunos
ecosistemas, como el matorral húmedo montano, a los que la dinámica de la deforestación a
llevado al borde de su total desaparición.
14.1. Introducción
está estimada en 13 millones de hectáreas por año, lo cual está causando serios problemas
económicos y sociales (Laurance 1999).
Los bosques tropicales montanos son uno de los ecosistemas más amenazados en el
mundo dadas sus tasas extremadamente altas de deforestación (Hamilton et al. 1995). Un
ejemplo reciente notable es el de la Cordillera Real Occidental en Ecuador, que ha perdido
más del 90% de su recubrimiento boscoso. (Almeida et al. 2003). La conversión en tierras
agrícolas y de pastura, la tala de madera y su extracción para combustible, la minería y la
construcción de caminos han sido identificadas como determinantes en la pérdida masiva
de bosques (Bubb et al. 2004). Los bosques tropicales montanos están catalogados entre los
ecosistemas más biodiversos del mundo y se los considera como “puntos calientes”
(hotspots) de biodiversidad a nivel global y de alta prioridad para la conservación (Myers et
al. 2000, Dirzo y Raven 2003; ver también Henderson et al. 1991, Jørgensen y Valencia
1992, Madsen y Øllgaard 1994, Valencia et al. 1994, Gentry 1995). Por ejemplo, es bien
sabido que los bosques montanos andinos brindan albergue a la mayor diversidad de
especies de plantas a nivel mundial (Barthlott et al. 1999). Adicionalmente, este tipo de
bosques tropicales sostiene una amplia gama de recursos biológicos y brinda servicios
ecosistémicos clave, aumentando así el potencial económico para la región donde se
asientan, pero también para todo el planeta (Gentry y Dodson 1987, Wolf 1993, Churchill
et al. 1995, Luteyn 2002). Desafortunadamente, los bosques montanos tropicales, están
considerados entre los ecosistemas más frágiles y sensibles a la deforestación y, por ende, a
su fragmentación (Williams-Linera 1992, Kattan et al. 1994, Restrepo y Gómez 1998). A
pesar de su alto valor económico y ecológico, estos bosques han recibido una baja atención
a nivel científico, en contraposición con otros bosques tropicales húmedos (Pohle y Gerique
2008).
la quina a causa de la reforma agraria, la cual implícitamente asumía que los bosques eran
tierras improductivas. El desarrollo de una industria de extracción de madera sin ningún
control y sin medidas de conservación selvícola, así como la apertura de caminos para
facilitar el acceso a áreas no exploradas han empeorado el problema inicial (Vanacker et al.
2003).
La Cuenca del Río Zamora (Fig. 14.1) está localizada al sur del Ecuador y cubre 432.703 ha
en las provincias de Loja y Zamora-Chinchipe. Comprende un amplio rango altitudinal que
va desde 1.000 hasta 3.760 m sobre el nivel del mar y dentro de ésta se encuentran siete
tipos de vegetación potencial (Baquero et al., 2004): matorral húmedo montano bajo
(Mhmb), matorral húmedo montano (Mhm), bosque siempre verde montano bajo (Bsvb),
matorral húmedo montano alto (Bsvma), bosque de neblina montano (Bnm), páramo
arbustivo (Pa) y páramo herbáceo (Ph). Los pobladores de esta cuenca han ejercido por
décadas fuertes presiones de diversa índole sobre todos estos ecosistemas (Günter et al.
2007).
278 E. TORRACCHI, M. F. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Figura 14.1 Localización del área de estudio y topografía de la cuenca del río Zamora.
Esta cuenca se caracteriza por su gran biodiversidad y alta endemicidad (Ulloa y Jørgensen
1993), como refleja la existencia de al menos 99 especies de plantas endémicas. Más aún,
211 especies de plantas endémicas ecuatorianas han sido registradas también dentro del
Parque Nacional Podocarpus, el cual ocupa el 11% del área de estudio (Lozano et al. 2003).
El clima se caracteriza por una precipitación media anual que va desde 2000 mm a
5000 mm y una temperatura media que varía entre los 10 y los 20 oC. Las temperaturas
mínimas en los páramos pueden llegar hasta los -2 oC. Las precipitaciones más altas
ocurren de febrero a marzo y de junio a septiembre. Los meses más secos están entre
octubre y enero (Richter y Moreira-Muñoz 2005).
Utilizamos fotografías aéreas tomadas en 1976 y 1989 para describir los cambios
temporales y espaciales en la estructura de la vegetación de la cuenca del Zamora. El
Deforestación y dinámica del paisaje en el sur de Ecuador 279
Los polígonos forestados y no forestados fueron asignados a uno de los siete tipos
potenciales de vegetación de Baquero et al (2004) por sobre-imposición del mapa de
vegetación ecuatoriana andina potencial escala 1:250.000 (Vanacker et al. 2000).
Finalmente el porcentaje ocupado por cada tipo de vegetación en cada año ha sido
determinado con Xtools (DeLaune 2001). En 2004, un grupo de 100 puntos seleccionados
al azar fueron monitorizados en el campo a lo largo de toda la cuenca para validar nuestra
clasificación.
14.3. Resultados
El bosque siempre verde montano bajo (Bsvmb), que es el tipo de bosque con mayor
presencia en la cuenca del Zamora, también ha sufrido los mayores efectos de la
deforestación. En 1976, este tipo de bosque ocupaba el 33,94% del total de la vegetación
nativa, pero en 2002 sólo el 20,99% del bosque existente pertenecía a este tipo. Asociado a
Tabla 14.1. Superficie total y porcentaje ocupado por cada tipo de formación en 1976, 1989 y 2002. FN:
cobertura total de bosques y formaciones naturales; Mhmb: matorral húmedo montano bajo; Mhm:
matorral húmedo montano; Bsvmb: bosque siempre verde montano bajo; Bsvma:bosque siempre verde
montano alto; Bnm: bosque de neblina montano, Pa: páramo arbustivo; Ph: páramo herbáceo; No_FN:
cobertura de formaciones no naturales (pastos, tierras agrícolas y otras coberturas).
este cambio se produjo una pérdida de 56.043 ha. Esto implica una tasa media anual de
deforestación de 1,87% durante el período 1976-2002 para este tipo de bosque. El matorral
húmedo montano (Mhm) sufrió también una alta tasa de deforestación; en 1976 ocupaba
sólo 0,28% (1.216 ha) y para 2002 se había reducido a sólo 0,17% (715 ha). Esto quiere
decir, que en el período de estudio, esta formación ha experimentado una pérdida anual del
2,04%. Sin embargo, el tipo de vegetación con la tasa de destrucción más alta fue el páramo
herbáceo (Ph), este ocupaba 12.659 ha en 1976, 10.444 ha en 1989 y sólo 6.689 ha en 2002,
lo cual se traduce en una tasa anual de destrucción de 2,45% por año. Por otro lado, el
matorral húmedo montano bajo (Mhmb) tiene una tasa de destrucción de 0,44% por año. En
resumen, todos los tipos de formaciones de la cuenca del río Zamora experimentaron tasas
anuales elevadas de deforestación (Fig. 14.2). Resulta especialmente llamativo que si bien
la deforestación casi no afectó al área del Parque Nacional Podocarpus durante el primer
período de estudio, durante el segundo período de estudio se detectó un alto índice de
deforestación en tanto en las áreas de amortiguamiento como en algunas zonas del interior
del parque.
a) b)
Figura 14.2. Superficie perdida por cada uno de los tipos de vegetación considerados. a) Período 1976-
1989 y b) 1989-2002. En el eje izquierdo y con barra oscura, la pérdida en hectáreas por tipo de
vegetación; en el eje derecho y con la barra más clara, el porcentaje de pérdida por cada tipo de
vegetación; Mhma: matorral húmedo montano bajo; Mhm: matorral húmedo montano; Bsvmb: bosque
siempre verde montano bajo; Bsvma:bosque siempre verde montano alto; Bnm: bosque de neblina
montano, Pa: páramo arbustivo; Ph: páramo herbáceo.
282 E. TORRACCHI, M. F. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Figura 14.3. Variación temporal en el tamaño de los fragmentos en la cuenca del río Zamora: En gris
obscuro: 1976; en gris: 1989; y en gris claro 2002
Tabla 14.2. Índices de paisaje relativos a los fragmentos forestales nativos a lo largo del periodo de
estudio en la cuenca del río Zamora a lo largo del periodo de estudio
Año
1976 1989 2002
Número de fragmentos (n) 442 592 887
Densidad de fragmentos (n/100 ha) 4,90 6,50 9,70
Índice del fragmento mayor (%) 38,35 15,32 11,58
Longitud total de borde (km) 56.733,00 60149,70 67.085,10
Área-núcleo total (ha) 28.529,74 27682,50 27.096,57
Índice de proximidad media (km) 12.225 ± 470 4986 ± 914 4957 ± 170
Radio de giración (m) 3539 ± 10 3249 ± 11 2987 ± 26
Proporción del paisaje (%) 80,76 72,42 59,72
284 E. TORRACCHI, M. F. TAPIA, A. ESCUDERO, M. DE LA CRUZ
Figura 14.4. Variación temporal y espacial en la cobertura de la cuenca del río Zamora: a) 1976, b)
1989 y c) 2002. Se han agrupado en una sola categoría todos los tipos de vegetación potencial.
El índice de proximidad media también se redujo para todas las formaciones. Este índice
decrece a medida que la distancia entre los fragmentos aumenta. El radio de giración se
redujo también para todos los tipos a lo largo del período de estudio, lo que nos indica una
clara reducción en la extensión de los fragmentos conectados de cada tipo de bosque.
14.4. Discusión
Ecuador es reconocido como uno de los países más ricos en biodiversidad (Burnham 2004,
Condit et al. 2002, Jørgensen y Leon-Yanez, 1999), pero lamentablemente también es
considerado como uno de los lugares con la tasa anual de deforestación más alta hasta ahora
descrita (Pitman et al. 2002, Mena 2004). Se estima una tasa anual de deforestación de
1,2%, la cual coloca al Ecuador como el segundo país con la tasa más alta en Sudamérica.
Una evaluación reciente incluso muestra un incremento en esta tasa anual de deforestación
para el Ecuador que alcanza el valor de 1,5% (FAO 2007), lo que situaría definitivamente a
Ecuador en la primera posición de esta desafortunada categoría. Lamentablemente los
resultados de nuestro trabajo confirman esta situación en una de las regiones más diversas y
relativamente intocadas del país, con una tasa anual de deforestación de 1,16 y un pico de
casi 1,5 para el último período. Esta tasa es mayor que las reportadas para cualquier otro
bosque tropical de montaña americano (FAO 1993), para el bosque tropical de tierras bajas
Deforestación y dinámica del paisaje en el sur de Ecuador 285
(Sierra 2002) y, en general, para otros bosques sudamericanos (Echeverria et al. 2006,
Staus et al. 2002).
Nuestros resultados también confirman que uno de los ecosistemas más amenazados
en la región montañosa es el matorral húmedo montano, cuya extensión se ha reducido un
52% durante todo el período. Almeida et al. (2003) consideraron que este tipo de
vegetación se encontraba en alto peligro de extinción en la Cordillera Real Oriental, donde
la existencia de perturbaciones antropogénicas ha reducido su extensión original y relegado
su existencia a ubicaciones claramente inaccesibles (Sierra et al. 2002).
Tabla 14.3. Índices de cambio en los patrones de paisaje por tipo de formación natural en la cuenca del río Zamora entre 1976 y 2002. Mhmb: matorral
húmedo montano bajo; Mhm: matorral húmedo montano; Bsvmb: bosque siempre verde montano bajo; Bsvma:bosque siempre verde montano alto; Bnm:
bosque de neblina montano, Pa: páramo arbustivo; Ph: páramo herbáceo
Índices 1976 1989 2002 1976 1989 2002 1976 1989 2002 1976 1989 2002
Tabla 14.3 (continuación). Índices de cambio en los patrones de paisaje por tipo de formación natural en la cuenca del río Zamora entre 1976 y 2002.
Mhmb: matorral húmedo montano bajo; Mhm: matorral húmedo montano; Bsvmb: bosque siempre verde montano bajo; Bsvma:bosque siempre verde
montano alto; Bnm: bosque de neblina montano, Pa: páramo arbustivo; Ph: páramo herbáceo
Bnm Pa Ph
Índices 1976 1989 2002 1976 1989 2002 1976 1989 2002
Las métricas de paisaje nos muestran una fuerte fragmentación de los diferentes tipos de
bosque que conforman esta cuenca, que se ha ido incrementando a lo largo del período
estudiado. Este resultado confirma la apreciación de Armenteras et al. (2003) de que los
bosques andinos están entre los ecosistemas más amenazados por los cambios globales.
Como consecuencia de la fuerte fragmentación se aprecia un incremento en el número de
fragmentos, mientras que el índice del fragmento más grande y la proporción que éste usa
del paisaje se reduce, de forma semejante a lo que ha ocurrido en otros sistemas montanos
amenazados tanto en el sur como en el centro norte de América (Staus 2002, Cayuela et al.
2006, Echeverría et al. 2006). Para el año 2002, los bosques montanos de la cuenca del río
Zamora se concentraron en dos grandes fragmentos principalmente, con un tamaño de
alrededor de 100.000 ha cada uno, a los que acompañan una gran cantidad de pequeños
remanentes de menos de 10 ha (hasta 649). Turner y Corlett (1996) señalaron que en
algunas regiones tropicales estos pequeños fragmentos pueden resultar muy valiosos en
términos de conservación de la biodiversidad. Sin embargo, en estos bosques tropicales las
especies arbóreas necesitan de grandes áreas para mantener una población viable (Álvarez-
Buylla et al. 1996). La fragmentación en pequeños parches forestales puede probablemente
condicionar el futuro de una gran proporción de especies de árboles en el sur de Ecuador
(ver también Benítez-Malvido 1998). En consecuencia, la conservación de estos dos
grandes remanentes de bosques montanos debería volverse una prioridad a nivel nacional y
también a nivel mundial si queremos garantizar la viabilidad de esta megadiversidad.
Los índices de proximidad se redujeron durante todo el período, lo que coincide con
la reducción general del radio de giración. Esto sugiere un incremento progresivo en el
aislamiento de los remanentes de bosque nativo. Este proceso ha sido descrito también en
otros ecosistemas montanos tropicales (Imbernon y Branthomme 2001, Echeverria et al.
2006, Cayuela et al. 2006). Bierregaard et al. (1992) mostraron que una distancia
relativamente corta de 80 m es suficiente para constituir una barrera infranqueable para
algunos insectos, anfibios, mamíferos y pájaros nativos de estas formaciones vegetales. Por
lo tanto este efecto de aislamiento puede incrementar el riesgo y afectar a la viabilidad de
muchas de estas poblaciones (Williams y Dodson 1972, Aizen y Feinsinger 1994). A este
efecto se le suma el aumento del perímetro de los fragmentos y la reducción del área-núcleo
total en todos los tipos de bosques durante ambos períodos. Lo que ocasiona una gran
pérdida de calidad del hábitat de los fragmentos (Primack 2008). Este efecto es
particularmente grave en el caso del bosque montañoso nublado, uno de los ecosistemas
más ricos en el mundo (Barthlott 1999, Dirzo y Raven 2003).
Deforestación y dinámica del paisaje en el sur de Ecuador 289
14.5. Conclusiones
Nuestros resultados muestran una fuerte evidencia de las intensas tasas de deforestación y
fragmentación de bosques, que afecta directamente a la diversidad que ostentan estos
ecosistemas montanos especialmente los del sur ecuatoriano. Resulta sobrecogedor que esta
deforestación haya ocurrido en un período extremadamente corto, colocando a algunos de
los componentes ecosistémicos tan importantes, como son los páramos, al borde mismo de
la desaparición. Lo que es incluso más alarmante, son las tendencias negativas observadas
durante el segundo período de estudio y que todavía se mantienen activas hoy en día,
probablemente con tasas incluso mayores, (observación personal). Es una prioridad urgente
entonces, el destacar y transmitir esta preocupante tendencia de destrucción y deforestación,
como un primer paso para atacar el serio problema de conservación que esto implica, a los
políticos y accionistas locales, especialmente ahora que la cuenca del río Zamora se
encuentra dentro de la recientemente nombrada Reserva Biósfera Podocarpus – El Cóndor
(Programa UNESCO-MaB, 2009).
14.6. Agradecimientos
Este estudio fue auspiciado por el “Proyecto semilla” de la UPM y por la Agencia Española
de Cooperación Internacional para el Desarrollo (AECID) a través de los proyectos
A/012436/07 y A/021000/08. A.E. fue auspiciado por el proyecto MEC EXTREM
CGL2006-09431/BOS, el proyecto Remedinal (S-0505/AMB/0335) del Gobierno Regional
de Madrid, y CYTED (proyecto EPES). E.T. fue auspiciado por SENACYT-Ecuador
(Secretaría Nacional de Ciencia y Tecnología).
15. Efectos de la heterogeneidad ambiental en la distribución
espacial, tamaño e interacciones bióticas y abióticas de Silene
ciliata a lo largo de un gradiente altitudinal
Franklin D. Ayala, Melissa Palacios y José M. Iriondo
Resumen
Los gradientes altitudinales brindan una heterogeneidad ambiental que puede ser usada para
evaluar los efectos del cambio climático en especies. En este trabajo hemos pretendido
conocer, a través de un explicito enfoque espacial, las interacciones bióticas y abióticas de
una planta modelo de alta montaña, Silene ciliata, en relación a los cambios asociados con
la altitud. El estudio se llevó a cabo en la Sierra de Guadarrama (España) a tres niveles
altitudinales (bajo: < 1980 m; medio: 2271 m y alto: 2428 m). Se establecieron al azar tres
parcelas por altitud y se estudió la distribución espacial de Silene ciliata mediante las
funciones O–ring univariadas y bivariadas (para esta última se consideró la distribución de
Festuca curvifolia). Igualmente analizamos la estructura de tamaños, efectos de proximidad
a arbustos y rocas; así como las densidades de Silene ciliata y Festuca curvifolia. Los
resultados mostraron la existencia de un patrón de agregación para Silene ciliata y de
segregación entre Silene ciliata y Festuca curvifolia a lo largo del gradiente altitudinal; sin
embargo ninguna de las dos especies presentó dependencia de la densidad de la otra. Se
encontraron diferencias significativas en la estructura de tamaños de Silene ciliata a lo largo
del gradiente altitudinal, siendo la población del nivel alto de menor tamaño que el resto.
En el nivel bajo la presencia de Silene ciliata estuvo asociada a la proximidad a rocas y
arbustos, mientras que en las otras altitudes este efecto fue inverso para arbustos e
inexistente para rocas. Silene ciliata presentó mayor tamaño cerca de arbustos en el nivel
medio y cerca de rocas en el nivel alto. Los resultados obtenidos en este estudio tienen una
aplicación directa en el desarrollo de estrategias de manejo y conservación de la flora
crioromediterranea. Las diferencias estructurales detectadas en las poblaciones de Silene
ciliata a lo largo del gradiente altitudinal ocasionan probablemente efectos relevantes en la
dinámica poblacional de la especie.
15.1. Introducción
especies y de sus hábitats en el futuro (Sala et al. 2000, Bakkenes et al. 2006). España se
encuentra dentro de la lista de países europeos más vulnerables a este efecto (Bakkenes et
al. 2006). En este sentido Nogués-Bravo et al. (2008) destacan la vulnerabilidad de los
ecosistemas europeos de montañas mediterráneas: no solo se estima que experimenten un
importante incremento de temperatura (entre +1,6 oC y +8,3 oC para el año 2085) sino que
además se prevé una disminución de la precipitación primaveral (-4,8 % en el escenario B1
y -17 % en el escenario A1fi para el año 2085) y anual (-5,7 % en el escenario B1 y -13 %
en el escenario A1fi para el año 2085), constituyendo un verdadero reto de cara al
desarrollo de estrategias de gestión y conservación de la flora crioromediterránea.
Las montañas europeas mediterráneas, al igual que otras montañas alpinas, resultan
de vital importancia para la investigación científica, pues constituyen laboratorios naturales
de experimentación que proveen excelentes oportunidades para el desarrollo de estudios
comparativos (Körner 1999). No obstante, hay que tener presente que los datos
recolectados a lo largo de gradientes altitudinales reflejan los efectos combinados de
peculiaridades regionales y de fenómenos generales altitudinales (Körner 2007).
A nuestro entender este es uno de los escasos estudios existentes que estudia interacciones
entre plantas a lo largo de un gradiente altitudinal a través del análisis espacial; para ello
basamos nuestro estudio en la especie Silene ciliata, una planta perenne representativa de la
flora crioromediterránea y distribuida a lo largo de nuestro área de estudio en la Sierra de
Guadarrama (España). Bajo este contexto, las predicciones e hipótesis asociadas fueron:
Hipótesis 3: Existirá una mayor proximidad a rocas por parte de Silene ciliata para
sobrellevar las condiciones de estrés hídrico a medida que se desciende en el gradiente
altitudinal en estudio.
