1.6: Factores a considerar al diseñar el plan de monitoreo
- Page ID
- 57821
El capítulo anterior proporciona una breve descripción del proceso de definición de preguntas clave, determinación del diseño de monitoreo y abordaje de problemas de potencia y tamaño de la muestra. Pero hay otros aspectos del plan de monitoreo que deben considerarse, especialmente aquellos que tratan de cómo analizará los datos y cómo decidirá cuándo se alcanza un umbral o punto de activación. Con demasiada frecuencia se recopilan datos porque “parece una buena idea” y luego meses o años después alguien se sienta a analizar los datos y se da cuenta de que la interpretación resultante es muy limitada y puede que de hecho no aborde alguna pregunta clave. De ahí que incluir aspectos del análisis e interpretación futuros de los datos en el plan de monitoreo puede ayudar a garantizar que los datos serán útiles para las personas en el futuro.
El monitoreo efectivo de la población es un aspecto crítico del manejo adaptativo, y debe diseñarse para probar hipótesis específicas que sean relevantes para las decisiones de manejo y políticas (Noss 1990). Desafortunadamente, el monitoreo a menudo implica errores comunes como pasar por alto las pruebas de hipótesis explícitas o no prestar atención al diseño y análisis adecuados (Hinds 1984). Un diseño de muestreo debidamente construido y revisado garantizará resultados precisos y permitirá a los usuarios hacer inferencias a áreas más grandes. Además de los temas de potencia estadística y estimación del tamaño del efecto discutidos en el capítulo anterior, existen varios factores que deben abordarse a medida que se está desarrollando un protocolo. Antes de comenzar la recolección de datos, se deben identificar las limitaciones que se impondrán a las técnicas de muestreo por la variabilidad inherente de los animales y hábitats que se están midiendo.
Uso de datos existentes para informar el diseño de muestreo
Los datos existentes disponibles para el sitio de monitoreo o áreas cercanas pueden ser excepcionalmente útiles a la hora de diseñar el protocolo de monitoreo. El diseño resultante puede ser mucho más robusto y la capacidad de detectar diferencias se puede evaluar antes del inicio de la recolección de datos. Algunos ejemplos de usos de los datos existentes son:
- Estimación de detectabilidad y distancias de detección para especies móviles (por ejemplo, aves, peces, mamíferos grandes).
- Estimar la varianza asociada a indicadores potenciales para ayudar en la selección de los indicadores con mayor probabilidad de detectar efectos con niveles de potencia deseados si están presentes
- Estimar la varianza para estimar los tamaños de muestra necesarios para alcanzar los niveles de potencia deseados
- Desarrollar escenarios de tradeoff para estimar los costos del programa de monitoreo vs. el tamaño del efecto que podría detectarse.
- Identificar niveles apropiados de esfuerzo de muestreo mediante el examen de la estabilización de varianza
- Maximizar la eficiencia durante pruebas de muestreo adaptativo
- Estimación de patrones espaciales y temporales en elementos o poblaciones de hábitat
Detectabilidad
Dado que a menudo es logísticamente imposible censar una población completa de una especie, el monitoreo generalmente se basa en una muestra de esa población. Estos datos suelen estar en forma de presencia/no detectada (por ejemplo, inventarios de ocurrencia de especies), abundancia relativa (por ejemplo, número de animales o su signo observado por unidad de tiempo) o estimaciones de abundancia absoluta (por ejemplo, marca-recaptura). El hecho de que un diseño de muestreo recoja una muestra precisa que sea representativa de la población depende de la capacidad de la técnica de monitoreo para detectar la especie. La detectabilidad se define como la probabilidad de que un individuo sea observado (por ejemplo, visto, escuchado, capturado, etc.) en un hábitat particular en un momento determinado, y está influenciado por factores como el método de levantamiento, especies, observador, complejidad del hábitat, época del año, clima, densidad y fenología reproductiva ( Thomas 1996). Estos factores pueden resultar en individuos perdidos, conteo múltiple de individuos, registro de un individuo donde no existe, o el recuento excesivo de especies conspicuas. El error de muestreo, resultado de problemas de detectabilidad, es otra fuente de variación en la documentación del cambio poblacional.
