revista de cultura científica FACULTAD DE CIENCIAS, UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
Busca ampliar la cultura científica de la población, difundir información y hacer de la ciencia
un instrumento para el análisis de la realidad, con diversos puntos de vista desde la ciencia.
Entrada90A02   menu2
 
índice 90
siguiente
anterior
PDF
Carlos Gay García, René Garduño López y Walter Ritter Ortiz
     
       
La simulación dinámica de escenarios en la naturaleza
es una herra­mien­ta útil para entender cómo funcionan los sistemas naturales, identificar sus potenciales problemas y explorar soluciones para éstos.
 
El éxito en el manejo del cambio ambiental se basa en la capacidad de anticipación que tengamos. El agota­miento de los recursos naturales que sostienen las economías regionales así como el deterioro de agua, suelo y aire son verdaderas amenazas para nuestra civilización. El continuo abas­tecimiento de agua y alimentos, así co­mo la conservación de nuestra salud, depende de nuestra habilidad para an­ticipar y prepararnos para un futuro incierto.
 
Los escenarios generados por pro­ce­sos de simulación proveen un in­di­ca­dor de posibilidades (no algo definitivo) y sirven de base para realizar proyecciones que aplican las herra­mien­tas del pronóstico bioclimático en escenarios específicos. Los ecosis­te­mas pronosticables son aquellos en los que la incertidumbre puede ser re­ducida a la magnitud en que, por me­dio de los pronósticos, estamos repor­tando información útil para la toma de decisiones.
 
La simulación no es un fin en sí mis­ma, tampoco es una bola de cristal que pueda pronosticar el futuro con ab­soluto detalle y exactitud, pero sí pue­de ayudarnos a entender los mecanis­mos internos que determinan cómo trabaja un sistema, por medio de la des­cripción de sus procesos y transforma­ciones, la identificación de posibles mecanismos detrás de los ciclos y ten­dencias observadas durante plazos lar­gos. Permite determinar, además, có­mo mantiene su estabilidad el sistema, reconocer los mecanismos por los cua­les puede perderla, y pronosticar futu­ras manifestaciones de los sistemas existentes; proyectar ciclos y tendencias, evaluar los impactos de políticas opcionales e identificar escenarios en donde la estabilidad se pierda o se res­taure.
 
No debemos olvidar que la utilidad de un modelo se puede juzgar tanto por la cantidad de información que pue­da aportarnos con el máximo posible de economía, como por la facili­dad con la cual nos permita comunicar­nos de forma más efectiva con dicho modelo y lo que éste representa.
 
Simulación con enfoque sistémico
 
Los modelos generalmente no capturan de forma precisa toda la realidad y esto se refleja en el hecho de que mu­chos de ellos, ampliamente usados en el campo ambiental, deben ser conti­nua­mente ajustados y refinados. Pero, finalmente, lo más valioso de un mo­de­lo es su capacidad para detectar los cam­bios y las fluctuaciones, y para iden­tificar las variables críticas res­pon­sa­bles de dichos cambios, así como cap­tu­rar y entender los efectos de retro­ali­men­ta­ción en el sistema, ya que en los sis­temas dinámicos sus ele­mentos se mo­difican de manera cons­tante y com­plicada, e incluso sorpresiva.
 
El objetivo no es por tanto desarro­llar modelos que capturen todas las fa­cetas de la vida diaria, ya que tales mo­delos tendrían poca utilidad al ser tan complicados como los sistemas mismos que deseamos entender. El verda­dero propósito de la modelación diná­mica es llegar a descubrir los principios básicos que nos conduzcan a descubrir la complejidad observada en la natu­ra­leza. Para nosotros esto es el signifi­ca­do de simplicidad.
 
La posibilidad de comprender todo lo comprensible depende más de la es­tructura de nuestro conocimiento que de su contenido, de que nuestras teo­rías lleguen a ser tan generales y tan profundas, a estar tan integradas entre sí, que se conviertan, de hecho, en una sola teoría de una estructura unificada de la realidad.
 
Las estimaciones iniciales de si­mu­lación pueden ser derivadas de la información empírica o aun de suge­ren­cias razonables de los expertos en la materia o del equipo de modeladores; ya que incluso los modelos construidos en tales situaciones de in­cer­tidum­bre pueden ser de gran valor y utilidad en la toma de decisiones, pro­veyéndo­nos de un cuadro congruente de refe­rencia, en lugar de información ­exacta.
 
