La Dott.ssa Teresa Fidalgo Fonseca è professoressa di Scienze forestali presso l'Universidade de Trás-os-Montes e Alto Douro (UTAD) in Portogallo, dove studia ingegneria delle risorse forestali e selvicoltura, concentrandosi sulla pratica di allineare la gestione della crescita dei boschi con i valori della comunità e bisogni. Ricopre il ruolo di Vice Coordinatore della Divisione 1 per la Selvicoltura presso l'Unione Internazionale delle Organizzazioni di Ricerca Forestale (IUFRO) e Guest Editor di riviste accademiche Foreste E Frontiere nella gestione forestale .
La sua recente pubblicazione, Gestione del Pino Marittimo: Potenziale Energetico con Linee Guida Selvicolturali Alternative , è stato scritto in collaborazione con José Lousada e pubblicato in Biomassa forestale: dagli alberi all'energia nel febbraio 2021. In esso, Teresa presenta nuove linee guida per la gestione delle specie di pino marittimo, sviluppate e verificate utilizzando simulazioni al suo interno Modis Pinaster modello. In definitiva, i risultati di questo studio, una volta implementati, hanno il potenziale per ottimizzare la resa della biomassa, una fonte di energia rinnovabile economicamente vantaggiosa e sostenibile.
Un evangelista statistico, Teresa ha usato JMP per molti anni, sia in classe che nella sua ricerca.
Forest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForesta di pino marittimo in Portogallo dove vengono raccolti dati per l'analisi statistica e la modellizzazione Meg: Cos'è venuto prima: il tuo interesse per la silvicoltura o il tuo interesse per la statistica?
Teresa: C'era un eccellente corso di dendrometria di ingegneria forestale che ho seguito come studente universitario presso l'UTAD, tenuto da un brillante professore che mi ha introdotto alla biometria e alla modellazione forestale. All'epoca sentivo che la statistica mi piaceva moltissimo ed è stato così emozionante scoprire che potevo applicare la statistica alla silvicoltura!
Dopo la laurea, ho completato la mia specializzazione in ingegneria delle risorse forestali e ho lavorato sulla modellazione della conicità del fusto dell'eucalipto [il diametro del tronco di un albero in funzione dell'altezza dal suolo]. Poi ho fatto il dottorato – anche in modellismo – e ho creato un modello, ora disponibile gratuitamente attraverso la piattaforma francese Capsis , che simula la dinamica del pino marittimo, compresa la mortalità, la crescita e le distribuzioni del diametro.
Quel modello, ModisPinaster, è nato in risposta a un problema: a quel tempo non disponevamo di un modello forestale per le specie di conifere più rappresentate nel nord del Portogallo che potesse essere utilizzato per la pianificazione forestale! Abbiamo implementato diversi appezzamenti permanenti sul campo, raccolto dati e poi li ho sviluppati in quella che all'inizio era una creazione concettuale. Ora non è limitato solo alle foreste portoghesi, ma può essere utilizzato da altri ricercatori provenienti da altri luoghi.
A design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterUn piano di progettazione per ModisPinaster Meg: Quale ritieni possa essere il potenziale impatto dell'implementazione delle linee guida selvicolturali che hai sviluppato con ModisPinaster?
Teresa: La gestione delle foreste dovrebbe sempre basarsi sulla scienza. Tradizionalmente, i manager hanno utilizzato linee guida derivate da studi empirici che non hanno la forza che possiamo fornire con modelli statistici. Nel caso del [mio recente articolo in Foreste , Traiettoria dimensione-densità nei pini marittimi rigenerati dopo l'incendio ], il nostro modello mostra come gestire al meglio i popolamenti di pino di origine naturale colpiti dagli incendi boschivi attraverso la rigenerazione naturale.
Questo modello consente ai gestori forestali di identificare la densità standard ottimale delle piante insieme alle fasi di sviluppo della specie. È così importante che i manager non basino il proprio lavoro esclusivamente su obiettivi numerici come “quanti alberi dovremmo avere?” ma invece su un ottimo set di dati e modelli appropriati, che potrebbero essere semplici come un modello lineare o quadratico, di cui la descrizione della linea di massima densità è un esempio.
Mi è sempre piaciuto collegare la mia ricerca con l'uso pratico e, ogni volta che posso, cerco di costruire modelli a beneficio dei gestori forestali…. Se possiamo fornire loro un buon supporto per la gestione delle foreste, sono sicuro che ciò avrà un impatto sulla sostenibilità delle risorse forestali.
Example of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthEsempio di interfaccia ModisPinaster che mostra le opzioni di output e la simulazione della crescita Meg: Quali sono alcune delle altre domande di ricerca su cui stai utilizzando il modello per indagare?
Teresa: Più recentemente, io e i miei colleghi abbiamo analizzato la crescita del diametro radiale di un altro pino, il pino nero europeo, che non è originario del Portogallo. Avevamo dati provenienti da sei diverse località e, utilizzando l'equazione di crescita di Schumacher, abbiamo esaminato le differenze tra le popolazioni di pino nero. Volevamo comprendere il comportamento previsto della specie al di fuori del suo areale naturale e la modellazione è stata un modo fondamentale per raggiungere questo obiettivo.
Con la modellazione possiamo fare molto di più che limitarci a calcolare medie e variazioni standard. Per prima cosa abbiamo rappresentato graficamente la dispersione del diametro con l'età degli alberi e poi abbiamo adattato il modello per identificare alcune differenze in base al sito. Come puoi vedere, sorrido sempre quando parlo di fare la modella perché è davvero una cosa che mi piace!
