Conteos de abundancia, muestreo e incertidumbre de los datos
1. Introducción: por qué es necesario contar la abundancia
Cualquier estudio del mundo animal, ya sea ciencia fundamental o una tarea aplicada de protección de plantas, comienza con la pregunta: «¿Cuántos hay?». La abundancia no es simplemente un número abstracto. Es un parámetro clave que determina el estado de una población, su dinámica y su interacción con el entorno. Para un ecólogo, la abundancia es el punto de partida para comprender por qué unas especies son raras y otras abundantes, cómo se regulan las poblaciones y cómo responden a los cambios de condiciones (Begon et al., 2014). Para un agrónomo o un especialista en protección de plantas, la abundancia de una plaga es la base para tomar decisiones: si es necesario realizar un tratamiento y, de ser así, cuándo.
Como se señala en un manual clásico de entomología, la comprensión de la dinámica de poblaciones se basa en el estudio de los procesos de natalidad, mortalidad y desplazamiento de los individuos (Pedigo, 2002). Sin embargo, para estudiar estos procesos es necesario disponer de datos cuantitativos. Sin ellos, no podemos hablar de crecimiento o disminución de la abundancia, de brotes de reproducción o de extinción. Como escribió uno de los fundadores de la ecología, Charles Elton, la ecología es el «estudio científico de la distribución y la abundancia de los organismos» (citado en Begon et al., 2014). Así, el conteo de la abundancia es una herramienta metodológica fundamental de la zoología.
No obstante, aquí nos enfrentamos al primer y principal problema: el conteo absoluto, es decir, contar todos y cada uno de los organismos en un territorio determinado, es prácticamente imposible. Imaginemos un campo, un bosque o incluso un pequeño estanque. Contar cada ratón, cada mariposa o cada carábido no es realista. La mayoría de los animales llevan una vida críptica; muchos son activos de noche o viven bajo tierra. Como señalan irónicamente los autores de uno de los manuales, si se quiere saber el número exacto de peces en un estanque, se puede envenenar el agua y contar los cuerpos flotantes, pero eso es poco ético y, sobre todo, priva de la posibilidad de continuar las observaciones (Begon et al., 2014).
Por eso en zoología y ecología se ha establecido una clara división entre conteos absolutos y conteos relativos. El conteo absoluto busca obtener un valor expresado en unidades de área o volumen (por ejemplo, número de individuos por hectárea o por metro cuadrado). El conteo relativo nos da un indicador que solo está relacionado indirectamente con la abundancia verdadera, pero permite comparar distintos hábitats o seguir cambios a lo largo del tiempo. Por ejemplo, el número de insectos capturados en una trampa por día, o el número de aves encontradas por kilómetro de ruta.
¿Por qué los indicadores relativos suelen ser suficientes? Porque para muchas tareas prácticas y científicas no necesitamos conocer el número absoluto. Necesitamos saber si la plaga ha aumentado o disminuido, y en qué medida ese cambio es sustancial. Para comparar dos campos o dos años, los datos relativos son suficientes si la metodología de recolección fue la misma. Esta es la piedra angular del monitoreo. Como veremos más adelante, es precisamente la estandarización de los conteos relativos la que permite identificar tendencias y tomar decisiones fundamentadas sin tener ante nosotros una verdad absoluta inalcanzable (Southwood & Henderson, 2000).
Así, el conteo de la abundancia no es simplemente contar. Es un proceso complejo que siempre incluye la elección de un método, la comprensión de sus limitaciones y, lo más importante, el reconocimiento de que el número obtenido no es un valor exacto, sino una estimación que posee cierta incertidumbre. Comprender esta incertidumbre y saber trabajar con ella es una habilidad clave del zoólogo y del agrónomo modernos.
2. Conteos absolutos y relativos
En el capítulo anterior establecimos que el conteo absoluto, es decir, contar todos los individuos de un territorio dado, es prácticamente imposible. Sin embargo, esto no significa que los zoólogos hayan renunciado a intentar obtener datos cuantitativos. En lugar de ello, han desarrollado dos enfoques fundamentalmente distintos para estimar la abundancia: los conteos absolutos y los relativos. Comprender la diferencia entre ellos es la clave para interpretar correctamente cualquier dato de abundancia.
El conteo absoluto es un método en el que el investigador busca obtener una estimación expresada en unidades absolutas: número de individuos por hectárea, por metro cuadrado, por litro de agua o por metro cúbico de suelo. La abundancia absoluta es lo que idealmente querríamos conocer. Permite comparar directamente poblaciones de distintas especies, calcular biomasa, producción y flujos de energía, así como construir modelos precisos de dinámica (Pedigo, 2002). Por ejemplo, conociendo el número exacto de orugas por metro cuadrado, se puede calcular el daño que causarán al cultivo.
Sin embargo, como ya hemos señalado, obtener una estimación absoluta es extremadamente difícil y laborioso. Imaginemos la tarea de contar todas las lombrices de tierra en una hectárea de tierra arable. Incluso si tomamos muchas muestras de suelo, nunca podremos estar seguros de haber contado todas. Algunas lombrices permanecerán en capas profundas, otras morirán durante la extracción y otras simplemente pasarán desapercibidas. Por eso los conteos absolutos, por regla general, solo son posibles para animales grandes, bien visibles y poco móviles en áreas limitadas y cuidadosamente controladas. Por ejemplo, se pueden contar todos los ciervos de una isla aislada o todos los árboles de una parcela de muestreo (Begon et al., 2014). Para la mayoría de los invertebrados, especialmente los insectos que viven en el suelo, bajo la corteza o en las copas de los árboles, el conteo absoluto sigue siendo un objetivo inalcanzable.
En tales casos, vienen al rescate los conteos relativos. El conteo relativo no pretende dar un número absoluto exacto. En lugar de ello, ofrece un indicador que es proporcional a la abundancia verdadera, pero expresado en unidades convencionales: número de individuos capturados en una trampa por noche; número de insectos recolectados en 100 pases de red; número de aves encontradas por kilómetro de ruta; cantidad de huellas en una parcela de conteo. Cada uno de estos indicadores se denomina índice de abundancia (Pedigo, 2002).
Citaré varios ejemplos concretos de métodos relativos ampliamente utilizados en investigaciones zoológicas y agronómicas.
Trampas de caída (trampas Barber) son recipientes simples enterrados en la tierra de modo que su borde quede al nivel del suelo. Los invertebrados activos que viven en la superficie (carábidos, arañas, hormigas) caen en la trampa y no pueden salir. El número de individuos capturados durante un tiempo determinado (por ejemplo, por 10 trampa-día) sirve como indicador relativo de su abundancia. Este método es bueno para comparar distintos hábitats o para seguir la dinámica estacional, pero no proporciona densidad absoluta, ya que se desconoce el área desde la cual los insectos son atraídos a la trampa (Gullan & Cranston, 2014).
Trampas de luz son dispositivos que utilizan luz ultravioleta para atraer insectos nocturnos, en primer lugar polillas, así como escarabajos, dípteros y otros grupos. El número de individuos que llegan a la luz por noche puede servir como índice de su abundancia. Sin embargo, como en el caso de las trampas de caída, el radio de acción efectivo de la luz depende de muchos factores (clima, fase lunar, presencia de fuentes de luz competidoras) y no se puede calcular de manera simple. No obstante, al estandarizar las condiciones (la misma lámpara, la misma hora, el mismo lugar), las trampas de luz permiten comparar la abundancia entre años y parcelas (Gullan & Cranston, 2014).
Mangueo con red entomológica es un método en el que el investigador realiza un número determinado de pases de red sobre la vegetación herbácea. Todos los insectos capturados en la red se cuentan. El resultado se expresa como «número de individuos por 100 pases de red». Es un indicador relativo clásico, ampliamente utilizado para el conteo de insectos en comunidades herbáceas. No proporciona densidad absoluta, pero permite comparar distintas parcelas o distintas fechas de muestreo (Gullan & Cranston, 2014).
Conteos en transectos es un método en el que el observador se desplaza por una ruta fija (transecto) y registra todos los animales encontrados (o sus huellas, nidos, cantos). El número de encuentros por kilómetro de ruta sirve como indicador relativo. Este método se utiliza ampliamente para el conteo de aves, grandes mamíferos y algunos grupos de insectos, por ejemplo mariposas (Southwood & Henderson, 2000).
Conteos en parcelas es un método en el que el investigador delimita parcelas de un tamaño determinado (por ejemplo, 1 m2) y cuenta cuidadosamente todos los animales en ellas. Si la parcela se elige de manera representativa y el conteo se realiza por completo, este método puede dar una estimación absoluta para dicha parcela, que luego se extrapola a todo el territorio. Sin embargo, para la mayoría de los invertebrados, incluso con una inspección cuidadosa, parte de los individuos pasa desapercibida, por lo que el método solo proporciona un indicador relativo (Pedigo, 2002).
Todos estos métodos tienen algo en común: proporcionan un indicador relativo que no es igual a la abundancia verdadera. Pero si la metodología de recolección de datos permanece inalterada, los cambios de este indicador en el tiempo o en el espacio reflejan cambios reales de la abundancia.
Sin embargo, aquí surge una pregunta importante: ¿se pueden comparar datos obtenidos por métodos diferentes? Por ejemplo, ¿se puede afirmar que en el campo A hay el doble de carábidos que en el campo B si en el campo A se usaron trampas de caída y en el campo B mangueo? La respuesta es no. Distintos métodos tienen distinta eficacia para distintos grupos de animales, y sus indicadores no son directamente comparables. Para comparar tales datos se necesita calibración.
La calibración es un procedimiento que permite establecer la relación entre un indicador relativo y la abundancia absoluta. Por ejemplo, se puede realizar un conteo simultáneo con dos métodos: uno absoluto (en parcelas pequeñas aisladas) y otro relativo. Si entre ellos existe una relación estable, en el futuro, utilizando solo el método relativo, se pueden convertir sus resultados en valores absolutos. Como señala Pedigo (Pedigo, 2002), dicha calibración a menudo se realiza mediante análisis de regresión, donde el indicador relativo actúa como variable independiente y el absoluto como variable dependiente. Por ejemplo, para las chinches de las gramíneas se estableció una dependencia de regresión entre el número de individuos recolectados por mangueo y su densidad absoluta determinada por el método de remoción de plantas de parcelas de conteo. Esto permitió en el futuro utilizar el mangueo para estimaciones cuantitativas.
Así, los conteos absolutos nos dan la abundancia verdadera, pero son laboriosos y aplicables solo en casos limitados. Los conteos relativos nos dan un índice que puede utilizarse para comparaciones y monitoreo, pero requiere estandarización y, si es necesario, calibración. En cualquier caso, tanto el conteo absoluto como el relativo son solo una estimación, no un valor exacto. Y antes de pasar a los métodos de conteo, debemos comprender que toda estimación contiene incertidumbre, que es parte integral de la zoología cuantitativa.
3. Métodos de conteo: visión general
En los capítulos anteriores establecimos que la abundancia es un parámetro clave para comprender las poblaciones y que su conteo absoluto casi siempre es imposible, por lo que en la práctica tratamos más a menudo con indicadores relativos. Ahora ha llegado el momento de considerar de qué maneras concretas los zoólogos obtienen estos indicadores. Existe una gran variedad de métodos de conteo, y su diversidad refleja no solo la diversidad de los propios animales, sino también la diversidad de tareas que se plantea el investigador.
En este capítulo daremos una visión general de los principales grupos de métodos, sin profundizar en detalles técnicos, que se analizarán en detalle en el curso «Zoología práctica». Nuestro objetivo es comprender los principios que subyacen a cada método y darnos cuenta de por qué para unos grupos de animales son adecuados unos métodos y para otros, métodos completamente distintos.
3.1. Observaciones directas
El método más simple y evidente es la observación directa. El investigador simplemente observa a los animales y los cuenta. Este método puede parecer primitivo, pero subyace a muchos trabajos científicos serios. Como señala Pedigo (Pedigo, 2002), los conteos directos, o conteos in situ, se utilizan ampliamente para insectos grandes y bien visibles, como langostas, el escarabajo de la patata o mariposas. Por ejemplo, se puede recorrer un campo y contar el número de escarabajos de la patata en las plantas de patata. Si las plantas son bajas y se examinan bien, y los escarabajos son grandes y visibles, dicho conteo puede dar resultados bastante fiables.
Sin embargo, las observaciones directas tienen limitaciones evidentes. Muchos animales llevan una vida críptica, son activos de noche, tienen coloración críptica o simplemente son demasiado pequeños para ser vistos a simple vista. Además, el propio observador puede influir en el comportamiento de los animales: algunos huyen al acercarse, otros, por el contrario, se sienten atraídos. Por eso las observaciones directas, por regla general, solo son aplicables a un círculo limitado de objetos y requieren cautela en la interpretación.
3.2. Trampas
Las trampas son, quizá, la clase más diversa de métodos de conteo. Las une una idea: el animal cae en una trampa, donde puede ser contado. Las trampas permiten contar aquellos animales que son difíciles o imposibles de observar directamente. Consideremos los principales tipos de trampas.
Trampas de caída (trampas Barber). Son recipientes simples (a menudo vasos de plástico) enterrados en la tierra de modo que su borde quede al nivel del suelo. Los invertebrados activos que viven en la superficie —carábidos, arañas, hormigas, cochinillas de la humedad— caen en la trampa y no pueden salir. La trampa puede estar vacía (para captura viva) o contener un líquido fijador (alcohol, formalina, etilenglicol). El número de individuos capturados durante un tiempo determinado sirve como indicador relativo de su abundancia. Como señalan Hauser y Riede (Hauser & Riede, 2015), las trampas de caída son uno de los métodos más eficaces y antiguos para el conteo de artrópodos que viven en la superficie.
Trampas de luz. Muchos insectos nocturnos, especialmente polillas, así como escarabajos, dípteros y otros grupos, vuelan activamente hacia la luz. Esta propiedad se utiliza para su conteo. Una trampa de luz consiste en una fuente de luz (normalmente una lámpara ultravioleta) y un recipiente para recolectar insectos. El número de individuos que llegan por noche sirve como indicador relativo. Las trampas de luz son extremadamente eficaces para inventariar la entomofauna nocturna, pero su eficacia depende en gran medida del clima, la fase lunar y las fuentes de luz competidoras (Hauser & Riede, 2015; Gullan & Cranston, 2014).
Trampas de feromonas. Muchos insectos se comunican mediante señales químicas: las feromonas. Los análogos sintéticos de estas sustancias se utilizan para atraer insectos a las trampas. Por ejemplo, las trampas de feromonas se utilizan ampliamente para monitorear la abundancia de plagas: lagarta peluda, carpocapsa, polilla oriental de la fruta (Hauser & Riede, 2015). Las trampas de feromonas son altamente específicas: atraen, por regla general, solo a una especie o a unas pocas especies cercanas. Esta es su ventaja, pero al mismo tiempo una limitación: no son adecuadas para inventariar toda una comunidad.