El flujo de información de una va­riable de estado dentro de un sistema se hace a través de cadenas de transformación para dirigirnos a las variables de control, cambiando así las pri­meras y entrando en ciclos siempre cambiantes, para al final volver a otra variable de estado o tal vez irse hacia el infinito, el cero o el comportamien­to caótico. Esto nos habla de un proce­so de retroalimentación, hecho tan co­mún en los sistemas ambientales.
 
La retroalimentación negativa tien­de a forzar las variables de estado hacia metas establecidas y es la idea bá­sica de los sistemas dinámicos de con­trol. La variación en el proceso de retroali­mentación puede llevarnos a relaciones no lineales, las cuales se hallan presentes si una variable de control no depende de otras variables de manera lineal. Como resultado, los procesos de retroalimentación no lineales pueden exhibir comportamientos dinámicos complejos; por ello, debemos poner especial atención a la no li­nealidad, particularmente si se trata de efectos de retraso.
 
Autoorganización y sistemas disipativos
 
Los modelos son herramientas para de­tectar patrones o tendencias que pue­den ser útiles para generar hipótesis comprobables acerca de la organización de comunidades bióticas. La abundancia relativa de grandes ensam­bles heterogéneos de especies tiende a ser gobernada por muchos factores in­dependientes y, de acuerdo con el teo­rema de límite central, será distri­bui­da en forma log-normal. Un alto gra­do de ajuste al modelo log-normal in­dica que la comunidad está en alto grado de equilibrio. Sin embargo, buenos ajus­tes a la distribución log-normal pueden ocurrir a pesar de los cambios y condiciones en la composición de la comunidad.
 
La principal motivación para crear los modelos de distribución fue desarrollar un modelo general de abundan­cia de especies para facilitar la compa­ración de diversas comunidades por sus diferencias o similitudes con los parámetros del modelo, el cual poten­cialmente daría información fundamental de los nichos de las especies y cómo las especies coexisten o comparten los recursos ambientales disponibles. Aunque tal modelo general sería una herramienta valiosa para el ecólogo, no parece existir tal paradigma general, revelándose que hipótesis contradictorias pueden llevarnos al mis­mo modelo y diferentes modelos derivados de postulados en conflic­to, pueden ser ajustados al mismo gru­po de datos.
 
El mayor obstáculo por resolver al usar índices de diversidad es su in­ter­pretación, ya que si se da sólo el va­lor del índice de diversidad, es imposible decir la importancia relativa de riqueza y uniformidad, pues alta riqueza y baja homogeneidad será equi­valente a un sistema de baja riqueza y alta homogeneidad.
 
En general podemos decir que un eco­sistema será más complejo con­for­me sea más maduro, cualidad que ­aumen­ta con el tiempo que permanez­ca sin ser perturbado. La sucesión eco­ló­gica nos lleva a considerar como más maduro o más complejo un ecosistema cuando esté compuesto de un ma­yor número y grado de interacción de sus elementos, si se presentan largas cade­nas alimenticias, un uso más com­ple­to del alimento, relaciones bien de­fi­ni­das o más especializadas, situa­cio­nes más predecibles, promedio de vida ma­yor, menor número de hijos; en­ton­ces la organización interna pasa por perturbaciones aleatorias a ritmos cua­si-regulares.
 
La biogeografía y la escala global
 
Si se desea pronosticar futuros proce­sos de producción, será necesario tener una descripción de estos sistemas en su ambiente particular, que incluya tantos detalles relevantes como sea posible. Debemos estar interesados en todas las interacciones que controlan o alteran el número o tipo de organis­mos encontrados en una región dada; ya que una noche fría o una hora de fuerte viento pueden producir grandes diferencias en el mundo biológico. Tal información puede ser usada para construir una simulación poblacional, la cual puede ser empleada pa­ra predecir los efectos de políticas par­ticulares de administración. El valor de la simulación es obvio pero su utili­dad reside principalmente en que ana­liza casos particulares.
 
Una teoría bioclimática debe de ha­cer, preferentemente, afirmaciones sobre el ecosistema como un todo glo­bal, así como de especies y tiempos en particular, y aseveraciones válidas pa­ra muchas especies y no solamente para una. La alternativa es intentar ana­lizar la naturaleza de tal manera que pueda ser descrita en forma rigu­rosa, que las predicciones puedan ser deri­va­bles mediante procedimientos re­pro­ducibles, y que sean capaces de de­fi­nir, en algún grado, la diferencia en­tre lo que conocemos sobre bases teóricas y lo que nos falta por hacer, antes de que podamos realizar predic­cio­nes más seguras.
 
