Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
2
Conceptos de modelado
BOSQUEJO DEL CAPÍTULO
2.1. Introducción
Este capítulo cubre el tema de la teoría de modelos y su aplicación en el
desarrollo de modelos. Después de presentar las definiciones de los
componentes del modelo y los pasos de modelado, se proporciona un
procedimiento de modelado tentativo. Los pasos en el procedimiento de
modelado se discuten en detalle e incluyen: conceptualización del modelo,
formulación matemática, estimación y calibración de parámetros, análisis de
sensibilidad y validación. Este capítulo se centra en la selección de modelos o la
selección de componentes, procesos, ecuaciones y, en particular, la complejidad
del modelo. Se presentan varios métodos para seleccionar la complejidad
"cercana a la derecha" del modelo. Siempre hay varias formulaciones de
modelos disponibles, y elegir entre ellas requerirá que se impongan sólidas
restricciones científicas al modelo. Hay muchos tipos de modelos diferentes con
diferentes ventajas y desventajas disponibles. La selección del mejor tipo de
modelo para un problema de manejo ecológico o ambiental bien definido se
discutirá en el Capítulo 3, donde se presentará una descripción general de los
tipos de modelos disponibles. Un modelo matemático generalmente requiere el
uso de una computadora y un lenguaje de programación. La selección
parte de un ecosistema durante un tiempo determinado, pero también pueden ser una función del tiempo o variar espacialmente.
En los modelos causales, el parámetro tendrá una definición científica y una unidad bien definida, por ejemplo, la tasa de excreción
de cadmio de un pez; la unidad podría ser mgCd/(24h * kg de pez). Muchos parámetros se indican en la literatura como rangos, no
como constantes, pero incluso eso es de gran valor en la estimación de parámetros, como se discutirá más adelante en el siguiente
texto. En J-rgensen et al. (2000), se puede encontrar una colección completa de parámetros en ciencias ambientales y ecología.
Nuestro conocimiento limitado de los parámetros es uno de los puntos más débiles del modelado, un punto que se tocará con
frecuencia a lo largo de este libro. Además, las aplicaciones de parámetros como constantes en nuestros modelos no son realistas
debido a los muchos sistemas de retroalimentación en ecosistemas reales. La flexibilidad y adaptabilidad de los ecosistemas es
inconsistente con la aplicación de parámetros constantes en los modelos. Una nueva generación de modelos que intente utilizar
parámetros variables de acuerdo con los principios ecológicos parece una posible solución al problema, pero es absolutamente
necesario un mayor desarrollo en esta dirección antes de que podamos lograr un procedimiento de modelado mejorado que refleje
los procesos en ecosistemas reales. Este tema será discutido más adelante en el Capítulo 10. La flexibilidad y adaptabilidad de los
ecosistemas es inconsistente con la aplicación de parámetros constantes en los modelos. Una nueva generación de modelos que
intente utilizar parámetros variables de acuerdo con los principios ecológicos parece una posible solución al problema, pero es
absolutamente necesario un mayor desarrollo en esta dirección antes de que podamos lograr un procedimiento de modelado
mejorado que refleje los procesos en ecosistemas reales. Este tema será discutido más adelante en el Capítulo 10. La flexibilidad y
adaptabilidad de los ecosistemas es inconsistente con la aplicación de parámetros constantes en los modelos. Una nueva generación
de modelos que intente utilizar parámetros variables de acuerdo con los principios ecológicos parece una posible solución al
problema, pero es absolutamente necesario un mayor desarrollo en esta dirección antes de que podamos lograr un procedimiento
de modelado mejorado que refleje los procesos en ecosistemas reales. Este tema será discutido más adelante en el Capítulo 10.
22 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
5. constantes universales: Como la constante de los gases y los pesos atómicos, también se
utilizan en la mayoría de los modelos.
17 S radiación solar
19 2
3
15 1
Nitrato Fitoplancton-N
1 20 5
14 4
dieciséis 8
Amonio Zooplancton-N
12
21 7
13 9
6
Sedimento-N Detritus-N
11
10
18 22
pescado-n
FIGURA 2.1 El diagrama conceptual de un ciclo de nitrógeno en un ecosistema acuático. Los procesos son (1)
absorción de nitrato y amonio por las algas; (2) fotosíntesis; (3) fijación de nitrógeno; (4) pastoreo con pérdida de
materia no digerida; (5), (6) y (7) depredación y pérdida de materia no digerida; (8) sedimentación de algas; (9)
mineralización; (10) pesca; (11) asentamiento de detritos; (12) excreción de amonio del zooplancton;
(13) liberación de nitrógeno del sedimento; (14) nitrificación; (15), (16), (17) y (18) entradas/salidas;
(19) desnitrificación; y (20), (21) y (22) mortalidad de fitoplancton, zooplancton y peces.
Definición de problema
y sistema
Matriz de adyacencia
FIGURA 2.2 Un procedimiento
de modelado tentativo es
Observaciones disponibles
mostrado. Idealmente, como
Transferir a la computadora
observaciones adicionales. Este
y verificación
diagrama muestra que
los exámenes de los submodelos
y las mediciones intensivas
Exámenes de
deben seguir al primer
submodelos
1. Análisis de sensibilidad análisis de sensibilidad.
Desafortunadamente, muchos
los modeladores no tienen los
recursos para hacerlo y, en cambio,
Medidas con un
han pasado por alto estos dos
2. Análisis de sensibilidad muy alta frecuencia
pasos e incluso el segundo análisis
de sensibilidad. Se recomienda
encarecidamente seguir la
secuencia del primer análisis de
Calibración, seguida sensibilidad,
por validación Lluvia de ideas exámenes de submodelos e
intensivos
Observaciones mediciones y segundo análisis
Aplicación del modelo de sensibilidad. Observe que hay
en la gestión y Modelado flechas de retroalimentación
formular pronósticos desde la calibración y la
Gestión validación hasta el diagrama
conceptual. El diagrama
Validación de muestra que el modelado
pronósticos debe considerarse un
proceso iterativo.
