Fracking: fracturando el suelo, ¿o nuestro futuro?

Desde hace unos meses han salpicado los medios de comunicación noticias sobre una técnica de extracción de gas natural que hasta el momento parecía desconocida para la mayoría de la población en España: la fracturación hidráulica o fracking. La mayor parte de estas noticias han estado originadas por grupos que han dado la voz de alarma de los supuestos peligros para la salud y el medio ambiente que podría entrañar esta técnica.

Según El Pais del 16 de marzo:

"El debate sobre el fracking llegó al gran público en 2011 cuando el entonces lehendakari vasco, Patxi López (PSE), anunció por todo lo alto que en Euskadi se había encontrado una reserva de gas pizarra equivalente a cinco veces el consumo anual de toda España. Su Ejecutivo respaldó el proyecto, llamado Gran Enara, a través de la sociedad pública Hidrocarburos de Euskadi. El Gobierno de Iñigo Urkullu (PNV) le puso freno nada más ganar las elecciones"

El Consejo Superior de Colegios de Ingenieros de Minas sacaba a la luz el 11 de marzo un informe sobre el fracking en el que se estimaba que la técnica, sujeta a una vigilancia adecuada, no suponía un riesgo grave. Sin embargo, en unas pocas horas se descubría que uno de los autores del informe, Fernando Pendás, tenía un conflicto de intereses al ser consejero y accionista de Vancast Exploración con participación en consorcios de prospección de petróleo y gas.

Parece que el gobierno español, de momento, no va a prohibir esta técnica y solo va añadirla a la lista de actuaciones que deben someterse obligatoriamente a una Evaluación de Impacto Ambiental, según El Pais del 16 de marzo. Sin embargo, el jueves 21 de marzo, la Comisión de Medio Ambiente del Parlamento de Cantabria aprobaba el dictamen de la proposición de ley para prohibir el uso del fracking en dicha Comunidad Autónoma.

Adelanto que la mayor parte de la información sobre el fracking la he obtenido de la entrada de la Wikipedia en inglés al respecto, la cual a mi parecer está bastante bien documentada. Los entresijos de esta técnica son lo suficientemente complejos como para no poder explicarlo en profundidad en un post. Así que adelanto ya que esto es un brevísimo resumen de lo que hasta el momento he encontrado como más relevante. Seguramente habrá más en Muestra Aleatoria.

Básicamente el fracking es una técnica para extraer gas de yacimientos de los que no es fácil hacerlo mediante la inyección a presión de agua con una mezcla de sustancias que consigue producir grietas en la roca. Obviando que la quema de combustibles fósiles, como el gas natural, tiene evidencias incontestables ya de contribuir a la emisión de gases de efecto invernadero, la primera cuestión que se plantea es si esta técnica implica un riesgo directo para la población y el medio ambiente, si ese riesgo se puede asumir y si es controlable. Existen al menos dos indicios que justificarían una inicial preocupación: las sustancias inyectadas en el subsuelo y la posibilidad de provocar inestabilidades en el terreno.