Trampas pegajosas. Son láminas o tiras de material recubiertas de una sustancia adhesiva. Los insectos que se posan en ellas quedan pegados y permanecen allí. Las trampas pegajosas son simples, baratas y pueden utilizarse para monitorear la abundancia de plagas en campos e invernaderos. Su principal desventaja es que los insectos son difíciles de retirar del pegamento y a menudo se dañan, lo que dificulta la identificación (Hauser & Riede, 2015).
Trampas acuáticas (vasos amarillos). Son recipientes poco profundos, pintados de amarillo u otro color y llenos de agua con detergente añadido. Los insectos atraídos por el color se posan sobre el agua y se ahogan. Los vasos amarillos son especialmente eficaces para el conteo de pulgones, trips, pequeños dípteros e himenópteros (Hauser & Riede, 2015).
Trampas Malaise. Son una tienda de malla que intercepta a los insectos voladores. Los insectos, al golpear la malla, se desplazan hacia arriba y caen en un recipiente colector. Las trampas Malaise se consideran uno de los métodos más eficaces para recolectar insectos voladores, especialmente dípteros e himenópteros. Pueden funcionar de forma continua durante largos períodos, lo que permite obtener enormes volúmenes de material (Hauser & Riede, 2015).
3.3. Mangueo
El mangueo con red entomológica es un método clásico para el conteo de insectos en comunidades herbáceas. El investigador realiza un número determinado de pases de red sobre la vegetación herbácea y luego cuenta todos los insectos capturados en la red. El resultado suele expresarse como «número de individuos por 100 pases de red». Como subraya Pedigo (Pedigo, 2002), el mangueo es un método relativo que no proporciona densidad absoluta, pero que, al estandarizar el esfuerzo (el mismo número de pases, el mismo tipo de red, el mismo investigador), permite comparar distintas parcelas o distintas fechas de muestreo.
El mangueo tiene sus limitaciones. No permite contar especies que viven en el suelo, dentro de los tallos o sobre la superficie de las hojas. Además, la eficacia del mangueo depende del clima (no se puede manganear vegetación mojada), la hora del día y la experiencia del investigador. No obstante, es una de las formas más simples y rápidas de obtener datos relativos sobre la abundancia de muchos grupos de insectos.
3.4. Conteos en transectos
Un transecto es una ruta por la que se desplaza el observador. Los conteos en transectos se utilizan ampliamente para estimar la abundancia de aves, grandes mamíferos y algunos grupos de insectos, por ejemplo mariposas. El observador camina por una ruta fija y registra todos los animales encontrados (o sus huellas, nidos, cantos). El número de encuentros por kilómetro de ruta sirve como indicador relativo (Southwood & Henderson, 2000).
Los conteos en transectos pueden ser a pie, en automóvil o incluso aéreos. Permiten abarcar grandes territorios y obtener datos sobre la distribución espacial de los animales. Sin embargo, su precisión depende de muchos factores: la visibilidad de los animales, su comportamiento, el clima, la hora del día y la experiencia del observador. Por eso, para obtener resultados comparables, es necesario estandarizar estrictamente la metodología.
3.5. Conteos en parcelas
Este método implica delimitar en el terreno parcelas de un tamaño determinado (por ejemplo, 1 m2, 10 m2 o 1 ha) y contar cuidadosamente todos los animales en ellas. Si la parcela se elige de manera representativa y el conteo se realiza por completo, el método puede dar una estimación absoluta para dicha parcela, que luego se extrapola a todo el territorio. Por ejemplo, se pueden contar todas las lombrices de tierra en varias parcelas de 1 m2 y luego multiplicar el valor medio por el área total del campo (Pedigo, 2002).
Sin embargo, para la mayoría de los invertebrados, incluso con una inspección cuidadosa, parte de los individuos pasa desapercibida. Por eso, en la práctica, el método solo proporciona un indicador relativo. No obstante, se utiliza ampliamente, especialmente para invertebrados del suelo, pequeños mamíferos y plantas. Una variante de este método es el conteo en parcelas fijas con remoción posterior de individuos (removal sampling), que permite obtener estimaciones absolutas más precisas, pero es laborioso y aplicable solo en parcelas pequeñas.
3.6. Marcaje y recaptura
Este método ocupa un lugar especial entre los métodos de conteo, y le dedicaremos el próximo capítulo. Aquí solo señalaremos que permite estimar la abundancia absoluta de animales móviles. La esencia del método: los animales se capturan, se marcan (se anillan, se tiñen, se cortan dedos), se liberan y luego se capturan de nuevo. A partir de la proporción de individuos marcados en la segunda captura se puede estimar el tamaño total de la población. Este método se utiliza ampliamente para aves, mamíferos, peces y también para algunos insectos (Southwood & Henderson, 2000; Sridhara, 2006).
3.7. Por qué distintos métodos son adecuados para distintos grupos de animales
De esta breve visión general se desprende que no existe un método universal adecuado para todos los animales. Cada método tiene sus ventajas y limitaciones, y la elección del método está determinada, ante todo, por la biología del objeto de estudio.
Por ejemplo, para el conteo de mariposas, que son bien visibles y activas durante el día, son adecuados los conteos en transectos. Para los insectos nocturnos, las trampas de luz. Para los invertebrados del suelo, las trampas de caída y el desmenuzado manual de muestras. Para las aves, los conteos en transectos y el marcaje con recaptura. Para los grandes mamíferos, los censos aéreos, los transectos y el marcaje.
Además, la elección del método depende del objetivo de la investigación. Si necesitamos evaluar la riqueza de especies de una comunidad, podemos utilizar una combinación de métodos: trampas de luz, trampas Malaise, trampas de caída, mangueo. Si necesitamos monitorear la abundancia de una plaga concreta, podemos utilizar trampas de feromonas o conteos visuales. Si necesitamos obtener una estimación absoluta de la densidad, podemos utilizar el método de marcaje con recaptura o conteos en parcelas con remoción de individuos.
3.8. Por qué los métodos concretos permanecen en el curso «Zoología práctica»
En este curso consideramos los principios del conteo, no las técnicas concretas. Esto no es casual. Los detalles de cada método —cómo instalar correctamente una trampa de caída, cómo elegir el lugar para una trampa de luz, cómo evitar errores en el mangueo, cómo marcar a distintos animales— requieren un dominio práctico y constituyen el contenido de un curso aparte, «Zoología práctica».
Nuestra tarea es comprender la lógica que subyace a cada método y aprender a evaluar críticamente los datos obtenidos con su ayuda. Debemos ser conscientes de que cualquier método da no un valor exacto, sino una estimación que posee incertidumbre. Y es precisamente esta incertidumbre el tema de los siguientes capítulos.
4. El método de marcaje y recaptura
Entre todos los métodos de conteo de abundancia, el método de marcaje y recaptura ocupa un lugar especial. Es una de las pocas formas de obtener una estimación absoluta del tamaño de una población, y no solo un índice relativo. Por eso se utiliza tan ampliamente en investigaciones zoológicas, a pesar de su laboriosidad y complejidad. En este capítulo analizaremos el principio del método, su base matemática, los supuestos clave y las razones por las que sigue siendo una herramienta insustituible para estudiar animales móviles.
4.1. Principio del método
La idea del método de marcaje y recaptura (capture–mark–recapture, CMR) es simple y elegante. Imaginemos que queremos saber cuántos peces viven en un pequeño estanque. No podemos drenar el estanque y contar todos los peces: esto destruiría la población y nos privaría de la posibilidad de continuar las observaciones. En lugar de ello, procedemos de la siguiente manera.
Primera etapa. Capturamos cierto número de peces (denotémoslo M), los marcamos (por ejemplo, colocamos una marca en una aleta) y los liberamos de nuevo en el estanque. Es importante que la marca sea inocua, bien visible y se conserve durante mucho tiempo. Además, los individuos marcados deben, tras la liberación, distribuirse uniformemente por toda la población y comportarse igual que los no marcados.
Segunda etapa. Al cabo de un tiempo, volvemos a capturar cierto número de peces (denotémoslo n). Entre ellos, parte de los individuos resultan estar marcados (denotemos su número m). Si la población está «cerrada» (es decir, durante el tiempo entre capturas nadie nació, murió, inmigró o emigró), entonces la proporción de individuos marcados en la segunda captura debe ser aproximadamente igual a la proporción de individuos marcados en toda la población. En otras palabras:
donde N es el tamaño total de la población. De aquí se despeja fácilmente N:
Esta es la fórmula de Lincoln-Petersen, llamada así en honor a los ecólogos estadounidenses que la propusieron en la década de 1930. Como señalan Begon y coautores (Begon et al., 2014), esta fórmula subyace a la mayoría de los métodos modernos de marcaje y recaptura.
4.2. Estimación de la abundancia mediante la fórmula de Lincoln-Petersen
Pongamos un ejemplo concreto para ilustrar el funcionamiento de la fórmula. Supongamos que estudiamos una población de mariposas en una pradera aislada. El primer día capturamos, marcamos y liberamos 100 mariposas (M = 100). El segundo día capturamos 120 mariposas (n = 120), de las cuales 20 resultaron marcadas (m = 20). Sustituimos los valores en la fórmula:
Así, estimamos el tamaño total de la población en aproximadamente 600 individuos.
Esta estimación, sin embargo, es solo una estimación puntual. No nos dice cuán precisa es. En realidad, si repitiéramos el experimento, podríamos obtener otro valor. Por eso, para una interpretación correcta, es necesario calcular el error estándar y el intervalo de confianza. Pedigo (Pedigo, 2002) proporciona la fórmula para el error estándar de la estimación por el método de Lincoln-Petersen:
En nuestro ejemplo:
Así, nuestra estimación de abundancia es 600 ± 122 individuos (error estándar). Esto significa que el valor verdadero probablemente se encuentra en algún lugar del rango de 356 a 844 individuos (si se utilizan aproximadamente dos errores estándar para un intervalo de confianza del 95%). Como vemos, la incertidumbre de la estimación es bastante grande, y esto es normal para el método de marcaje con recaptura.
4.3. Supuestos del método y consecuencias de su violación
La fórmula de Lincoln-Petersen funciona solo si se cumplen una serie de supuestos. Si estos supuestos se violan, la estimación se vuelve sesgada, es decir, sistemáticamente sobreestimada o subestimada. Consideremos los supuestos principales y las consecuencias de su violación.
Supuesto 1: La población está cerrada. Esto significa que durante el tiempo entre la primera y la segunda captura no se producen nacimientos, muertes, inmigración ni emigración en la población. En la práctica, este supuesto casi nunca se cumple por completo. Los animales nacen, mueren, migran. Si, por ejemplo, entre las capturas murió una parte significativa de los individuos marcados, la proporción de marcados en la segunda captura será menor que la que había en la población. Esto conducirá a una sobreestimación de N. Si, por el contrario, individuos marcados inmigraron desde poblaciones vecinas, esto conducirá a una subestimación de la estimación. Como subraya Sridhara (Sridhara, 2006), para aplicar con éxito el método es necesario que la población sea estable y no esté sometida a fluctuaciones bruscas.
Supuesto 2: Igual probabilidad de captura. Todos los individuos de la población —tanto marcados como no marcados— deben tener la misma probabilidad de ser capturados. En la práctica, esto a menudo no es así. Por ejemplo, algunos animales pueden volverse más cautelosos después de la primera captura (o, por el contrario, más confiados si fueron atraídos con comida). Los individuos marcados pueden volverse más visibles para los depredadores o, por el contrario, menos activos. Todo esto viola la igualdad de probabilidades y sesga la estimación. Sridhara (Sridhara, 2006) señala específicamente que el procedimiento de marcaje no debe afectar la probabilidad de recaptura.
Supuesto 3: Las marcas no se pierden ni se vuelven invisibles. Si una marca se pierde o se vuelve indistinguible, subestimaremos el número de individuos marcados en la segunda captura, lo que conducirá a una sobreestimación de N. Por eso las marcas deben ser duraderas y bien visibles.
Supuesto 4: Los individuos marcados y no marcados se mezclan uniformemente. Tras la liberación, los individuos marcados deben distribuirse aleatoriamente por toda la población. Si, por ejemplo, liberamos individuos marcados en un lugar y los capturamos en otro, o si los individuos marcados se mantienen juntos (lo que ocurre en animales gregarios), la estimación estará sesgada. Es necesario que entre las capturas transcurra suficiente tiempo para la mezcla.
Supuesto 5: La captura no afecta la supervivencia. El marcaje y la captura no deben aumentar la mortalidad de los animales. Si, por ejemplo, la marca lesiona al animal o lo hace más vulnerable a los depredadores, la proporción de individuos marcados disminuirá y la estimación de N estará sobreestimada.
La violación de cualquiera de estos supuestos conduce a un sesgo de la estimación. Por eso, antes de aplicar el método, es necesario pensar cuidadosamente en el diseño del estudio y, en la medida de lo posible, comprobar hasta qué punto se cumplen los supuestos. Como señala Pedigo (Pedigo, 2002), para aplicar correctamente el método es necesario que:
- el marcaje no afecte el comportamiento de los animales;
- las marcas sean resistentes a las condiciones climáticas y se conserven hasta el momento de la recaptura;
- los individuos marcados puedan mezclarse libremente con los no marcados;
- el procedimiento de marcaje no afecte la probabilidad de recaptura;
- los intervalos entre capturas sean suficientes para la mezcla, pero no tan largos como para que la población haya cambiado sustancialmente;
- la población sea estable y no esté sometida a fluctuaciones bruscas.
4.4. Por qué el método se utiliza ampliamente para animales móviles
A pesar de todas las dificultades y limitaciones, el método de marcaje y recaptura sigue siendo una de las herramientas más demandadas en el arsenal del zoólogo. ¿Por qué?
En primer lugar, es la única forma de obtener una estimación absoluta de la abundancia para muchos animales móviles que no pueden contarse por observación directa. Aves, mamíferos, peces, grandes insectos: todos ellos pueden marcarse y recapturarse.
En segundo lugar, el método permite obtener información adicional sobre la población que no está disponible con otros métodos de conteo. Por ejemplo, analizando la proporción de individuos marcados y no marcados en distintas capturas, se puede estimar la supervivencia, la inmigración, la emigración e incluso el tamaño de las áreas de campeo. Como señala Sridhara (Sridhara, 2006), el método de marcaje con recaptura se utiliza ampliamente para estimar parámetros demográficos de poblaciones de vertebrados.
En tercer lugar, el método es aplicable a distintos grupos de animales. Para las aves se utilizan anillos; para los mamíferos, marcas auriculares o collares radiotransmisores; para los peces, marcas en las aletas; para los insectos, marcas individuales o tinción. En entomología, el método de marcaje con recaptura se utiliza para estudiar insectos móviles, como mariposas, libélulas, carábidos e incluso algunas hormigas (Gullan & Cranston, 2014).