A
Nitrato – 1 0 0 0 0 0
Amonio 0 – 0 1 0 1 1
Phyt-N 1 1 – 0 0 0 0
Zoopl-N 0 0 1 – 0 0 0
pescado norte 0 0 0 1 – 0 0
Detritus-N 0 0 1 1 1 – 0
Sedimento-N 0 0 1 0 0 1 –
Capitulo 2 • Conceptos de Modelado 27
una constante, una ecuación, una tabla o un gráfico), y una flecha delgada para
indicar la transferencia de información o variables (controles como función forzada,
parámetro y/o una variable de estado calculada por una expresión algebraica a partir
de otra variable de estado y así). VerFigura 2.3.
Existen otros lenguajes simbólicos para el desarrollo de diagramas conceptuales, por
ejemplo, el lenguaje de circuitos de energía de Odum. Tiene más símbolos que STELLA,
por lo que es más informativo pero también lleva más tiempo desarrollarlo. Para obtener
una descripción general de los lenguajes simbólicos más utilizados, incluido el lenguaje
del circuito de energía de Odum, consulte J-rgensen y Bendoricchio (2001).
Para cada variable de estado se construye una ecuación diferencial: acumulación
¼ Salidas, entradas. Para detritus-N enFigura 2.1, las entradas son los procesos 20 þ
5 þ21 þ 7 þ 22 þ18 (in) y las salidas son los procesos 11 þ 9 þ 18 (fuera). Las
ecuaciones diferenciales se resuelven analíticamente en matemáticas, pero rara vez
es posible con la mayoría de los modelos ecológicos porque son demasiado
complejos. Por lo tanto, las ecuaciones diferenciales se resuelven
variable de estado
N1 N2
Proceso entre
dos variables de estado
Función forzada
Variable
Gráfico 1
tabla 1
FIGURA 2.3 Los símbolos aplicados para erigir un diagrama conceptual usando STELLA. Las variables de estado son cajas para las cuales se
erigen ecuaciones diferenciales como acumulación.¼ Salidas, entradas. Los procesos son flechas gruesas con el símbolo de la válvula. Las
funciones de forzamiento son flechas gruesas que comienzan o terminan como una nube. Los círculos son variables en general. El Gráfico
1 y la Tabla 1 indican que los resultados se pueden presentar como gráficos o como tablas.
Capitulo 2 • Conceptos de Modelado 29
corriente continua
¼ k1 D2:1Þ
dt
2. Una expresión de tasa de primer orden, donde la tasa es proporcional a una
variable como la concentración de una variable de estado:
corriente continua
¼ k1C D2:2aÞ
dt
Esta expresión corresponde al crecimiento exponencial y por integración se
puede obtener la siguiente solución:
CDt¼C0mik1t D2:2bÞ
Esto se usa a menudo para modelar el crecimiento de la población (consulte el Capítulo 5). Los
procesos de descomposición y la desintegración radiactiva también pueden aproximarse como
reacciones de primer orden, en las que la velocidad es negativa.
30 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
corriente continua1
¼k 2C 1C2 D2:3Þ
Dt
6. Una tasa gobernada por difusión a menudo usa un gradiente de concentración para
determinar la tasa como se expresa en la Primera Ley de Fick:
2.4. Verificación
El siguiente paso del procedimiento de modelado incluye la verificación, que es
una prueba de la lógica interna del modelo. El modelador hace y responde
preguntas cruciales sobre el modelo. La verificación es hasta cierto punto una
evaluación subjetiva del comportamiento del modelo.
Findeisen et al. (1978) dio la siguiente definición de verificación: “Se
dice que un modelo está verificado si se comporta de la forma en que el
constructor del modelo quería que se comportara”. Esta definición
implica que hay un modelo a verificar, lo que significa que no solo se han
establecido las ecuaciones del modelo, sino que también se han dado
valores realistas razonables a los parámetros. En consecuencia, la
verificación de la secuencia, el análisis de sensibilidad y la calibración no
deben considerarse un procedimiento rígido paso a paso, sino una
operación iterativa, que debe repetirse varias veces. Primero se le dan al
modelo parámetros realistas de la literatura, luego se calibra de forma
aproximada y, finalmente, se puede verificar el modelo, seguido de un
análisis de sensibilidad y una calibración más fina.
3.También se recomienda comprobar todas las unidades en esta fase de desarrollo del
modelo. Verifique todas las ecuaciones para verificar la consistencia de las unidades.
¿Las unidades son iguales en ambos lados del signo de la ecuación? ¿Son
consistentes los parámetros usados en el modelo para el tipo de ecuaciones
usadas y las unidades coinciden con los datos disponibles?
4.Investigue las propiedades estadísticas del ruido en el modelo. Para ajustarse
a las propiedades del ruido blanco, cualquier secuencia de error debe
satisfacer ampliamente las siguientes restricciones: que su valor medio sea
cero, que no esté correlacionada con ninguna otra secuencia de error y que
no esté correlacionada con las secuencias de forzamiento de entrada medido
funciones Por lo tanto, la evaluación de las secuencias de error de esta
manera puede proporcionar esencialmente una verificación de si el modelo
final invalida algunas de las suposiciones inherentes al modelo. Si las
secuencias de error no se ajustan a sus propiedades deseadas, esto sugiere
que el modelo no caracteriza adecuadamente todas las características más
deterministas del comportamiento dinámico observado. En consecuencia, la
estructura del modelo debe modificarse para acomodar relaciones
adicionales. Para resumir esta parte de la verificación de los errores:
2.6. Calibración
El objetivo de calibración es mejorar la estimación de parámetros. Algunos
parámetros en modelos ecológicos causales se pueden encontrar en la
literatura, no necesariamente como constantes sino como valores aproximados
o intervalos. Para cubrir todos los parámetros posibles para todos los modelos
ecológicos posibles, incluidos los modelos ecotoxicológicos, necesitamos
conocer más de mil millones de parámetros. Por lo tanto, en el modelado existe
una necesidad particular de métodos de estimación de parámetros. Esto se
discutirá más adelante en este capítulo y más adelante en el Capítulo 8, donde
se presentan métodos para estimar parámetros ecotoxicológicos basados en la
estructura química del compuesto tóxico. En todas las circunstancias, es una
gran ventaja dar incluso valores aproximados de los parámetros antes de que
comience la calibración como se mencionó anteriormente. Por supuesto, es
mucho más fácil buscar un valor entre 1 y 10 que buscar entre 0 yþ 1.
