1.5: Diseñar un plan de monitoreo

El diseño de un plan de monitoreo es un proceso (Figura 5.1) que idealmente lo llevará a través de la identificación de problemas, al desarrollo de preguntas clave, un diseño riguroso de muestreo y análisis que pueden asignar probabilidades a las tendencias observadas. Finalizar un plan diseñado como resultado de este proceso es un precursor del inicio de la recolección de datos. Este es probablemente el único paso más importante en el plan de monitoreo. Una vez que haya decidido el diseño del plan de monitoreo y haya comenzado a recopilar datos, existe una fuerte resistencia a cambiar el plan porque muchos cambios harán que los datos recopilados hasta ahora sean de menor valor. Así que diseñarlo correctamente desde el principio para minimizar la necesidad de cambios posteriores.

Figura 5.1. El proceso de inventario y monitoreo (reelaborado a partir de Jones 1986).

Articulación de las preguntas que deben ser respondidas

Es importante ver el monitoreo como comparable en muchos aspectos a la realización de una investigación científica. El primer paso en el proceso es desarrollar un marco conceptual para nuestra comprensión actual del sistema, completo con citas literarias para sustentar supuestos. Claramente ningún programa de monitoreo contará con toda la información necesaria para desarrollar completamente un modelo conceptual para el sistema en consideración. La información disponible deberá extraerse de la literatura, de otros sistemas y de la opinión de expertos. Sin embargo, es necesario desarrollar el modelo conceptual para identificar las brechas clave en nuestro conocimiento y permitir una clara articulación de las preguntas más pertinentes (Figura 5.2).

Figura 5.2. Modelo conceptual desarrollado como base para el monitoreo de la ambrosía de San Diego, una de las muchas especies identificadas como importantes como identificadas dentro del Programa de Conservación de Múltiples Especies de San Diego (reelaborado a partir de Hierl et al. 2007). El objetivo para los directivos es mantener el 90% de la población base. Se destacan los conductores que presumiblemente influyen en la persistencia poblacional.

A medida que desarrolle el plan de monitoreo se debe prestar especial atención a algunos términos que se utilizan comúnmente para definir el problema y el enfoque. Dentro del contexto del manejo de la tierra y la conservación de la biodiversidad, estos términos podrían guiarlo hacia el tipo de diseño de monitoreo que elegirá usar.

Estos términos se relacionan con el diseño experimental:

• Causa y efecto — ¿Podrá inferir la causa de los cambios observados?
• Asociación o relación — ¿Podrás detectar asociaciones entre pares de variables como poblaciones y cambios en área de un tipo de hábitat?
• Tendencia o patrón — ¿Serán aparentes los patrones sobre el espacio y/o el tiempo?
• Observación o detección — ¿Qué constituye haber 'observado' a un individuo?

Estos términos se relacionan con la variable de respuesta que medirá para evaluar uno de los anteriores:

• Ocurrencia — ¿La especie estuvo presente, ausente o simplemente no se detectó?
• Abundancia relativa — ¿Observó más individuos en un lugar o tiempo que en otro?
• Abundancia — ¿Cuántos individuos por ha (o km cuadrados) se estima que están presentes?
• Aptitud — ¿La especie sobrevive o se reproduce mejor en un lugar o tiempo que en otro?

Estos términos se relacionan con el alcance de inferencia para el esfuerzo:

• Rodal, unidad de cosecha, campo, pasto, proyecto, granja, distrito, cuenca, bosque, región: define el grano y la extensión de la escala espacial de los posibles efectos de manejo
• Rango de origen, subpoblación, rango geográfico, stock, clon: define el grano y la extensión espacial asociada con la especie focal.
• Frecuencia de manejo o perturbaciones exógenas que afectan al sistema — ayuda a definir el intervalo de muestreo
• Intervalo de retorno entre perturbaciones u otros eventos que puedan afectar a las poblaciones de la especie focal — ayuda a definir la duración del marco de monitoreo
• La intensidad de perturbación o el grado de cambio en la biomasa u otros aspectos del sistema en función del manejo o perturbaciones exógenas, ayuda a comprender cómo se deben definir los tamaños de los efectos y, por lo tanto, la intensidad de muestreo suficiente para detectar tendencias o diferencias.

Una vez que haya articulado preguntas basadas en el modelo conceptual para el sistema, entonces debe usar términos de cada uno de los grupos anteriores para definir más a fondo el plan de monitoreo. El detalle y el enfoque son aspectos importantes de un sistema de monitoreo bien diseñado. El uso de términos vagos o poco claros, preguntas amplias o extensiones espaciales y temporales poco claras aumentarán el riesgo de que los datos recopilados no aborden adecuadamente las preguntas clave a escalas que sean significativas. Además, las preguntas claramente articuladas no solo aseguran que los datos recopilados sean adecuados para abordar brechas o supuestos específicos de conocimiento clave, sino que también proporcionan la base para identificar umbrales o puntos desencadenantes que inician un nuevo conjunto de acciones de gestión.

Si se consideran los términos anteriores cuando se está diseñando el plan de monitoreo, y se describen claramente los puntos detonantes para la acción gerencial antes del monitoreo, entonces debería ser evidente que el universo de preguntas que podrían abordarse mediante el monitoreo es muy amplio. Por supuesto, tu reto es identificar las preguntas clave que aborden los procesos y estados clave de manera eficiente y coordinada en el espacio y el tiempo. Dado un modelo conceptual desarrollado para un sistema, existe una serie de preguntas que podrían abordarse a través del monitoreo. La priorización de estas preguntas permite al gerente enfocar tiempo y dinero en las preguntas clave.

Inventario, Monitoreo e Investigación

Las cuestiones de interés pueden abordarse utilizando enfoques de inventario, monitoreo o investigación (Elzinga et al. 1998). El inventario es una extensa encuesta puntual para determinar la presencia/ausencia, ubicación o condición de un recurso biótico o abiótico. El monitoreo es una recopilación y análisis de observaciones o mediciones repetidas para evaluar los cambios en la condición y el progreso hacia el cumplimiento de un objetivo de manejo. Detectar una tendencia puede desencadenar una acción de gestión. La investigación tiene como objetivo comprender los procesos ecológicos o en algunos casos determinar la causa de los cambios observados por el monitoreo. La investigación se define generalmente como la recolección sistemática de datos que produce nuevos conocimientos o relaciones y generalmente implica un enfoque experimental, en el que se prueba una hipótesis sobre la causa probable de una observación en situaciones con y sin la causa especificada. Algunos biólogos argumentan firmemente que la diferencia entre monitoreo e investigación es sutil y que el monitoreo también debe basarse en hipótesis comprobables. Sin embargo, estos tres enfoques para obtener información son altamente complementarios y no muy discretos. Y los tres enfoques son necesarios para gestionar eficazmente un área sin efectos negativos innecesarios.

¿Ya están disponibles los datos?

Es posible que ya tengas algunos datos que han sido recopilados previamente o de un área diferente. ¿Se pueden utilizar estos datos? ¿Deberías? ¿Qué constituyen datos adecuados ya en la mano, o cómo sabemos cuándo los datos son adecuados para abordar una pregunta? Bueno, ¡eso depende de la pregunta! Por ejemplo, si queremos estar 90% seguros de que una especie no se presenta en un parche u otra área para ser manejada de alguna manera en el próximo año, ¿cuántas muestras se requieren para alcanzar ese nivel de confianza? Desarrollar una relación entre la cantidad de esfuerzo invertido y la probabilidad de detectar especies 'x' en un parche, puede proporcionar información sobre el nivel de esfuerzo necesario para detectar una especie el 90% del tiempo en que efectivamente ocurre en el parche. Esto requiere múltiples parches y múltiples muestras por parche a lo largo del tiempo para colocar intervalos de confianza en probabilidades (Figura 5.3). Donde múltiples especies son el foco de monitoreo, un gráfico especie-área puede ser bastante útil. Por ejemplo en la Figura 5.4, el muestreo de un área menor a 7 hectáreas de tamaño no es probable que resulte en una lista representativa de especies para el sitio.

