MODELACIÓN DEL MEDIO AMBIENTE

Linares Fleites, G.1

1
Departamento de Investigaciones en Ciencias Agrícolas. Instituto de Ciencias.
Benemérita Universidad Autónoma de Puebla

14 Sur 6301. Ciudad Universitaria CP 72570 Telef. 2 29 55 00 Fax 7351

gladys.linares@icbuap.buap.mx

Resumen
El uso de los modelos se ha incrementado en el manejo medioambiental, debido a que ellos
son la única herramienta que permite relacionar cuantitativamente el impacto en un
ecosistema con las consecuencias para el estado del ecosistema. Se describe brevemente la
manera en que los modelos del medio ambiente son construidos y aplicados a los problemas
del medio ambiente. Se toma el ejemplo de modelación del secuestro de carbono por suelos
forestales en la Caldera de Teziutlán, Puebla, para mostrar cómo integrar las herramientas
que brinda la Estadística Espacial con otros enfoques y estrategias, que combinados con
los anteriores, contribuyen a una mejor explicación del dicho fenómeno.

Palabras clave: Cambio climático, geoestadística, secuestro de carbono.

Introducción
La Tierra tiene aproximadamente 4.6 billones de años y en sólo los últimos doscientos años
la actividad humana ha tenido un impacto principal sobre los ecosistemas que constituyen
la biosfera. Este impacto ha sido observado en escalas crecientes. (Moffatt, I., 2004).

Antes de la Revolución Industrial sólo se realizaban estudios a escala local. En el Siglo

XIX y principios del XX primaban los estudios de casos de problemas medioambientales
locales, por ejemplo, erosión del suelo a escala local. Con el crecimiento de enfermedades
tales como el cólera se incrementaron informes de salud ambiental en escalas locales,
urbanas y regionales. Posteriormente, con el crecimiento económico y el desarrollo
continuó incrementándose la escala de los impactos ambientales, que pasaron de temas
locales a regionales, nacionales, internacionales y aun a escalas globales.
Actualmente, el uso de los modelos se ha incrementado en el manejo medioambiental,
debido a que ellos son la única herramienta que permite relacionar cuantitativamente el
impacto en un ecosistema con las consecuencias para el estado del ecosistema. (Jorgensen,
S.E. 2004).

A continuación se exponen los antecedentes de la modelación del medio ambiente, las

metodologías que se utilizan en la actualidad y se desarrolla un estudio sobre secuestro de
carbono en el estado de Puebla, como ejemplo de los aspectos técnicos que pueden
presentarse en la modelación de problemas del medio ambiente.

Antecedentes
El campo de la modelación medio ambiental se ha desarrollado enormemente desde que
emergieron los primeros modelos en 1970, no sólo debido al desarrollo de la tecnología
computacional sino también debido a una muy fuerte actitud hacia la importancia de la
cuantificación en la ciencia medioambiental y la ecología (y hacia el desarrollo general del
campo de la modelación por el mismo). Nuestro conocimiento teórico sobre los
ecosistemas y sobre la modelación como una herramienta en la ciencia y administración ha
crecido significativamente durante los últimos 30 años. El desarrollo teórico probablemente
ha tenido lugar durante los últimos 10 años mientras “la modelación como una herramienta
crecientemente útil” probablemente se desarrolló más significativamente durante el periodo
1970 a 1985.

Actualmente la modelación medio ambiental puede considerarse un campo maduro con

muchos artículos presentados en un amplio espectro de problemas ambientales y muchos
diferentes estudios de caso que cubren muy diferentes modelos. Esto conduce a las
siguientes cuestiones: ¿Qué progreso hemos hecho en la modelación medioambiental
basándonos en muchos artículos que han sido publicados en la modelación medioambiental
y ecológica durante los últimos 30 años? y ¿dónde está el campo actual en el umbral de
tercer milenio? (Sydow, A., 2004).
Para la primera pregunta, los siguientes 5 puntos expresan lo que hemos aprendido:

