Por Heini Kujala y José Lahoz-Monfort

This blog post is also available in English

La planificación espacial de la conservación y la búsqueda de datos perfectos

Los planificadores y administradores de la conservación a menudo necesitan tomar decisiones con información imperfecta. Al decidir qué acción tomar o cómo dividir recursos entre diferentes localizaciones, rara vez tenemos toda la información que nos gustaría sobre qué especies están presentes en un lugar o qué áreas son las más críticas para respaldar su viabilidad poblacional. Un gran volumen de investigación ecológica se focaliza en responder a estas preguntas.

Para tomar decisiones de conservación, también necesitamos otros tipos de datos, incluyendo, entre otros, información sobre el costo de llevar a cabo una acción de conservación determinada, la condición actual de los diferentes sitios, y la distribución e intensidad de las amenazas en una región. Muchos problemas de conservación son espaciales, es decir que a menudo tenemos que decidir entre varias ubicaciones candidatas, con dependencias espaciales entre ellas. Todas estas diferentes piezas de información son necesarias para tomar decisiones de conservación rentables y efectivas.

Los ecólogos y los biólogos de la conservación suelen estar preocupados por la integridad y exactitud de los datos ecológicos utilizados para tomar estas decisiones (comprensiblemente). Pero se ha dedicado menos esfuerzo a investigar y verificar la exactitud de los otros tipos de datos mencionados anteriormente. Además, tenemos una comprensión relativamente pobre de cómo las lagunas en los datos influyen en las soluciones optimizadas en múltiples especies y ubicaciones, y la importancia relativa de las lagunas en los diferentes tipos de datos. Es esto precisamente lo que nos propusimos investigar en el artículo ‘Not all data are equal: Influence of data type and amount in spatial conservation prioritisation’.

Una forma de entender la relevancia de la incertidumbre en diferentes tipos de datos es evaluar cuánto cambia una solución espacial si se modifica una capa de datos de un tipo en concreto. Si los cambios en una capa de datos no cambian nuestra decisión, entonces resolver esa incertidumbre no valdrá la pena. Pero si los cambios en una capa de datos cambian las acciones de conservación que se llevarán a cabo, es más importante que los datos sean lo más precisos posible.

Herramientas matemáticas para descubrir cómo se forman las prioridades

Entonces, ¿cuánto cambia el valor (numérico) de un sitio cuando se cambia una sola capa de datos de diferentes tipos? ¿Y cómo afecta esto a la prioridad de conservación del sitio?

Clarificamos primero la importante diferencia entre el “valor del sitio”, calculado usando las diferentes capas de datos, y la “prioridad del sitio”, es decir, la urgencia relativa de actuar en una ubicación en comparación con todos los otros sitios candidatos. Cambios en los valores de sitio no conducen necesariamente a cambios en las prioridades de sitio.

Hemos desarrollado un enfoque matemático para estimar el cambio esperado en el valor del sitio y la prioridad, para diferentes escenarios de cambio de datos (por ejemplo, añadir una nueva capa o cambiar una capa existente). Resulta que la forma en que una capa de datos (y su incertidumbre) influye en la solución final se define por una combinación de elementos, que incluyen:

• El tipo de cambio (por ejemplo, capa nueva o cambio de una existente)
• El tipo de datos que se cambian (si la capa representa una característica de la biodiversidad, costos, condición o amenaza)
• El número de capas de datos de diferentes tipos que ya hay en el análisis
• La forma de combinar las diferentes capas de datos para calcular el “valor” (un número único) de cada sitio
• La correlación espacial y distribución de valores entre la capa de datos agregados / modificados y todas las demás capas de datos ya incluidas en el análisis

El tipo y la cantidad de capas de datos controlan el impacto, pero no son los únicos factores

Los planes espaciales de conservación tienden a utilizar diferentes cantidades de datos de diferentes tipos. En los artículos que revisamos, la biodiversidad estuvo representada un promedio de ~740 características de biodiversidad (especies, comunidades y tipos de vegetación). Se utilizaron muchos menos datos para caracterizar el costo, la condición o la amenaza, generalmente 0-4 capas de datos para cada uno de estos tipos de datos. En la planificación espacial de conservación promedio, los beneficios de un sitio se definen por la suma de los valores de biodiversidad en esa ubicación, y los costos se utilizan como divisor para calcular relaciones de costo-beneficio.