Figura 5.3. Una probabilidad hipotética acumulativa de detección. Obsérvese que al aumentar el esfuerzo de muestreo, la probabilidad de detectar una especie aumenta a una meseta en aproximadamente 90% con 9 visitas. De ahí que los esfuerzos futuros para detectar esta especie deberán incluir al menos 9 visitas. Claramente se necesitan más visitas para detectar especies raras que especies comunes.

Figura 5.4. Una curva hipotética especie-área para un tipo de parche. Tenga en cuenta que cuando se alcanza una asíntota entonces el muestreo de un área de ese tamaño es más probable que capture la mayor cantidad de especies, hasta que se alcance un nuevo tipo de parche, entonces tal vez se note un aumento abrupto de especies.

Este tipo de preguntas requieren datos bastante diferentes a los que se requerirían para responder a la pregunta: ¿Cuáles son los efectos del manejo 'x' en las especies 'y'? Obsérvese que en este ejemplo se utiliza el término 'efecto', por lo que el diseño experimental es idealmente en forma de experimento manipulador (Romesburg 1981). En este caso, querríamos tener datos tanto previos como posteriores al tratamiento recopilados en una muestra de parches que reciben y no reciben tratamiento. En el siguiente ejemplo, dos de los tratamientos tuvieron claramente un efecto sobre la abundancia de gorriones de corona blanca en rodales manejados en Oregón (Figura 5.5). Resultados como estos son base de preguntas específicas. Es el desarrollo de la pregunta lo que es importante y la pregunta debe evolucionar a partir del modelo conceptual del sistema. Claramente, el desarrollo de un modelo conceptual para describir los estados del sistema, procesos y factores estresantes, debe basarse en la medida de lo posible en los datos. Entonces, aunque los datos actualmente disponibles son valiosos, deben abordar la cuestión de interés de una manera que sea congruente con el modelo conceptual. Es importante reconocer que no todos los datos son iguales. Considere las siguientes preguntas al evaluar la adecuación de un conjunto de datos para abordar una pregunta o para desarrollar un marco conceptual:

1. ¿Las muestras son independientes? Es decir, ¿las observaciones en el conjunto de datos representan las unidades de gestión a las que se ha aplicado un tratamiento? Usando un ejemplo de bosque, tomar 10 muestras de densidades de una especie invasora de un parche no es lo mismo que tomar una muestra de 10 parches (Hullbert 1984). En el primer ejemplo, las muestras son submuestras de una zona de tratamiento, en esta última hay una muestra en cada una de las 10 unidades replicadas. Si la especie bajo consideración tiene un rango de hogar menor que el tamaño del parche, entonces los parches son muestras razonablemente independientes. Si la especie en cuestión tiene un área de distribución familiar que abarca numerosos parches, entonces la selección de parches para muestrear debe basarse en asegurar en la medida de lo posible que un animal no use más de un parche manejado.
2. ¿Cómo se recolectaron los datos? ¿Qué fuentes de variabilidad en los datos pueden ser causadas por la metodología de muestreo (por ejemplo, sesgo del observador, inconsistencias en los métodos, etc.)? Si la variabilidad de la muestra es demasiado alta debido al error de muestreo, entonces la capacidad de detectar diferencias o tendencias disminuirá. Además, si las muestras tomadas son sesgadas entonces las conclusiones resultantes serán sesgadas y las decisiones tomadas en base a esas conclusiones pueden ser inapropiadas.
3. ¿Se seleccionaron sitios al azar? Si no es así, entonces puede haber (probablemente) sesgo introducido en los datos que debería generar dudas en la mente de los científicos, gerentes y partes interesadas con respecto a la exactitud de las relaciones o diferencias resultantes.
4. ¿Qué tamaño de efecto es razonable? Incluso un estudio bien diseñado puede simplemente no tener el tamaño de muestra adecuado para detectar una diferencia o relación que sea real simplemente porque el estudio estuvo limitado por recursos, respuestas raras u otros factores que aumentan la varianza de la muestra y disminuyen el tamaño del efecto que se puede detectar. Nuevamente, cómo se trata esto depende de la pregunta que se haga. ¿Cuál es más importante, detectar una relación que es real o decir que no hay relación cuando realmente no la hay? En muchos casos, donde el monitoreo está diseñado para detectar un efecto de una acción de gestión, el primero es más importante. En ese caso, el nivel alfa utilizado para detectar diferencias o tendencias puede incrementarse (de digamos 0.05 a 0.10), pero será más probable que digas que una relación es real cuando realmente no lo es. Alternativamente, es posible que desee utilizar el análisis bayesiano o metaanálisis para examinar los datos y ver si estas técnicas arrojan luz sobre su pregunta. Consulte el Capítulo 11 para una discusión más profunda de estas técnicas analíticas.
5. ¿Cuál es el alcance de la inferencia? ¿De qué área se seleccionaron las muestras? ¿Durante qué periodo de tiempo? ¿Es probable que los resultados del trabajo sean aplicables a su área? A medida que aumentan las diferencias en las condiciones en las que se recolectaron los datos en comparación con las condiciones en su área de interés, menor será la confianza que debe tener para aplicar los resultados en su contexto.

Figura 5.5. Cambio en las detecciones de gorrión de corona blanca después de tratamientos silvícolas que ilustran resultados de monitoreo de causa y efecto (reredactado de Chambers et al. 1999). Foto de Wolfgang Wander y publicada bajo creative commons.

Si, después de considerar los factores anteriores, sientes que los datos pueden usarse para identificar de manera confiable estados y procesos desconocidos conocidos en el modelo conceptual, entonces deberías tener una mejor idea de dónde el modelo se basa en gran medida en suposiciones, datos débiles o opinión de expertos. Estas partes del modelo conceptual deben elevarse a la cima durante la identificación de la pregunta que se debe diseñar el monitoreo para abordar.

Siempre que se exploren las precauciones señaladas anteriormente, es razonable y correcto utilizar datos que ya están disponibles para informar y enfocar las preguntas que se formularán mediante un plan de monitoreo. Los datos existentes se utilizan comúnmente para abordar preguntas. Por ejemplo, Sauer et al. (2001) proporcionaron un índice de credibilidad que señala resultados imprecisos, de tamaño de muestra pequeño o de otro modo cuestionables. Los cucos pico amarillo han mostrado una disminución significativa en el sur de Nueva Inglaterra en los últimos 34 años (Figura 5.6), pero el análisis levanta una bandera con respecto a la credibilidad debido a una deficiencia en los datos asociados a la baja abundancia (<1.0 aves/ruta). Además, un examen de los datos indicaría que la única estimación en 1966 puede ser un valor atípico y puede tener un efecto primordial en los resultados. En este ejemplo, sería útil eliminar los datos de 1966 y volver a ejecutar los análisis para determinar si la relación aún se mantiene. Independientemente del resultado de este análisis posterior, los datos probablemente resultarán útiles a la hora de desarrollar un modelo conceptual de cambio poblacional para la especie. Cuando se toman las precauciones adecuadas, dichos datos pueden permitir que el gerente se centre en preguntas más específicas con respecto a un plan de monitoreo. Por ejemplo, dentro del rango geográfico de la especie, ¿qué factores pueden estar causando las disminuciones pronosticadas? Los datos de BBS revelan que no se predice que la especie haya disminuido uniformemente en su rango (Figura 5.7). Esta información puede brindar la oportunidad de desarrollar hipótesis sobre los factores causantes de los descensos.

Figura 5.6. Tendencias en abundancia de cucos de pico amarillo en su rango geográfico, 1966-1996 (reredactado de Sauer et al. 2001). Tenga en cuenta que los resúmenes de datos también están disponibles para áreas más pequeñas como ecorregiones y estados. Estos datos pueden abordar una parte de un modelo conceptual y ser valiosos en el diseño de un plan de monitoreo. Foto de Dominic Sherony y publicada bajo creative commons.