1. Tenemos una imagen más real de los que la modelación medioambiental puede
ofrecer, sus debilidades y sus fortalezas debido entre varios otros resultados, a la
validación de los pronósticos previamente desarrollados.
2. Un nuevo modelo puede desarrollarse sobre la base de una amplia experiencia,
mientras que a menudo tenemos que desarrollar nuestros modelos en un
conocimiento vacío de 20 o 30 años. El problema en este contexto es cuán generales
son nuestro modelos.
3. Estamos más cercanos, por lo menos más cerca que hace 30 años, a una teoría de
ecosistemas o más bien a un patrón de teorías de ecosistemas. Esto significa que
conocemos mucho mejor las propiedades del sistema que vamos a modelar, lo que
inevitablemente conducirá a modelos mejores por reflexión de las propiedades
pertinentes y correctas en los modelos.
4. Hemos desarrollado una buena teoría de modelación sobre cómo vamos a modelar.
Tenemos un amplio espectro de enfoque de modelación. Esto no significa que no se
lleve a cabo más investigación en el uso de modelos como una herramienta en el
manejo (administración) de la ecología y el medioambiente, sino que significa que
una buena base teórica se ha alcanzado en modelación.
5. Tenemos una mayor comprensión del conocimiento de los valores apropiados de los
parámetros que van a ser usados en los modelos.

Sobre la segunda cuestión, hay cuatro importantes aspectos sobre los que nos estamos
moviendo en la modelación ambiental:

1. Necesitamos considerar la teoría del ecosistema en nuestras construcciones de

modelos para mejorar nuestros pronósticos y entender mejor la cuestión ambiental a
través de la modelación.
 2. Los conceptos de caos, comportamiento catastrófico y sustentabilidad son
componentes importantes a ser incluidos en nuestras consideraciones de cómo
desarrollar modelos ambientales.
3. Cuando los parámetros no son constantes debido a la adaptación continua de los
componentes del ecosistema a las condiciones cambiantes, debiéramos usar nuestro
conocimiento para hacer a los parámetros variables del tiempo y del espacio. La
estimación de parámetros es todavía uno de los puntos débiles de la modelación
Aquí es probablemente la clave para obtener mejores simulaciones y predicciones
mas exactas por el uso de nuestro modelos ambientales.
4. Debemos comprender que no siempre podemos contar con la base de datos que se
necesita para desarrollar, verificar, calibrar y validar modelos muy complejos.
Debiéramos por lo tanto considerar la aplicación de modelos borrosos (fuzzy) y
modelos semi-cuantitativos dando información sobre escalas y rangos.

Ya mencionamos que los problemas de medioambiente global juegan un papel más

importante actualmente que hace 20 años.

El abatimiento del efecto invernadero y la reducción de la capa de ozono son ampliamente

discutidos en conferencias internacionales en los niveles gubernamentales Se han dado los
primeros pasos hacia el uso de estándares internacionales para resolver estos cruciales
problemas. Nos referiremos en particular al primer problema. Como resultado del aumento
de concentraciones de gases de efecto de invernadero, existen evidencias científicas que
sugieren que el clima global se verá alterado en este siglo. Los expertos calculan que
debido al efecto invernadero la temperatura global de muestro Planeta aumentará cuatro
grados para 2090, lo que causará medio metro de aumento en el nivel del mar y afectará
gravemente a las poblaciones cercanas a la costa. La generación de los gases de residuos
gaseosos tales como el dióxido de carbono (CO2), el monóxido de carbono, el dióxido de
azufre y los monóxidos de nitrógeno son conocidos como gases de efecto invernadero, los
cuales al rodear la superficie de la Tierra, actúan como paneles de cristal de un invernadero.
El mayor responsable del cambio climático global es el CO2. Su fuente emisora es la quema
de combustibles fósiles, la deforestación y la destrucción de los suelo. Tiene un tiempo de
vida de 500 años y contribuye al calentamiento global en un 54%. El secuestro de carbono
es la redistribución de carbono facilitado desde el aire a otros reservorios. Existen cinco
reservorios distintos: la atmósfera, los océanos, la biomasa terrestre, los suelos y las
formaciones geológicas. El carbono orgánico del suelo es un gran y activo reservorio.

