Title: Comparación de metodologías para el modelado espacial: caso de estudio en el ámbito de la gestión pesquera

University that offers the project: University of Vigo

Director: Roca Pardiñas, Javier

Summary:
En el ámbito de la gestión de recursos pesqueros, el modelado espacial es una herramienta fundamental que permite describir y comprender el comportamiento espacial de una especie de interés, por ejemplo, proporcionando mapas de presencia y/o abundancia de la especie en diferentes áreas geográficas. Entre las diversas técnicas disponibles para el modelado espacial, una de las más empleadas en los últimos años es el modelado bayesiano mediante Integrated Nested Laplace Approximation (INLA) (Rue et al., 2009). Estos modelos permiten incorporar de manera explícita la estructura de dependencia espacial dentro del modelo, lo que añade una complejidad extra en comparación con otras metodologías más tradicionales. No obstante, aunque INLA es una opción ampliamente utilizada, la literatura ofrece muchas otras metodologías alternativas para abordar el modelado espacial. Por ejemplo, Francisco et al. (2024) analizan la utilidad de los modelos aditivos generalizados (Generalized Additive Models, GAMs), mediante un enfoque frecuentista que permite modelar coeficientes espacialmente dependientes sin incorporar una estructura espacial explícita. Por lo que una pregunta que surge es: ¿pueden dos metodologías que tratan la componente espacial de una forma tan distinta dar resultados similares? Dicho de otra manera, ¿en determinadas situaciones, el uso de modelos más complejos realmente aporta beneficios sustanciales en términos de precisión y utilidad práctica? El objetivo principal de este TFM será, por tanto, evaluar el funcionamiento de estas metodologías mediante la aplicación a un caso de estudio concreto en el ámbito de la gestión pesquera. Se espera que este trabajo proporcione información relevante acerca del funcionamiento de ambas metodologías. Referencias: Rue, H., Martino, S., Chopin, N., 2009. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. J. R. Stat. Soc. Ser. B (Stat. Methodol.) 71(2), 319–392. Francisco de Asís López, Javier Roca-Pardiñas, Celestino Ordóñez, 2024. Regression analysis with spatially-varying coefficients using generalized additive models (GAMs). Chemometrics and Intelligent Laboratory Systems, Volume 255, 105254. ISSN 0169-7439.

More information