Figura 5.7. Los cambios en la abundancia de cucos de pico amarillo a lo largo del tiempo varían de una porción de su área geográfica a otra (de Sauer et al. 2001). Se debe tener cuidado para que los datos se relacionen con el alcance de inferencia del plan de monitoreo que se está desarrollando. Las tendencias locales pueden ser informativas, mientras que las tendencias regionales pueden no; si su área de interés estuviera en Louisiana, entonces las tendencias nacionales serían engañosas.

Las tendencias registradas en abundancia para los towhees orientales (fig 5.8) proporcionan otro claro ejemplo. En este caso, los descensos son evidentes en todo el noreste de Estados Unidos. Con base en nuestro conocimiento de los cambios en el uso del suelo en el noreste y la asociación de esta especie con la vegetación matorral sucesional temprana, plantearíamos la hipótesis de que los descensos son un resultado directo del re-crecimiento de los bosques de frondosas orientales y la consiguiente pérdida de vegetación dominada por arbustos. De hecho, el monitoreo del éxito reproductivo de la especie antes y después del manejo de la vegetación diseñado para restaurar la vegetación arbustiva podría permitir la detección de una relación de causa y efecto que conduciría a un cambio en el monitoreo de la especie en la porción noreste de su área de distribución. Si los cambios en la abundancia se relacionaran con cambios en la cobertura del suelo (y no con parasitismo por parte de los cowbirds de cabeza marrón u otros efectos), entonces se podría desarrollar un marco de monitoreo alternativo. El monitoreo poco frecuente de las poblaciones con monitoreo frecuente de la disponibilidad de los elementos del hábitat importantes para la especie (cobertura arbustiva) puede ser adecuado para comprender las oportunidades de recuperación poblacional (o disminución continua). Esto revela los beneficios potenciales de aplicar datos previamente generados: generalmente los costos asociados al monitoreo de la disponibilidad del hábitat son menores que los costos asociados con el monitoreo de poblaciones o la aptitud de la población, por lo que si se detectó una relación de causa y efecto entre vegetación y poblaciones de aves, entonces los directivos pudieron ver ahorros considerables en su programa de monitoreo.

Figura 5.8. Cambios pronosticados en abundancia de towhees orientales en su rango geográfico, 1966-1996 (de Sauer et al. 2001). Foto de Dick Daniels y publicada bajo creative commons.

En resumen, aunque existen lineamientos generales con respecto a lo que constituye datos confiables, los datos adecuados para una pregunta pueden ser inadecuados para otra. El uso de los datos existentes y la comprensión de la calidad de los datos pueden permitir el desarrollo de un modelo conceptual donde se puedan identificar estados, procesos y factores estresantes con diferentes niveles de confianza. Aquellos factores que se basan en suposiciones o datos débiles y que parecen muy probables estar influyendo en la capacidad de entender los efectos de manejo, deben convertirse en el foco a la hora de desarrollar las preguntas a responder por el plan de monitoreo.

Tipos de diseños de monitoreo

Antes de proporcionar ejemplos de los tipos de diseños de monitoreo, recordemos que hay varios puntos principales consistentes entre todos los diseños:

1. ¿Las muestras son estadística y biológicamente independientes?
2. ¿Cómo se recolectaron los datos? Qué fuentes de variabilidad en los datos pueden ser causadas por la metodología de muestreo (por ejemplo, sesgo del observador, inconsistencias en los métodos, etc.). Si la variabilidad de la muestra es demasiado alta debido al error de muestreo, entonces la capacidad de detectar diferencias o tendencias disminuirá.
3. ¿Se seleccionaron sitios al azar? Si no es así, entonces puede haber (probablemente) sesgo introducido en los datos que debería generar dudas en la mente de los desarrolladores del plan con respecto a la exactitud de las relaciones o diferencias resultantes.
4. ¿Qué tamaño de efecto es razonable detectar?
5. ¿Cuál es el alcance de la inferencia?

Una vez atendidas estas preguntas, entonces hay consideraciones adicionales dependiendo del tipo de monitoreo que se llevará a cabo.

Observaciones incidentales

Las observaciones oportunistas de individuos, sitios de anidación o elementos de hábitat pueden ser de algún valor para los gerentes, pero a menudo no son de mucha utilidad en un marco de monitoreo, excepto para proporcionar información preliminar o adicional a un programa más estructurado. Por ejemplo, las ubicaciones del sistema de posicionamiento global (GPS) de una especie observada incidentalmente durante un período de tres años podrían trazarse en un mapa y cierta información se puede derivar del mapa (ubicaciones conocidas). El problema con el uso de estos puntos de datos en un plan formal de monitoreo es que no se recolectan dentro de un diseño experimental. Sin duda, hay sesgos asociados con dónde están o no es probable que las personas pasen el tiempo; con detectabilidad entre diferentes condiciones vegetativas, hidrológicas o topográficas; y detectabilidad de diferentes cohortes de edad o sexo de la especie. En consecuencia, esta información debería mantenerse, pero rara vez se utilizaría como base para un diseño formal de monitoreo.

Diseños de inventario

Suponga que le preocupa que las acciones de manejo propuestas impacten en una especie que podría estar presente en su área de manejo. ¿Qué tan seguro quieres estar de que la especie se presenta en el área de manejo propuesta? ¿Quieres saber con 100% de confianza? ¿O puedes estar 95% seguro? ¿90%? La respuesta a esa pregunta dictará tanto el diseño de muestreo como el nivel de intensidad con el que se realiza el inventario del sitio para estimar presencia y (presunta) ausencia.

En primer lugar, y ante todo, deberá decidir qué constituirá una muestra independiente para este diseño. ¿Le preocupa más que una especie ocurra o no ocurra en un conjunto propuesto de parches manejados? Si es así, será necesario el muestreo de todos, o una muestra aleatoria de los parches manejados propuestos. Pero, ¿y si los parches gestionados están agrupados y la especie de interés tiene un rango hogareño que se superpone a algunos de los parches administrados? ¿Es probable que detecte al mismo individuo en varias unidades? Si es así, ¿es necesario detectarlo en todas las unidades dentro del rango de origen de la especie? No es probable. Para especies con rangos hogareños más grandes que un parche manejado, probablemente querrás muestrear un área de tamaño e intensidad suficientes para tener una alta probabilidad de detectar la especie dentro de esa área del tamaño del rango de hogar. Las áreas seleccionadas aleatoriamente deben ser independientes con respecto a minimizar el potencial de detección del mismo individuo en múltiples sitios. Entonces, el muestreo aleatorio de sitios se vería limitado al eliminar aquellos sitios donde es probable el doble conteo de individuos.

En un diseño de inventario generalmente deseas estar 'x' seguro de que has detectado la especie si realmente está ahí. En consecuencia, será crítico un estudio piloto que desarrolle la relación entre la probabilidad de detectar un individuo y la intensidad del muestreo. Considerar el uso de grabadoras activadas a distancia para evaluar la presencia/ausencia de pájaros machos cantantes en una zona. ¿Cuántas mañanas necesitarías en cada sitio para detectar una especie que sí ocurre en el sitio? Un estudio piloto puede implicar 20 o 30 sitios (más si la especie es rara) para permitirle graficar las detecciones acumulativas de la especie sobre el número de mañanas muestreadas (Figura 5.2). Eventualmente se debería alcanzar una asíntota y luego se podría suponer que el muestreo adicional probablemente no conduciría a detecciones adicionales. Se pueden colocar intervalos de confianza en estas estimaciones, y el nivel estimado de confianza resultante en su capacidad para detectar la especie puede (y debe ser) reportado. Los resultados del trabajo piloto (o datos publicados) como este a menudo permiten estimaciones más informativas de la probabilidad de que una especie ocurra en un área se genere en el muestreo posterior durante el programa de monitoreo. Este es especialmente el caso cuando se pueden aplicar niveles estimados de confianza a los datos de monitoreo.