Incluso cuando todos los parámetros se conocen dentro de intervalos, ya sea de
la literatura o de los métodos de estimación, generalmente es necesario calibrar el
modelo. Se prueban varios conjuntos de parámetros mediante la calibración y las
diversas salidas del modelo de variables de estado se comparan con los valores
medidos de las mismas variables de estado. Se elige el conjunto de parámetros que
ofrece la mejor concordancia entre la salida del modelo y los valores medidos.
los parámetros físicos, los ecológicos no son constantes sino que cambian en el
tiempo o en la situación (J-rgensen, 1986, 1992b, 2002). Este punto será discutido
más adelante en el Capítulo 10.
2. Todos los modelos en ecología y ciencias ambientales son simplificaciones de
la naturaleza. Se pueden incluir los componentes y procesos más
importantes, pero la estructura del modelo no tiene en cuenta todos los
detalles. Hasta cierto punto, la calibración puede tener en cuenta la
influencia de algunos componentes y procesos sin importancia. Esto dará
valores ligeramente diferentes para el
parámetros de los valores reales, pero desconocidos, en la
naturaleza, pero la diferencia puede explicar en parte la influencia de
los detalles omitidos.
3.La mayoría de los modelos en ciencias ambientales y ecología son "modelos
agrupados", lo que significa que un parámetro representa los valores promedio
de varias especies. Como cada especie tiene su propio valor de parámetro
característico, la variación en la composición de especies con el tiempo
inevitablemente dará una variación correspondiente en el parámetro promedio
utilizado en el modelo. La adaptación y los cambios en la composición de
especies requerirán otros enfoques. Esto se discutirá con más detalle en el
Capítulo 10.
los rangos de los parámetros antes de que comience la calibración, más fácil será
encontrar el conjunto de parámetros óptimo.
En la calibración de prueba y error, el modelador tiene que establecer, de
manera algo intuitiva, algunos criterios de calibración. Por ejemplo, es posible
que desee simular con precisión la concentración mínima de oxígeno para un
modelo de flujo y/o el momento en que se produce el mínimo. Cuando esté
satisfecho con los resultados de este modelo, puede simular correctamente la
forma de la curva de concentración de oxígeno frente al tiempo, y así
sucesivamente. El modelo debe calibrarse paso a paso para lograr estos
objetivos paso a paso.
Si se aplica un procedimiento de calibración automática, entonces es
necesario formular criterios objetivos para la calibración. Una posible
función podría basarse en una ecuación similar al cálculo de la desviación
estándar:
Y ¼ ½ðSððXC - XmetroÞ2= XmamáÞ=norte-1=2 D2:8Þ
1.Siempre se requiere validación para obtener una imagen de la confiabilidad del modelo.
2. Debe intentarse obtener datos para la validación que sean completamente
diferentes de los utilizados en la calibración. Es importante tener datos de
una amplia gama de funciones de forzamiento definidas por los objetivos del
modelo.
3.Los criterios de validación se formulan en función de los objetivos del modelo y la
calidad de los datos disponibles. Sin embargo, el objetivo principal del modelo
puede ser un análisis exploratorio para comprender cómo responde el sistema a
las funciones de forzamiento dominantes. En este caso, una validación
estructural probablemente sea suficiente.
estudio para demostrar cómo se pueden utilizar los resultados de la validación para
evaluar la incertidumbre esperada de los pronósticos desarrollados por el modelo.
El resultado de la validación también se puede utilizar para considerar las revisiones
del modelo que serían necesarias para reducir la incertidumbre. En nuestro esfuerzo por
mejorar el modelo, debemos hacer las siguientes preguntas pertinentes:
modelos
Compartimiento Las variables que definen el sistema se cuantifican mediante ecuaciones diferenciales
modelos dependientes del tiempo
Modelos estáticos Las variables que definen el sistema no dependen del tiempo.
Modelos dinámicos Las variables que definen el sistema son una función del tiempo (o quizás del espacio)
Modelos agrupados Los parámetros están dentro de ciertas ubicaciones espaciales prescritas y tiempo,
considerados como constantes.
Modelos causales Las entradas, los estados y las salidas están interrelacionados mediante el uso de relaciones causales.
Modelos de caja negra Las perturbaciones de entrada afectan solo las respuestas de salida, no se requiere causalidad
(3) al azar
errores de medición
(2) estocástico
disturbios
B
B
FIGURA 2.5Y es una variable de estado
expresada en función del tiempo. A es el
estado inicial y B los estados transitorios. C
A
B oscila alrededor de un estado estacionario. La
Modelos no autónomos contienen términos, g(t), que hacen que las derivadas
dependan del tiempo, ejemplificado por la siguiente ecuación:
dy=dt ¼ síB þ cyD þ mi þ gramoDtÞ D2:10Þ
las parejas en Cuadro 2.2 puede usarse para definir el tipo de modelo que
es más aplicable para resolver un problema dado. Se discutirá más
48 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
PSout
PD Pensilvania
ALFILER
Proceso 1 salida PA FIGURA 2.6Se muestra un
diagrama conceptual de un
modelo simple con dos
variables de estado, PS y PA.
El PIN es una función
forzada. (1) y (2) son
Proceso 2 procesos.
buena visión general de una situación ecológica, incluso en una situación relativamente pobre
en datos.