Una descripción matemática preci­sa de los sistemas productivos puede incluir cientos de parámetros, muchos de los cuales son difíciles de medir, y cu­yos resultados esperados —a partir de las muchas ecuaciones diferenciales parciales simultáneas no-lineales de simulación— usualmente no tienen solución, ya que las respuestas son com­plicadas expresiones de los parámetros y no son fáciles de interpretar. Claramente se observa la necesidad de diferentes metodologías para tratar con estos sistemas que son intrínsecamente complejos.
 
El establecimiento de relaciones clima-vegetación puede ser útil pa­ra propósitos de pronóstico, ya que la ve­getación refleja el ambiente, y los cam­bios en uno pueden llegar a resul­tar en cambios en el otro, y tales cam­bios pue­den ser usados para evaluar la na­turaleza y la magnitud del impacto ambiental.
 
Cualquier modelo puede ser con­si­derado como una teoría surgida de los datos y necesitamos evaluar su exac­ti­tud predictiva, su generalidad, com­ple­ji­dad e interpretabilidad. No debemos buscar una solución a un proble­ma es­pecífico de predicción, sino buscar aque­llas características que nos per­mi­tan predicciones más generales. Iden­tificar patrones activos, definien­do el interés en términos de utilidad pa­ra obtener algún fin, por lo que la exac­ti­tud de las predicciones no debe ser lo único a juzgar.
 
Se puede encontrar patrones simi­lares de interacción en sistemas muy diferentes y, una vez que los patrones básicos son entendidos, todos los sistemas pueden ser comprendidos.
 
Los modelos nos permiten realizar deducciones, formular hipótesis y pre­decir resultados —así se construyen las teorías—, y en un despliegue de sistemas, las leyes se revelarán por sí mismas con este nuevo enfoque; las pautas básicas se deben clasificar y los conceptos básicos se deben inferir. Los sistemas complejos que cuentan con una gran riqueza de conexiones cru­zadas muestran conductas comple­jas y estas conductas pueden ser com­plejas pautas de búsqueda de metas.
 
Las matemáticas de la complejidad de la naturaleza pasan de los obje­tos a las relaciones, de la cantidad a la cua­li­dad y de la sustancia al patrón de la forma, eludiendo todo modelaje me­ca­nicista; las simples ecuaciones de­ter­mi­nistas pueden producir una in­sos­pecha­da riqueza y variedad de com­portamientos. A su vez, lo que pa­re­cie­ra un comportamiento aparentemente complejo y caótico puede dar lu­gar a estructuras ordenadas con sutiles y her­mosos patrones de formas, con fre­cuentes ocurrencias de procesos de retroalimentación autorreforza­dora donde pequeños cambios pueden ser repetidamente amplificados. La ma­yor contribución de Henri Poincaré fue la recuperación de las metáforas virtua­les, rompiendo el dominio del análisis y las fórmulas, y volviendo a los patro­nes visuales.
 
La predicción exacta, aun para las ecuaciones estrictamente determinis­tas, no existe; pero ecuaciones simples pueden producir una increíble complejidad que supera todo intento de predicción. La organización del sis­tema complejo es independiente de las propiedades de sus componentes y su objetivo es la organización y no la estructura, en don­de la función de cada componente es participar activa­mente en la producción o transforma­ción de otros componentes del sistema. El producto de su operación es su propia organización, donde toda la red se hace a sí misma continuamente.
 
Anticipación a problemas ambientales
 
Anticiparnos a muchos de nuestros de­safíos ambientales por venir en las próximas décadas requiere un mejoramiento sustantivo en las actuales metodologías de adquisición de cono­cimiento científico. La simulación y el pronóstico ecológico deben emerger como un imperativo para mejorar la planeación y la toma de decisiones acerca del estado de los ecosistemas y de su capital natural productivo, ya que pueden dotarnos de la capacidad de producir, evaluar y comunicar dichos pronósticos en aquellos estados críticos que requieran un proceso de atención inmediata, que involucren li­gas interdisciplinarias y análisis de sus posibles procesos de propagación y re­troalimentación —incluidos los pro­cesos evolutivos y emergentes—, y que consideren los impactos sociales y la relevancia del pronóstico en los pro­cesos de toma de decisiones.
 
Con base en la nueva ciencia del en­foque sistémico se propone la crea­ción de un modelo general de simulación y pronóstico, que de forma inte-gra­da responda a una serie de cuestionamientos sobre ecología, manejo de recursos naturales y evaluación de im­pacto ambiental. La visión filosófica de este modelo tiene su fundamento en el enfoque sistémico derivado de la teoría general de sistemas, cuyo proce­so metodológico nos permitirá la crea­ción de los escenarios requeridos para una mejor toma de decisiones.
 