Existen varios temas a considerar a la hora de elaborar un plan de monitoreo que esté diseñado para estimar la ocurrencia o ausencia de una especie en una zona. Primero, cuanto más rara o críptica sea la especie, más muestras serán necesarias para evaluar la presencia y la intensidad del muestreo puede llegar a ser logísticamente prohibitiva. En ese caso podrían ser necesarios otros indicadores de ocurrencia.

Considere las siguientes posibilidades al identificar indicadores de ocurrencia en un área:

1. Observación directa de un individuo reproductivo (hembra con jóvenes)
2. Observación directa de un individuo, estado reproductivo desconocido (¿Son estos dos primeros indicadores de ocurrencia o algo diferente, como los indicadores de que el manejo tendrá un impacto?)
3. Observación directa de un sitio de nido activo
4. Observación de un sitio de descanso activo u otra cobertura
5. Observación de evidencias de ocurrencia tales como huellas, semillas, polen
6. Identificación de las características del hábitat de esa zona asociada a la especie

Cualquiera de los indicadores anteriores podría proporcionar evidencia de ocurrencia y por ende vulnerabilidad potencial al manejo, pero la confianza depositada en los resultados disminuirá del número 1 al número 6 para la mayoría de las especies en función de la probabilidad de que la aptitud de los individuos pueda verse afectada por la acción de manejo.

Finalmente se sugiere fuertemente que se utilicen técnicas estadísticas que incluyan datos que influyan en la probabilidad de detección. MacKenzie et al. (2003) proporcionan un programa de computadora PRESENCIA que utiliza un método basado en la probabilidad para estimar las tasas de ocupación del sitio cuando las probabilidades de detección son <1 e incorpora información covariable. También proporcionan información sobre diseños de encuestas que permiten el uso de estos enfoques (MacKenzie y Royle 2005).

Diseños de monitoreo de estado y tendencias

El monitoreo a largo plazo de las poblaciones para establecer tendencias a lo largo del tiempo se coordina en grandes áreas bajo varios esfuerzos. Por ejemplo, la División de Recursos Biológicos (BRD) del Servicio Geológico de Estados Unidos (USGS) ha estado involucrada en el monitoreo de aves y anfibios, así como contaminantes y enfermedades que pueden afectar a las poblaciones de estas especies. Los resultados de estos esfuerzos, así como la información de apoyo a la investigación, proporcionan la base para comprender por qué podríamos estar viendo tendencias en recursos biológicos en grandes áreas (por ejemplo, informes de estado y tendencias del USGS). Dichos sistemas de monitoreo brindan información sobre los cambios en las poblaciones, pero no necesariamente indican por qué las poblaciones están cambiando. Por ejemplo, considere los cambios en las poblaciones de becadas estadounidenses durante un periodo de 27 años (Figura 5.9).

Figura 5.9. Tendencias a largo plazo del número de becadas estadounidenses observadas en terrenos para cantar en el este de Estados Unidos, 1968-1995 (reredactado de Bruggink y Kendall 1995). Foto de guizmo_68 y publicada bajo creative commons.

Claramente, el número de machos cantantes ha disminuido notablemente durante este periodo de tiempo. Esta información es muy importante ya que indica que puede ser necesaria investigación adicional para entender por qué se han producido los cambios. ¿Los machos cantantes son simplemente menos detectables de lo que eran en 1968? ¿Están disminuyendo realmente las poblaciones? Si es así, ¿los descensos se deben a cambios de hábitat en los terrenos de anidación? ¿Terrenos de invernada? ¿Vías migratorias? ¿La población está siendo cazada en exceso? ¿Existen enfermedades, parasitismo o efectos depredadores que están causando estos descensos? ¿Estos descensos son uniformes en el rango de distribución de la especie o existen patrones regionales de declive? El análisis de los patrones regionales indica que los descensos pueden no ser uniformes (Figura 5.10) .De hecho, las disminuciones en el número de becadas son evidentes en el noreste de Estados Unidos, pero no en todos los Estados lacustres. Por lo que parecería que las causas de los descensos probablemente están impulsadas por efectos que son regionales. Woodcock proporciona un buen ejemplo de la necesidad de considerar el alcance de inferencia en el diseño de un plan de monitoreo de estado y tendencias. Los datos de la Encuesta de aves reproductoras indican que hay áreas donde las disminuciones han sido significativas, y el trabajo de Bruggink y Kendall (1997) indican que la magnitud de las disminuciones en algunas áreas es quizás incluso mayor de lo que podría indicarse por los análisis regionales. Dichos enfoques jerárquicos brindan oportunidades para comprender las posibles causas de cambio en la abundancia o abundancia relativa de una especie a una escala más local. Esta visión puede permitir que los gerentes sean más efectivos en la identificación de las causas de los descensos a escala local de una manera manipuladora donde el monitoreo e investigación local e intensiva puede resultar en el descubrimiento de una relación de causa y efecto.

Figura 5.10. Cambios pronosticados en la abundancia de becadas estadounidenses en el rango de especies (de Sauer et al. 2001).

En consecuencia, el diseño de un plan de monitoreo de estado y tendencias debe considerar cuidadosamente el alcance de inferencia, generalmente una gran parte del rango geográfico, y puede requerir la coordinación de monitoreo sobre grandes áreas y múltiples agencias. Los análisis de estado y tendencias específicos del sitio probablemente serán de valor limitado en muchos casos porque el hecho de que la especie 'x' esté disminuyendo en el sitio 'y' probablemente no sea tan importante como saber por qué la especie está disminuyendo en el sitio 'y'. Además, para aquellas especies con una estructura meta-poblacional (aquellas con subpoblaciones mantenidas por dispersión y recolonización), los cambios observados en sitios locales pueden reflejar simplemente la dinámica de fuente-sumidero en las meta-poblaciones y no la tendencia de la población en su conjunto. El uso de monitoreo de estado y tendencias para detectar aumentos o disminuciones en la abundancia es quizás mejor aplicar para identificar especies de alta prioridad para un monitoreo más detallado, o para permitir el desarrollo de asociaciones con patrones regionales de vegetación o desarrollo urbano. Estas asociaciones permiten entonces la oportunidad de un desarrollo más informado de hipótesis que luego se pueden probar en experimentos manipuladores para identificar las causas de los cambios.

Un aspecto del monitoreo de estado y tendencias que debe considerarse cuidadosamente es la intensidad de muestreo necesaria para detectar un cambio en la pendiente a lo largo del tiempo. Considera los datos de la figura 5.9. Los datos anuales fueron bastante variables durante el periodo de 27 años, pero una tendencia aún es detectable porque la pendiente fue muy pronunciada. La variabilidad anual causada por las fluctuaciones poblacionales y la varianza de muestreo puede impedir la detección de un cambio estadísticamente significativo en la pendiente. Este problema se agrava cuando la pendiente no es tan dramática. Considere la tendencia de la cosecha de pescado blanco en el lago Erie (Figura 5.11). La variabilidad anual en la cosecha de pescado blanco fue tan variable de año en año que la detección de una línea de tendencia estadísticamente significativa es muy difícil. La cosecha comercial como indicador de poblaciones está claramente sesgada debido a la variabilidad en la intensidad de cosecha, el valor de los recursos y las técnicas. El uso de análisis de regresión de series temporales tradicionales para detectar tendencias puede no ser el mejor enfoque. El uso de análisis bayesianos puede ser más informativo (Wade 2000). Sin embargo, cuando las cosechas comerciales alcanzan cero (o casi), se alcanza un umbral donde se deben tomar medidas dramáticas para recuperar las existencias. De ahí que existan varios factores que deben ser considerados cuidadosamente en el diseño de planes de status y tendencias:

