Garcia 2008 Scale Libro

Introducción
al Análisis Espacial
de Datos en Ecología
y Ciencias Ambientales:
Métodos y Aplicaciones
FERNANDO T. MAESTRE
ADRIÁN ESCUDERO
ANDREU BONET
(editores)
Servicio
de
Publicaciones
Todos los derechos reservados. Ni la totalidad ni parte de este libro, incluido el diseño
de la cubierta, puede reproducirse o transmitirse por ningún procedimiento electró-
nico o mecánico. Cualquier forma de reproducción, distribución, comunicación
pública o transformación de esta obra solo puede ser realizada con la autorización de
sus titulares, salvo excepción prevista por la ley. Diríjase a CEDRO (Centro Español de
Derechos Reprográficos, www.cedro.org) si necesita fotocopiar o escanear algún frag-
mento de esta obra.
© Copyright by
Universidad Rey Juan Carlos
Servicio de publicaciones
Los autores
Madrid, 2008
Editorial DYKINSON, S.L.

Meléndez Valdés, 61 - 28015 Madrid
Teléfono (+34) 91544 28 46 - (+34) 91544 28 69
e-mail: [email protected]
http://www.dykinson.es http://www.dykinson.com
ISBN: 978-84-9849-308-5
Depósito Legal:
Preimpresión:
Besing Servicios Gráficos, S.L.

[email protected]
2
El concepto de escala y su
importancia en el análisis espacial
DANIEL GARCÍA
Dpto. Biología de Organismos y Sistemas, Facultad
de Biología, Universidad de Oviedo. C/ Catedrático
Rodrigo Uría s/n 33006, Oviedo (Asturias), España.
E-mail: [email protected]
RESUMEN
La escala espacial se define como la dimensión física de un objeto o proceso en el

espacio. Su interés en Ecología reside en que tanto objetos como procesos ecológicos
tienen una escala característica de operatividad, y en que un mismo proceso puede
generar patrones diferentes a distintas escalas, al estar regulado por diferentes meca-
nismos. El análisis de la escala parte del reconocimiento de las escalas muestral y ana-
lítica, a través de parámetros como el tamaño de grano, o unidad mínima de resolu-
ción espacial que utilizamos en un estudio, y la extensión, o dimensión máxima
cubierta por el estudio. La capacidad de inferencia ecológica depende de cómo las es-
calas muestral y analítica se ajustan a la dimensión real de los fenómenos naturales.
Los objetivos analíticos en relación a la escala son, primero, determinar el reparto de
variabilidad de los parámetros ecológicos a lo largo de las escalas espaciales y, segun-
do, discernir cómo cambia la covariación entre parámetros en función de la escala.
Para ambos fines, podemos considerar el espacio de forma explícita, con unidades
analíticas definidas por características espaciales como posición y extensión, o bien de
forma implícita, con niveles de heterogeneidad estructural que llevan asociadas
diferencias espaciales (p. ej. microhábitats, hábitats). El Análisis de Coordenadas
Principales de Matrices de Vecinos y los Modelos Lineares Jerárquicos son métodos
analíticos recientemente desarrollados que permiten, tratando el espacio de forma
explícita el primero y de forma implícita el segundo, desglosar la varianza muestral
de los parámetros ecológicos y establecer medidas de covariación entre parámetros a
distintas escalas espaciales. Los próximos retos conceptuales y analíticos de la escala
en Ecología son la identificación y la cuantificación de las interacciones entre escalas,
es decir, cómo los fenómenos que ocurren a una escala pueden depender de
mecanismos que actúan a otras.
36 DANIEL GARCÍA
“La escala no es una cosa, la escala es la dimensión física de una cosa”
OŃeill y King (1998)
2.1. LA ESCALA ESPACIAL EN ECOLOGÍA
2.1.1. ¿Qué es la escala espacial?
La escala espacial se define como la dimensión física de un objeto o

proceso en el espacio (Turner et al. 2001). En Ecología, hablamos de tasas
de asimilación de CO2 en micromoles por metro cuadrado y segundo, de
densidades de semillas en metros cuadrados, de dominios vitales de indivi-
duos en cientos de metros cuadrados, de coberturas paisajísticas en hectáreas y
de ciclos biogeoquímicos sobre miles de kilómetros cuadrados. Todos tenemos
una idea intuitiva del concepto de escala, al ser conscientes de las diferen-
cias en las extensiones de distintos elementos ecológicos y en los radios de
acción de distintos procesos. Por ejemplo, un escarabajo depredador de
semillas no ocupa más que unos milímetros cúbicos, mientras que su plan-
ta hospedadora puede extenderse sobre decenas de metros cuadrados. El
proceso de mineralización del nitrógeno de un tronco en descomposición
no afecta más allá de un pequeño rodal de unos metros cuadrados, mien-
tras que la transferencia de nitrógeno entre distintos elementos paisajísti-
cos de una cuenca fluvial y la atmósfera atañe a varios cientos de hectá-
reas.
A pesar del carácter intuitivo del concepto de escala, durante los últi-
mos 25 años los ecólogos hemos mostrado un interés creciente hacia el he-
cho de que tanto la forma de los patrones como el funcionamiento de los
procesos ecológicos dependen de la escala espacial y temporal (Schneider
2001, Wu y Li 2006). Este aumento de atención parece asociado al uso de la
escala como un concepto integrador, no reduccionista, que mejora nuestra
capacidad para establecer vínculos causales entre patrones, procesos y
mecanismos ecológicos (Levin 1992, Peterson y Parker 1998). Nuestro po-
tencial para predecir y entender el funcionamiento de los sistemas ecoló-
gicos reside, en gran medida, en nuestra capacidad para dilucidar los me-
canismos que subyacen a los patrones ecológicos observables. En este
sentido, sabemos que un mismo proceso ecológico puede generar patro-
El concepto de escala y su importancia en el análisis espacial 37
nes diferentes a distintas escalas espaciales, al estar regulado por mecanis-

mos distintos en cada escala (Wiens 1989, Levin 1992). Por ejemplo, las di-
ferencias en mineralización del mantillo en una extensión de unos
cuantos metros cuadrados estarán básicamente determinadas por el tipo
de dosel (caducifolio vs. perenne) que crece sobre dicha extensión, mien-
tras que sobre una extensión de cientos de miles de kilómetros cuadrados
dependerán probablemente de las variaciones climáticas regionales.
Para entender la importancia conceptual de la escala en el análisis de
datos espaciales es necesario recordar primero la definición de Ecología
Espacial (véase Capítulo 1 para más detalles). Esta subdisciplina ecológica
trata de explicar los procesos ecológicos teniendo en cuenta la distribución
espacial de sus elementos (Turner et al. 2001, Fortin y Dale 2005). En cierto
modo, intenta evaluar la respuesta de los organismos frente a condiciones
y recursos ambientales que son heterogéneos en el espacio, condicionan-
do en gran medida el funcionamiento de los organismos a dicha heteroge-
neidad espacial. Sin embargo, factores ambientales que resultan altamen-
te heterogéneos a pequeña escala pueden aparecer como homogéneos a
escalas superiores. Imaginemos, por ejemplo, cualquier sierra mediterrá-
nea compuesta por una serie de colinas de similar altitud: la humedad
edáfica es muy diferente entre las dos laderas de una misma colina (solana
y umbría), pero es probable que apenas encontremos diferencias cuando
comparemos los valores promedio de humedad entre dos colinas sucesi-
vas. Por tanto, el concepto de escala subyace a cualquier cometido en Eco-
logía Espacial, por el simple hecho de que la mayor parte de la variabilidad
ecológica es dependiente de la escala espacial.
En este capítulo revisaré la relación entre el concepto de escala y el
análisis espacial en Ecología. En primer lugar complementaré la definición
de escala espacial evaluando las similitudes y diferencias entre la escala es-
pacial y los conceptos de nivel de organización biológica y nivel de hetero-
geneidad estructural ecológica. En segundo lugar, plantearé la importan-
cia de la escala en el análisis espacial como un proceso de análisis de la
escala espacial, justificando primero la necesidad intelectual de dicho aná-
lisis y desarrollando la idea complementaria de escalamiento. Tras redefi-
nir escala en términos estrictamente analíticos, evaluaré su importancia a
la hora de determinar el peso del espacio en la variación de los patrones
ecológicos y, más importante, inferir mecanismos ecológicos a través de
las relaciones espaciales entre las respuestas de los organismos y las condi-
38 DANIEL GARCÍA
ciones ambientales. A lo largo del capítulo, haré especial hincapié en el

Análisis de Coordenadas Principales de Matrices de Vecinos como un mé-
todo de análisis, espacialmente explícito, que permite desglosar la varia-
ción de parámetros ecológicos a distintas escalas y correlacionar posterior-
mente dicha variación pluriescalar con una potencia estadística similar.
2.1.2. Escala, niveles de organización biológica y niveles de

heterogeneidad estructural ecológica
El desarrollo del concepto de escala en Ecología se relaciona directa-

mente con la distinción de los niveles de organización biológica: célula, or-
ganismo, población, comunidad, ecosistema, paisaje, bioma y biosfera. Es-
tos niveles son frecuentemente utilizados para delimitar escalas espaciales
de operatividad de distintos procesos ecológicos (O’Neill y King 1998).
Los niveles de organización se asimilan como escalas debido a que fre-
cuentemente representan entidades de distintas dimensiones espaciales y
temporales (p. ej. las poblaciones suelen ocupar una extensión mayor que
los organismos individuales). Además, su estructura jerárquica anidada
(la identidad de un nivel se basa en la combinación espacio-temporal de
distintos tipos identificables correspondientes al nivel inmediatamente in-
ferior, p. ej., una población se compone de distintos organismos indivi-
duales) se ajusta bien al concepto de gradiente de escalas. Sin embargo, los
conceptos de escala y nivel de organización no son equiparables, y debe-
mos hacer un esfuerzo por no utilizarlos indistintamente, evitando térmi-
nos como “a escala de población” o “a escala de bioma”. En primer lugar,
los conceptos difieren desde el punto de vista de cómo se establecen las
definiciones (Allen 1998, Noda 2004). En los niveles de organización, las
definiciones son tipológicas, se establecen a priori y existen independien-
temente de las realidades ecológicas que luego representan. Además, no
llevan asociada, implícita o explícitamente, ninguna dimensión espacio-
temporal (podemos clasificar una realidad biológica como “población” sin
necesidad de pensar en dimensión física). Por el contrario, las escalas se
definen en asociación directa con la realidad observable, llevando explíci-
tamente una dimensión física. Todos estamos de acuerdo en qué constitu-
ye un centímetro, y el centímetro existe antes de que realicemos cualquier
observación. Sin embargo, la escala que representa un centímetro sólo ad-
quiere significado en relación a la realidad ecológica cuando es aplicada
como medida, al observar la misma. En segundo lugar, los ajustes intuiti-

vos entre los niveles de organización y las distintas dimensiones espacia-
les distan de ser generalizables. Por ejemplo, un mismo nivel ecológico,
como el organismo individual, representa del mismo modo a realidades
que pueden diferir en varios órdenes de magnitud en extensión, como
una pulga de agua y un rorcual azul. Por otra parte, realidades que clasifi-
camos como distintos niveles ecológicos pueden mostrar extensiones muy
parecidas. Por ejemplo, en una misma superficie de una ladera boscosa de
montaña podemos centrar nuestra atención en la población de la especie
arbórea dominante o en toda la comunidad forestal.
Ante la situación de confusión terminológica y conceptual entre escala

espacial y niveles ecológicos, algunos autores defienden un marco concep-
tual integrador (Allen y Hoekstra 1990, OŃeill y King 1998; Fig. 2.1). Este
marco representaría la posibilidad de que los distintos niveles ecológicos
puedan mostrar una misma dimensión espacial, a lo largo de un gradiente
de escalas progresivamente más amplias. Además, se da la posibilidad de
que una misma realidad ecológica, con una misma dimensión, pueda ser
clasificada dentro de niveles de organización ecológica aparentemente
muy dispares (p. ej. un ejemplar de ciervo puede ser considerado como un
organismo individual o como un ecosistema donde funciona una comuni-
dad de microflora digestiva). Este marco no resolvería, no obstante, la espe-
cial dualidad que muestran algunos niveles como el de “paisaje” (Allen
1998). Este término define tradicionalmente a una entidad ecológica situa-
da entre el bioma y el ecosistema, ya que dentro de un bioma somos capa-
ces de reconocer distintos paisajes y un paisaje alberga distintos ecosiste-
mas con posibilidades de interacción entre sí. Sin embargo, se utiliza más
frecuentemente en términos de escala, para representar una realidad “pic-
tórica” o contexto relativamente amplio donde sucede algo de interés y que
se observa desde un punto prominente (Allen 1998). Desde el punto de vis-
ta disciplinar de la Ecología del Paisaje, un paisaje representa un área espa-
cialmente heterogénea, escalada respecto a un organismo o proceso de in-
terés y cuya configuración espacial influye en el funcionamiento del
organismo o del proceso (Turner et al. 2001). Estrictamente, tanto de paisaje
tendría un conjunto de rodales de vegetación sobre una zona montañosa
para un alce como un grupo de hojas en una planta de maceta para un pe-
queño áfido. Sin embargo, la mayoría de las veces el término se utiliza ex-
clusivamente para representar contextos espaciales a escala amplia.
40 DANIEL GARCÍA
Figura 2.1. Modelo integrado de jerarquía biológica y escala espacial, considerando los niveles de or-
ganización situados entre el individuo y el bioma (modificado de Allen y Hoekstra 1990). Todos los
niveles pueden ser considerados sobre una misma extensión, y esa extensión puede cambiar a lo lar-
go de un gradiente de escala espacial. Las conexiones internas dentro de extensión indican la posibi-
lidad de que una misma realidad biológica se interprete como niveles de organización diferente.
Además de los niveles de organización, existen otras categorizaciones