Definimos el pronóstico ecológico como el proceso de predecir el estado del ecosistema, de sus servicios por apor­tar, su capital natural de crecimien­to, contingencias y escenarios sobre el clima, uso de suelo, población humana, tecnologías, actividad económica y educativa.
 
A fin de utilizar aspectos de me­to­do­logías comunes en los diferentes pro­yectos por desarrollar, es necesario incorporar en los objetivos de este es­tu­dio un proceso de descripción gene­ral de las mencionadas metodologías del enfoque sistémico a utilizar en el de­­sa­rrollo de dicho modelo y en los posi­bles proyectos por derivarse de éste. Es­to permitirá conseguir una mayor ho­mogeneidad y cohesión de los pro­pó­sitos, así como una mayor sistema­ti­zación en la obtención de los objetivos planteados. El objetivo consiste no só­lo en ofrecer un planteamiento cohe­rente y sistémico de una visión uni­fica­da de la vida y el ambiente, sino tam­bién de algunas de las cuestiones críticas de la economía, sociales y per­sonales que vivimos en nuestra época y que actúan como procesos de retro­alimentación de los objetivos iniciales.
 
Cuando nos encontramos con un pro­blema de tipo ambiental, o de cual­quier otro tipo, y necesitamos resol­ver­lo, además de considerar las interac­cio­nes de los factores físicos, biológicos y ecológicos, debemos tomar en cuen­ta también los factores económicos, cul­tu­rales y legales. Si abordamos estos problemas por métodos simplistas llegaremos al diseño de experimentos y muestreos de baja calidad que nos con­ducirán a tomar decisiones erró­neas e inadecuadas. El análisis de sistemas para la solución de estos pro­blemas se basa en un planteamiento holístico con los modelos matemáticos requeridos para identificar, simular y predecir las características importantes de la dinámica de estos sistemas con­siderados como complejos.
 
El origen de la visión de sistemas se remonta al periodo de la Segunda Gue­rra Mundial y estuvo relacionado con la solución de problemas de tipo lo­gístico. Actualmente el uso de esta pers­pectiva en ecología, climatología, evaluación, manejo de recursos natu­ra­les, simulación y pronóstico de im­pac­to ambiental, consiste en proporcio­nar un enfoque que permita abordar la solución de dichos problemas en los sis­temas complejos (como lo son ­todo tipo de ecosistemas conocidos) y que además promueva el diseño de pro­yec­tos de investigación que nos ayu­den a tomar decisiones adecuadas, me­dian­te la utilización del método cien­tífico como una forma de resolver dichos pro­blemas, basándose en una observa­ción disciplinada y en la manipulación de las partes del mundo real que resul­ten interesantes en el contexto del pro­blema en estudio.
 
Como climatólogos, ecólogos y ad­ministradores de los recursos naturales, frecuentemente debemos analizar sistemas que se caracterizan por una complejidad organizada, como cuan­do se cuenta con poca información, pocos datos y poca expectativa de generar una base de datos comple­ta. Para esto es precisamente que ha si­do diseñado y desarrollado el análisis de sistemas y sus metodologías de inves­tigación, que permiten integrar el co­nocimiento ob­tenido por medio de la descripción, la clasificación y el análi­sis matemático y estadístico de las ob­servaciones del mundo real.
 
En el modelo tradicional los exper­tos interpretan los datos, eligiendo al­gunos de sus aspectos e ignorando otros. Necesitamos una amplia distri­bu­ción de información, puntos de ­vista e interpretaciones, si queremos en­ten­der el significado del mundo en que vivimos; el cual debe entenderse como un mundo de procesos, no de obje­tos. La grandiosa meta de toda ciencia es abarcar el mayor número de hechos empíricos por deducción lógica a par­tir del menor número de hipótesis o axiomas, como solía decir Einstein; y como Mandelbrot remarca, en un mun­do ca­da vez más complejo, los científi­cos necesitan tanto las imágenes como los números, es decir la visión geo­mé­trica y la analítica.
 
Necesitamos partir de un marco teó­rico para el desarrollo, evaluación y uso de los modelos de simulación y pronóstico en impacto ambiental, cli­ma­tología, ecología y manejo de los re­cursos naturales. Donde en el desa­rro­llo del modelo conceptual podamos abs­traer del sistema real aquellos fac­tores y procesos que deben ser inclui­dos dentro del modelo por ser relevan­tes en nuestros objetivos específicos y de tal manera que en la evaluación del modelo se compare el enfoque de sistemas con otros métodos utilizados para resolver problemas en estas y otras áreas.
 
