-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy path02_antecedentes.Rmd
132 lines (100 loc) · 11.6 KB
/
02_antecedentes.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
# (PART) Parte II {-}
# Antecedentes
La evaluación de reservas marinas no es algo nuevo. Sin embargo, muy pocos trabajos las han evaluado utilizando técnicas que permitan atribuir las diferencias observadas únicamente a las reservas. Por lo tanto, es útil hacer una recapitulación de metodologías comúnmente usadas antes de presentar la metodología utilizada por MAREA. Este capítulo se enfoca en los indicadores y diseños muestreales, presentando casos publicados en la literatura científica. Revisaremos tres diseños de muestro generales que se han utilizado en la evaluación de reservas marinas y discutiremos sus ventajas y desventajas, así como las implicaciones en el manejo.
## Antes-Después
Una de las formas más comunes de evaluar reservas marinas es mediante la comparación de indicadores biológicos antes y después de la implementación de la reserva. Por ejemplo @wantiez_1997 evaluan el efecto de las reservas marinas en las comunidades de peces de cinco islas en Nueva Celadonia. El trabajo compara número de especies (riqueza), número de organismos (densidades) y biomasa obtenidas para nueve sitios en 1990 y 1994. Aunque las reservas fueron establecidas en 1989, la vigilancia y cumplimiento de las reglas comienza en 1990. Aunque los autores identifican pocos cambios estadísticamente significativos (solamente dos sitios muestran un incremento en densidad), la metodología empleada ignora otras eventos que puedan haber causado los efectos observados.
Por ejemplo, es posible que entre 1990 y 1994 hayan existido intervenciones de manejo pesquero que redujeran el esfuerzo de pesca, el ambiente pudo haber sufrido cambios que modificaran la productividad del sistema, la sobrepesca de especies depredadoras o una serie de años de buen reclutamiento podrían llevar a observar incrementos en densidad [@szuwalski_2017;@chavez_2003]. Para poder distinguir este tipo de cambios, sería necesario un sitio control con el cual comparar [@betti_2017]. Un sitio control podría ser un área con hábitat similar al de la reserva, pero que presenta actividad pesquera.
La Figura \@ref(fig:disenos)A muestra un caso hipotético de una evaluación antes-después. En este caso, el indicador en la reserva incrementó de 4 a 9 unidades. En esta evaluación, concluiríamos que la reserva resulta en un incremento de 5 unidades al año. Sin embargo, la línea azul muestra la tendencia temporal del control, mostrada en opaco para representar que el evaluador no observa esa información.
```{r datos-figuras}
suppressPackageStartupMessages({
library(tidyverse)
})
df <- tibble(zona = c("Control", "Reserva", "Control", "Reserva"),
tiempo = c("Antes", "Antes", "Despues", "Despues"),
ano = c(2010, 2010, 2011, 2011),
valor = c(2, 4, 5, 9))
dfv <- tibble(x1 = c(2010, 2011, 2009.5, 2009.5),
x2 = c(2010, 2011, 2010, 2011),
y1 = c(0, 0, 4, 9),
y2 = c(4, 9, 4, 9))
```
```{r ad}
ad <- ggplot(data = df) +
geom_line(size = 2, mapping = aes(x = ano, y = valor, color = zona, alpha = zona)) +
geom_point(size = 4, mapping = aes(x = ano, y = valor, color = zona, alpha = zona)) +
theme_bw() +
theme(legend.position = "none",
panel.grid = element_blank()) +
guides(color = guide_legend(title = "Zona"),
alpha = guide_legend(title = "Zona")) +
scale_color_brewer(palette = "Set1", direction = -1) +
labs(x = "", y = "") +
scale_x_continuous(breaks = 2009:2012,
limits = c(2009.5, 2011.5),
expand = c(0,0)) +
scale_y_continuous(breaks = c(0, 2, 4, 6, 8, 10),
limits = c(0, 10)) +
scale_alpha_manual(values = c(0.3, 1)) +
geom_segment(aes(x = x1, xend = x2, y = y1, yend = y2), data = dfv, linetype = "dashed")
```
## Dentro-Fuera
Muchos trabajos evitan el problema de cambios temporales al evaluar indicadores dentro y fuera de las zonas protegidas en una fecha única. Por ejemplo, @guidetti_2014 comparan 30 localidades del Mediterráneo, que dividen en reservas estrictas, reservas intermedias y áreas de pesca. El trabajo reporta diferencias en biomasa y riqueza -pero no en densidades- con las reservas estrictas mostrando el mayor efecto. Aunque el hábitat es similar entre grupos de sitios, esta aproximación no toma encuenta las trayectorias o estados intrínsecos de cada localidad ni otras inherentes diferencias espaciales que uno debe tomar en cuenta.
