Acerca de… artículos de restauración.
Hola.
He añadido a la página de publicaciones dos artículos ya aceptados pero que aun no tienen numero ni páginas.
El primero, publicado en Land Degradation and Development tresume varios experimentos en el Este de la Península Ibérica sobre revegetación y erosión en taludes de carreteras. Los resultados indican que la pendiente y el tipo de talud (desmonte o terraplen) son los factores principales que controlan la erosión y la colonización vegetal en los taludes de carreteras en ambientes semiáridos. La colonización por la vegetación de estas pendientes se ve limitada sobretodo por las malas condiciones del habitat (suleos pobres, compactados y secos) ya que a pesar de haber una llegada suficiente de semillas la colonización no se produce. Así que las estrategias de restauración más adecuadas serán aquellas que incluyan la mejora de las condiciones del suelo y la busqueda de especies nativas adaptadas al clima y a las malas condiciones edáficas de los taludes. Técnicas como crear pequeños huecos para retener las semillas parece que pueden ser efectivas para promover la restauración de los desmontes, mientras que el uso tierra vegetal mejora mucho los resultados de las siembras en los terraplenes.
Hasta la ralla llegó la tierra vegetal.
Las siemras funcionan siempre que se utilcen semillas de especies de la zona adaptadas al clima y al ambiente de los taludes. El segundo artículo, publicado en Restoration Ecology, trata más concretamente sobre el uso de las especies locales (1) en restauración. En este artículo proponemos un método de selección de especies locales adaptadas a los taludes de carreteras, comprobamos como el método nos proporciona especies que funcionan mucho mejor que las utilizadas normalmente (Especies comerciales). Pero siempre que se trabaja con especies locales surge el problema de la falta de disponibilidad y los elevados costes, ya que no son especies que se produzcan normalmente a gran escala: las semillas locales que se proponen en este estudio llegan a costar 30 veces más que las semillas comerciales utilizadas habitualmente. Pero los resultados de las especies disponibles en el mercado son tan pobres que al final el metro cuadrado de cobertura vegetal obtenido mediante especies locales solo es el doble de caro que el metro cuadrado de cobertura obtenido sembrando especies comerciales.
Tierra vegetal más siembra adecuada.
A pesar de esta diferencia de precio, si tenemos en cuenta otros factores como evitar la introducción de especies exóticas y otros problemas ecológicos derivados de el uso de especies no locales el uso de especies locales acaba saliendo a cuenta. Sin tener en cuenta que una vez se estabilice la demanda los precios de las especies locales bajarian.
Saludos.
(1) Digo locales y no autoctonas por que me refiero a especies que crecen en las cercanias de la zona a restaurar o en habitats similares. Especies autoctonas (p.e. de la Península Ibérica) pero que crecen en ambientes muy diferentes de un talud de carreteras no nos van a solucionar el problema.
Acerca de… ciencia y burocracia
Hola.
Se publicó, hace tiempo ya, un artículo en PLoS Biology que no tiene desperdicio sobre como a medida que avanzas en ciencia cada vez tienes que dedicar más tiempo a conseguir dinero y menos a hacer ciencia.
Leedlo aquí.
Acerca de… gráficas curiosas y 2
Hola,
Ya colgué en un post anterior un link a un sitio para consultar la demanda y producción de energía.
Ahora un enlace a un sitio donde podemos ver el estado de las resevas hídircas en los embalses españoles. Deben tener muchas visitas, por que me han intentado colar cookies de tiendas, compañías telefónicas, etc.
Saludos.
Acerca de… el sesgo en la situación de las áreas protegidas.
Hola.
Han publicado en PLoS ONE un artículo titulado “High and Far: Biases in the Location of Protected Areas” acerca de como está sesgada la distribución geográfica de las áreas protegidas alrededor del mundo.