Desde el comienzo de utilización del fracking en Estados Unidos entre finales del siglo XIX y principios del XX, las mezclas de sustancias en el fluido inyectado se han ido diversificando. De todos ellas existe una lista de 750 plasmada en un informe para el Congreso de Estados Unidos de 2011. Algunas de ellas se pueden encontrar en esta entrada de Wikipedia. Entre ellos encontramos amoniaco y varios compuestos derivados de él, acetona, queroseno, hidróxido de sodio (la sosa cáustica) y benceno, todos ellos potencialmente peligrosos para la salud y el medio ambiente por sí solos. Estos compuestos contaminantes y tóxicos inyectados en el subsuelo podrían alcanzar acuíferos de uso humano y contaminarlos. Sin embargo hay dos dudas respecto a este peligro. Por un lado, aunque estas sustancias son peligrosas por sí solas, podrían no serlo en la mezcla y al entrar en contacto con los compuestos de la roca donde se halla el gas. Para entenderlo mejor, el cloro y el sodio son elementos muy peligrosos que sin embargo al combinarse en el cloruro sódico, la sal común, son comestibles. Por otro lado, el grado de peligrosidad depende en gran parte en el nivel de disolución de estas sustancias, es decir, no es lo mismo beber un vaso con mitad de agua y mitad de amoniaco que un vaso lleno de agua con una gota de amoniaco. Aún con todas estas dudas, en Estados Unidos hay documentados ya varios casos de contaminación de acuíferos de uso humano cuyo origen más probable son las sustancias del fluido inyectado en el fracking, según evaluaciones de la Agencia de Protección Ambiental de EE.UU. (EPA). Quizá el ejemplo emblemático de estas evidencias recogidas por la EPA sea el del informe sobre la contaminación de acuíferos de Pavillion, Wyoming, en el que se recoge una conclusión casi segura de un origen debido al uso del fracking. Sin embargo, la explotación de Pavillion se realiza a 372 metros de profundidad, muy cerca del acuífero, el cual se encuentra a 244 metros de profundidad. De hecho, la EPA ya ha avisado de que este informe, en fase de borrador, no es concluyente en cuanto a la técnica del fracking en general. Aquí se puede obtener de la EPA toda la información sobre este estudio que aún continua su curso.

A todo el problema de las sustancias empleadas en la mezcla de inyección hay que añadir la opacidad existente en la actualidad con respecto a la composición total de las mezclas. Un informe del Comité de Energía y Comercio de la Cámara de Representantes de EE.UU. de 2011 revela que muchas de las compañías explotadoras no saben cuál es la composición exacta de la mezcla que utilizan puesto que las empresas proveedoras no la facilitan por cuestiones de secreto empresarial y patentes.

Hasta aquí entiendo que estamos arriesgándonos demasiado sin tener sobre la mesa datos concluyentes sobre una actuación humana que podría tener efectos muy complejos en el medio. Quizá el principio de precaución debiera imperar en este caso por encima de todo en las decisiones políticas, y establecer al menos una demora hasta poder empezar a desarrollar una legislación adecuada que controle el uso del fracking. El establecimiento de la obligatoriedad de realizar una Evaluación de Impacto sin conocer siquiera los posibles impactos del fracking es simplemente absurdo ¿Merece realmente la pena comenzar en Europa a utilizar esta técnica para seguir con un modelo energético basado en combustibles fósiles cuando ya existen alternativas? ¿Realmente daría una mayor autonomía energética respecto al gas natural en Europa?

Hay muchas incógnitas todavía, demasiadas para el tiempo que lleva utilizándose el fracking, como para lanzarse alegremente a avalar como segura esta técnica.

Feliz Día de Darwin

Hoy, 12 de febrero, conmemoramos el nacimiento de Charles Robert Darwin en 1809. Reivindicar esta fecha es tanto más necesaria a día de hoy cuando inesperadamente en las sociedades pretendidamente avanzadas resurgen voces que pretenden devolvernos a las tinieblas de la irracionalidad y la superstición. Voces que pretenden que la Tierra solo cuenta con 6000 años de edad y quieren devolvernos a nuestro aislamiento supuestamente excelso del resto de la Naturaleza.

La labor de Darwin nos dio como resultado nuestro justo lugar en este Universo. Ya no estamos arrinconados al margen del resto de seres vivos (al menos aquí, en la Tierra), sino que compartimos una herencia ancestral con todos ellos, somos parte de un noble linaje de cientos de millones de años. Eso ha supuesto que nos dignifiquemos aún más si cabe al hacernos más humildes y más respetuosos con las especies de las que somos primos lejanos con las que convivimos en esta pequeña roca perdida en el brazo de una galaxia. Aún más, los trabajos de Darwin representaron el primer paso para empezar a desterrar definitivamente la idea de que hay diferencias entre nosotros que justifiquen grotescas diferencias de trato: todos somos miembros de una única especie descendiente de un ancestro común.

