modulo 6. modelacion ecologica en rios espanol
DESCRIPTION
:)TRANSCRIPT
-
06/11/2014
1
Modelacin ecolgica en corrientes superficiales
Prof. Javier E. Holguin Gonzalez, Dr. Sc.
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
Servicios Ecosistmicos
Modelacin ambiental / hdrica
Calidad del agua en ros
Gestin Integrada del Recurso Hdrico
Cambio Climtico
-
06/11/2014
2
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
Modelacin ecolgica integrada en corrientes superficiales
Contenido
I. Introduccin y conceptos basicos
II. Monitoreo y Evaluacin Integrada de la Calidad
del Agua
III. Modelacin ecolgica
IV. Modelacin ecolgica Integrada
Los recursos hdricos pueden tener muchos usos:
Produccin de agua potable
Control de inundaciones (drenaje de aguas
lluvias) y optimizacin del uso de la tierra
Rutas de transporte (navegacin)
Generacin de energa
Recreacin
Introduccin
-
06/11/2014
3
Produccin de agua potable
Fuente: Archivo de Fotos Proyecto Modelacin del ro Cauca
Control de inundaciones (drenaje de aguas lluvias) y optimizacin del uso de la tierra
Peter Goethals - AGUA 2005
6
-
06/11/2014
4
Rutas de transporte (navegacin)
Fuente: Archivo de Fotos Proyecto Modelacin del ro Cauca
Generacin de energia
Fuente: Archivo de Fotos Proyecto Modelacin del ro Cauca
-
06/11/2014
5
Recreacin
Del uso al abuso
El uso inadecuado o abuso amenaza la disponibilidad
del recurso hdrico en cantidad y calidad
Transporte y dilucin de la contaminacin
Sistemas de alcantarillado combinado
Vertimiento de residuos slidos
Caudal ecolgico
Introduccin
-
06/11/2014
6
Transporte y dilucin de la contaminacinDescarga de aguas residuales (tratadas)
Fuente: EMCALI, 2006
Entrega E.B. Paso del comercio al Ro Cauca PTAR Caaveralejo
Fuente: EMCALI, 2006
Sistemas de alcantarillado combinadosistema sostenible ?
-
06/11/2014
7
Vertimiento de residuos slidos
Caudal ecolgico
-
06/11/2014
8
Monitoreo
Modelacin
Gestin
Interpretacin de datos y evaluacin
Simulacn de opciones de manejo
Desarollo de redes de monitoreo
Modelacin y toma de decisiones en la GIRH
Necesidad de programas o planes de
proteccin y restauracin
Introduccin
- Planes de Ordenamiento del Recurso Hdrico-PORH (Decreto 3930 de 2010 )
- POMCH
Bola de cristal
Por que si ya hemos modelado el ro, 7 aos, seguimos sin recuperarlo?
-
06/11/2014
9
Intervencin humana y calidad ecolgica del agua
AECO, 2010
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
Modelacin ecolgica integrada en corrientes superficiales
Contenido
I. Introduccin y conceptos basicos
II. Monitoreo y Evaluacin Integrada de la
Calidad del Agua
III. Modelacin ecolgica
IV. Modelacin ecolgica Integrada
-
06/11/2014
10
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
EL mtodo DPSIR para evaluar la calidad ecolgica en ros
Urbanizacin
Industria
Agricultura
Hidro-energia
Regulacin de ros
Fuerzas
motoras
Fisicoqumico
Hidromorfolgico
Ecolgico
Estado
Perdida de habitat/especies
Biodiversidad acuatica
Impactos
Materia orgnica
Nutrientes
Cambio de:
- velocidad
- profundidad
- sinuosidad
- sedimentos
- estructura de bancas
Presiones
RespuestasSource: Kristensen, 2004
Peces
Macroinvertebrates
Macrophytes
Phytobenthos
Phytoplankton
Estado ecolgico
Estado fisicoqumico
Morfologa y rgimen
hidrolgico
excelente
buena
moderada
pobre
mala
M o n i t o r e o y c l c u l o d e l i n d i c e E v a l u a c i n
Monitoreo y Evaluacin Integrada de la Calidad del Agua
Macroinvertebrados
Ejemplo: Directiva Europea Marco del agua (WFD)
-
06/11/2014
11
C
Bad
WQ
Good
WQ
Relacin entre la calidad fisicoqumica del agua y laecologa en los ros
Comunidades diversas
Estrecha relacin con los impactos humanos
Comunidades y su reaccin a los impactos es "relativamente
universal"
Facilidad de identificacin (a nivel prctico)
Tiempo de ciclo de vida importante
Relativamente estacionarios
Macroinvertebrados: que son? y por que usarlos?