El modelo puede ser de lo más sim­ple, siempre y cuando no excluya aque­llos componentes cruciales para su so­lución y la toma de decisiones esté basada en información de la mejor cali­dad acerca del sistema en estudio. En otro caso podrá ser necesario monito­rear varios atributos del sistema en for­ma simultánea, clasificando los com­ponentes del sistema de interés por sus diferentes funciones en el modelo. Dichos componentes se pueden cla­sifi­car como variables de estado, variables externas, constantes, variables auxilia­res, transferencias de materia, energía e información, fuentes y sumideros.
 
Obviamente, si con los conoci­mien­tos adquiridos no podemos formular hi­pótesis útiles acerca de la estructura y funcionamiento del sistema, de­be­mos concentrar nuestro esfuerzo en rea­lizar nuevas observaciones en el sis­tema natural. La idea bá­sica fundamen­tal detrás de todo esto es que podamos realizar experimentos de simulación en la misma forma que en un laborato­rio o en la naturaleza misma.
 
El estudio se justifica por nuestro in­terés en lograr un crecimiento eco­nó­mico sin destruir los sistemas ecoló­gicos que forman la base de nuestra existencia. Necesitamos introducir el uso del análisis de sistemas y su simu­lación como herramienta de apoyo pa­ra resolver los problemas de impacto ambiental que a diario se nos presentan, para que nos ayuden en la toma de las mejores decisiones. El análisis de sis­temas y su simulación es un con­jun­to de técnicas cuantitativas desa­rro­lla­das con el propósito de enfrentar pro­blemas relacionados con el funcio­namiento de los sistemas complejos, como son los diferentes tipos de ecosistemas conocidos.
 
La utilidad del análisis de sis­te­mas y su simulación se da tan­to por el pro­ceso de iden­ti­fi­cación y especifi­cación de los problemas, como por el desarro­llo, usos y producto final del modelo.
 
El objetivo general es el de diseñar y generar un modelo integral de si­mu­lación y pronóstico de los sistemas eco­lógicos bajo el enfoque de sistemas y de sistemas complejos, con apli­ca­cio­nes específicas a la evalua­ción del im­pacto ambiental y el manejo de re­cursos naturales, del cual se puedan derivar proyectos más específicos en la solución de problemas regionales.
 
Generar asimismo escenarios para los sistemas ecológicos: en el tiempo (pa­sado, presente y futuro) y el es­pa­cio, para así evaluar el impacto de ori­gen humano. Analizar la dinámica de trans­ferencia productiva (flujos de ma­teria, información y energía) de los sis­te­mas ecológicos, para determinar su estabi­lidad o inestabilidad a través del tiem­po y el espacio. Realizar en for­ma fun­cional el modelo integral de si­mulación y pronóstico de los dife­ren­tes sistemas ecológicos y climáticos, incorporando en ellos las potenciales redes de inter­comunicación, de tal for­ma que el mo­delo sea multidisci­pli­na­rio, multifacto­rial, multirrelacio­nal y multifuncional, y que sirva de herramien­ta tanto para la simu­lación de posibles escenarios co­mo para la toma de deci­siones.
 
Metodología básica

Para contestar una pregunta, demostrar una teoría o clasificar una parte del mundo real, todos coincidimos en que, dependiendo de nuestros intere­ses, algunas de las posibles perspecti­vas a elaborar serán más adecuadas y útiles que otras; los sistemas de interés presentan generalmente dos pro­pie­dades de importancia primordial. La primera, es que los sistemas pueden estar ani­dados, es decir que un in­dividuo es par­te de una población, una población es parte de una comuni­dad y así sucesiva­mente. La segunda, que en cualquier esca­la y en cualquier ni­vel de detalle, los sis­te­mas naturales pue­den ser estudia­dos usando el mis­mo conjunto de prin­ci­pios y técni­cas desarrolladas y cono­cidas por la teoría general de sistemas, donde debe­mos definir cuidadosamen­te los lí­mi­tes del sistema de interés de acuer­do con el pro­blema que estamos estudiando.
 
El reduccionismo actual (estudio de las partes por separado) ha demos­trado ser muy eficiente en la ciencia, siempre y cuando podamos entender que las entidades complejas de la natu­raleza no sólo son la suma de sus com­ponentes más simples. Las matemáti­cas de la física clásica están concebidas para complejidades no organizadas y muchos de los problemas biológicos, económicos y sociales son esencialmente organizados, multivariados y complejos, por lo tanto deben introdu­cirse nuevos modelos conceptuales, incluidos la cibernética, las teorías de la información, de juegos y de decisio­nes, el análisis factorial, la ingeniería de sistemas, la investigación de opera­ciones, etcétera. Se consideran los sis­temas como un complejo de compo­nen­tes interactuantes, con conceptos característicos de totalidades organiza­das, como son: interacción, suma, me­ca­nización, centralización, competen­cia, finalidad, etcétera. Se debe saber aplicarlos a fenómenos concretos.
 