La estocástica adicional asociada al error de muestreo puede tener dos consecuencias principales (Barker y Sauer 1995). En primer lugar, la eficiencia de la técnica de monitoreo en el muestreo de la especie se ve muy comprometida. En segundo lugar, la variación inducida por muestreo puede sesgar estimadores de parámetros poblacionales importantes. Cuando se recolecta y analiza una muestra, esos resultados son estimaciones de parámetros poblacionales que se utilizan para detectar cambios poblacionales. Ignorar este error de muestreo puede reducir la probabilidad de identificar tendencias críticas en los datos de población.
Los programas de monitoreo de la población a menudo cuentan con un número de personal diferente responsable de recopilar datos. Varios estudios han sugerido que el error observador puede ser una fuente significativa de variación en los datos poblacionales (Sauer et al. 1994, James et al. 1996, Thomas 1996; Barker y Sauer 1995). De hecho, el error del observador ha dado lugar a falsos cambios poblacionales (Sauer et al. 1994). Un enfoque popular para abordar los problemas de detectabilidad es estimar una función de detección (Burnham et al. 1980). En consecuencia, el diseño de un protocolo de monitoreo efectivo y confiable debe enfatizar las técnicas de monitoreo estandarizadas que tengan en cuenta los sesgos específicos de la especie, y la capacitación adecuada del personal de recolección de datos.
Estimación de distancias de detección
Al usar algunos tipos de estimadores de densidad (ver capítulo 7 para más detalles) como transectos de ancho variable, gráficas circulares variables o estimadores de marca de resistencia, es importante saber qué distancias de detección podrían ser para las especies de interés, y lo más importante si las distancias de detección varían de una tipo de vegetación a otro. Las diferencias en las distancias de detección no presentan ningún problema particular al usar estos estimadores, pero si ocurren diferencias entre los tipos de vegetación, entonces los índices simples a abundancia (tasas de detección, tasas de re-visión) no pueden usarse de manera confiable al comparar entre o entre tipos de vegetación. En un ejemplo muy simple, considere las distancias de detección de un salmonide en arroyos que han y no han sido impactados por actividades ribereñas que conducen a un aumento de las cargas de sedimentos. O distancias de detección para papamoscas de lado olivo en bosques viejos vs claros. Es muy probable que la función que describe la curva de decaimiento de detección difiera entre estas dos condiciones y debe usarse para estimar la abundancia de manera imparcial. Incluso las estimaciones de abundancia de plantas distribuidas con parches pueden tener diferentes distancias de detección entre los tipos de vegetación y esto debe considerarse durante el diseño del protocolo de monitoreo, especialmente cuando se distribuyen transectos o puntos sobre un área para asegurar una cobertura completa, pero no superpuesta.
Estimación de varianza asociada a indicadores
La capacidad de detectar una diferencia entre condiciones, o una pendiente diferente a 0, dependerá del error de muestreo asociado al indicador elegido. Claramente se debe elegir un indicador que sea significativo para la pregunta que se hace, pero muy bien puede haber opciones para elegir entre. Por ejemplo, considere estimar las densidades de una clase de edad específica de peces a partir de encuestas de arroyos vs. estimaciones electroimpactantes de marca-recaptura. Ambas técnicas pueden producir números similares de observaciones, pero si el trabajo de levantamiento de arroyos produce estimaciones de abundancia más consistentes (menos variables), entonces la capacidad de detectar diferencias o tendencias sería mayor (asumiendo tamaños de muestra similares) con esa técnica que la técnica de mark-re-sight (o viceversa).
Estimación del tamaño de la muestra
La capacidad de detectar una diferencia aumentará con la disminución del error de muestreo y el aumento del tamaño de la muestra. En un ejemplo muy sencillo, considérese N = s 2 t 2 /d 2, donde N = el tamaño estimado de la muestra, s 2 = la varianza de la muestra, t = el estadístico t para un nivel alfa especificado, y d = el tamaño o diferencia del efecto que desea detectar. Los tamaños de las muestras aumentan a medida que (1) la varianza aumenta, (2) el estadístico t aumenta (decreciente el nivel alfa), o (3) el tamaño del efecto disminuye (se desea detectar diferencias más pequeñas). Saber de antemano cuál podría ser la varianza para un esfuerzo de muestreo puede permitir que el desarrollador del protocolo entienda si incluso sería posible detectar una diferencia dada una cantidad limitada de tiempo y dinero. Consulte Monitor de programa para obtener más información sobre el cálculo de tamaños de muestra (Gibbs y Ramírez de Arellano 2007).
