Planteamiento instrumental del inventario: pruebas realizadas y resultados obtenidos
13
B
ases
para
la
realización
del
S
istema
C
ompartido
de
I
nfomación
sobre
los
P
aisajes
de
A
ndalucía
: A
plicación
a
S
ierra
M
orena
1.1_INTRODUCCIÓN
Las técnicas utilizadas en la fase de identificación del pre-
sente inventariosebasanenelusode lasherramientaspro-
pias de los sistemas de información geográfica (SIG) y del
análisismultivariante.
1.1.1_S
istemas
de
I
nformación
G
eográfica
Los Sistemas de InformaciónGeográfica (SIG) son una tec-
nología reciente, fundamentadaenel usodedatosespacia-
les. En1990, elNational Center forGeographic Information
and Analysis (NCGIA) de los EEUU los define como “siste-
mas de hardware, software y procedimientos elaborados
para facilitar la obtención, gestión, manipulación, análisis,
modelado, representación y salidadedatos espacialmente
referenciados, para resolverproblemas complejosdeplani-
ficaciónygestión” (Peña Llopis, 2006).
1.1.2_E
l
análisis multivariante
El análisis multivariante proporcionamétodos estadísticos
parael estudiodedatosmultidimensionales, esdecir,datos
integradospordiversasvariables,queestánademás fuerte-
mente interrelacionadasentresí (JamesyMcCulloch, 1990;
Legendre y Legendre, 1998). Gracias a que varias variables
pueden ser consideradasdemanera simultánea, sepueden
conseguir interpretacionesqueno sonposibles con laesta-
dísticaunivariante (James yMcCulloch, 1990).
Lasprimeras aplicacionesde laestadísticamultivarianteen
ecología tuvieron lugar enecología vegetal y en taxonomía
numérica hacemás de 30 años. Según James yMcCulloch
(1990), ya no es posible acceder a una plena comprensión
de laecología sinaplicar el análisismultivariante.
Los métodos estadísticos de la estadística multivariante
están diseñados para el análisis de datos complejos. Estos
métodos tienen en cuenta la naturaleza co-variante de los
datos ecológicos y son capaces de revelar las estructuras
que subyacenen los conjuntosdedatos (LegendreyLegen-
dre, 1998).
Según Podani (2000), existen dos áreas de aplicación del
análisismultivariante. Laprimeradeellas es unaextensión
de los métodos propios de la estadística uni- y bivariante,
que permiten realizar test de significación de hipótesis es-
tadísticas. Típicos ejemplos de éstos son el análisis multi-
variantede la varianza (MANOVA) yel análisis de regresión
múltiple. Estos test estadísticos permiten la estimación de
determinados parámetros de la población (en sentido es-
tadístico), que pueden servir como base para la detección
de relaciones causales y para la construcción de modelos
adecuados depredicción. Talesmétodos pueden ser deno-
minadosensuconjuntoprocedimientosdeestadísticamul-
tivariante. La segunda área de aplicación se compone de
métodos alternativos de estimación: la función de detec-
ción de patrones y exploración de la estructura de los da-
tosmultivariantes. Estosprocedimientos recibenel nombre
conjuntode análisis exploratoriode los datos, refiriéndose
comúnmentea losmétodosde clasificaciónyordenación.
MÉTODOSDECLASIFICACIÓN
Clasificar objetos requiere el reconocimiento de disconti-
nuidades en un medio ambiente que a veces es discreto,
peroque conmayor frecuenciaes continuo.
Distinguir un racimo de datos o clúster es reconocer que
determinados objetos presentan similitudes suficientes
para ser inscritosenunmismogrupo; a suvez, ellopermite
diferenciar globalbmentedistintos grupos.
Tras el proceso de agrupar en clústeres distintos obje-
tos muestreados en un continuo se obtiene una tipología
(sistema de tipos). El propósito de la citada operación es
identificar varios tipos que componen la estructura de di-
cho continuo. La obtenciónde los clúster impone, por tan-
to, una discretización del conjunto de datos, tanto por el
agrupamientoen subconjuntosdeobjetos suficientemente
similares, comoporconstatarque losdiferentessubconjun-
tos poseen características únicas reconocibles (Legendre y
Legendre, 1998).
Existegrancantidaddemétodosdeclusteringque sebasan
en diferentes algoritmos. Legendre y Legendre (1998), ba-
sándoseen la clasificacióndeprocedimientosde clustering
deSneathySokal (1973)proponenuna seriededicotomías
quea continuación se resumen:
1.
Algoritmos secuenciales contra simultáneos: los al-
goritmos secuenciales son los más frecuentes y su-
ponen la aplicación recurrente de operaciones a los
objetos a clasificar. En los simultáneos, se obtiene la
soluciónenun solopaso.
2.
Aglomeracióncontradivisión: en losalgoritmosaglo-
merativos se comienzadesde losobjetos individuales
y éstos son agrupados en clústeresmás ymás gran-
des. Son los métodos más frecuentes. En los divisi-
vos, ocurre lo contrario: se subdivide sucesivamente
el conjuntodeobjetos en clústeres cada vezmás pe-
queños.
3.
Métodosmonotéticoscontrapolitéticos: losmétodos
divisivos pueden ser monotéticos o politéticos. Mo-
notéticos son aquellos que utilizan un único descrip-
tor para realizar las divisiones. Los politéticos utilizan
varios.
4.
Métodos jerárquicos contra no-jerárquicos: en los
métodos jerárquicos se generauna jerarquíade clus-
ters estructurada por diferentes niveles de agrega-
ciónodivisión.
5.
Métodos probabilísticos contranoprobabilísticos: en
los métodos probabilísticos se incluye el modelo de
clustering de Clifford yGoodall (1967) y losmétodos
paramétricosynoparamétricospara laestimaciónde
funcionesdedensidadenel espaciomultivariante.
MÉTODOSDEORDENACIÓN
La ordenación es la colocación de unidades en un deter-
minadoorden (Goodall, 1954; Legendrey Legendre, 1998).
Esta operación consiste en realizar una representación
geométrica de objetos a lo largo de un ejemostrando una
relación ordenada, o formando un diagrama de dispersión
condosomásejes. La representacióngeométricapresenta
dos alternativas: los objetos son puntos en el espacio ge-
neradopor las variables comoejes; obien las variables son
puntos en el espacio generado por los objetos. No es po-
sible realizar en papel un diagrama multidimensional con
más de dos o tres dimensiones. Los análisis de ordenación
proyectan el diagrama de dispersiónmultidimensional so-
bre gráficos bivariantes cuyos ejes representan gran parte
de la variabilidad de lamatriz de datos (Legendre y Legen-
dre, 1998).
De forma general sedenominaordenacióna cualquier téc-
nica que genera variables artificiales con el objetivo de re-
ducir ladimensionalidadde losdatos (Podani, 2000).