En cuarto lugar, el método permite probar hipótesis sobre la dinámica de poblaciones. Por ejemplo, con su ayuda se puede estimar cómo depende la supervivencia de la densidad, cómo cambia la abundancia durante la estación, y cómo afectan a la población las condiciones climáticas y los factores antrópicos.
4.5. Limitaciones y modificaciones modernas
La fórmula clásica de Lincoln-Petersen supone solo dos capturas. En la práctica, a menudo se realiza una serie de capturas (por ejemplo, diariamente durante varios días). Para analizar tales datos se han desarrollado modelos estadísticos más complejos que permiten estimar simultáneamente la abundancia, la supervivencia y la probabilidad de captura. Estos modelos, como el modelo de Jolly-Seber (para poblaciones abiertas) o el modelo de Cormack-Jolly-Seber, se utilizan ampliamente en la ecología moderna (Southwood & Henderson, 2000).
Además, el método de marcaje con recaptura requiere importantes costos laborales y temporales. No es adecuado para especies raras, ya que para obtener una estimación fiable es necesario capturar un número suficiente de individuos. Tampoco es aplicable a especies que toleran mal la captura o el marcaje.
No obstante, a pesar de todas las limitaciones, el método de marcaje y recaptura sigue siendo el estándar de oro para estimar la abundancia absoluta de animales móviles. Y, lo que es especialmente importante para nosotros, demuestra claramente el tema principal de nuestro curso: toda estimación de abundancia contiene incertidumbre, y esta incertidumbre debe cuantificarse y tenerse en cuenta al interpretar los resultados.
5. Por qué los conteos nunca dan un valor exacto
Ya hemos subrayado repetidamente que cualquier conteo de abundancia es solo una estimación, no un valor exacto. Pero ¿qué significa esto en la práctica? ¿Por qué incluso el conteo mejor planificado no puede darnos una cifra absolutamente exacta? Y, lo más importante, ¿cómo vivir con este conocimiento? En este capítulo analizaremos el concepto de incertidumbre de los datos y consideraremos las principales fuentes de las que surge. Este es un capítulo clave para todo nuestro curso, porque comprender la incertidumbre es lo que distingue a un zoólogo profesional de un aficionado.
5.1. Qué es la incertidumbre de los datos
La incertidumbre de los datos es una característica que refleja el grado de nuestro desconocimiento del valor verdadero de la magnitud medida. No es un error en el sentido cotidiano de la palabra, no es un «fallo» del investigador ni un «defecto» del trabajo. Es una propiedad fundamental de toda medición, relacionada con la propia naturaleza del conocimiento científico. Como señalan los autores de un manual clásico de métodos ecológicos, el análisis estadístico nos permite atribuir un cierto nivel de confianza a nuestras conclusiones, pero no puede «probar» nada con absoluta precisión (Begon et al., 2014).
En el contexto de los conteos de abundancia, la incertidumbre significa que el número que obtenemos —por ejemplo, «600 mariposas»— no es la abundancia verdadera de la población. El valor verdadero nos es desconocido y, estrictamente hablando, incognoscible. Nuestra estimación es solo una aproximación, que puede ser más o menos precisa. Y nuestra tarea como investigadores no es aspirar a una precisión inalcanzable, sino cuantificar el grado de incertidumbre y presentarlo honestamente.
Pedigo (Pedigo, 2002) subraya que en cualquier programa de conteo tratamos con una muestra, no con un censo completo. Tomamos cierto número de muestras, mediciones o capturas que, esperamos, representan toda la población. Pero una muestra nunca puede ser perfectamente representativa. Siempre existe un error de muestreo: una desviación aleatoria de los datos muestrales respecto a las características verdaderas de la población. Es precisamente este error de muestreo el que subyace a la incertidumbre de nuestras estimaciones.
5.2. Fuentes de incertidumbre
La incertidumbre no surge de la nada. Se compone de varias fuentes interrelacionadas. Consideremos las más importantes.
Detectabilidad incompleta
Esta es, quizá, la fuente más fundamental de incertidumbre. Nunca podemos estar seguros de haber detectado todos los individuos de la especie que nos interesa en el territorio estudiado. Muchos animales llevan una vida críptica, son activos a determinadas horas del día o en determinadas estaciones, tienen coloración críptica o simplemente son demasiado pequeños para ser vistos. Como señalan Hauser y Riede (Hauser & Riede, 2015), la mayoría de las especies de insectos son especies «raras», representadas en las colecciones por ejemplares únicos. Pero esta «rareza» puede ser un artefacto: simplemente no sabemos dónde y cómo buscarlas.
La detectabilidad incompleta hace que nuestras estimaciones de abundancia estén sistemáticamente subestimadas. Siempre vemos menos de lo que hay en realidad. Y el grado de esta subestimación depende del método de conteo, las condiciones climáticas, la hora del día, la experiencia del observador y muchos otros factores. Por ejemplo, al contar mariposas en un transecto podemos pasar por alto individuos que están posados en la hierba o vuelan a gran altura. Al manganear, no contamos especies que viven en el suelo o dentro de los tallos. Al usar trampas de luz, podemos no detectar especies que no vuelan hacia la luz.
Begon y coautores (Begon et al., 2014) ilustran este problema con el ejemplo del conteo de roedores: si capturamos animales con trampas vivas, solo podemos atrapar a los que están activos en un momento y lugar determinados. El resto permanece desapercibido. Por eso, cualquier estimación de abundancia basada en capturas estará subestimada respecto a la abundancia verdadera.
Errores de identificación
La segunda fuente importante de incertidumbre son los errores al determinar la identidad específica de los individuos. Como subrayan Hauser y Riede (Hauser & Riede, 2015), muchas especies solo son distinguibles por detalles microscópicos, como la estructura de los genitales o el número de setas del cuerpo. Sin formación y equipo especiales, un investigador puede equivocarse fácilmente. Incluso los especialistas experimentados a veces cometen errores, especialmente al trabajar con especies «crípticas»: especies morfológicamente casi indistinguibles, pero reproductivamente aisladas.
Los errores de identificación pueden conducir tanto a una sobreestimación como a una subestimación. Si tomamos una especie por dos, sobreestimamos la riqueza de especies. Si tomamos dos especies por una, la subestimamos. Si identificamos mal a los individuos de una muestra, nuestras estimaciones de abundancia de especies concretas pueden distorsionarse gravemente.
Además, los errores de identificación pueden estar relacionados con diferencias en la cualificación de los observadores. Un investigador puede ser más experimentado que otro, y esto influye sistemáticamente en los resultados del conteo. Como señala Pedigo (Pedigo, 2002), en los programas de conteo de plagas a menudo se observa una variabilidad significativa entre distintos observadores, incluso si utilizan la misma metodología.
Variabilidad de las condiciones
La tercera fuente de incertidumbre es la variabilidad de las condiciones en las que se realiza el conteo. El clima, la temperatura, la humedad, la iluminación, la fase lunar, la hora del día, la estación: todos estos factores afectan la actividad de los animales y, por consiguiente, los resultados del conteo. Como señalan Hauser y Riede (Hauser & Riede, 2015), la eficacia de las trampas de luz depende en gran medida del clima y la fase lunar: en luna llena los insectos vuelan peor hacia la luz que en luna nueva. La eficacia del mangueo depende de la humedad de la vegetación: la hierba mojada no se puede manganear. La eficacia de las trampas de caída depende de la temperatura y la humedad del suelo.
La variabilidad de las condiciones hace que los resultados de conteos realizados en distintos momentos o lugares puedan ser incomparables. Por ejemplo, si comparamos la abundancia de insectos en dos parcelas, pero el conteo en la primera se realizó en un día soleado y en la segunda en un día nublado, no podemos estar seguros de que las diferencias de abundancia reflejen diferencias reales y no diferencias en las condiciones del conteo.
Begon y coautores (Begon et al., 2014) dan un ejemplo con el conteo de pulgones en plantas: si comparamos el número de pulgones por hoja en distintas fechas, debemos tener en cuenta que la planta crece y el número de hojas aumenta. Por eso, una disminución del número de pulgones por hoja puede estar relacionada no con una caída de la abundancia de la población, sino con un aumento de la superficie foliar.
Aleatoriedad y variabilidad espacial
La cuarta fuente de incertidumbre es la aleatoriedad y la variabilidad espacial. Las poblaciones animales se distribuyen de forma desigual en el espacio. Como ya hemos dicho, la mayoría de las poblaciones tienen una distribución agregada (clumped): los individuos se concentran en unos lugares y están ausentes en otros. Esto significa que distintas muestras tomadas incluso en la misma parcela pueden dar resultados completamente diferentes. Una muestra puede contener muchos individuos y otra, ninguno.
Shukla (Shukla, 2023) describe en detalle las fuentes de variabilidad espacial de las propiedades del suelo, y estos mismos principios son aplicables a los animales. La variabilidad puede ser sistemática (relacionada con gradientes ambientales, por ejemplo, humedad o tipo de suelo) y aleatoria (relacionada con factores impredecibles). La variabilidad sistemática puede tenerse en cuenta si conocemos su existencia y planificamos correctamente el muestreo. La variabilidad aleatoria no puede tenerse en cuenta, pero puede estimarse su contribución a la incertidumbre total.
Perry y Moens (Perry & Moens, 2013) señalan que la distribución espacial de los nematodos en el suelo se describe mediante una distribución binomial negativa, caracterizada por un coeficiente de agregación k. Cuanto menor es k, mayor es la agregación. Patrones similares se observan en muchos otros grupos de animales. Esto significa que para obtener una estimación fiable de la abundancia es necesario tomar muchas muestras y elegir correctamente su disposición espacial.
Errores de muestreo
Finalmente, otra fuente de incertidumbre son los errores de muestreo, relacionados con cómo elegimos los lugares y momentos para el conteo. Si elegimos los lugares no al azar, sino por comodidad (por ejemplo, junto a una carretera o al borde de un campo), podemos obtener una estimación sesgada. Como subraya Shukla (Shukla, 2023), la muestra debe ser representativa, es decir, cada parte del territorio estudiado debe tener la misma probabilidad de ser incluida en la muestra. Si no se cumple esta condición, no podemos extrapolar los resultados a todo el territorio.
Además, los errores de muestreo pueden estar relacionados con un tamaño de muestra insuficiente. Cuantas menos muestras tomemos, mayor será la incertidumbre de nuestra estimación. Como señala Pedigo (Pedigo, 2002), para obtener una estimación con una precisión dada se necesita un número determinado de muestras, que puede calcularse mediante una fórmula que tenga en cuenta la desviación estándar y la precisión deseada. Si tomamos demasiado pocas muestras, nuestra estimación será poco fiable.
5.3. Por qué la incertidumbre no es un «defecto», sino una característica inevitable de los datos
Puede surgir la tentación de considerar la incertidumbre como un defecto, como algo que debe eliminarse o minimizarse. Pero este es un enfoque incorrecto. La incertidumbre es una propiedad fundamental de cualquier dato sobre la naturaleza. No podemos eliminarla por completo, porque siempre tratamos con una muestra, no con un censo completo. Siempre estamos limitados en recursos, tiempo y posibilidades de observación. Siempre tratamos con organismos vivos que se comportan de manera impredecible.
Además, como señalan Begon y coautores (Begon et al., 2014), «la ecología no es una ciencia fácil, y posee una sutileza y complejidad especiales, en parte porque la ecología se enfrenta peculiarmente a la “unicidad”: millones de especies diferentes, innumerables miles de millones de individuos genéticamente distintos, todos viviendo e interactuando en un mundo diverso y en constante cambio». Es precisamente esta unicidad y complejidad lo que genera incertidumbre.
Por eso, el enfoque correcto no consiste en ignorar la incertidumbre o intentar ocultarla, sino en cuantificarla y presentarla honestamente. Como subraya Pedigo (Pedigo, 2002), «el análisis estadístico nos permite atribuir un nivel de confianza a nuestras conclusiones». Sin estimar la incertidumbre, nuestras conclusiones quedan en el aire: no sabemos cuánto se puede confiar en ellas.
5.4. Por qué la estimación de la incertidumbre es obligatoria para una interpretación correcta
Imaginemos que realizamos un conteo y obtuvimos una estimación de abundancia de 600 individuos. ¿Qué significa esto? Si no sabemos cuál es la incertidumbre de esta estimación, no podemos responder a esta pregunta. Una estimación de 600 ± 10 y una estimación de 600 ± 300 son resultados completamente distintos. En el primer caso, podemos estar bastante seguros de que la abundancia verdadera está cerca de 600. En el segundo caso, la abundancia verdadera puede estar en cualquier lugar del rango de 300 a 900, y nuestra estimación es casi inútil para decisiones prácticas.
Por eso la estimación de la incertidumbre no es una tarea «adicional», sino una etapa obligatoria de cualquier estudio cuantitativo. Sin ella no podemos:
- comparar distintas poblaciones o distintos años;
- evaluar la eficacia de las medidas de gestión de la abundancia;
- tomar decisiones fundamentadas sobre la necesidad de tratamientos;
- construir pronósticos fiables.
En los siguientes capítulos consideraremos herramientas concretas para estimar la incertidumbre: el error estándar, los intervalos de confianza y el coeficiente de variación. Pero lo principal que hay que asimilar ahora es que la incertidumbre no es un enemigo, sino un socio del investigador. Nos recuerda la modestia de nuestros conocimientos y la necesidad de prudencia en las conclusiones. Y saber trabajar con la incertidumbre es lo que hace que la ciencia sea ciencia.
6. Estimación de la incertidumbre
En el capítulo anterior establecimos que la incertidumbre es una característica inevitable de cualquier dato de abundancia. No podemos eliminarla, pero podemos y debemos cuantificarla. En este capítulo consideraremos las principales herramientas que permiten hacerlo: el error estándar, los intervalos de confianza y el coeficiente de variación. Estos conceptos constituyen la base de la alfabetización estadística del zoólogo y del agrónomo. Sin ellos, cualquier estimación de abundancia sigue siendo solo un número carente de significado científico.
6.1. Estimación puntual y estimación por intervalo
Antes de pasar a las herramientas concretas, es importante comprender la diferencia entre estimación puntual y estimación por intervalo. Una estimación puntual es un único número que obtenemos como resultado del conteo: por ejemplo, «la abundancia media fue de 17,8 individuos por muestra» o «el tamaño total de la población es de 600 individuos». Es información útil, pero incompleta. Nos dice aproximadamente dónde se encuentra el valor verdadero, pero no dice nada sobre cuánto podemos confiar en él.
Una estimación por intervalo es un rango de valores que, con una probabilidad determinada, contiene el valor verdadero. Por ejemplo, «el tamaño de la población es de 600 individuos con un intervalo de confianza del 95% de 356 a 844». Esto es mucho más informativo, porque muestra no solo nuestra mejor conjetura, sino también el grado de su incertidumbre.