Los ecosistemas forestales pueden absorber cantidades significativas de CO2, por lo que
hay un gran interés por incrementar el contenido de carbono en estos ecosistemas, pero a
pesar de la importancia del secuestro de carbono, su evaluación se encuentra muy limitada
en estos suelos.

La toma de acción para el secuestro de carbono bajo el Protocolo de Kyoto u otros tratados
post-Kyoto, no sólo estimulan cambios importantes en el manejo del suelo, sino que
también, por medio de un incremento en el contenido de materia orgánica, tienen un
impacto positivo sobre las cualidades ambientales y sobre la biodiversidad. Las acciones
del Protocolo de Kyoto llevan aparejado problemas técnicos a resolver. Entre estos
problemas técnicos se encuentran la utilización de diferentes técnicas estadísticas
(espaciales y temporales) que deben aplicarse en estudios como el que se muestra aquí
como ejemplo.

Objetivos
Describir la manera en la que los esfuerzos de la modelación medioambiental han
contribuido a esclarecer complejos problemas
Estudiar el secuestro de carbono por suelos forestales en la Caldera de Teziutlán, Puebla, y
establecer una metodología para la evaluación del secuestro de carbono en los suelos
forestales.

Metodología
Hay tres factores que han permitido que el campo de la modelación ambiental se haya
desarrollado rápidamente. (Sydow, A., 2004), Estos factores son: (1) Desarrollo de la
tecnología computacional. (2) Una comprensión general de los problemas de la
contaminación, que incluye que una eliminación completa de la contaminación no es
posible, pero que un control apropiado de la contaminación con recursos económicos
limitados posibles requiere serias consideraciones de la influencia de la contaminación
sobre el ecosistema. (3) Nuestro conocimiento de los problemas ambientales y ecológicos
ha crecido significativamente.

Por otra parte, el enfoque de sistemas, como metodología actual de las ciencias, se ha ido
aplicando al estudio del medio ambiente, Para ello hay que entender que en la ciencia
ambiental y en su modelación las siguientes parejas de conceptos juegan un papel
determinante:

Determinismo y probabilidad
El todo y sus partes
El orden y el caos.

La concepción de sistema es muy general y permite analizar la complejidad de los sistemas

medioambientales. El análisis de sistemas consiste de cuatro pasos:

1. Analizar el problema de decisión (objetivos, decisión o variables de control)

2. Formular un modelo que sea adecuado en calidad y exactitud para el problema
complejo (estructura, parámetros, interconexiones)
3. Probar el modelo (usualmente por simulación de computadoras) (validación,
sensitividad)
4. Resolver los problemas de decisión por análisis de escenarios, optimización
(control, estrategias de decisión, planificación).

En la formulación de un modelo en ciencias ambientales existen cinco componentes

básicos. Ellos son:

1. Funciones forzosas (o de control) o variables externas, que son funciones o variables de

naturaleza externa que influyen en el estado del ecosistema. Ejemplo: variables climáticas
2. Variables de estado, describen el estado del sistema
3. Ecuaciones matemáticas
4. Parámetros
5. Constantes universales.

Generalmente el problema a ser resuelto puede formularse como sigue:

Si ciertas funciones forzadas (acciones de manejo) se varían, ¿cuál será la influencia en el
estado del ecosistema? El modelo se usa para responder esta cuestión o en otras palabras
para predecir, que cambiaría en el ecosistema, cuando las funciones de control (manejables
por el hombre) se varían en espacio y tiempo.

Otro problema crucial está asociado con la generalidad de los modelos. ¿Puede un modelo
usado en un caso ser usado sin cambios en cualquier otro caso de estudio?

La respuesta no es un simple si o no, sino que la experiencia demuestra que los más simples
pueden ser usados más generalmente que los modelos más complejos.