Los modelos dinámicos son capaces de hacer predicciones sobre las variaciones
de las variables de estado en el tiempo y/o el espacio. Se utilizan ecuaciones
diferenciales para expresar la variación. Con referencia aFigura 2.6, las siguientes
ecuaciones diferenciales son válidas:
dPS=dt ¼ ALFILER þ ProcesoD2Þ - ProcesoD1Þ - PS Q=V D2:11Þ
que se puede usar para encontrar k y k', suponiendo que conocemos las dos variables de
estado en estado estacionario y las funciones forzadas.
Muchos modelos dinámicos de población, biogeoquímicos y ecotoxicológicos
aplican ecuaciones diferenciales porque las variaciones temporales son
importantes.
Se sabe que los ecosistemas son adaptables. Con el tiempo, las especies pueden
cambiar sus propiedades para cumplir con condiciones cambiantes (es decir, cambio de
funciones forzadas o perturbaciones). Si los cambios son importantes, entonces hay
50 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
incluso puede ser un cambio a otras especies con propiedades que se adapten mejor
a las condiciones emergentes. Los modelos que explican el cambio de propiedades
de los componentes biológicos tienen parámetros variables y se describen mediante
ecuaciones diferenciales variables en el tiempo no estacionarias. A menudo se
denominan modelos estructuralmente dinámicos (SDM; ver J-rgensen, 1986, 1997,
2002), porque pueden predecir los cambios en las propiedades de los componentes
biológicos. El Capítulo 10 cubre este tipo de modelo y su aplicación. Los modelos
estructuralmente dinámicos son modelos distribuidos, porque los parámetros se
consideran funciones de tiempo y espacio. Si bien los modelos distribuidos en la
mayoría de los casos se basan en formulaciones matemáticas de estas funciones
cuando se desarrolla el modelo, solo usaremos el término modelos estructuralmente
dinámicos para modelos que pueden simular cambios en la estructura (cambios en
los valores de los parámetros). Los modelos estructuralmente dinámicos son un
desarrollo reciente importante en el modelado ecológico porque los parámetros
encontrados sobre la base de las observaciones en el ecosistema bajo las
condiciones prevalecientes actuales no pueden ser válidos cuando las condiciones
cambian debido a la adaptación. Por lo tanto, los modelos sin estructura dinámica a
menudo dan resultados poco fiables, especialmente si las funciones de forzamiento
se modifican significativamente.
En el Capítulo 3, se presenta una descripción general de los tipos de modelos
disponibles para el desarrollo de modelos ecológicos. La elección del tipo de modelo
para el desarrollo en una situación particular depende de los diferentes métodos
matemáticos, diferentes objetivos y diferentes aplicaciones y también puede usar
diferentes tipos de bases de datos. Si bien las clases de modelos se caracterizan por
una diferencia en una sola propiedad (p. ej., estado estacionario frente a estado
dinámico y flujos de masa frente a flujos de energía), los diferentes tipos de modelos
son significativamente diferentes. Se han desarrollado para resolver algunos
problemas fundamentales de modelado en ecología durante las últimas dos
décadas, que incluyen: (1) ¿Cómo explicamos la individualidad de los organismos? (2)
¿Cómo explicamos la adaptación y los cambios en la composición de especies? (3)
¿Qué enfoque de modelo es mejor cuando nuestro conjunto de datos es incierto (es
decir, difuso)? (4) ¿Cómo podemos hacer un modelo efectivo a partir de una base de
datos muy heterogénea? (5) ¿Cómo podemos mejorar la estimación de los
parámetros del modelo? Hemos resuelto estos problemas mediante el desarrollo de
varios tipos de modelos diferentes que han ampliado el rango y la aplicación de
modelos ecológicos en muchas direcciones diferentes.
Capitulo 2 • Conceptos de Modelado 51
Por un lado, es necesario incluir las variables de estado y los procesos esenciales para el problema en cuestión. Por otro lado, es
importante no hacer que el modelo sea más complejo de lo apropiado para el conjunto de datos disponible. Como Einstein bromeó una
vez: “Una teoría científica debe ser lo más simple posible, pero no más simple”. Lo mismo se aplica a los modelos. Nuestro conocimiento de
los procesos y las variables de estado junto con nuestro conjunto de datos determinan la selección de la complejidad del modelo. Si
nuestro conocimiento es escaso, el modelo incluirá pocos detalles y tendrá una incertidumbre relativamente alta. Si tenemos un
conocimiento profundo del problema que queremos modelar, podemos construir un modelo más detallado con una incertidumbre
relativamente baja. Muchos investigadores afirman que no se puede desarrollar un modelo antes de tener un cierto nivel de conocimiento,
y que es un error intentar construir un modelo en una situación de escasez de datos. Esto es incorrecto porque un modelo siempre puede
ayudar al investigador sintetizando el conocimiento presente y visualizando el sistema. Pero el investigador siempre debe presentar las
deficiencias y las incertidumbres del modelo y no tratar de pretender que el modelo es una imagen completa y detallada de la realidad. Un
modelo a menudo será un instrumento fructífero para probar hipótesis en manos del investigador, pero solo si se reconoce plenamente la
incompletitud del modelo. Esto es incorrecto porque un modelo siempre puede ayudar al investigador sintetizando el conocimiento
presente y visualizando el sistema. Pero el investigador siempre debe presentar las deficiencias y las incertidumbres del modelo y no tratar
de pretender que el modelo es una imagen completa y detallada de la realidad. Un modelo a menudo será un instrumento fructífero para
probar hipótesis en manos del investigador, pero solo si se reconoce plenamente la incompletitud del modelo. Esto es incorrecto porque
un modelo siempre puede ayudar al investigador sintetizando el conocimiento presente y visualizando el sistema. Pero el investigador
siempre debe presentar las deficiencias y las incertidumbres del modelo y no tratar de pretender que el modelo es una imagen completa y
detallada de la realidad. Un modelo a menudo será un instrumento fructífero para probar hipótesis en manos del investigador, pero solo si
No debe olvidarse en este contexto que los modelos siempre se han aplicado
en la ciencia. La diferencia entre los modelos actuales y anteriores es solo que
hoy, con la tecnología informática moderna, podemos trabajar con modelos muy
complejos. Sin embargo, ha sido una tentación construir modelos demasiado
complejos: es fácil agregar más ecuaciones y más variables de estado al
programa de computadora, pero es mucho más difícil obtener los datos
necesarios para la calibración y validación del modelo.