Para celebrar el nacimiento de Darwin quiero regalaros una cita de El origen de las especies sobre uno de los motores de la evolución, descubierto simultáneamente por Darwin y Wallace, cuya elegancia y sencillez lleva en no pocas ocasiones a equívocos al intentar explicar los hechos complejos a los que hace referencia: la Selección Natural.

¡Feliz Día de Darwin!

Metafóricamente puede decirse que la selección natural está buscando cada día y cada hora por todo el mundo las más ligeras variaciones; rechazando las que son malas; conservando y sumando todas las que son buenas; trabajando silenciosa e insensiblemente, cuando quiera y dondequiera que se ofrece la oportunidad, por el perfeccionamiento de cada ser orgánico en relación con sus condiciones orgánicas e inorgánicas de vida. Nada vemos de estos cambios lentos y progresivos hasta que la mano del tiempo ha marcado el transcurso de las edades; y entonces, tan imperfecta es nuestra visión de las remotas edades geológicas, que vemos sólo que las formas orgánicas son ahora diferentes de lo que fueron en otro tiempo.

Darwin, Ch. R. 1859. El origen de las especies.

R: Curvas de Respuesta Principal (PRC) 3. Significatividad de los ejes

Se nos quedó en el tintero en nuestros análisis PRC un tema algo ecabroso y complicado que es el análisis de la significatividad de los ejes. El test de Monte Carlo para el primer eje no tiene problema en vegan con la función anova.cca:

## Significación primer eje

anova(mod, strata = week, perm.max = 499, first = T)

## Permutation test for rda under reduced model
## Permutations stratified within 'week'
## 
## Model: prc(response = pyrifos, treatment = dose, time = week)
##          Df   Var    F N.Perm Pr(>F)   
## RDA1      1  25.3 15.1    199  0.005 **
## Residual 77 129.0                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

En la última versión de vegan (2.0-5) se introdujo la modificación adecuada en esta función para que se pudiera utilizar el parámetro by con la opción “axis” con un objeto proveniente de de la función prc. Supuestamente con este parámetro la función realiza los test de Monte Carlo para todos los ejes extrayendo los scores de cada eje y utilizándolos como covariables para el siguiente en cada paso, tal como debe hacerse para garantizar la independencia de cada uno de ellos:

anova(mod, strata = week, perm.max = 499, by = "axis")