En este caso, es posible que los sitios de pesca y reservas intermedias siempre mostraran menor biomasa y riqueza, incluso antes de la implementación de las reservas estrictas. También es posible que los valores dentro de las reservas se hayan mantenido constantes desde su creación, pero que las condiciones fuera de las reservas se hayan deteriorado. Cualquiera de estas situaciones podría causar los patrones observados, y un diseño muestreal que compare reservas contra zonas control difícilmente podrá rechazar estas explicaciones alternas.
La Figura \@ref(fig:disenos)B muestra un ejemplo de una evaluación donde se compara dentro-fuera. Esta comparación indica que hay 4 unidades más en la reserva que en el control. Este ejercicio ignora el hecho de que, incluso antes de la implementación de la reserva, el sitio de reserva presentaba una diferencia de 2 unidades. En este diseño muestreal el evaluador no observa los valores históricos, por lo que aparecen en opaco. Estos ejemplos muestran como los mismos datos pueden resultar en estimaciones distintas, según la información que se tome en cuenta. ¿Entonces, cuál es el valor correcto? En realidad, ninguno de estos.
```{r ci}
dfv <- tibble(x1 = c(2011, 2009.5, 2009.5),
x2 = c(2011, 2011, 2011),
y1 = c(0, 5, 9),
y2 = c(9, 5, 9))
ci <- ggplot(data = df) +
geom_point(size = 4, mapping = aes(x = ano, y = valor, color = zona, alpha = tiempo)) +
theme_bw() +
theme(legend.position = "none",
panel.grid = element_blank()) +
guides(color = guide_legend(title = "Zona"),
alpha = guide_legend(title = "Zona")) +
scale_color_brewer(palette = "Set1", direction = -1) +
labs(x = "", y = "Indicador") +
scale_x_continuous(breaks = 2009:2012,
limits = c(2009.5, 2011.5),
expand = c(0,0)) +
scale_y_continuous(breaks = c(0, 2, 4, 6, 8, 10),
limits = c(0, 10)) +
scale_alpha_manual(values = c(0.3, 1)) +
geom_segment(aes(x = x1, xend = x2, y = y1, yend = y2), data = dfv, linetype = "dashed")
```
## Antes-Después-Dentro-Fuera
Las secciones anteriores muestran que las evaluaciones antes-después o dentro-fuera pueden ignorar factores importantes y, por lo tanto, producir estimaciones incorrectas del efecto de una reserva. ¿Esto quiere decir que las evaluaciones de @wantiez_1997 y @guidetti_2014 están equivocadas? ¡Para nada! Sus conclusiones indican que hay diferencias a través del tiempo, o entre sitios reserva y sitios control, lo cual es cierto. Sin embargo, no es posible atribuir la totalidad de las diferencias observadas a las reservas.
Cuando hablamos de intervenciones de manejo, nos interesa saber cual es el *impacto neto* de la intervención. En este sentido, y retomando los ejemplos de las Figuras \@ref(fig:disenos)A-B, queremos descomponer el incremento de la reserva en sus tres partes: i) El incremento causado por la evolución temporal, ii) el incremento *aparente* causado por las diferencias originales, y iii) el *incremento neto* una vez que tomamos en cuenta los anteriores.
Para poder medir el impacto neto, es necesario conocer las trayectorias temporales (diferencia a través del tiempo) y las diferencias entre sitios. Para esto, es necesario tener un diseño muestreal de antes-después-control-impacto. En otras palabras, debemos tener observaciones en la reserva y el control antes y después de la implementación de la reserva. Una menor cantidad de trabajos han evaluado reservas marinas con esta aproximación, pues requiere de muchos datos [@moland_2013;@villasenorderbez_2018]. Sin embargo, esto permite atribuir parte de los cambios observados a las reservas.