Escenarios de compensación logística
Dado un presupuesto limitado con el que trabajar, el conocimiento de la varianza en un indicador de potencial puede ser útil para decidir qué potencia estadística se asociará con el diseño del muestreo, a un tamaño de efecto y tamaño de muestra dados. Por el contrario, el conocimiento de la varianza puede permitirle estimar el tamaño del efecto que podría detectarse dada la logística de financiamiento, y un nivel de potencia deseado. Debería hacerse rápidamente evidente que la identificación de indicadores con bajo error de muestreo puede significar un ahorro considerable en el esfuerzo de muestreo para estudios intensivos de campo.
Estabilización de varianza
Deberá tomar una decisión con respecto a cuántas muestras son suficientes para estimar la varianza para un protocolo de monitoreo. Muy pocas muestras y la estimación pueden ser inusualmente altas y conducir a una incapacidad para detectar diferencias. Demasiadas muestras y no estás siendo eficiente con tiempo y recursos. Un enfoque para entender cuándo la intensidad del muestreo es suficiente para proporcionar una estimación razonable de la varianza es trazar la varianza sobre el número de muestras (figura 6.1). Si desea estimar la media y varianza para un conjunto de valores, uno podría preguntarse cuántos puntos de datos serían necesarios para desarrollar una estimación razonable de varianza y una media. Las varianzas y medias fluctúan entre unas pocas muestras, pero se estabilizan eventualmente; en algún momento no es probable que los datos adicionales cambien apreciablemente la estimación. En los ejemplos anteriores (figura 6.1), la varianza se estabiliza en aproximadamente 10-15 muestras y la estimación de la media se estabiliza en aproximadamente 15 muestras. Claramente, el uso de menos de 10 muestras podría conducir a una mala estimación de la media y varianza. Probablemente no sean necesarias más de 30 muestras.
En la Figura 6.2, las estimaciones de madera muerta de cuatro transectos de 50 m en parcelas de muestra en rodales jóvenes de abeto Douglas muestran un alto grado de variabilidad sobre el tamaño de la muestra y la estabilización se observa solo después de que se utilizó un gran número de parcelas en el análisis. Dado un tamaño de muestra tan grande necesario para caracterizar la media y la varianza, uno tendría que preguntarse si algún otro indicador de este elemento del hábitat podría caracterizarse de manera más eficiente. Para algunos elementos de hábitat y poblaciones que son de naturaleza muy irregular, el uso de la estabilización de varianza puede ser problemático porque los saltos en la varianza pueden ocurrir a medida que los esfuerzos de muestreo encuentran nuevos parches.
Patrones espaciales
Las poblaciones y los individuos pueden dispersarse a lo largo de un hábitat o un paisaje en diversos patrones. Los protocolos de monitoreo deben incorporar patrones específicos de especies en densidad y distribuciones. Los tres patrones espaciales básicos de la población son aleatorios, agrupados y regulares (Figura 6.3; Curtis y Barnes 1988, Krebs 1989). La dispersión aleatoria se encuentra en poblaciones en las que el espaciamiento entre individuos es irregular, y la presencia de un individuo no afecta directamente la ubicación de otro individuo. Las poblaciones agrupadas se caracterizan por parches o agregaciones de individuos, y la probabilidad de encontrar un individuo aumenta con la presencia de otro individuo. Las poblaciones distribuidas regularmente tienen individuos que se distribuyen de manera más o menos uniforme a lo largo de un área, y la presencia de un individuo disminuye la probabilidad de encontrar otro individuo cercano.