Dados estos números promedios de capas de datos, queda claro que añadir una capa más de especie a los cientos de capas ya existentes puede resultar en un cambio menor que si se usara esa misma capa como un costo para dividir la suma. Esto nos indica que los costos, las amenazas y la condición del hábitat pueden tener un impacto de órdenes de magnitud mayor que los de las capas de características de biodiversidad individuales. En el escenario más drástico, una sola capa de costo puede definir la solución.

A menudo se pasa por alto el hecho de que los mismos tipos de datos se pueden usar de formas diferentes en los análisis de conservación, y que su efecto en los valores dependerá de la forma en que se usen. Una capa de datos también tendrá mayor efecto en la solución si la introducimos por primera vez o si cambiamos sus valores. Al crear una tabla con las diferentes posibles combinaciones de (i) tipo de datos, (ii) formas de calcular el valor del sitio y (iii) cambios en los datos, comenzamos a tener una idea de los impactos relativos sobre las soluciones espaciales que podemos esperar de los diferentes cambios en los datos.

La correlación espacial entre una nueva capa de datos añadida y las que ya están en el análisis es otro factor importante en los cambios de la priorización espacial. En su artículo, ‘Assigning priority to environmental policy interventions in a heterogeneous world’, Paul Ferraro mostró que los costos tienden a definir la clasificación relativa de la prioridad de las ubicaciones candidatas cuando se correlacionan positivamente con los beneficios de la biodiversidad, es decir, cuando los sitios más valiosos para la biodiversidad son también los más caros de proteger.

En nuestro artículo ‘Not all data are equal: Influence of data type and amount in spatial conservation prioritisation’ expandimos el estudio de estas relaciones incluyendo todos los tipos de datos principales. Por ejemplo, la información sobre la condición del hábitat influye en el orden de prioridad de los sitios cuando están correlacionados negativamente con los beneficios. Encontramos que el efecto de la correlación espacial también depende de cómo se distribuyen los valores en una capa. Si los valores de condición son muy uniformes en el paisaje, tienen menos impacto que cuando hay una gran variación en la condición entre sitios.

Poniendo nuestros resultados en contexto: los datos ecológicos no son irrelevantes

Nuestro trabajo destaca la importancia de contar con buenos datos espaciales sobre costos, condiciones y amenazas al realizar planes espaciales de conservación. Desafortunadamente, estos tipos de datos espaciales son escasos o no se utilizan la mayoría de las veces. Es difícil obtener información precisa sobre estos tipos de datos, que además tienden a cambiar con el tiempo. Por lo tanto, es importante ser conscientes de que su impacto en las prioridades espaciales es relativamente alto, y explorar cuidadosamente las posibles consecuencias de no obtener estos datos correctamente. Es decir, comparar los resultados obtenidos con y sin estos componentes, y realizar análisis de sensibilidad para tener una idea de su efecto.

Hay que tener en cuenta que nuestras simulaciones utilizan el llamado método de puntuación (scoring) para definir la prioridad espacial de los sitios. En este método, los valores obtenidos para cada sitio definen directamente el orden de prioridad. La mayoría de los planes espaciales de conservación actuales utilizan métodos más sofisticados, que generalmente incorporan restricciones adicionales a las soluciones. Los programas de priorización espacial Marxan y Zonation son buenos ejemplos. Nuestros hallazgos son igualmente relevantes para comprender cómo se forman las soluciones en estas priorizaciones más complejas, pero se debe tener en cuenta que las restricciones adicionales también influirán en el proceso de priorización. Las restricciones establecidas en la representación de especies probablemente aumentarán la influencia de al menos algunas capas de datos de especies, dependiendo de cómo se distribuyen en el espacio y cuántas de ellas se incluyen en el análisis.

Los beneficios principales de cuantificar la influencia de los datos en las optimizaciones espaciales son que hace que el proceso es más transparente y que nos ayuda a comprender cuándo es más importante abordar las posibles lagunas en los datos.

Para más información, lee nuestro artículo en Methods in Ecology and Evolution ‘Not all data are equal: Influence of data type and amount in spatial conservation prioritisation’