conceptuales que se equiparan con la escala espacial y que podríamos de-
nominar niveles de heterogeneidad estructural. Estos niveles surgen del reco-
nocimiento de que la realidad biológica es fuertemente heterogénea en el
espacio, de que esta heterogeneidad se expresa en la aparición de agrega-
dos o rodales (patchiness) y de que la configuración espacial de estos roda-
les influye en el resultado de los procesos ecológicos (Wiens 1976, Allen y
Hoekstra 1991). Estos niveles tienen una identidad basada más en atribu-
tos estructurales que en características funcionales, y representan rasgos
del ambiente con un efecto potencial sobre la presencia, abundancia y mo-
vilidad de los organismos (presencia de recursos tróficos, sitios de estable-
cimiento, cambios abruptos en condiciones ambientales, etcétera). Los
distintos niveles presentan diferencias implícitas en su extensión espacial,
y suelen estar organizados de forma jerárquica y anidada, lo que les vincu-
la directamente con gradientes explícitos de escala (Kotliar y Wiens 1990).
Un sistema natural ajustable a este esquema es el de las plantas considera-
das como recurso de consumo o de puesta de huevos para animales poli-
nizadores, frugívoros, agallíferos y depredadores de semillas, en los que

los módulos (brotes, flores y frutos) constituyen un recurso agregado je-
rárquicamente en ramas (o inflorescencias e infrutescencias) agregadas
dentro de plantas individuales, agregadas dentro de rodales, agregados
dentro de sectores de paisaje, etcétera (p. ej. Inouye 1999, 2005, García y
Ortiz-Pulido 2004, Rabasa et al. 2005; Fig. 2.2). Otro ejemplo de marco de
heterogeneidad es el considerado en la ecología de la dispersión de semi-
llas y el establecimiento de plántulas, que distingue microhábitats (p. ej.
Figura 2.2. Niveles de heterogeneidad estructural (frutos, infrutescencias, plantas individua-

les, rodales, paisaje) que representan distintos niveles jerárquicos de agregabilidad en el recurso
de un animal frugívoro y que se establecen sobre un gradiente de extensión espacial.
42 DANIEL GARCÍA
pequeños rodales de suelo con o sin hojarasca y herbáceas), hábitats (áreas

con o sin dosel de distintas especies leñosas), y paisajes (distintos tipos de
rodales forestales; p. ej. Kollmann 2000, Münzbergová 2004, García et al.
2005b). Finalmente, algunos marcos de heterogeneidad establecen los ni-
veles en función de atributos espaciales y geográficos. Por ejemplo, en un
estudio sobre la riqueza de especies de corales, Karlson y colaboradores
(2007) consideraron la variación en distintos hábitats, localidades, islas y
regiones del Indo-Pacífico. Independientemente de su carácter biológico,
ecológico o geográfico, es importante que los niveles de heterogeneidad
estructural queden bien definidos en términos de extensión espacial (i. e.
¿sobre qué extensión se extiende normalmente un hábitat, o una planta
individual?), de forma que el proceso de escalamiento sobre los niveles
pueda ser traducido a un gradiente de extensión espacial explícita.
2.2. LA ESCALA EN EL ANÁLISIS ESPACIAL (O EL ANÁLISIS DE LA

ESCALA)
2.2.1. ¿Por qué analizar la escala espacial?
El interés analítico de los ecólogos en relación a la escala obedece al menos

a tres fuentes de necesidad intelectual. En primer lugar, la determinación de la
escala característica de patrones y mecanismos nos ayuda enormemente a expli-
car la relación entre los organismos y el ambiente (Wiens 1989, Levin 1992). Di-
cho de otro modo, el hecho de que las respuestas biológicas de los organismos
varíen a la misma escala que las condiciones y los recursos ambientales refuer-
za las inferencias de causalidad ecológica. Por ejemplo, un análisis de la proba-
bilidad de interacción entre aves frugívoras y plantas con frutos que compare
distintas plantas de distintos rodales, y que nos diga que las diferencias princi-
pales aparecen entre plantas del mismo rodal, nos sugiere que los frugívoros
se relacionan con las plantas en función de “algo” que varía “a escala” de la
planta individual, como el tamaño de sus frutos o la abundancia de posaderos
a su alrededor (p. ej. García et al. 2001). Además de las similitudes, también las
diferencias de escala característica entre parámetros biológicos son altamente
informativas. Así, numerosos estudios teóricos (p. ej. Tilman y Kareiva 1997,
Levin et al. 2003, Kneitel y Chase 2004, Van de Koppel et al. 2005) tratan de ex-
plicar fenómenos clave, como la coexistencia entre especies dentro de las co-
munidades ecológicas, en función de las diferencias entre especies en la escala

espacial a la que operan facetas como la dispersión de propágulos, el rastreo
de recursos compartidos o los patrones de movimiento de individuos. Por
ejemplo, Westphal y colaboradores (2006) proponen que la coexistencia de es-
pecies de abejorros (Bombus spp.) en comunidades pratenses centroeuropeas
se consigue gracias a que distintas especies exploran el paisaje a distintas esca-
las espaciales, y no debido a las diferencias interespecíficas en el patrón local
de uso floral. Además de los procesos ecológicos, también la evolución puede
explicarse en gran medida en términos de cómo de parecidas o diferentes son
las escalas espaciales de variabilidad de los rasgos de los organismos y la activi-
dad de las presiones selectivas (Thompson 1994, 1999, Burdon y Thrall 2000).
Así, un hongo patógeno puede adaptarse localmente a su planta hospedadora
y mostrar un alto grado de virulencia entre hospedadores de la misma pobla-
ción o metapoblación, pero ser muy poco infeccioso en hospedadores de otra
metapoblación, porque la dispersión del patógeno actúa a menor escala espa-
cial que el flujo génico del hospedador (Laine 2005).
La segunda razón importante para analizar la escala es su utilidad para ex-
trapolar el conocimiento ecológico. Los ecólogos acostumbramos a establecer
la inferencia del funcionamiento de los sistemas naturales a partir de observa-
ciones y experimentos realizados sobre extensiones y períodos muy reduci-
dos. Esto es debido sobre todo a nuestras restricciones físicas de observación y
muestreo de la realidad natural. Sólo el desarrollo reciente de tecnología com-
pleja, como los satélites orbitales, nos ha facilitado la medición de parámetros a
gran resolución, como el color de los océanos. Además, el peso de la filosofía
científica reduccionista, la financiación escasa y a corto plazo, y el énfasis en la
productividad científica a corto plazo contribuyen a este sesgo observacional
(Peterson y Parker 1998). Sin embargo, nuestros objetos de estudio, como las
poblaciones o los ecosistemas, se distribuyen, actúan y varían sobre extensio-
nes frecuentemente mucho más amplias que las observadas. Por ello, la capaci-
dad de transferir información a través de los gradientes de escalas, o escala-
miento (scaling), es un condicionante principal de nuestra capacidad de
predicción ecológica. Por ejemplo, ¿hasta qué punto podemos predecir el flujo
de carbono de un bosque a partir de mediciones de fotosíntesis e intercambio
gaseoso en hojas (o, incluso, partes de hojas) de diversos árboles del bosque?
La tercera razón de peso para desarrollar el análisis de la escala se rela-
ciona con la aplicabilidad social de la ciencia ecológica (Levin 1992, O’Neill y
King 1998, Peterson y Parker 1998). La actividad biológica de la especie hu-
44 DANIEL GARCÍA
mana, y el uso exponencial de los recursos naturales, afectan al resto de la

biota a todas las escalas espaciales posibles. Nuestra capacidad de modifica-
ción ambiental es tal que se produce desde la escala a la que se estructuran
las proteínas y los ácidos nucleicos hasta la escala a la que se regulan los ci-
clos biogeoquímicos globales. Por ello, la conservación de los organismos y
los ecosistemas funcionales, y la gestión del uso de recursos naturales, han
de estar necesariamente basadas en conocimiento ecológico pluriescalar.
Para paliar la pérdida de biodiversidad, necesitamos, primero, identificar
los mecanismos que generan dicha pérdida, acotando sus escalas espaciales
de actuación y, segundo, establecer medidas de preservación o gestión de
recursos con ámbitos de aplicación (desde local a mundial) claramente defi-
nidos y ajustados a los mecanismos de colapso ecológico.
2.2.2. Escala-dependencia y dominios de escala
El proceso de escalamiento se consigue al realizar observaciones de un

mismo fenómeno con distintos grados de resolución, y puede interpretarse
también como la determinación de la escala-dependencia en los patrones y
procesos ecológicos. Hablamos de un patrón o proceso escala-dependiente
cuando se expresa exclusivamente en una dimensión concreta de un gra-
diente potencial de escalas analizadas. Por el contrario, un patrón es escala-
independiente, o consistente entre escalas, cuando mantiene su magnitud y/o
signo a lo largo de más de una escala espacial o sobre un gradiente de escalas
(ver también Capítulo 16). Por ejemplo, la regeneración de tejo (Taxus bacca-
ta) en la cordillera Cantábrica está localmente favorecida por un proceso de
facilitación frente a herbívoros por plantas nodriza como el acebo (Ilex aquifo-
lium). Este proceso se expresa en un patrón local de asociación espacial entre
reclutas de tejo y acebos nodrizas, y también en un patrón paisajístico de
asociación entre las acebedas con potencial facilitador y la intensidad de re-
clutamiento del tejo (García y Obeso 2003). En términos de Wiens (1989), es-
tas zonas de consistencia se denominan dominios de escala, ya que represen-
tan “sectores de dominancia” de un mecanismo (o un conjunto de
mecanismos) actuante sobre un proceso biológico dado. Los dominios co-
rresponden a regiones del espectro de escalas sobre las cuales, para un fenó-
meno particular en un sistema ecológico concreto, los patrones no cambian,
o cambian monotónicamente, al cambiar la escala. Los dominios se separan
por transiciones relativamente abruptas desde la dominancia de un grupo
de mecanismos hacia la dominancia de otros, como ocurre en las transicio-

nes entre las fases o estados de la materia en los sistemas físicos. Por ejemplo,
el patrón de repulsión espacial entre un depredador y su presa, ambos orga-
nismos móviles, que podemos encontrar a lo largo de un gradiente de esca-
las finas y que puede responder al comportamiento anti-depredador de la
presa, desaparece progresivamente hasta aparecer un patrón de asociación
positivo a escala amplia, cuando la presencia de ambos organismos comien-
za a depender primordialmente de la presencia y la estructura de un hábitat
común en el paisaje (p. ej. Rose y Leggett 1990, Hobbs 2003). Por tanto, los
dominios de escala para las combinaciones particulares de patrones y proce-
sos definen los límites de la generalización y la extrapolación ecológica. Los
conocimientos inferidos en una escala particular pueden ser extrapolados a
otras escalas dentro de un dominio, pero la extensión de la inferencia a tra-
vés de las transiciones entre dominios no es aceptable.
2.2.3. Parámetros analíticos de escala espacial
Para evaluar la importancia de la escala en el análisis espacial de datos

ecológicos necesitamos descomponer el concepto de escala en tres dimen-
siones (Dungan et al. 2002): ecológica, de muestreo y analítica. La escala eco-
lógica expresa, como se expuso anteriormente, la dimensión real de los fe-
nómenos ecológicos. Los ecólogos inferimos esta escala a través del
muestreo y el análisis. La escala de muestreo hace referencia a la extensión
del área de observación y a las características espaciales de las unidades de
muestreo, por ejemplo, el área de un cuadrado de muestreo para contar
plantas herbáceas en un prado, o la disposición de esos cuadrados en una
retícula mayor. La escala analítica refleja las características espaciales de las
unidades de muestreo en términos de análisis, por ejemplo, cómo se distri-
buye la varianza a lo largo de esas unidades de muestreo. Tanto la escala de
muestreo como la analítica pueden definirse en función de tres parámetros,
el grano, o unidad mínima de resolución espacial que utilizamos en un estu-
dio, la extensión, o dimensión espacial máxima cubierta por el muestreo, y el
espaciamiento, o dimensión de la separación espacial entre unas unidades y
otras (Fig. 2.3). Los parámetros son igualmente definibles tanto en diseños
que consideran el espacio de forma explícita, y que asignan al grano y a la ex-
tensión unas dimensiones concretas (p. ej., un sistema de retícula con uni-
dades de muestreo de 1 m2 sobre una extensión total de 25 m2, Fig. 2.3A)
46
DANIEL GARCÍA
Figura 2.3. Representación del tamaño de grano, la extensión y el espaciamiento en dos diseños de muestreo, uno espacialmente explíci-
to (A), consistente en una serie de cuadrados de muestreo de dimensión estándar distribuidos regularmente sobre una parcela también
cuadrangular, y uno espacialmente implícito (B), basado en los niveles de heterogeneidad estructural correspondientes a árboles indivi-
duales dentro de un rodal forestal.
como en los diseños basados en niveles anidados de heterogeneidad estruc-

tural y que consideran el espacio de forma implícita, al asumir como tamaño
de grano la dimensión del nivel inferior y como extensión la dimensión del
nivel superior (p. ej. en un diseño con árboles individuales dentro de un ro-
dal, el tamaño medio del árbol representa el tamaño de grano y la dimen-
sión del rodal representa la extensión, Fig. 2.3B). Además de grano y exten-
sión, algunos autores (Schneider 1998, 2001) consideran la envergadura
(scope) como un parámetro adicional para definir la escala. La envergadura
representa la diferencia en dimensiones entre extensión y grano, y se esta-
blece como cociente entre estos dos parámetros. Representa también la ca-
pacidad de observación espacial de un muestreo, ya que grandes enverga-
duras corresponderían a muestreos realizados sobre amplias extensiones y
con numerosas unidades muestrales. Por otra parte, la envergadura es un
concepto cuantitativo que conduce de forma natural a la visión matemática
de la escala espacial basada en las leyes de potencia (Schneider 1998, 2001,
Urban 2005). Estas leyes se han utilizado frecuentemente en Ecología para
establecer relaciones escalares, por ejemplo en las curvas especies-área y las
alometrías del tamaño corporal (p. ej. Peters 1983). El cociente entre exten-
sión y grano supone, por tanto, un primer establecimiento de extrapolación
isométrica, con un exponente de valor la unidad.
El establecimiento de las dimensiones reales de los parámetros de es-