La naturaleza posee un orden que podemos comprender y la ciencia tan sólo es una descripción optimista de có­mo pensar una realidad que nunca com­prenderemos del todo. Sin embar­go, con el enfoque sistémico comenza­mos a entrever una forma entera­mente nueva de comprender las fluctuaciones, el desorden y el cambio, en donde conceptos como los de atractor, retrato de fase, diagrama de bifurcación y frac­tal no existían antes del desarrollo de la dinámica no lineal.
 
En la modelación de impacto ambiental es necesario considerarlo con base en nuestros estudios de diagnós­tico, simulación y pronóstico, los cua­les estarán apoyados exclusivamente en las metodologías de simulación, ya que si escogemos las variables apro­pia­das y representamos adecuadamen­te las reglas que gobiernan la dinámi­ca y el proceso de cambio en el sistema de estudio, debemos poder predecir los cam­bios de dichos sistemas a lo lar­go del tiempo. Es decir, podríamos si­mu­lar correctamente el comportamien­to del sistema con base en las cuatro eta­pas fundamentales del proceso de desa­rrollo y uso del modelo descritas por Grant: desarrollo del modelo conceptual, del modelo cuantita­tivo, evaluación, y uso del modelo.
 
En primer lugar hay que identi­ficar el problema con claridad y des­cri­bir los objetivos del estudio con pre­ci­sión, teniendo en mente que vamos a estudiar la realidad como un sistema. El resultado de esta fase ha de ser una primera percepción de los elemen­tos que tienen relación con el problema planteado. La estadística y los mé­todos numéricos serán de gran utilidad cuando exista una gran abundancia de datos y podamos suponer que la realidad permanecerá estable. Debemos conocer los elementos que forman el sistema y las relaciones que existen en­tre ellos ya que, con frecuencia, ­para so­lucionar un problema es más ­fácil y efectivo trabajar con las relaciones. Esto es, incluir sólo aquellos elementos que tienen una influencia razo­na­ble sobre nuestro objetivo, lo que equi­vale a proponer acciones prácticas para solucionar el problema.
 
En las diferentes fases de construc­ción del modelo se añadirán y suprimi­rán elementos con la correspondiente expansión y simplificación del mode­lo, incorporando en ellas, a través de un diagrama causal, los elementos cla­ve del sistema y sus relaciones. El con­cepto de rizo (definido como una cade­na cerrada de relaciones causales) es muy útil porque nos permite, a partir de la estructura del sistema que anali­zamos, llegar hasta su comportamien­to dinámico. Y es a partir de aquí que podremos ver que los sistemas socio­económicos, ecológicos y climáticos es­tán formados por cientos de rizos po­sitivos y negativos interconectados, e identificar las razones estructurales que nos permitan decidir cómo modi­fi­car los bucles causales que lo alteran, ya que es la estructura del sistema lo que provoca su comportamiento. Si el sistema tiene los elementos que causan el problema, también tiene la for­ma en que se puede solucionar.
 
Como en las estructuras de los sis­temas estables hay un número de rela­ciones impar y el bucle o proceso de retroalimentación es negativo, y como cualquier acción que intente modi­fi­car un elemento se ve contrarrestada por todo el conjunto de bucles negati­vos que superestabilizan el sistema, se neutraliza entonces en conjunto la acción o los cambios del exterior. En tales sistemas el factor limitativo es lo verda­de­ra­men­te importante, ya que es dinámico, con capacidad de produ­cir com­portamien­tos inesperados; pe­ro al final será el ri­zo negativo el que estabilice el sistema.
 
Con base en los objetivos del pro­yec­to debemos decidir cuáles son los componentes del mundo real que incluiremos en nuestro sistema de inte­rés y cómo se relacionan entre sí. Tam­bién debemos bosquejar los patrones esperados de comportamiento en tér­minos de la dinámica temporal de los componentes más relevantes del siste­ma, los cuales sirven como puntos de referencia en la validación del mo­delo, y asegurarse que éste provea el tipo de predicciones que nos permita responder nuestras preguntas y, finalmen­te, tomar las mejores decisiones.
 