Silene ciliata Poiret (Caryophyllaceae) es una planta perenne que habita en los rangos
montañosos de la mitad norte de la Península Ibérica, el Macizo Central en Francia, los
Apeninos y la Península Balcánica; su rango latitudinal se extiende desde los 40º a los 46º
N. En el centro de la Península Ibérica la especie aparece desde los 1900 m de altitud hasta
los picos más altos (2590 m en Gredos). La especie tiene porte almohadillado en forma de
rosetas (por término medio de 2 cm de altura y 15 cm de diámetro); su periodo de floración
va desde finales de junio hasta la mitad de septiembre. Los tallos de floración (1 a 33 por
planta) alcanzan los 15 cm de altura y tienen un número de flores que normalmente varía de
4,5 a 13,7. La especie puede ser considerada ginomonoica y no tiene reproducción
vegetativa. S. ciliata es la única especie hospedera para la polilla Hadena consparcatoides
(Lepidoptera: Noctuidae). Es visitada tanto por polillas machos como hembras; esta última
294 F. D. AYALA, M. PALACIOS, J. M. IRIONDO
toma el néctar y deposita sus huevos sobre las flores (Giménez-Benavides et al. 2007a)
siendo su principal polinizadora.
Para el análisis espacial en los tres niveles altitudinales se usó la función O-ring (Wiegand
and Moloney 2004). La función g(r) es análoga a la función K(r) de Ripley, pero en lugar
de sumarizar el patrón de puntos en áreas circulares con radio r, lo hace en anillos con radio
r y con grosor variable (De la Cruz 2006). El programa usado fue el PROGRAMITA
versión noviembre 2006 (Centre for Environmental Research – UFZ; http://www.thorsten-
wiegand.de/towi_programita.html).
Figura 15.1 Parcela PA3 donde se observa el procedimiento de corrección y unión de las fotos de cada
subparcela (para constituir la parcela) mediante los programas Mapinfo professional 7.5 SCP e
Idrisi32.
Las fotografías tomadas fueron corregidas (debido al diferente ángulo con que se tomaron
frente a la vertical) con la ayuda del programa MapInfo Professional 7.5 SCP y el programa
Idrisi32. Una vez realizada la corrección de fotos de las subparcelas éstas se unieron para
formar las respectivas parcelas (Figura 15.1). A continuación, se llevó a cabo una
caracterización de las coberturas obteniendo el porcentaje de arbusto, el porcentaje de roca
(considerándose rocas a todas aquellas que tuvieran una medida mínima de 20 cm en su
diámetro mayor) y el porcentaje de suelo. Para la ubicación en foto de los individuos de
Silene ciliata se hizo uso de las coordenadas obtenidas en campo; además, se localizaron
los individuos de Festuca curvifolia. Aunque esta última especie tiene reproducción
vegetativa y puede tener varios clones unidos por la raíz, consideramos como individuo a
cada entidad claramente distinguible en las fotos de parcela.
Figura 15.2 Delimitación del área de estudio donde se ubicó la misma cantidad puntos de ausencia que
de presencia de individuos de Silene ciliata para el desarrollo de la regresión logística.
Se efectuaron dos tipos de análisis con el fin de caracterizar las interacciones bióticas a lo
largo del gradiente altitudinal: (a) Análisis con diferencias de funciones O-ring univariadas
y bivariadas (De la Cruz et al. 2008) mediante el programa PROGRAMITA. (b) Modelo
lineal general, con el fin de estudiar si existe o no un efecto recíproco entre las densidades
de las especies, teniendo como variables independientes la densidad de la otra especie, la
altitud y las parcelas anidadas a su respectiva altitud. Para este análisis se hizo uso del
programa SPSS (v.14.0).
15.3. Resultados
Los resultados obtenidos para la estructura espacial de S. ciliata en las nueve parcelas a lo
largo del gradiente altitudinal usando la función O-ring univariada presentan a esta especie
con una estructura agregada en todos los niveles altitudinales, siendo el rango de distancias
de afectación variable en cada parcela (Tabla 15.1).
p < 0,05; test de Scheffé), no encontrándose diferencias entre estos dos últimos.
Los dos modelos lineales indicaron la existencia de un efecto significativo sobre la variable
presencia/ausencia de S. ciliata. En el primer modelo se apreciaron efectos significativos de
la distancia a arbustos anidada a su respectiva altitud (F = 18,23; p < 0,0001), la altitud (F =
17,39; p < 0,0001) y las parcelas anidadas a su respectiva altitud (F = 3,77; p = 0,0010). En
el segundo modelo se apreciaron efectos significativos de la distancia a rocas anidada a su
respectiva altitud (F = 15,78; p < 0,001) y la altitud (F = 14,47; p < 0,0001), no siendo
significativo el efecto de la variable parcela anidada a su respectiva altitud (F = 1,13; p =
0,3408). Los coeficientes indican que en el nivel altitudinal bajo existe mayor probabilidad
de encontrar individuos de S. ciliata cerca de rocas y arbustos (arbustos: -0,01; p < 0,001 y
rocas: -0,05; p < 0,0001). Con respecto a la proximidad a arbustos en los niveles medio y
alto, los resultados son opuestos; a menor distancia de arbustos existe menor probabilidad
de encontrar S. ciliata (nivel medio: 0,001; p = 0,001 y nivel alto: 0,001; p = 0,0034).
Finalmente, en el caso de proximidad a rocas no se encontraron efectos significativos en los
niveles medio y alto.
La Tabla 15.2 muestra los resultados del análisis bivariado. Estos sugieren la existencia de
segregación entre individuos de Silene ciliata y Festuca curvifolia a lo largo de todo el
gradiente altitudinal en diferentes rangos de distancia [diferencia gFS(r)-gFF(r)]. La
diferencia gSS(r)-gFF(r) también indica que S. ciliata está más agregada que F. curvifolia en
8 parcelas; siendo la parcela PM3 aquella en donde S. ciliata presenta su mayor densidad
(38,73 ± 12,95 individuos/m2) y no difiere en grado de agregación con F. curvifolia.
Los resultados indicaron que el nivel altitudinal medio tuvo la mayor densidad para ambas
especies, siendo 21,57 ± 16,98 individuos/m2 para Silene ciliata y 49,82 ± 19,28
individuos/m2 para Festuca curvifolia; seguido del nivel alto con 11,86 ± 10,55
individuos/m2 para S. ciliata y 49,16 ± 15,25 individuos/m2 para F. curvifolia y por último
el nivel bajo con 10,10 ± 9,98 individuos/m2 para S. ciliata y 40,24 ± 22,5 individuos/m2
para F. curvifolia. El modelo lineal general no detectó un efecto entre densidades de ambas
especies a lo largo del gradiente altitudinal (F = 0,08; p = 0,7782; para la variable
independiente densidad de F. curvifolia), y si bien si detectó un efecto significativo de las
variables altitud (F = 10,18; p < 0,0001) y parcela anidada a su respectiva altitud (F =
16,47; p < 0,0001) sobre la densidad de S. ciliata.
15.4. Discusión
Tabla 15.2 Resultados del análisis bivariado (frente a 999 simulaciones de la hipótesis nula de
etiquetado aleatorio). Festuca curvifolia corresponde al subíndice F y Silene ciliata al índice S. .PB:
parcelas del nivel bajo, PM: parcelas del nivel medio y PA: parcelas del nivel alto.
Suzuki et al. 2005, Wiegand et al. 2007). En este caso la agregación puede deberse a la
dispersión de corto alcance de las semillas de S. ciliata (Suzuky et al. 2003) si bien
también puede explicarse por la preferencia de esta especie por determinados micrositios
(Iglesias y Bell 1989, Fajardo et al. 2008). El mantenimiento de este patrón en todo el
gradiente altitudinal parece indicar que las características inherentes de dispersión de la
propia especie son más influyentes que las diferencias en las condiciones ambientales
generales existentes entre los diferentes niveles altitudinales a la hora de determinar la
estructura espacial de los individuos. Alternativamente, la heterogeneidad de micrositios en
cada nivel altitudinal y la afinidad de la especie por determinados micrositios, podría
explicar también este resultado.
300 F. D. AYALA, M. PALACIOS, J. M. IRIONDO
Las parcelas en los niveles altitudinales medios y altos (PM1, PM3, PA1 y PA2) muestran
agregación a partir de los 10 cm de distancia. Esta falta de agregación en el rango de
distancias más próximo puede estar indicando efectos de competencia intraespecífica entre
la planta madre y sus plántulas; así como heterogeneidad en el suelo (Suzuky et al. 2003).
En los niveles medio y alto la competencia intraespecífica puede tener una mayor
intensidad debido a la mayor densidad de S. ciliata (Goldberg 1987). Por otra parte, la
presencia de arbustos, rocas, troncos y otros elementos en el medio puede afectar a la
distribución espacial de las plantas. Las parcelas PB3 y PM2, en los niveles bajo y medio
respectivamente, tienen los porcentajes de cobertura más altos de arbustos y rocas (PB3:
41,9 % arbustos y 12,8 % rocas; PM2: 26,4 % arbustos y 7,8 % rocas) y ello
probablemente determina las diferencias de la distribución espacial de S. ciliata con
respecto al resto de parcelas.
Silene ciliata tiene afinidad hacia arbustos y rocas en el nivel altitudinal bajo, siendo éste
nivel el único que presentó un efecto significativo de la proximidad a rocas; por el contrario
en los niveles medio y alto existe menor probabilidad de encontrar individuos de S. ciliata
cerca de arbustos. Körner (1999) indica que las plantas de porte almohadillado pueden
presentar diferencias significativas entre la temperatura del aire y su interior de hasta 24,5
o
C para Silene acaulis. En el nivel bajo de nuestra zona de estudio estas diferencias de
temperatura pueden generar estrés en aquellos individuos de S. ciliata que se encuentren
bajo insolación directa. En este mismo nivel altitudinal el estrés hídrico es el factor más
limitante para el establecimiento de plántulas de Silene ciliata (Giménez-Benavidez et al.
2007b). Valiente-Banuet y Ezcurra (1991) indican que existe una reducción significativa en
la temperatura de aire y suelo en áreas con sombra de arbustos mientras otros trabajos
muestran la importancia de las rocas a la hora de interceptar la radiación solar (Nobel et al.
Patrón espacial, tamaño e interacciones de S. ciliata a lo largo de un gradiente altitudinal 301
1992, Peters et al. 2008) y de proveer zonas húmedas y frescas (Nobel et al. 1992). Con
esto en mente, la sombra producida por arbustos y rocas en el nivel bajo podría favorecer la
disponibilidad de agua en el suelo y reducir la evaporación durante el intercambio gaseoso
en la fotosíntesis de S. ciliata. Por el contrario, en los niveles medio y alto, la competencia
entre S. ciliata se hace más patente al disponer esta última de unas condiciones hídricas más
favorables. Un aspecto a destacar en el nivel bajo es que el incremento de la temperatura
promueve una mayor abundancia de la vegetación arbustiva (Barboni et al. 2004), lo cual
supone una destrucción del hábitat efectivo para S. ciliata. Como consecuencia, el futuro de
esta especie, así como del resto de la comunidad a la que pertenece se encuentra
comprometido en los niveles altitudinales más bajos debido a condiciones desfavorables y a
la colonización de sus hábitats por los arbustos (Sanz-Elorza et al. 2003).
El análisis bivariado mostró segregación entre Silene ciliata y Festuca curvifolia en todos
los niveles altitudinales y a la vez mostró la existencia de agregación entre individuos de la
misma especie (Tabla 15.2). Con la ayuda del programa PASSAGE verificamos la ausencia
de efectos anisotrópicos en todas las parcelas (resultados no adjuntados). El resultado
obtenido tiene tres posibles interpretaciones: (1) Indica competencia entre las dos especies a
lo largo del gradiente altitudinal pues ambas actúan como pioneras y compiten por el
mismo hábitat. Ello estaría de acuerdo con otros estudios que muestran que no siempre hay
cambios en el resultado neto de las interacciones entre plantas (por ejemplo, competencia a
facilitación) a lo largo de un gradiente de estrés abiótico (Pennings et al. 2003, Maestre y
302 F. D. AYALA, M. PALACIOS, J. M. IRIONDO
Cortina 2004). (2) Se debe a la existencia de diferentes preferencias de micrositios por parte
de cada especie. En este sentido cabe destacar que nuestros resultados no encontraron
efectos de densodependencia entre ambas especies. También sabemos que F. curvifolia
tiene un mayor desempeño en suelos ácidos mientras que S. ciliata incrementa en biomasa
en suelos con mayor nivel de pH (Escudero et al. 2004) y que ambas tienen diferentes
sistemas radiculares; obteniendo nutrientes de diferentes estratos (siendo S. ciliata la que
puede obtenerlo de mayor profundidad). Estas diferentes preferencias en pH y en
disponibilidad de nutrientes darían como resultado su coexistencia en el sistema (Murell et
al. 2001, Fajardo et al. 2008). (3) Las dos posibilidades citadas anteriormente tengan lugar
simultáneamente a lo largo del gradiente altitudinal. Si este punto es tomado en cuenta,
entonces en el nivel altitudinal bajo la integración clonal que presenta F. curvifolia podría
hacerla tolerar el estrés ambiental (Pennings y Callaway 2000, Peltzer 2002), haciéndola
factible que compita por hábitat; mientras que S. ciliata podría establecerse en aquellos
micrositios preferidos para sobrellevar el estrés hídrico.
A lo largo del gradiente altitudinal fue el nivel medio el que obtuvo la mayor
densidad de individuos de tanto S. ciliata como F. curvifolia (21,57 ± 16,97 individuos/m2
y 49,82 ± 19,28 individuos/m2. respectivamente). Estos resultados refuerzan la hipótesis de
mayor abundancia en el centro distribucional de las especies (Sagarin et al. 2006) y
apoyaría los resultados de Giménez-Benavides et al. (2007b) que indican un mayor
desempeño de S. ciliata en su rango central.
15.5. Conclusiones
Resumen
Los ecosistemas de montañas mediterráneas se encuentran particularmente afectados por el
cambio climático. Los incrementos en la temperatura están produciendo cambios en la
distribución, fenología, desarrollo y rendimientos de varias especies crio-oromediterráneas
por lo que algunas de ellas se encuentran en peligro de extinción. Considerando que la
estabilidad de estas poblaciones depende en gran parte de su éxito reproductivo bajo estas
condiciones medioambientales, este estudio pretende determinar si las variaciones en las
condiciones medioambientales a lo largo de un gradiente altitudinal y la heterogeneidad
espacial local de cada nivel altitudinal influyen sobre la capacidad reproductiva de las
plantas crio-oromediterráneas. Se llevó a cabo un análisis espacial con la estructura espacial
de plantas reproductivas y vegetativas, así como de plantas parasitadas y no parasitadas,
usando las funciones univariada y bivariada O-ring de Ripley. La dependencia espacial en
la producción de flores, inflorescencias y daños por parasitismo fueron estudiadas usando el
índice de Moran. Se aplicó un modelo lineal general para estudiar el efecto del tamaño de
las plantas y de la altitud sobre la producción de flores. También se determinó la
dependencia altitudinal de la estructura sexual. Los resultados muestran evidencias de
patrones de repulsión entre individuos reproductivos y agregación entre vegetativos siendo
la interacción entre ambas de repulsión. Estos patrones fueron más evidentes en los niveles
altitudinales bajo y medio. Las producciones de flores y de inflorescencias presentan
autocorrelación espacial positiva a cortas distancias. La distribución espacial de plantas
dañadas y de aquellas sin daño muestra esencialmente una distribución al azar, mientras
que los patrones de autocorrelación para el número de flores dañadas difieren entre altitudes
y muestran patrones similares al del número de flores. Se encontraron efectos del tamaño de
plantas y la altitud sobre la producción de flores. Finalmente el porcentaje de flores
femeninas varió dependiendo de la altitud.
16.1. Introducción
La estabilidad demográfica para estas poblaciones dependerá en gran parte del éxito
reproductivo bajo estas condiciones ambientales. Sin embargo, siendo la reproducción un
proceso complejo que consiste de diversos estadios (floración, polinización, desarrollo de
semillas, germinación y establecimiento de plántulas) existe la posibilidad de fracaso si
alguna de estas no se supera con éxito. Cada estadio del proceso de reproducción está
influenciado por factores bióticos y abióticos y también por factores intrínsecos a la planta.
Hasta la fecha varios estudios han evaluado cómo estos factores influyen sobre la capacidad
reproductiva de las plantas a lo largo de un gradiente altitudinal. Sin embargo, solo unos
pocos han evaluado la dependencia espacial del éxito reproductivo mediante patrones
espaciales (por ejemplo Kadmon y Shmida 1990, Tirado y Pugnaire 2003, Suzuki et al.
2005) y mucho menos el efecto que puede tener el gradiente altitudinal sobre ellos. La
identificación de patrones espaciales nos permite entender los procesos que influyen sobre
la dinámica poblacional. A través de ellos resulta posible detectar competencia intra e inter
específica o interacciones de facilitación que puedan influenciar sobre la capacidad
reproductiva de individuos (Tirado y Pugnaire 2003 y 2005, Internicola et al. 2006) y
también la relevancia de la heterogeneidad espacial local en la respuesta reproductiva de
poblaciones (Kadmon y Shmida 1990).
El género Silene L. lo conforman aproximadamente 700 especies, siendo uno de los más
grandes de la flora mundial (Greuter 1995). S. ciliata es una planta perenne de vida larga y
porte almohadillado que llega a alcanzar alturas superiores a los 2 cm y 15 cm de diámetro
(Giménez – Benavides et al. 2005). Los tallos florales alcanzan hasta 15 cm de alto y
presentan entre 1 y 5 flores (Figura 16.1). Las semillas son pequeñas con 1,5 ± 0,5 mm de
diámetro y 0,06 mg de peso.
Las abejas, abejorros, mariposas, polillas, polillas halcón, sírfidos y mosquitos han
sido identificados como polinizadores del género Silene (Jürgens 2004). Particularmente la
polilla nocturna del genero Hadena, Noctuidae, interactúa con Silene como polinizador y
depredador de sus semillas (Kephart et al. 2006).
distribución, ocupando un amplio rango altitudinal entre los 1900 y 2590 m.s.n.m.
(Giménez – Benavides 2006).
Los datos para el estudio se obtuvieron de las poblaciones de S. ciliata presentes dentro del
Parque Natural de Peñalara ubicado en la Sierra de Guadarrama, cordillera que pertenece al
Sistema Central y recorre de Suroeste a Noreste el Norte de la provincia de Madrid. La
Sierra de Guadarrama se caracteriza por tener un clima de tipo mediterráneo. Empieza a
nevar en octubre y el derretimiento concluye entre mayo y junio. En promedio la cobertura
de nieve dura de 100 a 140 días/año generalmente entre noviembre y marzo. La
precipitación media anual es de 1350 mm. La estación seca ocurre entre junio y septiembre
con menos del 10 % de lluvia total anual (Palacios et al. 2003).
Con el propósito de conocer el posible efecto del tamaño de los individuos y la altitud
(nivel bajo, medio y alto) sobre la producción de flores, se ajustó un modelo linear general
mixto utilizando el programa estadístico SAS. Se consideraron factores de efectos fijos al
tamaño y la altitud y factores de efecto aleatorio a las parcelas. La variable "parcela" se
anidó en la variable altitud. Igualmente se hallaron las medias para cada nivel altitudinal y
sus respectivas desviaciones típicas. El método de comparaciones múltiples de Tukey se
empleó para detectar la existencia de diferencias estadísticamente significativas entre los
tres niveles altitudinales.
16.3. Resultados
16.3.1. Dependencia espacial de las plantas reproductivas frente a las plantas vegetativas
Los análisis del patrón de puntos para individuos reproductivos y vegetativos (Tabla 16.1)
indican la existencia de repulsión en las interacciones entre individuos reproductivos (gRR) y
un patrón de agregación más evidente entre vegetativos, especialmente en el nivel
altitudinal medio (gVV); también muestra repulsión entre individuos reproductivos y
vegetativos (gVR-gVV). En términos de altitud, estos patrones se muestran fundamentalmente
en los niveles altitudinales medio y bajo.
Tabla 16.1. Resultados del análisis del patrón espacial con funciones O-ring entre plantas reproductivas
(R) y plantas vegetativas (V). B-p*= Parcela en nivel altitudinal bajo; M-p*= Parcela en nivel altitudinal
medio y A-p*= Parcela en nivel altitudinal alto. En paréntesis se muestran las distancias de segregación
o agregación. Las parcelas no incluidas en la tabla tuvieron un comportamiento al azar de 0 a 150 cm.
M-p1: V agregado
B-p1: V agregado (0-150 cm) A-p2: V agregado
gVV
(0-140 cm) M-p3: V agregado (10-20 cm)
(0-10cm y de 60-70 cm)
B-p1: R y V agregados
gRV - gRR (80-90 cm y de ---------- ----------
120-130 cm)
B-p1: V y R segregados
M-p1: V y R segregados
(0-120 cm)
(0-150 cm)
gVR - gVV ----------
B-p2: V y R segregados
M-p3: V y R segregados
(0-10 cm)
(60-70 cm)
310 M. PALACIOS, F. D. AYALA, J. M. IRIONDO
A) P*1
P1 P*2
P2 P*3
B) P*1 P2 P*3
C)
P*1 P*2 P3
Distance (cm)
Figura 16.1. Índice de Moran – Número de Flores. En la figura, los marcadores sombreados indican
valores significativos del índice de Moran (I). Aquellos sin sombrear indican valores no significativos del
índice de Moran después de haber hecho la corrección de Bonferroni. P* indica el correlograma de la
parcela significativo después de la prueba de Bonferroni. Mientras que P el correlograma de la parcela
que no es significativo después de la prueba de Bonferroni. Nivel altitudinal:A) alto; B) medio; C) bajo.