cala depende de los objetivos del estudio y de las posibilidades logísticas
de muestreo, teniendo siempre en cuenta que nuestra capacidad de infe-
rencia dependerá en gran medida de cómo las escalas de muestreo y aná-
lisis se ajustan a la escala real del fenómeno ecológico. En este sentido,
nuestra extensión de muestreo deberá ser lo suficientemente amplia como
para albergar el máximo de variabilidad espacial posible del fenómeno
ecológico que estudiamos, ya que una extensión reducida en relación a la
escala real del fenómeno nos mostrará sólo una pequeña parte de dicha
variación natural (Fig. 2.4A). Por otra parte, el tamaño de grano habrá de
ser lo suficientemente reducido como para que las variaciones de un fenó-
meno a escala fina no pasen desapercibidas, como ocurriría en un mues-
treo con unidades de mayor tamaño (Fig. 2.4B). Sin embargo, la unidad de
muestreo tiene que ser siempre mayor que el objeto ecológico unitario, y
suficientemente grande como para incorporar varios objetos, de forma
que podamos evaluar las diferencias entre unidades en términos de va-
rianza (Fig. 2.4C).
48 DANIEL GARCÍA
Figura 2.4. A) Una extensión de muestreo pequeña recoge un escaso rango de la variabilidad
del parámetro sobre una extensión real dada, mientras que una extensión de muestreo amplia
cubre todo el rango de valores de magnitud del parámetro; B) un muestreo con tamaño de grano
amplio respecto a la extensión (1) sería insensible a la variabilidad real del parámetro, y no
mostraría diferencias en los valores promedio del parámetro entre unidades (grises vs. blancas),
mientras que un muestreo de grano fino (2) mostraría fuertes diferencias entre las distintas
unidades de muestreo; C) la fiabilidad para representar la variación espacial en la abundancia
de un objeto ecológico (gris) cambia al usar unidades de muestreo de distinto tamaño de grano
(1<2<3). El grano muestral ha de ser suficientemente amplio (3) como para representar la
variación en la abundancia del objeto a lo largo de la extensión.
2.2.4. La escala espacial de los patrones ecológicos
El primer objetivo de los ecólogos es describir la forma de los patrones

ecológicos, que, en términos analíticos, equivale a representar cómo se
distribuye la variabilidad de un objeto o proceso ecológico con respecto a
una dimensión, habitualmente espacio o tiempo (Levin 1992). El primer
objetivo analítico de los ecólogos en relación a la escala espacial será, por
tanto, representar la escala de los patrones ecológicos a partir del cambio
en la variabilidad espacial de objetos y procesos ecológicos tras un proceso
de escalamiento (O’Neill y King 1998). Dicho de otro modo, se trata de de-
tectar patrones escala-dependientes, evaluando los cambios en la variabi-
lidad a lo largo de gradientes espaciales.
Para detectar la escala espacial de los fenómenos ecológicos desarrolla-

remos modelos analíticos del tipo y=f(x), donde y es un parámetro que re-
presenta la abundancia de un objeto o la intensidad de un proceso, y x re-
presenta el espacio. Tal y como se expuso en el apartado 2.2.3, podemos
considerar el espacio (x) de forma explícita, como una variable continua
(longitudes, superficies, volúmenes), o bien de forma implícita, como una
variable discontinua basada en niveles de heterogeneidad estructural (Fig.
2.5A). En ambos casos, el estudio de la variación espacial de un fenómeno
ecológico equivaldrá a detectar si éste se distribuye de forma aleatoria (Fig.
2.5C), de forma regular (sobredispersión en los patrones de puntos, Fig.
2.5B), o bien formando agregados (Fig. 2.5D), con patrones de contagio y re-
pulsión (infradispersión en los patrones de puntos). En un modelo espacial-
mente explícito representaremos directamente la agregabilidad (patchiness)
de los fenómenos ecológicos, infiriendo la escala espacial de variabilidad en
función de las dimensiones explícitas de los agregados espaciales.
La estadística espacial ofrece diversas herramientas que, partiendo en

general de una hipótesis nula de aleatoriedad espacial, evalúan el grado de
agregabilidad y permiten inferir la escala espacial de variabilidad de los pa-
rámetros ecológicos (Fortin y Dale 2005; Capítulos 3, 5 y 6). En general, se
trata de métodos que descomponen la variabilidad de un parámetro, defi-
niendo las escalas de análisis en función de distintos radios de acción donde
establecer distancias a vecinos más próximos, como en el índice K de Ripley
(Fortin y Dale 2005; Capítulo 3), o bien en función de distancias entre pun-
tos que abarcan distintas dimensiones, como ocurre en los correlogramas de
I de Moran y los variogramas (Bellehumeur y Legendre 1998, Legendre y
50
DANIEL GARCÍA
Figura 2.5. Distribución espacial de un objeto ecológico en el espacio, en forma regular (B), aleatoria (C) y contagiosa (D). El espacio
puede caracterizarse de forma explícita (A), sobre una retícula de 5x5 unidades cuadrangulares, o bien de forma implícita, considerando
dos niveles de heterogeneidad estructural (p. ej. microhábitats) con distintas coloraciones (blanco vs. gris en A). El tamaño del agregado
representa la escala principal de variación espacial en la distribución contagiosa.
Legendre 1998; Capítulos 5 y 6). También se pueden aplicar métodos basa-

dos en la detección de periodicidades, como el análisis espectral utilizado en
las series temporales, pero sustituyendo el tiempo por el espacio evaluado
de forma unidimensional, para representar los agregados espaciales de una
variable (p. ej. Rose y Leggett 1990). Todos los métodos indican la estructura
espacial de una variable en función de una determinada escala de observa-
ción. Por ejemplo, el correlograma de la Figura 2.6 nos indica el grado de
agregabilidad en función de las distancias a las cuales se detecta autocorre-
lación espacial positiva (contagio) o negativa (repulsión), definiendo el ta-
maño y la escala de influencia de los agregados en los que se estructura la
tasa de depredación de semillas de acebo (Ilex aquifolium). La alternancia de
abundantes valores positivos y negativos significativos a lo largo de la suce-
sión de distancias se interpreta como la existencia de dos grandes agregados
de tamaño parecido (radio de acción equivalente a unos 350 m, o 4 clases de
distancias positivas significativas) separados entre sí por un valle de unos
500 m de radio (7 clases de distancias negativas significativas; para interpre-
tación de correlogramas ver Legendre y Legendre 1998; Capítulo 5). El co-
rrelograma está recogiendo fundamentalmente la variación en la tasa de
depredación a gran escala, que originaría dos grandes rodales de alta depre-
dación (entre 0 y 900 m, y entre 1600 y 2500 m, Fig. 2.6) separados por una
amplia zona central donde la depredación es baja.
Por otra parte, en los modelos de análisis espacialmente implícitos in-

feriremos la heterogeneidad espacial en función de las diferencias en las
medidas de tendencia central y dispersión entre los distintos subniveles
de un nivel de heterogeneidad estructural. Para ello utilizaremos modelos
lineales generales o generalizados con estructura de Análisis de la Varian-
za, donde la variable predictora categórica es el nivel de heterogeneidad
estructural (p. ej. microhábitat, con niveles blanco vs. gris en Figura 2.5A).
El grado de ajuste del modelo espacial implícito nos indicará hasta qué
punto nuestra distinción estructural apriorística recoge la variación espa-
cial del parámetro de estudio (Bellehumeur y Legendre 1998). Cuando el
grado de ajuste del modelo es elevado, podremos inferir el tamaño de los
agregados espaciales del fenómeno ecológico a partir de nuestro conoci-
miento previo de las dimensiones promedio de los subniveles de hetero-
geneidad estructural (Fig. 2.5D). Por ejemplo, considerando la distribu-
ción contagiosa de la Figura 2.5D y la plantilla de distinción de los
microhábitats blanco y gris (Fig. 2.5A), puede observarse que los microhá-
52 DANIEL GARCÍA
Figura 2.6. A) Depredación de semillas de acebo (Ilex aquifolium) por roedores a lo largo de
un transecto de 2500 m en la Sierra de Peña Mayor-Trigueiro (Asturias, N España; foto sup.
izda.). El transecto se subdividió en 100 unidades contiguas de 25 m. La depredación se evaluó
en enero de 2005, en semillas pegadas en soportes de malla plástica (foto sup. dcha.); B) Corre-
lograma de I de Moran de la tasa de depredación de semillas de I. aquifolium en el marco espa-
cial de dicho transecto. Se consideran 30 clases de distancias entre puntos de muestreo, con 80
m de diferencia de extensión entre clases (clase 1 ~ 80 m; clase 2 ~ 160 m;…). Los valores de I
indican la autocorrelación espacial positiva o negativa para cada clase de distancia (en negro
valores P<0,05 tras corrección de Bonferroni).
bitats difieren fuertemente en abundancia del objeto (gris: 4,85+0,19ES;

blanco: 0,17+0,16ES; ANOVA F1,23=376,03, P<0,0001) y explican más del
90% de la varianza espacial del parámetro, lo que indica que los agregados
espaciales se ajustan mucho al tamaño de los microhábitats.
2.2.5. Desglose de variación espacial pluriescalar
En el apartado 2.2.4 se han expuesto varios ejemplos donde la variación

espacial de un parámetro ecológico era especialmente fuerte en una escala es-
pacial concreta, bien identificada por el tamaño de los agregados o “parches”
del parámetro definidos sobre la extensión muestral (ver también Fig. 2.7). No
obstante, muchos fenómenos ecológicos reparten su variación espacial sobre
distintas escalas espaciales, mostrando incluso estructuras de agregabilidad
anidada (Fig. 2.7). En este caso, necesitamos modelos analíticos que nos per-
mitan, simultáneamente, representar la agregabilidad y desglosar la variación
espacial de un parámetro sobre gradientes, continuos o categóricos, de escala
espacial establecidos dentro de la extensión espacial de muestreo. A la hora de
establecer el reparto de variación entre escalas hemos de tener en cuenta que
el número de unidades de muestreo influirá en nuestra capacidad para detec-
tar una variación significativa a una escala determinada. Deberíamos, por
tanto, intentar que todas las escalas que podemos establecer en un estudio se
estudien con tamaños de muestra similares. Esto es muy difícil de conseguir,
puesto que la extensión espacial de nuestros muestreos siempre es limitada y
cuanto más aproximamos la dimensión del grano de muestreo a la extensión
total de estudio menos muestras diferentes podemos establecer para estimar
la variación. Esto ocurre tanto en los descriptores espaciales explícitos como
en los análisis basados en niveles de heterogeneidad estructural. Por ejemplo,
en el correlograma de la Figura 2.6, el número de pares de distancias utilizado
para la estima de autocorrelación se reduce de 294 a 156 y a 10, en las respecti-
vas clases 1, 15 y 30, con lo cual la estima es progresivamente menos fiable. De
forma similar, en el diseño pluriescalar basado en niveles de heterogeneidad
de la Figura 2.7, el nivel de escala fina contiene 16 unidades de muestreo,
mientras que el de escala amplia únicamente 4. Por lo tanto, debemos ser
conscientes de que nuestra capacidad de inferencia analítica se reduce fre-
cuentemente al ampliar la escala espacial, incrementándose la probabilidad
de cometer error analítico de tipo II (fallo al considerar verdadera la hipótesis
de aleatoriedad espacial cuando realmente es falsa).
54
DANIEL GARCÍA
Figura 2.7. Escenarios de variación de la abundancia de un objeto ecológico a lo largo de una extensión espacial donde se consideran dos
escalas diferentes (A), bien de forma explícita (con una retícula de 4x4 de cuadrados pequeños y una retícula de 2x2 de cuadrados
grandes) o de forma implícita (con niveles de heterogeneidad estructural a escala fina, blanco vs. negro, y a escala amplia, gris claro vs.
gris oscuro). La variación puede acumularse a gran escala (B), a escala fina (C), o repartirse proporcionalmente entre las dos escalas, con
agregados grandes que incluyen en su interior agregados pequeños (D).
El recientemente desarrollado Análisis de Coordenadas Principales de

