Identificación de estructuras y relaciones espaciales en los componentes del sistema de la corriente de Humboldt: una comparación de métodos estadísticos

Para lograr la sostenibilidad de los recursos marinos es necesario comprender las relaciones que existen entre los diferentes procesos que ocurren dentro de los ecosistemas (procesos físicos o procesos biológicos). La mayoría de los datos que provienen de la ecología tienen una fuerte autocorrelación, la cual hace imposible aplicar métodos estadísticos tradicionales que requieren el supuesto de independencia de las observaciones. En este trabajo hemos aplicado y comparado 4 metodologías que nos permiten trabajar con datos autocorrelacionados; estas metodologías son: la correlación con ajuste del tamaño de muestra, los m´todos geoestadísticos, los PCNM (análisis de coordenadas principales) y los métodos wavelets. Dichas metodologías fueron aplicadas para estudiar las estructuras presentes en la profundidad de la zona mínima de oxígeno (ZMO), el zooplancton y los peces del Sistema de la Corriente de Humboldt. Como resultado se pudo observar las ventajas que ofrecen los métodos PCNM para estudiar las estructuras para cada variable y las interacciones entre la ZMO y el zooplancton, el zooplancton y peces y entre la ZMO y peces. También se observó que los cuatro métodos dieron como resultado la presencia de tres estructuras presentes en cada una de las tres variables. Siendo estas estructuras desde los 500 m hasta los 30 km, desde los 30 km hasta los 60 o 70km y finalmente desde los 70 km hasta los 130 km. Estas estructuras corresponden a dos escalas espaciales que son: la sub-meso escala (100s m a kms) y la mesoescala (10s km a 100s km). Finalmente se observó que existe una relación positiva entre la ZMO y el zooplancton, también se observó relaciones positivas entre el zooplancton y peces.

Identificación de puntos de pesca en los viajes pesqueros de anchoveta monitoreados por satélites mediante redes neuronales artificiales

La sostenibilidad de los recursos marinos y de su ecosistema hace necesario un manejo responsable de las pesquerías. Conocer la distribución espacial del esfuerzo pesquero y en particular de las operaciones de pesca es indispensable para mejorar el monitoreo pesquero y el análisis de la vulnerabilidad de las especies frente a la pesca. Actualmente en la pesquería de anchoveta peruana, se recoge información del esfuerzo y capturas mediante un programa de observadores a bordo, pero esta solo representa una muestra de 2% del total de viajes pesqueros. Por otro lado, se dispone de información por cada hora (en promedio) de la posición de cada barco de la flota gracias al sistema de seguimiento satelital de las embarcaciones (VMS), aunque en estos no se señala cuándo ni dónde ocurrieron las calas. Las redes neuronales artificiales (ANN) podrían ser un método estadístico capaz de inferir esa información, entrenándose en una muestra para la cual sí conocemos las posiciones de calas (el 2% anteriormente referido), estableciendo relaciones analíticas entre las calas y ciertas características geométricas de las trayectorias observadas por el VMS y así, a partir de las últimas, identificar la posición de las operaciones de pesca. La aplicación de la red neuronal requiere un análisis previo que examine la sensibilidad de la red a variaciones en sus parámetros y bases de datos de entrenamiento, y que nos permita desarrollar criterios para definir la estructura de la red e interpretar sus resultados de manera adecuada. La problemática descrita en el párrafo anterior, aplicada específicamente a la anchoveta (Engraulis ringens) es detalllada en el primer capítulo, mientras que en el segundo se hace una revisión teórica de las redes neuronales. Luego se describe el proceso de construcción y pre-tratamiento de la base de datos, y definición de la estructura de la red previa al análisis de sensibilidad. A continuación se presentan los resultados para el análisis en los que obtenemos una estimación del 100% de calas, de las cuales aproximadamente 80% están correctamente ubicadas y 20% poseen un error de ubicación. Finalmente se discuten las fortalezas y debilidades de la técnica empleada, de métodos alternativos potenciales y de las perspectivas abiertas por este trabajo.