Ephemeroptera Trichoptera Haplotaxida Chironomidae
-
06/11/2014
12
Macroinvertebrados como indicadores del estado de ros
Algunos ejemplos clave:
Moluscos
Crustceos
Gusanos y sanguijuelas
Insectos
Evaluacin ecolgica de calidad del agua en ros
Macroinvertebrados Moluscos
Gastropodos (caracoles) y Bivalvia (principalmente mejillones de agua dulce)
http://www.peatlandsni.gov.uk/wildlife/aquainvert/snailscrust.htm
Evaluacin ecolgica de calidad del agua en ros
-
06/11/2014
13
Crustceos
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
Gusanos (Oligochaeta) y sanguijuelas (Hirudinaea)
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
-
06/11/2014
14
Insectos
Ephemeroptera (Mayflies)
Plecoptera (Stoneflies)
Trichoptera (Caddisflies)
Diptera (True flies)
Coleoptera (escarabajos)
Hemiptera (Bugs)
Odonata (Dragonflies and Damselflies)
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
Plecoptera (Stoneflies)Ephemeroptera (Mayflies)
Trichoptera (Caddisflies)Diptera (True flies): larva de mosquito
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
-
06/11/2014
15
Coleoptera (escarabajos)
Whirligig Great Waterbeetlehttp://www.peatlandsni.gov.uk
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
Hemiptera (Bugs)
Pondskater Water boatman Water scorpion
http://www.peatlandsni.gov.uk/wildlife/aquainvert/
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
-
06/11/2014
16
Odonata (Dragonflies and Damselflies )
http://www.peatlandsni.gov.uk/wildlife/aquainvert/
MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros
Clasificacin de los Macroinvertebrados
segn la forma de alimentacin
Shredders : TrituradorasScrapers: Raspadores
Fuente: Cummins and Merritt, 1996
-
06/11/2014
17
Tipo de alimento y forma de alimentacin
de los Macroinvertebrados
Shredders : TrituradorasScrapers: Raspadores
Fuente: Cummins and Merritt, 1996
Concepto del Ro Continuo
Evaluacin ecolgica de calidad del agua en ros
Fuente: Allan, 1995 despues de Vannote et al., 1980).
-
06/11/2014
18
Variables (de calidad del agua y otras) que afectan las
comunidades de macroinvertebrados en ros
Fuente: De Pauw and Hawkes (1993)
Evaluacin de la calidad ecolgica del agua
Como realizar una evaluacin de la calidad ecolgica del
agua en un ro o quebrada basada en macroinvertebrados?
1. Muestreo del sitio
indice
2. Calculo del mtodo de evaluacin
Sitio a evaluar Listado de especies/taxa encontradas
(cuantitativo / cualitativo) Evaluacin final
1
0
Taxon Cantidad
Tubificidae 20
Dreissena 8
Potamopyrgus 30
Gammaridae 100
Palaemonidae 12
Chironomidae NTP 3
excelentebuenamoderadapobremala
Presencia/ausencia de un taxa particular Abundancia de un taxa Riqueza de taxa
Diversidad de taxa Sensibilidad de un taxa particular a la
contaminacin orgnica
-
06/11/2014
19
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
Evaluacin de la calidad ecolgica del agua
Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica
Modelacin ecolgica integrada en corrientes superficiales
Contenido
I. Introduccin y conceptos basicos
II. Monitoreo y Evaluacin Integrada de la Calidad
del Agua
III. Modelacin ecolgica
IV. Modelacin ecolgica Integrada
-
06/11/2014
20
Contenido
3.1 Introduccin: Mecansticos vs modelos de minera de datos
III. Modelacin ecolgica
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datoscaja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Modelacin y simulacin: que?