Matrices de Vecinos (Principal Coordinates Neighbour Matrices Analysis, PCNM;
Borcard y Legendre 2002, Borcard et al. 2004, Dray et al. 2006) ofrece una nove-
dosa herramienta metodológica para diseccionar la estructura espacial de los
procesos ecológicos a distintas escalas espaciales. El PCNM permite generar
modelos espacialmente explícitos que desglosan, con una potencia analítica
equivalente, la varianza de un parámetro ecológico dado a lo largo de un gra-
diente de escalas espaciales. Ilustraré el uso del PCNM en el marco espacial
del transecto a lo largo de las acebedas cantábricas que se utilizó antes como
ejemplo (ver también ejemplo de uso en Capítulo 17), con 100 puntos equidis-
tantes de muestreo sobre una extensión real de 2500 m. El PCNM empieza
por establecer una matriz de distancias euclídeas entre todos los puntos de
muestreo, considerando que se parte de una estructura espacial de muestreo
determinada (Fig. 2.8). En el ejemplo, esta estructura espacial es un transecto
unidimensional de puntos equidistantes, pero el análisis es igualmente útil
para un transecto unidimensional de puntos a distancias variables, una retí-
cula regular de puntos equidistantes, una retícula irregular, etc. Seguidamen-
te, esta matriz se “trunca hacia el primer vecino”, estableciendo un valor um-
bral (distancia de truncado), igual o inmediatamente mayor que la distancia
máxima entre puntos de muestreo que son primeros vecinos, y sustituyendo
todos los valores de distancia por encima del valor umbral por el valor de 4
veces el umbral. En el ejemplo, la distancia de truncado es 1, y todas las dis-
tancias por encima de 1 se sustituyen por 4 (Fig. 2.8). De esta forma, se consi-
gue una matriz de distancias cuya principal fuente de variación son las rela-
ciones espaciales entre puntos primeros vecinos, ya que las distancias por
debajo del umbral se mantienen en su medida y todas las distancias mayores
se consideran “largas distancias”. Las tendencias de variación espacial entre
los puntos de esta matriz truncada se obtienen a partir de un análisis de orde-
nación (Análisis de Coordenadas Principales), que genera una serie de vecto-
res de coordenadas principales (eigenvectors) positivos capaces de asignar va-
lores principales (eigenvalues) a cada punto de muestreo. En el transecto
equidistante de 100 unidades se generan 67 vectores principales (Fig. 2.8). Es-
tos vectores principales actúan como plantillas teóricas de variación que, con
un número de unidades similar al transecto y reduciendo progresivamente
su longitud de onda desde el vector 1 al vector 67, son capaces de cubrir todas
las estructuras espaciales periódicas posibles en el gradiente de escalas esta-
blecido desde la extensión máxima de muestreo a agregados de tamaño simi-
lar al tamaño de grano (la distancia máxima de la matriz truncada, Fig. 2.8).
56 DANIEL GARCÍA
Figura 2.8. Desarrollo del Análisis de Coordenadas Principales de Matrices de Vecinos. A par-
tir de una estructura espacial de muestreo dada (transecto de 100 puntos equidistantes sobre
una extensión real de 2500 m en la cordillera Cantábrica), se genera una matriz truncada de
distancias euclídeas que se somete a un método de ordenación para obtener 67 vectores princi-
pales. Estos vectores representan plantillas de variación espacial sobre escalas progresivamente
más finas. Para desglosar la variación pluriescalar de una variable respuesta (logaritmo de la
abundancia de aves frugívoras en otoño-invierno de 2004-05) se seleccionan, mediante un mo-
delo de regresión múltiple, aquellos vectores principales con capacidad explicativa que, en con-
junto, recogen el 68% de la variación espacial explicable de la variable respuesta. Estos vectores
explicativos se agrupan arbitrariamente en tres submodelos espaciales que representan la va-
riación independiente a distintas escalas (macro-, meso- y microescala) y que proporcionan va-
lores predichos con los que interpretar la agregabilidad pluriescalar de la abundancia de aves.
El segundo paso del PCNM es extraer la varianza espacial de las varia-

bles estimadas sobre el marco espacial de muestreo, usando para ello los
vectores principales como variables predictoras en un modelo de covaria-
ción que considere la unidad de muestreo como unidad analítica (p. ej.
una regresión múltiple). De este modo, se identifican aquellos vectores
que contribuyen de forma significativa a explicar la variación en la varia-
ble respuesta (aquellos con coeficientes de regresión con un ajuste igual o
por debajo del nivel de significación estándar a=0,05). Rehaciendo el mo-
delo de covariación exclusivamente con los vectores significativos se valo-
ra el porcentaje de variación espacial no aleatoria en la variable respuesta
(Fig. 2.8). En el caso de una variable evaluada sobre el transecto de 100
puntos equidistantes, como la abundancia de aves frugívoras (passerifor-
mes del género Turdus), la regresión múltiple con los 67 vectores principa-
les identifica como significativos a 17 de estos vectores, y ofrece un por-
centaje de varianza explicado de 67,80% (a partir del coeficiente de
determinación R2 del análisis de regresión múltiple). El 22,20% de varia-
ción espacial restante correspondería a variación espacial predecible a una
escala menor que la detectable mediante los agregados descritos por el
vector PCV67 (agregados muy pequeños que representan variaciones en-
tre unidades de muestreo contiguas) y variación espacial aleatoria.
El tercer paso del PCNM es desglosar la varianza espacial a distintas

escalas espaciales. Una vez seleccionados los vectores principales explica-
tivos, éstos pueden agruparse en sectores para definir escalas espaciales,
puesto que representan estructuras espaciales de tamaño de agregado
progresivamente más fino a lo largo del gradiente espacial que va desde la
extensión de muestreo al tamaño de grano. La definición de las escalas es
arbitraria, aunque una forma de conseguir sectores equivalentes a lo largo
del gradiente escalar es asignar los vectores principales explicativos a los
sectores establecidos repartiendo equitativamente el número total de vec-
tores potenciales en tantos sectores como escalas a considerar. Por ejem-
plo, si repartimos equitativamente los 67 vectores potenciales en 3 escalas
de interés (macro-, meso- y microescala) asignaremos a la macroescala
aquellos vectores explicativos entre el vector 1 y el 22, a la mesoescala
aquellos entre el 23 y el 44, y a la microescala aquellos entre el 45 y el 67
(Fig. 2.8). Para evaluar el porcentaje de variación de la variable respuesta
explicado por cada escala espacial repetiremos los análisis de covariación
en tres submodelos espaciales, cada uno de ellos con los vectores explicati-
58 DANIEL GARCÍA
vos correspondientes a cada escala (Fig. 2.8). Estos submodelos espaciales

nos ofrecerán unos valores predichos de la variable respuesta en cada
punto de muestreo que, expuestos sobre el marco espacial de muestreo,
describirán la estructura espacial y la agregabilidad de la variable respues-
ta a distintas escalas espaciales, de forma siempre independiente entre es-
calas. En el caso de la abundancia de aves (Fig. 2.8), se observa que la ma-
yor parte de la varianza espacial explicada se acumula en la escala espacial
más amplia, y que la distribución espacial va siendo menos predecible
conforme descendemos en el gradiente de escalas. La abundancia de aves
muestra una distribución espacial pluriescalar compleja (Fig. 2.8). Los va-
lores predichos a macroescala revelan tres grandes agregados de unos 300
m de radio donde aparecen otros agregados de 50-100 m de radio. Con
menor potencia explicativa, los valores predichos a meso- y microescala
revelan la presencia de agregados aún más pequeños.
En el caso de los diseños pluriescalares basados en niveles de heteroge-

neidad estructural, el desglose de variación espacial se consigue mediante
modelos lineales generales o generalizados de más de una vía con estruc-
tura anidada, en los que la variación asignada al término de error represen-
ta la variación espacial atribuible a la escala más fina y que opera dentro de
la dimensión cubierta por la unidad de muestreo (es decir, el tamaño de
grano). Por ejemplo, en un estudio sobre las pérdidas predispersivas del
enebro (Juniperus communis), una gimnosperma arbustiva productora de
conos carnosos, a lo largo de toda su área de distribución en Europa (García
et al. 2000b; Fig. 2.9A), evaluamos la variabilidad espacial en la depredación
de semillas por la avispa parásita Megastigmus bipunctatus y en el aborto
embrionario de semillas considerando tres escalas espaciales (regiones, lo-
calidades dentro de cada región, plantas individuales dentro de cada loca-
lidad). Para cada una de esas variables respuesta, realizamos un Análisis de
Varianza considerando la región y la localidad (anidada en región) como
factores aleatorios y las plantas individuales como unidad analítica (térmi-
no de error). Encontramos que las diferencias entre regiones y entre locali-
dades explicaban cerca de la mitad de la varianza espacial en ambas varia-
bles respuesta, pero con un desglose de varianza entre escalas diferente
para cada uno de los factores de pérdida predispersiva (Fig. 2.9B). El aborto
de semillas varió más entre regiones que entre localidades, mientras que la
depredación mostró el patrón contrario. Aunque ambos factores de pérdi-
da de semillas parecen muy condicionados por procesos o rasgos que ope-
Figura 2.9. Desglose de variación espacial en un diseño con niveles de heterogeneidad estructural. Se analiza la tasa de depredación por
Megastigmus bipunctatus y el aborto de semillas en conos del arbusto Juniperus communis, en un muestreo geográfico amplio (A,
El concepto de escala y su importancia en el análisis espacial
se señalan las regiones estudiadas, con el número de localidades por región entre paréntesis, y en trama gris el área de distribución de J.
communis). Se indica el reparto de varianza para los distintos niveles evaluados para las dos variables respuesta (B), resultado de un
Análisis de Varianza considerando la región y la localidad (anidada dentro de región) como factores aleatorios y las plantas dentro de
localidad como término de error (véase García et al. 2000b para detalles).
59
60 DANIEL GARCÍA
ran a escala de las plantas individuales (p. ej. su edad, la disponibilidad de

nutrientes edáficos, el nivel de sombra en el bosque, etcétera), la tasa de
aborto sigue un claro patrón biogeográfico, probablemente influido por las
diferencias en estrés climático y el grado de aislamiento genético histórico
entre distintas partes del área de distribución, mientras que la depredación
parece más influida por factores locales que determinen diferencias en el
tamaño de población de los depredadores (p. ej. la abundancia de los pro-
pios depredadores de Megastigmus).
2.2.6. La escala espacial de los procesos ecológicos: covariación

pluriescalar
Tras estudiar la variación pluriescalar de los parámetros ecológicos, el

segundo objetivo analítico de los ecólogos con respecto a la escala espacial
será evaluar cómo afecta la escala a la covariación entre parámetros ecológi-
cos. Este objetivo es de gran importancia, puesto que servirá para inferir
cómo cambian las relaciones causales entre mecanismos y patrones a lo lar-
go de los gradientes de escala y, volviendo los planteamientos iniciales de
este capítulo, establecer cómo los procesos ecológicos generan distintos pa-
trones al estar controlados por distintos mecanismos a distintas escalas. Par-
tiremos de la base de que la inferencia causal en Ecología está basada en mo-
delos analíticos de covariación entre parámetros del tipo y=f(x), donde y es
un parámetro que representa la abundancia de un objeto o la intensidad de
un proceso, y x es una (o varias) característica del ambiente, biótica o abióti-
ca, y que puede también representar la abundancia de otro objeto o la inten-
sidad de otro proceso. En términos generales, asumimos que y representa
un patrón que emerge ante la actuación de x como mecanismo. La variable y
es una respuesta biológica observada, mientras que la variable x puede ser
un parámetro natural observado, no manipulado, o un parámetro natural
manipulado en forma de gradiente continuo o discontinuo en un diseño ex-
perimental (aunque, en términos estrictos, sólo podríamos establecer causa-
lidad cuando x fuera un parámetro experimental). Para evaluar el cambio en
la covariación x,y en relación a la escala espacial necesitaremos que las uni-
dades de muestreo donde medimos ambos parámetros sean espacialmente
referenciables, bien de forma explícita o bien atribuyéndolas a distintos ni-
veles de heterogeneidad estructural. Por ejemplo, imaginemos que quere-
mos evaluar la relación causal diversidad-productividad en las comunida-
des vegetales, esperando encontrar una relación positiva entre diversidad y

productividad, y medimos ambos parámetros en un diseño experimental
que incluye parcelas a lo largo de un gradiente geográfico regional que ca-
racterizamos como niveles “locales” (p. ej. Hector et al. 1999). En este caso,
podremos evaluar la relación diversidad-productividad tanto en las parce-
las locales como a lo largo de toda la región.
El establecimiento de la inferencia ecológica mediante covariación a lo
largo de un gradiente espacial implica dos aproximaciones. La primera no
es estrictamente pluriescalar, y responde a la pregunta de cómo afecta el
espacio, o la extensión espacial, a la covariación entre parámetros ecológi-
cos. Dicho de otro modo, pretende responder si la relación entre una va-
riable predictora y una variable respuesta, que han sido muestreada sobre
distintas extensiones o “réplicas espaciales”, se mantiene de forma consis-
tente a lo largo de esas distintas réplicas espaciales. La consistencia o incon-
sistencia espacial de la covariación nos dice cuánto de generalizable o pre-
decible en el espacio es un vínculo patrón-mecanismo. Volviendo al
ejemplo anterior, el primer objetivo sería evaluar si la relación positiva di-
versidad-productividad aparece en todas las localidades de estudio. La se-
gunda aproximación sí es estrictamente “pluriescalar”, y consistirá en eva-
luar explícitamente cómo una tendencia de covariación se mantiene,
desaparece o cambia de signo al efectuar un proceso de escalamiento (con-
sistencia entre escalas). En el ejemplo anterior, consistiría en determinar si
las localidades más diversas son también más productivas, o, dicho de
otro modo, si la relación diversidad-productividad trasciende el ámbito lo-
cal para generar un vínculo mecanismo-patrón operativo a escala geográ-
fica.
El análisis pluriescalar de la covariación ecológica debe conllevar tanto
un proceso de escalamiento, es decir, un cambio de dimensiones de las
unidades muestrales, como un proceso de contraste entre la variabilidad
de una variable predictora y una variable respuesta correspondiente a dis-
tintas escalas espaciales (Fig. 2.10). El desglose de varianza espacial de las
variables predictora y respuesta es importante, puesto que para detectar
una covariación significativa entre ambos parámetros a una determinada
escala necesitaremos que éstos acumulen al menos una parte de su varia-
bilidad espacial en dicha escala. Volviendo al ejemplo anterior, si apenas
hay variación regional en la diversidad de las comunidades, por ejemplo,
porque no representan un gradiente latitudinal o de sucesión, difícilmen-
62
DANIEL GARCÍA
Figura 2.10. Desglose de varianza y covariación entre parámetros a escalas espaciales múltiples. La fila superior representa la distribución de
una especie vegetal (sp. 1) en el espacio, mostrando agregación espacial a dos escalas, fina y amplia, y el hipotético reparto de varianza espacial
entre dichas escalas. La fila central representa distintos escenarios de distribución espacial de otra especie (sp. 2) en el mismo marco espacial,
con agregados grandes y varianza espacial acumulada en la escala amplia (izda.), con agregados pequeños y varianza acumulada en la escala
fina (centro) y con agregados anidados y varianza repartida entre las dos escalas (dcha.). La fila inferior representa el ajuste de abundancias de
las dos especies (covariación) evaluado en las dos escalas espaciales (la elipse gris representa una hipotética nube de puntos establecida a partir
de un conjunto de unidades muestrales donde se evalúa la abundancia de ambas especies, como en Fig. 2.7). La consistencia entre escalas en la
covariación sólo se produce cuando las abundancias de ambas especies tienen un desglose de varianza espacial similar.
te detectaremos una covariación diversidad-productividad a escala geo-