Estructura espacial del éxito reproductivo de S.ciliata a lo largo de un gradiente 311
Se encontró un efecto del tamaño de los individuos y del nivel altitudinal (bajo, medio y
alto) sobre la producción de flores (F < 0,0001 en ambos casos). Así mismo en cada nivel,
las parcelas también tuvieron un efecto sobre el número de flores (F < 0,0001). El nivel alto
presentó el mayor número de flores y el menor tamaño (Tabla 16.2) mientras que los
niveles bajo y medio no mostraron diferencias significativas entre ellas en ambos casos. En
cuanto a las inflorescencias, el menor valor correspondió al nivel bajo.
Tabla 16.2. Valores medios y desviación típica del número de flores e inflorescencias y tamaños para los
tres niveles altitudinales. Dentro de una misma columna los valores con la misma letra no difieren
significativamente (Test de Tukey, p < 0,05). N: número de plantas; m.: media; sd.: desviación típica.
Una visión general de los resultados obtenidos en el análisis basado en el patrón puntual de
plantas parasitadas y plantas no parasitadas (Tabla 16.3) indica el predominio de una
distribución al azar a lo largo del gradiente altitudinal. A un nivel más específico existe
evidencia de agregación entre plantas dañadas en el nivel altitudinal medio (gDD) y
agregación entre plantas sin daño a lo largo del gradiente altitudinal (gSD-gSS),
encontrándose en el nivel altitudinal medio que las plantas sin daño están más agregadas
que las plantas dañadas (gSS- gDD).
Los correlogramas para el número de flores dañadas muestran que los patrones de
Tabla 16.3. Resultados del análisis del patrón espacial con funciones O-ring entre las plantas dañadas
(D) y plantas sin daños (S). B-p*= Parcela en nivel altitudinal bajo; M-p*= Parcela en nivel altitudinal
medio y A-p*= Parcela en nivel altitudinal alto. En paréntesis se muestran las distancias de segregación
o agregación. Las parcelas que no son citadas en la tabla tuvieron un comportamiento al azar de 0 a 150
cm o el mismo grado de agregación según la función gSS- gDD. La parcela B-p1 no contó con los datos de
daños para todos los cuadrantes.
M-p1: D agregadas
gDD ---------- ----------
(0-30 cm)
M-p1: S agregadas
B-p2: S agregadas
gSS (70-80 cm y de 120-150 cm) ----------
(0-10 cm)
M-p1: D y S segregadas
gDS - gDD ---------- (0-30 cm; 40-50 cm y de 60-70 cm) ----------
M-p1: S y D segregadas
B-p2: S y D (20-30 cm; 70-80 cm; 90-100 cm A-p2: S y D
gSD - gSS segregadas y de 110-150 cm) segregadas
(0-30 cm) (50-60 cm)
P1 P*2 P3
A)
B)
P*1 P2 P3
C) P*2 P3
Distancia (cm)
Figura 16.2. Índice de Moran – Número de Flores Dañadas. En la figura, los marcadores sombreados
indican valores significativos del índice de Moran (I). Aquellos sin sombrear indican valores no
significativos del índice de Moran después de haber hecho la corrección de Bonferroni. P* indica el
correlograma de la parcela significativo después de la prueba de Bonferroni. Mientras que P el
correlograma de la parcela que no es significativo después de la prueba de Bonferroni. Nivel
altitudinal:A) alto; B) medio; C) bajo.
314 M. PALACIOS, F. D. AYALA, J. M. IRIONDO
autocorrelación espacial difieren entre altitudes (Fig. 16.2). Las altitudes baja y alta
presentan autocorrelación positiva a cortas (50 cm) y largas distancias (650 cm) y negativa
a distancias medias, lo que indica la existencia de parches como patrones de ataques. La
altitud media evidencia una autocorrelación en gradiente similar a la obtenida con el
número de flores. Es necesario tener en consideración que en los tres niveles altitudinales
sólo una de las tres parcelas resultó significativa después de la corrección de Bonferroni
para todo el correlograma de la parcela.
De acuerdo a los valores medios y desviaciones típicas del porcentaje de flores femeninas
identificados para cada nivel altitudinal (bajo: 9,3 ± 1,6; medio: 15,8 ± 1,9 y alto: 11,1 ±
8,3), el mayor porcentaje medio de flores femeninas se presenta en el nivel medio. El test
de Kruskal-Wallis muestra que la distribución del porcentaje de flores femeninas varía con
relación a la altitud. Las diferencias observadas entre las medias de los rangos de los tres
niveles altitudinales son estadísticamente significativas (p = 0,033). Adicionalmente, el
análisis comparativo entre niveles mediante la prueba de Nemenyi indica que sólo se
presentarían diferencias significativas entre el porcentaje de flores femeninas del nivel
altitudinal bajo y medio (Q > Q0,05,3 = 2,608 > 2,394), pero no entre el medio y alto, ni entre
bajo y alto (Q < Q0,05,3 = 1,304 < 2,394).
16.4. Discusión
16.4.1. Dependencia espacial de las plantas con inflorescencia frente a las plantas
vegetativas
Los patrones de agregación entre plantas vegetativas a lo largo del gradiente se relacionan
principalmente con el proceso de dispersión de las semillas (Suzuki et al. 2003). Estas
presentan una dispersión de corto alcance por lo cual los nuevos individuos tienden a
establecerse unos muy cerca de otros, a no ser que por efecto del viento se de una mayor
vibración del tallo que sostiene la cápsula y estos se distribuyan de manera más uniforme.
Si bien alrededor de la planta madre los nuevos individuos tiene más probabilidades de
encontrar las condiciones de suelo y humedad óptimas para su desarrollo inicial, el limitado
espacio disponible por la presencia de rocas (suelo pedregoso) y otras especies (Festuca
curvifolia) puede ocasionar que al crecer las plantas se den interacciones de competencia
intraespecífica (Matlack y Harper 1986, Suzuki et al. 2003) que impidan la supervivencia
conjunta de varios individuos. Así también influirían otros factores como la distribución de
las rocas ya que la especie parece tener cierta afinidad por ellas.
Estructura espacial del éxito reproductivo de S.ciliata a lo largo de un gradiente 315
árboles, sólo algunos arbustos de poca estatura y además hay una menor presencia de rocas
de gran tamaño.
Hay un efecto de las condiciones ambientales a lo largo del gradiente sobre la capacidad
reproductiva de la especie. Los resultados coinciden en parte con los obtenidos por
Giménez-Benavides et al. (2007a) para quienes la proporción de plantas con flores decrece
en las poblaciones bajas especialmente en años secos, produciéndose más flores, frutos y
semillas en las altitudes mayores. Adicionalmente nuestros resultados señalan que, en cada
nivel altitudinal, las parcelas influyen sobre el número de flores lo cual implica la influencia
de factores locales. El incremento del número de flores con la altitud podría estar
relacionado con mejores condiciones de humedad (Renzhong y Qiong 2003). En los niveles
bajo y medio (principalmente el nivel bajo) a consecuencia de una mayor temperatura y una
menor disponibilidad de humedad en el suelo (De Valpine y Harte 2001) la planta sufrirá de
estrés reduciendo la asimilación neta y el total de C disponible para asignar a la
reproducción en favor de otras demandas de C como la del crecimiento de raíces
(Lambrecht et al. 2007).
Desde otro punto de vista y teniendo en cuenta que pueden existir diferencias en cuanto a la
presencia y comportamiento de polinizadores a lo largo del gradiente altitudinal como
consecuencia de variaciones en la condiciones climáticas (Navarro 2000, Totland 2001,
Estructura espacial del éxito reproductivo de S.ciliata a lo largo de un gradiente 317
Buide 2006), el mayor número de flores encontrado en el nivel alto también podría
interpretarse como una estrategia para incrementar la visita de polinizadores (Fabbro y
Körner 2004, Delph et al. 2004). En este sentido existen estudios de análisis espacial que
demuestran que las plantas con más flores reciben un mejor servicio de polinización y que
un mayor número de plantas son visitadas en comparación con las que tienen menos flores
(Klinkhamer y De Jong 1990, Leiss y Klinkhamer 2005a). Por el contrario el estudio
realizado por Wilcox y Meagher (2003) señala que un mayor número de flores también
puede ser consecuencia de la reasignación de recursos por parte de la planta en respuesta a
la depredación de semillas.
Una distribución esencialmente al azar entre plantas dañadas puede indicar que las polillas
de Hadena no muestran ninguna preferencia al escoger a las plantas hospederas o bien que
están buscando una característica que presenta una distribución al azar; sin embargo la
agregación encontrada en al menos una parcela del nivel altitudinal medio (el mismo que
presenta la mayor densidad de S. ciliata) nos sugiere que densidades elevadas de la especie
puede estar facilitando una mayor propagación de larvas a individuos cercanos.
La agregación encontrada entre las plantas sin flores dañadas en los niveles
altitudinales bajo y medio y la repulsión entre plantas dañadas con respecto a las plantas sin
daño indica la presencia de zonas en donde ciertos factores podrían estar limitando la
infección de polillas, probablemente debido a una mayor presencia de arbustos en estas
altitudes o que ciertas flores no son las ideales para la deposición de huevos, tal vez como
resultado de una evolución floral en respuesta a la depredación de semillas que presenta la
polilla (Kephart et al. 2006, Xiao et al. 2007).
sugieren la presencia de zonas en donde ciertos factores pueden estar limitando la infección
por polillas. En cuanto a la dependencia espacial de la estructura sexual de los individuos
de S. ciliata los niveles altitudinales mayores (medio y alto) presentan un mayor porcentaje
de flores femeninas en comparación con el nivel bajo.
BIBLIOGRAFÍA
Aarssen, L.W. y Turkington, R. 1985. Vegetation dynamics and neighbour associations in pasture-
community evolution. Journal of Ecology 73: 585-603.
Abrams, M. D. y Orwig D. A. 1996. A 300-year history of disturbance y canopy recruitment for co-
occurring white pine y hemlock on the Allegheny Plateau, USA. Journal of Ecology 84: 353-363.
Addison, P.S. 2002. The illustrated wavelet transform handbook: introductory theory and
applications in science, engineering, medicine and finance. Institute of Physics Publishing,
Bristol, UK.
Adriaensen, F., Chardon, J. P., De Blust, G., Swinnen, G., Villalba, S., Gulinck, H. y Matthysen, E.
2003. The application of ‘least-cost’ modelling as a functional landscape model. Landscape and
Urban Planning 64: 233-247.
Agencia Estatal de Meteorología 2009. Ministerio de Medio Ambiente, Medio Rural y Marino. URL:
http://www.aemet.es.
Agresti, A. 1992. A survey of exact inference for contingency tables. Statistical Science 7: 131-177.
Aizen, M. y Feinsinger, P., 1994. Forest fragmentation, pollination, and plant reproduction in a Chaco
dry forest, Argentina. Ecology 75, 330-351.
Alados, C.L., El Aich, A., Komac, B., Pueyo, Y. y García-González, R. 2007. Self-organized spatial
patterns of vegetation in alpine grasslands. Ecological Modelling 201:233-242.
Alados, C.L., Escos, J.M. y Emlen, J.M. 1996. Fractal structure of sequential behaviour patterns: an
indicator of stress. Animal Behaviour 51:437-443.
Alados, C.L., Gotor, P., Ballester, P., Navas, T., Escos, J., Navarro, T. y Cabezudo, B. 2006.
Association between competition and facilitation processes and vegetation spatial patterns in
alpha steppes. Biological Journal of the Linnean Society 87:103-113.
Alameda, D. y Villar, R. 2009. Moderate soil compaction: implications on growth and architecture in
seedlings of 17 woody plant species. Soil and Tillage Research 103: 325-331.
Alatalo, J. M. y Molau, U. 1995. Effect of altitude on the sex ratio in populations of Silene aculis
(Caryophyllaceae). Nordic Journal Botany 15(3): 251- 256.
Alcaraz-Segura, D., Baldi, G., Durante, P. y Garbulsky, M.F. 2008. Análisis de la dinámica temporal
del NDVI en áreas protegidas: tres casos de estudio a distintas escalas espaciales, temporales y de
gestión. Ecosistemas 17: 108-117.
Alcaraz-Segura, D., Cabello, J., Paruelo, J.M. y Delibes, M. 2009. Use of descriptors of ecosystem
functioning for monitoring a national park network: A remote sensing approach. Environmental
Management 43: 38-48.
Alcaraz-Segura, D., Chuvieco, E., Epstein, H.E., Kasischke, E.S. y Trishchenko, A. 2010a. Debating
the greening vs. browning of the North American boreal forest: differences between satellite
datasets. Global Change Biology 16: 760-770.
Alcaraz-Segura, D., Liras, E., Tabik, S., Paruelo, J. y Cabello, J. 2010b. Evaluating the Consistency
of the 1982–1999 NDVI Trends in the Iberian Peninsula across Four Time-series Derived from
the AVHRR Sensor: LTDR, GIMMS, FASIR, and PAL-II. Sensors 10: 1291-1314.
Alcaraz-Segura, D., Paruelo, J. y Cabello, J. 2006. Identification of current ecosystem functional
types in the Iberian Peninsula. Global Ecology and Biogeography 15: 200-212.
Alliende, M.C. y Harper, J.L. 1989. Demographic studies of a dioecious tree. I. Colonization, sex and
age structure of a population of Salix cinerea. Journal of Ecology 77: 1029-1047.
Almeida, P., Izurieta, X., Cortés, K., Menéndez, P., Bauz, E., Rodríguez, M., Toaza, G., Álvarez, U.,
Pinos, G., Yumiseva, C., Sánchez, L. y Lara, M. 2003. Identificación de Áreas Prioritarias para
la Conservación en la Cordillera Real Oriental: Colombia-Ecuador-Perú. Alianza Jatun
Sacha/CDC-Ecuador. Quito-Ecuador.
322 BIBLIOGRAFÍA
Austin, M.P. 2007. Species distribution models and ecological theory: A critical assessment and some
possible new approaches. Ecological Modelling 200: 1-19.
Azzalini, A. y Bowman, A. 1993. On the use of nonparametric regression for checking linear
relationships. Journal of the Royal Statistical Society. Series B (Methodological) 55: 549-557.
Baddeley, A., Möller, J., and Waagepetersen, R. 2000. Non-and semiparametric estimation of
interaction in inhomogeneous point patterns. Statistica Neerlandica 54: 329-350.
Baddeley, A. y Turner, R. 2005. Spatstat: an R package for analyzing spatial point patterns. Journal
of Statistical Software 12(6): 1-42.
Baeza, S., Paruelo, J.M. y Altesor, A. 2006. Functional characterization of Uruguayan vegetation
using remote sensing. Interciencia 31:1-5.
Bailey, T. C. y Gatrell, A. C. 1995. Interactive spatial data analysis. Longman Scientific &
Technical, Harlow, Reino Unido.
Bakkenes, M., Eickhout, B. y Alkemade, R. 2006. Impacts of different climate stabilisation scenarios
on plant species in Europe. Global Environmental Change 16: 16-28.
Baldi, G., Nosetto, M.D., Aragón, R., Aversa, F., Paruelo, J.M. y Jobbagy, E.G. 2008. Long-term
satellite NDVI data sets: Evaluating their ability to detect ecosystem functional changes in South
America. Sensors 8: 5397-5425.
Balkenhol, N., Waits, L. P. y Dezzani, R. J. 2009. Statistical approaches in landscape genetics: an
evaluation of methods for linking landscape and genetic data. Ecography 32: 818-830.
Baquero, F., Sierra, R., Ordoñez, L., Tipán, M., Espinosa, L., Ribera, M. y Soria, P. 2004. La
vegetación de los Andes del Ecuador. Memoria explicativa de los mapas de vegetación potencial
y remanente a escala 1:250000 y del modelamiento predictivo con especies indicadoras.
EcoCiencia- CESLA-Corporación Ecopal-MAG SIGAGRO-CDC-Jatunsacha-IGM. Quito-
Ecuador.
Barabási, A. L. 2002. Linked: the new science of networks. – Cambridge, MA: Pegasus.
Barbero, M. y Quézel, P. 1975. Les forets de Sapin sur le pourtour méditerranéen. Anales del Instituto
Botánico Cabanilles 32: 1245-1289.
Barbier, N., Couteron, P., Lejoly, J., Deblauwe, V. y Lejeune, O. 2006. Self-organized vegetation
patterning as a fingerprint of climate and human impact on semi-arid ecosystems. Journal of
Ecology 94: 537-547.
Barboni, D., Harrison, S. P., Bartlein, P. J., Jalut, G, New, M., Prentice, I. C., Sanchez-Goñi, M. F.,
Spessa, A., Davis, B. y Stevenson, A. C. 2004. Relationship between plant traits and climate in
the Mediterranean region: A pollen data analysis. Journal of Vegetation Science 15: 635-646.
Barnard, G.A. 1963. Discussion on: The spectral analysis of point processes (by M. S. Bartlett).
Journal of the Royal Statistical Society. Series B (Methodological) 25: 294.
Barot, S., Gignoux, J. y Menaut, J.C. 1999. Demography of savanna palm tree: predictions from
comprehensive spatial pattern analyses. Ecology 80: 1987-2005.
Barral Silva, M. T., Silva Hermo, B., García-Rodeja, B. y Vazquez Freire, N. 2005. Reutilization of
granite powder as an amendment and fertilizer for acid soils. Chemosphere 61: 993-1002.
Barthlott W., Biedinger N., Braun G., Feig F., Kier G. y Mutke J. 1999. Terminological and
methodological aspects of the mapping and analysis of global biodiversity. Acta Botanica
Fennica 162: 103-110.
Batllori, E. y Gutiérrez, E. 2008. Regional tree line dynamics in response to global change in the
Pyrenees. Journal of Ecology 96: 1275-1288.
Bedia, J. y Busqué, J. 2012. Productivity, grazing utilization, forage quality and primary production
controls of species-rich alpine grasslands with Nardus stricta in northern Spain. Grass and Forage
Science, DOI: 10.1111/j.1365-2494.2012.00903.x
Bedia, J., Busqué, J. y Gutiérrez, J.M. 2011. Predicting plant species distribution across an alpine
rangeland in Northern Spain. A comparison of probabilistic methods. Applied Vegetation Science
14: 415-432.
324 BIBLIOGRAFÍA
Beckage, B. y Clark J. S. 2003. Seedling survival and growth of three forest species the role of spatial
heterogeneity. Ecology 84: 1849-1861.
Beier, P., Majka, D. R. y Spencer, W. D. 2008. Forks in the Road: Choices in Procedures for
Designing Wildland Linkages. Conservation Biology 22: 836-851.
Benitez-Malvido J., 1998. Impact of forest fragmentation on seedling abundance in a tropical rain
forest. Conservation Biology 12: 380-389.
Bennett, A. F., Crooks, K. R. y Sanjayan, M. A. 2006. The future of connectivity conservation. En:
Connectivity Conservation, (eds. Crooks, K. R. y Sanjayan, M.), pp. 676-694. Cambridge
University Press, New York, Estados Unidos de América.
Bennetts, R. E., Nichols, J. D., Lebreton, J. D., Pradel, R., Hines, J. E. y Kitchens, W. M. 2001.
Methods for estimating dispersal probabilities and related parameters using marked animals. En:
Dispersal (eds Clobert, J., Danchin, E., Dhondt, A. y Nichols, J.D.), pp. 3-17. Oxford University
Press, Oxford, Reino Unido.
Bergman, C. M., Schaefer, J. M. y Luttich, S. N. 2000. Caribou movement as a correlated random
walk. Oecologia 123: 364-74.
Berntson, G.M. y Stoll, P. 1997. Correcting for finite spatial scales of self-similarity when calculating
the fractal dimension of real-world structures. Proceedings of the Royal Society of London Series
B Biological Sciences 264: 1531-1537.
Bertin, B. I. 2007. Sex allocation in Carex (Cyperaceae): effects of light, water, and nutrients.
Canadian Journal of Botany 85: 377-384.
Bertin, L., Dellavedova, R., Gualmini, M., Rossi, G. y Tomaselli, M. 2001. Monitoring plant diversity
in the northern Apennines, Italy. Archivio Geobotanico 7: 71-74.
Bertin, R. I. y Kerwin, M. A. 1998. Floral sex ratios and ginomonoecy in Aster (Asteraceae).
American Journal of Botany 85: 235-244.
Bertness, M.D. y Callaway, R. 1994. Positive interactions in communities. Trends in Ecology and
Evolution 9: 191-193.
Besag, J. y Diggle, P. J. 1977. Simple Monte Carlo tests for spatial pattern. Applied Statistics 26: 327-
333.
Biere, A. 1995. Genotypic and plastic variation in plant size: effects on fecundity and allocation
patterns in Lychnis flos-cuculi along a gradient of natural soil fertility. Journal of Ecology 83:
629-642.
Bierregaard, R. O., Lovejoy, T. E., Kapos, V., Dos Santos A. A. y Hutching, R.W. 1992. The
biological dynamics of tropical rainforest fragments: a prospective comparison of fragments and
continuous forest. Bioscience 42: 859-866.
Billings, W.D. y Bliss, L.C. 1959. An Alpine Snowbank Environment and Its Effects on Vegetation,
Plant Development, and Productivity. Ecology 40: 388-397.
Bithell, J.F. 1990. An application of density-estimation to geographical epidemiology. Statistics in
Medicine 9: 691-701.
Bivand, R. S., Pebesma, E., y Gómez-Rubio, V. 2008. Applied Spatial Data Analysis with R. Springer
Verlag, New York.