1. ¿Cuál es la escala espacial sobre la que se desea entender si las poblaciones están disminuyendo o aumentando? Si el alcance del esfuerzo de monitoreo no es el rango geográfico de una especie o subespecie, ¿qué porción del área de distribución geográfica se monitoreará y cómo se utilizará la información?
2. ¿Es el indicador (por ejemplo, ocurrencia, abundancia, estado físico) que se selecciona lo más imparcial posible y no es probable que varíe entre períodos de tiempo excepto los causados por poblaciones fluctuantes?
3. Dada la variabilidad inherente en el indicador que se está utilizando, ¿cuántas muestras se necesitarán en cada periodo de tiempo para permitir la detección de una pendiente de al menos 'x' por ciento anual a lo largo del tiempo (Gibbs y Ramírez de Arellano 2007)?
4. Dada la variabilidad inherente en el indicador que se está utilizando, ¿en qué punto de la tendencia se toman acciones para recuperar la especie o revertir la tendencia (cuál es el punto desencadenante)? Tenga en cuenta que esto debe ser mucho antes de que la población alcance un nivel indeseablemente bajo, ya que el directivo primero tendrá que entender por qué la población está disminuyendo antes de que se pueda tomar acción.
5. ¿Se utilizarán los datos para pronosticar resultados en el futuro? Si es así, reconozca que los intervalos de confianza colocados en las líneas de tendencia divergen dramáticamente de la línea más allá de los límites de los datos. Pronosticar incluso un breve período en el futuro generalmente se realiza con poca confianza a menos que se entiendan la causa y los efectos subyacentes.

Figura 5.11. Captura de pescado blanco del lago Erie, 1879-1992. Reredactado de Baldwin et al. (2002). Foto de Informe Anual de los Comisionados de Pesca, Caza y Bosques del Estado de Nueva York, 1896 y publicada bajo creative commons.

Por último, es importante reconocer que muy a menudo cuando los datos se analizan mediante regresión de series temporales, la autocorrelación entre los puntos de datos (el grado de dependencia de un punto de datos de los datos anteriores) no solo es probable, sino que debe esperarse. Aunque el capítulo 11 proporciona una amplia orientación para analizar estos datos, brevemente describimos por qué estos factores deben ser considerados durante el diseño del plan.

Los análisis paramétricos están diseñados para rechazar la hipótesis nula con un nivel estimado de certeza (por ejemplo, rechazamos la hipótesis nula de que la pendiente es 0 y concluimos que hay una disminución). Con especies raras, indicadores variables o datos escasos, podemos carecer del poder estadístico necesario para rechazar esa hipótesis, incluso cuando una línea de tendencia parece aparente. En la Figura 5.12, podemos optar por utilizar análisis alternativos (Wade 2000) para evaluar tendencias en la muestra B, o aumentar nuestro nivel alfa, aumentando así nuestra probabilidad de rechazar la hipótesis nula. Cambiar alfa aumentará el riesgo de afirmar que hay una tendencia cuando realmente no la hay, sin embargo, esto puede ser un riesgo aceptable. Si corremos el riesgo de perder una especie en su totalidad o por encima de una parte significativa de su área de distribución geográfica, probablemente estaremos dispuestos a cometer un error que resulte en afirmar que una población está disminuyendo cuando realmente no lo es. Este es un punto importante, ya que dos individuos que se acercan a los datos de tendencias con una perspectiva diferente (nivel alfa) pueden llegar a conclusiones muy diferentes.

0.05), pero la pendiente es claramente negativa (b = - 0.10). El análisis de estos datos mediante el análisis tradicional de series temporales puede pasar por alto tendencias biológicamente significativas." class="wp-image-417 size-full" height="563" width="680" src="https://bio.libretexts.org/@api/deki...2766730599.jpg">

Figura 5.12. Ejemplos de dos tendencias cada una dando como resultado diferentes conclusiones utilizando análisis paramétricos tradicionales (reredactados a partir de Wade 2000). La tendencia de la línea A es estadísticamente significativa (P<0.05) debido a que la variabilidad de los puntos alrededor de la línea es muy baja, pero la pendiente es apenas negativa (b= — 0.03). La línea de tendencia en la figura B no es significativa (P>0.05), pero la pendiente es claramente negativa (b = — 0.10). El análisis de estos datos mediante el análisis tradicional de series temporales puede pasar por alto tendencias biológicamente significativas.

Diseños de Monitoreo de Causa y Efecto

Los enfoques típicos de investigación evaluarán asociaciones entre variables de respuesta y variables predictoras, o utilizarán un diseño experimental estructurado que evaluará la causa y el efecto. Los planes de monitoreo también pueden usar este enfoque. Considera una línea de tendencia para el venado cola blanca en Alabama que mostró una disminución significativa. Considera también que el gerente acababa de dejar de usar quemadura prescrita para administrar el área. Podría concluir que el cese de la quema provocó la disminución. Pero si también se disponía de datos de una zona cercana no quemada y esa línea de tendencia también era negativa, entonces ella podría llegar a una conclusión diferente y comenzar a buscar enfermedades u otros factores que provoquen un declive más regional.

Si el plan que se está desarrollando está diseñado para comprender los efectos a corto o largo plazo de alguna acción de gestión en una población, entonces el diseño de monitoreo más convincente aprovecharía uno de dos enfoques para evaluar las respuestas a esas acciones: diseños retrospectivos comparativos mensurativos o Antes- después de los diseños de Control-Impact (BACI).

Análisis retrospectivos y diseños de ANOVA

El monitoreo realizado en grandes paisajes o múltiples sitios puede usar un enfoque comparativo mensurativo para evaluar patrones e inferir efectos (por ejemplo, McGarigal y McComb 1995, Martin y McComb 2001). Este enfoque permite realizar comparaciones entre las áreas que han recibido acciones de manejo y las que no lo han hecho y a menudo se diseña utilizando un enfoque de Análisis de Varianza (ANOVA). Los diseños retrospectivos que comparan sitios tratados con sitios no tratados plantean dudas sobre la representatividad de los sitios no tratados antes del tratamiento. En este diseño, el investigador está sustituyendo el espacio (sitios tratados vs no tratados) por tiempo (poblaciones pre- vs. post tratamiento). Se supone que los sitios no tratados son representativos de los sitios tratados antes de ser tratados. Con una replicación adecuada de sitios seleccionados aleatoriamente, esta suposición podría justificarse, pero a menudo los esfuerzos de monitoreo a gran escala son costosos y la logística puede impedir tanto la replicación suficiente como la selección aleatoria de sitios. Por lo tanto, pueden persistir dudas sobre la capacidad real de detectar una relación causa-efecto, o el poder asociado con dicha prueba puede ser bastante bajo. Además, la falta de selección aleatoria puede limitar el alcance de inferencia del trabajo únicamente a los sitios muestreados.

McGarigal y McComb (1995) compararon las detecciones de aves entre 6 niveles de abundancia de bosques maduros y 2 niveles de patrón forestal utilizando un diseño de ANOVA retrospectivo (Figura 5.13). La logística los restringió a solo 3 repeticiones de cada condición, y los sitios se seleccionaron aleatoriamente de entre los disponibles, aunque en la mayoría de los casos hubo pocas opciones disponibles. Además, estaba el potencial de que las áreas que habían sido manejadas tuvieran diferente topografía, condiciones del sitio u otros factores que hicieron que esos sitios fueran más propensos a recibir manejo que aquellos sitios que no lo hicieron. Los patrones de asociación entre las especies de aves y las condiciones del paisaje fueron significativos en muchos casos, y consistentes con lo que sabemos sobre la historia de vida de la especie. Pero a pesar de que la mayoría de las especies en la tabla 5.1 se han asociado con bosques más viejos o de dosel cerrado en estudios previos (dando apoyo a que su abundancia relativa debería aumentar con el aumento del área de bosque viejo) no podemos llegar a ninguna conclusión definitiva. Más bien, solo podemos plantear la hipótesis de que estas especies deben responder positivamente al aumento de la superficie de bosque viejo. Los datos de monitoreo de estas especies recolectados a lo largo del tiempo pueden ser utilizados para probar esa hipótesis.

