Metodología
Metodología
Esta metodología describe un enfoque integrado para estimar la densidad de fauna en bosques tropicales mediante el uso de (1) transectos lineales curvos, (2) distance sampling basado en detecciones visuales y (3) conteo de huellas utilizando el método Formozov–Malyshev–Pereleshin (FMP), complementado con datos independientes de cacería. El diseño está orientado a maximizar detectabilidad en sistemas con baja visibilidad y bajas tasas de encuentro, manteniendo rigor estadístico y viabilidad operativa en campo.
Preparación y diseño de transectos curvos
Diseño de muestreo
Los transectos se establecen siguiendo un diseño aleatorio o sistemático con inicio aleatorio, con el objetivo de garantizar independencia respecto a la distribución espacial de los animales. Este principio es fundamental para permitir la extrapolación de estimaciones de densidad desde el área muestreada hacia el área de estudio.
Los transectos deben:
- Cubrir una representación adecuada de hábitats presentes
- Estar suficientemente separados para asegurar independencia (e.g., ≥ 2 km)
- Tener longitudes suficientes para acumular detecciones (e.g., 2–10 km)
- Evitar el uso de caminos preexistentes (senderos, carreteras), que pueden sesgar la distribución de fauna
Transectos curvos
En bosques tropicales densos, los transectos rara vez pueden implementarse como líneas rectas debido a obstáculos como:
- cuerpos de agua
- pantanos
- vegetación densa
- topografía compleja
Por lo tanto, se emplean transectos curvos, definidos como trayectorias que se desvían localmente de una línea recta ideal para:
- mejorar la seguridad del equipo
- reducir costos de apertura
- mantener eficiencia en el recorrido
Estos desvíos deben:
- ser suaves (evitar giros abruptos)
- mantener la orientación general del transecto
- no seguir sistemáticamente características del paisaje
Marcaje y georreferenciación
- Los transectos se marcan a intervalos regulares (e.g., cada 50–100 m)
- Se registra la geometría completa del transecto (GPS o shapefile)
- Se recomienda almacenar los transectos como objetos espaciales (
sf)
Consideraciones críticas
Independencia ecológica:
Las curvas no deben correlacionarse con la densidad animal (e.g., evitar seguir ríos si estos concentran fauna).
Efecto de atracción o evasión:
Los transectos deben ser limpiados mínimamente para evitar alterar el comportamiento animal.
Estimación de densidad mediante distance sampling
Fundamento teórico
El distance sampling en transectos lineales estima la densidad a partir de la probabilidad de detección decreciente con la distancia al transecto. Este enfoque corrige la detectabilidad imperfecta mediante la estimación de una función de detección.
Supuestos
Para obtener estimaciones no sesgadas, se deben cumplir los siguientes supuestos:
- Todos los objetos sobre el transecto son detectados
- Los objetos son detectados en su posición inicial
- Las distancias y ángulos se miden sin error sistemático
- Los transectos son independientes de la distribución de los objetos
- La probabilidad de detección disminuye con la distancia
Recolección de datos
Durante los recorridos:
- Los transectos se recorren a velocidad constante (e.g., 1–2 km/h)
- Se realizan múltiples repeticiones (e.g., ≥ 2–3 por mes por transecto)
- Se deja un intervalo entre repeticiones (e.g., ≥ 5 días)
Para cada detección visual se registra:
- Distancia radial al objeto (( r ))
- Ángulo respecto al transecto (( ))
- Tamaño de grupo
- Tipo de detección (visual, auditiva)
- Ubicación sobre el transecto
La distancia perpendicular se calcula como:
\[ x = r \cdot \sin(\theta) \]
Truncamiento y agrupación
- Se define una distancia de truncamiento ( w ) para excluir observaciones lejanas
- Las distancias pueden agruparse en intervalos para reducir error de medición
Modelado de la función de detección
Se ajustan funciones de detección como:
- half-normal
- hazard-rate
El ajuste se realiza utilizando software estadístico (e.g., paquete Distance en R).