La distribución espacial dentro de las poblaciones es una restricción importante en los diseños de muestreo. Una serie de factores influyen en la distribución de los individuos a través de un hábitat o paisaje. Factores como la distribución de recursos (por ejemplo, agua, alimentos y cobertura) y la calidad del hábitat pueden afectar la dispersión de individuos y poblaciones (McComb 2007). A menudo se encuentra una distribución aleatoria en especies que dependen de recursos efímeros. Las especies que dependen de recursos temporales o estacionales pueden presentar diferentes tipos de distribución en diferentes momentos de su historia de vida. En vertebrados, el comportamiento social y la territorialidad pueden afectar la distribución. Las especies altamente territoriales tienden a seguir una distribución regular, mientras que las especies de anidación más gregarias y coloniales tienden a ocurrir en grupos (Curtis y Barnes 1988, Newton1998). Además, la escala de observación es crítica para determinar la distribución de una población. Las poblaciones pueden aparecer distribuidas regularmente a una escala fina, como a nivel de sitio, pero pueden mostrar una distribución más aleatoria o agrupada a lo largo de parte o la totalidad de su rango geográfico.
Los patrones espaciales de organismos y poblaciones pueden complicar el diseño del muestreo, pero existen varias técnicas para abordar estas limitaciones. El muestreo cuadrático anidado se utiliza a menudo para definir una curva especie-área para una población o comunidad de organismos (Krebs 1989). Se espera que el número de especies aumente a medida que aumente el tamaño de los cuadrantes, pero eventualmente se debe alcanzar una meseta en el número de especies dentro de un tipo de parche. Esta meseta se considera el área mínima de muestreo para esa comunidad. Esta técnica ha sido utilizada con éxito en comunidades vegetales (Goldsmith y Harrison 1976). Sin embargo, los cuadrantes no son unidades de muestreo naturales y uno debe decidir sobre una serie de factores, incluyendo el tamaño, la forma y el número de cuadrantes. Consulte las curvas de área de especies en el capítulo anterior para comprender cómo los números y tamaños de las parcelas pueden influir en los resultados.
Un enfoque útil para determinar la distribución espacial de una población es el “muestreo sin parcelas”. Hay dos enfoques generales para el muestreo sin parcelas (Krebs 1989):
- seleccionar organismos aleatorios y medir la distancia a los vecinos más cercanos
- seleccionar puntos aleatorios y medir la distancia desde cada punto hasta los organismos más cercanos
El muestreo sin parcelas tiene dos ventajas principales. Primero, si el patrón espacial de la población es aleatorio, se puede utilizar el muestreo sin parcelas para estimar la densidad de la población. Por el contrario, si se conoce la densidad poblacional entonces se puede determinar el patrón espacial de esa población. Ambas aplicaciones pueden resultar valiosas en las etapas preliminares de monitoreo. Un primer paso es estimar si una población tiene una distribución aleatoria, agrupada o regular; los enfoques para estimar estas distribuciones se dan en la Tabla 6.1.
| Métodos | Tipos de datos |
|---|---|
| Métodos del vecino más cercano
(Clark y Evans 1954) |
Se conoce la densidad poblacional; se dispone de mapa espacial de la población |
| Procedimiento Byth y Ripley
(Byth y Ripley 1990) |
Muestra de una población sobre un área extensa; independencia de puntos de muestreo |
| Procedimiento de Muestreo en T
(Besag y Gleaves 1973) |
Favorecido por estudios de campo; asignaciones de puntos aleatorios |
| Método Punto-Cuarto
(Cottam y Curtis 1956) |
Asignaciones de puntos aleatorios; normalmente transectan datos |
| Métodos de cambio en la relación
(Seber 1982) |
Cambio en los datos de relaciones de sexo; datos de población |
| Métodos de captura y esfuerzo
(Ricker 1975) |
Datos de población explotada; captura por unidad de esfuerzo con tiempo |
Variación Temporal
La variación espacial es una limitación crítica del monitoreo exitoso, pero el diseño de la muestra también debe considerar las fluctuaciones temporales en las poblaciones. Un diseño de muestreo que no enfatice un esquema de monitoreo dinámico y repetible no podrá estimar con precisión las poblaciones o su respuesta al manejo.
