Modelos geoestadísticos para el estudio de índices bioclimáticos

• Autores: Josep Xavier Barber Valles
• Directores de la Tesis: Javier Morales Socuéllamos (dir. tes.) , Antonio López Quílez (dir. tes.)
• Lectura: En la Universidad Miguel Hernández de Elche ( España ) en 2009
• Idioma: español
• Tribunal Calificador de la Tesis: David Valentín Conesa Guillén (presid.) , Fernando Borrás Rocher (secret.) , Amelia Simó Vidal (voc.) , Virgilio Gomez Ruiz (voc.) , María Victoria Ibáñez Gual (voc.)
• Enlaces
  • Tesis en acceso abierto en: RediUMH
• Resumen

  • Numerosos autores han propuesto clasificaciones del clima derivadas en general de registros meteorológicos estandarizados, Estas clasificaciones han tratado de determinar las áreas de distribución de los tipos de vegetación a través del cálculo de diferentes índices climáticos sobre diferentes puntos de una región. La clasificación bioclimática más actual en este momento se debe a Rivas-Martínez(2004).

    La geoestadística (Cressie(1993)) y más concretamente los modelos jerarquicos bayesianos espaciales (Banerjee et al. (2004)) han mostrado una capacidad de resolución en términos de predicción y de su error asociado, que los convierten en la herramienta de análisis estadístico para variables espaciales contínuas más potente en la actualalidad. Sin embargo, esta capacidad se ve reducida a la hora de establecer la información previa sobre todos los parámetros del modelo, que es necesaria en todo análisis bayesiano. Se ha establecido un modelo para cada uno de los índices haciendo uso de distribuciones previas poco informativas y estableciendo un nuevo procedimiento para obtener distribuciones previas sobre las variabilidades espacial y no espacial del índice bajo estudio. El proceso inferencial muestra poca sensibilidad respecto de ellas. Además dichas distribuciones se han podido usar en los modelos multivariantes aprovechando la estructura jerárquica planteada. Los modelos reparametrizados planteados permiten modelizar las posibles variabilidades de forma conjunta, sin la necesidad de asumir independencia entre ellas, lo que resulta improbable en la mayoría de los casos. La utilización de la computación en paralelo para la obtención de la distribución predictiva posterior ha reducido el tiempo de cómputo en un 85%, de 6 horas a menos de 50 minutos. Por lo que la obtención de esta distribución predictiva puede actualizarse para nuevas localizaciones a predecir en la región o zona de estudio.