Bivand, R. y Yu, D. 2009. spgwr: Geographically weighted regression. R package version 0.6-2.
http://CRAN.R-project.org/package=spgwr
Björk, R.G. y Molau, U. 2007. Ecology of alpine snowbeds and the impact of global change. Arctic,
Antarctic and Alpine Research 39: 34-43.
Blanca, G., Cabezudo, B., Hernández-Bermejo, J. E., Herrera, C. M., Muñoz, J. y Valdés, B. 2000.
Libro Rojo de la Flora Amenazada de Andalucía. Consejería de Medio Ambiente, Junta de
Andalucía, Sevilla.
Blanchet, F. G., Legendre, P. y Borcard, D. 2008. Forward selection of explanatory variables.
Ecology 89: 2623-2636.
Blanco-Moreno, J.M. y Dale, M.R.T. 2008. Ecological boundary detection in point paterns. En:
BIBLIOGRAFÍA 325
EURECO-GfÖ 2008: Biodiversity in an ecosystem context (eds. Stadler, J., Schöppe, F. y Frenzel,
M.), Leipzig, Germany.
Blanco-Moreno, J.M., Chamorro, L., Izquierdo, J., Masalles, R.M. y Sans, F.X. 2008. Modelling
within-field spatial variability of crop biomass – weed density relationships using geographically
weighted regression. Weed Research 48: 512-522.
Bliss, L.C. 1971. Arctic and Alpine Plant Life Cycles. Annual Review of Ecology and Systematics 2:
405-438.
Blondel, J. y Aronson, J. 1999. Biology and wildlife in Mediterranean region. Oxford University
Press Oxford United Kingdom.
Bock, M., Bowman, A.W. y Ismail, B. 2007. Estimation and inference for error variance in bivariate
nonparametric regression. Statistics and Computing 17: 39-47.
Bodin, Ö. y Norberg, J. 2007. A network approach for analyzing spatially structured populations in
fragmented landscape. Landscape Ecology 22: 31-44.
Boisvenue, C. y Running, S. W. 2006. Impacts of climate change on natural forest productivity-
evidence since the middle of the 20th century. Global Change Biology 12: 1-12.
Bolker, B.M. y Pacala, S.W. 1999. Spatial moment equations for plant competition: understanding
spatial strategies and the avantages of short dispersal. The American Naturalist 162: 135-148.
Bolker, B.M., 2003. Combining endogenous and exogenous variability in analytical population
models. Theoretical Population Biology 64: 255-270.
Boone R. B. y Hunter M. L. 1996. Using diffusion models to simulate the effects of land use on
grizzly bear dispersal in the Rocky Mountains. Landscape Ecology 11: 51–64.
Borcard, D. y Legendre, P. 2002. All-scale spatial analysis of ecological data by means of principal
coordinates of neighbour matrices. Ecological Modelling 153: 51-68.
Borcard, D., Legendre, P., Avois-Jacquet, C. y Tuomisto, H. 2004. Dissecting the spatial structure of
ecological data at multiple scales. Ecology 85: 1826-1832.
Borcard, D., Legendre, P. y Drapeau, P. 1992. Partialling out the spatial component of ecological
variation. Ecology 73: 1045-1055
Bowman, A.W. 2006. Comparing nonparametric surfaces. Statistical Modelling 6: 279-299.
Bowman, A.W. y Azzalini, A. 1997. Applied smoothing techniques for data analysis the kernel
approach with S-Plus illustrations. Oxford University Press, Oxford, New York.
Bowman, A.W. y Azzalini, A. 2007. R package 'sm': nonparametric smoothing methods. R package
version 2.2. URL http://www.stats.gla.ac.uk/~adrian/sm, http://azzalini.stat.unipd.it/Book_sm
Bowman, A.W., Pope, A. y Ismail, B. 2006. Detecting discontinuities in nonparametric regression
curves and surfaces. Statistics and Computing 16: 377-390.
Bowman, J., Jaeger, J. A. G. y Fahrig, L. 2002. Dispersal distance of mammals is proportional to
home range size. Ecology 83: 2049-2055.
Breland, T.A. y Hansen, S. 1996. Nitrogen mineralization and microbial biomass as affected by soil
compaction. Soil Biology and Biochemistry 28: 655-663.
Brenner, A. J., Jarvis, P. G. y Van den Belt, R. J. 1995. Windbreak-crop interactions in the Sahel. 2.
Growth response of millet in shelter. Agricultural and Forest Meteorology 75: 235-262.
Brooker, R. W. 2006. Plant-Plant interaction and environmental change. New Phytologist 171: 271-
284.
Brooker, R.W., Maestre, F.T., Callaway, R.M., Lortie, C.L., Cavieres, L.A., Kunstler, G., Liancourt,
P., Tielbörger, K., Travis, J.M.J., Anthelme, F., Armas, C., Coll, L., Corcket, E., Delzon, S.,
Forey, E., Kikvidze, Z., Olofsson, J., Pugnaire, F., Quiroz, C.L., Saccone, P., Schiffers, K.,
Seifan, M., Touzard, B. y Michalet, R. 2008. Facilitation in plant communities: the past, the
present, and the future. Journal of Ecology 96: 18-34.
Brooker, R.W., Scott, D., Palmer, S.C.F. y Swaine, E. 2006. Transcient facilitative effects of heather
on Scots pine along disturbance gradient in Scottish moorland. Journal of Ecology 94: 637-645.
326 BIBLIOGRAFÍA
Brooker, R. W., Travis, J. M., Clark, E. J. y Dytham, C. 2007. Modelling species range shifts in a
changing climate: The impacts of biotic interactions, dispersal distance and the rate of climate
change. Journal of Theoretical Biology 245: 59-65.
Broquet, T., Ray, N., Petit, E., Fryxell, J. M. y Burel, F. 2006. Genetic isolation by distance and
landscape connectivity in the American marten (Martes americana). Landscape Ecology 21: 877-
889.
Bruhns, K.O. 1994. Ancient South America. Cambridge University Press. New York-USA.
Brunsdon, C. 1995. Estimating probability surfaces for geographical point data: an adaptive kernel
algorithm. Computers & Geosciences 21: 877-894.
Brunsdon, C., Fotheringham, A.S. y Charlton, M. 1999. Some notes on parametric significance tests
for geographically weighted regression. Journal of Regional Science 39: 497-524.
Bubb, P., May, I., Miles, L. y Sayer, J. 2004. Cloud Forest Agenda. UNEP-WCMC, Cambridge, UK.
http://www.unepwcmc.org/resources/publications/ UNEO_WCMC_bio_series/2.html. consultado
el 10-15-2008.
Buide, M. L. 2006. Pollination ecology of Silene acutifolia (Caryophyllaceae): Floral traits variation
and pollinator attraction. Annals of Botany 97: 289-297.
Bunde, A. y Havlin, S. 1994. Fractals in Science. Springer Verlag, Berlin.
Burd, M. 1999. Flower number and floral components in ten angiosperm species: an examination of
assumptions about trade-offs in reproductive evolution. Biological Journal of the Linnean Society
68: 579-592.
Burnham, K.P. y Anderson, D.R. 1998. Model selection and inference: A practical Information-
Theoretic Approach. Springer, New York.
Burnham, R. J. 2004. Alpha and beta diversity of lianas in Yasuni, Ecuador. Forest Ecology and
Managment 190: 43-55.
Byars, S. G., Papst, W. y Hoffmann, A. A. 2007. Local adaptation and cogradient selection in the
alpine plant, Poa hiemata, along a narrow altitudinal gradient. Evolution 61: 2925-2941.
Cabeza, M. 2003. Habitat loss and connectivity of reserve networks in probability approaches to
reserve design. Ecology Letters 6: 665-672.
Calabrese, J. M. y Fagan, W. F. 2004. A comparison-shopper's guide to connectivity metrics.
Frontiers in Ecology and the Environment 2: 529-536.
Callaway, R. M. 1995. Positive interactions among plants. The Botanical Review 61: 306-349.
Callaway, R. M. 1998. Are positive interactions species-specific? Oikos 82: 202-207.
Callaway, R.M., Brooker, R.W., Choler, P., Kikvidze, Z., Lortie, C.J., Michalet, R., Paolino, L.,
Pugnaire, F.I., Newingham, B., Aschehoug, E.T., Armas, C., Kikodze, D. y Cook, B.J. 2002.
Positive interactions among alpine plants increase with stress. Nature 417: 844-848.
Callaway, R. M. y Walker, L. R. 1997. Competition and facilitation: A synthetic approach to
interactions in plant communities. Ecology 78: 1958-1965.
Camarero, J.J. y Fortin, M.J. 2008. Detección cuantitativa de fronteras ecológicas y ecotonos. En:
Introducción al análisis espacial de datos en Ecología y Ciencias Ambientales: Métodos y
aplicaciones (eds. Maestre, F. T., Escudero, A. y Bonet, A.), pp. 345-369. Asociación Española
de Ecología Terrestre, Universidad Rey Juan Carlos y Caja de Ahorros del Mediterráneo, Madrid.
Canham, C.D., Finzi, A.C., Pacala, S. W. y Burbank, D. H. 1994. Causes and consequences of
resource heterogeneity in forests - interspecific variation in light transmission by canopy trees.
Canadian Journal of Forest Research 24: 337-349.
Carlsson, B.A., y Callaghan, T.V. 1991. Positive plant interactions in tundra vegetation and the
importance of shelter. Journal of Ecology 79: 973.
Casetti, E. 1972. Generating models by expansion method - Applications to geographical research.
Geographical Analysis 4: 81-91.
BIBLIOGRAFÍA 327
Grandewell G.R.), pp. 298-313. Centre for Agricultural Publishing and Documentation,
Wageningen, The Netherladns.
Connel, J. H., Tracey, J. G. y Webb, L. J. 1984. Compensatory recruitment, growth, and mortality as
factors maintaining rain forest tree diversity. Ecological Monographs 54: 141-164.
Coulon, A., Cosson, J. F., Angibault, J. M., Cargnelutti, B., Galan, M., Morellet, N., Petit, E.,
Aulagnier, S. y Hewison, A. J. 2004. Landscape connectivity influences gene flow in a roe deer
population inhabiting a fragmented landscape: an individual-based approach. Molecular Ecology
13: 2841-2850.
Cousens, R.D. 1985. A simple model relating yield loss to weed density. Annals of Applied Biology
107: 239-252.
Cox, D. R. 1972. The statistical analysis of dependencies in point processes. En: Stochastic Point
Processes (ed. Lewis, P. A. W.), pp. 55-66. Wiley, New York.
Crist, T. O., Guertin, D. S., Wiens, J. A. y Milne, B. T. 1997. Animal movements in heterogeneous
landscapes: an experiment with Eleodes beetles in shortgrass prairie. Functional Ecology 6: 536-
544.
Crooks, K. R. y Sanjayan, M. 2006. Connectivity Conservation. Cambridge University Press,
Cambridge, Reino Unido.
Cushman, S. A., McKelvey, K. S., Hayden, J. y Schwartz, M. K. 2006. Gene flow in complex
landscapes: testing multiple hypotheses with causal modeling. American Naturalist 168: 486-499.
Cutler, N.A., Belyea, L.R. y Dugmore, A.J. 2008. The spatiotemporal dynamics of a primary
succession. Journal of Ecology 96 231-246.
Dale, M.R.T. 2000. Spatial pattern analysis in plant ecology, 1a ed. Cambridge University Press,
Cambridge, UK.
Damschen, E. I., Haddad, N. M., Orrock, J. L., Tewksbury, J. J. y Levey, D. J. 2006. Corridors
increase plant species richness at large scales. Science 313: 1284-1286.
Day. K. J., Hutchings. M. J. y John, E. A. 2003a. The effects of spatial pattern of nutrient supply on
the early stages of growth in plant populations. Journal of Ecology 91: 305-315.
Day, K. J., Hutchings, M. J. y John, E. A. 2003c. The effects of spatial pattern of nutrient supply on
yield, structure and mortality in plant populations. Journal of Ecology 91: 541-553.
Day, K. J., John, E. A. y Hutchings, M. J. 2003b. The effects of spatially heterogeneous nutrient
supply on yield, intensity of competition and root placement patterns in Briza media and Festuca
ovina. Functional Ecology 17: 454 - 463.
De Boeck, H. J., Nijs, I., Lemmens, C. y Ceulemans, R. 2006. Underlying effects of spatial
aggregation (clumping) in relationship between plant diversity and resource uptake. Oikos 113:
269-278.
De la Cruz, M. 2006. Introducción al análisis de datos mapeados o algunas de las (muchas) cosas que
puedo hacer si tengo coordenadas. Ecosistemas 15 (3): 19-39.
De la Cruz, M. 2008. Métodos para analizar datos puntuales. En: Introducción al análisis espacial de
datos en Ecología y Ciencias Ambientales: Métodos y aplicaciones (eds. Maestre, F. T.,
Escudero, A. y Bonet, A.), pp. 345-369. Asociación Española de Ecología Terrestre, Universidad
Rey Juan Carlos y Caja de Ahorros del Mediterráneo, Madrid.
De la Cruz, M., Romao, R. L., Escudero, A. y Maestre, F. T. 2008. Where do seedlings go? A spatio-
temporal analysis of seedling mortality in a semi-arid gypsophyte. Ecography 31: 720-730.
De los Santos, A., Alonso, E. J., Hernández, E. y Pérez, A. M. 2002a. Environmental correlates of
darkling beetle population size (Col. Tenebrionidae) on the Cañadas of Teide in Tenerife (Canary
Islands). Journal of Arid Environments 50: 287-308.
De los Santos A., Ferrer, F. J. y de Nicolás, J. P. 2002b. Habitat selection and assemblage structure of
darkling beetles (Col. Tenebrionidae) along environmental gradients on the island of Tenerife
(Canary Islands). Journal of Arid Environments 52: 63-85.
BIBLIOGRAFÍA 329
De los Santos, A., Ferrer, F., de Nicolas, J. P. y Crist, T. O. 2006. Thermal habitat and life history of
two congeneric species of darkling beetles (Coleoptera: Tenebrionidae) on Tenerife (Canary
Islands). Journal of Arid Environments 65: 363–385
De los Santos, A., Montes, C. y Ramírez-Díaz, L. 1982. Un nuevo diseño de trampa de caída para el
estudio de poblaciones de coleópteros terrestres de superficie. Mediterranea 6: 93-99.
De Luis, M., Raventós, J., Cortina, J., Moro, M. J. y Bellot, J. 1998. Assessing components of a
competition index to predict growth in an evenaged Pinus nigra stand. New Forests 15: 223-242.
De Valpine, P. y Harte, J. 2001. Plant responses to experimental warming in a montane meadow.
Ecology, 82: 637-648.
Del Pozo, A., Ovalle, C., Casado, M. A., Acosta, B. y De Miguel, J. M. 2006. Effects of grazing
intensity in grasslands of the Espinal of Central Chile. Journal of Vegetation Science 17: 791-798
DeLaune, M. 2001. Xtools Arc View extention. Oregon Department of Forestry, State Forests
Management Program. http://www.odf.state.or.us/divisions/mamnagment/Stateforests/Xtools.asp.
Consultado el 09-17-2004.
Delph, L. F., Frey, F. M., Steven, J. C. y Gehring, J. L. 2004. Investigating the independent evolution
of the size of floral organs via G-matrix estimation and artificial selection. Evolution and
Development 6: 438-448.
Dette, H. y Neumeyer, N. 2001. Nonparametric analysis of covariance. Annals of Statistics 29: 1361-
1400.
Diggle P. J. 1983. Statistical Analysis of Spatial Point Patterns. Academic Press, London.
Diggle, P. J. 1985. A kernel-method for smoothing point process data. Journal of the Royal Statistical
Society. Series C (Applied Statistics) 34: 138-147.
Diggle, P. J. 2000. Overview of statistical methods for disease mapping and its relationship to cluster
detection. En: Spatial Epidemiology: Methods and Applications (eds. Elliott, P., Wakefield, J.,
Best, N., y Briggs, D.), pp. 87–103. Oxford University Press, Oxford.
Diggle, P. J. 2003. Statistical analysis of spatial point patterns, 2a ed. Arnold, London, UK.
Diggle, P. J. y Chetwind, A. G. 1991. Second order analysis of spatial clustering for inhomogenous
populations. Biometrics 47: 1155-1163.
Diggle, P. J., Gómez-Rubio, V., Brown, P. E., Chetwynd, A., y Gooding, S. 2007. Second-order
analysis of inhomogeneous spatial point processes using case-control data. Biometrics 63: 550-
557.
Diggle, P. J. y Rowlingson, B. 1994. A conditional approach to point process modelling of elevated
risk. Journal of the Royal Statistical Society, Series A 157: 433-440.
Diggle, P. J., Zheng, P., and Durr, P. 2005. Nonparametric estimation of spatial segregation in a
multivariate point process: bovine tuberculosis in Cornwall, UK. Journal of the Royal Statistical
Society: Series C (Applied Statistics) 54(3): 645-658.
Dirzo, R. y Raven, P. H. 2003. Global state of biodiversity and loss. Annual Review Environmental
Resources 28: 137-167.
Dixon, P.M. 2002. Ripley's K function. En: Encyclopedia of Environmetrics (eds. El-Shaarawi, A. H.
y Piegorsch, W. W.), Vol. 3, pp. 1796-1803. John Wiley & Sons, Ltd., Chichester.
Dodson, C. H. y Gentry, A. H. 1991. Biological extinction in Western Ecuador. Annals of the
Missouri Botanical Garden.78, 273-295.
Dorken, M. E. y Mitchard, E. T. A. 2008. Phenotypic plasticity of hermaphrodite sex allocation
promotes the evolution of separate sexes: an experimental test of the sex-differential plasticity
hypothesis using Sagittaria latifolia (Alismataceae). Evolution 62: 971-978.
Dormann, C. F. y Broker, R. W. 2002. Facilitation and competition in the high Artic: the importance
of the experimental approach. Acta Oecologica 23: 297-301.
Dray, S., Legendre, P. y Peres-Neto, P. R. 2006. Spatial modelling: a comprehensive framework for
principal coordinate analysis of neighbour matrices (PCNM). Ecological Modelling 196: 483-493.
330 BIBLIOGRAFÍA
Driezen, K., Adriaesen, F., Rondinini, C., Doncaster, C. P. y Matthysen, E. 2007. Evaluating least-
cost model predictions with empirical dispersal data: a case-study using radiotracking data of
hedgehogs (Erinaceus europaeus). Ecological Modelling 209: 314-322.
Dullinger, S., Dirnböck, T., Köck, R., Hochbichler, E., Englisch, T., Sauberer, N. y Grabherr, G.
2005. Interactions among tree-line conifers: differential effects of pine on spruce and larch.
Journal of Ecology 93: 948-957.
Dunning, J. B., Stewart, D. J., Danielson, B. J., Noon, B. R., Root, T. L., Lamberson, R. H. y Stevens,
E. E. 1995. Spatially explicit population-models: current forms and future uses. Ecological
Applications 5: 3-11.
Dutilleul, P. 1993. Modifying the t test for assessing the correlation between two spatial processes.
Biometrics 49: 305-314.
Dye, D.G. y Goward, S.N. 1993. Photosynthetically active radiation absorbed by global land
vegetation in August 1984. International Journal of Remote Sensing 14: 3361-3364.
Dytham, C. 2003. Choosing and using statistics: a biologist's guide, second ed. Blackwell Science,
York-UK.
Echavarria, F. R. 1998. monitoring forests in the Andes using remote sensing: an example from
Southern Ecuador. En Nature's Geography: New Lessons for Conservation in Developing
Countries (eds. Zimmerer K. S. y Young K. R.), pp. 100-120. University of Wisconsin Press,
Madison-USA.
Echeverría, C., Cayuela, L., Manson, R.H., Coomes, D. A., Lara, A., Rey-Benayas J.M. y Newton, A.
C. 2007. Spatial and temporal patterns of forest loss and fragmentation in Mexico and Chile. En
Biodiversity loss and conservation in fragmented forest landscapes. The forests of montane
Mexico and temperate South America (ed. Newton, A.C.), pp. 14-42. CAB International. Oxford-
UK.
Echeverria, C., Coomes, D., Salas, J., Rey-Benayas, J. M., Lara, A. y Newton, A. 2006. Rapid
deforestation and fragmentation of Chilean temperate forests. Biological Conservation 130: 481-
494.
Eckhart, V. M. y Chapin, F. S. III. 1997. Nutrient sensitivity of the cost of male function in
gynodioecious Phacelia linearis (Hydrophyllaceae). American Journal of Botany 84: 1092-1098.
Edwards, C. y Mason, W. L. 2006. Stand structure y dynamics of four native Scots pine (Pinus
sylvestris L.) woodlands in northern Scotland. Forestry 79: 261-277.
Ehrenfeld, J.G., Han, X., Parsons, W.F.J. y Zhu, W. 1997. On the nature of environmental gradients.
Temporal and spatial variability of soils and vegetation in the New Jersey pineland. Journal of
Ecology 85: 85-798.
El Saleous, N.Z., Vermote, E.F., Justice, C.O., Townshend, J.R.G., Tucker, C.J. y Goward, S.N. 2000.
Improvements in the global biospheric record from the Advanced Very high resolution radiometer
(AVHRR). International Journal of Remote Sensing 21: 1251-1277.
Epanečnikov, V.A. 1969. Non-parametric estimation of a multivariate probability density. Theory of
Probability and its Applications 14: 153-158.