Entradas
medidasSistema
bajo
estudio
Salidas
medidas
Mu
nd
oR
ea
l
Distancia
Salidas
Modelacin
del sistema
Error
Parmetros
Salidas
calculadas
-
Calibracin
y
validacin
Mu
nd
ov
irtu
al
-
06/11/2014
21
Descargas de residuos
Grado de Conocimiento
Hidrodinmicos
Transporte
Morfologa
Calidad de Agua
Ecologa
Evolucin de los modelos de simulacin de corrientes superficiales
Fuente : Galvis (2004)
Impacto de diferentes presiones en la biota acutica
Estrs en el hbitat acutico
Fisico-quimica
Rgimen del flujo
Hidro-morfologia
Estr
s
Nivel de comunidad
Nivel de especie
Nivel de poblacin
Impacto en la biota acuatica
-
06/11/2014
22
C
Modelos de prediccin de hbitat: Macroinvertebrados
Una amplia variedad de factores determina si un
especie esta presente o no en un hbitat definido
Eawag2, 2010
-
06/11/2014
23
Modelos mecansticos vs modelos de minera de datos
Modelos mecansticos (caja blanca): conocimiento deexpertos alta, frecuentemente procesos y variables sondefinidas al comienzo, principalmente ajuste deparmetros, modelos simplificados para facilitar el acopleo mejorar tiempo de simulacin.
Modelos de minera de datos(caja negra o caja gris):
modelos guiados por datos, menor conocimiento de
expertos, bsqueda de tendencias generales o
especificas, como estn relacionadas las variables?, cuales
variables tienen el mayor impacto en las especies?
dFish/dt = f(Fish,Daphnia)
dZooplankton/dt = f(Zooplankton,Alg, Fish)
dAlg/dt = f(Alg, Daphnia, Nutrients, Light)
Nutrients
Nutrient recyclingConsumer Resource interaction
Light
De Schamphelaere, 2008
Modelacin ecolgica mecansticaModelacin de ecosistemas, redes trficas
-
06/11/2014
24
Modelacin de ecosistemas acuticos
AQUATOX
http://www.epa.gov/waterscience/models/aquatox/
PC LAKE
De Schamphelaere, 2008
Agua
Sedimento
El problema y el sistema:
Eutroficacin de un lago poco profundo
Entrada Salida
De Schamphelaere, 2008
-
06/11/2014
25
Dissolved P
Phytoplankton-P
Zooplankton-P
Detritus-P
1
5
3
11
7
1: P-uptake by phytoplankton2: Respiration by phytoplankton3: Mortality of phytoplankton5: Ingestion of phytoplankton by zooplankton (ingestion)6: Zooplankton faeces production (incomplete digestion / assimilation)7: Zooplankton respiration8: Zooplankton mortality11: Mineralization of detritus-P (organic P)13: Dissolved P-efflux14: Detritus P-efflux15: Algal P-efflux
Solar radiation
P-input
State Variable
Forcing function
Flows and interactions
Mathematical equations & parameters
26
8
13
14
15
Balance de masas simplificado en un lago (ejemplo)
Chlorophyll
Zooplankton dry wt
Output variable
Fuente: Uzunov et al. (2006).
Modelacin cualitativa como base de modelos mecanisticos en ros
-
06/11/2014
26
Modelos mecansticos vs modelos de minera de datos
Modelos mecansticos (caja blanca): conocimiento deexpertos alta, frecuentemente procesos y variables sondefinidas al comienzo, principalmente ajuste deparmetros, modelos simplificados para facilitar el acopleo mejorar tiempo de simulacin.
Modelos de minera de datos (caja negra o caja gris):
modelos guiados por datos, menor conocimiento de
expertos, bsqueda de tendencias generales o
especificas, como estn relacionadas las variables?, cuales
variables tienen el mayor impacto en las especies?
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
Modelos guiados por datoscaja negra
Modelos con base en conocimiento
caja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Modelos de prediccin de hbitat:Prediccin de macroinvertebrados
-
06/11/2014
27
Logistic regression
Fuente: Goethals, 2010.
Tcnica de modelacin definida por la
cantidad y tipo de datos
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
-
06/11/2014
28
Modelos guiados por datos (data-driven)
Rapido desarrollo
Permite ganar conocimineto de los sistemas
Rapidas simulaciones
Pero son frecuentemente criticados (modelos
de caja negra)
Especial cuidado con el uso de (outliers,
extrapolacin, fuerte correlacin entre
varibles predictoras)
Que datos debes ser recolectados ?
Preguntas sobre el manejo del recurso
Mtodos de modelacin + variabilidad en el campo
Caractersticas de los datos + mtodo de monitoreo
Implementacin de la base de datos y manejo de
esta
-
06/11/2014
29
Analisis de los datos antes de calibracin
(entrenamiento) y validacin del modelo
Minimos-maximos y correlaciones puenden tener
serios impactos en los resultados del modelo y
valoracin del desempeo del mismo.
Measurement set
Training dataset Validation datasetEcosystem
1
2
Metodologa para el desarrollo del modelo
Fuente: Goethals, 2010.
