9.3: Desafíos para la implementación de PVA

Falta de datos adecuados

Los biólogos de población a menudo requieren varios años de datos de encuestas para distinguir las tendencias poblacionales a largo plazo del “ruido modelo”, fluctuaciones poblacionales a corto plazo causadas por el clima y otros eventos impredecibles (Figura 9.6) Por esa razón, las pautas generales sugieren que, como mínimo, se requieren datos poblacionales de seis (Morris y Doak, 2002) a 10 (McCarthy et al., 2003) años antes de intentar un PVA.

Los biólogos de población a menudo requieren varios años de datos de encuestas para distinguir las tendencias poblacionales a largo plazo de las fluctuaciones poblacionales

Figura 9.6 A menudo se necesitan varios años de datos para distinguir las tendencias poblacionales a largo plazo del “ruido” causado por las fluctuaciones a corto plazo. En este ejemplo, aparece como si el tamaño de la población de topi (Damaliscus lunatus jimela, VU) de Kenia fuera relativamente estable, y a veces incluso aumentando, entre 1977 y 1989. Sin embargo, el descenso del 82% es inconfundible cuando se consideran tendencias a largo plazo. Después de Ogutu et al., 2016, CC BY 4.0.

En los últimos años, se ha invertido un esfuerzo considerable en recopilar, resumir y poner a disposición conjuntos de datos demográficos. Un ejemplo es el Índice Demográfico de Conocimientos de Especies (Conde et al., 2019) destinado a resumir datos demográficos obtenidos de instalaciones de conservación ex situ (Sección 11.5). Sin embargo, la mayoría de las especies africanas siguen careciendo de conjuntos de datos de varios años, mientras que muchas especies amenazadas carecen de datos confiables Debido a que la enorme tarea de llenar estas brechas de datos no es práctica, es necesario ser estratégico en cuanto a qué poblaciones considerar para fines de PVA. Por ejemplo, no tiene sentido realizar un PVA en cada especie en un ecosistema amenazado cuando unas pocas especies indicadoras cuidadosamente seleccionadas bastarán para monitorear la salud de los ecosistemas (McGeoch et al., 2002). Otras prioridades para los esfuerzos de PVA incluyen (1) especies cosechadas por humanos, (2) especies más sensibles a los cambios de los ecosistemas, (3) especies con mayor incertidumbre respecto a la viabilidad y (4) especies que son el foco de los esfuerzos actuales de manejo (Wilson et al. 2015).

Pero incluso en ausencia de conjuntos de datos confiables y completos, los PVAs pueden seguir siendo útiles. Por ejemplo, el análisis de sensibilidad puede informar futuros esfuerzos de recopilación de datos, particularmente para llenar vacíos que conducen a altos niveles de incertidumbre, o para verificar la precisión de los datos para parámetros particularmente sensibles.

Fiabilidad de los datos

Si bien llenar estratégicamente las brechas de datos debe ser una prioridad, no debe llegar a expensas de la calidad y confiabilidad de los datos. Muchos, quizás la mayoría, los programas de monitoreo de la población están mal diseñados (Buckland y Johnston, 2017), lo que lleva a datos sesgados, poca precisión de las encuestas y resultados engañosos. Las encuestas mal diseñadas no solo desperdician tiempo y recursos valiosos, sino que los resultados erróneos también obstaculizan seriamente los esfuerzos de conservación.

Para superar estas deficiencias, hay cinco criterios que un programa de monitoreo bien diseñado debe satisfacer (Buckland y Johnston, 2017). En primer lugar, los sitios de levantamiento deben representar la región o especies de interés. Segundo, se debe elegir un número suficientemente grande de sitios de monitoreo. Tercero, se deben establecer programas de monitoreo para que todas las especies objetivo, ya sean comunes o raras, sean contadas adecuadamente. Cuarto, las especies seleccionadas para su monitoreo deben representar a la comunidad de interés, en lugar de especies carismáticas que se detectan fácilmente. Quinto, es necesario realizar múltiples encuestas a lo largo del tiempo para detectar tendencias poblacionales a largo plazo. Dadas las limitaciones de recursos, a veces pueden requerirse algunos compromisos en el diseño de encuestas. También puede valer la pena considerar el uso de científicos ciudadanos y nuevas tecnologías como cámaras trampa (Sección 9.1.4) para mejorar la eficiencia de la recolección de datos y proporcionar evidencia de respaldo de especies reportadas para revisión pericial de seguimiento, si es necesario.

Confiabilidad del modelo

Si bien los PVA pueden proporcionar predicciones razonablemente precisas cuando se basan en datos confiables (Brook et al., 2000; McCarthy et al., 2003), muchos conservacionistas siguen siendo escépticos sobre los resultados de PVA y su capacidad para predecir futuros cambios poblacionales a lo largo del tiempo (Crone et al., 2013). Parte de la razón es nuestra incapacidad para dar cuenta con precisión de eventos futuros imprevistos, como eventos climáticos inusuales o la llegada de una nueva especie invasora. También hay desafíos mecanicistas para el modelado de PVA, incluyendo su sensibilidad a los supuestos del modelo y ligeros cambios en los parámetros del modelo, es decir, ligeros cambios en la entrada del modelo generan resultados muy diferentes. Por esta razón, algunos biólogos han comenzado a desalentar el uso de PVA en el manejo de la conservación, especialmente cuando se enfrentan a datos inadecuados (Ellner et al., 2002).

Si bien este escepticismo es importante y el interrogatorio modelo siempre debe ser bienvenido (ambos aspectos suelen conducir a mejoras en el modelo), el PVA seguirá desempeñando un papel crucial en la conservación en un futuro previsible. Sin embargo, es importante que los biólogos que utilizan PVA estén familiarizados con los desafíos asociados a la confiabilidad del modelo, así como los supuestos y limitaciones de cada modelo de PVA. Siempre ayuda a comenzar cualquier modelo de PVA con una comprensión clara de la ecología de la población objetivo, las amenazas a las que se enfrenta y sus características demográficas, lo que a su vez permite a los modeladores evaluar mejor los resultados del modelo.