## Model: rda(formula = pyrifos ~ dose * week + Condition(week))
##          Df   Var     F N.Perm Pr(>F)   
## RDA1      1  25.3 15.10    199  0.005 **
## RDA2      1   8.3  4.95    199  0.005 **
## RDA3      1   6.0  3.61    199  0.005 **
## RDA4      1   4.8  2.85    199  0.005 **
## RDA5      1   4.1  2.48    199  0.005 **
## RDA6      1   3.9  2.30    199  0.005 **
## RDA7      1   3.6  2.14    199  0.010 **
## RDA8      1   3.3  1.99    199  0.005 **
## RDA9      1   3.1  1.84    299  0.017 * 
## RDA10     1   2.6  1.52    499  0.048 * 
## RDA11     1   2.5  1.47    499  0.066 . 
## RDA12     1   2.2  1.32    199  0.115   
## RDA13     1   2.1  1.27     99  0.130   
## RDA14     1   1.9  1.16     99  0.340   
## RDA15     1   1.8  1.07     99  0.430   
## RDA16     1   1.6  0.97     99  0.570   
## RDA17     1   1.6  0.94     99  0.590   
## RDA18     1   1.4  0.86     99  0.730   
## RDA19     1   1.4  0.83     99  0.700   
## RDA20     1   1.3  0.77     99  0.810   
## RDA21     1   1.2  0.72     99  0.870   
## RDA22     1   1.1  0.68     99  0.940   
## RDA23     1   1.0  0.60     99  0.980   
## RDA24     1   0.9  0.55     99  1.000   
## RDA25     1   0.9  0.51     99  1.000   
## RDA26     1   0.8  0.47     99  0.980   
## RDA27     1   0.7  0.45     99  1.000   
## RDA28     1   0.7  0.43     99  1.000   
## RDA29     1   0.7  0.41     99  1.000   
## RDA30     1   0.6  0.36     99  1.000   
## RDA31     1   0.6  0.35     99  1.000   
## RDA32     1   0.5  0.32     99  1.000   
## RDA33     1   0.5  0.31     99  1.000   
## RDA34     1   0.4  0.26     99  1.000   
## RDA35     1   0.4  0.25     99  1.000   
## RDA36     1   0.4  0.24     99  1.000   
## RDA37     1   0.4  0.22     99  1.000   
## RDA38     1   0.3  0.20     99  1.000   
## RDA39     1   0.3  0.20     99  1.000   
## RDA40     1   0.3  0.18     99  1.000   
## RDA41     1   0.3  0.17     99  1.000   
## RDA42     1   0.3  0.16     99  1.000   
## RDA43     1   0.2  0.12     99  1.000   
## RDA44     1   0.2  0.11     99  1.000   
## Residual 77 129.0                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Sin embargo, ya adelanto que los resultados de estos análisis no son correctos. Esto lo he comprobado con resultados obtenidos con CANOCO de otra serie de datos propios. El caso es que la función en vegan parece no tomar las puntuaciones adecuadas de cada eje. He dejado esta cuestión en la página de del foro de vegan por si se tratara de un bug.

A la espera de conocer qué está pasando realmente con el parámetro by de la función anova.cca, tenemos una solución alternativa para comprobar la significatividad de los ejes de nuestra PRC subsiguientes al primero. Lo primero es saber que una PRC no es más que una RDA de la forma rda (species ~ Treatment * Year + Condition (Year)). Lo segundo que necesitamos saber es dónde están las puntuaciones de los puntos de muestreo que son combinaciones lineales de las variables ambientales y que son las que tenemos que utilizar como covariables en el análisis del siguiente eje (las SamE de CANOCO). El resultado de la PRC es un objeto cca.object y dichas puntuaciones se encuentran en cca.object$CCA$u. Así que solo tenemos que extraerlas y realizar un RDA añadiéndolas como covariable (argumento Condition). Por último, realizaremos el test de Monte Carlo para el primer eje de este análisis que correspondería a nuestro segundo eje de PRC.

## Significación segundo eje

SamE <- mod$CCA$u
SamE <- SamE[, 1]
secondaxis <- rda(pyrifos ~ dose * week + Condition(week) + Condition(SamE))
anova(secondaxis, strata = week, perm.max = 499, first = T)

## Permutation test for rda under reduced model
## Permutations stratified within 'week'
## 
## Model: rda(formula = pyrifos ~ dose * week + Condition(week) + Condition(SamE))
##          Df   Var    F N.Perm Pr(>F)
## RDA1      1   8.3 4.95     99    0.7
## Residual 77 129.0

He comprobado, ya dije, esto con datos propios porque carezco de los resultados del artículo de Ter Braak y van den Brink en el que están basados datos de pyrifos (solo aparecen en él las p y el porcentaje de varianza recogida por los ejes), y tanto los resultados de las F en vegan y CANOCO son similares y los eigenvalues de la prc y de la posterior rda coinciden.

Solo queda saber qué pasa con by=“axis”, porque sería bastante más cómodo hacerlo así.