Quando identifico uno schema, potrei facilmente passare sette giorni su sette, 24 ore al giorno a fare la modella. È così bello pensare a tutte le informazioni che possono essere generate da buoni dati e a come possiamo riassumerle in un’equazione matematica che fornisce informazioni che possono essere importanti per i gestori delle foreste.
Examples of visual data analysisExamples of visual data analysisExamples of visual data analysisExamples of visual data analysisEsempi di analisi dei dati visivi Meg: Come puoi essere sicuro che i tuoi dati siano validi?
Teresa: Prima di tutto, sono molto rigoroso con i dati perché credo che non si possa avere un buon modello se non è ben supportato da buoni dati. È importante disporre di criteri di misurazione e selezione dei dati adeguati in modo che i dati siano altamente rappresentativi della popolazione campionata, come le condizioni per la rigenerazione naturale di una specie in uno degli esempi menzionati.
L’elenco delle sfide che dobbiamo affrontare quando si tratta di qualità dei dati è piuttosto lungo. Quando stavo facendo il dottorato, ho avuto un'esperienza in cui ho trovato un errore, ma solo dopo aver costruito diversi modelli. Ho dovuto rimontare tutto, il che mi ha richiesto un po' di tempo, quindi ora analizzo molto attentamente i dati prima di modellare qualsiasi cosa!
E c'è un'altra cosa molto importante: devi analizzare la qualità del modello. Bisogna vedere se funziona con i presupposti e quando. Lo dico a tutti i miei studenti: siamo responsabili di fornire un buon modello, quindi dobbiamo garantire che il modello venga sottoposto a tutti i giusti test e analisi statistiche.
Typical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetSet di dati tipici: quartetto di Anscombe Meg: Che tipo di controlli usi per determinare se un modello è buono o meno?
Teresa: Di solito eseguo analisi visive, con diversi grafici per verificare non solo la relazione tra la variabile di risposta e ciascun fattore, ma tra tutti i fattori. Suggerisco spesso ai miei studenti di usare i colori perché a volte, semplicemente usando un colore diverso per separare un set di dati, possiamo comprendere meglio sia i modelli generali che quelli individuali.
Per quanto riguarda la pulizia dei dati, eventuali valori anomali o osservazioni influenti, purché non siano errori, devono essere conservati nel set di dati per fornire informazioni sul processo. Una volta ho riscontrato un valore anomalo relativo a un numero insolito di pini marittimi, ma era un valore reale poiché l'ho misurato sul campo. Essendo così diverso dagli altri punti dati, ero consapevole che avrebbe influenzato i risultati. Ho creato diversi modelli: uno con il set di dati totale e un altro che ho testato senza valori anomali. Alla fine, però, non l’ho escluso perché, come ho detto prima, i buoni modelli richiedono buoni set di dati, compresi eventuali valori anomali che rappresentano la vera variazione in un campione.
Meg: Quali idee sbagliate hanno gli studenti quando si tratta di statistica?
Teresa: Alcuni studenti pensano che la modellazione consista semplicemente nel creare alcune tendenze nei dati. Altri pensano che sia troppo complicato. All'inizio non sono ben preparati, ma una volta che insegno loro di più sull'analisi statistica, si rendono conto del potenziale della modellazione. Potrebbero essere necessari molto tempo e molta pratica per costruire un ottimo modello, quindi cerco sempre di motivare gli studenti a seguirmi, passo dopo passo, in questo viaggio di modellazione! In effetti, ho avuto studenti che continuano a fare i modelli anche dopo aver terminato il corso – il che, per me, è molto gratificante.
Students in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudenti del corso di Gestione Forestale dell'UTAD che lavorano con ModisPinaster Meg: Dev'essere così! Senza dubbio aiuta avere un professore come te la cui passione per la statistica è contagiosa. E per apprendere la statistica in un contesto applicato come la scienza forestale, dove non si tratta solo di pura modellazione, ma dove puoi vedere le applicazioni nel mondo reale.
Teresa: Le applicazioni sono così importanti. Il corso su cui insegno si basa JMP e le prime lezioni riguardano l'utilizzo del software. Una volta che gli studenti hanno familiarizzato con JMP, iniziano a creare piccoli modelli utilizzati nella silvicoltura. Da lì, aumento lentamente il livello di difficoltà. Ad esempio, inizio con la modellazione di regressione lineare e alla fine del corso insegno modelli non lineari. Man mano che gli argomenti diventano più difficili, è importante che le mie lezioni non siano solo teoriche, ma pratiche con esempi scientifici reali.
La prima lezione è la più importante perché è in quel momento che catturo l'interesse degli studenti per i dati. All'inizio non è un interesse per la modellizzazione, ma per l'analisi dei dati. Fornisco loro i grafici della mia ricerca o disponibili sul web e chiedo loro di analizzare ciò che vedono senza sapere nulla di statistica o modellizzazione. All’inizio, gli studenti potrebbero non pensare di vedere nulla, ma dopo averne discusso, iniziano a vedere emergere le tendenze. (A volte, prima di mostrare i grafici, presento una zuppa di alfabeti, per coinvolgere gli studenti e anche per allenare la loro vista.)
Una delle cose più importanti che dico loro è che in futuro utilizzeremo più dati solo in campi scientifici. La prossima generazione si affiderà più di me all’analisi e alla modellazione statistica. Dobbiamo quindi investire per fornire ai futuri scienziati le competenze di cui hanno bisogno per costruire modelli. È incredibilmente importante promuovere la statistica come parte della scienza. Non solo la scienza, non solo l’analisi dei dati, ma entrambe.
Dobbiamo coinvolgere gli studenti nello sviluppo delle competenze fondamentali per la gestione dei dati, convincerli a comprendere il potenziale dell’analisi dei dati per semplificare il mondo attraverso scoperte che prima non erano mai state possibili.