Incluso si tenemos un conocimiento muy detallado sobre un problema, nunca
seremos capaces de desarrollar un modelo capaz de dar cuenta del comportamiento
de entrada-salida completo de un ecosistema real y válido para todos los marcos.
52 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
(Zeigler, 1976). Este modelo ideal es denominado “el modelo base” por
Zeigler, y sería muy complejo y requeriría tal cantidad de recursos
computacionales que sería casi imposible de simular. El modelo base de
un problema en ecología nunca se conocerá por completo debido a la
complejidad del sistema y la imposibilidad de observar todos los estados.
Sin embargo, dado un marco experimental de interés actual, es probable
que un modelador encuentre posible construir un modelo relativamente
simple que funcione en ese marco.
De acuerdo con esta discusión, un modelo puede hacerse más realista
agregando más conexiones. Las adiciones de nuevos parámetros hasta cierto
punto no contribuyen más a mejorar la simulación; por el contrario, más
parámetros implican más incertidumbre por la posible falta de información
sobre los caudales que los parámetros pueden cuantificar. Dada una cierta
cantidad de datos, la adición de nuevas variables de estado o parámetros más
allá de cierta complejidad del modelo no aumenta nuestra capacidad para
modelar el ecosistema; solo se suma a una incertidumbre inexplicable. Estas
ideas se visualizan enFigura 2.7. La relación entre el conocimiento obtenido a
través de un modelo y su complejidad se muestra para dos niveles de calidad y
cantidad de datos. La pregunta en discusión se puede formular con
FIGURA 2.7 Conocimiento graficado versus complejidad del modelo medida por el número de variables de estado. El
conocimiento aumenta hasta cierto nivel. Una mayor complejidad más allá de este nivel no se sumará al conocimiento
adquirido sobre el sistema modelado. En un cierto nivel, el conocimiento podría incluso disminuir debido a la incertidumbre
causada por un número demasiado alto de parámetros desconocidos. (2) corresponde a un conjunto de datos disponibles, que
es más completo o tiene una mejor calidad que (1). Por lo tanto, el conocimiento adquirido y la complejidad óptima es mayor
para el conjunto de datos (2) que para (1). (Reproducido de J-rgensen, 1988.)
Capitulo 2 • Conceptos de Modelado 53
dieciséis
12
Eficacia
8
Casi el 50% de los modelos examinados
se encuentran en esta área
0
0 20 40
Articulación
FIGURA 2.8 Gráfico de índice de articulación versus efectividad ¼ articulación*certidumbre para los 88 modelos
revisados por Costanza y Sklar (1985). Como casi el 50% de los modelos no fueron validados, tuvieron una
efectividad de 0. Estos modelos no están incluidos en la figura, pero están representados por la línea de efectividad¼
0. Nótese que casi el 50% de los modelos tienen una efectividad relativamente baja debido a muy poca articulación, y
que solo un modelo tenía una articulación demasiado alta, lo que implica que la incertidumbre al dibujar la frontera
de efectividad como se muestra en la figura es alta en articulaciones por encima de 25. (Esta figura se reproduce
parcialmente de Costanza y Sklar, 1985.)
54 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
19
Importar 1.7
Insolación Descompuesto
21.2 D
7123
87.2
14.1 6,2 1,6 0,27 0,09 0.03
193
PAGS H C C
10.5
50.2 7.9 1,3 0,05 Exportar
respirado 78.8
7036
FIGURA 2.9 Diagrama de flujo de energía para Silver Springs, Florida. Cifras en cal/m2/año. (Adaptado de HT
Odum, 1957.)
56 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
14 Radiación solar
2
13
1
Orto-P Fitoplancton-P
dieciséis
4 3
12
7
Agua de poro-P Zooplancton-P
9 6 5
11 10
17
“Intercambiable-P” 8 Pescado-P
19 18
Detritus-P 15
FIGURA 2.10 El ciclo del fósforo en un ecosistema acuático. Los procesos son (1) la absorción de fósforo por
las algas; (2) fotosíntesis; (3) pastoreo con pérdida de materia no digerida; (4), (5) depredación con pérdida de
material no digerido; (6), (7) y (9) sedimentación de fitoplancton; (8) mineralización; (10) pesca; (11)
mineralización de compuestos orgánicos de fósforo en el sedimento; (12) difusión de agua intersticial P; (13),
(14) y (15) entradas/salidas; (16), (17) y (18) representan mortalidades; y (19) es sedimentación de detritus.
Capitulo 2 • Conceptos de Modelado 57
21
P en hierba.
2 pescado
4
23 20
1 P en carn.
P disuelto P en algas 8
10 pescado
5
22
7 3
epilimnio
6 P en zoológico pl.
Detritus P 9
11
termoclina
12 P en hierba.
13
2 pescado
19
1 P en carn.
P disuelto P en algas 8
10 pescado
5
7 3
hipolimnio 6
P en zoológico pl.