Por último, como habréis comprobado el formato de las operaciones en R de este post se ve algo más vistoso. Lo he conseguido utilzando el paquete knitr y la interface gráfica RStudio. knitr le permite a uno elaborar mediante markdown informes en HTML a partir de operaciones con R, como véis, resaltando de forma diferente las órdenes en la línea de comandos y los resultados. Permite además incrustar las gráficas en el mismo documento, pero no lo tengo aún muy dominado. Por el momento, parece que el código HTML que genera es aceptado bastante bien por Blogger

R: Curvas de Respuesta Principal (PRC) 2. Una gráfica elegante

En el pasado post hablábamos de cómo conseguir que los resultados de la función prc del paquete vegan se parecieran lo más posible a los obtenidos con CANOCO. A pesar de ello la gráfica que se obtiene directamente con la función plot queda bastante fea. Aparte del tema de colores, tamaños de fuentes y ausencia de puntos, el principal problema es la diferencia de rangos de los valores de las puntuaciones de las parcelas (observaciones, puntos de muestreo,etc.) y de las especies. De hecho, Lepš y Šmilauer utilizan un método gráfico en CANOCO que separa los ejes de ambos, de forma que pueden así tener dos escalas distintas, sin importar más que luego coincidan los dos ceros en la gráfica general.

Esta es la misma solución que propongo para obtener una gráfica más elegante y más sencilla de interpretar visualmente. Lo podemos conseguir haciendo la gráfica con plot por un lado sin dibujar las especies con el parámetro species, y haciendo una gráfica independiente para estas con linestack. Ambas gráficas tendremos que fusionarlas luego con alguna aplicación externa. Vamos a ello.

Lo primero es dejar la parte de las parcelas visualmente aceptable. Para ello necesitaremos establecer varias parámetros gráficos previos con par, después dibujarla sin la leyenda con plot y, por último, añadirle la leyenda con legend en la posición más adecuada.

library (vegan)
##Extraemos los parámetros gráficos por defecto para no perderlos
opar <- par (no.readonly=T)
##Establecemos los parámetros gráficos para que nos haga todo en negro,
##aumente un poco el tamaño de las fuentes y las líneas,suprima los
##márgenes exteriores,nos ponga márgenes adecuados para los títulos
##de los ejes y los números de las escalas, nos deje los números de
##las escalas a 0.5 y en el sentido de lectura y establecemos el
##tamaño de las marcas de escala
png ('PRC.sites2.png')
par (bty='l', col='black', cex=2, cex.axis=1, cex.lab=1.3, lwd=1.8,
     xaxs='i',yaxs='i', mar=c(3,3,1,4), mgp=c(2,0.5,0), omi=c(0,0,0,0), 
     adj=0.5, las=1, tcl= -0.3)
##Dibujamos el gráfico sin especies y sin leyenda, con líneas y puntos y
##con límites de escala adecuados
plot (mod, scaling=1, species=F, col='black',type='b',ylab=c('PRC'),
      pch=c(15,16,17,18,19), ylim=c(-1,1.8),xlim=c(-5,25),legpos=NA)
##Dibujamos la leyenda sin el nivel de control, cuidando que los
##caracteres de los puntos coincidan con los graficados
legend (0.05,0.2,legend=levels(dose)[-1],pch=c(15,16,17,18,19),
        ncol=2,cex=1.5)
dev.off()

Ahora toca dibujar el eje de las especies. Si recordáis, en el post anterior extrajimos del análisis las puntuaciones de las especies a un vector con el escalado adecuado. Por si acaso, aquí está otra vez, solo que sin multiplicar por la constante correspondiente a CANOCO:

##Extraemos las puntuaciones de las especies para el primer eje
##RDA (choices=1), multiplicadas por la constante (const) que
##utiliza CANOCO
scores.sps <- scores (mod, choices=1, scaling=1,
                      dis='sp')

Vamos a hacer la gráfica con un poco menos de especies para que no salga tan abigarrada, así que estableceremos con colSums un límite inferior de 250, en vez de 100 como en el ejemplo de la función prc. Vamos a dibujar el eje de las especies con la función linestack, a la cual hay que especificarle que nos tiene que dibujar el eje con el parámetro axis. Con los parámetros air y hoff vamos a hacer que los nombres de las especies se separen un poco entre ellos y del eje. Por último, con el parámetro at colocaremos el eje en el centro de la gráfica. Podéis poner en el vector names los nombres completos de las especies, pero eso ya os lo dejo a vosotros.

