La Dra. Teresa Fidalgo Fonseca es profesora de Ciencias Forestales en la Universidade de Trás-os-Montes e Alto Douro (UTAD) en Portugal, donde estudia ingeniería de recursos forestales y silvicultura, centrándose en la práctica de alinear la gestión del crecimiento de los bosques con los valores comunitarios. y necesidades. Se desempeña como Coordinadora Adjunta de Silvicultura de la División 1 de la Unión Internacional de Organizaciones de Investigación Forestal (IUFRO) y editora invitada de revistas académicas. Bosques y Fronteras en la gestión forestal .
Su reciente publicación, Manejo del pino marítimo: potencial energético con pautas silvícolas alternativas , fue escrito en coautoría con José Lousada y publicado en Biomasa forestal: de los árboles a la energía en febrero de 2021. En él, Teresa presenta nuevas directrices para la gestión de especies de pino marítimo, desarrolladas y verificadas mediante simulaciones en su ModisPinaster modelo. En última instancia, los resultados de este estudio, una vez implementados, tienen el potencial de optimizar el rendimiento de la biomasa, una fuente rentable y sostenible de energía renovable.
Teresa, una evangelista estadística, ha utilizado JMP durante muchos años, tanto en el aula como en su propia investigación.
Forest of maritime pine in Portugal where data for statistical analysis and modeling is collectedBosque de pino marítimo en Portugal donde se recogen datos para análisis estadístico y modelización Meg: ¿Qué fue primero: su interés por la silvicultura o su interés por las estadísticas?
teresa: Hubo un excelente curso de dendrometría en ingeniería forestal que tomé como estudiante universitario en la UTAD y que fue impartido por un profesor brillante que me introdujo en la biometría y el modelado forestal. En ese momento, sentía que disfrutaba mucho de las estadísticas y fue muy emocionante descubrir que podía aplicar las estadísticas en silvicultura.
Después de graduarme, completé mi maestría en ingeniería de recursos forestales y trabajé en el modelado de la forma cónica del tallo del eucalipto [el diámetro del tronco de un árbol en función de la altura sobre el suelo]. Luego hice mi doctorado –también en modelaje– y creé un modelo, ahora disponible gratuitamente a través de la plataforma francesa. capsis , que simula la dinámica del pino marítimo, incluida la mortalidad, el crecimiento y las distribuciones de diámetro.
Ese modelo, ModisPinaster, surgió como respuesta a un problema: ¡en aquel momento no teníamos un modelo forestal para las especies de coníferas más representadas en el norte de Portugal que pudiera usarse para la planificación forestal! Implementamos varias parcelas permanentes en el campo, recolectamos datos y luego los desarrollé en lo que al principio fue una creación conceptual. Ahora no se limita sólo a los bosques portugueses, sino que también puede ser utilizado por otros investigadores de otros lugares.
A design plan for ModisPinasterUn plan de diseño para ModisPinaster Meg: ¿Cuál cree que sería el impacto potencial de implementar las pautas silvícolas que utilizó ModisPinaster para desarrollar?
teresa: La gestión forestal siempre debe basarse en la ciencia. Tradicionalmente, los directivos han utilizado directrices derivadas de estudios empíricos que no tienen la solidez que podemos proporcionar con los modelos estadísticos. En el caso de [mi reciente artículo en Bosques , Trayectoria tamaño-densidad en rodales de pino marítimo regenerados después de un incendio ], nuestro modelo muestra cómo gestionar mejor las masas de pinos de origen natural afectadas por incendios forestales mediante la regeneración natural.
Este modelo permite a los administradores forestales identificar la densidad estándar óptima de plantas junto con las etapas de desarrollo de la especie. Es muy importante que los gerentes no basen su trabajo únicamente en objetivos numéricos como "¿cuántos árboles deberíamos tener?" sino en un muy buen conjunto de datos y modelos apropiados, que podrían ser simples como un modelo lineal o cuadrático, de los cuales la descripción de la línea de máxima densidad es un ejemplo.
Siempre he disfrutado mucho conectando mi investigación con el uso práctico, y siempre que puedo, trato de construir modelos que beneficien a los administradores forestales…. Si podemos brindarles un buen apoyo para la gestión forestal, estoy seguro de que esto tendrá un impacto en la sostenibilidad de los recursos forestales.
Example of ModisPinaster interface showing output options and simulation of growthEjemplo de interfaz ModisPinaster que muestra opciones de salida y simulación de crecimiento Meg: ¿Cuáles son algunas de las otras preguntas de investigación para las que estás utilizando el modelo?
teresa: Más recientemente, mis colegas y yo hemos estado analizando el crecimiento del diámetro radial de otro pino: el pino negro europeo, que no es originario de Portugal. Teníamos datos de seis localidades diferentes y, utilizando la ecuación de crecimiento de Schumacher, observamos las diferencias entre las poblaciones de pino laricio. Queríamos comprender el comportamiento esperado de la especie fuera de su área de distribución natural, y la modelización fue una forma crucial de lograrlo.
Con el modelado podemos hacer mucho más que simplemente calcular promedios y variaciones estándar. Primero graficamos la dispersión del diámetro con la edad de los árboles y luego ajustamos el modelo para identificar algunas diferencias por sitio. Como puedes ver, siempre sonrío cuando hablo de modelaje porque es algo que realmente me gusta.