La selección de modelos se basa en:
- AIC
- inspección visual
- pruebas de bondad de ajuste
- coeficiente de variación
Ajustes para transectos curvos
Para evitar sesgos en transectos curvos:
- Se utiliza la distancia mínima al transecto real, no a una línea recta ideal
- Se corrige el área cubierta
El área cubierta se define como:
\[ A = L \cdot 2w \]
donde ( L ) debe ajustarse para transectos curvos:
\[ L_{ajustado} = \frac{\text{Área del buffer}}{2w} \]
El buffer se calcula espacialmente a partir del transecto.
Fuentes de sesgo
- Ignorar la curvatura → subestimación o sobreestimación de densidad
- Errores en medición de distancia → afectan fuertemente la función de detección
- Distancias de truncamiento pequeñas → amplifican errores
Estimación de densidad mediante huellas (método FMP)
Fundamento del método
El método Formozov–Malyshev–Pereleshin (FMP) estima densidad a partir de huellas detectadas en transectos, integrando:
- número de detecciones
- distancia recorrida
- movimiento diario de los animales
La densidad se calcula como:
\[ D = \frac{2x}{S \cdot \hat{M}} \]
donde:
- ( x ): número de huellas detectadas
- ( S ): longitud total recorrida (transecto × repeticiones)
- ( ): distancia diaria promedio
Recolección de datos
Las huellas se registran bajo criterios estrictos:
- Dentro de una banda definida (e.g., ≤ 1 m del transecto)
- Solo huellas recientes (e.g., ≤ 24 horas)
- Identificación taxonómica precisa
Se registra:
- especie
- ubicación
- número de individuos o grupos
Parámetros de movimiento
Las distancias diarias:
- Se obtienen de literatura
- Se promedian cuando existen múltiples estimaciones
- Se asume homogeneidad entre individuos
Para especies gregarias:
- Se estima densidad de grupos
- Se multiplica por tamaño promedio de grupo
Incertidumbre
La principal fuente de variación es la heterogeneidad espacial en detecciones.
Se utiliza:
- bootstrap no paramétrico
- remuestreo de transectos con reemplazo
- ≥ 1000–5000 iteraciones
- intervalos de confianza al 95%
Ventajas
- Mayor detectabilidad en bosques densos
- Bajo costo
- No depende de observaciones visuales
- Permite integración de conocimiento local
Limitaciones
- Dependencia de condiciones del sustrato
- Errores en identificación de huellas
- Incertidumbre en distancias diarias
- Posible omisión de huellas
Datos de cacería como línea independiente de inferencia
Recolección de datos
Los datos de cacería se recopilan mediante monitoreo comunitario o registros sistemáticos, incluyendo:
- especie
- número de individuos
- ubicación
- esfuerzo (tiempo, distancia)
- método de caza
- motivación
Los datos deben ser validados para asegurar consistencia.
Uso analítico
Estos datos se utilizan para:
- contextualizar estimaciones de densidad
- evaluar presión de caza
- identificar patrones espaciales de extracción
- complementar inferencias ecológicas
Integración metodológica
Los datos de cacería no reemplazan estimaciones de densidad, pero:
- fortalecen la interpretación de resultados
- permiten evaluar sostenibilidad
- integran dimensiones socio-ecológicas
Consideraciones para replicación
Para garantizar replicabilidad:
- Mantener consistencia en esfuerzo de muestreo
- Capacitar observadores en medición y rastreo
- Registrar con precisión la geometría de transectos
- Aplicar correctamente ajustes para transectos curvos
- Seleccionar modelos de detección apropiados
- Incorporar múltiples métodos de estimación
- Evaluar incertidumbre mediante remuestreo
La combinación de métodos permite mejorar la robustez de las estimaciones en sistemas donde las detecciones visuales son limitadas.