Por ejemplo, en la Figura \@ref(fig:disenos)C se muestran las mismas tendencias que en los casos anteriores. En este caso, el evaluador conoce las diferencias temporales de la reserva (de 4 a 9 = 5) y del control (de 2 a 5 = 3). Com se mencionó antes, hay muchos factores que podrían causar cambios a través del tiempo, incluso en la ausencia de una reserva. En este caso, el sitio control presenta un incremento de 3 unidades. ¿Entonces, qué habría pasado con el sitio de reserva si no hubiera recibido protección?
En teoría, el sitio debería de haber seguido la misma tendencia que el sitio control. Es decir, debería de mostrar un incremento de 3 unidades. La Figura \@ref(fig:disenos)C muestra una línea roja punteada representando este caso hipotético. Por lo tanto, la diferencia entre lo observado (línea sólida) y lo que habría pasado (línea punteada) puede ser atribuida a la protección. En otras palabras, de las 5 unidades de diferencia que muestra la reserva, 3 son por otros factores y 2 por la reserva. En este caso, podríamos entonces concluir que 2 de las unidades son causadas por la reserva.
Esta técnica se conoce en econometría como *Diferencia entre Diferencias*, pues se calcula la diferencia a través del tiempo y a través de sitios. El remanente de esta operación es entonces el efecto neto observado. Desde luego, hay una serie de supuestos que debemos tener en cuenta, como la factibilidad de que nuestro sitio control sea realmente representativo. Además, al evaluar una reserva no tendremos sólamente 4 puntos, pues por lo general usaremos datos de monitoreos submarinos con muchas más observaciones. El siguiente capítulo (Capítulo \@ref(evaluacion-de-reservas)) habla más sobre los métodos de regresiones utilizados en este caso, así como las otras dimensiones evaluadas por MAREA.
```{r adci}
dfv <- tibble(x1 = c(2010, 2011, 2009.5, 2009.5, 2009.5, 2009.5),
x2 = c(2010, 2011, 2010, 2011, 2011, 2010),
y1 = c(0, 0, 4, 5, 9, 2),
y2 = c(4, 9, 4, 5, 9, 2))
dfc <- tibble(x1 = 2010, x2 = 2011, y1 = 4, y2 = 7)
adci <- ggplot(data = df) +
geom_line(size = 2, mapping = aes(x = ano, y = valor, color = zona)) +
geom_point(size = 4, mapping = aes(x = ano, y = valor, color = zona)) +
theme_bw() +
theme(legend.position = "none",
panel.grid = element_blank()) +
guides(color = guide_legend(title = "Zona"),
alpha = guide_legend(title = "Zona")) +
scale_color_brewer(palette = "Set1", direction = -1) +
labs(x = "Año", y = "") +
scale_x_continuous(breaks = 2009:2012,
limits = c(2009.5, 2011.5),
expand = c(0,0)) +
scale_y_continuous(breaks = c(0, 2, 4, 6, 8, 10),
limits = c(0, 10)) +
scale_alpha_manual(values = c(0.3, 1)) +
geom_segment(aes(x = x1, xend = x2, y = y1, yend = y2), data = dfv, linetype = "dashed") +
geom_segment(aes(x = x1, xend = x2, y = y1, yend = y2), data = dfc, linetype = "dotted", color = "red", size = 2, alpha = 0.5)
```
```{r disenos, fig.width = 4, fig.height = 6, fig.cap = "Ejemplos de evaluaciones antes-después (A), dentro-fuera (B) y antes-después-dentro-fuera (C) para una reserva hipotética implementada al final del 2010. Rojo representa reserva y azul control, los colores opacos indican datos no observados u omitidos en cada tipo de evaluación. La línea punteada en la figura C represente la evolución que se hubiera esperado del sitio protegido si la reserva no se hubiera implementado."}
cowplot::plot_grid(ad, ci, adci, ncol = 1, labels = "AUTO")
```