-
06/11/2014
30
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
Logistic regression
Fuente: Goethals, 2010.
Tcnica de modelacin definida por la
cantidad y tipo de datos
-
06/11/2014
31
Arboles de decisin
Modelos guiados por datos: Tcnica de aprendizaje
automatizado (algoritmos)
Fcil de aplicar
Simples Si.entonces reglas
Distribucin de los datos es de menor importancia
Mtodo transparente y fcil de interpretar
Arboles de Clasificacin (CT)
Arboles de Regresin (RT)
Arboles tipo Modelo (MT)
Arboles de decisin
Arboles de clasificacin (CT):
Variable respuesta: nominal o cualitativa
Hojas del rbol: valores de clase, no continuos
Ejemplos:
Ausente (0) y Presente (1)
Clasificacin del ndice ecolgico: excelente, buena, moderada, pobre, mala
Arboles de regresin (RT):
Variable respuesta: numrica o cuantitativa
Hojas del rbol: valores numricos constantes
Ejemplos:
Abundancia de la especie
Valor del ndice ecolgico (e.g. entre 0 y 1 o entre 0 y 100)
Arboles tipo Modelo (MT):
Variable respuesta: numrica o cuantitativa
Hojas del rbol: ecuaciones lineales
Ejemplos:
Abundancia de la especie
Valor del ndice ecolgico (e.g. entre 0 y 1 o entre 0 y 100)
-
06/11/2014
32
Busqueda de valores limite (umbral) para las reglas Si-Entonces
B
Bad qualityGood quality
a
c
b
B=a
Ob
O=c
O
c
Arboles de clasificacin (CT)
Mala calidad Buena calidad
Modelo de idoneidad de hbitat: Presencia de Chironomidae
AUC = 0.71Kappa =0.52
Modelo de Evaluacin ecolgica: Prediccin del ndice Ecolgico
COD
DO
Nitrate
Good
Bad
Poor
Moderate
> 12 mg/l< 12mg/l
> 4 mg/l < 4 mg/l
< 0.59 mg/l > 0.59 mg/l
DO
< 5.5 mg/l > 5.5 mg/l
Moderate
DO
> 4mg/l
-
06/11/2014
33
Pt_med 0.57
0.480.360.24
Conductivity 679DO_med < 5.35
KjN_med 3.68 Pt_med 0.24KjN_med 1.93
0.37 0.600.50
BOD_med 5.65
0.12 0.22
Valor del ndice ecolgico (0 - 1)
AECO, 2010
Ejemplo de Arboles de Regresin (RT)
Variable respuesta: numrica o cuantitativa
Hojas del rbol: valores numricos constantes
Holguin et al, 2013
Ejemplo de Arboles Tipo Modelo (MT)
Variable respuesta: numrica o cuantitativa
Hojas del rbol: ecuaciones lineales
-
06/11/2014
34
Software WEKA
Arboles de clasificacin (CT): Aplicacin
Arboles de clasificacin (CT): Aplicacin
-
06/11/2014
35
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
Logistic regression
Fuente: Goethals, 2010.
Tcnica de modelacin definida por la
cantidad y tipo de datos
-
06/11/2014
36
Metodos estadisticos
TXLPYEg +== 0))(( immiii XXXg ++++= ...)( 22110
Modelos Lineales Generalizados
2. Prediccin de probabilidad de ocurrencia (e.g. Regresin Logstica)
1. Prediccin de ndices ecolgicos(e.g. Regresin Poisson, Regression Negativa Binomial)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8Dissolved Oxygen (mg/l)
Pro
babi
lity
of p
rese
nce
Model Lower bound (95%) Upper bound (95%)
0
10
20
30
40
50
60
0 2 4 6 8 10 12 14 16observation
BM
WP
val
ue
datamodel
Relacionando caractersticas abiticas con la ocurrencia de especies
Analisis de Sensibilidad
0
0,2
0,4
0,6
0,8
1
0 0,3 0,6 0,9 1,2 1,5Pro
babi
lity
o
f prese
nce
Depth (m)
Gammaridae
00,20,40,60,8
1
0 2 4 6 8 10
Pro
babi
lity
of p
rese
nce
width (m)
Gammaridae
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2
Prob
abili
ty of
pres
ence
Flow velocity (m/s)
Gammaridae
00,20,40,60,8
1
0 2 4 6 8 10 12
Pro
babi
lity
of p
rese
nce
DO (mg/l)
Gammaridae
Regresin Logstica
Fuente: Goethals, 2010.