Asimismo, debemos determinar por medio de los objetivos si el mode­lo es apropiado o no para cumplir con nuestros propósitos y, dependiendo de dichos objetivos, podemos profundizar en la interpretación de las relacio­nes en­tre sus componentes y en su ca­pacidad predictiva. En forma simul­tánea, nos interesa evaluar qué tan sen­sibles son las predicciones del mo­delo a aquellos aspectos que hemos re­presentado con cierta incertidumbre, así como determinar dicha sensi­bi­lidad a posibles errores cometidos al representar la ecuación fundamental, usando relaciones estimadas a par­tir de un amplio grupo de especies.
 
Debemos definir los objetivos en tér­minos del problema que queremos resolver o de la pregunta a responder. Las preguntas o problemas pueden sur­gir a partir de observaciones en el sis­tema real o pueden ser impuestas por la necesidad práctica de evaluar di­ver­sos esquemas de manejo. Dichos ob­je­tivos deben definir el marco conceptual para las bases, desarrollo y eva­luación, así como la interpretación de los resultados del modelo.
 
El objetivo final del análisis de sis­te­mas será responder las preguntas iden­tificadas al comienzo del proyecto, lo cual implica que debemos diseñar y si­mular, con el modelo desarrollado, los mismos experimentos que realiza­ría­mos en el mundo real para res­pon­der nuestras preguntas fundamentales. Si en el diseño experimental es necesario desarrollar una versión estocástica del modelo, podemos correr el nú­mero de réplicas necesarias y comparar los valo­res predichos en el marco de ca­da uno de los regímenes de nuestras va­ria­bles, para lo cual utilizaremos un aná­li­sis de varianza y detectaremos cual­quier in­co­herencia que nos ayude a com­pren­der el sistema y obtener sus beneficios en el proceso de desarro­llo del mo­delo.
 
En forma sintética, podemos decir que con el desarrollo del modelo con­ceptual definimos un proceso por me­dio del cual abstraemos del sistema real aquellos factores y procesos a incluir en nuestro modelo por su relevan­cia para nuestros objetivos específicos, de tal forma que en la evaluación del mo­delo podamos determinar la utilidad del modelo desarrollado.
 
Respecto de nuestros objetivos es­pe­cíficos, definiremos los límites del sistema de interés e identificaremos las relaciones entre los componentes que generan la dinámica del sistema con ba­se en las siguientes etapas de de­sa­rrollo del modelo: definir los ob­je­ti­vos del modelo así como los límites del sis­tema de interés, clasificar los com­po­nen­tes de este último, iden­ti­ficar sus componentes, re­pre­sentar for­malmente el mo­de­lo conceptual, y des­cribir los patro­nes es­perados del comportamiento del modelo.
 
Durante el desarrollo del modelo cua­litativo trataremos de traducir nues­tro modelo conceptual a una serie de ecuaciones matemáticas que en conjunto forman el modelo cuantitativo, pa­ra lo cual usaremos los diversos tipos de información sobre el sistema real; posteriormente resolvemos todas las ecuaciones del modelo para el pe­rio­do completo de simulación. Esta si­mulación recibe el nombre de simula­ción de referencia.
 
Con la generación de este modelo esperamos simular adecuadamente la dinámica general y productiva del sis­tema, la magnitud del impacto eco­ló­gico y económico, además de pro­nos­ti­car el destino de los sistemas ac­tuales, ya que podremos generar escenarios que nos permitan derivar la mejor to­ma de decisiones. Asimismo, podremos conocer el grado de estabilidad de los sistemas existentes (naturales, im­plantados e impactados).
 
La elección entre un modelo analí­tico de la física y un modelo de si­mula­ción del análisis de sistemas implica, para el primer caso, pérdida de realis­mo ecológico a fin de tener más po­ten­cia matemática; para el segundo, la pérdida de potencia matemática para incluir más realismo ecológico.
 
Si el nivel de detalle que se busca para lograr los objetivos deseados es ma­yor y, por lo tanto, nos exige el uso de modelos analíticos, debemos de tra­tar de usarlos; sin embargo, si se ob­ser­va que en el nivel analítico de deta­lle apropiado se requiere un modelo que resulta demasiado complejo en su ma­nejo, debemos otra vez cambiar y regresar al uso de los modelos de si­mu­la­ción, es decir, regresar a la idea de que lo complejo se resuelve con lo simple.
 
Esto es muy importante, ya que pa­ra muchos problemas ecológicos, de ma­nejo de recursos naturales y estudios de impacto ambiental, es necesa­rio representar el sistema de interés de una manera muy compleja, con me­todologías de análisis sistémico para su solución, ya que no se puede hacer en forma analítica.
 