Escós, J.M., Alados, C.L. y Emlen, J.M. 1995. Fractal structures and fractal functions as disease
indicators. Oikos 74:310-314.
Escudero, A., Giménez-Benavides, L., Iriondo y J. M., Rubio, A. 2004. Patch dynamics and islands of
fertility in a high mountain Mediterranean community. Artic, Antarctic and Alpine Research 36:
518-527.
Espinosa, R., 1948. Estudios botánicos en el sur del Ecuador. Universidad Nacional de Loja, Loja-
Ecuador.
Estrada, E. y Bodin, Ö. 2008. Using network centrality measures to manage landscape connectivity.
Ecological Applications 18: 1810-1825.
Estrada, J., Pedrocchi, V., Brotons, L. y Herrando, S. 2004. Atles dels Ocells Nidificants de Catalunya
1999-2002. Institut Català d’Ornitologia (ICO)/Lynx Edicions, Barcelona, España.
BIBLIOGRAFÍA 331
Eubank, R.L. 1999. Nonparametric Regression and Spline Smoothing, 2a ed. M. Dekker, New York.
Fabbro, T. y Körner, Ch. 2004. Altitudinal differences in flower traits and reproductive allocation.
Flora 199: 70-81
Facelli, E. y Facelli, J. M. 2002 Soil phosphorus heterogeneity and mycorrhizal symbiosis regulate
plant intra-specific competition and size distribution. Oecologia 133: 54 - 61.
Fagan, W. F. 2002. Connectivity, fragmentation, and extinction risk in dendritic metapopulations.
Ecology 83: 3243-3249.
Fagan, W. F. y Calabrese, J. M. 2006. Quantifying connectivity: balancing metric performance with
data requirements. En: Connectivity Conservation (eds. Crooks, K. R. y Sanjayan, M.), pp 297-
317. Cambridge University Press, New York, Estados Unidos de América.
Fagan, W.F., Fortin, M.J. y Soykan, C. 2003. Integrating edge detection and dynamic modeling in
quantitative analyses of ecological boundaries. Bioscience 53: 730-738.
Fahrig, L. 2007. Non-optimal animal movement in human-altered landscapes. Functional Ecology 21:
1003-1015.
Fajardo, A., Quiroz, C. L. y Cavieres, L. A. 2008. Spatial patterns in cushion-dominated plant
communities of the high Andes of central Chile: How frequent are positive associations? Journal
of Vegetation Science 19: 87-96.
Fall, A., Fortin, M. J., Manseau, M., y O’Brien, D. 2007. Spatial graphs: principles and applications
for habitat connectivity. Ecosystems 10: 448-461.
Fan, J.Q. 1993. Local linear-regression smoothers and their minimax efficiencies. Annals of Statistics
21: 196-216.
Fan, J.Q. y Gijbels, I. 1992. Variable bandwidth and local linear-regression smoothers. Annals of
Statistics 20: 2008-2036.
Fang, W. 2005. Spatial analysis of an invasion front of Acer platanoides: dynamic inferences from
static data. Ecography: 28: 283-294.
FAO. 1993. Summary of the final report of forest resource assessment 1990 for the tropical world.
FAO, Roma.
FAO. 2007. Situación de los bosques del mundo. Organización de las Naciones Unidas para la
agricultura y la alimentación. FAO, Roma.
Farmer, D., Ott, E. y Yorke, J.A. 1983. The dimension of chaotic attractors. Physica 7D: 153-180.
Felicísimo, A. M., Muñoz, J. y González-Solis, J. 2008. Ocean Surface Winds Drive Dynamics of
Transoceanic Aerial Movements. PLoS ONE 3(8): e2928.
Ferrari, J. R., Lookingbill, T. R. y Neel, M.C. 2007. Two measures of landscape-graph connectivity:
assessment across gradients in area and configuration. Landscape Ecology 22: 1315-1323.
Ferraz, G., Russell, G. J., Stouffer, P. C., Bierregaard, R. O., Pimm, S. L. y Lovejoy, T. E. 2003.
Rates of species loss from Amazonian forest fragments. Proceedings of the National Academy of
Sciences 100: 14069–14073.
Ferrer, F. J., Cabrera, P. G., García, A. y de Nicolás, J. P. 1996a. Metodología sobre cartografía
bioclimática. En: Clima y agua: gestión de un recurso climático (eds. Marzol, M. V., Dorta, P. y
Valladares P.), pp. 365-378. Universidad de La Laguna y Asociación de Geógrafos Españoles. La
Laguna.
Ferrer, F. J., Cabrera, P. G., García, A. y de Nicolás, J. P. 1996b. Cartografía climática básica. Su
significación aplicada. En: Clima y agua: gestión de un recurso climático (eds. Marzol, M. V.,
Dorta, P. y Valladares P.), pp. 379-383. Universidad de La Laguna y Asociación de Geógrafos
Españoles. La Laguna.
Ferreras, P. 2001. Landscape structure and asymmetrical inter-patch connectivity in a metapopulation
of the endangered Iberian lynx. Biological Conservation 100: 125-136.
Fischer, J. y Lindenmayer, D. B. 2006. Beyond fragmentation: the continuum model for fauna
research and conservation in human-modified landscapes. Oikos 112: 473-480.
332 BIBLIOGRAFÍA
Gentry, A. H. 1995. Patterns of diversity and floristic composition in neotropical montane forests En
Biodiversity and conservation of neotropical montane forests (eds. Churchill, S.P., Balslev, H.,
Forero, E. y Luteyn J. L.), pp. 103-126. New York Botanical Garden, New York.
Gentry, A. H. y Dodson, C. 1987. Contribution of nontrees to species richness of a tropical rain forest.
Biotropica. 19: 149-156.
Gersani, M., Brown, J. S., O`Brien, E. E., Maina, G. M. y Abramsky, Z. 2001. Tragedy of the
commons as a result of root competition. Journal of Ecology 89: 660-669.
Getzin, S., Dean, C., He, F., Trofymow, J. A., Wiegand, K. y Wiegand, T. 2006. Spatial patterns and
competition of tree species in a Douglas-fir chronosequence on Vancouver Island. Ecography, 29:
671-682.
Getzin, S., Wiegand, T., Wiegand, K. y He, F. 2008. Heterogeneity influences spatial patterns and
demographics in forest stands. Journal of Ecology 96: 807-820.
Gilbert, R.O. 1987. Statistical Methods for Environmental Pollution Monitoring.Wiley.
Giménez-Benavides, L. 2006. Cambio climático en la alta montaña mediterránea. Ecología
reproductiva, potencial adaptativo y viabilidad poblacional de Silene ciliata. Tesis Doctoral.
Dpto. de Matemáticas y Física Aplicadas y Ciencias Naturales. Universidad Rey Juan Carlos.
Móstoles, Madrid. 196 pp.
Giménez-Benavides, L., Dötterl, S., Jürgens, A., Escudero, A. y Iriondo, J. M. 2007a. Generalist
diurnal pollination provides greater fitness in a plant with nocturnal pollination syndrome:
assessing the effects of a Silene-Hadena interaction. Oikos 116: 1461-1472.
Giménez-Benavides, L., Escudero, A. y Iriondo, J. M. 2007b. Reproductive limits of a late-flowering
high-mountain Mediterranean plant along an elevational climate gradient. New Phytologist 173:
367-382
Giménez-Benavides, L., Escudero, A. y Iriondo, J. M. 2007c. Local adaptation enhance seeling
recruitment along an altitudinal gradient in high mountain Mediterranean plant. Annals of Botany
99: 723-734.
Giménez-Benavides, L., Escudero, A., Perez-Garcia, F. 2005. Seed germination of high mountain
Mediterranean species, altitudinal, interpopulation and interanual variability. Ecological Research
20: 433-444.
Gimeno, T.E., Valladares, F. y Escudero, A. 2009. Plasticity and stress tolerance override local
adaptation in the responses of Mediterranean holm oak seedlings to drought and cold. Tree
Physiology 29: 87-98.
Goetz, S.J., Baccini, A., Laporte, N.T., Johns, T., Walker, W., Kellndorfer, J., Houghton, R.A. y Sun,
M. 2009. Mapping and monitoring carbon stocks with satellite observations: A comparison of
methods. Carbon Balance and Management 4: 2.
Goldberg, D. E. 1987. Neighbourhood competition in an old field plant community. Ecology 68:
1211-1223.
Gómez-Aparicio, L., Valladares, F., Zamora, R. y Quero, J. L. 2005. Response of tree seedlings to the
abiotic heterogeneity generated by nurse shrubs: an experimental approach at different scales.
Ecography 28: 757-768
Gómez-Aparicio, L., Zamora, R., Gómez, J.M., Hódar, J.A., Castro, J. y Baraza, J. 2004. Applying
plant facilitation to forest restoration in Mediterranean ecosystems: a meta-analysis of the use of
shrubs as nurse plants. Ecological Applications 14: 1128-1138.
González-Alonso, F., Merino-De-Miguel, S., Roldán-Zamarrón, A., García-Gigorro, S. y Cuevas,
J.M. 2006. Forest biomass estimation through NDVI composites. The role of remotely sensed
data to assess Spanish forests as carbon sinks. International Journal of Remote Sensing 27: 5409-
5415.
Gónzalez-Rodriguez V., Villar R. y Navarro R. M. 2008. Regeneración de cuatro especies de
Quercus. Influencia del progenitor y del micrositio. En: Pastos, clave en la gestión de los
territorios: Integrando disciplinas. (eds: Fernández Rebollo, P., Gómez, A., Guerrero, J. E.,
334 BIBLIOGRAFÍA
Garrido, A., Calzado, C., García, A. M., Carbonero, M. D., Blázquez, A., Escuin, S., y Castillo,
S.), pp. 267-273. Consejería de Agriculutura y Pesca. Junta de Andalucía.
Gordon, H.R., Brown, J.W. y Evans, R.H. 1988. Exact Rayleigh scattering calculations for use with
the Nimbus-7 Coastal Zone Color Scanner. Applied Optics 31: 4247-4259.
Goreaud, F. y Pélissier, R. 1999. On explicit formulas of edge effect correction for Ripley's K-
function. Journal of Vegetation Science 10: 433-438.
Gottfried, M., Pauli, H. y Grabherr, G. 1999. A fine-scaled predictive model for changes in species
distribution patterns of high mountain plants induced by climate warming. Diversity and
Distribution 5: 241-251.
Grabherr, G., Gottfried, M. y Pauli, H. 1994. Climate effects on mountain plants. Nature 369: 448.
Greuter, W. 1995. Silene (Caryophyllaceae) in Greece: a subgeneric and sectional classification.
Taxon 44: 543-581.
Griffith, D.A. 2008. Spatial-filtering-based contributions to a critique of geographically weighted
regression (GWR). Environment and Planning A 40: 2751-2769.
Grillenzoni, C. 2008. Robust nonparametric estimation of the intensity function of point data. Asta-
Advances in Statistical Analysis 92: 117-134.
Grubb P. J. 1977. The maintenance of species–richness in plant communities: the importance of the
regeneration niche. Biological Review 52: 107–145.
Grubesic, T. H., Matisziw, T. C., Murray, A. T. y Snediker, D. 2008. Comparative approaches for
assessing network vulnerability. International Regional Science Review 31: 88-112.
Guisan, A. y Zimmerman, N. E. 2000. Predictive habitat distribution models in ecology. Ecological
Modelling 135: 147-186.
Guitián, P. y Medrano, M. 2000. Sex expression and fruit set in Silene littorea (Caryophyllaceae):
variation among populations. Nordic Journal of Botany 20: 467-473.
Günter, S., Weber, M., Erreis, R. y Aguirre, N. 2007. Influence of distance to forest edges on natural
regeneration of abandoned pastures: a case study in the tropical mountain rainforest of Southern
Ecuador. European Journal Forest Research 126: 67-75.
Gustafson, E. J. y Gardner, R. H. 1996. The effect of landscape heterogeneity on the probability of
patch colonization. Ecology 77: 94-107.
Haase, P. 1995. Spatial pattern analysis in ecology based on Ripley's K-function - Introduction and
methods of edge correction. Journal of Vegetation Science 6: 575-582.
Haining, R.P. 2003. Spatial data analysis: theory and practice. Cambridge University Press,
Cambridge, UK.
Hall, P. 1992. Effect of bias estimation on coverage accuracy of bootstrap confidence-intervals for a
probability density. Annals of Statistics 20: 675-694.
Hall, P., Sheather, S.J., Jones, M.C. y Marron, J.S. 1991. On optimal data-based bandwidth selection
in kernel density-estimation. Biometrika 78: 263-269.
Hall, P. y Titterington, D.M. 1992. Edge-preserving and peak-preserving smoothing. Technometrics
34: 429-440.
Halley, J.M. y Kunin, W.E., 1999. Extinction risk and the 1/f family of noise models. Theoretical
Population Biology 56: 215-230.
Hamilton, L. S., Juvik, J. y Sactena, F.N. 1995. Tropical Montane Cloud Forests. The East West
Center. Honolulu-USA.
Hannah, L., Midgley, G. F., Lovejoy, T., Bond, W. J., Bush, M., Lovett, J. C., Scott, D. y Woodward,
F. I. 2002. Conservation of biodiversity in a changing climate. Conservation Biology 16: 264-268.
Hanski, I. 1989. Metapopulation dynamics: does it help to have more of the same? Trends in Ecology
and Evolution 4: 113-114.
Hanski, I. 1998. Metapopulation dynamics. Nature 396: 41-49.
Hanski, I. y Ovaskainen, O. 2000. The metapopulation capacity of a fragmented landscape. Nature
404: 755-758.
BIBLIOGRAFÍA 335
Härdle, W. y Marron, J.S. 1991. Bootstrap simultaneous error bars for nonparametric regression.
Annals of Statistics 19: 778-796.
Harms, K. E., Wright, S. P., Calderón, O., Hernandez, A. y Herre, E. A. 2000. Pervasive density-
dependent recruitment enhances seedling diversity in a tropical forest. Nature 404: 493-495.
Harris, L. y Silva-Lopez, G. 1992. Forest fragmentation and the conservation of biological diversity.
En Conservation Biology. The theory and practice of nature conservation preservation and
management (eds. Fielder, P. L. y Jain, S. K.), pp. 197-237. Chapman & Hall. New York.
Hastie, T. y Tibshirani, R. 1986. Generalized additive models. Statistical Science 1: 297-318.
Hastie, T. y Tibshirani, R. 1990. Generalized Additive Models. Chapman and Hall, London.
Hastie, T. y Tibshirani, R. 1993. Varying-coefficient models. Journal of the Royal Statistical Society.
Series B (Methodological) 55: 757-796.
Hastings, H.M. y Sugihara, G., 1993. Fractals, a user´s guide for natural sciences. Oxford University
Press, New York.
Hausdorff, J.M., Mitchell, S.L., Firtion, R., Peng, C.K., Cudkowicz, M.E., Wei, J.Y. y Goldberger,
A.L., 1997. Altered fractal dynamics of gait: reduced stride-interval correlations with aging and
huntingtons disease. Journal of Applied Physiology 82: 262-269.
He, F. y Duncan, R. 2000. Density dependent effects on tree survival in an old-growth Douglas fir
forest. Journal of Ecology 88: 676-688.
Heegaard, E. y Vandvik, V. 2004. Climate change affects the outcome of competitive interactions-an
application of principal response curves. Oecologia 139: 459-466.
Hegyi, F. 1974. A simulation model for managing jack-pine stands. En: Growth Models for Tree and
Stand Simulation (ed. Fries, J.), pp. 74-90. Royal College of Forestry, Stockholm, Sweden.
Hein, S., Pfenning, B., Hovestadt, T. y Poethke, H. J. 2004. Patch density, movement pattern and
realised dispersal distances in a patch-matrix landscape: a simulation study. Ecological Modelling
174: 411-420.
Heinz, S. K., Conradt, L., Wissel, C. y Frank, K. 2005. Dispersal behavior in fragmented landscapes:
deriving a formula for patch accessibility. Landscape Ecology 20: 83-99.
Henderson, A., Churchill, S. P. y Luteyn, J. L. 1991. Neotropical plant diversity. Nature. 351: 21-22.
Herben, T., During, H. J. y Krahulec, F. 1995. Spatiotemporal dynamics in mountain grasslands:
species autocorrelations in space and time. Folia Geobotonica et Phytotaxonomica 30: 185-196.
Hernández, L., de los Santos, A. y Ferrer, F. J. 2006. Relationships between life history features and
thermal environment in two species of darkling beetles (Coleoptera, Tenebrionidae) living on a
sandy beach of southeastern Tenerife (Canary Islands). IV Sandy Beaches Symposium Vigo.
Herrera, C.M. 1991. Dissecting factors responsible for individual variation in plant fecundity.
Ecology 72: 1436-1448.
Herrero, A., Quero, J. L. y Zamora, R. 2008. Heterogeneidad ambiental a pequeña escala y patrones
espaciales de supervivencia de especies leñosas en áreas de montaña mediterránea (Sierra
Nevada, Granada). En: Introducción al análisis espacial de datos en ecología y ciencias
ambientales: métodos y aplicaciones (eds. Maestre, F. T., Escudero A. y Bonet, A.), pp. 637-648.
Asociación Española de Ecología Terrestre, Universidad Rey Juan Carlos y Caja de Ahorros del
Mediterráneo, Madrid.
Herrmann, E., Gasser, T. y Kneip, A. 1992. Choice of bandwidth for kernel regression when residuals
are correlated. Biometrika 79: 783-795.
Herrmann, E. y Maechler, M. 2009. lokern: Kernel Regression Smoothing with Local or Global Plug-
in Bandwidth. R package version 1.0-8. URL http://CRAN.R-project.org/package=lokern
Hess, G. R. 1994. Conservation corridors and contagious disease: a cautionary note. Conservation
Biology 8: 256-262.
HidroSIG, versión 3. 0 Beta, 2003. Manual de Usuario. Escuela de Geociencias y Medio Ambiente
Universidad Nacional de Colombia. Sede Medellín. (URL: http://hidraulica. unalmed. edu.
co/hidrosig)
336 BIBLIOGRAFÍA
Hiernaux, P., 1998. Effects of grazing on plant species composition and spatial distribution in
rangelands of the Sahel. Plant Ecology 138: 191-202.
Hill, M. O. y Gauch, H. G. 1980. Detrended Correspondence Analysis, an improved ordination
technique. Vegetatio 42: 47-58.
Hirsch, R.M., Slack, J.R. y Smith, R.A. 1982. Techniques of trend analysis for monthly water quality
data. Water Resources Research 18: 107-121.
Hodgson, J., Thomas, C. D., Wintle, B. A. y Moilanen, A. 2009. Climate change, connectivity and
conservation decision making: back to basics. Journal of Applied Ecology 46: 964-969.
Holderegger, R. y Wagner, H. H. 2008. Landscape genetics. Bioscience 58: 199-208.
Holmes, R. L. 1983. Computer-assisted quality control in tree-ring dating and measurement. Tree-
Ring Bull. 43: 68-78.
Holmes R. L. 1992. Dendrochronology Program Library. Laboratory of Tree-Ring Research,
University of Arizona, Tucson.
Holmgren, M., Scheffer, M. y Huston, M.A. 1997. The interplay of facilitation and competition in
plant communities. Ecology 78: 1966-1975.
Horne, J.S. y Garton, E.O. 2006. Likelihood cross-validation versus least squares cross-validation for
choosing the smoothing parameter in kernel home-range analysis. Journal of Wildlife
Management 70: 641-648.
Hu, K., Ivanov, P.C., Chen, Z., Carpena, P. y Stanley, H.E. 2001. Effect of trends on Detrended
Fluctuation Analysis. Physical Review E 64:1-19.
Hubbel, S. P. 1997. A unified theory of biogeography and relative species abundance and its
applications to tropical rain forests and coral reefs. Coral Reefs 16: 9-21.
Hubbell, S. P. 2001. The unified neutral theory of biodiversity and biogeography. Princeton
University Press. Princeton, New Jersey.
Hubbel, S. P., Condit, R. y Foster, R. B. 1990. Presence and absence of density dependence in a
neotropical tree community. Philosophical Transactions of the Royal Society 330: 269-281.
Hubbel, S. P. y Foster, R. B. 1992. Short-term dynamics of a neotropical forest: why ecological
research matters to tropical conservation and management. Oikos 63: 48-61.
Hurvich, C.M., Simonoff, J.S. y Tsai, C.L. 1998. Smoothing parameter selection in nonparametric
regression using an improved Akaike information criterion. Journal of the Royal Statistical
Society. Series B (Statistical Methodology) 60: 271-293.
Hutchings, M.J., John, E.A. y Wijesinghe, D.K. 2003. Toward Understanding the Consequences of
Soil Heterogeneity for Plant Populations and Communities. Ecology 84: 2322-2334.
Hutchinson, G. E. 1957. Concluding Remarks. Cold Spring Harbor Symp. Quantitative Biology 22:
415 427.
Idrisi versión 15. 01. 2006. Clark Labs, Clark University. Worcester MA. (URL: http://www.
clarklabs. org)
Iglesias, M. C. y Bell, G. 1989. The small-scale spatial distribution of male and female plants.
Oecología 80: 229-235.
Illian, J., Penttinen, A., Stoyan, H. y Stoyan, D. 2008. Statistical analysis and modelling of spatial
point patterns. John Wiley & Sons, Chichester, UK.