La variación temporal observada en las poblaciones suele ser el resultado de la variación ambiental (Akcakaya 1999). Los cambios ambientales tendrán efectos tanto directos como indirectos en las poblaciones. Aunque a menudo podemos calcular probabilidades respecto a las fluctuaciones ambientales con base en registros pasados y promedios (por ejemplo, lluvias, inundaciones, etc.), a menudo es difícil, si no imposible, predecir cuándo podrían ocurrir estos cambios. En los casos donde las tasas de población y la demografía dependen de variables ambientales, es probable que se produzcan fluctuaciones poblacionales (Akcakaya 1999). En ocasiones, estos cambios ambientales pueden influir indirectamente en las poblaciones a través de densidades de depredadores, herbivoría, sedimentación, depredación de nidos, disponibilidad de recursos alimentarios y cobertura. Por ejemplo, un estudio sobre la producción de bellotas por robles encontró que las poblaciones de ratones patas blancas, ardillas orientales y ardillas grises se correlacionaron significativamente con las fluctuaciones anuales en el cultivo de bellota (McShea 2000). Además, estos cambios en las poblaciones de pequeños mamíferos se correlacionaron con el éxito de anidación de varias aves que anidan en el suelo. En el este de Norteamérica, los reyezuelos de Carolina sufrieron un choque poblacional luego de varios inviernos severos a mediados de la década de 1970 (Figura 6.4; Barker y Sauer 1995; Sauer et al. 2001).
El análisis e interpretación del monitoreo a largo plazo debe reconocer y evaluar los efectos de estos patrones en los datos poblacionales. El monitoreo a lo largo de períodos prolongados y la documentación cuidadosa de los cambios ambientales (incluidas las acciones de manejo) es el único método efectivo para determinar el cambio y el estado de una población.
Costo
Un diseño de muestreo adecuado enfatiza la costo-efectividad y mejora la interpretación y presentación de los resultados. El conocimiento del diseño de la muestra promueve la comprensión y la comunicación entre los líderes del proyecto y los administradores, y aclara aún más los objetivos críticos del programa. Por el contrario, no considerar un diseño de muestreo adecuado puede reducir la eficiencia de monitoreo, inflar costos y conducir a resultados inexactos. El proceso de inventario y monitoreo consiste en una jerarquía de decisiones y eventos (ver Capítulo 5 y Jones 1986). Seguir la jerarquía de las decisiones de planeación, así como construir un modelo conceptual confiable, permitirá a los gerentes construir un esquema de muestreo rentable. Estas decisiones y metas también dictarán qué tipo de método de inventario es el adecuado. Diferentes técnicas de monitoreo varían en sus costos e intensidad. Por ejemplo, los inventarios que dependen de datos de presencia/no detectados pueden ser económicos porque el personal con capacitación mínima puede muestrear áreas bastante grandes. Comparativamente, el monitoreo que se basa en datos de abundancia relativa o abundancia absoluta (por ejemplo, estudios de marca-recaptura) demanda personal altamente calificado y generalmente es más intensivo en el sitio. Por lo tanto, un diseño de muestreo adecuado, construido a través de una jerarquía de decisiones e insumos, es crítico para limitar costos y recopilar datos relevantes.
Estratificación de Muestras
La selección aleatoria estratificada de sitios puede ser un método excelente para limitar el sesgo y recopilar datos representativos. Si bien este tema se discutirá con mayor detalle en el Capítulo 11, considerar la estratificación en su diseño de monitoreo es un paso importante. Un estrato es una agregación de unidades de mapeo que tienen características abióticas o bióticas similares (Jones 1986). La selección de estratos apropiados es un paso crítico en la clasificación del tipo de hábitat y sitio de estudio. En muchos casos, los estratos se basan en la vegetación y los movimientos geográficos existentes. Sin embargo, al igual que muchos aspectos de la evaluación del hábitat, la selección de estratos también puede ser específica de especie. Por ejemplo, si es importante recolectar datos sobre una especie en particular, se puede crear un estrato que abarque varios de los componentes del hábitat que son necesarios para esa especie. La estratificación de hábitats puede basarse en tipos de vegetación dominantes o subdominantes, características topográficas, composición del suelo, provincias ictiológicas o áreas de manejo. Sin embargo, los esfuerzos de monitoreo y muestreo están diseñados para ser repetibles y crear estratos basados en la vegetación puede ser problemático ya que estos límites de hábitat pueden cambiar con el tiempo (por ejemplo, sucesión). Si las características utilizadas para crear estratos son variables a lo largo del tiempo, como los tipos de vegetación, entonces es posible que sea necesario reevaluar la clasificación de los estratos, los límites y los criterios cada año.