##Dibujo del eje de especies
png ('PRCsps.png', 240, 480, res=100)
linestack (scores.sps[logabu>250], labels=names[logabu>250], axis=T,
           air=1.3, hoff=6, at=-1, font=3)
dev.off()

Y ya solo tenemos que unir los dos gráficos en uno con algún programa externo. La función linestack tiene un parámetro, add, con el que añadir el eje al gráfico actual, pero si hacemos esto, por la diferencia de escalas, no nos quedará bien colocado respecto al 0 de la figura de las observaciones. Por eso es mejor hacer los dos gráficos independientemente y luego juntarlos con un programa externo. Yo lo he hecho con Libre Office Draw.

Y, en principio, ya está. Sugerencias y comentarios serán bienvenidos.

R: Curvas de Respuesta Principal (PRC) 1. El lío del escalado

Este post va a ser un poco más técnico y menos divulgativo, aviso. Son un poco mis apuntes de R, paquete estadístico libre con muchas ventajas pero difícil de utilizar para los que venimos de programas con interfaces gráficas. Estos posts de R espero que además sirvan de ayuda para aquellos que andan dándose de cabezazos con él.

Estoy trabajando con unos datos de campo para hacer unas curvas de respuesta principal (PRC). Existe un paquete para R desarrollado principalmente por Jari Oksanen llamado vegan. Tenía las PRC hechas antes con el programa se suele usar para estos casos: CANOCO. Sin embargo, los resultados con vegan diferían bastante de los que había obtenido con CANOCO.

El paquete vegan contiene una colección de datos denominada pyrifos para hacer prácticas con él. Curiosamente los datos de pyrifos son de un estudio de van den Brink y ter Braak¹ en el que se analizan precisamente con PRC. Además, ter Braak ha participado en el desarrollo de la función prc del paquete vegan junto con Oksanen. Lo más gracioso es que haciendo el análisis con el código propuesto por el archivo de ayuda de la función prc se obtienen también resultados distintos a los que se exponen en el artículo.

Lo primero que hay que recordar para entender esta disparidad de resultados es que la PRC es un análisis multivariante en el que las escalas pueden ser muy arbitrarias porque lo que interesa son las distancias relativas entre los elementos en estudio (normalmente parcelas y especies). Jari Oksanen ha generado varios documentos respecto a su paquete vegan para aclarar ciertas dudas. Uno de ellos es Design decisions and implementation details in vegan. En él explica cuáles son las constantes que ha utilizado para hacer los escalados de especies y parcelas en los análisis de redundancias (RDA, las PRC son un caso especial de estas) comparándolos con las usadas en CANOCO. Además, hay que observar que el escalado se puede hacer centrado en especies o en parcelas y que la función prc nos da la opción de especificarlo con el parámetro scaling.

Veamos qué es lo que ocurre siguiendo el código propuesto por el archivo de ayuda de la función prc:

##Cargamos el paquete
library (vegan)
##Cargamos en el espacio de trabajo los datos
data(pyrifos)
##Generamos un factor con las semanas de aplicación del tratamiento
week <- gl(11, 12, labels=c(-4, -1, 0.1, 1, 2, 4, 8, 12, 15, 19, 24))
##Generamos otro factor con los tratamientos
dose <- factor(rep(c(0.1, 0, 0, 0.9, 0, 44, 6, 0.1, 44, 0.9, 0, 6), 11))
##Hacemos el análisis prc
mod <- prc(pyrifos, dose, week)
##Metemos en un vector la suma de los datos para cada especie
logabu <- colSums(pyrifos)
##Hacemos la gráfica solo con las especies cuya suma de datos sea superior
##a 100
png ('prc.man.png')
plot(mod, select = logabu > 100)
dev.off()