gráfica. Por lo tanto, la consistencia de la covariación a lo largo de un gra-
diente de escalas dependerá de que tanto la variable predictora como la
variable respuesta tengan un desglose de variación espacial pluriescalar
similar y, además, se produzca un ajuste parecido entre las variabilidades
de ambos parámetros en las distintas escalas (Fig. 2.10).
Los estadísticos espaciales explícitos mencionados en el apartado 2.2.4

permiten inferir, en cierto modo, el grado de covariación entre dos variables a
distintas escalas, verificando si la agregabilidad de una variable es comparable
a la de la otra (si los agregados a distintas escalas se estructuran de forma simi-
lar en ambas variables). Por ejemplo, un “correlograma cruzado” entre dos
variables identificaría las distancias (escalas) a las cuales coinciden niveles al-
tos de autocorrelación positiva o negativa en dichas variables (Legendre y Le-
gendre 1998). De forma similar, el índice K de Ripley para muestras bivarian-
tes indicaría, para distintos radios de acción, el grado de agregación o
segregación de una variable con respecto a la otra (Fortin y Dale 2005). Tam-
bién el análisis espectral aplicado a un gradiente espacial unidimensional per-
mite evaluar el ajuste de periodicidades a distintas escalas de dos variables
muestreadas sobre el mismo marco (Platt y Denman 1975, Rose y Leggett
1990). En los siguientes subapartados, expondré, con casos prácticos, otros
métodos utilizados para evaluar covariaciones en gradientes de escala espa-
cial. En primer lugar expondré métodos que, aunque basados en procesos de
escalamiento sensu stricto (con un cambio dimensional explícito en grano, ex-
tensión o ambos en la variable predictora, la variable respuesta, o en ambas
variables), no permiten el contraste independiente de variabilidades a distin-
tas escalas. En segundo lugar, expondré algunos métodos que permiten un
desglose pluriescalar explícito de la varianza y el análisis de covariación exclu-
sivamente con la variabilidad espacial atribuible a cada escala particular.
2.2.6.1. Escalamiento sin desglose de varianza espacial
Una primera forma de evaluar el cambio en la covariación de dos paráme-

tros ecológicos a lo largo de un gradiente de escalas es establecer la covariación
en grupos muestrales que representan extensiones crecientes de muestreo,
conseguidas por adición progresiva de unidades de muestreo (bien en posi-
ción anidada o no, Fig. 2.11A). En un estudio sobre la relación entre la abun-
dancia de frutos de olivo (Olea europaea) y abundancia de aves frugívoras (pas-
64 DANIEL GARCÍA
Figura 2.11. Diseños muestrales para evaluar el cambio en la covariación de dos parámetros
ecológicos (x,y) a lo largo de un gradiente de escala espacial, bien mediante el uso de grupos
muestrales que representan extensiones crecientes de muestreo, conseguidas por adición pro-
gresiva de unidades de muestreo, en posición anidada o no (A), bien mediante la ampliación de
la resolución en la variable predictora, que es medida en superficies crecientes (B).
seriformes de los géneros Sylvia y Turdus) en la cuenca del Guadalquivir (S

España), Rey (1995) estimó el ajuste lineal entre recurso y consumidor a lo lar-
go de tres escalas espaciales: rodales de árboles dentro de parcelas agrícolas
(aprox. 200 m2 extensión), parcelas agrícolas (aprox. 8 km2) muestreadas quin-
cenalmente durante 6 meses, y la región agrícola (aprox. 10.000 km2) que con-
tenía las distintas parcelas. Para evaluar la relación a escala de parcela, conside-
ró como unidades las muestras quincenales de cada parcela. Para evaluar la

relación a escala regional, consideró como unidades las muestras quincenales
aditivas de todas las parcelas de la región. En ambos casos encontró una rela-
ción positiva entre la abundancia de aceitunas y la abundancia de pájaros, infi-
riendo un proceso de rastreo de recursos jerárquico y pluriescalar: las aves son
capaces de rastrear el recurso entre regiones y entre parcelas dentro de la re-
gión. En este tipo de casos, la varianza muestral de la escala superior incluye
completamente a la de la escala inferior. Podemos encontrar una relación a es-
cala superior sin necesidad de que exista una varianza significativa a esa esca-
la, simplemente por la acumulación de las varianzas muestrales de la escala in-
ferior. El problema de esta situación es que podemos llegar a inferir
mecanismos a escala superior para explicar patrones que en realidad están de-
terminados por la acumulación de los efectos de mecanismos que operan a es-
cala inferior (ver Capítulo 18 para una reflexión sobre este fenómeno).
Otras covariaciones pluriescalares pretenden evaluar cómo la relación

entre una variable ambiental, generalmente un parámetro paisajístico evalua-
do sobre un contexto finito alrededor de una unidad muestral, y una variable
ecológica respuesta cambia al observar dicho contexto paisajístico con distin-
tos grados de resolución (Fig. 2.11B). En este caso, el escalamiento muestral
sólo afecta a la variable predictora, que es medida, por ejemplo, en superficies
crecientes (como círculos concéntricos alrededor de la unidad muestral) para
representar la realidad de dicha variable a distintas escalas espaciales. Este es
el típico esquema utilizado para evaluar los efectos escala-dependientes de
rasgos cuantitativos del paisaje, como el grado de fragmentación o la cantidad
de hábitat. Por ejemplo, Ricketts y colaboradores (2001) evaluaron la riqueza
de lepidópteros nocturnos a lo largo de un paisaje agroforestal de Costa Rica
en relación a la disponibilidad de bosque alrededor de los puntos de mues-
treo y midiendo dicha disponibilidad en áreas circulares concéntricas de ra-
dios progresivamente mayores desde 400 a 2400 m (incrementos de 200 m). El
análisis pluriescalar se realizó hallando correlaciones de Pearson entre la ri-
queza de lepidópteros y la cobertura de forestal en cada uno de los radios de
observación y evaluando la fuerza de la relación positiva en función del valor
del coeficiente de correlación y su nivel de significación. El análisis evidenció
que la relación positiva entre la diversidad de lepidópteros y la cantidad de
hábitat forestal se hacía cada vez más fuerte conforme se ascendía en el gra-
diente de escalas (dimensión del radio de observación del contexto) hasta lle-
gar a una escala umbral donde el efecto mantenía un valor de trayectoria asin-
66 DANIEL GARCÍA
tótica. Esto sugería que el efecto de la fragmentación a la hora de reducir la

biodiversidad local era escala-dependiente. No obstante, este tipo de aproxi-
mación plantea dos problemas analíticos. Uno es la falta de independencia
entre las realidades biológicas que se muestrean a distintas escalas, ya que el
contexto paisajístico evaluado a escala amplia suele contener el contexto en
las escalas inmediatamente inferiores, lo que genera una situación de acumu-
lación de varianzas muestrales (al menos en la variable predictora) parecida a
la que se planteó en la aproximación anterior. Esto se puede solucionar en
cierta medida considerando áreas no anidadas, mediante anillos concéntricos
en vez de áreas circulares (p. ej. García y Chacoff 2007). El otro problema es
que, al ser los puntos centrales de muestreo fijos en el espacio, al incrementar
la escala de observación del contexto aumenta el solapamiento espacial entre
unidades muestrales en la variable predictora, lo que genera mayor grado de
pseudorreplicación analítica cuanto mayor es la escala (Fig. 2.11B). Esta limita-
ción puede solventarse mediante submuestreos aleatorios de las unidades
muestrales con un criterio de solapamiento mínimo (p. ej. Holland et al. 2004),
aunque siempre suele conllevar cierta pérdida de potencia analítica.
2.2.6.2. Escalamiento con desglose de varianza espacial
Para evitar los problemas de interpretación asociados a la acumula-

ción de varianzas muestrales en los gradientes de escala, podemos recu-
rrir a métodos que permitan desglosar la varianza espacial y contrastar ex-
clusivamente la variabilidad de predictora y respuesta correspondiente a
cada escala. En este sentido, también es útil el antes descrito PCNM, pues-
to que los submodelos espacialmente explícitos que desglosan la varianza
de una variable respuesta en escalas independientes también son capaces
de generar valores que representan la variación predecible a una escala
concreta para cada punto de muestreo (Figs. 2.8, 2.12A). Estos valores pre-
dichos son, por tanto, utilizables en análisis de covariación simple o múlti-
ple, frente a una o varias variables ambientales predictoras (Borcard et al.
2004). Por ejemplo, los valores predichos de la abundancia de aves frugí-
voras en el transecto de la cordillera Cantábrica, correspondientes a los
tres submodelos espaciales de tres escalas progresivamente más finas,
pueden ser enfrentados a una variable predictora como la abundancia de
frutos carnosos de distintas especies leñosas (sobre todo acebo y espino al-
bar Crataegus monogyna) medida en las mismas unidades muestrales que la
abundancia de aves (Fig. 2.12B). En dicho caso, un análisis de regresión

simple para cada escala nos indica que existe una respuesta significativa
de las aves a la abundancia de frutos, pero que este rastreo es más patente
a escala amplia, sobre el paisaje, y desaparece cuando se reduce la escala
espacial (Fig. 2.12B).
Figura 2.12. Relación pluriescalar entre la abundancia de frutos carnosos y la abundancia de

aves en acebedas de la cordillera Cantábrica, establecida contrastando los valores de abundancia
de aves predichos por un PCNM para distintas escalas (A; se señalan los porcentaje de
variación espacial explicados por cada submodelo espacial, ver también Fig. 2.8), frente a la
abundancia de frutos (B; se señalan los coeficientes de determinación y el nivel de significación
de los ajustes de regresión lineal, ***: P<0,0001, n.s.: P>0,05).
68 DANIEL GARCÍA
En el caso de muestreos espaciales basados en niveles de heterogenei-

dad estructural, un diseño analítico habitualmente utilizado para trabajar
con varianzas desglosadas es el modelo tipo Análisis de Covarianza, don-
de la variable predictora se introduce, en realidad, como una covariable en
un modelo lineal que contrasta el espacio, como variable categórica, frente
a la variable respuesta de interés. Por ejemplo, Gotelli y Ellison (2002) eva-
luaron el efecto del hábitat en la relación latitud-diversidad en comunida-
des de hormigas, comparando turberas y bosques emparejados a lo largo
de distintas latitudes en Nueva Inglaterra (EE. UU.). Tanto el hábitat como
la latitud y su interacción aparecieron como términos significativos en el
ANCOVA, sugiriendo un cambio en el patrón latitudinal de riqueza ante
variaciones ambientales a pequeña escala, como las determinadas por las
diferencias de hábitat. En otro estudio, Tellería y Pérez-Tris (2007) evalua-
ron el ajuste entre abundancia de currucas capirotadas (Sylvia atricapilla) y
frutos carnosos en localidades forestales y de matorral de las serranías del
Campo de Gibraltar (S España), utilizando un ANCOVA con el hábitat
como variable espacial categórica y la abundancia de frutos como covaria-
ble. Encontraron un efecto significativo de la abundancia de frutos pero
no del hábitat, y una interacción significativa entre el hábitat y la abun-
dancia de frutos que se reflejaba en distintos grados de ajuste lineal, con
distintas pendientes, entre frutos y currucas. Los autores interpretaron los
resultados en los siguientes términos: el ajuste local aves-frutos está influi-
do por procesos cuya variabilidad se expresa a escala espacial amplia,
como es la estructura de social de la población de aves. Además de los AN-
COVA, también son frecuentes los modelos de Análisis de Varianza de fac-
tores múltiples, donde, además de uno o más factores puramente biológi-
cos se introduce el espacio como factor. Por ejemplo, Doak (2000) estudió
el efecto del tipo de rodal de hábitat en la tasa de ataque por insectos para-
sitoides en el lepidóptero Itame andersonii, considerando rodales de la
planta hospedadora de Itame con distinto grado de aislamiento y en cinco
localidades diferentes (localidad como variable “espacio”). Encontró un
efecto significativo del tipo de rodal y de la localidad pero no de la interac-
ción entre ambos, interpretando que, aunque el parasitismo variaba entre
sitios, los rodales más pequeños y aislados siempre propiciaban una ma-
yor infestación.
Tanto en el ANCOVA como en el ANOVA descritos anteriormente, la

inferencia de covariación pluriescalar ha de realizarse a partir de los térmi-
nos de interacción “espacio x factor” o “espacio x covariable”, lo cual no

siempre es fácil de interpretar en términos de covariación predictora-res-
puesta a la escala superior, independiente de la inferior (suele ser necesa-
rio la visualización de las covariaciones para su interpretación). Una forma
sencilla de solventar esta dificultad, conseguir trabajar con varianzas des-
glosadas en las distintas escalas y establecer la covariación en una escala
superior, es trabajar con valores de las variables predictora y respuesta es-
timados a partir de los valores promedio o suma de todos los niveles en la
escala inmediatamente inferior (p. ej. García y Ortiz-Pulido 2004, Münz-
bergová 2004; González-Megías et al. 2007). Este cambio de tamaño de gra-
no y extensión suele conllevar una reducción en el tamaño muestral para
establecer la covariación, pero nos asegura que la inferencia a escala am-
plia está libre del ruido analítico determinado por la variación a escala fi-
na. Por ejemplo, en un estudio sobre la capacidad de rastreo pluriescalar
de las aves frugívoras (Turdus sp.) sobre los conos carnosos de J. communis,
consideramos como escalas las determinada por grupos de 20-30 plantas
individuales en rodales de enebral, y por un grupo de 14 rodales de ene-
bral en la región de las Sierras Béticas (S España; García y Ortiz-Pulido
2004). El análisis a escala de rodal enfrentó, para cada uno de los rodales, la
magnitud de frugivorismo por planta con el tamaño de cosecha indivi-
dual, encontrándose que los frugívoros respondían positivamente a la
abundancia de frutos, pero sólo en algunos rodales (Fig. 2.13A). Para cam-
biar de escala, se calcularon, para cada rodal, los valores promedio de fru-
givorismo por planta y de abundancia de frutos por planta, corrigiéndose
posteriormente estos valores por la cobertura de las plantas en fruto en
cada rodal. A partir de estos valores promediados corregidos se estableció
un ajuste lineal que sugirió un fuerte rastreo de recursos a escala regional
por parte de las aves frugívoras (Fig. 2.13B).
Para terminar, introduciré un tipo de modelos analíticos, de reciente