Imbernom, J. y Branthomme, A. 2001. Characterization of landscape patterns of deforestation in
tropical rain forest. International Journal of Remote Sensing 22: 1753-1765.
Internicola, A., Juillet, N., Smithson, A. y Gigord, L. 2006. Experimental investigation of the effect of
spatial aggregation on reproductive success in a rewardless orchid. Oecologia 150: 435-441.
IPCC. 2007a. Afforestation, Reforestation, y Deforestation (ARD) Activities. IPCC Special Report on
Land Use, Land-Use Change y Forestry. http: //www.grida.no/Climate/ipcc/land_use/112.htm 3.
IPCC. 2007b. Climate Change 2007. Synthesis Report. IPCC Fourth Assessment Report.
BIBLIOGRAFÍA 337
Jacquemin, H., Endels, P., Honnay, O. y Wiegand, T. 2010. Evaluating management interventions in
small population of a perennial herb Primula vulgaris using spatio-temporal analyses of point
patterns. Journal of Applied Ecology 47: 431-440.
Janzen, D. H. 1970. Herbivores and the number of tree species in tropical forests. The American
Naturalist 104: 501-528.
Jokisch, B. D. y Bridget M. L. 2002. One last stand? Forest change on Ecuador’s eastern cordillera.
The Geographical Review 92: 235-256.
Jongman, R. H. G., Ter Braak, C. J. G. y Van Tongeren, O. F. R. 1987. Data analysis in community
and landscape ecology. Pudoc.Wageningen
Jordán, F., Baldi, A., Orci, K. M., Racz, I. y Varga, Z. 2003. Characterizing the importance of habitat
patches and corridors in maintaining the landscape connectivity of a Pholidoptera transsylvanica
(Orthoptera) metapopulation. Landscape Ecology 18: 83-92.
Jordano, P., Pulido, F., Arroyo, J., García-Castaño, J. L. y García-Fayos, P. 2008. Procesos de
limitación demográfica. En: Ecología del bosque mediterráneo en un mundo cambiante, (ed.
Valladares, F.), pp. 229-248. Ministerio de Medio Ambiente, EGRAF, S.A., Madrid.
Jørgensen, P. M. y León-Yánez, S. 1999. Catalogue of the vascular plants of Ecuador. Missouri
Botanical Garden. St. Louis-USA.
Jurena, P. N. y Archer, S. 2003 Woody plant establishment and spatial heterogeneity in grasslands.
Ecology 84: 907-919.
Jürgens, A. 2004. Flowerscent composition in diurnal Silene species (Caryophyllaceae): phylogenetic
constraints or adaption to flower visitors? Biochemical Systematics and Ecology 32: 841-859
Kadmon, R. y Shmida, A. 1990. Patterns and causes of spatial variation in the reproductive success of
a desert anual. Oecologia 83: 139-144.
Kareiva, P. M. y Shigesada, N. 1983. Analyzing insect movement as a correlated random walk.
Oecologia 56: 234-238.
Kattan, G. H., Alvarez-Lopez, H. y Giraldo, M. 1994. Forest fragmentation and bird extinctions: San
Antonio eighty years later. Conservation Biology 8: 138-146.
Kazakis, G., Ghosn, D., Vogiatzakis, I.N. y Papanastasis, V.P. 2006. Vascular plant diversity and
climate change in the alpine zone of the Lefka Ori, Crete. Biodiversity and Conservation 24(4):
411-418.
Keating, P. L. 1998. Effects of anthropogenic disturbances on páramo vegetation in Podocarpus
National Park, Ecuador. Physical Geography 19: 221-238.
Kéfi, S., Rietkerk, M., Alados, C.L., Pueyo, Y., ElAich, A., Papanastasis, V. y de Ruiter, P.C. 2007a.
Spatial vegetation patterns and imminent desertification in Mediterranean arid ecosystems. Nature
449:213-218.
Kéfi, S., Rietkerk, M., van Baalen, M. y Loreau, M. 2007b. Local facilitation, bistability and
transition in arid ecosystems. Theoretical Population Biology 71: 367-379.
Keitt, T., Urban, D. y Milne, B. T. 1997. Detecting critical scales in fragmented landscapes.
Conservation Ecology 1: art 4.
Kelsall, J. E. y Diggle, P. J. 1995a. Kernel estimation of relative risk. Bernoulli 1: 3-16.
Kelsall, J. E. y Diggle, P. J. 1995b. Non-parametric estimation of spatial variation in relative risk.
Statistics in Medicine 14: 559-573.
Kelsall, J. E. y Diggle, P. J. 1998. Spatial variation in risk of disease: a nonparametric binary
regression approach. Journal of the Royal Statistical Society. Series C (Applied Statistics) 47:
559-573.
Kent, M. y Coker, P. 1992. Vegetation description and analysis. a practical approach. CRC Press,
Boca Ratón.
Kephart S., Reynolds R. J., Rutter M. T., Fenster C. B. y Dudash M. R. 2006. Pollination and seed
predation by moths on Silene and allied Caryophyllaceae: evaluating a model system to study the
evolution of mutualisms. New Phytologist 169: 667-680.
338 BIBLIOGRAFÍA
Kikvidze, Z., Khetsuriani, L., Kikodze, D. y Callaway, R.M. 2001. Facilitation and interference in
subalpine meadows of central Caucasus. Journal of Vegetation Science 12: 833-838.
Kikvidze, Z., Pugnaire, F.I., Brooker, R.W., Choler, P., Lortie, C., Michalet, R. y Callaway, R.M.
2005. Linking patterns and processes in alpine plant communities: A global study. Ecology 86:
1395-1400.
Klanderud, K. 2005. Climate change effects on species interactions in an alpine plant community.
Journal of Ecology 93: 127-137.
Klinkharmer, P. G. L. y de Jong, T. J. 1990. Effects of plant size, plant density and sex differential
nectar reward on visitation in the protandrous Echium vulgare (Boraginaceae). Oikos 57: 399-
405.
Korcak, J., 1938. Deux types fondamentaux de distribution statistique. Bulletin de l´Institut
International de Statistique III: 295-299.
Körner, Ch. 2003. Alpine plant life: functional plant ecology in high mountain ecosystems, 2nd
edition. Springer, Berlin
Körner, Ch. 2007. The use of ‘altitude’ in ecological research. Trends in Ecology & Evolution 11:
569-574.
Körner, Ch. y Larcher, W. 1988. Plant life in cold climates. Symposia of the Society for Experimental
Biology 42: 25-57.
Krankina, O.N., Harmon, M.E., Cohen, W.B., Oetter, D.R., Olga, Z. y Duane, M.V. 2004. Carbon
stores, sinks, and sources in forests of northwestern Russia: Can we reconcile forest inventories
with remote sensing results? Climatic Change 67: 257-272.
Kudo, G, y Hirao, A. 2006. Habitat-specific responses in the flowering phenology and seed set of
alpine plants to climate variation: implications for global-change impacts. Population Ecology 48:
49-58.
Kunstler, G., Thomas, C., Bouchaud, M. y Jacques L. 2006. Indirect facilitation and competition in
tree species colonization of sub-Mediterranean grasslands. Journal of Vegetation Science 17: 379-
388.
Lambrecht, S. C., Loik, M. E., Inouye, D. W.y Harte J. 2007. Reproductive and physiological
responses to simulated climate warming for four subalpine species. New Phytologist 173: 121-
134.
Laurance, W. 1999. Reflections on the tropical deforestation crisis. Biological Conservation 91: 109-
117.
Laver, P.N. y Kelly, M.J. 2008. A critical review of home range studies. Journal of Wildlife
Management 72: 290-298.
Legendre, P. 1993. Spatial autocorrelation: trouble or new paradigm? Ecology 74: 1659-1673.
Legendre, P. 2000. Comparison of permutation methods for the partial correlation and partial Mantel
tests. Journal of Statistical Computation and Simulation 67: 37-73.
Legendre, L. y Fortin M. J. 1989. Spatial pattern and ecological analysis. Vegetatio 80: 207-138.
Legendre, P. y Gallagher, E.D. 2001. Ecologically meaningful transformations for ordination of
species data. Oecologia 129: 271-280.
Legendre, P. y Legendre, L. 1998. Numerical Ecology, 2a ed. Elsevier, Amsterdam, Netherlands.
Leiss, K. A. y Klinkharmer, P. G. L. 2005a. Spatial distribution of nectar production in a natural
Echium vulgare population: Implications for pollinator behaviour. Basic and Applied Ecology 6:
317-324.
Leiss, K. A. y Klinkhamer, P. G. L. 2005b. Genotype by environment interactions in the nectar
production of Echium vulgare. Ecology 19: 454-459.
Leps, J. y Smilauer, P. 2004. Multivariate analysis of ecological data using CANOCO. Cambridge
University Press, Cambridge.
Lesne, A. 2006. Complex networks: from graph theory to biology. Letters in Mathematical Physics
78: 235-262.
BIBLIOGRAFÍA 339
Leung, Y., Mei, C.L. y Zhang, W.X. 2000. Statistical tests for spatial nonstationarity based on the
geographically weighted regression model. Environment and Planning A 32: 9-32.
Levin, S.A. 1974. Dispersion y population interactions. The American Naturalist 108: 207-228.
Linares, J. C. y Carreira, J. A. 2009. Temperate-like stand dynamics in relict Mediterranean-fir (Abies
pinsapo, Boiss.) forests from Southern Spain. Annals of Forest Science 66: 610.
Linares, J. C., Camarero, J. J. y Carreira, J. A. 2009. Interacting effects of climate y forest-cover
changes on mortality y growth of the southernmost European fir forests. Global Ecology and
Biogeography 18: 485-497.
Linares, J.C., Camarero, J.J. y Carreira, J.A. 2010a. Competition modulates the adaptation capacity of
forests to climatic stress: Insights from recent growth decline and death in relict stands of the
Mediterranean fir Abies pinsapo. Journal of Ecology 98: 592-603.
Linares, J.C., J.J. Camarero, M.A. Bowker, V. Ochoa y J.A. Carreira. 2010b. Stand-structural effects
on Heterobasidion abietinum-related mortality following drought events in Abies pinsapo.
Oecologia 164: 1107-1119.
Linares, J.C. 2011. Biogeography and evolution of Abies (Pinaceae) in the Mediterranean Basin. The
roles of long-term climatic changes and glacial refugia. Journal of Biogeography 38: 619-630.
Linares, J.C., Carreira, J.A. y Ochoa, V. 2011a Human impacts drive forest structure and diversity.
Insights from Mediterranean mountain forest dominated by Abies pinsapo. European Journal of
Forest Research 130: 533-542.
Linares, J.C., A. Delgado-Huertas y J.A. Carreira. 2011b. Climatic trends and different drought
adaptive capacity and vulnerability in a mixed Abies pinsapo - Pinus halepensis forest. Climatic
Change 105: 67-90.
Lindborg, R. y Eriksson, O. 2004. Historical landscape connectivity affects present plant species
diversity. Ecology 85: 1840-1845.
Little, S. J., Harcourt, R. G. y Clevenger, A. P. 2002. Do wildlife passages act as prey-traps?
Biological Conservation 107: 135-145.
Lloyd, D. 1990. A phenological classification of terrestrial vegetation cover using shortwave
vegetation index imagery. International Journal of Remote Sensing 11: 2269-2279.
Loehle, C. y Li, B.-L. 1996. Statistical properties of ecological and geologic fractals. Ecological
Modelling 85: 271-284.
Loehle, C., Li, B.-L. y Sundell, R.C. 1996. Forest spread and phase transitions at forest-prairie
ecotones in Kansas, U.S.A. Landscape Ecology 11: 225-235.
Lookingbill, T. R. y Zabala, M. A. 2000. Spatial pattern of Quercus ilex and Quercus pubescens
recruitment in Pinus halepensis dominated woodlands. Journal of Vegetation Science 11: 607-
612.
Loosmore, N. B. y Ford, E. D. 2006. Statistical inference using the G or K point pattern spatial
statistics. Ecology, 87(8): 1925-1931.
Lozano, P., Delgado, T. y Aguirre, Z. 2003. Estado natural de la flora endémica exclusiva y su
distribución en el occidente del Parque Nacional Podocarpus. FUNBOTANICA. Loja-Ecuador.
Luteyn, J., 2002. Diversity, adaptation and endemism in neotropical Ericaceae: biogeographical
patterns in the Vaccinieae. The Botanical Review 68: 55-87.
Luyssaert, S., Ciais, P., Piao, S., Schulze, E.-D., Jung, M., Zaehle, S., Reichstein, M., Churkina, G.,
Papale, D., Abril, G., Beer, C., Grace, J., Loustau, D., Matteucci, G., Magnani, F., Schelhaas, M.-
J., Nabuurs, G.-J., Verbeeck, H., Sulkava, M., van der Werf, G. and Janssens, I. 2009. The
European carbon balance revisited. Part 3: Forests. Global Change Biology 16: 1429-1450
Luyssaert, S., Inglima, I., Jung, M., Richardson, A.D., Reichstein, M., Papale, D., Piao, S.L., Schulze,
E.D., Wingate, L., Matteucci, G., Aragao, L., Aubinet, M., Beer, C., Bernhofer, C., Black, K.G.,
Bonal, D., Bonnefond, J.M., Chambers, J., Ciais, P., Cook, B., Davis, K.J., Dolman, A.J., Gielen,
B., Goulden, M., Grace, J., Granier, A., Grelle, A., Griffis, T., Gronwald, T., Guidolotti, G.,
Hanson, P.J., Harding, R., Hollinger, D.Y., Hutyra, L.R., Kolari, P., Kruijt, B., Kutsch, W.,
340 BIBLIOGRAFÍA
Lagergren, F., Laurila, T., Law, B.E., Le Maire, G., Lindroth, A., Loustau, D., Malhi, Y., Mateus,
J., Migliavacca, M., Misson, L., Montagnani, L., Moncrieff, J., Moors, E., Munger, J.W.,
Nikinmaa, E., Ollinger, S.V., Pita, G., Rebmann, C., Roupsard, O., Saigusa, N., Sanz, M.J.,
Seufert, G., Sierra, C., Smith, M.L., Tang, J., Valentini, R., Vesala, T. y Janssens, I.A. 2007. CO2
balance of boreal, temperate, and tropical forests derived from a global database. Global Change
Biology 13: 2509-2537.
MA. 2005. Millenium Ecosystem Assessment. URL: http://www.millenniumassessment.org/
en/Global.html
Madsen, J. E., Øllgaard, B., 1994. Floristic composition, structure, and dynamics of an upper montane
rainforest in Southern Ecuador. Nordic Journal of Botany 14: 403-423.
Maestre F. T. 2002. La restauración de la cubierta vegetal en zonas semiáridas en función del patrón
espacial de factores bióticos y abióticos. Tesis doctoral Universidad de Alicante. Alicante. 365
pp. Edición en línea URL: http://www. cervantesvirtual. com/FichaObra. html?Ref=8589
Maestre, F.T. 2003. Small-scale spatial patterns of two soil lichens in semi-arid Mediterranean steppe.
The Lichenologist 35: 71-81.
Maestre, F. T. 2006. Linking the spatial patterns of organisms and abiotic factors to ecosystem
function and management: Insights from semi-arid environments. Web Ecology 6: 75-87.
Maestre, F. T., Bautista, S. y Cortina, J. 2003. Positive, negative, and net effects in grass–shrub
interactions in Mediterranean semiarid grasslands. Ecology 84:3186-3197.
Maestre, F. T., Bradford, M. y Reynolds. J. F. 2006. Soil heterogeneity and community composition
jointly influence grassland biomass. Journal of Vegetation Science 17: 261-270
Maestre, F. T. y Cortina, J. 2002. Spatial pattern of surface properties and vegetation in a
Mediterranean semi-arid steppe. Plant and Soil 241: 279-291.
Maestre, F.T. y Cortina, J. 2004. Do positive interactions increase with abiotic stress? A test from a
semi-arid steppe. Proceedings of the Royal Society of London B Supplement, 271: S331-S333.
Maestre, F. T., Cortina J., Bautista, S., Bellot, J. y Vallejo, R. 2003. Small-scale enviromental
heterogeneity and spatitemporal dynamics of seedling establishment in a semiarid degraded
ecosystem. Ecosystems 6: 630-643.
Maestre, F. y Quero, J. L. 2008. Análisis espacial mediante índices de distancia (SADIE). En:
Introducción al análisis espacial de datos en ecología y ciencias ambientales: métodos y
aplicaciones (eds. Maestre, F. T., Escudero A. y Bonet, A.), pp. 130-182. Asociación Española de
Ecología Terrestre, Universidad Rey Juan Carlos y Caja de Ahorros del Mediterráneo, Madrid.
Maestre, F.T., Valladares, F. y Reynolds, J.F., 2005. Is the change of plant–plant interactions with
abiotic stress predictable? A meta-analysis of field results in arid environments. Journal of
Ecology, 93: 748-757.
Majka, D., Jenness, J. y Beier, P. 2007. CorridorDesigner: ArcGIS tools for designing and evaluating
corridors. URL: http://corridordesign.org.
Mandelbrot, B. 1982. The fractal geometry of nature. W. H. Freeman, New York.
Manson, A. D., Jewitt, D y Short, A. D. 2007. Effects of season and frequency of burning on soils and
landscape functioning in a moist montane grassland. African Journal of Range and Forage
Science 24: 9-18.
Mantel, N. 1967. The detection of disease clustering and a generalized regression approach. Cancer
Research 27: 209-220.
Marañón, T., Camarero, J.J., Castro, J., Díaz, M., Espelta, J.M., Hampe, A., Jordano, P., Valladares,
F., Verdú, M. y Zamora, R. 2004. Heterogeneidad ambiental y nicho de regeneración. En:
Ecología del bosque mediterráneo en un mundo cambiante (ed. Valladares, F.), pp. 69-99.
Ministerio de Medio Ambiente, EGRAF, S.A., Madrid.
Marañón, T., Zamora, R., Villar, R., Zavala, M. A., Quero, J. L., Pérez-Ramos, I., Mendoza, I. y
Castro, J. 2004. Regeneration of tree species and restoration under contrasted mediterranean
BIBLIOGRAFÍA 341
habitats: field and glasshouse experiments. International Journal of Ecology and Environmental
Sciences 30: 187-196
Marchette, D. 2009. Filtered kernel density estimation. Computational Statistics 1: 106-109.
Martínez, B. y Gilabert, M.A. 2009. Vegetation dynamics from NDVI time series analysis using the
wavelet transform. Remote Sensing of Environment 113: 1823-1842.
Mason, W. L., Connolly, T., Pommerening, A. y Edwards, C. 2007. Spatial structure of semi-natural
and plantation stands of Scots pine (Pinus sylvestris L.) in northern Scotland. Forestry 80: 567-
586.
Matlack, G. R. y Harper, J. L. 1986. Spatial distribution and the performance of individual plants in a
natural population of Silene dioica. Oecologia 70: 121-127.
Maurice, S. 1999. Gynomonoecy in Silene italica (Caryophyllaceae): Sexual phenotypes in natural
populations. Plant Biology 1: 346-350.
McDonnell, M. D., Possingham, H. P., Ball, I. R. y Cousins, E. A. 2002. Mathematical methods for
spatially cohesive reserve design. Environmental Modelling and Assessment 7: 107-114.
McGarigal, K., Cushman, S. A., Neel, M. C. y Ene, E. 2002. Fragstats: spatial patterns analysis
programs for categorical maps. University of Massachusetts, Landscape Ecology Program. .
Amherst, Massachusetts.
McRae, B. H. 2006. Isolation by resistance. Evolution 60: 1551-1561.
McRae, B. H. y Beier, P. 2007. Circuit theory predicts gene flow in plant and animal populations.
Proceedings of the National Academy of Sciences of the USA 104: 19885-19890.
McRae, B. H., Dickson, B. G., Keitt, T. H. y Shah, V. B. 2008. Using circuit theory to model
connectivity in ecology and conservation. Ecology 10: 2712-2724.
Mech, S. G. y Hallett, J. G. 2001. Evaluating the effectiveness of corridors: a genetic approach.
Conservation Biology 15: 467-474.
Meffe, G.K. y Carroll, C.R. 1997. Principles of conservation biology. Sinauer Associates Inc.
Publishers, Sunderland, USA.
Mena, C. 2004. Factores demográficos y socio-económicos que contribuyen con la deforestación y la
generación de bosques secundarios. Proyecto colonización agrícola en la Amazonía ecuatoriana.
University of North Carolina. Dirham-USA.
Menoni, E. 1991. Ecologie et dynamique des populations du grand tetras dans les Pyrenees. Tesis
doctoral, Université Paul Sabatier, Toulouse, Francia.
Millington, A. C., Velez-Liendo, X. M. y Bradley, A. V. 2003. Scale dependence in multi temporal
mapping of forest fragmentation in Bolivia: implications for explaining temporal trends in
landscape ecology and applications to biodiversity conservation. Photogrammetry and Remote
Sensing 57: 289-299.
Ministerio de Medio Ambiente. 2005. Tercer Inventario Forestal Nacional, Lleida. Dirección
General para la Biodiversidad, Madrid, España.
Minor, E. S. y Urban, D. L. 2007. Graph theory as a proxy for spatially explicit population models in
conservation planning. Ecological Applications 17: 1771-1782.
Minor, E. S. y Urban, D. L. 2008. A graph-theory framework for evaluating landscape connectivity
and conservation planning. Conservation Biology 22: 297-307.