Para el caso específico de la modelación del secuestro de carbono en suelos, los requisitos
para implementar un modelo son:

Los objetos de la modelación, es decir, los polígonos del suelo.

Conocimiento del modelo, su estructura y operación.
Los datos requeridos.

El modelo, generalmente, requiere de dos conjuntos de datos, a saber, datos del suelo y
datos del clima. Ponce et al., 2004 clasifican los métodos para modelar carbono en suelo en
dos tipos: indirectos y directos.

Para los modelos de tipo indirecto, la base de datos de características de suelo puede
obtenerse mediante el examen de los pastos y otras características de los suelos. Dichas
bases de datos pueden incluir registros existentes de muestras de suelo y datos analíticos,
con los parámetros requeridos por los modelos. De cualquier modo, en muchas ocasiones
parte de esta información está perdida. En tales circunstancias, se pueden estimar los
valores de dichos datos. La base de datos de clima puede generarse con información de las
estaciones meteorológicas de la zona agroecológicas bajo estudio.

La Figura 1, ilustra como las zonas agroecológicas se caracterizan con los datos tan
exactamente como sea posible, tomando en cuenta la descripción de los suelos y las
mediciones de las estaciones meteorológicas. Para la interpolación de estos datos, las tablas
de atributos para cada zona sirven como la fuente de entrada a modelos de simulación de la
materia orgánica en el suelo.

Base de Zona Base de datos

datos del agro- del clima
ecológica

Muestreo Interpolación Muestreo

ZE Suelo Clima
1 S1 P1 D T 1 P1
2 1 T 2 P2
S2 P2 D
n 2 TnPn

Modelo de
Simulación
SOM

Figura 1. Datos que permiten la caracterización agroecológica

Dado que la posición de las zonas agro ecológica es conocida a través de sus pares de
coordenadas, podría ser posible identificar áreas de influencia o “dominios” de cada
estación meteorológica. En estos dominios debería ser posible obtener o extraer valores de
los parámetros de clima necesarios para modelar. Donde han sido digitalizados los datos
espaciales y las bases de datos espaciales de recursos están disponibles en forma digital,
pueden aplicarse splines cúbicos o funciones de distancia. La Interpolación o teselación
permitirá automáticamente construir un GIS (Sistema de Información Geográfica),
agrupando las células agro-ecológicas en zonas.

Otras vías de modelación se establecen cuando se han usado métodos directos para evaluar
el carbono en el suelo. En estos casos se realizan diseños muestrales en la zona de estudio,
se recogen muestras de suelo y luego se analizan algunas propiedades químicas y físicas del
suelo. Esta es la vía que se utiliza en el caso que reportamos en este trabajo.

Resultados
El estudio realizado proviene de los suelos de la Caldera de Teziutlán situada en la porción
nororiental del estado de Puebla, entre los paralelos 19°43 30 y 20°14 54 de latitud norte
y los meridianos 97°07 42 y 97°43 30 de longitud occidental. Estos .suelos, derivados de
material piroclástico, se presentan cubriendo una superficie de 846 km2. Fueron
identificados como Andisoles y la vegetación corresponde a Bosques de Pino. El análisis
fisicoquímico del suelo se efectuó de acuerdo a la Norma Oficial Mexicana NOM-021-
RECNAT-2000.

Se determinaron las siguientes propiedades del suelo:

Materia Orgánica (MO),
% de Carbono Orgánico (Corg),
% de Nitrógeno Total (Ntotal), y
Relación C/N (C/N)
Estas propiedades se analizaron en muestras de suelo tomadas en 22 localizaciones no
regulares, que eran representativas de la zona de estudio. Estas observaciones pudieron ser
tratadas como datos geoestadísticos y que son mediciones tomadas en localizaciones fijas y
en escala continua (Linares et al., 2006).