Detritus P 9
17 11
15 dieciséis
P en interés 14 P intercambio
Sedimento 18
w. fracción No exch. PAGS
FIGURA 2.11 Modelo de eutrofización de un ecosistema acuático ilustrado mediante el uso del ciclo P. Las flechas
indican procesos. Se considera una termoclina. La explicación de los números es la siguiente: (1) absorción de fósforo
por las algas; (2) el pastoreo de peces herbívoros; (3) pastoreo de zooplancton; (4), (5) depredación de peces y
zooplancton, respectivamente, por peces carnívoros; (6) mineralización; (7) mortalidad de algas; (8), (9), (10), (11)
pérdida por pastoreo y depredación; (12) intercambio de P entre epilimnion e hipolimnion; (13) sedimentación de
algas (epilimnion-hypolimnion); (14) sedimentación de detritus (epilimnion-hypolimnion); (15) difusión de P desde el
agua intersticial al lago; sedimentación de detritus (16) y algas (17) (sedimento de hipomnion, una parte va a la
fracción no intercambiable); (18) mineralización de P en fracción intercambiable; (19), (20) pesca; (21) precipitación;
(22) salidas; y (23) entradas (tributarios).
en los dos lagos: los peces herbívoros del lago Victoria se alimentan de fitoplancton,
mientras que en el lago danés el pastoreo es exclusivamente de zooplancton. Estas
diferencias también se reflejaron en los modelos establecidos para los dos
ecosistemas.
En muchos lagos poco profundos, los procesos físicos provocados por el viento
juegan un papel importante. En el lago Balaton, el viento levanta el sedimento, que
58 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
Función forzada
FIGURA 2.12 Se muestra una relación entre una variable de estado y una función forzada. En los puntos 1 y 3 la
capacidad del buffer es alta; en el punto 2 es bajo.
Capitulo 2 • Conceptos de Modelado 59
0
0 1 2 3 4 5 6 7
FIGURA 2.13 Ilustra la capacidad de amortiguamiento para un modelo de eutrofización de un lago danés poco profundo. En
este caso, se seleccionó un modelo con seis variables de estado para cada uno de los nutrientes importantes (C, P y N). Agregar
una séptima variable de estado que representa una especie de zooplancton adicional y una especie de fitoplancton adicional
produjo solo cambios menores en la capacidad de amortiguamiento. También se podrían haber probado otras posibilidades.
En este contexto, debe señalarse que la capacidad del buffer no necesariamente aumenta con el número de variables de
estado como enFigura 2.12. El cambio en la capacidad del búfer solo disminuye con el número de variables de estado cuando
su secuencia se selecciona de acuerdo con la importancia decreciente.
25
Concentración de fitoplancton mg/l
20
1 1
1 1 1
1
10 1 2
2 2
1
FIGURA 2.15 Concentración de algas
2 1 1 graficada versus tiempo: (1) ¼ frecuencia
de muestreo dos veces al mes (þ) y 2) ¼
0 frecuencia de muestreo tres veces por
1 de abril 1 de mayo 1 de junio
semana (*). Note la diferencia de
Fecha d(PHYT)/dt entre las dos curvas.
62 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
importante no solo tener datos con baja incertidumbre, sino también datos
muestreados con una frecuencia correspondiente a la dinámica del sistema.
La regla para hacer coincidir la frecuencia de muestreo adecuada a menudo
se ha descuidado en el modelado de la eutrofización, probablemente porque los
datos limnológicos del lago, que no se muestrean para fines de modelado, a
menudo se recopilan con una frecuencia relativamente baja. Por otro lado, el
modelo intenta simular el ciclo anual y un programa de muestreo anual con una
frecuencia de tres muestras por semana requiere demasiados recursos. Una
combinación de un programa de muestreo anual con una frecuencia de una a
tres muestras por mes y un programa intensivo de medición ubicado en
períodos, donde los diferentes subsistemas muestran cambios máximos, es una
buena base para las estimaciones de parámetros.
El programa de medición intensiva puede, como se presenta a continuación, ser
utilizado para estimar derivadas de variables de estado. Para comparar estas
estimaciones por baja y alta frecuencia de muestreo, véanse las pendientes de las curvas
(1) y (2) enFigura 2.15. Estas estimaciones se pueden utilizar para establecer un conjunto
sobredeterminado de ecuaciones algebraicas, haciendo que los parámetros del modelo
sean la única incógnita. Un esquema del método se ejecuta de la siguiente manera (ver
Figura 2.16; para más detalles, véase J-rgensen et al., 1981):
Paso 1. Encuentre coeficientes spline cúbicos, SI(tj), es decir, tiempo de segundo orden
derivadas en el momento de la observación tj, de la función spline sI(tj)
aproximando la variable observada CI(t), según el método del spline
cúbico. Alternativamente, es posible encontrar unnorteel
polinomio de orden (el orden 4 al 8 es el más utilizado) que aproxima las
observaciones mediante un norteel análisis de regresión de orden. Varios
paquetes de software estadístico están disponibles para realizar este tipo de
análisis de regresión muy rápidamente.
Paso 2. Encontrar @CI(tj)/@t ¼ f(t) por diferenciación de la función encontrada en
paso 1: C ¼ (C,t,a), donde a es un parámetro.
Paso 3. Resuelva la ecuación del modelo de la forma:
@CDtjÞ=dt ¼ FDc, @ c=@r, @2c=@r2, t, unÞ D2:15Þ
No
Es uno ¿factible?
sí
No
¿Aceptable?
sí
No
¿Es factible la nueva variable a?
sí
Detener
FIGURA 2.16 Flujograma informático del método aplicado para la estimación de parámetros mediante el uso de
“medidas intensivas”.
64 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
Aunque el modelo en cuestión puede ser muy no lineal con respecto a las
variables de estado, por lo general resulta que este no es el caso con respecto al
conjunto de parámetros a, o el subconjunto de a que se ajusta mediante la
calibración. Dado que el número de ecuaciones diferenciales es mayor que el
número de parámetros estimables,ecuación (2.15)está sobredeterminado. Es fácil
suavizar la solución, pero es más importante evaluar la constancia de un0, por
ejemplo, mediante análisis de varianza, prueba de normalidad de ruido blanco, etc.
Información sobre la desviación estándar de un0 alrededor de su valor promedio
puede usarse eventualmente como un punto de partida para introducir
estocasticidad en el modelo, admitiendo el hecho de que los parámetros en la vida
real pueden no ser tan constantes como suponen los modeladores.