Muestreo Adaptativo
Muy a menudo durante las encuestas de plantas o animales raros, las especies de interés se observan en muy pocas de las unidades de muestreo, y las unidades donde se detecta la especie están muy cerca. Muchas especies comunes también tienen tendencia a aparecer en grupos poblacionales debido a mecanismos de dispersión, patrones de comportamiento (por ejemplo, pastoreo, colonialismo) o asociaciones de hábitat. En estas condiciones, es predecible que las encuestas realizadas de acuerdo con diseños convencionales gasten la mayor parte del esfuerzo de muestreo en lugares donde la especie no se observa. Los diseños de muestreo adaptativo ofrecen un enfoque para concentrar unidades de muestreo en las proximidades de conglomerados poblacionales, mejorando así la eficiencia de la estimación de parámetros. Los orígenes teóricos del muestreo adaptativo se remontan al menos a 50 años (Wald 1947, Zacks 1969) y S.K Thompson ha escrito extensamente sobre la aplicación de diseños de muestreo adaptativo a encuestas de plantas y vida silvestre (Thompson y Ramsey 1983, Thompson 1990, Thompson 1992, Thompson y Seber 1996). El muestreo adaptativo de conglomerados se ha aplicado a encuestas de árboles raros (Roesch 1993), mejillones de agua dulce (Box et al. 2002), ranas de cola (Vesely y Stamp 2001), entre otras especies y ensamblajes.
El muestreo adaptativo por conglomerados se refiere a diseños en los que la selección de muestras depende de los valores de los recuentos u otras variables observadas durante el transcurso de la encuesta Inicialmente, se utiliza un procedimiento de probabilidad para seleccionar un conjunto de unidades de muestreo en el área de estudio. Cuando alguna de las unidades seleccionadas satisface algún criterio predeterminado, se muestrean unidades adicionales en las proximidades de la unidad calificadora. El muestreo se extiende hasta que no haya más unidades que satisfagan el criterio. Por lo general, el criterio es un valor de recuento de la especie objetivo.
Para poblaciones raras o altamente agregadas, el muestreo adaptativo de conglomerados puede aumentar en gran medida la precisión de las estimaciones de tamaño o densidad de la población cuando se compara con un diseño aleatorio simple o estratificado de igual costo (1992). El muestreo adaptativo de conglomerados se puede aplicar a encuestas realizadas en cuadrantes, transectos de cinturón, parcelas circulares variables, entre otros tipos de unidades de muestreo. Thompson y Seber (1996) proporcionan una revisión integral de diseños de muestreo adaptativo y análisis de datos. Existen dos consideraciones diferentes que pueden limitar la aplicabilidad de los diseños de muestreo adaptativo para algunos estudios de inventario y monitoreo. Primero, la selección adaptativa de muestras puede causar sesgos en estimadores convencionales para la media poblacional, varianza y tamaño total de la población. Se han descrito estimadores imparciales para diseños de muestreo adaptativo simple y estratificado, pero no se pueden computar automáticamente con software estadístico de uso común. El cálculo de estimadores imparciales de diseño para diseños de muestreo adaptativo requiere una comprensión profunda de las estadísticas y la capacidad de programar los estimadores en uno de los paquetes avanzados de software estadístico (por ejemplo, SAS ®, S+ ®). Un consultor estadístico puede ayudar en el desarrollo de métodos analíticos apropiados para el muestreo adaptativo y brindar asistencia similar en la realización de análisis de datos. La segunda consideración en la planeación del muestreo adaptativo es la incertidumbre operativa que rodea el número de unidades de muestreo requeridas para la encuesta. A diferencia de los diseños convencionales en los que el tamaño de la muestra generalmente se determina antes de comenzar el trabajo de campo, no hay conocimiento preciso previo a la recolección de datos sobre el número de unidades que activarán encuestas secundarias. Esta incertidumbre se puede minimizar mediante la realización de estudios piloto para estimar la media y varianza para tamaños de muestra. Alternativamente, los protocolos de encuesta pueden limitar el número máximo de unidades de muestreo visitadas en un área de estudio, después de realizar las modificaciones adecuadas a los estimadores de población.