Las Tablas 1 y 2 resumen las principales estadística univariadas y bivariadas. Puede

apreciarse, en la Tabla 1, que salvo Ntot, las restantes variables pueden considerarse que
poseen distribución aproximadamente simétrica, dada la cercanía entre la media y la
mediana de cada variable y presentar coeficientes de asimetría cercanos a cero. Se aplicó la
transformación logaritmo a la variable Ntot, para continuar el análisis con una tabla de datos
donde todas las variables tenían distribuciones no sesgadas.

Tabla 1. Estadísticas univariadas

 Var N Xmedia S Mín Media Máx CAsi

MO 38 6.48 4.5 0.4 6.19 18.1 0.51

COr 38 3.75 2.6 0.2 3.58 10.5 0.52

Ntot 38 0.36 0.68 0.01 0.24 4.27 5.43

CN 38 12.6 3.17 4.35 13.0 18.0 -0.9

En la Tabla 2, muestra el triangulo inferior de la matriz de correlaciones de Pearson entre

las cuatro variables consideradas, incluyendo debajo de cada coeficiente el valor de p
empírico, lo que permite establecer las correspondientes pruebas de hipótesis de
independencia. Puede apreciarse que únicamente la relación C/N no muestra alta
correlación con las restantes variables.

Tabla 2. Estadísticas bivariadas: correlaciones.

MO COrg logNtotal C/N
MO 1
0.000
Corg 1.000 1
0.000 0.000
logNtotal 0.488 0.488 1
0.002 0.002 0.000
C/N 0.100 0.098 0.237 1
0.552 0.559 0.153 0.000

Tabla 3a. Análisis de Componentes Principales (4 variables)

Valor 2.391 1.018 0.591 0.000
propio
Proporción 0.598 0.255 0.148 0.000
 Proporción 0.598 0.852 1.000 1.000
Acum

Variable PC1 PC2 PC3 PC4

MO 0.617 -0.217 -0.270 0.707

COrg 0.617 -0.218 -0.268 -0.707

logNtotal 0.461 0.252 0.851 0.001
C/N 0.166 0.917 -0.362 -0.002

Finalmente, las Tablas 3a y 3b, muestran el Análisis de Componentes Principales (ACP),

para las cuatro variables consideradas y para sólo tres variables. (Linares, 1991). En el
primero, se observa que dos componentes explican el 85% de la variabilidad total, mientras
que en el ACP con tres variables (se omite C/N que mostraba baja correlación con las
restantes variables), se obtiene una sola componente que explica el 78% de la variabilidad
total.

Los cálculos se realizaron con MINITAB 14. Finalmente, se decidió tomar los puntajes de
la componente principal obtenida en la Tabla 3b, para realizar el Análisis Geoestadístico,
que se reporta en el siguiente apartado donde se realiza la discusión de resultados.

Tabla 3b. Análisis de Componentes Principales (3 variables)

Valor propio 2.3522
% Variabilidad 0.784

Variable CP1
MO 0.966
COrg 0.966
logNtotal 0.697
Discusión
Al llevar a cabo un análisis de datos geoestadístico deben estimarse las relaciones
espaciales y las predicciones en los puntos no muestreados, así como, calcularse la
estimación del error estándar de las predicciones. (Webster y Oliver, 2001).

Para estimar las relaciones espaciales debe contarse con el variograma, que da una medida
de la correlación espacial describiendo como los datos muestrales están relacionados con la
distancia y la dirección. De esta manera puede detectarse si el proceso es isotrópico (si no
depende de la dirección) o es anisotrópico (si depende de la dirección. (Cressie, 1993).
Varias herramientas exploratorias como las nubes de variogramas y la matriz de anisotropía
geométrica, señalaron que los datos analizados provenían de un proceso ligeramente
anisotrópico. El variograma empírico, brindó la descripción de cómo los datos están
correlacionados con la distancia y permitió estimar los parámetros de rango, “sill” y
“nugget”, con los valores 9582.39, 0 y 2.298, respectivamente.

Dado que para desarrollar el método kriging es necesario especificar una función de
variograma teórico, seleccionamos el modelo esférico. Se modeló el variograma esférico
con los parámetros mencionados anteriormente y se obtuvieron las predicciones kriging a
través de kriging ordinario. Previamente se comprobó que los puntajes de la componente
principal tenían un coeficiente de asimétria de 0.21, lo que corroboraba empíricamente el
supuesto de normalidad de la misma.