Como señala Pedigo (Pedigo, 2002), en los programas de conteo de plagas siempre procuramos obtener no solo un valor medio, sino también una medida de su precisión. Sin esta medida, no podemos comparar distintos campos, distintos años o distintos métodos de tratamiento. Por eso el error estándar y los intervalos de confianza son componentes obligatorios de cualquier estudio cuantitativo.
6.2. Error estándar
El error estándar (standard error, SE) es una medida de cuánto puede diferir la media muestral de la media verdadera de la población. Se calcula como la desviación estándar dividida por la raíz cuadrada del número de observaciones:
donde s es la desviación estándar de la muestra, n es el número de observaciones (muestras, capturas, parcelas).
El error estándar es un indicador clave de la precisión de nuestra estimación. Cuanto menor es, más precisa es nuestra estimación. Y, lo que es importante, disminuye al aumentar el número de observaciones. Esto es intuitivamente comprensible: cuantas más muestras tomemos, más fiable se vuelve nuestra estimación. Como subraya Pedigo (Pedigo, 2002), el error estándar puede utilizarse como medida de la precisión de un programa de conteo, y podemos aumentar el número de muestras para mejorar esa precisión.
Pongamos un ejemplo concreto. Supongamos que tomamos 10 muestras y contamos el número de escarabajos de la patata en plantas de patata. El valor medio fue de 17,8 escarabajos por muestra, y la desviación estándar fue de 6,99. Entonces el error estándar es:
Esto significa que nuestra estimación de la media (17,8) tiene una incertidumbre de aproximadamente ±2,21 escarabajos. En otras palabras, el valor medio verdadero probablemente se encuentra en algún lugar del rango de 15,6 a 20,0 escarabajos por muestra.
Es importante entender que el error estándar no es un «error» en el sentido cotidiano. No es un fallo del investigador. Es una característica estadística que refleja la variabilidad natural de los datos y la limitación de nuestra muestra. Como señala Shukla (Shukla, 2023), el error estándar es una medida de variabilidad absoluta, y siempre debe presentarse junto con el valor medio.
6.3. Intervalos de confianza
El error estándar es un indicador útil, pero no el más intuitivo. Un intervalo de confianza (confidence interval, CI) es mucho más fácil de interpretar. Es un rango de valores que, con una probabilidad dada (normalmente del 95%), contiene el valor verdadero del parámetro.
Para calcular el intervalo de confianza del 95% utilizamos el error estándar y el coeficiente t (criterio de Student), que depende del número de observaciones y del nivel de confianza elegido:
donde x̄ es la media muestral, t es el valor del criterio de Student para los grados de libertad dados y el nivel de significación (normalmente 0,05), SE es el error estándar.
Volvamos a nuestro ejemplo con el escarabajo de la patata. Si tomamos 10 muestras, el número de grados de libertad es 9. Para un intervalo de confianza del 95%, el valor de t es aproximadamente 2,262. Entonces:
Así, el intervalo de confianza del 95% va de 12,8 a 22,8 escarabajos por muestra. Esto significa que si repitiéramos el estudio muchas veces, en el 95% de los casos el valor medio verdadero caería dentro de este rango.
Como subraya Shukla (Shukla, 2023), un intervalo de confianza no es simplemente «dispersión de los datos», sino un rango en el que se encuentra el valor verdadero con una probabilidad dada. Esta es una distinción sutil pero importante. El intervalo de confianza caracteriza la precisión de nuestra estimación, no la variabilidad de los propios datos.
La amplitud del intervalo de confianza depende de dos factores: la variabilidad de los datos (desviación estándar) y el tamaño de la muestra. Cuanto mayor es la variabilidad, más amplio es el intervalo. Cuanto mayor es la muestra, más estrecho es el intervalo. Esto significa que podemos mejorar la precisión de nuestra estimación aumentando el número de muestras, pero solo hasta cierto límite. Si los datos son muy variables, incluso una muestra grande puede dar un intervalo amplio.
6.4. Coeficiente de variación
Otra herramienta útil es el coeficiente de variación (coefficient of variation, CV). Se define como la relación entre la desviación estándar y el valor medio, normalmente expresada en porcentaje:
El coeficiente de variación es una medida de variabilidad relativa. A diferencia de la desviación estándar, que se expresa en las mismas unidades que los propios datos, el CV es una cantidad adimensional. Esto permite comparar la variabilidad de distintos rasgos o distintas poblaciones, incluso si se miden en unidades diferentes.
Shukla (Shukla, 2023) proporciona una escala para interpretar el CV, propuesta por Wilding (Wilding, 1985):
- CV < 15% — variabilidad baja;
- 15% < CV < 35% — variabilidad moderada;
- CV > 35% — variabilidad alta.
En los estudios zoológicos, la variabilidad alta es la norma, no la excepción. Por ejemplo, Shukla (Shukla, 2023) muestra que el coeficiente de variación de la conductividad hidráulica saturada del suelo puede superar el 100%. Para muchos grupos de animales, especialmente los insectos con su distribución agregada, el CV también supera a menudo el 50% e incluso el 100%. Esto significa que para obtener una estimación fiable de la abundancia es necesario tomar muchas muestras; de lo contrario, el intervalo de confianza será tan amplio que la estimación perderá valor práctico.
Perry y Moens (Perry & Moens, 2013) subrayan que, para los nematodos, que muestran una distribución agregada, el coeficiente de variación está estrechamente relacionado con el parámetro de agregación k de la distribución binomial negativa. Cuanto mayor es la agregación (cuanto menor es k), mayor es el CV, y más muestras se necesitan para alcanzar una precisión dada.
6.5. Por qué una estimación puntual sin medida de incertidumbre es poco informativa
Ahora podemos volver a la pregunta planteada al comienzo del capítulo: ¿por qué una estimación puntual sin medida de incertidumbre es poco informativa?
Imaginemos que realizamos un conteo y obtuvimos una estimación de abundancia de 600 individuos. Si no conocemos el error estándar o el intervalo de confianza, no podemos responder a las siguientes preguntas:
- ¿Cuán precisa es esta estimación?
- ¿Podemos compararla con la estimación obtenida el año pasado (por ejemplo, 550 individuos)?
- ¿Hay datos suficientes para decidir si es necesario un tratamiento?
- ¿Cuánto podemos confiar en esta estimación al construir un pronóstico?
Una estimación de 600 ± 10 y una estimación de 600 ± 300 son resultados completamente distintos. En el primer caso, podemos estar seguros de que la abundancia verdadera está cerca de 600. En el segundo caso, la abundancia verdadera puede estar en cualquier lugar del rango de 300 a 900, y nuestra estimación es casi inútil para decisiones prácticas.
Como subraya Pedigo (Pedigo, 2002), en los programas de conteo de plagas siempre debemos aspirar a un determinado nivel de precisión. Normalmente, para fines prácticos se considera aceptable un coeficiente de variación de alrededor del 25%, y para investigaciones científicas, de alrededor del 10%. Si nuestra estimación tiene CV = 100%, esto significa que no podemos distinguir cambios reales de abundancia de fluctuaciones aleatorias.
6.6. Por qué comparar dos estimaciones sin tener en cuenta la incertidumbre puede llevar a conclusiones falsas
Esta es, quizá, la conclusión práctica más importante de todo lo que hemos discutido. Supongamos que comparamos la abundancia de una plaga en dos campos y obtuvimos los siguientes resultados:
- Campo A: abundancia media 20 individuos por muestra, SE = 2;
- Campo B: abundancia media 25 individuos por muestra, SE = 2.
¿Podemos afirmar que en el campo B hay más plaga? A primera vista, sí: 25 > 20. Pero veamos los intervalos de confianza. Para el campo A: 20 ± 4 (aproximadamente), es decir, de 16 a 24. Para el campo B: 25 ± 4, es decir, de 21 a 29. Estos intervalos se superponen. Esto significa que las diferencias entre los campos pueden ser aleatorias y no sistemáticas. No podemos afirmar con seguridad que la abundancia en el campo B sea realmente mayor.
Ahora imaginemos una decisión práctica. Si el umbral económico es de 22 individuos por muestra, y en el campo A obtuvimos una estimación de 20, podemos decidir que no es necesario tratar. Pero si el valor verdadero en el campo A es 24 (lo cual es bastante posible dada la incertidumbre), cometemos un error al rechazar el tratamiento. Y a la inversa, si en el campo B obtuvimos una estimación de 25 y decidimos tratar, pero el valor verdadero es 21, realizamos un tratamiento innecesario, gastamos dinero y dañamos el medio ambiente.
Por eso comparar dos estimaciones sin tener en cuenta la incertidumbre puede llevar a conclusiones falsas. Como señalan Begon y coautores (Begon et al., 2014), el análisis estadístico nos permite atribuir un nivel de confianza a nuestras conclusiones, pero no puede «probar» nada con absoluta precisión. Y si ignoramos la incertidumbre, corremos el riesgo de tomar una decisión que resulte errónea.
6.7. Recomendaciones prácticas
De todo lo dicho se pueden formular varias recomendaciones prácticas para cualquier investigador que trabaje con datos de abundancia:
1. Presente siempre una medida de incertidumbre junto con la estimación puntual. Puede ser el error estándar, el intervalo de confianza o el coeficiente de variación.
2. Planifique el tamaño de la muestra con antelación. Como muestra Shukla (Shukla, 2023), el número de muestras necesario para alcanzar una precisión dada puede calcularse mediante una fórmula que tenga en cuenta la desviación estándar y la precisión deseada. No tome demasiado pocas muestras, pero tampoco desperdicie recursos en muestras excesivas.
3. Utilice intervalos de confianza para comparar. Si los intervalos de confianza de dos estimaciones se superponen, las diferencias entre ellas pueden ser aleatorias. Si no se superponen, las diferencias probablemente sean reales.
4. Tenga en cuenta el contexto. La significación estadística no es lo mismo que la significación biológica o económica. Una diferencia del 5% puede ser estadísticamente significativa pero no tener importancia práctica. Y a la inversa, una diferencia del 50% puede ser estadísticamente no significativa si la muestra es pequeña, pero muy importante desde el punto de vista práctico.
5. Sea prudente con las conclusiones. Como señalan Begon y coautores (Begon et al., 2014), la ecología es una ciencia que trata con la unicidad y la complejidad. Nuestras estimaciones son siempre aproximadas, y debemos reconocerlo honestamente.
7. Interpretación de los datos de abundancia
Hemos recorrido un largo camino: desde comprender por qué es necesario contar la abundancia, pasando por la descripción de los métodos de conteo y la comprensión de la inevitabilidad de la incertidumbre, hasta las herramientas para cuantificarla. Ahora llega, quizá, la etapa más importante: la interpretación de los datos. Es aquí donde los conceptos estadísticos abstractos se convierten en conclusiones prácticas, y los números en decisiones. Y es aquí donde acechan al investigador las trampas más graves.
En este capítulo analizaremos por qué la simple afirmación «la abundancia se duplicó» no siempre es una conclusión significativa, por qué los cambios pequeños pueden ser aleatorios y por qué para las decisiones prácticas es críticamente importante distinguir la significación estadística de la significación biológica (o práctica).
7.1. Por qué «la abundancia se duplicó» no siempre es una conclusión significativa
Imaginemos que contamos la abundancia de una plaga en un campo en junio y en julio. En junio, la abundancia media fue de 10 individuos por muestra, y en julio, de 20 individuos por muestra. A primera vista, la conclusión es obvia: la abundancia se duplicó. Pero veamos la incertidumbre de estas estimaciones.
Si el error estándar de la estimación de junio es ±2, y el de la de julio es ±5, entonces los intervalos de confianza serán los siguientes:
- Junio: 10 ± 4 (aproximadamente), es decir, de 6 a 14;
- Julio: 20 ± 10 (aproximadamente), es decir, de 10 a 30.
Estos intervalos se superponen en la región de 10 a 14. Esto significa que no podemos afirmar con seguridad que la abundancia realmente aumentó. Las diferencias entre 10 y 20 pueden ser aleatorias, por ejemplo, relacionadas con la distribución desigual de los individuos por el campo, con las condiciones climáticas del día del conteo o con errores de muestreo.
Como subrayan Begon y coautores (Begon et al., 2014), el análisis estadístico nos permite atribuir un nivel de confianza a nuestras conclusiones, pero no puede «probar» nada con absoluta precisión. Y si ignoramos la incertidumbre, corremos el riesgo de tomar el deseo por realidad.
Además, incluso si las diferencias son estadísticamente significativas, esto aún no significa que sean biológicamente significativas. Una diferencia entre 10 y 20 individuos por muestra puede ser estadísticamente fiable, pero si el umbral económico es de 50 individuos por muestra, ninguna de las dos abundancias requiere intervención. Y a la inversa, una diferencia entre 50 y 55 individuos puede ser estadísticamente no significativa, pero si estamos cerca del umbral, incluso un cambio pequeño puede ser decisivo.
7.2. Por qué es importante considerar los intervalos de confianza
Los intervalos de confianza no son solo una «formalidad estadística». Son una herramienta que nos permite tomar decisiones fundamentadas en condiciones de incertidumbre. Como ya dijimos en el capítulo anterior, un intervalo de confianza es un rango en el que el valor verdadero se encuentra con una probabilidad dada (normalmente del 95%).
Cuando comparamos dos estimaciones, debemos fijarnos no en los valores puntuales, sino en los intervalos de confianza. Si no se superponen, las diferencias probablemente sean reales. Si se superponen, las diferencias pueden ser aleatorias.
Pedigo (Pedigo, 2002) proporciona un criterio práctico para los programas de conteo de plagas: la variabilidad relativa (RV), que se calcula como la relación entre el error estándar y la media, expresada en porcentaje. Para fines prácticos se considera aceptable un RV de alrededor del 25%, y para investigaciones científicas, de alrededor del 10%. Si el RV supera estos valores, la estimación se considera insuficientemente precisa para tomar decisiones.
Esto significa que antes de comparar dos estimaciones, debemos asegurarnos de que ambas posean una precisión suficiente. Si una de ellas tiene RV = 50%, no podemos utilizarla para comparar: es demasiado poco fiable.
7.3. Por qué los cambios pequeños pueden ser aleatorios
En la naturaleza, las poblaciones nunca están en reposo. Su abundancia fluctúa constantemente bajo la influencia del clima, los depredadores, los parásitos, la disponibilidad de alimento y muchos otros factores. Como señala Sridhara (Sridhara, 2006), incluso en poblaciones estables se observan fluctuaciones estacionales y anuales de abundancia. Estas fluctuaciones pueden ser bastante significativas, y no siempre es fácil distinguirlas de cambios direccionales (tendencias).
Imaginemos que observamos una población de insectos durante varios años. En el primer año, la abundancia fue de 100 individuos; en el segundo, de 110; en el tercero, de 95; en el cuarto, de 105. ¿Es esto crecimiento o disminución? Lo más probable es que no. Son fluctuaciones aleatorias en torno a un nivel medio determinado.