Miriti, M. N. 2006. Ontogenetic shift from facilitation to competition in a desert shrub. Journal of
Ecology 94: 973–979.
Mitchell, R. J. y Shaw, R. G. 1993. Heritability of floral traits for the perennial wild flower
Penstemon centranthifolius (Scrophulariaceae): clones and crosses. Heredity 71: 185-192.
Mladenoff, D. J. y DeZonia, B. 2004. APACK 2.23 analysis software user’s guide. Forest Landscape
Ecology Lab, Dept. of Forestry, UW-Madison, Madison, Estados Unidos de América. URL:
http://forestlandscape.wisc.edu/Projects/apack.
Moeur, M. 1997. Spatial models of competition and gap dynamics in old-growth Tsuga
heterophylla/Thuja plicata forest. Forest Ecology and Management 94: 175-186.
342 BIBLIOGRAFÍA
Moilanen, A. y Nieminen, M. 2002. Simple connectivity measures in spatial ecology. Ecology 83:
1131-1145.
Molau, U. 1993. Relationships between flowering phenology and life history strategies in tundra
plants. Arctic and Alpine Research 25: 391-402.
Molau, U., Nordenhall, U. y Eriksen, B. 2005. Onset of flowering and climate variability in an alpine
landscape: A 10 years study from Swedish Lapland. American Journal of Botany 92: 422-431.
Möller, J.y Waagepetersen, R. 2003. Statistical inference and simulation for spatial point processes.
Chapman & Hall/CRC, Boca Raton.
Möller, J.yWaagepetersen, R. P. 2007. Modern statistics for spatial point processes. Scandinavian
Journal of Statistics 34: 643-684.
Monteith, J.L. 1972. Solar radiation and productivity in tropical ecosystems. Journal of Applied
Ecology 9: 747-766.
Montero, G., Ruiz-Peinado, R. y Muñoz, M. 2006. Producción de biomasa y fijación de CO2 por los
bosques españoles. Monografías INIA, Serie Forestal nº 13. Madrid.
Montesinos, D., Verdú, M. y García-Fayos, P. 2007. Moms are better nurses than dads: gender biased
self-facilitation in a dioecious Juniperus tree. Journal of Vegetation Science 18 (2): 271–280.
Moore, H. M., Fox, H. R., Harrouni, M. C. y El Alami, A. 1998. Environmental challenges in the Rif
mountains, northern Morocco. Environmental Conservation 25: 354-365.
Moore, I. D., Lewis, A. y Gallant, J. C. 1993. Terrain properties: estimation methods and scale
effects. En: Modeling Change in Environmental Systems (eds. Jakeman, A. J., Beck, M. B. y
McAleer, M. J.), pp. 189-214, John Wiley y Sons, New York.
Moreno Moral, G. y Sánchez Pedraja, O. 2004. Informe sobre la notable importancia botánica del
Macizo de Peña Prieta. Informe inédito. URL: http://www.pdsg.es/descargas/informes/botanica2
.pdf
Müller, C.H. y Garlipp, T. 2005. Simple consistent cluster methods based on redescending M-
estimators with an application to edge identification in images. Journal of Multivariate Analysis
92: 359-385.
Müller, H.G. 1992. Change-points in nonparametric regression analysis. Annals of Statistics 20: 737-
761.
Muñoz, J., Felicísimo, A. M., Cabezas, F., Burgaz, A. R. y Martínez, I. 2004. Wind as a long-distance
dispersal vehicle in the Southern Hemisphere. Science 304: 1144-1147.
Murrel, D. J. 2009. On the emergent spatial structure of size-structured populations: when does self-
thinning lead to a reduction in clustering? Journal of Ecology 97: 256-266.
Murell, D. J., Purves, D. W. y Law, R. 2001. Uniting patterns and process in plant ecology. Trends in
Ecology and Evolution 16: 529-530.
Myers, N., Mittermeler, R. A., Mittermeler, C. G., da Fonseca, G. A. B. y Kent, J. 2000. Biodiversity
hotspots for conservation priorities. Nature 403: 853-858.
Nagol, J.R., Vermote, E.F. y Prince, S.D. 2009. Effects of atmospheric variation on AVHRR NDVI
data. Remote Sensing of Environment 113: 392-397.
Nakaya, T., Fotheringham, A.S., Brunsdon, C. y Charlton, M. 2005. Geographically weighted Poisson
regression for disease association mapping. Statistics in Medicine 24: 2695-2717.
Nathan, R. y Muller-Landau, H.C. 2000. Spatial patterns of seed dispersal, their determinants and
consequences for recruitment. Trends in Ecology and Evolution 15: 278-285.
Nathan, R., Schurr, F. M., Spiegel, O., Steinitz, O., Trakhtenbrot, A. y Tsoar, A. 2008. Mechanisms
of long-distance seed dispersal. Trends in Ecology and Evolution 23: 638-647.
Navarro Cerrillo, R. M., Lara Fernández, A., Blanco Oyonarte, P., Calzado Martínez, C., López-
Quintanilla, J., Fernández-Cancio, A., Guzmán Álvarez, J. R. y Sánchez-Salguero, R. 2006.
Aproximación a la definición del habitat fisiográfico del Abies pinsapo Boiss. en Andalucía.
Investigaciones Agrarias: Sistemas y Recursos Forestales: 137-152.
BIBLIOGRAFÍA 343
Navarro, L. 2000. Pollination ecology of Anthyllis vulneraria subsp. vulgaris (Fabaceae): nectar
robbers as pollinators. American Journal of Botany 87: 980-985.
Naves Cienfuegos, J. 2007. La estación de esquí de San Glorio y los osos pardos: consideraciones
legales y biológicas de un proyecto. Locustella 4: 80-85.
Neel, M. C. 2008. Patch connectivity and genetic diversity conservation in the federally endangered
and narrowly endemic plant species Astragalus albens (Fabaceae). Biological Conservation 141:
938-955.
Nicholson, E., Westphal, M. I., Frank, K., Rochester, W. A., Pressey, R. L., Lindenmayer D. B. y
Possingham, H. P. 2006. A new method for conservation planning for the persistence of multiple
species. Ecology Letters 9: 1049-1060.
Niemelä, J. 2001. The utility of movement corridors in forested landscapes. Scandinavian Journal of
Forest Research 3: 70-78.
Nobel, P. S., Miller, P. y Gram, E. 1992. Influence of rocks on soil temperature, soil water potential
and rooting patterns for desert succulents. Oecologia 92: 90-96.
Nogués-Bravo, D., Araújo, M. B., Lasanta, T. y Lopez Moreno, J. I. 2008. Climate change in
Mediterranean Mountains during the 21st Century. Ambio 37: 280-285.
Noss, R. F. 1987. Corridors in real landscapes: a reply to Simberloff and Cox. Conservation Biology
1: 159-164.
O’Brien, D., Manseu, M., Fall, A. y Fortin, M. J. 2006. Testing the importance of spatial
configuration of winter habitat for woodland caribou: an application of graph theory. Biological
Conservation 130: 70-83.
Oden, N.L., Sokal, R.R., Fortin, M.J. y Goebl, H. 1993. Categorical wombling - detecting regions of
significant change in spatially located categorical variables. Geographical Analysis 25: 315-336.
Ohashi, K. y Yahara, T. 2000. Effects of flower production and predispersal seed predation on
reproduction in Cirsium purpuratum. Canadian Journal of Botany78: 230-236.
Økland, R. H. y Eilertsen, O. 1994. Canonical correspondence analysis with variation partitioning:
some comments and an application. Journal of Vegetation Science 5: 117-126
Oksanen, J., Kindt, R., Legendre, P., O'Hara, B., Simpson, G.L., Solymos, P., Stevens, M.H. y
Wagner, H. 2008. vegan: Community Ecology Package. http://CRAN.R-project.org/
package=vegan
Olano, J. M. y Luzuriaga, A. L. 2008. Métodos para incorporar la estructura espacial en el análisis de
datos multivariantes. En: Introducción al análisis espacial de datos en Ecología y Ciencias
Ambientales: Métodos y aplicaciones. (eds. Maestre, F. T., Escudero, A. y Bonet, A.), pp. 304-
344. Asociación Española de Ecología Terrestre, Universidad Rey Juan Carlos y Caja de Ahorros
del Mediterráneo, Madrid.
Oliver C. D. y Larson, B. C. 1990. Forest Stand Dynamics. McGraw-Hill, New York.
Opdam, P. y Wascher, D. 2004. Climate change meets habitat fragmentation: linking landscape and
biogeographical scale levels in research and conservation. Biological Conservation 117: 285-297.
Oyonarte, C., Alcaraz-Segura, D., Oyarzabal, M., Paruelo, J. y Cabello, J. 2010. Sistema de apoyo a
la gestión de reservas de la biosfera basado en el monitoreo de la productividad primaria: ensayo
en Cabo de Gata-Níjar (Almería-España). . En: Reservas de la Biosfera. Su contribución a la
provisión de servicios ecosistémicos. Experiencias exitosas en Iberoamérica (eds. Araya Rosas,
P. y Clüsener Godt, M.), pp. 119-154. UNESCO. Paris
Pacala, S.W. y Tilman, D. 1994. Limiting similarity in mechanistic and spatial models of plant
competition in heterogeneous environments. The American Naturalist 143: 222-257.
Palacios, D., De Andrés, N. y Luengo, E. 2003. Distribution and effectiveness of nivation in
Mediterranean mountains: Peñalara (Spain). Geomorphology 54: 157-178.
Palacios, D. y Garcia, S. 1997. The distribution of high mountain vegetation in relation to snow
cover: Peñalara, Spain. Catena 30: 1-40.
344 BIBLIOGRAFÍA
to warming and drought among sites, seasons, and species in a North-South European gradient.
Ecosystems 7: 598-612.
Perry, J. N. 1998. Measures of spatial pattern for counts. Ecology 79: 1008-1017.
Perry, J. N. y Dixon, P. 2002. A new method to measure spatial association for ecological count data.
Ecoscience 9: 133-141.
Perry, J. N., Liebhold, A. M., Rosenberg, M. S., Dungan, J., Miriti, M., Jakomuiska, A. y Citron-
Pousty, S. 2002. Illustrations and guidelines for selecting statistical methods for quantifying
spatial pattern in ecological data. Ecography 25: 578-600.
Perry, J.N., Winder, L., Holland, J. M., Alston, R.D. 1999. Red-blue plots for detecting clusters in
count data. Ecological Letters 2: 106-113.
Peters, E. M., Martorell, C. y Ezcurra, E. 2008. Nurse rocks are more important than nurse plants in
determining the distribution and establishment of globose cacti (Mammillaria) in the Tehuacán
Valley, Mexico. Journal of Arid Environments 72: 593-601.
Pettersson, M. W. 1991. Flower herbivory and seed predation in Silene vulgaris (Caryophyllaceae):
effects of pollination and phenology. Holartic Ecology 14: 45-50.
Pinto, N. y Keitt, T. H. 2009. Beyond the least-cost path: evaluating corridor redundancy using a
graph-theoretic approach. Landscape Ecology 24: 253-266.
Pinzon, J., Brown, M.E. y Tucker, C.J. 2005. EMD correction of orbital drift artifacts in satellite data
stream. En Hilbert-Huang Transform and Its Applications (eds Huang,N. E. y Shen S.S.), pp.
167-183. World Scientific Publishing Co., Singapur.
Pitman N. C. A., Jørgensen, P., Williams, R. S. R., León-Yánez S. y Valencia, R. 2002. Extinction-
rates estimates for a modern neotropical flora. Conservation Biology 16: 1427-1431.
Plotkin, J. B., Chave J. y Ashton P. S. 2002. Cluster analysis of spatial patterns in Malaysian tree
species. The American Naturalist 160: 629-644.
Plotkin, J. B., Potts, M. D., Leslie, N., Manokaran, N., Lafrankie, J. y Ashton, P. S. 2000. Species-
area curves, spatial aggregation, and habitat specialization in tropical forests. Journal of
Theoretical Biology 207(1): 81-99.
Pogson, G. H., Taggart, C. T., Mesa, K. A. y Boutilier, R. G. 2001. Isolation by distance in the
Atlantic cod, Gadus morhua, at large and small geographic scales. Evolution 55: 131-146.
Pohle, P. y Gerique, A. 2008. Sustainable and non-sustainable use of natural resources by indigenous
and local communities. En: Gradients in a tropical mountain ecosystem of Ecuador (eds. Beck,
E., Bendix, J., Kottke, I., Makeschin, F. y Mosandl R.), pp. 347-361. Ecological Studies, Vol.
198. Springer-Verlag. Berlín-Alemania
Potter, C., Klooster, S., Tan, P., Steinbach, M., Kumar, V. y Genovese, V. 2005. Variability in
terrestrial carbon sinks over two decades: Part 2 - Eurasia. Global and Planetary Change 49: 177-
186.
Price, M. V. y Waser, N. M. 1998. Effects of experimental warming on plant reproductive phenology
on a subalpine meadow. Ecology 79: 1261-1271.
Primack, R. 2008. A primer of conservation biology. Sinauer Associates Inc. Sunderland, MA U.S.A.
Prince, S.D., Brown De Colstoun, E. y Kravitz, L.L. 1998. Evidence from rain-use efficiencies does
not indicate extensive Sahelian desertification. Global Change Biology 4: 359-374.
Proctor, M. F., McLellan, B. N., Strobeck, C. y Barclay, R. M. R. 2004. Gender-specific dispersal
distances of grizzly bears estimated by genetic analysis. Canadian Journal of Zoology 82: 1108-
1118.
Pugnaire, F. I., Armas, C. y Valladares, F. 2004. Soil as a mediator in plant-plant interactions in a
semi-arid community. Journal of Vegetation Science 15: 85-92.
Pugnaire, F.I. y Luque, M. 2001. Changes in plant interactions along a gradient of environmental
stress. Oikos 93: 42-49.
Pugnaire, F.I., Haase, P. y Puigdefabregas, J. 1996. Facilitation between higher plant species in a
semiarid environment. Ecology 77: 1420-1426.
346 BIBLIOGRAFÍA
Rees, M., Grubb, P.J. y Kelly, D. 1996. Quantifying the Impact of Competition and Spatial
Heterogeneity on the Structure and Dynamics of a Four-Species Guild of Winter Annuals. The
American Naturalist 147:1-32.
Renzhong, W. y Qiong, G. 2003. Climate-driven change in shoot density and shoot density and shoot
biomass in Leymus chinensis (Poaceae) on the North-east China Transect (NECT). Global
Ecology and Biogeography 12: 249-259.
Restrepo, C. y Gómez, N. 1998. Responses of understorey birds to anthropogenic edges in a
Neotropical montane forest. Ecological Applications 8: 170-183.
Rey Benayas, J. M., Navarro, J., Espigares, T., Nicolau, J. M. y Zavala, M. A. 2005. Effects of
artificial shading and weed mowing in reforestation of Mediterranean abandoned cropland with
contrasting Quercus species. Forest Ecology and Management 212: 302-314
Reyes-Olivas, A., García-Moya, E. y López-Mata, L. 2002. Cacti-shrub interactions in the coastal
desert of northern Sinaloa, Mexico. Journal of Arid Environments 52: 431-445.
Rich, P. M. 1989. A manual for analysis of hemispherical canopy photography. Los Alamos National
Laboratory Report LA-11733-M.
Richter, M. y Moreira-Muñoz, A. 2005. Heterogeneidad climática y diversidad de la vegetación en el
sur de Ecuador: un método de fitoindicación. Revista Peruana de Biología 12: 217- 238.
Rietkerk, M. y van de Koppel, J. 2008. Regular pattern formation in real ecosystems. Trends in
Ecology and Evolution 23: 169-175.
Rietkerk, M., Boerlijst, M., van Langevelde, F., HilleRisLambers, R., van de Koppel, J., Kumar, L.,
Prins, H. y de Roos, A. 2002. Self-organization of vegetation in arid ecosystems. The American
Naturalist 160: 524-530.
Rietkerk, M., Dekker, S.C., Wassen, M.J., Verkroost, A.W.M. y Bierkens, M.F.P., 2004. A putative
mechanism for bog patterning. The American Naturalist 163: 699-708.
Ripley, B. D. 1976. The second order analysis of stationary point processes. Journal of Applied
Probability 13: 255-266.
Ripley, B. D. 1977. Modelling spatial patterns (with discussion). Journal of the Royal Statistical
Society, Series B 39: 172-212.
Ripley, B. D. 1981. Spatial statistics. Wiley, New York.
Ripley, B. D. 1988. Statistical inference for spatial processes. Cambridge University Press,
Cambridge.
Rivas-Martínez, S. 1963. Estudio de la vegetación y flora de las Sierras de Guadarrama y Gredos.
Anales del Instituto Botánico Cavanilles 21: 5-330.
Rivas-Martínez, S. 1987. Mapa de las series de vegetación de España (escala 1: 400.000). ICONA,
Madrid.
Rivas-Martínez, S., Díaz, T. E., Fernández Prieto, J. A., Loidi, J. y Penas, A. 1984. La vegetación de
la alta montaña cantábrica: Los Picos de Europa. Ediciones Leonesas, León.
Rodrigo, F.S. 2002. Changes in climate variability and seasonal rainfall extremes: A case study from
San Fernando (Spain), 1821-2000. Theoretical and Applied Climatology 72: 193-207.
Rodríguez-Freire, M. y Crecente-Maseda, R. 2008. Directional connectivity of wolf (Canis lupus)
populations in Northwest Spain and anthropogenic effects on dispersal patterns. Environmental
Modelling and Assessment 13: 35-51.
Rollenbeck R. 2006. Variability of precipitation in the Reserva Biólogica San Francisco, Southern
Ecuador. Lyonia 9: 43-51
Rosenblatt, M. 1956. Remarks on some non-parametric estimates of a density function. Annals of
Mathematical Statistics 27.
Rothermel, R. C. 1972. A mathematical model for predicting fire spread in wildland fuels. USDA
Forest Service Research Paper INT-115, Ogden, Utah, Estados Unidos de América.
Rowlingson, B. y Diggle, P. J. 1993. Splancs: spatial point pattern analysis code in S-PLUS™.
Computers and Geosciences 19: 627-655.
348 BIBLIOGRAFÍA
Ruiz de la Torre J., García, J. I. , Oria de Rueda, J. A., Cobos, J. M., Neva, J. C., Navarro Cerrillo, R.
M. , Catalina, M. A., López-Quintanilla, J., Alvarez Calvente, M., Arista, M., Talavera, S. y
Herrera, J. 1994. Gestión y conservación de los pinsapares andaluces. Asociación forestal
andaluza, Cádiz.
Runkle, J. R. 2000. Canopy tree turnover in old-growth mesic forests of Eastern North America -
Statistical Data included. Ecology 79: 1768-1780.
Ruppert, D., Wand, M.P. y Carroll, R.J. 2003. Semiparametric Regression. Cambridge University
Press, Cambridge, UK.
Sack, L. y Grubb, P. J. 2002. The combined impacts of deep shade and drought on the growth and
biomass allocation of shade-tolerant woody seedlings. Oecologia 131: 175-185
Sagarin, R. D., Gaines, S. D. y Gaylord, B. 2006. Moving beyond assumptions to understand
abundance distributions across the ranges of species. Trends in Ecology and Evolution 21: 524-
529.
Sala, O. E., Chapin III, F. S., Armesto, J. J., Berlow, E., Bloomfield, J., Dirzo, R, Huber-Sanwald, E.,
Huenneke, L. F., Jackson, R. B., Kinzig, A., Leemans, R., Lodge, D. M., Mooney, H. A.,
Oesterheld, M., Poff, N. L., Sykes, M. T., Walker, B. H., Walker, M. y Wall, D. H. 2000. Global
biodiversity scenario for the year 2100. Science 287: 1170-1774.
Sánchez Granero, M.A., Trinidad Segovia, J.E. y García Pérez, J. 2008. Some comments on Hurst
exponent and the long memory processes on capital markets. Physica A 387: 5543-5551.
Sánchez-Gómez, D., Valladares, F. y Zavala, M.A. 2006. Performance of seedlings of Mediterranean
woody species under experimental gradients of irradiance and water availability: trade-offs and
evidence for niche differentiation. New Phytologist 170:795-806.
Sánchez-Gómez, D., Zavala, M.A. y Valladares, F. 2007. Functional traits and plasticity linked to
seedlings’ performance under shade and drought in Mediterranean woody species. Annals of
Forest Science 65: 36.
Santamaría, L., Larrinaga, A.R. y Rodríguez-Pérez, J. 2008. La ecología espacial como punto de
encuentro entre la ecología animal y vegetal. Modelos espacialmente explícitos de dispersión
endozoócora. En: Introducción al análisis espacial de datos en Ecología y Ciencias Ambientales:
Métodos y aplicaciones (eds. Maestre, F. T., Escudero, A. y Bonet, A.), pp. 450-493. Asociación
Española de Ecología Terrestre, Universidad Rey Juan Carlos y Caja de Ahorros del
Mediterráneo, Madrid.
Santos, T., Tellería, J.L. y Virgós, E. 1999. Dispersal of Spanish juniper Juniperus thurifera by birds
and mammals in a fragmented landscape. Ecography 22: 193-204.
Sanz-Elorza, M., Dana, E. D., Gonzalez, A. y Sobrino, E. 2003. Changes in the high-mountain
vegetation of the central Iberian peninsula as a probable sign of global warming. Annals of
Botany. 92: 273-280.