Las Figuras 2 y 3, en el Anexo, muestran los gráficos de las predicciones kriging y los
errores estándares de esas predicciones. El análisis fue realizado con S-PLUS: S+Spatial
Stats, (2000). Consideraciones sobre la variabilidad espacial no fue particularmente
significativa. Aparentemente, simples mediciones del carbono en el suelo, como la media,
pudieran ser suficientes para estimar el carbono almacenado en el suelo. Los resultados
coinciden con la literatura consultada.

Conclusiones
En el estudio del secuestro de carbono, es necesario integrar a las herramientas que brinda
la Estadística Espacial otros enfoques y estrategias, que combinados con los anteriores,
contribuirían a una mejor explicación del dicho fenómeno. Como puede apreciarse, en
presencia de variables altamente correlacionadas, el análisis geoestadístico puede realizarse
a través de la aplicación de técnicas factoriales como el ACP, que reducen la dimensión y
evitan trabajar con modelos de coregionalización completa. Dado el carácter
multidimensional de las propiedades de los suelos forestales, la metodología antes expuesta
permite la evaluación geoestadística de estos suelos.

El problema de secuestro de carbono en suelos, discutido en este trabajo, sirve como

ejemplo de los esfuerzos de la modelación medioambiental para contribuir a esclarecer
problemas complejos.

Bibliografía
Cressie, N. A. C. (1993). Statistics for Spatial Data. John Wiley. New York.
Jorgensen, S.E. (2004). ENVIRONMENTAL MODELS AND SIMULATIONS. in
Environmental Systems, [Ed. Achim Sydow], in Encylopedia of Life Support Systems
(EOLSS), Developed under the Auspices of the UNESCO, Eolss Publishers, Oxford, UK,
[http://www.eolss.net]
Linares, F., G. (1991). Análisis de Datos. ENPES. La Habana, Cuba.
Linares F., G. (2004). “Geoestadística en las ciencias del suelo”. Memorias de la XI
Semana Nacional de Estadística. Facultad de Ciencias Físico Matemáticas de la BUAP.
Puebla. México.
Linares F., G. et al. (2006). “Análisis geoestadístico del secuestro de carbono en suelos
forestales”. Memorias del V Congreso Internacional y del XI Nacional de Ciencias
Ambientales. Oaxtepec, Morelos. México.
MINITAB 14. (2003). Minitab Inc. USA.
Moffatt, I. (2004). CASE STUDIES OF LOCAL, REGIONAL AND GLOBAL
APLICATIONS OF ENVIROMENTAL MODELS, in Environmental Systems, [Ed. Achim
Sydow], in Encylopedia of Life Support Systems (EOLSS), Developed under the Auspices
of the UNESCO, Eolss Publishers, Oxford, UK, [http://www.eolss.net]
Ponce, R., P. Koohafkan, J. Antoine, “Assessing carbon stocks and modeling win-win
scenarios of carbon sequestration through land-use changes,” Food and Agriculture,
Organization of the United Nations, Rome, 2004.
S-PLUS: S+Spatial Stats, (2000) Professional Release 2. MatthSoft, Inc. Seattle, USA.
Sydow, A. (2004), ENVIRONMENTAL SYSTEMS, in Environmental and Ecological
Sciences, Engineering and Technology Resources, [Ed. Achim Sydow], in Encylopedia of
Life Support Systems (EOLSS), Developed under the Auspices of the UNESCO, Eolss
Publishers, Oxford, UK, [http://www.eolss.net]
Webster, R. Oliver, M. A. (2001). Geostatistics for Environmental Scientists. John Wiley &
Sons, Chichester, England.
 ANEXO

Figura 2. Predicciones “kriging”

Kriging Predictions

Figura 3: Errores estándar de las predicciones “kriging”

Kriging Std. Errors