aplicación en Ecología, que permitirían verificar la covariación entre pará-
metros ecológicos a distintas escalas espaciales y con un claro desglose
pluriescalar de la varianza de las variables predictora y respuesta. Se trata
los denominados Modelos Lineares Jerárquicos (Hierarchical Linear models,
HLM; Noda 2004, McMahon y Diez 2007). Los HLM trabajan sobre bases
de datos estructuradas de forma jerárquica anidada, como puede ser cual-
quier diseño espacialmente implícito con niveles de heterogeneidad es-
tructural, donde se muestrea una variable respuesta y distintas variables
70
DANIEL GARCÍA
Figura 2.13. Relación entre la abundancia de frutos de enebro (Juniperus communis) y la interacción con las aves frugívoras
dispersantes (Turdus sp.) en las Sierras Béticas, evaluada a escala de rodal (A), enfrentándose el frugivorismo en distintas plantas
respecto a su tamaño de cosecha (cada línea representa el ajuste de regresión de un rodal, indicándose en trazo continuo cuando el ajuste
es P<0.05; las regresiones se representan forzadas al origen para mejor comparación), y a escala regional (B), enfrentándose la
magnitud de frugivoría y la abundancia de frutos de cada rodal (ajuste de regresión P<0.001; véase García y Ortiz-Pulido 2004 para
detalles).
predictoras continuas. Estas variables predictoras representan parámetros

que operan a distintas escalas espaciales o sobre distintos niveles de orga-
nización. En este sentido, las variables predictoras de nivel inferior (o esca-
la fina) presentan una variabilidad muestreada a la misma escala que la
variable respuesta, y las predictoras de nivel superior (o escala amplia)
muestran una variabilidad a una escala superior, de forma que distintos
puntos de muestreo pueden mostrar el mismo valor al pertenecer a un
mismo subnivel dentro del nivel superior. McMahon y Díez (2007) ejem-
plifican este tipo de modelo con un diseño para evaluar la tasa de defolia-
ción por herbívoros en distintos rametes de la asteracea clonal Eurybia
chlorolepis en el sur de los Apalaches (EE. UU.) que se distribuyen en dis-
tintos rodales a lo largo de un valle, en función de características del rame-
te (altura, longitud de la hoja) y características fisionómicas y ecológicas de
los rodales (radiación, humedad y pH del suelo, capacidad de intercambio
catiónico y riqueza de especies). En este caso, la altura del ramete y la lon-
gitud de la hoja se consideraron variables predictoras que operaban a es-
cala fina y cuyo muestreo proporcionó valores independientes para cada
unidad muestral (ramete), mientras que las características de los rodales
fueron variables predictoras a escala amplia y su muestreo asignó un mis-
mo valor para todas los rametes de cada rodal. El HLM sigue el marco con-
ceptual y matemático fundamental de la regresión linear o generalizada
múltiple, pero utiliza un algoritmo complejo que permite evitar la pseu-
dorreplicación analítica debida al hecho de que distintas observaciones de
alguna de las variables predictoras comparten un mismo valor. Para ello, el
modelo desglosa el error residual de la regresión en el error de cada uno
de los niveles (o escalas) muestrales representados por cada una de las va-
riables predictoras. Esto permite estimar el porcentaje de la varianza de la
variable respuesta que es estrictamente atribuible a cada nivel. En el ejem-
plo, los autores determinan un reparto equilibrado de la varianza entre la
variación entre rametes dentro de rodal y la variación entre rodales. Más
importante, el HLM proporciona coeficientes de regresión para cada una
de las variables predictoras, evaluados de forma conjunta al resto de pará-
metros en la misma o en otra escala espacial. Estos coeficientes de regre-
sión representan el efecto sobre la variable respuesta asignable exclusiva-
mente a una variable predictora a una escala espacial concreta, y se
asocian a valores de varianza explicada en la variable respuesta que per-
miten calcular qué porcentaje de la varianza espacial es explicada por cada
variable predictora (escala). Volviendo al ejemplo, a pesar del claro desglo-
72 DANIEL GARCÍA
se de varianza espacial, tan sólo el pH del suelo y la disponibilidad de nu-

trientes aparecen como predictoras significativas, capaces de explicar, con
un efecto neto negativo, la variabilidad de la tasa de defoliación, natural-
mente a la escala representada por los rodales.
2.3. CONSIDERACIONES FINALES
La escala es un concepto subyacente a cualquier cometido del análisis

espacial de datos ecológicos, por su papel como armazón sobre el que com-
partimentar la variación de los fenómenos ecológicos. Habitualmente, la va-
rianza ecológica se reparte de forma desigual, y los fenómenos pasan de ho-
mogéneos a heterogéneos y viceversa a lo largo de rangos de escalas de
observación. Nuestra capacidad de inferencia analítica probablemente de-
pende de la detección de esos sectores de heterogeneidad, donde la varian-
za es suficientemente grande como para ser diferenciada en unidades espa-
ciales o estructurales y, por otra parte, correlacionada con gradientes
ambientales. Los ecólogos disponemos cada vez de más herramientas tec-
nológicas (sensores remotos, sistemas de información geográfica, etc.) y ma-
temáticas para evaluar la escala-dependencia y la extensión de los dominios
de escala espacial de los procesos ambientales. Sin embargo, uno de los
grandes retos conceptuales y analíticos aún por hacer frente es determinar y
cuantificar cómo los fenómenos que ocurren a una escala pueden depender
de los mecanismos que actúan a otras. En otras palabras, dilucidar cómo los
patrones a gran escala se generan por la simple acumulación de procesos a
pequeña escala, y cómo la expresión de los patrones a pequeña escala está
condicionada por procesos macroecológicos. Estas dos cuestiones son espe-
cialmente relevantes a la hora de condicionar nuestra capacidad para pre-
decir los principales efectos del cambio global. Así, procesos que causan pér-
didas masivas de biodiversidad, como la fragmentación de los hábitats y las
invasiones biológicas, tienen ya una escala de expresión global, pero se eje-
cutan en función de mecanismos que actúan a escalas finas, como los efec-
tos de borde en la fragmentación o la exclusión competitiva en las invasio-
nes, o intermedias, como el colapso de las dinámicas de metapoblaciones
por aumento del aislamiento entre rodales de hábitat. Por otra parte, proce-
sos de modificación ambiental global, como el incremento de la temperatu-
ra media planetaria o la alteración del ciclo del nitrógeno, han de estar nece-
sariamente modificando el papel local de las condiciones abióticas y la
disponibilidad de nutrientes en la distribución y la abundancia de los orga-

nismos. En resumen, un mejor entendimiento de las interacciones entre es-
calas redundará en una mejora de la capacidad explicativa de los problemas
ecológicos por parte de los ecólogos.
2.4. SOFTWARE Y PÁGINAS WEB DE INTERÉS
El laboratorio de Pierre Legendre, Daniel Borcard y Philipe Casgrain

(http://www.bio.umontreal.ca/legendre/) ofrece un software para desarrollar
el PCNM, Spacemaker 2.0 (http://www.bio.umontreal.ca/casgrain/en/labo/spa-
cemaker.html), desarrollado para el sistema operativo MacOS. Además,
Stéphane Dray (http://biomserv.univ-lyon1.fr/~dray/index.php) ha desarro-
llado recientemente un software similar en lenguaje R, SpacemakeR (http:/
/biomserv.univ-lyon1.fr/~dray/software.php). Ambos programas son de libre
acceso y se sirven con información detallada que indica cómo establecer la
distancia de truncado en función de la estructura de muestreo y cómo ge-
nerar los vectores de coordenadas principales de matrices de vecinos. Una
vez generados y guardados los vectores principales, se puede utilizar
cualquier software de estadística general para desarrollar los modelos de
regresión múltiple y generar los valores predichos de los submodelos es-
paciales a distintas escalas.
AGRADECIMIENTOS
Agradezco a Fernando T. Maestre su invitación para participar en este

libro, su labor editorial y, sobre todo, su paciencia y entusiasmo. Dani Mar-
tínez, Susana García y Alicia Valdés ayudaron en los muestreos del tran-
secto de Peña Mayor. José Manuel Herrera y Valeria Aschero revisaron cui-
dadosamente una versión inicial del manuscrito. Para desarrollar este
trabajo he contado con la financiación de los proyectos CGL2004-2936/
BOS (Ministerio de Educación y Ciencia) y BIOCON03-162 (Fundación
BBVA). Dedico este manuscrito a mi padre, José García Gómez, quien, en-
tre muchas otras cosas, me enseñó que en la vida todo depende del cristal
con el que se mire.
Bibliografía
Aas, K., Eikvil, L. y Huseby, R.B. 1999. Applications of hidden Markov chains in image
analysis. Pattern Recognition 32: 703-713.
Abdelaziz, A. y Abderrazak, B. 2004. The phenological study of Atriplex halimus L.
African Journal of Ecology 42:69-73.
Abrahams, A., Parsons, A. J., Wainwright, J. 1995. Effects of vegetation change on inte-
rrill runoff and erosion, Walnut Gulch, southern Arizona. Geomorphology 13:
37–48.
Acevedo, P., Escudero, M. A., Múñoz, R. y Gortázar, C. 2006. Factors affecting wild
boar abundance across an environmental gradient in Spain. Acta Theriologica
51: 327-336.
Adler, P. B., Raff, D. A. y Lauenroth, W. K. 2001. The effect of grazing on the spatial he-
terogeneity of vegetation. Oecologia 128: 465-479.
Adriaensen, F., Chardon, J.P., De Blust, G., Swinnen, E., Villalba, S., Gulinck, H. y Ma-
tthysen, E. 2003. The application of ‘leastcost’ modelling as a functional lands-
cape model. Landscape and Urban Planning 64: 233–247.
Aebischer, N. J., Robertson, P. A. y Kenward, R. E. 1993. Compositional analysis of ha-
bitat use from animal radio-tracking data. Ecology 74: 1313-1325.
Agren, G. I. 1983. Nitrogen productivity of some conifers. Canadian Journal of Forest
Research 13: 494–500.
Agresti, A. 1990. Categorical data analysis. John Wiley y Sons, Nueva York.
Aguiar, M. R., Sala, O. E., 1999. Patch structure, dynamics and implications for the
functioning of arid ecosystems. Trends in Ecology and Evolution 14: 273-277.
Akçakaya, H. R. 2000. Population viability analysis with demography and spatially
structured models. Ecological Bulletins 48: 23-38.
Alados, C. L., Gotor, P., Ballester, P., Navas, D., Escos, J. M., Navarro, T. y Cabezudo, B.
2006. Association between competition and facilitation processes and vegeta-
tion spatial patterns in alpha steppes. Biological Journal of the Linnean Society 87:
103-113.
Alados, C. L., Pueyo, Y., Giner, M. L., Navarro, T., Escos, J., Barroso, F., Cabezudo, B. y
Emlen, J. M. 2003. Quantitative characterization of the regressive ecological
succession by fractal analysis of plant spatial patterns. Ecological Modelling 163:
1-17.
Alcántara, J. M. y Rey, P. 2003 Conflicting selection pressures on seed size: evolutiona-
ry ecology of fruit size in a bird-dispersed tree, Olea europaea. Journal of Evolutio-
nary Biology 16: 1168-1176.
Alcaraz, D. 2005. Caracterización mediante teledetección del funcionamiento de los ecosiste-
mas ibéricos. Bases para la conservación de la biodiversidad en un escenario de cambio
global. Tesis doctoral (inéd.). Universidad de Almería. Almería. 205 pp.
778 Bibliografía
Alcaraz, D., Paruelo, J. y Cabello, J. 2006. Identification of current ecosystem functio-