Sarmiento, F. O. 2002. Antropogenic change in the landscapes of highland Ecuador. Geographical
Review 92: 213-222.
Saura, S. 2008. Evaluating forest landscape connectivity through Conefor Sensinode 2.2. En: Patterns
and Processes in Forest Landscapes: Multiple Use and Sustainable Management (eds.
Lafortezza, R., Chen, J., Sanesi, G. y Crow, T. R.), pp. 403-422. Springer.
Saura, S. 2009. Del rodal al paisaje: un cambio de escala, nuevas perspectivas para la planificación y
ordenación forestal. Ponencia invitada de la Mesa Temática 8 (Monte paisaje y territorio:
planificación y ordenación forestal). Actas del 5º Congreso Forestal Español. Sociedad Española
de Ciencias Forestales, Ávila, España.
Saura, S. y Pascual-Hortal, L. 2007. A new habitat availability index to integrate connectivity in
landscape conservation planning: comparison with existing indices and application to a case
study. Landscape and Urban Planning 83: 91-103.
Saura, S. y Rubio, L. 2010. A common currency for the different ways in which patches and links can
contribute to habitat availability and connectivity in the landscape. Ecography 33: 523-537.
BIBLIOGRAFÍA 349
Saura, S. y Torné, J. 2009. Conefor Sensinode 2.2: a software package for quantifying the importance
of habitat patches for landscape connectivity. Environmental Modelling and Software 24: 135-
139.
Savin, N. E. y White, K. J. 1977. The Durbin-Watson test for serial correlation with extreme sample
sizes and many regressors. Econometrica 45: 1989-1996.
Schick, R. S. y Lindley, S. T. 2007. Directed connectivity among fish populations in a riverine
network. Journal of Applied Ecology 44: 1116-1126.
Schumaker, N. H. 1996. Using landscape indices to predict habitat connectivity. Ecology 77: 1210-
1225.
Schupp, E. W. y M. Fuentes. 1995. Spatial patterns of seed dispersal and the unification of plant
population ecology. Ecoscience 2: 267-275.
Seaman, D.E. y Powell, R.A. 1996. An evaluation of the accuracy of kernel density estimators for
home range analysis. Ecology 77: 2075-2085.
Segelbacher, G., Hoglund, J. y Storch, I. 2003. From connectivity to isolation: genetic consequences
of population fragmentation in capercaillie across Europe. Molecular Ecology 12: 1773-1780.
Sellers, P.J. 1994. A global 1° by 1° NDVI data set for climate studies. Part 2: the generation of
global fields of terrestrial biophysical parameters from the NDVI. International Journal of
Remote Sensing 15: 3519-3545.
Sen, P.K. 1968. Estimates of the regression coefficient based on Kendall's tau. Journal of the
American Statistical Association 63: 1379-1389.
Shannon, C.E. 1948. A mathematical theory of communication. Bell System Technical Journal,
27:379-423.
Shaw, M. R. y Harte, J. 2001. Response of nitrogen cycling to simulated climate change: differential
responses along a subalpine ecotone. Global Change Biology 7:193-210.
Sheather, S.J. y Jones, M.C. 1991. A reliable data-based bandwidth selection method for kernel
density-estimation. Journal of the Royal Statistical Society. Series B (Methodological) 53: 683-
690.
Shelford, V. E. 1931. Some concepts of bioecology. Ecology 12: 455-467.
Shukla, M.K., Lal, R., Ebinger, M. y Meyer, C. 2006. Physical and chemical properties of soils under
some piñon-juniper-oak canopies in a semi-arid ecosystem in New Mexico. Journal of Arid
Environments 66: 673-685.
Sierra, R. 1999. Vegetación remanente del Ecuador continental. Proyecto INEFAN/GEF-BIRF,
Wildlife Conservation Society y EcoCiencia. Quito-Ecuador.
Sierra, R. 2000. Dynamics and patterns of deforestation and habitat fragmentation in the western
Amazon: The Napo deforestation front, 1986-1996. Applied Geography 20: 1-16.
Sierra, R., Campos, F. y Chamberlin J. 2002. Assessing biodiversity conservation priorities:
ecosystem risk and representativeness in continental Ecuador. Landscape and Urban Planning
59: 95-110.
Silverman, B.W. 1986. Density estimation for statistics and data analysis. Chapman & Hall, London.
Simberloff, D. y Cox, J. 1987. Consequences and costs of conservation corridors. Conservation
Biology 1: 63-71.
Simberloff, D., Farr, J. A., Cox, J. y Mehlman, D. W. 1992. Movement corridors: conservation
bargains or poor investments? Conservation Biology 6: 493-504.
Smith, A.J.E. 1996. The moss flora of Britain and Ireland. Cambridge University Press, Cambridge.
Soille, P. y Vogt, P. 2009. Morphological segmentation of binary patterns. Pattern Recognition
Letters 30: 456-459.
Sokal, R.R. y Rohlf, F.J. 1995. Biometry: the principles and practice of statistics in biological
research. Freeman, New York.
Sokal, R. R. y Wartenberg, D. E. 1983 A test of spatial autocorrelation analysis using an isolation-by-
distance model. Genetics 105: 219-237.
350 BIBLIOGRAFÍA
Suzuki, R. O., Kudo, H. y Kachi, N. 2003. Spatial and temporal variation in mortality of the biennial
plant, Lysimachia rubia: effects of intraspecific competition and environmental heterogeneity.
Journal of Ecology 91: 114-125.
Suzuki, R., Suzuki, J. y Kachi, N. 2005. Change in spatial distribution patterns of biennial plant
between growth stages and generations in a patchy habitat. Annals of Botany 96: 1009-1017.
Swinton, S.M., Buhler, D.D., Forcella, F., Gunsolus, J.L. y King, R.P. 1994. Estimation of crop yield
loss due to interference by multiple weed species. Weed Science 42: 103-109.
Tackenberg, O., Poschlod, P. y Bonn, S. 2003. Assessment of wind dispersal potential in plant
species. Ecological Monographs 73: 191-205.
Taylor, P., Fahrig, L., Henein, K. y Merriam, G. 1993. Connectivity is a vital element of landscape
structure. Oikos 68: 571-573.
Ter Braak, C. J. F. 1986. Canonical correspondence analysis: a new eigenvector technique for
multivariate direct gradient analysis. Ecology 67: 1167-1179
Ter Braak, C.J.F. y Smilauer, P. 1998. Canoco for Windows version 4.0. Centre for Biometry,
Wagenigen.
Ter Braak, C. J. F. y Šmilauer, P. 2002. Canoco Reference Manual and CanoDraw for Windows
User´s Guide: Software for Canonical Community Ordination (version 4. 5). Microcomputer
Power, Ithaca, NY, USA.
Terborgh, J. 1992. Maintenance of diversity in tropical forests. Biotropica 24: 283-292.
Terradas, J. 2001. Ecología de la Vegetación. De la ecofisiología de las plantas a la dinámica de
comunidades y paisaje, Ed. Omega. Barcelona.
Terribile, L.C. y Diniz, J.A.F. 2009. Spatial patterns of species richness in New World coral snakes
and the metabolic theory of ecology. Acta Oecologica-International Journal of Ecology 35: 163-
173.
Theobald, D. M. 2006. Exploring the functional connectivity of landscapes using landscape networks.
En: Connectivity Conservation, (eds. Crooks, K. R. y Sanjayan, M.), pp. 416-443. Cambridge
University Press, New York.
Thielbörger, K. y Kadmon, R. 2000. Temporal environmental variation tips the balance between
facilitation and interference in desert plants. Ecology 81: 1544-1553.
Thioulouse, J., Chessel, D., Dolédec, S. y Olivier, J. M. 1997. ADE-4: a multivariate analysis y
graphical display software. Statistics and Computing 7: 75-83.
Thomas, C. M. y Davis, S. D., 1989. Recovery patterns of three chaparral shrub species after wildfire.
Oecologia 80: 309-320.
Tibshirani, R. y Hastie, T. 1987. Local likelihood estimation. Journal of the American Statistical
Association 82: 559-567.
Tilman, D., Lehman, C.L. y Thomson, K.T. 1997. Plant diversity and ecosystem productivity:
Theoretical considerations. Proceedings of the National Academy of Sciences USA 94: 1857-
1861.
Tirado, R. y Pugnaire, F. 2003. Shrub spatial aggregation and consequences for reproductive success.
Oecologia 136: 296-301.
Tirado, R. y Pugnaire, F. 2005. Community structure and positive interactions in constraining
environments. Oikos 111: 437-444.
Tíscar Oliver, P.A. 2003. Condicionantes y limitaciones de la regeneración natural en un pinar
oromediterráneo de Pinus nigra subsp. salzmannii. Investigaciones Agrarias: Sistemas y Recursos
Forestales 12: 55-64.
Tischendorf, L. y Fahrig, L. 2000. How should we measure landscape connectivity? Landscape
Ecology 15: 633-641.
Torres, E., Iriondo, J. M., Escudero, A. y Perez, C. 2003. Analysis of within-population spatial
genetic structure in Antirrhinum microphyllum (Scrophulariaceae). American Journal of Botany
90: 1688-1695.
352 BIBLIOGRAFÍA
Totland, O. 2001. Environment – dependent pollen limitation and selection of floral traits in alpine
species. Ecology 82: 2233-2244.
Turner, I. M., Chua, K. S., Ong, J. S. Y., Soong, B. C. y Tan, H. T. W. 1995. A century of plant
species loss from an isolated fragment of lowland tropical rainforest. Conservation Biology 10:
1229-1244.
Tutin, T.G. et al. (eds.) 1964-1980. Flora Europaea. Cambridge University Press, Cambridge.
Tryon, R. M. y Tryon, A. F. 1982. Ferns and allied plants with special reference to tropical America.
Springer-Verlag, New York.
Udelhoven, T. y Stellmes, M. 2007. Changes in land surface conditions on the Iberian Peninsula
(1989 to 2004) detected by means of time series analysis from hypertemporal remote sensing
data. Proceedings of the International Workshop in the Analysis of Multi-temporal Remote
Sensing Images, MultiTemp 2007 (pp. 1-6). Leuven.
Ulloa-Ulloa, C. y Jorgensen, P. 1993. Árboles y arbustos de los Andes del Ecuador. AAU reports,
Aarhus, Dinamarca.
UNESCO- MaB Program. 2009. Biosphere World Network. Unesco-Mab Secretariat, Division of
Ecological and Earth Sciences. Paris-Francia
Upton, G. J. G. y Fingleton, B. 1985. Spatial data analysis by example. Vol. 1. Point pattern and
quantitative data. Wiley, Chichester.
Urban, D. y Keitt, T. 2001. Landscape connectivity: a graph-theoretic perspective. Ecology 82: 1205-
1218.
Urban, D. L., Minor, E. S., Treml, E. A. y Schick, R. S. 2009. Graph models of habitat mosaics.
Ecology Letters 12: 260-273.
Urbieta, I. R., I. M. Perez-Ramos, Zavala, M. A., Maranon, T. y Kobe, R. K. 2008. Soil water content
and emergence time control seedling establishment in three co-occurring Mediterranean oak
species. Canadian Journal of Forest Research-Revue Canadienne De Recherche Forestiere 38:
2382-2393
Valencia, R., Balslev, H., Paz y Miño, G. 1994. High tree alpha-diversity in Amazonian Ecuador.
Biodiversity and Conservation 3: 21-28.
Valencia R. y Jørgensen, P. M., 1992. Composition and structure of a humid montane forest on the
Pasochoa volcano, Ecuador. Nordic Journal of Botany 12: 239-247.
Valiente-Banuet, A. y Ezcurra, E. 1991. Shade as a cause of the association between the cactus
Neobuxbaumia tetetzo and the nurse plant Mimosa luisana in the Tehuacan Valley, Mexico.
Journal of Ecology 79: 961-971.
Valladares, F., Aranda, I. y Sánchez-Gómez, D. 2004. La luz como factor ecológico y evolutivo para
las plantas y su interacción con el agua. En: Ecología del bosque mediterráneo en un mundo
cambiante (ed. Valladares, F.). Ministerio de Medio Ambiente, EGRAF, S.A., Madrid.
Valladares, F. y Pearcy, R.W. 1997. Interactions between water stress, sun-shade acclimation, heat
tolerance and photoinhibition in the sclerophyll Heteromeles arbutifolia. Plant, Cell and
Environment 20: 25-36.
Valladares, F. y Pearcy, R.W. 2002. Drought can be more critical in the shade than in the sun: a field
study of carbon gain and photo-inhibition in a Californian shrub during a dry El Niño year. Plant,
Cell and Environment 25:749–759.
Valladares, F., Vilagrosa, A., Peñuelas, J., Ogaya, R., Camarero, J. J., Corcuera, L., Sisó, S. y Gil-
Pelegrin, E. 2008. Estrés hídrico: ecofisiología y escalas de la sequía. En: Ecología del bosque
mediterráneo en un mundo cambiante (ed. Valladares, F.), pp. 165-192. Ministerio de Medio
Ambiente, Madrid.
Vanacker, V., Govers, G., Tacuri, E., Poesen, J., Dercon, G. y Cisneros, F. 2000. Using sequential
aerial photographs to detect land use changes in the Austro Ecuatoriano. Revue de Geographie
Alpine 3: 65–75.
BIBLIOGRAFÍA 353
Vanacker V., Vanderschaeghe M., Govers G., Willems E., Poesen J., Deckers J. y De Bievre B. 2003.
Linking hydrological, infinite slope stability and land-use change models through GIS for
assessing the impact of deforestation on slope stability in high Andean watersheds.
Geomorphology 52: 299-315.
Veblen, T. T. 1992. Regeneration dynamics. En: Plant Succession: Theory y Prediction (eds. Glenn-
Lewin, D. C., Peet, R. K., y Veblen, T. T.), pp. 152-187. Chapman and Hall, London.
Verbeylen, G., DeBruyn, L., Andriaensen, F. y Matthysen, E. 2003. Does matrix resistance influence
Red squirrel (Sciurus vulgaris L. 1758) distribution in an urban landscape? Landscape Ecology
18: 791-805.
Vermote, E. y Kaufman, Y.J. 1995. Absolute calibration of AVHRR visible and near-infrared
channels using ocean and cloud views. International Journal of Remote Sensing 16: 2317-2340.
Vicente-Serrano, S.M. y Heredia-Laclaustra, A. 2004. NAO influence on NDVI trends in the Iberian
peninsula (1982-2000). International Journal of Remote Sensing 25: 2871-2879.
Vilar-Fernández, J.M. y González-Manteiga, W. 2004. Nonparametric comparison of curves with
dependent errors. Statistics 38: 81-89.
Vilas, C. y Garcia, C. 2006. The role of genetic mechanisms of sex determination in the survival
small population of Silene littorea: A reintroduction experiment. Biological Conservation 129:
124-133.
Villar, R., Ruiz-Robleto, J., Quero, J. L., Poorter, H., Valladares, F. y Marañón, T. 2008. Tasas de
crecimiento en especies leñosas: aspectos funcionales e implicaciones ecológicas. En: Ecología
del bosque mediterráneo en un mundo cambiante (ed. Valladares, F.), pp. 193-230. Ministerio de
Medio Ambiente, Madrid.
Vincent, M.A. y Saatchi, S.S. 1999. Comparison of remote sensing techniques for measuring carbon
sequestration. Jet Propulsion Laboratory, California Institute of Technology. Pasadena.
Visconti, P. y Elkin, C. 2009. Using connectivity metrics in conservation planning – when does
habitat quality matter? Diversity and Distributions 15: 602-612.
Vogt, P., Riitters, K. H., Iwanowski, M., Estreguil, C., Kozak, J. y Soille, P. 2007. Mapping landscape
corridors. Ecological Indicators 7: 481-488.
Von Hardenberg, J., Meron, E., Shachak, M. y Zarmi, Y., 2001 Diversity of vegetation patterns and
desertification. Physical Review Letters 87:19.
Vos, C. C., Antonisse-De Jong, A. G., Goedhart, P. W. y Smulders, M. J. M. 2001. Genetic similarity
as a measure for connectivity between fragmented populations of the moor frog (Rana arvalis).
Heredity 86: 598-608.
Voss, R.F. 1988. Fractals in nature: from characterization to simulation. En: The science of fractal
images (eds. Peitgen, H. O. y Saupe, D.), pp. 21-70. Springer-Verlag, New York.
Wagner, H. H. 2004. Direct multi-scale ordination with canonical correspondence analysis. Ecology
85: 342-351.
Wagner, H. H. y Fortin, M. J. 2005. Spatial analysis of landscapes: concepts and statistics. Ecology
86: 1975-1987.
Walther, G., Beibner, S. y Burga, C. 2005. Trends in the upward shift of alpine plants. Journal of
Vegetation Science 16: 541-548.
Walther, G.R. 2003. Plants in a warmer world. Perspectives in Plant Ecology, Evolution and
Systematics 6/3: 169-185.
Walther, G.R., Beissner y S., Burga, C.A. 2005. Trends in the upward shift of alpine plants. Journal
of Vegetation Science 16: 541-548.
Wand, M.P. y Jones, M.C. 1995. Kernel smoothing, 1a ed. Chapman & Hall, London.
Weiberg, P. J., Coghenour, M. J. y Bugmann, H. 2006. Modelling of large herbivore-vegetation
interactions in a landscape context. En: Large herbivore ecology, ecosystem dynamics and
conservation. (eds. Danell, K., Bergstrom, R., Duncan, P. y Pastor, J.), pp. 348-383. Cambridge
University Press. Cambridge.
354 BIBLIOGRAFÍA
Wheeler, D. 1992. The rainfall record of the San Fernando Observatory, Cádiz: 1805-1990. Journal
of Meteorology 17: 82-90.
Wheeler, D. y Tiefelsdorf, M. 2005. Multicollinearity and correlation among local regression
coefficients in geographically weighted regression. Journal of Geographical Systems 7: 161-187.
White, E.P., Enquist, B.J. y Green, J.L. 2008. On estimating the exponent of power-law frequency
distributions. Ecological Letters 89: 905-912.
White, S. y Maldonado, F. 1991. The use and conservation of natural resources in the Andes of
Southern Ecuador. Mountain Research and Development 11: 37-55.
Whittaker, R. H. 1967. Gradient analysis of vegetation. Biological reviews of the Cambridge
Philosophical Society 49: 207-264
Whittaker, R. H. 1982. Ordination of Plant Communities. Dr. Junk Publishers, The Hague.
Wiegand, T. 2004. Introduction to point patterns analysis with Ripley’s L and the O-ring statistics
using the Programita software. Department of Ecological Modelling, UFZ-Centre for
Environmental Research. Leipzig.
Wiegand, T. y Moloney, K. A. 2004. Rings, circles, and null models for point pattern analysis in
ecology. Oikos 104: 209-229.
Wiegand, T., Gunatilleke, C. V. S., y Gunatilleke, I. A. U. N. 2007. Species associations in a
heterogeneous Sri Lankan dipterocarp forest. The American Naturalist 170: 77-95.
Wilcox, J. y Meagher, T. R. 2003. Pollination and seed predation drive flowering phenology in Silene
latifolia (Caryophyllaceae). Ecology 84: 2062-2073.
Williams, N.H. y Dodson, C. H. 1972. Selective attraction of male euglossine bees to orchid floral
fragrances and its importance in long distance pollen flow. Evolution 26: 84-95
Williams, P. H. y Araújo, M. B. 2002. Apples, oranges and probabilities: integrating multiple factors
into biodiversity conservation with consistency. Environmental Modeling and Assessment 7: 139-
151.
Williams-Linera, G. 1992. Ecología del paisaje y el bosque mesófilo de montaña en el centro de
Veracruz. Ciencia y Desarrollo 105: 132-138.
Wills, C., Condit, R., Foster, R. B. y Hubbell, S. P. 1997. Strong density and diversity related effects
help to maintain tree species diversity in a neotropical forest. Proceedings of the National
Academy of Sciences 94: 1252-1257
Wimberly, M.C., Yabsley, M.J., Baer, A.D., Dugan, V.G. y Davidson, W.R. 2008. Spatial
heterogeneity of climate and land-cover constraints on distributions of tick-borne pathogens.
Global Ecology and Biogeography 17: 189-202.
Wolf, J. 1993. Diversity patterns and biomass of epiphytic bryophytes and lichens along and
altitudinal gradient in the northern Andes. Annals of Missouri Botanical Garden 80: 928-960.
Womble, W.H. 1951. Differential systematics. Science 114: 315-322.
Woodward, F. I. 1986. Ecophysiological studies on the shrub Vaccinium myrtillus L. taken from a
wide altitudinal range. Oecologia 70: 580-586.
Worton, B.J. 1995. Using Monte-Carlo simulation to evaluate kernel-based home-range estimators.
Journal of Wildlife Management 59: 794-800.
Wright, S. 1943. Isolation by distance. Genetics 28: 114-138.
Wright S. J. 2002. Plant diversity in tropical forest: a review of mechanisms of species coexistence.
Oecologia 130: 1-14.
Wright S. J. y Muller-Landau, H. 2006. The future of tropical forest species. Biotropica 38: 287-301.
Xiao, Z., Harris M. K. y Zhang Z. 2007.Acorn defences to herbivory from insects: Implications for
the joint evolution of resistance, tolerance and escape. Forest Ecology and Management 238: 302-
308.
Yamaguchi, D. K. 1991. A simple method for cross-dating increment cores from living trees.
Canadian Journal of Forest Research 21: 414-416.
BIBLIOGRAFÍA 355