Revisión por pares
Una vez que se ha desarrollado un diseño de muestreo basado en datos existentes o en un estudio piloto, todavía hay dudas de que los datos recopilados como parte del esfuerzo de monitoreo abordarán adecuadamente todos los posibles sesgos o fluctuaciones inherentes en las condiciones a lo largo del tiempo. Un paso que puede ser extremadamente valioso en el desarrollo de un protocolo es redactar el diseño de muestreo, proporcionando los análisis preliminares de datos y la justificación de los indicadores seleccionados, la intensidad del muestreo, los tamaños de los efectos y la potencia. Este borrador debe ser revisado tanto por un estadístico como por un experto en biología del organismo (s) y ecosistema (s). Recordemos que las estadísticas no son más que una herramienta para ayudar a tomar decisiones. El diseño debe ser estadísticamente sólido, pero también debe ser biológicamente significativo. La revisión externa del diseño puede ayudar a identificar características del diseño de muestreo que pueden limitar la utilidad de los datos en la fase analítica del programa de monitoreo. Es mucho mejor ser minucioso en el desarrollo de la fase de diseño y minimizar el riesgo de cometer errores ahora entonces para averiguar después de un año o más de recolección de datos que los resultados son sesgados, no independientes, o demasiado variables para hacer inferencias.
Resumen
Además de desarrollar objetivos claros, tener una muestra aleatoria, y tener el poder adecuado en su diseño para detectar tendencias, el plan de monitoreo debe incluir un marco para analizar e interpretar los datos. Los datos existentes de otros estudios o de un estudio piloto pueden ser particularmente útiles para estimar la detectabilidad, la varianza en los indicadores potenciales, la estimación de costos de monitoreo, la maximización de la eficiencia durante las pruebas de muestreo adaptativo y la estimación de patrones espaciales y temporales en elementos o poblaciones del hábitat. Estos y otros datos auxiliares pueden ayudar en la identificación de estratos a medida que se diseñan planes de monitoreo. La selección aleatoria estratificada de sitios puede ser un método excelente para limitar el sesgo y recopilar datos representativos. Para poblaciones raras o altamente agregadas, el muestreo adaptativo de conglomerados puede aumentar en gran medida la precisión del tamaño de la población o las estimaciones de densidad cuando se compara con un diseño aleatorio simple o estratificado de igual costo. Por último, el plan de monitoreo debe ser sometido a una rigurosa revisión por pares antes de su implementación.
Referencias
Akçakaya, H.R., M.A. Burgman, y L.R. Ginzburg. 1999. Ecología poblacional aplicada: principios y ejercicios informáticos utilizando RAMAS EcoLab. Segunda Edición. Sinauer Associates, Inc., Sunderland, Massachusetts, EUA.
Barker, R.J., y J.R. Sauer. 1995. Aspectos estadísticos del muestreo de conteo puntual. Páginas 125-130 en C.J. Ralph, J.R. Sauer, y S. Droege, eds. Monitoreo de poblaciones de aves por recuentos de puntos. USDA Servicio Forestal Informe Técnico General PSW-GTR-149.
Besag, J E. y J.T. Gleaves. 1973. Sobre la detección de patrones espaciales en comunidades vegetales. Toro. Int. Estatista. Inst. 45:153-158.
Box, J.B., R.M. Dorazio, y W.D. Liddell. 2002. Relaciones entre las características del sustrato del lecho fluvial y mejillones de agua dulce (Bivalvia: Unionidae) en arroyos de llanura costera. Revista de la Sociedad Bentológica Norteamericana 21:253-260.
Burnham, K.P., D.R. Anderson y J.L. Laake. 1980. Estimación de la densidad a partir del muestreo transecto lineal de poblaciones biológicas. Monografías de Vida Silvestre 72:202 pp.
Byth, K. y Ripley, B.D. 1980. Sobre patrones espaciales de muestreo por métodos de distancia. Biometría 36:279-284
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
Clark, P.J., y F. Evans. 1954. Distancia al vecino más cercano como medida de las relaciones espaciales en poblaciones. Ecología 35:445-453.
Cottam, G., y J.T. Curtis. 1956. El uso de medidas de distancia en el muestreo fitosociológico. Ecología 37:451-460.
Curtis, H. y N.S. Barnes. 1988. Biología. 5ta ed. Nueva York: Worth Publishers. 1050pp.
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
Goldsmith, F.B., y C.M. Harrison. 1976. Descripción y análisis de la vegetación. Páginas 85-157 en S.B. Chapman, editor. Métodos en ecología vegetal. Blackwell Scientific. Oxford, Reino Unido.