Información regional y monitoreo
 
Los datos regionales son críticos para la realización de pronósticos y el cono­cimiento de los procesos de gran es­ca­la, ya que los estudios de pequeña es­cala nunca serán suficientes para es­te propósito. Las redes de información y el monitoreo permanente son nece­sa­rios para un mejor pronóstico, así co­mo para un mejor conocimiento de las estrategias adaptativas y de diseño con retroalimentación, evolución y otras di­námicas básicas en la naturaleza.
 
El proceso de planeación debe em­pezar con la información climática, bio­lógica y socioeconómica existente. La mayoría de los sitios requiere pros­pecciones para proveer información más exacta, sobre la cual podamos ba­sar nuestras decisiones y, además, reali­zar los diagnósticos requeridos para la planeación. Estos deben estar centrados principalmente en la información necesaria para los procesos de to­ma de decisiones, mediante las me­jores herra­mientas existentes para tales objetivos, como son los sistemas de informa­ción geográfica, fotografía aérea, sensores re­motos, etcétera, y con la participación de las localidades en la adquisición regional de información.
 
En general, no se conocen bien los caracteres estructurales y funcionales de los ecosistemas, por lo que nece­sitamos muchas mediciones antes de estar en condiciones de asentar princi­pios sólidos para la predicción.
 
La mayor parte de las investigacio­nes bioclimáticas se dirigen al estudio de las variaciones de estado, ciclos y pro­cesos biológicos relativamente cor­tos, que logran un buen conocimiento de trabajo sobre periodicidades, ritmos y fenologías asociadas y llegan a com­prender su importancia dentro del sis­tema ecológico en que operan.
 
Es mu­cho menos lo que sabemos de los ciclos largos, sus mecanismos y la posible fun­ción de ciertos fenómenos biológi­cos poco frecuentes y aparentemente aleatorios.
  articulos  
 ____________________________________      
Carlos Gay García
Centro de Ciencias de la Atmósfera,
Universidad Nacional Autónoma de México.
 
Es doctor por la universidad de Colorado. investigador titular en Ciencias de la atmósfera de la UNAM y profesor en la Facultad de Ciencias desde 1973. Algunas de sus líneas de investigación son: cambio climático global, calentamiento, agujero de ozono e impactos, modelos simples de cambio climático, vulnerabilidad y adaptación al cambio climático.
 
Rene Garduño López
Centro de Ciencias de la Atmósfera,
Universidad Nacional Autónoma de México.
 
Es físico, con posgrado en Geofísica por la Facultad de Ciencias de la UNAM, donde es profesor desde 1976. Es investigador titular del Centro de Ciencias de atmósfera de la UNAM, en la línea de cambios climáticos naturales y antropógenos. Ha publicado numerosos artículos de investigación y capítulos en libros relacionados con el tema.
 
Walter Ritter Ortiz Walter 
Centro de Ciencias de la Atmósfera,
Universidad Nacional Autónoma de México.
 
Es doctor en biología, con especialidad en ecología y Medio ambiente (UNAM). realizó su licenciatura en física y matemáticas (UAG) y la maestría en Ciencias Geofísicas, con la especialidad en Climatología (unam). es investigador titular en el Centro de Ciencias de la atmósfera (UNAM), y jefe de la sección de bioclimatología.
     
 _____________________________________________________      
 
como citar este artículo 
 
Gay García, Carlos y Garduño López Rene, Ritter Ortiz Walter. 2008. Cómo anticipar problemas de tipo bioclimático o las dificultades del pronóstico. Ciencias número 90, abril-junio, 20-32. [En línea]
     

 

 

Está aquí: Inicio Búsqueda Número revistas revista ciencias 90 Cómo anticipar problemas de tipo bioclimático o las dificultades del pronóstico
Universidad Nacional Autónoma de México
Facultad de Ciencias
Departamento de Física, cubículos 320 y 321.
Ciudad Universitaria. México, D.F., C.P. 04510.
Télefono y Fax: +52 (01 55) 56 22 4935, 56 22 5316


Trabajo realizado con el apoyo de:
Programa UNAM-DGAPA-PAPIME número PE103509 y
UNAM-DGAPA-PAPIME número PE106212
 ISSN:0187-6376

Indice-RM

Responsable del sitio
Laura González Guerrero
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
 

Asesor técnico:
e-marketingservices.com
facebooktwitteryoutube

cclCreative Commons License
This work is licensed under a Creative Commons
Attribution-Noncommercial-Share Alike 3.0 United States License