Vemos que no solo no encontramos las parcelas en la parte negativa del eje, sino que además el rango de la escala sobrepasa las 2 unidades cuando en la figura 3 del trabajo de van den Brink y ter Braak no sobrepasa el valor 1.80. También en el eje de especies vemos cómo la más alejada, caenhora (Caenis horaria), se encuentra por debajo del valor -3, cuando en la figura del artículo se encuentra por debajo del 5. Esto aparte de lo feo de la figura y la saturación del eje de especies. Y esta gráfica obtenida con R es la que se repite en multitud de sitios. Hay que poner un poco más de cuidado.

Lo primero que hemos de saber es que el escalado puede estar centrado en las especies o en las parcelas, unidades de muestreo o como lo queramos llamar. Esto lo especificábamos en CANOCO y también lo podemos especificar en R con el parámetro scaling. Los valores para este parámetro están perfectamente explicados en el archivo de ayuda de la función plot.cca. En el caso de la PRC y siguiendo el método descrito en Šmilauer y Lepš², centramos por parcelas, así que scaling=1.

png ('prc.scale1.png')
plot(mod, select = logabu > 100, scaling=1)
dev.off()

Aún así, vemos que los resultados siguen si parecerse mucho a los del artículo, sobre todo en las especies si prestamos atención a la más alejada. Y es que, como explica Oksanen en Design decisions and implementation details in vegan, las puntuaciones de especies y parcelas se multiplican por una constante distinta en CANOCO y en vegan. Para obtener al menos los mismos valores absolutos en CANOCO y en vegan, tenemos que dar un rodeo algo más largo, porque plot.cca no permite especificar dicha constante, pero scores, sí. Vamos a hacerlo con las especies para comprobarlo. En CANOCO esta constante es la raiz cuadrada del número de especies.

##Extraemos las puntuaciones de las especies para el primer eje
##RDA (choices=1), multiplicadas por la constante (const) que
##utiliza CANOCO
scores.sps <- scores (mod, choices=1, scaling=1, const=sqrt(132), dis='sp')
##Extraemos solo los valores para las especies con más presencia,
##así como sus nombres
scores.sps.sel <- scores.sps [logabu>100]
names <- colnames (pyrifos)
names.sel <- names [logabu>100]
##Dibujamos el eje de las especies de la PRC
png ('spsCANOCO.png')
linestack (scores.sps.sel, axis=T, labels=names.sel)
dev.off()

Ahora, nuestra especie de referencia por ejemplo, caenhora, cae en la zona del eje que en valor absoluto más se asemeja a los resultados del artículo. Si además contáramos con las puntuaciones exactas de las especies en CANOCO, veríamos que coinciden con las obtenidas por scores con la constante establecida. Y lo mismo para las puntuaciones de cada combinación de semana y dosis, solo que aquí la constante es la raiz cuadrada del número de observaciones.

Quedaría por saber por qué narices en vegan obtenemos resultados con el signo cambiado, algo que no he podido entender y que espero que algún lector más avispado o entendido que yo u Oksanen mismo lo puedan explicar. Sin embargo, da un poco igual porque, como decíamos al principio, lo importante es la posición relativa de los objetos de estudio en el espacio, sea en la parte positiva o negativa del eje. Queda para un próximo post la solución que he encontrado para hacer el gráfico de las curvas un poco más elegante.

¹Van den Brink, P. J. and Braak, C. J. F. T. (1999), Principal response curves: Analysis of time-dependent multivariate responses of biological community to stress. Environmental Toxicology and Chemistry, 18: 138–148.

²Jan Lepš, Petr Šmilauer. Multivariate Analysis of Ecological Data using CANOCO. Cambridge University Press 2003.