nal types in the Iberian Peninsula. Global Ecology and Biogeography 15: 200-212.
Algarra, J. A., Quero, J. M., Rodríguez Hiraldo, C. y Osuna, U. M. 2005. Conservación
de flora en la Provincia de Córdoba. Conservación Vegetal 9: 9-11.
Allen, E. J., Allen, L. J. S. y Gilliam, X. 1996. Dispersal and competition models for
plants. Journal of Mathematical Biology 34: 455-481
Allen, T. F. H. 1998. The landscape “level” is dead: persuading the family to take it off
the respirator. En: Ecological Scale: Theory and Applications (eds. Peterson, D. L. y
Parker, V. T.), pp. 35-54. Columbia University Press. Nueva York, Estados Uni-
dos.
Allen, T. F. H. y Hoekstra, T. W. 1990. The confusion between scale-defined levels and
conventional levels of organization in ecology. Journal of Vegetation Science 1: 5-
12.
Allen, F. H. y Hoekstra, T. W. 1991. Role of heterogeneity in scaling of ecological syste-
ms under analysis. En: Ecological heterogeneity (eds. Kolasa, J. y Pickett, S. T. A.),
pp. 47-68. Springer, Nueva York, Estados Unidos.
Alloza, J. A. y Vallejo, V. R. 1999. Relación entre las características meteorológicas del
año de plantación y los resultados de las repoblaciones. Ecología 13: 173-187.
Alonso, B. y Valladares, F. 2006. Bases de datos y metadatos en ecología: compartir para in-
vestigar en cambio global. Ecosistemas. 2006/2. (URL:http://www.revistaecosiste-
mas.net/articulo.asp?Id=410&Id_Categoria=2&tipo=otros_contenidos).
Álvarez-Arbesú, R. y Felicísimo, A.M. 2002. GIS and logistic regression as tools for en-
vironmental management: a coastal cliff vegetation model in Northern Spain,
En: Management Information Systems (eds. Brebbia, C. A. y Pascolo, P.), pp. 215–
224. Wessex Institute of Technology, Reino Unido.
Amarasekare, P. 2004a. Spatial variation and density-dependent dispersal in competi-
tive coexistence. Proceedings of the Royal Society of London Series B 271: 1497-1506
Amarasekare, P. 2004b. Spatial dynamics of mutualistic interactions. Journal of Animal
Ecology 73: 128-142.
Amézaga, J. M., Santamaría, L. y Green, A. J. 2002. Waterfowl-mediated dispersal and
wetland connectedness: supporting a new approach to wetland policy. Acta
Oecologica 23: 213-222.
Anadón, J. D., Giménez, A., Martínez, M., Martínez, J., Pérez, I. y Esteve, M.A. 2006.
Factors determining the distribution of the spur-thighed tortoise Testudo graeca
in south-east Spain: a hierarchical approach. Ecography 29: 339-346.
Anderson, M. J. 2001. A new method for non-parametric multivariate analysis of va-
riance. Austral Ecology 26: 32-46.
Andrewartha, H. G. y Birch, L. C. 1954. The distribution and abundance of animals. Uni-
versity of Chicago Press.
Anekonda, T. S. y Libby, W. J. 1996. Effectiveness of nearest-neighbor data adjustment
in a clonal test of redwood. Silvae Genetica 45: 46-51.
Anselin, L. 1995. Local indicators of spatial association: LISA. Geographical Analysis 27:
93-115.
Anselin, L. 1996. The Moran Scatterplot as an ESDA Tool to Assess Local Instability in
Spatial Association. En: Spatial Analytical Perspectives on GIS (eds. Fischer, M.,
Bibliografía 779
Scholten, H., y Unwin, D.), pp. 111-125. Taylor and Francis, Londres, Reino
Unido.
Anselin, L., Syabri, I. y Kho, Y. 2006. GeoDa: An introduction to spatial data analysis.
Geographical Analysis 38: 5-22.
Aragón, C. F., Albert, M. J., Giménez-Benavides, L., Luzuriaga, A. L., y Escudero, A.
2007. Environmental scales on the reproduction of a gypsophyte: a hierarchi-
cal approach. Annals of Botany 99: 519-527.
Araujo, M. B. y Guisan, A. 2006. Five (or so) challenges for species distribution mode-
lling. Journal of Biogeography 33: 1677-1688.
Arévalo, J. R. y Fernández Palacios, J. M. 2003. Spatial patterns of trees and juveniles
in a laurel forest of Tenerife, Canary Islands. Plant Ecology 165: 1-10.
Argüello, J. L., Llanos, A. y Pérez, L. I. 1988. Enfermedad Hemorrágica del conejo en
España. Medicina Veterinaria 5: 645–650.
Arnaboldi, F., Conedera, M. y Fonti, P. 2003. Caratteristiche anatomiche e auxometri-
che di Ailanthus altissima una apecie arborea a caraterre invasivo. Sherwood,
V.91, juliol, agost.
Arques, J. 2000. Ecología y gestión cinegética de una población de conejos en el sur de la pro-
vincia de Alicante. Tesis Doctoral. Universidad de Alicante. 323 pp. URL: http://
www.cervantesvirtual.com/FichaObra.html?Ref=17994
Ashby, E. 1948. Statistical Ecology. II. A reassessment. The Botanical Review 14: 222-234.
Aspinall, R. y Veitch, N. 1993. Habitat mapping from satellite imagery and wildlife
survey data using a Bayesian modeling procedure in a GIS. Photogrammetric
Engineering and Remote Sensing 59: 537–543.
Atlan, H. 1992. L' organisation biologique et la théorie de I' information. Hermann.
París.
Ayyad, M. A. y Ghabbour, S. I. 1993. Dry ecosystems of eastern north Africa. En: Dry
coastal ecosystems Africa, America, Asia and Oceania. Ecosystems of the world 2B
(eds. Van der Maarel, E.), pp. 1-16. Elsevier, Amsterdam, Holanda.
Azais, J.M., Monod, H. y Bailey, J.K. 1998. The influence of design on validity and effi-
ciency of neighbour methods. Biometrics 54: 1374-1387.
Baddeley, A. y Turner, R. 2000. Practical maximum pseudolikelihood for spatial point
patterns (with discussion). Australian and New Zealand Journal of Statistics 42:
283-322.
Baddeley, A. y Turner, R. 2005. Spatstat: an R package for analyzing spatial point pat-
terns. Journal of Statistical Software 12: 1-42.
Baddeley, A. y Turner, R. 2006. Modelling Spatial Point Patterns in R. En: Case Studies
in Spatial Point Process Modelling (eds. Baddeley, A., Gregori, P., Mateu, J., Stoica,
R. y Stoyan, D.), pp. 23-74. Springer, Heidelberg, Alemania.
Baddeley, A., Kerscher, M., Schladitz, K. y Scott, B. T. 2000. Estimating the J function
without edge correction. Statistica Neerlandica 54: 315–328
Baeza, S., Paruelo, J. M., y Altesor, A. 2006. Functional characterization of Uruguayan
vegetation using remote sensing. Interciencia 31: 382-388.
Bailey, T.C. y Gatrell, A.C. 1995. Interactive spatial data analysis. Longman Scientific &
Technical, Harlow, Reino Unido.
780 Bibliografía
Baker, W. y Cai, Y. 1992. The r.le programs for multiscale analysis of landscape structu-
re using the GRASS geographical information system. Landscape Ecology 7: 291-
302.
Baldi, P. y Brunak, S. 1998. Bioinformatics, the Machine Learning Approach. MIT Press.
Baldi, P., Chauvin, Y., Hunkapiller, T. y McClure, M. A. 1994. Hidden Markov models
of biological primary sequence information. Proceedings of the National Academy
of Science USA 91: 1059-1063.
Balkau, B. J. y Feldman, M. W. 1973. Selection for migration modification. Genetics 74:
171-174.
Balzter, H., Braun, P. W. y Köhler, W. 1998. Cellular automata models for vegetation
dynamics. Ecological Modeling 107: 113-125.
Banks, P. B., Hume, I. D. y Crowe, O. 1999. Behavioural, morphological and dietary
response of rabbits to predation risk from foxes. Oikos, 85:247-256.
Barber, A., Cabrera, M. R. y Guardiola, I. 1997. Sobre la cultura de léspart al territori va-
lencià. Fundación Bancaja, Valencia.
Barbour, M. G., Burk, J. H. y Pitts, W. D. 1987. Terrestrial Plant Ecology. Benjamin Cum-
mings Publ., California. EEUU.
Barbujani, G. y Sokal, R. R. 1990. Zones of sharp genetic change in Europe are also lin-
guistic boundaries. Proceedings of the National Academy of Science of the USA 87:
1816-1819.
Barbujani, G., Oden, N. L. y Sokal, R. R. 1989. Detecting regions of abrupt change in
maps of biological variables. Systematic Zoology 38: 376-389.
Barclay, H. J. y Hall, T. H. 1986. Shawn: A model of Douglas-fir Ecosystem Response to
Nitrogen Fertilization and Thinning: A Preliminary Approach. Forestry Cana-
da, Pacific Forestry Centre, Victoria B.C., 30 pp.
Bárdossy, A. y Lehmann, W. 1998. Spatial distribution of soil moisture in a small catch-
ment. Part I: geostatistical analysis. Journal of Hydrology 206: 1-15.
Barkham, J. P. y Hance, C. E. 1982. Population dynamics of the wild daffodil (Narcissus
pseudonarcissus) III. Implications of a computer model of 1000 years of popula-
tion change. Journal of Ecology 70: 323-344
Barnes, R. J., Baxter, S. J. y Lark, R. M. 2007. Spatial covariation of Azotobacter abun-
dance and soil properties: A case study using the wavelet transform. Soil Biolo-
gy and Biochemistry 39: 295-310.
Barot, S., Gignoux, J. y Menaut, J. C. 1999. Demography of a savanna palm tree: pre-
dictions from comprehensive spatial pattern analysis. Ecology 80: 1987-2005.
Barredo, J. I. 1996. Sistemas de Información Geográfico y Evaluación Multicriterio en
la ordenación del Territorio. Editorial Ra-ma.
Barry, S. y Elith, J. 2006. Error and uncertainty in habitat models. Journal of Applied Eco-
logy 43: 413-423.
Bartlett, M.S. 1978. Nearest neighbour models in the analysis of field experiments. Jo-
urnal of the Royal Statistical Society. Series B 40: 147-174.
Bartley, R., Roth, C. H., Ludwig, J., McJannet, D., Liedloff, A., Corfield, J., Hawdon, A.,
Abbott, B. 2006. Runoff and erosion from Australia’s tropical semi-arid range-
lands: influence of ground cover for differing space and time scales. Hydrologi-
cal Processes 20: 3317–3333.
Bibliografía 781
Bascompte, J y Solé, R. 1995. Rethinking complexity: modelling spatiotemporal dyna-

mics in ecology. Trends in Ecology and Evolution 10: 361-366
Bascompte, J. y Solé, R.V. 1994. Spatially induced bifurcations in single-species popu-
lation-dynamics. Journal of Animal Ecology 63: 256–264.
Batista, J. L. F. y Maguire, D. A. 1998. Modelling the spatial structure of tropical fo-
rests. Forest Ecology and Management 110: 293-314.
Baulíes, X. y Pons, X. 1995. Approach to forest inventory and mapping by means of
multiespectral airborne data. Int. J. Remote Sensing 16:61-80.
Baum, L. E., Petrie, T., Soules, G. y Weiss, N. 1970. A maximization technique occu-
rring in the statistical analysis of probabilistic functions of Markov chains. The
Annals of Mathematical Statistics 41: 164-171.
Bautista, S. 1999. Regeneración post-incendio de un pinar (Pinus halepensis, Miller) en am-
biente semiárido. Erosión del suelo y medidas de conservación a corto plazo, Tesis doc-
toral, Universidad de Alicante. Alicante. 238 pp.
Bautista, S. y Vallejo, V. R. 2002. Spatial variation of post-fire plant recovery in Aleppo
pine forests. En: Fire and Biological Processes (eds Trabaud L. y Prodon, R.), pp.
13-24. Backhuys Publishers, Leiden, Holanda.
Bautista, S., Mayor, A. G., Bourakhouadar, J., Bellot, J. 2007. Plant spatial pattern pre-
dicts hillslope runoff and erosion in a semiarid Mediterranean landscape.
Ecosystems 10 : 987-998.
Beaumont, L. J. y Hughes, L. 2002. Potential changes in the distributions of latitudina-
lly restricted Australian butterfly species in response to climate change. Global
Change Biology 8: 954-971.
Beckage, B. y Clark, J. S. 2003. Seedling survival and growth of three forest species,
the role of spatial heterogeneity. Ecology 84: 1849-1861.
Begon, M., Harper, J. L. y Townsed, C. R. 1995. Ecología. Individuos, Poblaciones y Comu-
nidades. Ediciones Omega, Barcelona.
Belda, F. y Melía J., 2000. Relationships between climatic parameters and forest vege-
tation: application to burned area in Alicante (Spain). Forest Ecology and Mana-
gement 135: 195-204.
Belgelson, J. 1990. Life after death: site pre-emption by the remains of Poa annua. Eco-
logy 71: 2157-2161.
Bell, E. D. 1998. Spatio-temporal dynamics of UK moths. Tesis Doctoral, Universidad de
Leicester.
Bellehumeur, C. y Legendre, P. 1998. Multiscale source of variation in ecological varia-
bles: modelling spatial dispersion, elaborating sampling designs. Landscape
Ecology 13: 15-25.
Bellehumeur, C., Legendre, P. y Marcotte, D. 1997. Variance and spatial scales in a tro-
pical rain forest: changing the size of sampling units. Plant Ecology 130: 89-98.
Bellot, J., Bautista, S. y Meliá, N. 2000. Post-fire regeneration in a semiarid pine forest
as affected by the previous vegetation spatial pattern. En: Mediterranean Deser-
tification. Research results and policy implications, EUR 19303 (eds. Balabanis, P.,
Peter, D., Ghazi, A. y Tsogas, M.) pp. 343-350. European Commission, Luxem-
bourg.
782 Bibliografía
Bellot, J., Bonet, A, Sanchez, J. R. y Chirino, E. 2001. Likely effects of land use on the
runoff and aquifer recharge in semiarid landscape using a hydrological model.
Landscape and Urban Planning 55: 41-53
Bellot, J., Bonet, A., Peña, J. y Sánchez, J.R. 2007. Human impacts on land cover and
water balances in a coastal Mediterranean county. Environmental Management
39: 412-422.
Belnap, J. y Lange, O. L. 2001. Biological Soil Crusts. Structure, Function, and Manage-
ment. Springer, Berlin.
Belnap, J., Kaltenecker, J. H., Rosentreter, R., Williams, J., Leonard, S., y Eldridge, D.,
2001. Biological soil crust: ecology and management. U. S. Departament, National
Science and Technology Center. Denver, Colorado. V + 110 pp.
Bengio, Y. 1999. Markovian models for sequential data. Neural Computing Surveys 2:
129-162.
Benjamini, Y. y Hochberg, Y. 1995. Controlling the false discovery rate: a practical and
powerful approach to multiple testing. Journal of the Royal Statistical Society. Se-
ries B 57: 289-300.
Bernáldez, F. G. 1981. Ecología y Paisaje. Blume Ediciones, Madrid.
Best, L. B. y Stauffer, D. F. 1986. Factors confunding evaluation of bird-habitat relatio-
nships. En: Wildlife 2000: modelling habitat relationships of terrestrial vertebrates
(ed. Verner J. et al.), pp. 209-216. University of Wisconsin Press, Madison, Wis-
consin, Estados Unidos.
Beyer, H. L. 2004. Hawth's Analysis Tools for ArcGIS. Available at http://www.spatialeco-
logy.com/htools.
Bi, J., Blanco, J. A., Seely, B., Kimmins, J. P., Ding, Y. y Welham, C. 2007. Yield decline in
Chinese-fir plantations: A simulation investigation with implications for mo-
del complexity Canadian Journal of Forest Research (en prensa).
Bickel, P. J., Ritov, Y., y Ryden, T. 1998. Asymptotic normality of the maximum-likeli-
hood estimator for general hidden Markov models. Annals of Statistics 26: 1614-
1635.
Biondi, F., Myers, D. E. y Avery, C. C. 1994. Geostatistically modelling stem size and
increment in an old-growth forest. Canadian Journal of Forest Research 24: 1354-
1368.
Blackman, G. E. 1935. A study by statistical methods of the distribution of species in
grassland. Annals of Botany 49: 749-777.
Blackshaw, R. P. y Vernon, R. S. 2006. Spatiotemporal stability of two beetle populatio-
ns in non-farmed habitats in an agricultural landscape. Journal of Applied Ecolo-
gy 43: 680-689.
Blanco, J. A., Seely, B., Welham, C., Kimmins, J. P. y Seebacher, T. M. 2007. Testing the
performance of a forest ecosystem model (FORECAST) against 1 29 years of
field 2 data in a Pseudotsuga menziesii plantation. Canadian Journal of Forest Re-
search 37 : 1808-1820.
Blanco, J. A., Zavala, M. A., Imbert, J. B. y Castillo, F. J. 2005. Evaluation of thinning
sustainability using a nutrient cycling simulation model. Forest Ecology and Ma-
nagement 213: 209-228.
Bibliografía 783
Blate, G. M., Peart, D. R. y Leighton, M. 1998. Post-dispersal predation on isolated