Cuadro 5.1. Resultados seleccionados de análisis de especies de aves que muestran una asociación positiva entre el área de bosque sucesional tardío y la abundancia relativa de cada especie en la Cordillera de la Costa de Oregón (McGarigal y McComb 1995). Estas relaciones sugieren que el aumento del bosque sucesional tardío en una cuenca hidrográfica puede conducir a un aumento en la abundancia de estas especies, pero esto no es un resultado de causa y efecto. Tenga en cuenta que la fuerza de la asociación varía entre las especies.

	ANOVA		Regresión
Especies	F	P	R ^2 (%)	P
Jay gris	14.2	<0.001	63	<0.001
Enredadera marrón	13.4	<0.001	59	<0.001
Recolón de invierno	8.6	<0.001	53	<0.001
Zorzal variado	7.8	<0.001	24	0.007
Pájaro carpintero apilado	2.51	0.068	18	0.019
Curruca ermitaño	1.4	0.271	12	0.063

Figura 5.13. El diseño experimental mensurativo comparativo utilizado por McGarigal y McComb (1995) y Martin y McComb (2003) para evaluar las relaciones entre la estructura y composición del paisaje y la abundancia relativa de aves reproductoras, pequeños mamíferos y anfibios en la Cordillera de la Costa de Oregón. Con permiso de K. McGarigal.

Diseños Antes-Después de Control vs Impacto (BACI)

Aunque el diseño de BACI generalmente se considera superior al diseño ANOVA, los diseños de BACI a menudo son logísticamente desafiantes. El diseño de BACI permite que el monitoreo ocurra en sitios tratados y no tratados tanto antes como después de que se haya producido el manejo (por ejemplo, Chambers et al. 1999). Los diseños de BACI permiten la detección de relaciones causa-efecto, pero dentro de los marcos de monitoreo, a menudo pueden sufrir de asignación no aleatoria de tratamientos a sitios. A menudo la ubicación y el momento de las acciones de gestión no se prestan a planes experimentales estrictos. En el siguiente ejemplo, Chambers et al. (1999) utilizaron un experimento de diseño BACI que incluyó tratamientos silvícolas en tres áreas replicadas en un bosque de trabajo (Figura 5.14). Los resultados de este esfuerzo volvieron a producir respuestas predecibles, pero las respuestas claramente podrían vincularse con los tratamientos. En la figura 5.5, los gorriones de corona blanca no estuvieron presentes en ninguno de los sitios de pretratamiento, pero fueron claramente abundantes en los rodales de corte claro y de dos pisos después del tratamiento (las barras verticales representan intervalos de confianza). Los tratamientos provocaron una respuesta en la abundancia de esta especie. Por el contrario, las currucas ermitaños disminuyeron en abundancia en estos dos tratamientos pero permanecieron bastante constantes en los tratamientos de control y selección de grupo (figura 5.15). En consecuencia, predeciríamos que futuras acciones de manejo como estas producirían resultados comparables en este bosque. Sin embargo, es importante recordar que el alcance de inferencia es este bosque; la extrapolación a otros sitios similares debe hacerse con precaución. Además, para comprender completamente por qué se podrían haber observado estos cambios, también se podrían recolectar datos auxiliares sobre elementos de hábitat importantes para estas especies y si los tratamientos causaron cambios en elementos importantes del hábitat, entonces las razones de los efectos se aclaran. Estos análisis de relaciones de hábitat pueden ser particularmente informativos cuando se desarrollan modelos predictivos de cambios en la abundancia o aptitud de un organismo basados en acciones de manejo o perturbación natural.

Figura 5.14. Una de las tres áreas replicadas previas y posteriores a las acciones de manejo que incluyeron cosechas de corte claro con reservas, dos pisos y selección grupal. Un área de control central también se puede ver en la foto post- tratamiento.

Figura 5.15. Cambio en las detecciones de curruca ermitaño después de tratamientos silvícolas que ilustran resultados de monitoreo de causa y efecto (reelaborado de Chambers et al. 1999). Foto de Frode Jacobsen y publicada bajo creative commons.

EDAM: Diseño Experimental para Gestión Adaptativa

La elección de un diseño para el monitoreo se puede facilitar utilizando software específicamente desarrollado para evaluar el rigor estadístico del plan (por ejemplo, Monitor de programa) y software que puede guiar el diseño de los esfuerzos de gestión adaptativa. Anderson (1998) desarrolló el software EDAM para guiar un experimento de gestión adaptativa que tal vez nunca se repita, sino que puede conducir directamente a decisiones de gestión económicamente significativas. Las recomendaciones de diseño tradicionales por sí solas pueden no ser útiles en este escenario porque manipular variables de diseño, como el tamaño de la muestra o la duración del experimento, a menudo implica costos muy altos. Además, diversos actores pueden tener diferentes puntos de vista sobre el impacto de posibles inferencias incorrectas (Anderson 1998). Existen dos versiones del modelo EDAM: un experimento de Serie Pareada Antes-After Control-Impact (BACIPS) a escala de paisaje y un experimento de Análisis de Varianza (ANOVA) en una escala de parche:

“Cada modelo representa un experimento de manejo en un ecosistema forestal, que puede ser examinado desde el punto de vista de diferentes partes interesadas. Dado un conjunto de opciones de diseño, el modelo demuestra todos los posibles resultados del experimento y su probabilidad de ocurrencia, con especial énfasis en su futuro impacto económico y ecológico. Por lo tanto, los experimentos en los modelos EDAM no son principalmente ejercicios estadísticos; en cambio, el experimento de manejo adaptativo es una interacción de 3 etapas entre las personas y la naturaleza que puede extenderse hacia el futuro:

Etapa 1 — Diseño e implementación— los experimentadores planean y llevan a cabo un plan de manejo que sondea experimentalmente el ecosistema forestal

Etapa 2 — Análisis — los experimentadores aprenden, es decir, hacen una inferencia (correcta o incorrecta) sobre el ecosistema a partir de los datos del experimento

Etapa 3 — Respuesta de la gerencia — los experimentadores responden a la inferencia con nuevas acciones de manejo, las cuales, a medida que se proyecten en el futuro, afectarán tanto al ecosistema forestal como a diversos grupos de interés”. (Anderson 1998).

Una vez que haya considerado el diseño de monitoreo adecuado para responder a sus preguntas clave, entonces necesita tomar varias decisiones adicionales con respecto a lo que medirá, cómo seleccionará sitios de muestra, qué nivel de precisión requiere y cuál será su alcance de inferencia. Estos se convierten entonces en pasos en el desarrollo de un plan de monitoreo.

Inicio del Plan de Monitoreo

Dentro de un plan de monitoreo, el marco conceptual debe proporcionar las bases para una descripción escrita del sistema, cómo funciona y qué hacemos y desconocemos al respecto. La culminación de esta discusión debe ser la identificación de las preguntas clave que impulsan el plan de monitoreo. Estas preguntas clave deben abordar los procesos y factores estresantes sobre los cuales existen brechas de información que nos impiden comprender o predecir las respuestas de los organismos a las acciones de manejo. El primer paso en el proceso consiste en identificar, de manera clara y concisa, la (s) pregunta (s) que ha de ser respondida por el plan de monitoreo. La pregunta o preguntas deben estar claramente enfocadas. Una vez articulada la (s) pregunta (s), y si los datos existentes son insuficientes para abordar la (s) pregunta (s) clave (s), entonces los siguientes pasos deben ser explicados y justificados con base en el modelo conceptual.

Diseño de Muestras

En un marco de investigación podemos decidir plantear nuestra pregunta clave como hipótesis e hipótesis alternativas. También podemos tomar el mismo enfoque en el monitoreo. En efecto, si se van a comparar numerosas hipótesis alternativas utilizando un enfoque teórico de la información, estas hipótesis alternativas deben generarse en esta etapa para que se puedan comparar modelos que las reflejen.

• ¿Predice ocurrencia?
• ¿Evaluar tendencias en el tiempo?
• ¿Evaluar patrones sobre el espacio?
• ¿Son importantes las asociaciones con los elementos del hábitat?
• ¿Esperas entender una relación de causa y efecto?