Según los autores las situación de las áreas protegidas está sesgada hacia las zonas que realmente no se verían afectadas por los cambios de usos del suelo incluso si no estuvieran protegidas. Esto se debe a que están en zonas poco favorables para la ocupación humana (p.e. zonas montañosas)
La mayoría de las redes de zonas protegidas están sesgadas hacia altitudes elevadas, zonas con pendientes pronunciadas, alejadas de ciudades y carreteras y poco adecuadas para la agricultura. Esto es una consecuencia lógica de la forma de explotar el territorio, protegemos aquello que está mejor conservado y está mejor conservado lo que es más inaccesible o es menos útil. Además, la complicación política o social de proteger zonas habitadas o útiles para la agricultura es mucho mayor que la complicación de proteger áreas aisladas, poco pobladas e inhóspitas (por qué sinó todo el mundo firmó el Tratado Antártico).
Los autores nos advierten de que si seguimos por este camino no ganamos nada, protegemos zonas que se protegen por si mismas por estar inaccesibles. Y sesgamos la protección hacia determinados tipos de hábitats (como dicen los autores hacia “rock and ice”) dejando de lado otros que podrían ser, por ejemplo, más diversos o más interesantes desde el puntode vista de la conservación.
Debemos seleccionar las areas protegidas de una forma más sistemática, haciendo hincapié en qué, conservamos cuánto conservamos, etc.
El artículo original aquí.
Saludos.
High and Far: Biases in the Location of Protected Areas
Acerca de… bosques españoles, restauración y WWF
Hola,
Cuelgo un enlace a un informe de la WWF sobre el estado de los bosques españoles y como deberían restaurarse.
Todo explicadito aquí.
Saludos.
Acerca de… glm con datos trucados.
Siempre que he intentado entender la salida de un lm o un glm en el R me he encontrado con el mismo problema, como no conozco bien los datos, o son muy complicados, me queda la duda de si estaré interpretando bien lo que me dice el R.
Lo que hice el otro día, después de discutir con un compañero de trabajo que interpretaba las salidas de una forma diferente que yo, fue crear unos datos con los que sabía lo que iba a salir. Así por fin entendí del todo la salida del glm y me di cuenta de que interpretaba mal las salidas.
A continuación os pego lo que hice, primero como crear unos datos trucados, después una exploración con algunos gráficos y por fin los análisis.
Espero que os sea útil.
Creemos los datos trucados.
Creamos los datos de base aleatorios
origen<-rnorm(900,mean=0,sd=10)
es un vector de 900 elementos distribuidos como una normal de media 0 y desviación típica 10
Creamos los factores:
un vector de 900 elementos con 300 para cada nivel del factor
factorA<-c(rep(“controlA”,300)
,rep(“a1″,300)
,rep(“a2″,300)
)
y un vector de 900 elementos que divide cada nivel del factor anterior en 3 grupos de 100
factorB<-c(rep(
c(rep(“controlB”,100)
,rep(“b1″,100)
,rep(“b2″,100)
)
,3
)
)
Ahora los hacemos factores y arreglamos los niveles de base.
factorA<-as.factor(factorA)
factorA<-relevel(factorA,”controlA”) #El control es el nivel base… así después en el análisis queda todo mejor
factorB<-as.factor(factorB)
factorB<-relevel(factorB,”controlB”) #id
Hasta aquí tenemos la estructura típica de unos datos para analizar. Ahora hay que hacer el efecto de los factores sobre los datos.
Creamos los efectos
Modificación producida por cada nivel del factor… enseguida tendrá sentido.
controlA<-0
a1<-20
a2<-30
controlB<-0
b1<-6
b2<-12
Vector de los efectos, este vector modificará los datos origen.
efectosA<-c(rep(controlA,300),rep(a1,300),rep(a2,300))
efectosB<-c(rep(c(rep(controlB,100),rep(b1,100),rep(b2,100)),3))
Si os fijáis los valores están en la misma posición en que están los niveles de los factores.