Hinds, W.T. 1984. Hacia el monitoreo de las tendencias a largo plazo en los ecosistemas terrestres. Conservación Ambiental 11:11-18.
James, F.C., C.E. McCulloch, y D.A. Wiedenfeld. 1996. Nuevos enfoques para el análisis de tendencias poblacionales en aves terrestres. Ecología 77:13-27.
Jones, K.B. 1986. Tipos de datos. Páginas 11-28 en A.Y. Cooperrider, R.J. Boyd, y H.R. Stuart, editores. Inventariado y monitoreo de hábitat de vida silvestre. USDI Bureau of Land Management, Denver, Colorado, EUA.
Krebs, C. J. 1989. Metodología ecológica. Harper Collins, Nueva York, NY. 654 pp.
McComb, B.C. 2007. Manejo del hábitat de vida silvestre: Conceptos y aplicaciones en silvicultura. Taylor y Francis Publishers, CRC Press, Boca Raton, FL. 319pp
McShea, W.J. 2000. Influencia de los cultivos de bellota en la variación anual de las poblaciones de roedores y aves. Ecología 81:228-238.
Newton, I. 1998. Limitaciones poblacionales en aves. Academic Press, Inc., Nueva York, Nueva York, EUA.
Noss, R.F. 1990. Indicadores para el monitoreo de la biodiversidad: un enfoque jerárquico. Biología de la Conservación 4:355-364
Ricker, W.E. 1975. Cálculo e interpretación de estadísticas biológicas de poblaciones de peces. Boletín de la Junta de Investigación Pesquera de Canadá. No. 191. 382pp.
Roesch, F.A., Jr. 1993. Muestreo adaptativo por conglomerados para inventarios forestales. Ciencia Forestal 39:655-669.
Sauer, J.R., J.D. Nichols, J.E. Hines, T. Boulinier, C.H. Flather, y W.L. Kendall. 2001. Patrones regionales en proporción de especies de aves detectadas en la Encuesta de aves reproductoras de América del Norte Páginas 293-296 En R. Field, R.J. Warren, H. Okarma, y P.R. Sievert, editores. Vida silvestre, tierra y personas: prioridades para el siglo XXI. Actas de la 2ª. Congreso Internacional de Vida Silvestre. The Wildlife Society, Bethesda, MD, EE. UU.
Sauer, J.R., Peterjohn, B.G., y Link, W.A. 1994. Diferencias observadoras en la Encuesta Norteamericana de Aves Reproductoras. Auk 111:50-62.
Sauer, J.R., J.E. Hines, y J. Fallon. 2007. Encuesta, resultados y análisis de aves reproductoras de América del Norte 1966 — 2006. Versión 10.13.2007. USGS Patuxent Wildlife Research Center, Laurel, MD.
Seber, G.A.F. 1982. Estimación de la abundancia animal y parámetros relacionados. Oxford Univ. Prensa, Nueva York, 654pp.
Thomas, L. 1996. Seguimiento del cambio poblacional a largo plazo: ¿por qué hay tantos métodos de análisis? Ecología 77:49-58.
Thompson, S.K. 1990. Muestreo adaptativo de cluster J. Am. Stat. Assoc. 85, 1050-1059
Thompson, S.K. 1992. Muestreo. Wiley, Nueva York. 343pp.
Thompson, S.K., y F.L. Ramsey. 1983. Muestreo adaptativo de poblaciones animales. Informe Técnico 82. Departamento de Estadística, Universidad Estatal de Oregón, Corvallis, OR.
Thompson, S.K. y G.A.F. Seber. 1996. Muestreo Adaptativo. John Wiley, Nueva York. 270pp.
Vesely, D.G. y J. Stamp. 2001. Reporte de encuestas para anfibios de riachuelos realizados en el Bosque Estatal Elliott, junio-septiembre de 2001. Informe elaborado para el Departamento Forestal de Oregón. Pacific Wildlife Research, Corvallis, OR.
Wald, A. 1947. Análisis Secuencial. John Wiley, Nueva York.230pp.
Zacks, S. 1969. Diseños secuenciales de Bayes de muestras de tamaño fijo de poblaciones finitas. Revista de la Asociación Americana de Estadística. 64:1342-1349.