Las respuestas a estas preguntas deben permitirle desarrollar hipótesis e identificar el diseño de estudio más útil para probarlas.

Selección de Indicadores Específicos

Una vez que haya definido la cuestión de interés, entonces deberá decidir qué se medirá como un indicador confiable de cambio para abordar la pregunta clave. Noon et al. (1999) describieron un atributo (indicador) como: “... simplemente algún aspecto del ambiente que sea medible. Cuando se mide un atributo, toma un valor numérico (generalmente). Dado que el valor exacto de un atributo rara vez se conoce con certeza, y puede cambiar a través del tiempo, se considera propiamente una variable. Si el valor de este atributo es indicativo de condiciones ambientales que se extienden más allá de su propia medición, puede considerarse un indicador. No todos los indicadores son igualmente informativos — uno de los desafíos clave para un programa de monitoreo es seleccionar para la medición aquellos atributos cuyos valores (o tendencias) reflejen mejor el estado y la dinámica del sistema más grande”.

Entre las preguntas que le servirán para llevar a cabo esta tarea se incluyen:

• ¿Qué debo medir?
• ¿Por qué un indicador era mejor que otro?
• ¿Cuáles son los beneficios y costos asociados a cada uno de los indicadores potenciales?

La selección de indicadores es un reto. La Agencia de Protección Ambiental de Estados Unidos (EPA), el Servicio Forestal de Estados Unidos y otras agencias han probado diversos indicadores para monitorear ecosistemas, pero hay poco consenso sobre cuáles son los mejores indicadores o cuál es la mejor manera de cuantificarlos. En lugar de estos detalles, tales agencias tienden a generar listas de características útiles de indicadores para ayudar en la selección de indicadores específicos del sitio. El Servicio de Parques Nacionales (2007), por ejemplo, sugiere que los indicadores son más útiles cuando:

• Tener dinámicas que sean paralelas a las del ecosistema o componente de interés
• Son lo suficientemente sensibles como para proporcionar una alerta temprana de cambio
• Tienen baja variabilidad natural
• Proporcionar una evaluación continua sobre una amplia gama de estrés
• Tener dinámicas que se atribuyen fácilmente a ciclos naturales o estresores antropogénicos
• Se distribuyen en una amplia zona geográfica y/o son muy numerosos
• Son cosechadas, endémicas, exóticas, especies de especial interés o tienen estatus de protección
• Se puede estimar con precisión y precisión
• Tener costos de medición que no sean prohibitivos
• Tener resultados de monitoreo que puedan ser interpretados y explicados
• Son de bajo impacto para medir
• Tener resultados medibles que son repetibles con diferente personal

El contexto de un programa de monitoreo debe ser considerado cuidadosamente en la selección de indicadores. El programa de monitoreo más grande hasta la fecha ha sido el Programa de Monitoreo y Evaluación Ambiental (EMAP) de la EPA. En su revisión del programa EMAP de la EPA, el Consejo Nacional de Investigación (NRC 1995) discutió los méritos relativos del monitoreo retrospectivo (enfoque de monitoreo básico de EMAP) versus el monitoreo predictivo o orientado al estrés. El monitoreo retrospectivo, o orientado a efectos, busca encontrar efectos detectando cambios en el estado o condición de algún organismo, población o comunidad. Esto incluiría tendencias en poblaciones vegetales o animales y aprovecha que los indicadores biológicos integran las condiciones a lo largo del tiempo. En contraste, el monitoreo predictivo u orientado al estrés busca detectar la causa de un efecto indeseable (un estresante) antes de que el efecto ocurra o se vuelva grave (NRC 1995). El monitoreo orientado al estrés aumentará la probabilidad de detectar cambios ecológicos significativos, pero es necesario conocer la relación causa-efecto para que si la causa se pueda detectar temprano, el efecto se pueda predecir antes de que ocurra. El NRC (1995) concluyó que en los casos en que el costo de no detectar un efecto temprano es alto, se prefiere el uso de monitoreo predictivo y modelado sobre el monitoreo retrospectivo. Concluyeron que el monitoreo retrospectivo tradicional no era apropiado para las amenazas ambientales como los efectos de especies exóticas y las extinciones biológicas debido al gran lapso de tiempo requerido para la mitigación, y recomendaron que la EPA investigue nuevos indicadores para monitorear estas amenazas. Los planificadores deben tener en cuenta estos enfoques y análisis a la hora de identificar tanto los indicadores como los probables resultados del esfuerzo de monitoreo.

Selección de sitios de muestra

Este paso puede parecer trivial, pero hay un conjunto de preguntas que deben abordarse a la hora de diseñar un plan de monitoreo. Estos incluyen:

• ¿Cómo va a asegurar que los sitios son independientes entre sí con respecto a la variable de respuesta? ¿Están los sitios suficientemente separados sobre el espacio para garantizar que es poco probable que el mismo individuo sea registrado en varios sitios en el mismo año?
• ¿Cómo seleccionaste el número de sitios? Dados los datos del estudio piloto, ¿el tamaño de la muestra fue adecuado para detectar un efecto deseado? El proceso de decisión del tamaño de la muestra debe estar bien documentado. Consulte Gibbs y Ramírez de Arellano (2007) para obtener asistencia con estas preguntas.
• ¿Cómo va a marcar los sitios en el suelo? Las ubicaciones de muestreo deben marcarse permanentemente y registrarse las ubicaciones GPS, y se debe proporcionar el grado de precisión asociado con las coordenadas. ¿Utilizarás el marcado? ¿Cuánto durará? ¿El marcado o marcas más permanentes sesgará su muestra? Por ejemplo, si estás monitoreando el éxito del nido o la abundancia de peces a lo largo de arroyos, ¿podrían los depredadores sentirse atraídos
• ¿Cómo se asegurará de que en el futuro se encuentren los mismos sitios y que los datos se recopilen de la misma manera en los mismos sitios?

Detectando el Tamaño del Efecto Deseado

Una excelente herramienta para ayudarle a evaluar el poder asociado a detectar una tendencia que es real es el programa MONITOR (Gibbs y Ramírez de Arellano 2007). Serán necesarias estimaciones de variabilidad en los indicadores de poblaciones de plantas y animales para estimar tamaños de muestra y potencia, por lo que estas estimaciones deberán provenir de estudios previos en áreas similares o de estudios piloto (Gibbs et al. 1998). Debido a los impactos económicos de llevar a cabo programas de monitoreo sin el poder adecuado para detectar tendencias, siempre es prudente consultar a un estadístico para obtener asistencia con esta tarea. Este paso es extremadamente importante porque los resultados proporcionarán información sobre los tamaños de muestra y la precisión de los datos necesarios para detectar tendencias. Si es logística o financieramente inviable alcanzar el nivel de poder deseado, entonces se debe reconsiderar todo el enfoque.

Los análisis estadísticos propuestos

¿Los enfoques analíticos disponibles le permitirán detectar ocurrencia, tendencias, patrones o efectos dados los datos que recopilará? ¿Es apropiado el análisis si los datos no son independientes en el espacio o el tiempo? Los datos recopilados a lo largo del tiempo para detectar tendencias o en BACI (Before-After Control-Impact) suelen tener datos que no son independientes de un período de tiempo al siguiente. Los diseños de medidas repetidas suelen ser necesarios para asegurar que las estimaciones de varianza entre tratamientos o entre tratamientos reflejen esta falta de independencia (Michener 1997). Las preocupaciones sobre la independencia de los datos o enfoques alternativos de análisis de datos (por ejemplo, bayesianos) deben abordarse durante las etapas de planeación. Con demasiada frecuencia se recolectan datos y luego se consulta a un estadístico, cuando los datos podrían ser mucho más útiles si se consultara al estadístico en la etapa de planeación del programa.