Como cierto parámetro, unk, rara vez aparece en más de uno o dos lugares en las
ecuaciones del modelo, un valor inaceptable de ak encontrado como solución a ecuación
(2.15)localiza con bastante precisión los términos y construcciones inapropiados en el
modelo. La experiencia con este método muestra que es una valiosa herramienta de
diagnóstico para seleccionar términos del modelo no ajustados.
Dado que el método se basa en la aproximación spline cúbica, es esencial que las
observaciones sean densas, por ejemplo, tjþ1- tj debe ser pequeño en el sentido de
que los polinomios locales de tercer grado deben aproximarse bien a los valores
observados. Es difícil, en general, comprobar si esto se cumple como el “verdadero”C
I(t) la función puede tener rizos microscópicos que generan derivados oscilantes (CI/
dt). Sin embargo, si el método arroja básicamente el mismo resultado en un
subconjunto aleatorio de observaciones, entonces puede ser seguro asumir que {sI(tj
)/dt} representa las tasas reales a diario. Después del ajuste apropiado de las
ecuaciones del modelo, un parámetro aceptable establece uno eventualmente se
puede obtener.
Con un0 como suposición inicial, se puede encontrar un mejor conjunto de parámetros
mediante la perturbación sistemática del conjunto hasta que alguna norma (índice de
rendimiento) haya alcanzado un mínimo (local). En cada perturbación, el modelo
Capitulo 2 • Conceptos de Modelado 65
Mineralización KDPl0
D-1 0.80 þ 0.47 0.40 0.25 0,2–0,8
tasa P
Mineralización KDNl0
D-1 0.21 þ 0.11 0.05 0.15 O.OS–0.3
tasa N
Notas:
* Los lagos Lyngby y Glums- tienen aproximadamente las mismas características biogeoquímicas y morfología;
**
todos los parámetros relacionados con el fitoplancton.
Capitulo 2 • Conceptos de Modelado 67
Fijando velocidad
Tipo de algas (m/día) Referencias
Fitoplancton total 0,05–0,5 J-rgensen et al. (1991, 2000); Tecnología Tetra (1980)
Continuado
70 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
Fijando velocidad
Tipo de algas (m/día) Referencias
2. Los valores de los cálculos basados en el conocimiento del tamaño se pueden utilizar
como primeras estimaciones. Debido a la influencia de los muchos factores
mencionados anteriormente, también se requiere una calibración en este caso. Este
método es difícilmente aplicable para el fitoplancton debido a su capacidad para
cambiar la gravedad específica, pero puede ser útil para otras partículas.
3.Mediciones en el lugarmediante el uso de trampas de sedimentación. Es posible
determinar la distribución del material en materia inorgánica y orgánica y en
parte también en fitoplancton y detritos mediante análisis de clorofila (material
fresco), fósforo, nitrógeno y ceniza. Es poco probable que las mediciones de las
velocidades de sedimentación del fitoplancton en el laboratorio proporcionen un
valor confiable, ya que no consideran los diversos factoresen el lugar.
Alimentación Consumo
metro
100 metros k
yo
10 metros
j
I
h
gramo
1 metro
F
10cm C mi
D
1cm FIGURA 2.18 Longitud
y tiempo de generacion
B
1 milímetro
trazado en log-log
escala: (a) pseudomonas,
(b) daphnia, (c) abeja,
100metrometro
(d) mosca doméstica, (e) caracol,
respectivamente,
2 Unicelular
1
Registro r día-1
0 Heterotermos
−1
homeotermos
−2
−3
FIGURA 2.19 Tasa intrínseca de aumento natural contra el peso para varios animales. Véase también Peters (1983).
donde k es aproximadamente una constante para todas las especies, igual a alrededor de 5,6 kJ/g2/3
día, y m es la tasa metabólica por unidad de peso.
Existen relaciones similares para otros animales. Las constantes en estas
ecuaciones pueden ser ligeramente diferentes debido a las diferencias de forma,
pero por lo demás las ecuaciones son las mismas.
Todos estos ejemplos ilustran la relación fundamental en los organismos
entre el tamaño (superficie) y la actividad bioquímica. La superficie
determina cuantitativamente el contacto con el medio ambiente junto con la
posibilidad de absorber alimentos y excretar sustancias de desecho.
Las mismas relaciones se muestran enFiguras 2.20–2.22, donde las tasas de
procesos bioquímicos que involucran sustancias tóxicas se representan en función
del tamaño. Se reproducen de J-rgensen (1997, 2002). En estas figuras, la tasa de
excreción, la tasa de absorción y el factor de concentración (para organismos
acuáticos) siguen las mismas tendencias que la tasa de crecimiento. Esto no es
sorprendente, ya que la excreción depende en gran medida del metabolismo y la
captación directa depende de la superficie.
76 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
101
−1 6
Tasa de excreción
10−1
10−2
2
5 3
10−3
4 1
10−4
FIGURA 2.20 Excreción de Cd (24h)-1 representado frente a la longitud de varios animales: (1)
Homosapiens, (2) ratones, (3) perros, (4) ostras, (5) almejas y (6) fitoplancton.
10,000
+ Fitoplancton
1000
Tasa de captación
100
10
+ Almejas
+ Ostras
1
1metrometro 100metrometro 1cm 10cm
Longitud
FIGURA 2.21 Tasa de absorción (metrog Cd/g 24 h) frente a la longitud del fitoplancton, almejas y ostras de
varios animales.
Capitulo 2 • Conceptos de Modelado 77
100,000
10,000
1000
100
10
FIGURA 2.22 FC (factor de concentración >¼ a la relación concentración en el organismo a la concentración en el agua>) para Cd
versus tamaño: (1) peces dorados, (2) mejillones, (3) camarones, (4) zooplancton, (5) algas (marrón-verde).