Para afirmar que una población está creciendo o disminuyendo, necesitamos observar un cambio sostenido durante varios años, y ese cambio debe superar el rango habitual de fluctuaciones. Como subraya Sridhara (Sridhara, 2006), para identificar tendencias se necesitan estudios a largo plazo, no observaciones únicas.
Begon y coautores (Begon et al., 2014) dan un ejemplo con el monitoreo de la acidez de las precipitaciones en el bosque experimental de Hubbard Brook. Las observaciones durante varios años podían mostrar fluctuaciones bruscas, pero solo una serie de datos a largo plazo (más de 40 años) permitió identificar una tendencia sostenida de disminución de la acidez. De manera similar, para identificar tendencias en la abundancia de insectos se necesitan conteos estandarizados multianuales.
7.4. Significación estadística y biológica
Esta es, quizá, la distinción más importante que debe asimilar cualquiera que trabaje con datos cuantitativos en zoología y agronomía.
La significación estadística es la probabilidad de que las diferencias observadas no sean aleatorias. Normalmente se evalúa mediante el valor P: si P < 0,05, las diferencias se consideran estadísticamente significativas. Esto significa que si la hipótesis nula (de ausencia de diferencias) fuera verdadera, obtendríamos tales datos en menos del 5% de los casos.
La significación biológica es la cuestión de si las diferencias observadas tienen importancia para los organismos, el ecosistema o la actividad práctica. Una diferencia puede ser estadísticamente significativa pero biológicamente trivial. Y a la inversa, una diferencia puede ser biológicamente importante pero estadísticamente no significativa (por ejemplo, debido a una muestra pequeña).
Begon y coautores (Begon et al., 2014) discuten este problema en el contexto de los valores P. Señalan que P < 0,05 es un acuerdo convencional, no una verdad absoluta. Además, el valor P depende del tamaño de la muestra: con una muestra muy grande, incluso diferencias insignificantes pueden resultar estadísticamente significativas. Y a la inversa, con una muestra pequeña, incluso diferencias grandes pueden no alcanzar significación estadística.
Pongamos un ejemplo. Supongamos que comparamos la masa corporal media de dos poblaciones de ratones. En la población A, la masa media es de 25,0 g; en la población B, de 25,5 g. Si tomamos 10.000 ratones de cada población, la diferencia de 0,5 g puede resultar estadísticamente significativa (P < 0,001). Pero ¿tiene esta diferencia sentido biológico? Lo más probable es que no. Esta diferencia es demasiado pequeña para afectar la supervivencia, la reproducción o la interacción con otras especies.
Y a la inversa, supongamos que comparamos la supervivencia de dos grupos de insectos a distintas temperaturas. En el grupo A sobrevivió el 60% de los individuos; en el grupo B, el 40%. Si tomamos 10 individuos en cada grupo, la diferencia del 20% puede no alcanzar significación estadística (P > 0,05). Pero biológicamente esta diferencia puede ser muy importante: significa que la temperatura afecta la supervivencia, y esto puede tener consecuencias graves para la población.
Como señala Pedigo (Pedigo, 2002), en los programas de conteo de plagas siempre debemos tener en cuenta la significación económica, no solo la estadística. Una diferencia en la abundancia de una plaga puede ser estadísticamente significativa, pero si no alcanza el umbral económico, no requiere intervención. Y a la inversa, incluso una diferencia pequeña puede ser económicamente significativa si estamos cerca del umbral.
7.5. Aspectos prácticos de la interpretación
¿Cómo aplicar todos estos principios en la práctica? He aquí varias recomendaciones.
1. Mire siempre los intervalos de confianza, no solo las estimaciones puntuales. Si los intervalos de confianza de dos estimaciones se superponen, no saque conclusiones apresuradas sobre las diferencias. Quizá las diferencias sean aleatorias.
2. Tenga en cuenta el contexto. La significación estadística no es lo mismo que la significación práctica. Pregúntese: «¿Tiene esta diferencia importancia para mi tarea?». Si trabaja con plagas, compare la estimación con el umbral económico. Si trabaja con especies raras, piense en cómo el cambio observado afecta el riesgo de extinción.
3. Sea prudente con los cambios pequeños. En la naturaleza, las poblaciones fluctúan constantemente. Los cambios pequeños pueden ser aleatorios. Para afirmar que una población está creciendo o disminuyendo, hay que observar un cambio sostenido durante varios años, y ese cambio debe superar el rango habitual de fluctuaciones.
4. No confunda significación estadística y biológica. P < 0,05 no es un número mágico. Es solo un acuerdo convencional. Una diferencia puede ser estadísticamente significativa pero biológicamente trivial. Y a la inversa, una diferencia puede ser biológicamente importante pero estadísticamente no significativa debido a una muestra pequeña.
5. Planifique el estudio de modo que tenga potencia suficiente para detectar diferencias biológicamente significativas. Si quiere detectar una diferencia del 20%, necesita una muestra de un tamaño determinado. Si quiere detectar una diferencia del 5%, la muestra debe ser significativamente mayor. Como muestra Shukla (Shukla, 2023), el número de muestras puede calcularse con antelación a partir de la variabilidad esperada y la precisión deseada.
6. Sea honesto con la incertidumbre. No la oculte ni la minimice. Como subrayan Begon y coautores (Begon et al., 2014), «no se puede probar nada con la estadística». Solo se puede atribuir un nivel de confianza a las conclusiones. Y ese nivel de confianza debe presentarse honestamente.
7.6. Conclusión
La interpretación de los datos de abundancia es a la vez un arte y una ciencia. Es un arte porque requiere intuición, experiencia y comprensión de la biología de los organismos estudiados. Es una ciencia porque requiere un pensamiento estadístico riguroso y una estimación cuantitativa de la incertidumbre.
La conclusión principal de este capítulo puede formularse así: los números por sí solos no significan nada. El significado aparece solo cuando tenemos en cuenta la incertidumbre, el contexto y el objetivo del estudio. Una estimación de 600 individuos puede ser aceptable para una tarea y completamente insuficiente para otra. Una diferencia del 20% puede ser significativa en un contexto y trivial en otro.
Por eso la interpretación de los datos no es una aplicación mecánica de pruebas estadísticas, sino un análisis reflexivo que exige del investigador honestidad, prudencia y comprensión de las limitaciones de sus datos. Como escribió uno de los clásicos de la ecología, «debemos aspirar a la simplicidad, pero no confiar en ella» (Whitehead, citado en Begon et al., 2014). Este principio es perfectamente aplicable a la interpretación de los datos de abundancia.
8. Umbrales económicos de daño y conteos
A lo largo de los capítulos anteriores hemos hablado de cómo contar la abundancia, cómo estimar la incertidumbre y cómo interpretar los datos. Pero para un agrónomo o un especialista en protección de plantas, todas estas construcciones teóricas tienen un objetivo práctico muy concreto: tomar la decisión sobre la necesidad de un tratamiento. Es aquí donde entra en escena el concepto de umbral económico de daño. Y es aquí donde un conteo correcto de la abundancia se convierte no en un ejercicio abstracto, sino en la base de acciones reales de las que dependen la cosecha, el beneficio y el estado del medio ambiente.
En este capítulo recordaremos brevemente qué es el umbral económico y analizaremos en detalle por qué un conteo correcto de la abundancia es su fundamento, y por qué los errores en el conteo conducen a tratamientos injustificados o a pérdidas de cosecha.
8.1. Qué es el umbral económico de daño
El umbral económico de daño (economic threshold, ET) es la densidad de población de una plaga a la que es necesario tomar medidas de protección para evitar alcanzar el nivel económico de daño (economic injury level, EIL). A su vez, el EIL es la densidad de la plaga a la que el costo de las pérdidas de cosecha es igual al costo de las medidas de protección (Pedigo, 2002; Albajes & Madeira, 2019).
Formalmente, el EIL puede expresarse mediante la siguiente fórmula:
donde:
- C — costo de las medidas de protección por unidad de superficie;
- V — valor de mercado de una unidad de producto;
- D — pérdida de cosecha por individuo de la plaga;
- K — eficacia de la medida de protección (proporción de la población que será destruida).
El umbral económico (ET) suele establecerse por debajo del EIL, porque entre el momento de tomar la decisión y el momento en que el tratamiento comienza a actuar pasa tiempo, y la población alcanza a crecer. Así, el ET es la densidad a la que hay que empezar a actuar para no permitir que se alcance el EIL.
Como subraya Pedigo (Pedigo, 2002), el concepto de EIL y ET se desarrolló como medio para un uso más racional de los insecticidas. Su idea principal es simple: no toda abundancia de una plaga requiere intervención. Si las pérdidas causadas por la plaga son menores que el costo del tratamiento, no es necesario tratar. Esto permite ahorrar recursos, reducir la carga de pesticidas sobre el medio ambiente y conservar a los enemigos naturales de la plaga.
8.2. Por qué un conteo correcto de la abundancia es la base para aplicar umbrales económicos
El umbral económico es un número. Por ejemplo, para el escarabajo de la patata en patata, el ET puede ser de 10 larvas por planta; para los pulgones en cereales, de 5 pulgones por espiga; para la chinche de las gramíneas en trigo, de 2 chinches por metro cuadrado. Pero para comparar la abundancia real de la plaga con este número, necesitamos medir esa abundancia. Y aquí volvemos a donde empezamos: al conteo.
Como señala Pedigo (Pedigo, 2002), la base de cualquier programa de MIP es el monitoreo: el conteo regular de la abundancia de plagas. Sin monitoreo es imposible determinar si la población ha alcanzado el umbral económico. Además, sin un conteo correcto es imposible incluso establecer el propio umbral: para ello se necesitan datos multianuales sobre la relación entre la abundancia de la plaga y las pérdidas de cosecha.
Norris (Norris, 2011) subraya que el uso de umbrales económicos presupone que existe una densidad de plaga que puede tolerarse, y que el control solo es necesario cuando la población supera esa densidad. Esto significa que debemos conocer esa densidad. Y solo se puede conocer mediante el conteo.
Así, el conteo de la abundancia no es simplemente «recolección de datos». Es la base para la toma de decisiones. Los errores en el conteo conducen a errores en las decisiones, y los errores en las decisiones tienen consecuencias económicas y ambientales.
8.3. Errores en el conteo y sus consecuencias
Consideremos dos tipos de errores que pueden surgir al contar la abundancia de una plaga: la subestimación y la sobreestimación de la estimación.
La subestimación significa que subestimamos la abundancia real de la plaga. Esto puede ocurrir si utilizamos un método que captura mal a la especie (por ejemplo, el mangueo es ineficaz para especies que viven en el suelo), o si tomamos demasiado pocas muestras, o si las condiciones climáticas del día del conteo fueron desfavorables para la actividad de la plaga.
Las consecuencias de la subestimación son evidentes: podemos decidir que la abundancia está por debajo del ET y rechazar el tratamiento. Pero si la abundancia real ya ha superado el ET, corremos el riesgo de perder parte de la cosecha. Como señala Pedigo (Pedigo, 2002), un tratamiento tardío es menos eficaz y requiere mayores costos, y las pérdidas de cosecha pueden ser significativas.
La sobreestimación significa que sobreestimamos la abundancia real de la plaga. Esto puede ocurrir si utilizamos un método demasiado sensible, o si tomamos muestras en lugares donde se concentra la plaga (¡distribución agregada!), o si identificamos mal a los individuos.
Las consecuencias de la sobreestimación también son graves: podemos realizar un tratamiento donde no es necesario. Esto significa costos injustificados en pesticidas y maquinaria, carga innecesaria de pesticidas sobre el medio ambiente y destrucción de los enemigos naturales de la plaga, lo que puede conducir a brotes secundarios de abundancia de la plaga en el futuro (Pedigo, 2002).
Como subraya Pedigo (Pedigo, 2002), una de las razones por las que el uso de insecticidas en Estados Unidos aumentó 10 veces entre 1950 y 1985, mientras que la proporción de cosecha perdida por insectos en el mismo período se duplicó (del 7% al 13%), fue el uso incorrecto de insecticidas, incluidos tratamientos sin fundamento suficiente. Este es un ejemplo claro de a dónde conducen los errores en el conteo y en la toma de decisiones.
8.4. Cómo tener en cuenta la incertidumbre al tomar decisiones
Ya hemos dicho que toda estimación de abundancia contiene incertidumbre. ¿Cómo tomar decisiones en condiciones de incertidumbre? La respuesta es simple: tener en cuenta esa incertidumbre.
Albajes y Madeira (Albajes & Madeira, 2019) señalan que el uso del ET no es una comparación mecánica de un número con un umbral. Es una decisión probabilística. Si nuestra estimación de abundancia es de 8 individuos por muestra con ET = 10, pero el error estándar es 3, entonces el intervalo de confianza va de 2 a 14. Esto significa que la abundancia verdadera puede estar tanto por debajo como por encima del umbral. En tal situación, la decisión no es obvia.
Además, como señalan Albajes y Madeira (Albajes & Madeira, 2019), distintos niveles de pérdidas pueden estar asociados a probabilidades de su ocurrencia. Esto significa que debemos tomar decisiones basadas en el riesgo, y no en cálculos deterministas. Si el riesgo de pérdida de cosecha es alto y el costo del tratamiento es relativamente bajo, podemos tratar incluso con una abundancia por debajo del ET. Si el riesgo es bajo y el costo del tratamiento es alto, podemos abstenernos de tratar incluso con una abundancia cercana al ET.
Este enfoque exige del agrónomo no solo conocer la biología de la plaga, sino también comprender la estadística. Debe saber estimar la incertidumbre, calcular intervalos de confianza e interpretarlos en el contexto de las decisiones económicas.
8.5. Estandarización de los conteos para aplicar el ET
Para que los umbrales económicos funcionen, los conteos deben estar estandarizados. Esto significa que la metodología de conteo debe ser la misma en todos los campos y en todos los años. Si cambiamos el método de conteo, no podemos comparar los resultados con el umbral, porque el umbral fue establecido para un método concreto.
Pedigo (Pedigo, 2002) da un ejemplo con el barrenador europeo del maíz. Para esta plaga se desarrollaron tablas de grados-día, que permiten predecir las fechas de aparición de las distintas etapas de desarrollo. A partir de estas predicciones se determinan las fechas de conteo, y los resultados del conteo se comparan con el umbral económico. Si la metodología de conteo no estuviera estandarizada, estas tablas serían inútiles.
Además, como subraya Pedigo (Pedigo, 2002), la estandarización de los conteos es la base del monitoreo multianual. Solo si utilizamos la misma metodología año tras año podemos identificar tendencias en la abundancia de la plaga y corregir los umbrales teniendo en cuenta las condiciones cambiantes.
8.6. Umbrales dinámicos y enfoques modernos
El ET clásico es un número fijo. Sin embargo, en la realidad el umbral puede cambiar según la etapa de desarrollo de la planta, las condiciones climáticas, el valor de la producción y otros factores. Como señalan Albajes y Madeira (Albajes & Madeira, 2019), en algunos casos se requieren modelos más complejos y umbrales dinámicos que tengan en cuenta estos factores.