El alcance de la inferencia

Los sitios de muestra seleccionados para el estudio deberán definirse para abordar un rango de condiciones adecuadamente amplio o estrecho. Hay una compensación que debería discutirse en el plan. Esa compensación es monitorear en una gran extensión espacial, de modo que los resultados sean ampliamente aplicables, vs. muestreo en una extensión espacial estrecha para minimizar la varianza entre sitios. La variabilidad en el indicador probablemente aumentará a medida que aumente la extensión espacial del estudio. A medida que aumenta la varianza del indicador, la probabilidad de detectar una diferencia entre tratamientos, o de detectar una tendencia a lo largo del tiempo disminuirá.

Si es factible hacerlo, recopilar datos preliminares de una amplia gama de sitios puede ayudarlo a decidir cuál sería un alcance de inferencia adecuadamente amplio antes de que la varianza aumente drásticamente y, por lo tanto, influya en el poder de su prueba. Por ejemplo, si se recolectaron datos sobre la densidad animal de 20 sitios que se extienden desde alguna ubicación central, y se calculó la varianza sobre el número de muestras, entonces la varianza debería estabilizarse en algún número de muestras. Incluso después de la estabilización, agregar más muestras de áreas que son suficientemente disímiles de las muestras representadas en la asíntota puede llevar a un salto en la varianza causado por un cambio abrupto en alguna característica ambiental. Este cambio en la varianza del indicador sobre el espacio puede representar un dominio inherente de la escala espacial para ese indicador. El muestreo más allá de ese dominio, y ciertamente extrapolar más allá de ese dominio, puede que no se justifique. En efecto, la difusión a partir de los datos de monitoreo (extrapolando a otras unidades del espacio fuera del alcance de la inferencia), y la predicción (predecir tendencias hacia el futuro a partir de tendencias existentes) deben hacerse con mucho cuidado porque los límites de confianza en los proyectos aumentan exponencialmente más allá de los límites de los datos.

La consideración del alcance de inferencia es un aspecto clave de un programa de monitoreo, pero a menudo no se le da la atención adecuada durante la fase de diseño. En cambio, los gerentes tal vez deseen extrapolar más allá de los límites de los datos una vez que se hayan recopilado los datos, cuando la confianza en sus predicciones sería mucho mayor si el alcance hubiera sido considerado durante el diseño del programa. Los conceptos de potencia estadística, estimación del tamaño de la muestra, estimación del tamaño del efecto y alcance de inferencia se discuten con más detalle en secciones posteriores.

Resumen

El desarrollo de un plan de monitoreo debe comenzar por articular la (s) pregunta (s) clave (s) que son el resultado de una cuidadosa construcción y desarrollo de un marco conceptual. Una vez que la pregunta ha sido claramente articulada, entonces puede identificar el tipo de diseño de monitoreo que le gustaría usar para abordar la (s) pregunta (s). Considerar cuidadosamente la (s) variable (s) de respuesta adecuada (es) o indicador (es) le permitirá asegurarse de que sus resultados responderán a sus preguntas clave. Además, las decisiones sobre tu alcance de inferencia y los tipos de análisis estadísticos que te gustaría realizar deben tomarse durante el proceso de diseño; este es el tema del siguiente capítulo.

Referencias

Anderson, J.L. 1998 Diseño experimental para la gestión adaptativa: un modelo de decisión que incorpora los costos de los errores de inferencia antes-después-control-impacto, versión a escala de paisaje. Escuela de Gestión de Recursos y Medio Ambiente, Universidad Simon Fraser, Burnaby, Columbia Británica.

Baldwin, N.A., R.W. Saalfeld, M.R. Dochoda, H.J. Buettner, y R.L. Ehenroder. 2002. Producción comercial de peces en los Grandes Lagos 1867- 2000. http://www.glfc.org/databases/commercial/commerc.asp

Bruggink, J.G. , y W.L. Kendall. 1995. Cosecha de becada americana y estado poblacional reproductivo, 1995. Servicio de Pesca y Vida Silvestre de los Estados Unidos, Laurel, Maryland. 15pp.

Chambers, C.L, W.C. McComb, y J.C. Tappeiner. 1999. Respuestas de aves reproductoras a 3 tratamientos silvícolas en la cordillera de la costa de Oregon Aplicaciones Ecológicas 9:171-185.

Elzinga, C.L., D.W. Salzer, y J.W. Willoughby. 1998. Medición y Monitoreo de Poblaciones Vegetales. Bureau of Land Management Referencia Técnica 1730-1, BLM/RS/ST-98/005+1730.

Gibbs, J.P., S. Droege, y P. Eagle. 1998. Monitoreo de poblaciones de plantas y animales. BioScience 48:935—940.

Gibbs, J.P., y P. Ramírez de Arellano. 2007. Programa MONITOR: Estimación del Poder Estadístico de los Programas de Monitoreo Ecológico. Versión 10.0. URL: www.esf.edu/efb/gibbs/monitor/monitor.htm

Hierl, L.A., J. Franklin, D.H. Deutschman, y H.M. Regan. 2007. Desarrollo de Modelos Conceptuales para Mejorar el Plan de Monitoreo Biológico para el Programa de Conservación de Múltiples Especies de San Diego. Departamento de Biología, Universidad Estatal de San Diego, y Departamento de Pesca y Caza de California, Sacremento.

Hullbert, S.J. 1984. Pseudoreplicación y diseño de experimentos ecológicos de campo. Monografías Ecológicas 54:187 —211.

Jones, K.B. 1986. Tipos de datos. Páginas 11-28 en AY. Cooperrider, R.J. Boyd, y H.R. Stuart, eds. Inventario y monitoreo de hábitat de vida silvestre. USDI BLM, Centro de Servicio. Denver, Co. 858pp.

MacKenzie, D.I.., J.D. Nichols, J.E. Hines, M.G. Knutson, y A.D. Franklin. 2003. Estimar la ocupación del sitio, colonización y extinción local cuando una especie se detecta imperfectamente. Ecología 84:2200 —2207.

Mackenzie, D.I. y J.A. Royle. 2005. Diseño de estudios de ocupación: asesoría general y asignación de esfuerzos de levantamiento. Revista de Ecología Aplicada 42:1105 —1114.

McGarigal, K. y W.C. McComb. 1995. Relaciones entre la estructura del paisaje y las aves reproductoras en la Cordillera de la Costa de Monografías Ecológicas 65:235-260.

Martin, K. J., y B.C. McComb. 2003. Asociaciones de hábitat de anfibios en escamas de parche y paisaje en el oeste de Oregón. Revista de Manejo de Vida Silvestre 67:672-683.

Michener. W.K. 1997. Evaluación cuantitativa de experimentos de restauración: diseño de investigación, análisis estadístico y consideraciones de manejo de datos. Ecología de Restauración 5:324 —337

Servicio de Parques Nacionales. 2007. Criterios y metodologías de ejemplo para priorizar indicadores. U.S.D. I. Servicio de Parques Nacionales. http://science.nature.nps.gov/im/mon...iaExamples.doc Consultado el 4 de febrero de 2007.

NRC (Consejo Nacional de Investigaciones). 1995. Revisión del Programa de Monitoreo y Evaluación Ambiental de la EPA: Evaluación general. Academia Nacional de Prensa. Washington, DC

Mediodía, B.R., T.A. Spies, y M.G. Raphael. 1999. Bases conceptuales para diseñar un programa de monitoreo de efectividad. Capítulo 2 En: La estrategia y diseño del programa de monitoreo de efectividad para el Plan Forestal Noroeste. Servicio Forestal del USDA Gral. Tech. Rept. PNW-GTR-437

Romesburg, H.C. 1981. Ciencias de la vida silvestre: obtención de conocimientos confiables. Revista de Manejo de Vida Silvestre 45:293-313.

Sauer, J.R., J.E. Hines, y J. Fallon. 2001. La Encuesta, Resultados y Análisis de Aves Creadoras en América del Norte 1966 — 2000. Versión 2001.2, USGS Patuxent Wildlife Research Center, Laurel, MD

Wade, P.R. 2000. Métodos bayesianos en biología de la conservación. Biología de la Conservación 14:1308 —1316.