SEARCH

SEARCH BY CITATION

Keywords:

  • density dependence;
  • ecological forecasting;
  • environmental change;
  • matrix projection models;
  • plant population dynamics;
  • population viability analysis;
  • precipitation;
  • temperature;
  • análisis de viabilidad poblacional;
  • dependencia de la densidad;
  • dinámica poblacional de plantas;
  • modelos de proyección matricial;
  • precipitación;
  • pronóstico ecológico;
  • temperatura

Abstract

Uncertainty associated with ecological forecasts has long been recognized, but forecast accuracy is rarely quantified. We evaluated how well data on 82 populations of 20 species of plants spanning 3 continents explained and predicted plant population dynamics. We parameterized stage-based matrix models with demographic data from individually marked plants and determined how well these models forecast population sizes observed at least 5 years into the future. Simple demographic models forecasted population dynamics poorly; only 40% of observed population sizes fell within our forecasts’ 95% confidence limits. However, these models explained population dynamics during the years in which data were collected; observed changes in population size during the data-collection period were strongly positively correlated with population growth rate. Thus, these models are at least a sound way to quantify population status. Poor forecasts were not associated with the number of individual plants or years of data. We tested whether vital rates were density dependent and found both positive and negative density dependence. However, density dependence was not associated with forecast error. Forecast error was significantly associated with environmental differences between the data collection and forecast periods. To forecast population fates, more detailed models, such as those that project how environments are likely to change and how these changes will affect population dynamics, may be needed. Such detailed models are not always feasible. Thus, it may be wiser to make risk-averse decisions than to expect precise forecasts from models.

Habilidad de los Modelos Matriciales para Explicar el Pasado y Predecir el Futuro de las Poblaciones de Plantas

Resumen

La incertidumbre asociada con el pronóstico ecológico ha sido reconocida durante un largo tiempo pero rara vez se cuantifica su seguridad. Evaluamos que tan bien la información de 82 poblaciones de 20 especies de plantas a lo largo de 3 continentes explica y predice la dinámica de población de las plantas. Realizamos parámetros con modelos matriciales con base en estadios con datos demográficos a partir de plantas marcadas individualmente y determinamos que tan bien estos modelos pronostican el tamaño de las poblaciones al menos 5 años en el futuro. Los modelos demográficos simples pronosticaron pobremente las dinámicas de población; solamente el 40% de las poblaciones observadas cayó dentro de los límites de confianza de 85% de nuestros pronósticos. Estos modelos sin embargo explicaron la dinámica de población a lo largo de los años en los que se colectaron datos; los cambios observados en el tamaño de la población durante el periodo de colecta de datos estuvieron positivamente correlacionados con la tasa de crecimiento de la población. Así, estos modelos son por lo menos una manera segura de cuantificar el estado de la población. Los pronósticos débiles no estuvieron asociados con el número de plantas individuales o con los años de datos. Probamos si las tasas vitales dependían de la densidad y encontramos que existe dependencia hacia la densidad tanto positiva como negativa, sin embargo la dependencia de densidad no se asoció con el error de pronóstico. El error de pronóstico estuvo significativamente asociado con diferencias ambientales entre la recolección de datos y los periodos de pronóstico. Para predecir el destino de las poblaciones se necesitan modelos más detallados, como aquellos que proyectan los cambios probables en el ambiente y como estos cambios afectarán a la dinámica de las poblaciones. Tales modelos tan detallados no siempre son factibles. Por ello puede ser mejor tomar decisiones aversas a riesgos que esperar pronósticos precisos de los modelos.