Por ejemplo, en las primeras etapas de desarrollo de la planta, esta puede compensar los daños, y el umbral puede ser más alto. En etapas más tardías, cuando se forma la cosecha, el umbral puede ser más bajo. De manera similar, si se espera una estación seca, la planta puede ser más vulnerable a los daños, y el umbral debe ser más bajo.
Los sistemas modernos de apoyo a la toma de decisiones (DSS) integran datos sobre el clima, la fenología de la planta, la abundancia de la plaga y los indicadores económicos para emitir recomendaciones dinámicas. Sin embargo, como señalan Albajes y Madeira (Albajes & Madeira, 2019), tales sistemas requieren años de investigación de campo y una modelización compleja. No sustituyen el principio básico: un conteo correcto de la abundancia es la base de cualquier decisión.
8.7. Conclusión
El umbral económico de daño es un puente entre la ciencia y la práctica. Es un número que le dice al agrónomo: «Aquí hay que empezar a actuar». Pero este número solo tiene sentido si podemos medir de forma fiable la abundancia de la plaga.
Un conteo correcto de la abundancia no es simplemente «recolección de datos». Es la base para:
- Decisiones económicas: tratar o no tratar, y cuándo exactamente;
- Decisiones ecológicas: conservar o destruir a los enemigos naturales;
- Monitoreo multianual: identificar tendencias y corregir estrategias.
Los errores en el conteo conducen a tratamientos injustificados o a pérdidas de cosecha. La incertidumbre en el conteo exige un enfoque probabilístico para la toma de decisiones. Y solo la estandarización de los conteos permite utilizar los umbrales económicos de manera eficaz.
Como subraya Pedigo (Pedigo, 2002), «el objetivo principal del MIP es tomar decisiones basadas en el conocimiento, y no en suposiciones». Y este conocimiento comienza con un conteo correcto de la abundancia.
9. Conteos de plagas y entomófagos
Hasta ahora hemos considerado los conteos de abundancia en general, sin distinguir entre grupos de animales. Sin embargo, en la práctica, el conteo de plagas y el conteo de sus enemigos naturales —los entomófagos— tiene una serie de particularidades importantes. Estas particularidades están relacionadas con la biología de los propios organismos, su distribución en el espacio y el papel que desempeñan en el agroecosistema. Comprender estas particularidades es necesario para organizar correctamente el monitoreo e interpretar sus resultados.
En este capítulo veremos en qué se diferencia el conteo de plagas del conteo de entomófagos, qué problemas específicos surgen en cada caso y por qué comprender la incertidumbre es especialmente importante al trabajar con estos grupos.
9.1. Particularidades del conteo de plagas
Plagas son, por regla general, especies que a una densidad determinada causan daños económicamente significativos a los cultivos agrícolas. Su conteo tiene una serie de rasgos característicos.
Alta variabilidad de la abundancia. Las poblaciones de plagas pueden cambiar muy rápidamente. Como señala Pedigo (Pedigo, 2002), el crecimiento poblacional de los insectos es potencialmente alto: las hembras ponen cientos de huevos y el tiempo de generación es corto. Incluso con una mortalidad del 90%, la abundancia puede crecer muy rápidamente. Esto significa que los intervalos entre conteos deben ser cortos para no perder el momento crítico en que se alcanza el umbral económico. A diferencia, por ejemplo, de los conteos de grandes mamíferos, donde la población cambia lentamente, el conteo de plagas requiere observaciones repetidas frecuentes durante la estación.
Distribución agregada. Ya hemos mencionado repetidamente que la mayoría de las poblaciones animales tienen una distribución agregada (clumped). Para las plagas esto es especialmente característico. Como señala Pedigo (Pedigo, 2002), el tipo más común de distribución espacial de los insectos es precisamente la agregada (clumped, contagious, aggregated). Esto significa que los individuos se concentran en unos lugares (por ejemplo, en el borde del campo, cerca de la fuente de infestación, en determinadas plantas) y están ausentes en otros. Perry y Moens (Perry & Moens, 2013) describen esto mediante una distribución binomial negativa con un parámetro de agregación k. Cuanto menor es k, mayor es la agregación.
La distribución agregada crea graves problemas para el conteo. Si tomamos una muestra, podemos caer en un agregado y obtener una estimación sobreestimada. O podemos caer en un lugar vacío y obtener una estimación subestimada. Para obtener una estimación fiable de la densidad media, es necesario tomar muchas muestras y elegir correctamente su disposición espacial. Como subraya Pedigo (Pedigo, 2002), con una distribución agregada, el número de muestras necesario para alcanzar una precisión dada aumenta bruscamente. Por eso los programas de conteo de plagas suelen recomendar tomar al menos 5 muestras por parcela, y a menudo muchas más (por ejemplo, 20–30 muestras para algunas plagas).
Dinámica estacional. Las poblaciones de plagas pasan por ciclos estacionales regulares: invernación, salida de diapausa, reproducción, desarrollo larvario, pupación, aparición de una nueva generación. Como señala Pedigo (Pedigo, 2002), para muchas plagas se han desarrollado modelos fenológicos (por ejemplo, basados en grados-día) que permiten predecir las fechas de aparición de las distintas etapas. Esto significa que el conteo debe estar sincronizado con determinadas fases del desarrollo de la plaga y del cultivo. El conteo de adultos puede ser inútil si las larvas causan el daño, y viceversa.
Necesidad de contar distintas etapas. Para distintas plagas, la etapa dañina puede ser el huevo, la larva, la ninfa o el adulto. Por ejemplo, en el escarabajo de la patata dañan tanto las larvas como los adultos; en muchas rosquillas, solo las orugas; en los pulgones, tanto las ninfas como los adultos. Como señala Pedigo (Pedigo, 2002), en los programas de conteo de plagas a menudo hay que contar varias etapas simultáneamente o elegir la etapa más vulnerable a las medidas de protección. Esto complica tanto el conteo como la interpretación de sus resultados.
9.2. Particularidades del conteo de entomófagos
Entomófagos son los enemigos naturales de las plagas: depredadores, parasitoides y patógenos. Su conteo tiene una especificidad propia, relacionada con su biología y su papel en el agroecosistema.
Abundancia baja. Los entomófagos, por regla general, son menos numerosos que sus presas. Esta es una regla ecológica fundamental: en cada nivel trófico, la biomasa y la abundancia disminuyen. Como señala Pedigo (Pedigo, 2002), los depredadores y parasitoides suelen encontrarse en niveles tróficos superiores, y su abundancia es órdenes de magnitud inferior a la de las plagas. Esto significa que los métodos de conteo estándar desarrollados para plagas pueden no funcionar para los entomófagos: simplemente podemos no capturar suficientes individuos para obtener una estimación fiable.
Dificultad de detección. Muchos entomófagos llevan una vida críptica. Los parasitoides se desarrollan dentro de sus hospedadores, y su presencia solo puede detectarse por signos indirectos (por ejemplo, por cambios en el comportamiento o la coloración del hospedador, por la presencia de exuvias larvarias o pupas del parasitoide). Como señalan Gullan y Cranston (Gullan & Cranston, 2014), los parasitoides pueden ser ecto- o endoparasitoides, y su detección a menudo requiere disección de laboratorio de los hospedadores o su crianza hasta la emergencia de los adultos. Esto hace que el conteo de parasitoides sea mucho más laborioso que el de sus hospedadores.
Necesidad de evaluar la eficacia. Para los entomófagos no basta con contar su abundancia. Como subraya Pedigo (Pedigo, 2002), es importante evaluar su eficacia: qué proporción de la población de la plaga destruyen. La eficacia depende no solo de la abundancia del entomófago, sino también de su capacidad de búsqueda, su tasa de reproducción, la sincronización de su ciclo vital con el del hospedador y muchos otros factores. La evaluación de la eficacia requiere experimentos especiales (por ejemplo, exclusión de entomófagos con mallas o insecticidas) y modelización, no simplemente contar individuos.
Distintos métodos para distintos grupos. Los depredadores, parasitoides y patógenos requieren distintos métodos de conteo. Los depredadores (por ejemplo, carábidos, arañas, mariquitas) pueden contarse con trampas de caída, mangueo u observaciones visuales. Los parasitoides, mediante crianza de hospedadores, trampas de feromonas o examen visual de plantas en busca de hospedadores momificados. Los patógenos, mediante microscopía o métodos moleculares. Como señala Pedigo (Pedigo, 2002), no existe un método universal único para el conteo de entomófagos.
9.3. Por qué comprender la incertidumbre es especialmente importante al trabajar con plagas y entomófagos
Ya hemos dicho que toda estimación de abundancia contiene incertidumbre. Pero al trabajar con plagas y entomófagos, esta incertidumbre adquiere especial importancia por varias razones.
Alta variabilidad espacial. La distribución agregada de plagas y entomófagos hace que el coeficiente de variación de la abundancia pueda ser muy alto. Como señala Shukla (Shukla, 2023), para muchas propiedades del suelo el CV supera el 35%, y a veces el 100%. Para insectos con distribución agregada, el CV también puede ser muy alto. Esto significa que los intervalos de confianza de las estimaciones serán amplios, y no podremos distinguir de forma fiable los cambios reales de abundancia de las fluctuaciones aleatorias.
Alta variabilidad temporal. Las poblaciones de plagas y entomófagos cambian rápidamente. Como señala Pedigo (Pedigo, 2002), los intervalos entre conteos deben ser cortos para seguir estos cambios. Pero cuanto más corto es el intervalo, menos tiempo hay para recolectar datos, y mayor es la incertidumbre de cada estimación individual. Esto crea un conflicto entre la frecuencia de los conteos y su precisión.
Consecuencias prácticas de los errores. Los errores en el conteo de plagas y entomófagos tienen consecuencias económicas y ambientales directas. Si subestimamos la abundancia de la plaga, podemos perder el momento en que se alcanza el umbral económico y perder la cosecha. Si sobreestimamos la abundancia, podemos realizar un tratamiento innecesario, gastar dinero y dañar el medio ambiente. Si evaluamos incorrectamente la eficacia de los entomófagos, podemos tomar una decisión equivocada sobre la necesidad de tratamientos adicionales. Como subraya Pedigo (Pedigo, 2002), «el principio básico de todos los sistemas de gestión de plagas es conservar a los enemigos naturales en el sistema». Pero para conservarlos hay que saber contarlos y evaluar su contribución a la regulación de la abundancia de la plaga.
Complejidad de las interacciones. Las plagas y los entomófagos están conectados por complejas interacciones tróficas. Como señala Pedigo (Pedigo, 2002), en el agroecosistema existe una compleja red trófica en la que las plagas, sus enemigos naturales, competidores y patógenos interactúan entre sí. Contar solo un grupo (por ejemplo, solo la plaga) sin contar otros (por ejemplo, los entomófagos) puede dar una imagen distorsionada. Por ejemplo, si la abundancia de la plaga es alta, pero la abundancia del entomófago también es alta, entonces después de algún tiempo la plaga puede ser suprimida sin intervención humana. Si no contamos al entomófago, podemos decidir tratar, lo que destruirá al entomófago y conducirá a un brote secundario de la plaga.
9.4. Recomendaciones prácticas
De todo lo dicho se pueden formular varias recomendaciones prácticas para el conteo de plagas y entomófagos.
1. Utilice métodos estandarizados. Para cada plaga y entomófago deben desarrollarse métodos de conteo estándar que se utilicen año tras año y en todos los campos. Esto permite comparar datos e identificar tendencias.
2. Tome suficientes muestras. Dada la distribución agregada, el número de muestras debe ser suficiente para obtener una estimación con precisión aceptable. Como señala Pedigo (Pedigo, 2002), para fines prácticos se considera aceptable un RV de alrededor del 25%, y para fines científicos, de alrededor del 10%. Calcule de antemano el número necesario de muestras.
3. Cuente varias etapas y grupos. Para las plagas es importante contar la etapa dañina; para los entomófagos, evaluar no solo la abundancia sino también la eficacia. En lo posible, cuente simultáneamente la plaga y el entomófago para evaluar su proporción.
4. Utilice una combinación de métodos. Como señalan Hauser y Riede (Hauser & Riede, 2015), ningún método es universal. Para obtener una imagen completa, utilice una combinación de métodos: observaciones visuales, trampas, mangueo, crianza de hospedadores.
5. Estime la incertidumbre. Calcule siempre el error estándar, los intervalos de confianza y el coeficiente de variación. Sin esto no podrá distinguir cambios reales de fluctuaciones aleatorias.
6. Tome decisiones teniendo en cuenta el riesgo. Como señalan Albajes y Madeira (Albajes & Madeira, 2019), la decisión de tratar es una decisión probabilística. Tenga en cuenta la incertidumbre de la estimación, el costo del tratamiento y el riesgo de pérdida de cosecha.
9.5. Conclusión
El conteo de plagas y entomófagos es una tarea compleja que requiere no solo conocer la biología de estos organismos, sino también comprender los principios estadísticos. La alta variabilidad de la abundancia, la distribución agregada, la dinámica estacional, la baja abundancia de los entomófagos y la dificultad de detectarlos: todo esto crea un alto nivel de incertidumbre que debe cuantificarse y tenerse en cuenta al tomar decisiones.
Por eso comprender la incertidumbre es especialmente importante al trabajar con plagas y entomófagos. Permite:
- evitar conclusiones apresuradas sobre la necesidad de un tratamiento;
- interpretar correctamente los resultados del monitoreo;
- evaluar la eficacia de los enemigos naturales;
- tomar decisiones económica y ecológicamente fundamentadas.
Como subraya Pedigo (Pedigo, 2002), «el conocimiento es la base de la gestión». Y este conocimiento comienza con un conteo correcto, que siempre va acompañado de la evaluación de su incertidumbre.
10. Monitoreo: conteos repetidos y tendencias
A lo largo de los capítulos anteriores hemos hablado del conteo de abundancia como un acto único: elegimos un método, tomamos muestras, obtenemos una estimación y evaluamos su incertidumbre. Pero en la ciencia y la práctica reales, un conteo único es solo un punto de partida. Un papel mucho más importante lo desempeñan los conteos repetidos, que permiten seguir los cambios de abundancia a lo largo del tiempo. Es precisamente esta idea la que subyace al monitoreo: la observación sistemática del estado de las poblaciones.
En este capítulo analizaremos qué es el monitoreo, por qué un conteo único no proporciona información sobre la dinámica, por qué para identificar tendencias se necesitan conteos repetidos estandarizados y por qué cambiar la metodología hace que los datos no sean comparables.
10.1. Qué es el monitoreo
El monitoreo es un sistema de observaciones regulares y repetidas del estado de un objeto (en nuestro caso, una población animal) con el objetivo de identificar cambios y establecer tendencias. Como señala Pedigo (Pedigo, 2002), el monitoreo es la base de cualquier programa de manejo integrado de plagas. Sin monitoreo es imposible determinar si la población de la plaga ha alcanzado el umbral económico, y es imposible evaluar la eficacia de las medidas tomadas.
