Guia para estudiar Patrones de Distribución de Especies

Los principios de muestreo, análisis de datos e interpretación de resultados
La clasificación puede proceder de manera divisiva o aglomerativa. El punto de partida en una clasificación divisiva es
tener todos los objetos en una sola clase, que se va a dividir poco a poco en clases más pequeñas. Una clasificación
aglomerativa resulta de una situación en la que cada objeto pertenece a su propia clase, y después se agrupan estas
clases en grupos más y más grandes. Las clasificaciones aglomerativas están basadas en matrices de distancia. Las
clasificaciones divisivas pueden formar los grupos según la variación en una sola variable (métodos monotéticos) o en
varias variables simultáneamente (métodos politéticos).
Debemos tener presente que una clasificación trata de encontrar discontinuidades en los datos, y usar éstas para definir
los grupos más homogéneos posibles de objetos. Si los datos representan un gradiente continuo que ha sido bien
muestreado, la definición de los límites de los grupos es necesariamente arbitraria y la clasificación resulta ser muy difícil
de interpretar. En estos casos, normalmente es más fácil interpretar los patrones a través de un análisis de gradiente. La
clasificación y la ordenación revelan rastros algo diferentes de los datos, y por eso pueden ser métodos complementarios
y útiles para utilizarlos juntos.
Aquí presentamos mayormente métodos jerárquicos de clasificación, de los cuales uno es divisivo y los otros
aglomerativos. Al final presentamos una clasificación aglomerativa que puede ser restringida a objetos vecinos en
espacio o tiempo (en inglés constrained clustering).
TWINSPAN
TWINSPAN (Two Way INdicator SPecies ANalysis) es uno de los métodos más usados de clasificación en estudios
ecológicos y biogeográficos. Es bueno conocerlo, aunque no recomendamos su uso por razones que explicamos más
abajo. La popularidad de TWINSPAN proviene de las décadas 1970 y 1980, cuando este método era uno de los pocos
disponibles como un programa de computadora.
TWINSPAN es un método divisivo que utiliza información de varias variables (especies) a la vez. Está basado en el
análisis de correspondencia. La clasificación se inicia dividiendo el primer eje del CA en dos partes desde su punto cero.
Después se hace un nuevo CA separadamente para las dos mitades, las cuales se dividen en dos otra vez según el
primer eje del CA. Este proceso se continúa hasta que las clases son ya tan pequeñas que no vale la pena dividirlas.
TWINSPAN tiene dos problemas clave. Primero, debido a que utiliza sólo la información del primer eje, toda la variación
en los otros ejes queda sin importancia en la clasificación. Esto no es tan grave si de verdad toda la variación relevante ya
está representada por el primer eje, pero normalmente uno no sabe si la situación realmente es tan sencilla o no antes de
investigar bien los datos.
El otro problema es que el método no toma en cuenta las discontinuidades en los datos a lo largo del primer eje del CA.
Como el criterio de división está estrictamente definido por el centro del primer eje, significa que un grupo de unidades de
muestreo, aunque sea un grupo muy claramente separado de los otros, será dividido en dos si se encuentra justo en
ambos lados del cero del primer eje. Legendre & Legendre (1998) citan todavía algunas otras debilidades del
TWINSPAN, pero las dos mencionadas ya son suficientes para evitar el uso del método.
Clasificación del vecino más cercano ( nearest neighbour clustering, o single linkage clustering)
Ahora existen varios métodos de clasificación que están basados en las distancias calculadas entre los objetos. Los
métodos defieren uno del otro según la forma de calcular la distancia entre dos grupos, cuando por lo menos uno de los
grupos tiene más que un objeto. Una manera consiste en ver a qué distancia están dos vecinos cuando se mide la
distancia de una forma predefinida. La clasificación del vecino más cercano es el método más fácil de entender los
grupos.
Vamos a considerar datos que constan de ocho parcelas de tierra firme, en las cuales se ha calculado la cantidad de
individuos de irapay y ungurahui. Se hace la clasificación usando distancias euclidianas entre las parcelas. En la Figura
16 se muestra las parcelas en un sistema de coordenadas definido por las abundancias de estas dos especies. El
diagrama puede presentar los datos de manera completa, porque solo existen dos dimensiones en los datos.
Ungurahuis
60
40
20
A
C
B
D
0 20 40 60 80
F
E
G
H
Irapays
Figura 16. La ordenación de ocho parcelas (A-H) según el número de individuos de ungurahui e irapay.
57