Ahora creamos los datos definitivos, creamos los datos modificando el vector aleatorio con los efectos de los factores
datos<-origen + efectosA + efectosB
Si os fijáis lo que estamos haciendo aquí es coger una distribución normal y modificarla en función de unos factores que es lo que en realidad suponemos que está pasando cuando vamos a analizar unos datos haciendo un ANOVA.
si hubiera interacción, cuando se juntan el a1 y b2 el efecto se multiplicaría.
datos.int<-replace(datos,factorA==”a1″&factorB==”b2″,datos[factorA=="a1"&factorB=="b2"]*2)
Replace mola, lo que pone aarriba le dice al R: “en el vector datos, cuando el vector factorA es igual a a1 o el vector factorB es igual a b2, pon lo que haya pero multiplicado por 2″.
Y ya tenemos los datos trucados.
Con estos datos se puede jugar modificando los valores de ControlA, ControlB, a1, a2, b1 y b2.
Exploremos los datos trucados.
DATOS SIN INTERACCIÓN:
plot(datos~factorA)
plot(datos~factorB)
La diferencia entre los niveles de los factores es, aproximadamente, la que hemos dado al crear los datos.
Veamos las medias:
tapply(datos,list(factorA,factorB),mean)
controlB b1 b2
controlA -0.9258813 6.894822 11.98925
a1 20.3019293 27.829253 31.74711
a2 29.1412938 36.630104 41.87341
Y un gráfico de interacción:
interaction.plot(factorA,factorB,datos,fun=mean)
Como veis es bastante soso, al pasar de un nivel a otro de A se incrementa su valor y lo mismo ocurre con B. Pero si probamos con los datos con interacción sale distinto.
DATOS CON INTERACCIÓN
plot(datos.int~factorA)
plot(datos.int~factorB)
interaction.plot(factorA,factorB,datos.int,fun=mean)
Fijaos en las dos primeras gráficas; Ha aumentado la variabilidad en los grupos en los que hemos hecho la interacción. Y en el gráfico de interacción ya está muy claro como la línea correspondiente a b2 se comporta de forma rara.
Análisis
Probemos con los datos sin interacción, por suerte los datos son normales, je je.
Primero hacemos (los puristas dirán ajustamos) el modelo.
modelo.glm<-glm(datos~factorA+factorB+factorA:factorB)
summary(modelo.glm)
glm(formula = datos ~ factorA + factorB + factorA:factorB)
Deviance Residuals:
Min 1Q Median 3Q Max
-33.4490 -6.7897 -0.3912 6.3939 34.0443
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.3451 1.0159 -0.340 0.734
factorAa1 19.9125 1.4367 13.860 < 2e-16 ***
factorAa2 28.9171 1.4367 20.128 < 2e-16 ***
factorBb1 8.0833 1.4367 5.626 2.46e-08 ***
factorBb2 12.7213 1.4367 8.855 < 2e-16 ***
factorAa1:factorBb1 -1.2277 2.0317 -0.604 0.546
factorAa2:factorBb1 -0.8083 2.0317 -0.398 0.691
factorAa1:factorBb2 0.1649 2.0317 0.081 0.935
factorAa2:factorBb2 1.1961 2.0317 0.589 0.556
—
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for gaussian family taken to be 103.1990)
Null deviance: 249869 on 899 degrees of freedom
Residual deviance: 91950 on 891 degrees of freedom
AIC: 6738
Number of Fisher Scoring iterations: 2
Después, hacemos el ANOVA.
anova(modelo.glm, test=”F”)
Model: gaussian, link: identity
Response: datos
Terms added sequentially (first to last)
Df Deviance Resid.Df Resid. Dev F Pr(>F)
NULL 899 249869
factorA 2 131624 897 118245 637.7182 <2e-16 ***
factorB 2 26171 895 92075 126.7971 <2e-16 ***
factorA:factorB 4 124 891 91950 0.3012 0.8772
—
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Como se ve en el modelo ninguna de las interacciones entre los niveles de ambos factores es significativa, después el ANOVA nos lo enseña de otra forma.
Probemos con los datos con interacción.