-
06/11/2014
37
00.10.20.30.40.50.60.70.80.9
1
3 4 5 6 7 8 9 10Dissolved oxygen (mg/l)
Prese
nce Ga
mm
.
e.g. 90 %
Estudio del impacto de la contaminacin del agua y la ocurrencia de macroinvertebrados
Regresin Logstica
0
0.2
0.4
0.6
0.8
1
0 0.5 1 1.5 2
Pro
bab
ility
of
pre
sen
ce o
f
Sip
hlo
nu
rus
Nitrate (mg/l)
Active Validation Model
AUC = 0.931Modelo de Regresin logisticaSimple (SLRM)
Modelo de Regresinlogistica Multiple
(MLRM)
110)( ii Xg +=
immiii XXXg ++++= ...)( 22110
Regresin Logstica: Clases
-
06/11/2014
38
TXLPYEg +== 0))((
immiii XXXg ++++= ...)( 22110
mm
i
iX XXXp
ppLogitg ++++=
== ...
1ln)( 22110)(
)...( 22110)()(
)(
11
11
1 mmxxx
XXXgg
g
eee
ep ++++ +=
+=
+=
Prediccin de la probabilidad de ocurrencia de especies
Regresin Logstica: Ecuaciones
Base de datos de Presencia / Ausencia
Regresin Logstica: Aplicacin
-
06/11/2014
39
Software XLSTAT
Regresin Logstica: Aplicacin
Regresin Logstica: Aplicacin
-
06/11/2014
40
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
Redes neuronales artificiales (ANN)
River characteristics Macroinvertebrates
WidthDepth
River bankspH
Presence/absence Asellus
Modelos ecolgicos para prediccin y anlisis
-
06/11/2014
41
Redes neuronales artificiales (ANN)
Modelos ecolgicos para prediccin y anlisis
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
-
06/11/2014
42
I. Modelos de Lgica difusa
Gutierrez et al, 2006
Ejemplo: el enunciado El vaso est lleno, en lgicabinaria tendra el valor de verdadero (1) si el recipientecontiene tanto liquido como su capacidad mxima lo permite;por el contrario, si el vaso contiene el 90% de su capacidadtotal, el enunciado sera falso (0). En tal caso, aunque falso,parece evidente que es casi verdadero, puesto que casi estlleno.
1 090%
100%
Gutierrez et al, 2006
La Lgica Difusa permite asignar diferentes grados decerteza; de esta forma si el vaso est al 90% de sucapacidad, el valor de verdad del enunciado sera 0.9 (casiverdadero), mientras que si contiene, por ejemplo, un 10% deliquido, el valor sera 0.1 (poco verdadero).
90%
0.9 (casi verdadero)
10%0.1(poco verdadero)
I. Modelos de Lgica difusa
-
06/11/2014
43
Ej. conjuntos no difusos
En el caso de los conjuntos difusos, es posible aceptar diferentes matices para unenunciado, mientras que en los conjuntos no difusos solo existe un par deposibilidades mutuamente excluyentes. Gutierrez et al, 2006
Ej. conjuntos difusos
I. Modelos de Lgica difusa
Modelos de idoneidad de habitat
I. Modelos de Lgica difusa
Sistema de reglas basado en conocimiento de expertos
-
06/11/2014
44
Sistema de reglas basado en conocimiento de expertos
87
Modelos de idoneidad de habitat
I. Modelos de Lgica difusa
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
-
06/11/2014
45
II. Redes bayesianas (BBN)
BBN son modelos con una estructura de red, que se enfoca en laslas representaciones explicitas causa-efecto entre variablesambientales y las especies biologicas
3.1 Introduccin: Mecansticos vs modelos de minera de datos
I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)
3.2 Modelos guiados por datos
caja negra
3.3 Modelos con base en
conocimientocaja gris
I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin
Contenido
III. Modelacin ecolgica
-
06/11/2014
46
El color de una idea de la resistencia a la migracin (numero de dias necesitados para migrar 1 metro). Se observan que hay varias barreras que impiden migracin
III. Modelos de migracin
El color da una idea de la resistencia a la migracin (numero de dias que senecesitan para migrar 1 metro). Se observan que hay varias barreras queimpiden migracin
III. Modelos de migracin
-
06/11/2014
47
As several macroinvertebrates also have adult stages whichare terresstrial, we can also extent the models to migrationover land and through the air.
Extencin al ecosistema aereo y terrestre y via
modelacin de funciones-costo (ArcGIS)
GRACIAS POR SU ATENCION