Las semillas que no flotan pero sí navegan

La dispersión de las semillas de una planta es fundamental para que persista en el el lugar en el que vive o incluso en el tiempo y no se extinga. Los viajes de las semillas que produce una planta pueden llevarla a nuevos sitios que colonizar en los que, por ejemplo, haya menos competidores, o más agua, o más nutrientes,... Las semillas viajan para conquistar nuevos territorios por tierra, aire, a lomos de bestias de carga y... por agua.

Un reciente artículo publicado aún on-line en Journal of Vegetation Science explica cómo es el modo de viajar y asentarse de las semillas en un río japonés: Yoshikawa, M., Hoshino, Y., Iwata, N. (2012), Role of seed settleability and settling velocity in water for plant colonization of river gravel bars. Journal of Vegetation Science. doi: 10.1111/jvs.12001. Yoshikawa y colaboradores nos explican cómo en las bandas de grava de las orillas del río Tama se depositan capas de arena por la actividad humana después de cada subida, y con ellas aparecen especies de plantas que antes no estaban allí. Se preguntaron si las semillas de estas especies tienen una especial capacidad de flotación que las ayuden en su dispersión por las aguas del río. Sin embargo, lo que encontraron es que la mayoría no flotan tanto como lo esperado, sino que más bien, tienen una velocidad de decantación -es decir, la velocidad con la que llegan al fondo- similar a la de las partículas de arena. Es decir, que no flotan, sino que se van hundiendo lo suficientemente despacio como para que les dé tiempo a llegar a estas zonas que se ven inundadas con las crecidas del río.

Sabemos que la actividad humana aguas arriba de un río provoca efectos aguas abajo o en su desembocadura, donde se depositan más los materiales que lleva en suspensión al ralentizarse la velocidad del agua. En estas zonas de grava se instalan, como comentan los autores, especies de plantas xerofíticas, acostumbradas al ir y venir de las crecidas, las cuales están siendo desplazadas por estas especies cuyas semillas son capaces de navegar hundiéndose poco a poco con la arena que, presuntamente, ha aumentado por la actividad humana. Entender estos mecanismos por los que unas especies son capaces de colonizar y desplazar a otras es fundamental para hacer previsiones de los efectos de nuestra actividad alrededor de los ríos.

Una triste Semana de la "Ciencia" en Madrid

Estos días he estado hojeando la preciosa y supongo que costosa publicación sobre la XII Semana de la Ciencia en Madrid. Siento tener que decir que a uno le sorprende desagradablemente que, después de muchas páginas de costoso papel, no haya ni siquiera unas pocas dedicadas a listar en forma de reconocimiento a todas las entidades que participan, ponen a disposición sus instalaciones y sus investigadores; máxime, cuando muchas de ellas son universidades y centros de investigación públicos.

Sin embargo, el estupor es mayúsculo cuando, entre actividades de todo tipo -algunas incluso ajenas a la ciencia pero de validez en otros ámbitos-, de repente aparece la pseudociencia como actividad dentro de una semana de la "ciencia": Estudio de casos prácticos con constelaciones familiares: Mirada al amor que sana y al que enferma.

En dicha actividad:

Se abordará la autoobservación y sus efectos beneficiosos para el propio bienestar personal y social. Se concretará en el amor que sana y el amor que enferma, todo ello desde la intervención sistémica en familias y organizaciones socioeducativas.

¿Qué son las constelaciones familiares? Como bien explica Mauricio José-Schwarz, no es más que una pseudoterapia sin sustento científico alguno basada en energías que nadie ha visto, ni medido ni probado. Lo peor de todo es que esta actividad está impartida por un docente de la Universidad Complutense de Madrid de unos estudios tan sensibles e importantes como son los de la Escuela de Trabajo Social.

Parece que no es la primera vez que suceden cosas como estas en lo que, de otro modo, debiera ser una oportunidad de oro para hacer divulgación científica. Espero que los coordinadores y gestores de estas jornadas tengan un poco más de cuidado la próxima vez.

Sin embargo, os recomiendo muchas del resto de las actividades porque las hay muy prometedoras y de mucha calidad y que sí son Ciencia.