El monitoreo se diferencia de un conteo único por tres características clave:
1. Regularidad: las observaciones se realizan a intervalos de tiempo determinados (diarios, semanales, anuales).
2. Estandarización: la metodología de recolección de datos permanece inalterada durante todo el período de observación.
3. Duración: el período de observación debe ser suficiente para identificar tendencias, y no solo fluctuaciones aleatorias.
Como subrayan Begon y coautores (Begon et al., 2014), son precisamente los estudios a largo plazo los que permiten distinguir cambios direccionales (tendencias) de fluctuaciones aleatorias. Dan un ejemplo con el monitoreo de la acidez de las precipitaciones en el bosque experimental de Hubbard Brook, donde las observaciones se realizan desde principios de la década de 1960. Solo gracias a una larga serie de datos se pudo identificar una tendencia sostenida de disminución de la acidez, que habría pasado desapercibida al analizar períodos cortos.
10.2. Por qué un conteo único no proporciona información sobre la dinámica
Imaginemos que realizamos un conteo de abundancia de un insecto en un campo y obtuvimos una estimación de 100 individuos por muestra. ¿Qué podemos decir sobre el estado de la población? Prácticamente nada. No sabemos:
- si la abundancia era mayor o menor el año pasado;
- si la población está creciendo o disminuyendo;
- si se encuentra cerca del umbral económico;
- si este valor es típico del hábitat dado o aleatorio.
Un conteo único es una instantánea, una fotografía momentánea. Nos dice qué ocurre aquí y ahora, pero no dice nada sobre las tendencias. Como señala Sridhara (Sridhara, 2006), las poblaciones animales nunca están en reposo. Su abundancia fluctúa constantemente bajo la influencia del clima, los depredadores, los parásitos, la disponibilidad de alimento y otros factores. Para comprender si el valor observado forma parte del rango normal de fluctuaciones o es una desviación, se necesitan observaciones repetidas.
Además, como subraya Pedigo (Pedigo, 2002), para identificar tendencias es necesario no solo repetir los conteos, sino hacerlo en las mismas fases del ciclo vital del organismo. Por ejemplo, si contamos la abundancia de una plaga en junio de un año y en agosto de otro, no podemos comparar estos datos, porque la abundancia cambia naturalmente durante la estación. Para una comparación correcta, los conteos deben realizarse en las mismas fechas fenológicas.
10.3. La estandarización: piedra angular del monitoreo
Si queremos identificar tendencias, debemos estar seguros de que los cambios en nuestros datos reflejan cambios en la población, y no cambios en la metodología. Esto significa que el monitoreo requiere una estandarización estricta de todos los aspectos del conteo.
¿Qué debe estandarizarse?
1. Método de conteo. Si en el primer año utilizamos mangueo y en el segundo trampas de caída, no podemos comparar los resultados. Distintos métodos tienen distinta eficacia para distintos grupos y condiciones. Como señalan Hauser y Riede (Hauser & Riede, 2015), ningún método es universal, y distintos métodos dan distintos resultados. Por eso, para el monitoreo es necesario elegir un método y utilizarlo durante todo el período de observación.
2. Unidad de esfuerzo. Si manganemos 100 pases de red en un año y 50 en otro, no podemos comparar los resultados. Es necesario fijar la unidad de esfuerzo: número de pases, número de trampas, número de muestras, tiempo de observación. Como señala Pedigo (Pedigo, 2002), la estandarización del esfuerzo es una condición obligatoria para la comparabilidad de los datos.
3. Disposición espacial de las muestras. Si tomamos muestras en distintos lugares en distintos años, no podemos distinguir los cambios de abundancia de la variabilidad espacial. Como subraya Shukla (Shukla, 2023), la variabilidad espacial puede ser muy alta, y distintas partes del mismo campo pueden diferir mucho en abundancia. Por eso, para el monitoreo es necesario utilizar rutas fijas o una red fija de muestras que permanezcan inalteradas de año en año.
4. Momento del conteo. Si realizamos los conteos a distintas horas del día o en distintas estaciones, no podemos comparar los resultados. Como señalan Hauser y Riede (Hauser & Riede, 2015), la actividad de muchos insectos depende de la hora del día y de las condiciones climáticas. Por eso, para el monitoreo es necesario estandarizar la hora del día, la estación y, en lo posible, las condiciones climáticas (por ejemplo, no realizar conteos con lluvia o viento fuerte).
5. Cualificación del observador. Si los conteos los realizan distintas personas, los resultados pueden diferir debido a distinta experiencia y distinta eficacia. Como señala Pedigo (Pedigo, 2002), en los programas de conteo de plagas a menudo se observa una variabilidad significativa entre distintos observadores. Por eso, para el monitoreo es deseable que los conteos los realice la misma persona o, al menos, que todos los observadores hayan recibido una formación estandarizada.
6. Identificación. Si identificamos mal las especies, nuestros datos contendrán errores. Como subrayan Hauser y Riede (Hauser & Riede, 2015), muchas especies solo son distinguibles por detalles microscópicos, y los errores de identificación pueden ser significativos. Para el monitoreo es necesario utilizar claves de identificación estandarizadas y, en lo posible, verificación de ejemplares de referencia por especialistas.
10.4. Identificación de tendencias: el problema del ruido
Incluso si hemos estandarizado todos los aspectos del registro, ante nosotros se alza un problema fundamental: ¿cómo distinguir una tendencia del ruido? Las poblaciones animales fluctúan constantemente, y estas fluctuaciones pueden ser bastante significativas. Como señala Sridhara (Sridhara, 2006), en la naturaleza se observan ciclos estacionales, anuales y multianuales de abundancia, que pueden enmascarar cambios direccionales.
Imaginemos que observamos una población durante cinco años y obtenemos las siguientes estimaciones de abundancia: 100, 120, 90, 110, 105. ¿Es esto un crecimiento? ¿Una disminución? ¿O son simplemente fluctuaciones aleatorias en torno a un valor medio de alrededor de 105? La respuesta depende de la magnitud de las fluctuaciones aleatorias y de la duración de las observaciones.
Como subrayan Begon y coautores (Begon et al., 2014), para identificar tendencias se necesitan series largas de datos. Citan el ejemplo del monitoreo de la abundancia de aves en el Reino Unido, donde solo gracias a décadas de observaciones se lograron identificar tendencias sostenidas de disminución de la abundancia de muchas especies. De manera análoga, para identificar tendencias en la abundancia de insectos se necesitan registros estandarizados de muchos años.
Estadísticamente, la tarea de identificar una tendencia se reduce a comprobar la hipótesis de la existencia de una relación significativa entre el tiempo y la abundancia. Para ello se utilizan métodos de análisis de regresión y análisis de series temporales. Sin embargo, como señala Shukla (Shukla, 2023), estos métodos requieren series de datos suficientemente largas y tener en cuenta la autocorrelación (la relación entre observaciones sucesivas). Si los datos están autocorrelacionados, los métodos estándar de regresión pueden dar conclusiones falsas sobre la existencia de una tendencia.
Además, es importante distinguir la significación estadística de la biológica de una tendencia. Como discutimos en el séptimo capítulo, una tendencia puede ser estadísticamente significativa pero biológicamente trivial. Y a la inversa, una tendencia puede ser biológicamente importante pero estadísticamente no significativa debido a una muestra pequeña o a una serie corta de observaciones.
10.5. Por qué cambiar los métodos hace que los datos sean incomparables
Esta es, quizá, la regla práctica más importante del monitoreo: nunca cambie la metodología de registro en medio del período de observaciones. Si lo hace, perderá la posibilidad de comparar los datos antes y después del cambio.
¿Por qué? Porque los diferentes métodos tienen diferente eficacia. Como señalan Hauser y Riede (Hauser & Riede, 2015), las trampas de luz atraen a unas especies pero no a otras; el segado es eficaz para unos grupos pero no para otros; las trampas de suelo capturan a unos animales pero no a otros. Si se pasa de un método a otro, se cambia la probabilidad de detección de las diferentes especies, y los datos se vuelven incomparables.
Pongamos un ejemplo. Supongamos que se monitorea la abundancia de mariposas en un transecto durante cinco años. En los primeros tres años se registraron todas las mariposas que se veían. En el cuarto año se decidió utilizar prismáticos más potentes para distinguir mejor las especies. Como resultado, se empezaron a registrar más individuos, porque se les veía mejor. Pero esto no significa que la abundancia de mariposas haya aumentado: significa que cambió la eficacia del registro. Los datos del cuarto y quinto año son incomparables con los de los tres primeros.
De manera análoga, si se pasa de un tipo de trampa a otro, de un número de muestras a otro, de una hora del día a otra, se cambia la eficacia del registro y se pierde la comparabilidad de los datos.
Como subraya Pedigo (Pedigo, 2002), en los programas de monitoreo de plagas la estandarización de la metodología es una condición obligatoria. Si la metodología cambia, todos los datos anteriores se vuelven inútiles para identificar tendencias. Precisamente por ello los programas internacionales de monitoreo (por ejemplo, los programas de monitoreo de aves o mariposas) exigen el estricto cumplimiento de un protocolo único en todos los sitios y en todos los años.
10.6. Recomendaciones prácticas para organizar el monitoreo
De todo lo dicho se pueden formular varias recomendaciones prácticas.
1. Defina el objetivo del monitoreo. ¿Qué quiere averiguar? ¿Seguir la abundancia de una plaga concreta? ¿Evaluar la eficacia de los enemigos naturales? ¿Identificar tendencias multianuales? Del objetivo depende la elección del método, la frecuencia de los registros y la duración de las observaciones.
2. Elija un método y estandarícelo. El método debe ser:
- Adecuado para el grupo estudiado;
- Reproducible (el mismo método puede aplicarse en diferentes años);
- Económicamente aceptable (el monitoreo es un proceso prolongado, y los costes deben ser sostenibles).
3. Fije la unidad de esfuerzo. Determine cuántas muestras, pases de red, trampas o tiempo utilizará en cada registro. Este valor debe permanecer invariable.
4. Elija puntos o rutas fijos. Si es posible, utilice los mismos puntos o rutas de año en año. Esto permitirá distinguir los cambios de abundancia de la variabilidad espacial.
5. Estandarice el momento del registro. Realice los registros a la misma hora del día, en la misma estación, en condiciones meteorológicas similares.
6. Capacite a los observadores. Si los registros los realizan personas diferentes, asegúrese de que utilizan la misma metodología y tienen un nivel de preparación similar.
7. Lleve documentación. Anote todos los detalles: fecha, hora, lugar, condiciones meteorológicas, método, número de muestras, nombre del observador. Esto permitirá en el futuro comprobar la comparabilidad de los datos.
8. Evalúe la incertidumbre. Para cada registro calcule el error estándar, el intervalo de confianza y el coeficiente de variación. Esto permitirá distinguir los cambios reales de las fluctuaciones aleatorias.
9. Sea paciente. Para identificar tendencias se necesitan años y, a veces, décadas de observaciones. No saque conclusiones precipitadas basadas en series cortas de datos.
10.7. Conclusión
El monitoreo no es simplemente registros repetidos. Es un sistema que requiere un diseño meditado, una estricta estandarización y un compromiso a largo plazo. Un registro único nos da una fotografía, pero solo los registros repetidos permiten ver una película: la dinámica de la población a lo largo del tiempo.
Como subrayan Begon y coautores (Begon et al., 2014), «muchos estudios ecológicos resultan más cortos de lo necesario para responder a la pregunta planteada, debido a debilidades humanas: los estudios prolongados cuestan más y exigen mayor dedicación, y a menudo la financiación a corto plazo, una comunidad científica impaciente y las exigencias de progreso profesional obligan a los científicos a publicar resultados antes de lo que sería conveniente». Precisamente por ello los programas de monitoreo a largo plazo son una contribución especialmente valiosa a la ciencia.
Para el agrónomo, el monitoreo es la base de la toma de decisiones. Sin datos multianuales sobre la abundancia de plagas es imposible establecer umbrales económicos, evaluar la eficacia de las medidas de protección y predecir explosiones demográficas. Como subraya Pedigo (Pedigo, 2002), «el conocimiento es la base de la gestión». Y este conocimiento se acumula precisamente mediante el monitoreo.
11. Importancia para la agrosfera
Hemos recorrido un largo camino. Comenzamos con la pregunta «¿para qué es necesario registrar la abundancia?», analizamos los métodos de registro, tomamos conciencia de la inevitabilidad de la incertidumbre, aprendimos a evaluarla e interpretar los datos. Ahora ha llegado el momento de responder a la pregunta principal: ¿por qué todo esto es importante para la agrosfera? ¿Por qué el agrónomo, y no solo el zoólogo profesional, necesita comprender los principios del registro de la abundancia, el muestreo y la incertidumbre de los datos?
La respuesta es simple: porque cualquier decisión sobre la protección de plantas es una decisión basada en datos sobre la abundancia. ¿Tratar o no tratar el campo? ¿Qué preparado elegir? ¿Cuándo realizar el tratamiento? Todas estas cuestiones no pueden resolverse sin información cuantitativa sobre la abundancia de la plaga y de sus enemigos naturales. Y si esta información se recoge incorrectamente o se interpreta sin tener en cuenta la incertidumbre, las decisiones pueden resultar erróneas, y las consecuencias, económica y ecológicamente significativas.
En este capítulo final examinaremos cuatro aspectos clave de la importancia de nuestro curso para la agrosfera:
1. El registro correcto como base para la toma de decisiones sobre la protección de plantas.
2. La comprensión de la incertidumbre como forma de evitar conclusiones precipitadas.
3. La estandarización de los registros como base del monitoreo multianual.
4. La actitud crítica hacia los datos como base del profesionalismo.
11.1. El registro correcto: base para la toma de decisiones sobre la protección de plantas
La protección moderna de plantas es impensable sin el concepto de protección integrada de plantas (Integrated Pest Management, IPM). Como subraya Norris (Norris, 2011), el IPM es un sistema que utiliza una combinación de métodos biológicos, culturales, físicos, genéticos, conductuales y químicos para controlar las plagas de forma ecológica y económicamente justificada. Pero el elemento central del IPM es el monitoreo: el registro regular de la abundancia de las plagas y de sus enemigos naturales.
Pedigo (Pedigo, 2002) lo formula de manera aún más directa: «El objetivo principal del IPM es tomar decisiones basadas en el conocimiento, y no en suposiciones». Y este conocimiento comienza con un registro correcto de la abundancia. Sin registro no podemos:
- Determinar si la población de la plaga ha alcanzado el umbral económico de daño (ET);
- Evaluar la eficacia de las medidas realizadas;
- Predecir la probabilidad de una explosión demográfica;
- Tomar una decisión sobre la necesidad y los momentos del tratamiento.