Cuando identifico un patrón, fácilmente podría pasar los siete días de la semana, las 24 horas del día modelando. Es muy agradable pensar en toda la información que se puede generar a partir de buenos datos y en cómo podemos resumirla en una ecuación matemática que proporcione información que puede ser importante para los administradores forestales.
Examples of visual data analysisEjemplos de análisis de datos visuales. Meg: ¿Cómo puedes estar seguro de que tus datos son buenos?
teresa: En primer lugar, soy muy riguroso con los datos porque creo que no se puede tener un buen modelo si no está bien respaldado por buenos datos. Es importante contar con criterios adecuados de medición y selección de datos para que sus datos sean altamente representativos de la población muestreada, como las condiciones para la regeneración natural de una especie en uno de los ejemplos mencionados.
Hay una lista bastante larga de desafíos a los que nos enfrentamos en lo que respecta a la calidad de los datos. Cuando estaba haciendo mi doctorado, tuve una experiencia en la que encontré un error, pero solo después de construir varios modelos. Tuve que reajustarlo todo, lo que me llevó algo de tiempo, así que ahora analizo los datos con mucho cuidado antes de modelar cualquier cosa.
Y hay una cosa más muy importante: es necesario analizar la calidad del modelo. Hay que ver si funciona con los supuestos y cuándo. Les digo esto a todos mis alumnos: somos responsables de proporcionar un buen modelo, por lo que tenemos que asegurarnos de que el modelo pase por todas las pruebas y análisis estadísticos correctos.
Typical datasets: Anscombe´s quartetConjuntos de datos típicos: el cuarteto de Anscombe Meg: ¿Qué tipo de controles utilizas para determinar si un modelo es bueno o no?
teresa: Suelo hacer análisis visuales, con diferentes gráficas para comprobar no sólo la relación entre la variable respuesta y cada factor, sino entre todos los factores. A menudo sugiero que mis alumnos usen colores porque a veces, simplemente usando un color diferente para separar un conjunto de datos, podemos comprender mejor los patrones generales e individuales.
En cuanto a la limpieza de datos, cualquier valor atípico u observación influyente (siempre que no sean errores) debe mantenerse en el conjunto de datos para proporcionar información sobre el proceso. Una vez tuve un valor atípico relacionado con una cantidad inusual de pinos marítimos, pero era un valor real cuando lo medí en el campo. Al ser tan diferente de los otros puntos de datos, era consciente de que influiría en los resultados. Construí varios modelos: uno con el conjunto total de datos y otro que probé sin el valor atípico. Sin embargo, en última instancia, no lo excluí porque, como dije antes, los buenos modelos requieren buenos conjuntos de datos, incluidos los valores atípicos que representan una variación real en una muestra.
Meg: ¿Qué conceptos erróneos tienen los estudiantes cuando se trata de estadística?
teresa: Algunos estudiantes piensan que el modelado consiste simplemente en crear algunas tendencias en los datos. Otros piensan que es demasiado complicado. Al principio no están bien preparados, pero una vez que les enseño más sobre análisis estadístico, se dan cuenta del potencial del modelado. Puede llevar mucho tiempo y práctica construir un muy buen modelo, por eso siempre trato de motivar a los estudiantes para que me acompañen, paso a paso, en este viaje de modelado. De hecho, he tenido estudiantes que continúan modelando incluso después de terminar el curso, lo cual, para mí, es muy gratificante.
Students in the Forest Management course at UTAD working with ModisPinasterEstudiantes de la carrera de Manejo Forestal de la UTAD trabajando con ModisPinaster Meg: ¡Debe serlo! Sin duda ayuda tener un profesor como usted cuya pasión por la estadística es contagiosa. Y aprender estadística en un entorno aplicado como la ciencia forestal, donde no se trata sólo de modelado puro, sino donde se pueden ver las aplicaciones del mundo real.
teresa: Las aplicaciones son muy importantes. El curso que imparto se basa en JMP , y las primeras conferencias tratan sobre cómo utilizar el software. Una vez que los estudiantes se familiarizan con JMP, comienzan a crear pequeños modelos que se utilizan en la silvicultura. A partir de ahí, poco a poco voy aumentando el nivel de dificultad. Por ejemplo, comienzo con el modelado de regresión lineal y al final del curso enseño modelos no lineales. A medida que los temas se vuelven más difíciles, es importante que mis conferencias no sean sólo teóricas, sino prácticas con ejemplos científicos reales.
La primera conferencia es la más importante porque es cuando capto el interés de los estudiantes por los datos. Al principio, no es un interés en el modelado, sino en el análisis de datos. Les proporciono gráficos de mi investigación o disponibles en la web y les pido que analicen lo que ven sin saber nada de estadística o modelado. Al principio, es posible que los estudiantes crean que no ven nada, pero después de discutirlo, comienzan a ver surgir las tendencias. (A veces, antes de mostrar los gráficos, presento una sopa de letras, para involucrar a los estudiantes y también para entrenar su vista.)
Una de las cosas más importantes que les digo es que en el futuro sólo usaremos más datos en campos científicos. La próxima generación dependerá más que yo del análisis y el modelado estadístico. Por tanto, debemos invertir para proporcionar a los futuros científicos las habilidades que necesitan para construir modelos. Es increíblemente importante promover la estadística como parte de la ciencia. No sólo ciencia, no sólo análisis de datos, sino ambas cosas.
Tenemos que involucrar a los estudiantes en el desarrollo de habilidades fundamentales para manejar datos: hacer que comprendan el potencial del análisis de datos para simplificar el mundo a través de descubrimientos que nunca antes fueron posibles.