Primero el modelo:
modelo.glm.int<-glm(datos.int~factorA+factorB+factorA:factorB)
summary(modelo.glm.int)
glm(formula = datos.int ~ factorA + factorB + factorA:factorB)
Deviance Residuals:
Min 1Q Median 3Q Max
-46.2969 -6.9360 -0.3912 6.7193 44.3720
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.3451 1.1532 -0.299 0.765
factorAa1 19.9125 1.6309 12.210 < 2e-16 ***
factorAa2 28.9171 1.6309 17.731 < 2e-16 ***
factorBb1 8.0833 1.6309 4.956 8.60e-07 ***
factorBb2 12.7213 1.6309 7.800 1.72e-14 ***
factorAa1:factorBb1 -1.2277 2.3064 -0.532 0.595
factorAa2:factorBb1 -0.8083 2.3064 -0.350 0.726
factorAa1:factorBb2 32.6186 2.3064 14.143 < 2e-16 ***
factorAa2:factorBb2 1.1961 2.3064 0.519 0.604
—
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for gaussian family taken to be 132.9891)
Null deviance: 432750 on 899 degrees of freedom
Residual deviance: 118493 on 891 degrees of freedom
AIC: 6966.3
Number of Fisher Scoring iterations: 2
Después el ANOVA:
anova(modelo.glm.int, test=”F”)
Model: gaussian, link: identity
Response: datos.int
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev F Pr(>F)
NULL 899 432750
factorA 2 176817 897 255933 664.779 < 2.2e-16 ***
factorB 2 90566 895 165367 340.502 < 2.2e-16 ***
factorA:factorB 4 46874 891 118493 88.116 < 2.2e-16 ***
—
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Como se puede ver, ahora el resumen del modelo – summary() - nos da como significativa la interacción entre a1 y b2, justo los datos que son diferentes entre datos y datos.int. Además en el ANOVA también sale significativa la interacción.
También está aquí.
Ahora habría que ver qué pasa si modificamos para 2 niveles de dos factores, pero eso para otro día.
Saludos.
Acerca de… letras y ubunutu
Hola,
Dos cositas interesantes.
Llamar a las letras griegas por su nombre.
La verdad es que es una cosa que nunca he sabido y cada profesor decía una cosa diferente. Aquí podéis encontrar una entrada en un blog sobre el tema. Es un señor que se ve que ha vivido en Atenas y se ha molestado en escribirnos los nombres adecuados de las letras griegas.
Así que vayamos ovidándonos de llamar a esto μ “mu” por que se dice mi. Y nada de Chi cuadrado, sino Ji cuadrado.
Después de instalar Ubuntu.
Echadle un ojo a esta entrada. Este señor se ha apuntado todo lo que hay que hacer después de instalar Ubuntu. Muy útil.
Solo le falta una cosa, instalar y actualizar el R, jeje, eso se puede ver aquí.
Saludos.
P.D.: Ya está corregido el enlace a la web de lo que hay que hacer después de instalar Ubuntu. Gracias Eloi.
Acerca de… política científica en Nature.
Hola.
Los ciencia española, mejor dicho, la política científica española en la picota.
Se ha publicado un artículo en Nature (nada menos) en el que se habla de como, a partir de la entrada en el gobierno de los socialistas en 2004, la ciencia española fue ganando peso internacionalmente y advierte de que si ahora se recorta el presupuesto la vamos a liar parda. El artículo se titula No turning back, no hace falta explicar más.
En la web de precarios, donde me he enterado de la publicación del artículo proponen que se de difusión al artículo para ver si en el último momento se arrepienten y no nos dejan pelaos.
Saludos.
P.D.: Han publicado una traducción en un blog de El Pais.
Acerca de… chuleta de R y 3
Hola,
En el principio de los tiempos hice una entrada en la que ponía un enlace a un pdf con una especie de chuleta. Es una cosa que tengo bastante abandonada (sobretodo sabiendo que hay cosas como esto), aunque espero retomarla.
Como subir un pdf a wordpress cada vez que modifico algo es complicado se puede ver aquí.
Saludos.
Compartidos en Readaer- El papeleo electrónico será más libre 8 Febrero, 2010
- Un gorro para leer el pensamiento 3 Febrero, 2010
- El Sistema Solar – Asistencia gravitatoria 28 Enero, 2010
- Acerca de… artículos de restauración. 23 Enero, 2010
Scolab
visitors
