En Escuela de Ciencias del Mar realizan curso sobre patrones espaciales de recursos pesqueros

La capacitación es dirigida a científicos, profesionales y estudiantes de postgrado del área de las ciencias ecológicas, pesqueras, epidemiología o estadística aplicada, siendo el foco principal los modelos espaciales que están conectados con la variable temporal.

18.01.2017

Durante años la geoestadística clásica ha sido la herramienta utilizada para el análisis espacial por ser rápida y relativamente sencilla de aplicar, sin embargo, ésta no permite de manera natural la incorporación de otras co-variables temporales o ambientales.

Al respecto, se propone un nuevo método para resolver algunos problemas mediante inferencia Bayesiana, en donde las evidencias u observaciones se emplean para inferir la probabilidad de que una hipótesis pueda ser cierta, denominándose como INLA (por sus siglas en Inglés, Integrated Nested Laplace Aproximation). Esta aproximación es computacionalmente más eficiente en resolver algunos problemas en comparación a los métodos ya establecidos.

Para conocer más acerca de sus conceptos y aplicaciones, se está dictando en la Escuela de Ciencias del Mar el curso "Modelos espaciales usando R-INLA", el que está dirigido a científicos, profesionales y estudiantes de postgrado del área de las ciencias ecológicas, pesqueras, epidemiología o estadística aplicada, siendo el foco principal los modelos espaciales que están conectados con la variable temporal.

La actividad es una iniciativa del Laboratorio de Tecnología Pesquera (TECPES) de la Pontificia Universidad Católica de Valparaíso (PUCV) y del Centro de Ecología Aplicada y Sustentabilidad (CAPES) de la Universidad Católica de Chile (PUC), instituciones que se vincularon para la ejecución de las evaluaciones directas de langostino amarillo y langostino colorado entre la II y VIII regiones (2014 – 2016).

Según el Dr. Dante Queirolo, académico de la PUCV, en dichos estudios se encontraron con algunas limitaciones en el análisis de la información, principalmente por los patrones de distribución que presentan los langostinos, sumado a la incapacidad para explicar las variaciones interanuales de las densidades.

“Tradicionalmente se utiliza geoestadística clásica para estimaciones de densidad de recursos pesqueros, sin embargo, en el caso de los langostinos encontramos algunos problemas que exigían buscar alternativas, por lo que se acordó explorar otros modelos espaciales basados en estadística Bayesiana lo cual está siendo usado en pesquerías con resultados bastante promisorios”, agregó el investigador.

Aparte de estimar la abundancia de un recurso para luego hacer recomendaciones de cuotas de captura, con la aplicación de este modelo se puede mapear donde se encuentran los recursos que son bajos en talla, así lo indicó el Dr. Rodrigo Wiff (CAPES), relator del curso, quien agregó que “sabiendo esta información se puede tener claridad de las zonas donde es posible realizar la pesca, lo que permite la sustentabilidad del área”.

INLA, además de ser aplicable a cualquier área disciplinar, también se caracteriza por su rapidez, lo que permite la eficiencia computacional. “Hay modelos que pueden tardar días en estimar un parámetro, pero con esta aproximación no porque no hay muestreo”, afirmó el Dr. (c) Fredy López, también relator del curso, quien a modo de ejemplo comentó que en un trabajo reciente hicieron una estimación que tardaba entre 22 y 23 horas por modelo, pero con INLA cada uno no demoró más de 20 minutos.

Para que los asistentes al curso puedan tener una visión más general de los modelos espaciales, se consideró también un módulo de geoestadística intrínseca y de geoestadística basada en verosimilitud, el cual es impartido por el Dr. Jorge Paramo de la Universidad del Magdalena-Colombia, quien ha colaborado estos años en el análisis de las distribuciones espaciales de langostinos en Chile.

El curso -que se inició el martes 17 y se extenderá hasta el viernes 20- tendrá 30 horas cronológicas de duración en las cuales los participantes aprenderán a implementar modelos espacio-temporales en R-INLA, interpretar sus salidas y también reconocer algunos aspectos teóricos de geoestadística con inferencia Bayesiana. 

Por Mirta Barramuño

Escuela de Ciencias del Mar