Como discutimos en el octavo capítulo, el umbral económico es una frontera numérica que separa las situaciones que requieren intervención de aquellas en las que no se necesita intervención. Pero para comparar la abundancia real con ese umbral, es necesario medirla. Y aquí nos enfrentamos a todos los problemas que analizamos: detección incompleta, distribución agregada, errores de identificación y variabilidad de las condiciones.
El registro correcto no es simplemente «recogida de datos». Es un proceso sistemático que requiere:
- La elección correcta del método para la plaga y el cultivo concretos;
- Un número suficiente de muestras para alcanzar una precisión aceptable;
- La estandarización del esfuerzo y de la disposición espacial de las muestras;
- La correcta identificación de las especies;
- La evaluación de la incertidumbre de los resultados obtenidos.
Como subraya Pedigo (Pedigo, 2002), para la mayoría de las plagas se han desarrollado métodos estándar de registro y tablas de toma de decisiones que permiten al agrónomo evaluar rápidamente la abundancia y compararla con el umbral económico. Por ejemplo, para el gorgojo de la alfalfa (Hypera postica) el método estándar de registro incluye la recolección de 30 tallos de alfalfa, su agitación sobre un cubo y el conteo de las larvas. El resultado se compara con una tabla que tiene en cuenta la altura de las plantas y el número de larvas por tallo, y sobre esta base se toma la decisión sobre la necesidad de tratamiento o de siega. Tal estandarización permite tomar decisiones fundamentadas rápidamente y con costes mínimos.
Así, el registro correcto es el fundamento sobre el que se construye todo el sistema de protección de plantas. Los errores en el registro conducen a errores en las decisiones, y los errores en las decisiones tienen consecuencias económicas y ecológicas.
11.2. La comprensión de la incertidumbre: forma de evitar conclusiones precipitadas
Ya hemos subrayado repetidamente que cualquier estimación de la abundancia contiene incertidumbre. Y para el agrónomo no es un concepto estadístico abstracto, sino una herramienta práctica que ayuda a evitar decisiones precipitadas y erróneas.
Imaginemos una situación. El agrónomo realiza un registro de la abundancia de una plaga en el campo y obtiene una estimación de 12 individuos por muestra. El umbral económico para esta plaga es de 10 individuos por muestra. A primera vista, la conclusión parece obvia: hay que tratar. Pero ¿y si el error estándar de la estimación es de ±4? Entonces el intervalo de confianza va de 8 a 16 individuos. Esto significa que la abundancia real puede estar por debajo del umbral (8 < 10), y el tratamiento puede no ser necesario. O puede estar por encima del umbral (16 > 10), y el tratamiento ser necesario. En tal situación la decisión no es evidente.
Como señalan Albajes y Madeira (Albajes & Madeira, 2019), el uso de umbrales económicos es una decisión probabilística. Diferentes niveles de pérdidas están asociados a probabilidades de que ocurran, y el agrónomo debe tomar decisiones basadas en el riesgo, y no en cálculos deterministas. Si el riesgo de pérdida de cosecha es alto y el coste del tratamiento es relativamente bajo, se puede tratar incluso con una abundancia por debajo del umbral. Si el riesgo es bajo y el coste del tratamiento es alto, se puede prescindir del tratamiento incluso con una abundancia cercana al umbral.
La comprensión de la incertidumbre ayuda a evitar dos tipos de errores:
1. Tratar donde no es necesario: esto conduce a gastos injustificados, a una carga de pesticidas sobre el medio ambiente y a la destrucción de los enemigos naturales de la plaga.
2. No tratar donde es necesario: esto conduce a pérdidas de cosecha que pueden superar significativamente el coste del tratamiento.
Como discutimos en el séptimo capítulo, la significación estadística no es lo mismo que la significación biológica o económica. Una diferencia de abundancia puede ser estadísticamente significativa pero no tener importancia práctica. Y a la inversa, una diferencia puede ser biológicamente importante pero estadísticamente no significativa debido a una muestra pequeña. La comprensión de la incertidumbre permite al agrónomo interpretar correctamente los datos y tomar decisiones que sean económica y ecológicamente justificadas.
Es más, como señala Pedigo (Pedigo, 2002), para fines prácticos se considera aceptable un coeficiente de variación (CV) de alrededor del 25%, y para investigaciones científicas, de alrededor del 10%. Si el CV supera estos valores, la estimación se considera insuficientemente precisa para la toma de decisiones. Esto significa que el agrónomo no debe simplemente obtener un número, sino también evaluar su fiabilidad. Si la fiabilidad es insuficiente, es necesario aumentar el número de muestras o cambiar el método de registro.
Así, la comprensión de la incertidumbre no es una tarea «adicional», sino un elemento obligatorio del trabajo profesional del agrónomo. Ayuda a evitar conclusiones precipitadas y a tomar decisiones que maximicen el beneficio y minimicen los riesgos.
11.3. La estandarización de los registros: base del monitoreo multianual
Ya hablamos de la estandarización en el décimo capítulo. Aquí subrayaremos su importancia precisamente para la agrosfera.
La agricultura es un proyecto a largo plazo. Los campos se cultivan año tras año, las rotaciones de cultivos se repiten, las plagas regresan. Para comprender la dinámica de las poblaciones de plagas y entomófagos se necesita un monitoreo multianual. Y para el monitoreo se necesita estandarización.
Como subraya Pedigo (Pedigo, 2002), la estandarización de los registros es la base del monitoreo multianual. Solo si utilizamos la misma metodología año tras año podemos identificar tendencias en la abundancia de la plaga y corregir los umbrales teniendo en cuenta las condiciones cambiantes. Si la metodología cambia, los datos se vuelven incomparables y perdemos la posibilidad de ver el cuadro a largo plazo.
Pongamos un ejemplo. Supongamos que durante cinco años el agrónomo registró la abundancia de pulgones en trigo mediante segado. En el sexto año decidió pasar al registro con trampas de platos amarillos, porque son más eficaces para los pulgones. Los resultados del sexto año mostrarán más pulgones que los de años anteriores. Pero esto no significa que la abundancia de pulgones haya aumentado: significa que cambió la eficacia del registro. Los datos del sexto año son incomparables con los de años anteriores, y el agrónomo no puede identificar una tendencia.
De manera análoga, si el agrónomo cambia el número de muestras, la hora del registro, la disposición espacial de las muestras o el observador, cambia la eficacia del registro y pierde la comparabilidad de los datos. Precisamente por ello los programas internacionales de monitoreo exigen el estricto cumplimiento de un protocolo único en todos los sitios y en todos los años.
Para la agrosfera esto significa que la estandarización de los registros no es una formalidad burocrática, sino una condición necesaria para:
- Identificar tendencias multianuales de la abundancia de plagas;
- Evaluar la eficacia de las medidas de protección;
- Predecir explosiones demográficas;
- Corregir los umbrales económicos teniendo en cuenta las condiciones cambiantes.
Como subrayan Begon y coautores (Begon et al., 2014), los estudios prolongados cuestan caro y exigen dedicación, pero precisamente ellos proporcionan la información más valiosa sobre la dinámica de las poblaciones. Para el agrónomo esto significa que las inversiones en un monitoreo multianual estandarizado se amortizan gracias a decisiones mejor fundamentadas y a la reducción de pérdidas.
11.4. La actitud crítica hacia los datos: base del profesionalismo
Y, finalmente, el último, pero quizá el más importante aspecto. Todo lo que hemos discutido en este curso —métodos de registro, incertidumbre, intervalos de confianza, estandarización— se reduce a una cosa: la actitud crítica hacia los datos.
El profesional se diferencia del aficionado no solo por el conocimiento de los métodos, sino también por la comprensión de sus limitaciones. Sabe que:
- Cualquier estimación contiene incertidumbre;
- No todas las diferencias son significativas;
- No todos los datos son comparables;
- No todas las conclusiones están justificadas.
Como subrayan Begon y coautores (Begon et al., 2014), «la ecología no es una ciencia fácil, y posee una sutileza y complejidad especiales». Esta complejidad se manifiesta en que siempre tenemos que ver con organismos únicos, hábitats únicos y condiciones únicas. Y nuestras estimaciones son siempre aproximadas.
Para el agrónomo, la actitud crítica hacia los datos significa:
- No tomar decisiones basadas en un solo número sin evaluar su incertidumbre;
- No comparar datos obtenidos con métodos diferentes o en condiciones diferentes;
- No sacar conclusiones sobre tendencias basadas en series cortas de datos;
- No ignorar la incertidumbre al tomar decisiones;
- No sobreestimar la precisión de nuestras estimaciones.
Como señala Pedigo (Pedigo, 2002), «el análisis estadístico nos permite asignar un nivel de confianza a nuestras conclusiones, pero no puede demostrar nada con absoluta precisión». Esto significa que siempre debemos ser modestos en nuestras conclusiones y cautelosos en nuestras decisiones.
La actitud crítica hacia los datos es también una posición ética. Debemos presentar honestamente la incertidumbre, no ocultarla ni minimizarla. Debemos reconocer las limitaciones de nuestros datos y no sacar conclusiones que estos datos no apoyan. Debemos estar dispuestos a revisar nuestras conclusiones cuando aparezcan nuevos datos.
Para la agrosfera esto significa que el profesional no simplemente «sigue instrucciones», sino que comprende por qué existen esas instrucciones y puede adaptarlas a condiciones concretas. Sabe que el umbral económico no es un dogma, sino una referencia que puede corregirse teniendo en cuenta las condiciones locales. Sabe que el método de registro no es un ritual, sino una herramienta que tiene sus limitaciones. Sabe que los datos no son la verdad, sino una aproximación a la verdad.
11.5. Conclusión
Hemos recorrido el camino desde la comprensión de para qué es necesario registrar la abundancia, pasando por la descripción de los métodos de registro y la toma de conciencia de la inevitabilidad de la incertidumbre, hasta las herramientas para evaluarla y los principios para interpretar los datos. Hemos visto que el registro de la abundancia no es simplemente un conteo, sino un proceso complejo que requiere:
- Conocimiento de la biología de los organismos estudiados;
- Comprensión de los principios estadísticos;
- Capacidad de evaluar la incertidumbre;
- Capacidad de tomar decisiones en condiciones de riesgo.
Para la agrosfera, todo esto tiene una importancia directa y cotidiana. El registro correcto es la base para la toma de decisiones sobre la protección de plantas. La comprensión de la incertidumbre es una forma de evitar conclusiones precipitadas. La estandarización es la base del monitoreo multianual. La actitud crítica hacia los datos es la base del profesionalismo.
Como subraya Pedigo (Pedigo, 2002), «el conocimiento es la base de la gestión». Y este conocimiento comienza con un registro correcto, que siempre va acompañado de la evaluación de su incertidumbre. Esperamos que este curso les haya dado no solo conocimientos sobre los métodos de registro, sino también comprensión de cómo aplicar estos conocimientos en el trabajo real, y una actitud crítica hacia los datos, que distingue al verdadero profesional.
Referencias
- Albajes, Ramon, Madeira, Filipe (2019). ‘Integrated Pest Management’, in Crop Science. New York, NY: Springer New York, 309-344. doi: 10.1007/978-1-4939-8621-7_164
- Been, T.H., Schomaker, C.H., Teklu, M.G. (2024). ‘Distribution Patterns and Sampling’, in Plant Nematology. GB: CABI, 380-414. doi: 10.1079/9781800622456.0012
- Begon, Michael, Howarth, R.W., Townsend, C.R. (2014). ‘Birth, death, and movement’, in Essentials of Ecology. Hoboken, NJ: John Wiley & Sons, pp. 123-153.
- Begon, Michael, Howarth, R.W., Townsend, C.R. (2014). ‘Ecology and how to do it’, in Essentials of Ecology. Hoboken, NJ: John Wiley & Sons, pp. 3-27.
- Begon, Michael, Howarth, R.W., Townsend, C.R. (2014). ‘From populations to communities’, in Essentials of Ecology. Hoboken, NJ: John Wiley & Sons, pp. 245-281.
- Gullan, P.J., Cranston, P.S. (2014). ‘Insect predation and parasitism’, in The Insects. An Outline of Entomology. West Sussex, UK: John Wiley & Sons, pp. 354-376.
- Gullan, P.J., Cranston, P.S. (2014). ‘Pest management’, in The Insects. An Outline of Entomology. West Sussex, UK: John Wiley & Sons, pp. 418-456.
- Häuser, C.L., Riede, K. (2015). ‘Field methods for inventorying insects’, in Descriptive Taxonomy. : Cambridge University Press, 190-213. doi: 10.1017/CBO9781139028004.021
- McGavin, G.C., Davranoglou, L. (2022). ‘Fieldwork’, in Essential Entomology. Cambridge, UK: Oxford University Press, pp. 277-302.
- Norris, R.F. (2011). ‘Integrated Pest Management’, in Simberloff, Daniel, Rejmánek, Marcel (ed.) Encyclopedia of Biological Invasions. Berkeley and Los Angeles, California: University of California Press, pp. 353-355.
- Pedigo, L.P. (2002). ‘Insect ecology’, in Entomology and Pest Management. New Jersey: Prentice Hall, pp. 175-210.
- Pedigo, L.P. (2002). ‘Introduction’, in Entomology and Pest Management. New Jersey: Prentice Hall, pp. 1-34.
- Pedigo, L.P. (2002). ‘Management with natural enemies and other biological agents’, in Entomology and Pest Management. New Jersey: Prentice Hall, pp. 313-346.
- Pedigo, L.P. (2002). ‘Surveillance and sampling’, in Entomology and Pest Management. New Jersey: Prentice Hall, pp. 211-254.
- Shukla, M.K. (2023). ‘Sampling Concepts and Designs’, in Soil Physics. An Introduction. Boca Raton, FL: CRC Press, pp. 55-68.
- Shukla, M.K. (2023). ‘Spatial Variability of Vadose Zone Properties’, in Soil Physics. An Introduction. Boca Raton, FL: CRC Press, pp. 69-88.
- Sridhara, Shakunthala (2006). ‘Principles of Population Ecology and Vertebrate Pest Management’, in Sridhara, Shakunthala (ed.) Vertebrate Pests in Agriculture. Jodhpur, India: Scientific Publishers, pp. 1-26.
- Sridhara, Shakunthala, Dubey, O.P. (2006). ‘Rodent Pest Management in Cultivated Crops of India’, in Sridhara, Shakunthala (ed.) Vertebrate Pests in Agriculture. Jodhpur, India: Scientific Publishers, pp. 115-172.
- Wendroth, Ole, Koszinski, Sylvia, Vasquez, Vicente (2012). ‘Soil Spatial Variability’, in Huang, P.Ming, Li, Yuncong, Sumner, M.E. (ed.) Handbook of Soil Sciences Properties and Processes. Boca Raton, FL: CRC Press, pp. 10-1:10-25.
- vanKeulen, H., Asseng, Senthold (2019). ‘Simulation Models as Tools for Crop Management’, in Crop Science. New York, NY: Springer New York, 433-452. doi: 10.1007/978-1-4939-8621-7_1047