A pesar de todos estos métodos para estimar parámetros, aún puede ser
necesario aceptar que un parámetro solo se conoce dentro de un amplio rango
inaceptable. En tales casos, se debe considerar la aplicación de una simulación
de Monte Carlo del parámetro dentro del rango conocido. El factor de
concentración que indica la concentración en el organismo frente a la
concentración en el medio también sigue las mismas líneas (verFigura 2.20). Por
equilibrio, el factor de concentración se puede expresar como la relación entre la
tasa de absorción y la tasa de excreción, como se muestra en J-rgensen (1979).
Como la mayoría de los factores de concentración están determinados por el
equilibrio, la relación encontrada enFigura. 2.20parece razonable. Los intervalos
para los factores de concentración se indican aquí para algunas especies según
la literatura (J-rgensen et al., 1991, 2000).
Elprincipios alométricos, ilustrado en Figuras 2.18–2.22, se puede aplicar
generalmente para encontrar velocidades de proceso, siempre que estos parámetros
estén disponibles para el elemento o compuesto en consideración (porque se conoce
la pendiente). Sin embargo, es preferible conocer varias especies para controlar la
validez del gráfico. Cuando parcelas similares aFiguras 2.18–2.22 están construidos,
es posible leer parámetros desconocidos cuando se conoce el tamaño del
organismo.
Se mencionó anteriormente que las restricciones del modelo podrían usarse para
estimar parámetros desconocidos. La composición química de un organismo.
78 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
se aplicó para ilustrar este método principal. Las restricciones del modelo de tema se
tratan con más detalle enSección 2.12. La supervivencia darwiniana del más apto se
utiliza en la traducción termodinámica como una función objetivo para encontrar el
cambio en las propiedades resultante de la adaptación y un cambio en la
composición de especies presentada. Esta restricción también se ha aplicado para
estimar parámetros desconocidos, como se muestra en el Capítulo 10, después de
haber presentado la teoría más básica.
Esta presentación de los métodos de estimación de parámetros se puede
resumir en el siguiente resumen y recomendaciones:
donde 173 *1015 W es el flujo de energía de la radiación solar. Dsería, por tanto,
del orden de 10-69 segundos. Por lo tanto, una observación tomará 10-69
segundos, incluso si usamos toda la energía que ha estado disponible en la
Tierra como DE, que debe considerarse el caso más extremo. Por lo tanto, el
número hipotético de observaciones posibles durante la vida de la Tierra sería:
4:5 109 365:3 3600=10-69 de 1085: D2:28Þ
Esto implica que podemos reemplazar 105 en ecuación (2.24)con 1060 ya que
o norte 253.
A partir de estas consideraciones muy teóricas, podemos concluir claramente que
nunca tendremos suficientes observaciones para describir siquiera un ecosistema con
todo detalle. Un ecosistema es un sistema numérico medio, lo que significa que la
cantidad de componentes no es tan alta como la cantidad de moléculas de gas en una
habitación, pero puede llegar a 1015–1020. A diferencia de las moléculas de gas en una
habitación, todos estos componentes son diferentes, mientras que puede haber solo de
10 a 20 tipos diferentes de moléculas de gas en una habitación.
Capitulo 2 • Conceptos de Modelado 81
Agua 0.000003 1
30
Residuos totales incl. DDT y DDE
10 solo DDE
Atmósfera 0.000004
Césped 0.05
fitoplancton 0.0003
golondrinas 2.0
Hombre 6.0
Energía solar asimilada por las plantas ¼ energía química del crecimiento del tejido vegetal
þ energía calorífica de la respiración D2:38Þ
Para el siguiente nivel en las cadenas alimenticias, los animales herbívoros, el balance de
energía también se puede configurar como:
FIGURA 2.24 Destino de la energía solar que incide sobre la vegetación herbácea perenne de una antigua comunidad de
campo en Michigan. Todos los valores en GJ m-2 y-1.
Tabla 2.9*
A. Calor de combustión del material animal
Muestra Material sin cenizas (kcal/gm) Proporción de grasa (% peso seco como grasa)
Continuado
90 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
D . CBdeoreserva
Ejército le 2 S.9t*yonorte
megabyte tu
— CHo 'Df Componentes de la Biomasa
cada unonortetto
glucógeno - 4.19
Carne de pescado - 5,65 - 9.50
Leche - 5,65 - 9.25 - 3,95
frutas - 5.20 - 9.30 - 4.00
Grano - 5,80 - 9.30 - 4.20
sacarosa - 3,95
Glucosa - 375
Champiñón - 5.00 - 9.30 - 4.10
Levadura - 5.00 - 9.30 - 4.20
sí
Cambiar la estructura del modelo, los submodelos, las ecuaciones o los parámetros
sí
sí
sí
sí
No
¿Cumple el modelo con
la función objetivo (el orientador)?
sí
FIGURA 2.25 Consideraciones sobre el uso de varias restricciones mediante el desarrollo de modelos. El rango de valores de los
parámetros está particularmente limitado por el procedimiento que se muestra.
92 FUNDAMENTOS DE LA MODELACIÓN ECOLÓGICA
Problemas
1.¿Qué clase de modelos seleccionaría para los siguientes
problemas:
una. ¿Protección de una población de leones en un parque nacional?
B. ¿Optimización de la pesca en medio marino?
C. ¿Construcción de un humedal para la desnitrificación de los aportes de nitratos de
la agricultura?
2. Explicar la importancia de la verificación, calibración y validación.
¿Se pueden desarrollar modelos sin estos tres pasos?
3.Encuentre el factor de concentración de cadmio para una ballena, que se estima que
tiene una longitud de 20 m.
4.La excreción de amoníaco para un pez de 500 g es de 200 mg/24h. Estime la
excreción de amoníaco para un pez de 4 kg. ¿Cuál es la tasa de excreción de
un tiburón de 2000 kg?
5. Establezca una matriz de adyacencia para los modelos que se muestran en Figura 2.10 y
2.11.
Capitulo 2 • Conceptos de Modelado 93