seeds: a comparative study of 40 tree species in a Southeast Asian rainforest.
Oikos 82:522-538
Blázquez, R. 1984. Geoestadística aplicada a la mecánica del suelo. CEDEX, Madrid.
Bliss, C. I. 1941. Statistical problems in estimating populations of Japanese beetle lar-
vae. Journal of Economic Entomology 34: 221–232.
Blondel, J. y Aronson, J. 1999. Biology and wildlife in Mediterranean region. Oxford Uni-
versity Press, Oxford, Reino Unido.
Bochet, E., Poesen, J. y Rubio, J. L. 2000. Mound development as an interaction of in-
dividual plants with soil, water erosion and sedimentation processes on slo-
pes. Earth Surface Processes and Landforms 25: 847-867.
Boer, M., Puigdefábregas, J. 2005. Effects of spatially structured vegetation patterns
on hillslope erosion in a semiarid Mediterranean environment: a simulation
study. Earth Surface Processes and Landforms 30, 149–167.
Bohan, D. A., Glen, D. M., Wiltshire, C. W. y Hughes, L. 2000. Parametric intensity and
the spatial arrangement of the terrestrial mollusc herbivores Deroceras reticula-
tum and Arion intermedius. Journal of Animal Ecology 69: 1031-1046.
Bohrer, G., Nathan, R. y Volis, S. 2005. Effects of long-distance dispersal for metapo-
pulation survival and genetic structure at ecological time and spatial scales. Jo-
urnal of Ecology 93: 1029-1040.
Boix-Fayos, C., Martínez-Mena, M., Arnau-Rosalén, E., Calvo-Cases, A., Castillo, V. y
Albaladejo, J. 2006. Measuring soil erosion by field plots: Understanding the
sources of variation. Earth-Science Reviews 78: 257-285.
Bolker, B. y Pacala, S.W. 1997. Using moment equations to understand stochastically
driven spatial pattern formation in ecological systems. Theoretical Population
Biology 52: 179 – 197.
Bolker, B. M. y Pacala, S. W. 1999. Spatial moment equations for plant competition:
Understanding spatial strategies and the advantages of short dispersal. Ameri-
can Naturalist 153: 575-602.
Bolker, B. M., Pacala, S. W. y Neuhauser, C. 2003. Spatial dynamics in model plant
communities: What do we really know? American Naturalist 162: 135-148.
Bolliger, J., Bergamini, A., Stofer, S., Kienast, F. y Scheidegger, Ch. 2007. Predicting the
potential spatial distributions of epiphytic lichen species at the landscape. Li-
chenologist 39: 279-291.
Bolós, O. 1967. Comunidades vegetales de las comarcas próximas al litoral situadas
entre los rios Llobregat y Segura. Memorias de la Real Academia de Ciencias y Artes
de Barcelona 13.
Bolós, O., Font, X. y Vigo, J. 2001. Atlas Corológic de la Flora Vascular dels Països Catalans.
Vol XI. Institut d’Estudis Catalans, Barcelona.
Bolstad, P. 2005. GIS Fundamentals: A First Text on Geographic Information Systems, 2nd.
ed. White Bear Lake, MN: Eider Press.
Bonet, A. 1997. Efectos del abandono de los cultivos sobre la vegetación en la cuenca
del Alt Llobregat (Barcelona). Relación con factores ambientales y de usos del
suelo. Ecología 11: 91–104.
784 Bibliografía
Bonet, A. 2004. Secondary succession on semi-arid Mediterranean old-fields in south-

eastern Spain: Insights for conservation and restoration of degraded lands. Jo-
urnal of Arid Environments 56:213–233.
Bonet, A., Bellot, J. y Peña, J. 2004. Landscape dynamics in a semiarid Mediterranean
catchment (SE Spain). In Mazzoleni S. (ed), Recent dynamics of Mediterranean ve-
getation and landscape. Wiley, Chichester, pp 41–50
Bonet, A., Bellot, J., Eisenhuth, D., Peña, J., Sánchez, J.R. y Tejada C.J. 2006. Some evi-
dence of landscape change, water usage and management system co-dyna-
mics in south-eastern Spain. In: Koundouri, P., Karousakis, K., Assimaco-
poulos, D., Jeffrey, P. y Lange, M. (Eds.), Water Management in Arid and Semi-
Arid Regions: Interdisciplinary Perspectives. 226-251. Edward Elgar, Aldershot.
Bonet, A., Peña, J., Bellot, J., Cremades, M. y Sánchez, J. R. 2001. Changing vegetation
and landscape patterns in semi-arid Spain. En: Ecosystems and sustainable deve-
lopment III (eds. Villacampa, Y., Brebbia, C. A. y Usó, J. L.), pp 377–386. Wessex
Institute of Technology, Reino Unido.
Borcard, D, Legendre, P y Drapeau P. 1992. Partialling out the spatial component of
ecological variation. Ecology 76: 2176-2183.
Borcard, D. y Legendre, P. 2002. All-scale spatial analysis of ecological data by means
of principal coordinates of neighbour matrices. Ecological Modelling 153: 51-68.
Borcard, D., Legendre, P., Avois-Jacquet, C. y Tuomisto, H. 2004. Dissecting the spatial
structure of ecological data at multiple scales. Ecology 85: 1826-1832.
Bosque, J. 1997. Sistemas de Información Geográfica, 2º edición. Ediciones Rialp, Madrid,
España.
Bossard, M., Feranec, J. y Otahel, J. 2000. Corine land cover technical guide. Addendum
2000. Technical Report 40. European Commission/European Environment
Agency, Copenhagen, Dinamarca. Disponible en http://reports.eea.eu.int/tech40-
add/en.
Boyce, M. S., Vernier, P. R., Nielsen, S. E. y Schmiegelow, F. K. A. 2002. Evaluating re-
source selection functions. Ecological Modelling 157: 281-300.
Bradley, B. A. y Mustard, J. F. 2006. Characterizing the lanscape dynamics of an invasi-
ve plant and risk of invasion using remote sensing. Ecological Applications 16:
1132-1147.
Bradshaw, G. A. y Spies, T. A., 1992. Characterizing canopy gap structure in forests
using wavelet analysis. Journal of Ecology 80: 205-215.
Bramson, M., Durrett, R. y Schonmann, R. H. 1991. The Contact Processes in a Ran-
dom Environment. The Annals of Probability 19: 960-983.
Brand, L. A., Noon, B. R. y Sisk, T. D. 2006. Predicting abundance of desert riparian
birds: validation and calibration of the effective area model. Ecological Applica-
tions 16: 1090-1102.
Brandt, J. 2000. The landscape of landscape ecologists. Landscape Ecology 15: 181-185.
Braun-Blanquet, J. 1979. Fitosociología. Bases para el estudio de las comunidades vegetales.
Ediciones Blume, Madrid, España.
Brix, H. 1971. Effects of nitrogen fertilization on photosynthesis and respiration in
Douglas-fir. Forest Science 17: 407–414.
Bibliografía 785
Brotons, L., Thuiller, W., Araújo, M. B. y Hirzel, A. H. 2004. Presence-absence versus

presence-only modelling methods for predicting bird habitat suitability. Eco-
graphy 27: 437-448.
Brownie, C. y Gumpertz, M. L. 1997. Validity of spatial analyses for large field trials Jo-
urnal of Agricultural, Biological, and Environmental Statistics 2: 1-23.
Brubaker, L.B. 1986. Responses of tree populations to climatic change. Vegetatio 67:
119-130.
Bruinderink, G.G., Van Der Sluis, T., Lammertsma, D., Opdam, P. y Pouwels, R. 2003.
Designing a coherent ecological network for large mammals in northwestern
Europe. Conservation Biology 17: 549-557.
Bruno, J. F., Lee, S. C., Kertesz, S., Carpenter, R. C., Long, Z, T. y Duffy, E. 2006. Partitio-
ning the effects of algal species identity and richness on benthic marine prima-
ry production. Oikos 115: 170-178.
Bryan, T. L. y Metaxas, A. 2007. Predicting suitable habitat for deep-water gorgonian
corals on the Atlantic and Pacific Continental Margins of North America. Mari-
ne Ecology Progress Series 330: 113-126.
Brzeziecki, B., Kienast, F., y Wildi, O. 1993. A simulated map of the potential natural
forest vegetation of Switzerland. Journal of Vegetation Science 4: 499-503.
Buckland, S. T., Anderson, D. R., Burnham, K. P,. Laake, J. L., Borchers, D. L. y Tho-
mas, L. 2001. Introduction to Distance Sampling: Estimating Abundance of Biological
Populations. Oxford University Press, Oxford, Reino Unido.
Bullock, J. M. y Clarke, R. T. 2000. Long distance seed dispersal by wind: measuring
and modelling the tail of the curve. Oecologia 124: 1432-1939.
Bullock, J. M., Shea, K. y Skarpaas, O. 2006. Measuring plant dispersal: an introduction
to field methods and experimental design. Plant Ecology 186: 217-234.
Burdon, J. J. y Thrall, P. H. 2000. Coevolution at multiple spatial scales: Linum margina-
le-Melampsora lini ñ from the individual to the species. Evolutionary Ecology 14:
261-281.
Burgaz, A. R. y Martínez, I. 2003. Peltigerales: Lobariaceae, Nephromataceae, Peltigeraceae.
Sociedad Española de Liquenología, Murcia.
Burgess, T. M. y Webster, R. 1980. Optimal interpolation and isarithmic mapping of
soil propierties II. Block kriging. Journal of Soil Science 31: 333-341.
Burnham, K. P. y Anderson, D. 2002. Model Selection and Multi-Model Inference. A Prac-
tical Information- Theoretic Approach. Springer.
Burrough, P. A. 1987. Spatial aspects of ecological data. En: Data Analysis in Community
and Landscape Ecology (eds. Jongman, R. H. G., ter Braak, C. J. F. y Van Tongeren,
O. F. R.), pp. 213-248. Cambridge Univ. Press, Cambridge, Reino Unido.
Burrough, P. A. y McDonnell, R. 2000. Principles of Geographical Information Systems.
Oxford University Press, Oxford, Reino Unido.
Burrough, P. A. 1990. Principles of Geographical Information Systems for Land Resource As-
sessment. Clarendon Press, Oxford, Reino Unido.
Busby, J. R. 1986. A biogeographical analysis of Nothofagus cunninghamii (Hook.)
Oerst. in southeastern Australia. Australian Journal of Ecology 11: 1-7.
786 Bibliografía
Busby, J. R. 1991. BIOCLIM – A bioclimatic analysis and prediction system. En: Nature
Conservation: Cost Effective Biological Surveys and Data Analysis (eds. Margules,
C. R. y Austin, M. P.), pp. 64-68. CSIRO, Canberra, Australia.
Bustamante, J. y Seoane, J. 2004. Predicting the distribution of four species of raptors
(Aves: Accipitridae) in southern Spain: statistical models work better than exis-
ting maps. Journal of Biogeography 31: 295-306.
Caballero, I. 2006. Estructura espacio-temporal del banco de semillas: las comunidades gipsí-
colas del centro de la Península Ibérica. Tesis Doctoral, Universidad del País Vasco,
Bilbao
Caballero, I., Olano, J. M., Escudero, A. y Loidi, J. 2008. Seed bank spatial structure in
semi-arid environments: Beyond the patch-bare area dichotomy. Plant Ecology
195 : 215-224.
Caballero, I., Olano, J. M., Loidi, J. y Escudero, A. 2003. Seed bank structure along a
semi-arid gypsum gradient in Central Spain. Journal of Arid Environments 55:
287-299.
Caballero, I., Olano, J. M., Luzuriaga, A L., y Escudero, A. 2005. Spatial coherence bet-
ween seasonal seed banks in a semi-arid gypsum community: density changes
but structure does not. Seed Science Research 15: 153-160.
Cabello, J. 1997. Factores ambientales, estructura y diversidad en comunidades de matorral
mediterráneo semiárido (Tabernas-Sierra Alhamilla-Níjar, SE Ibérico). Tesis doctoral.
Universidad de Almería. Almería. 612 pp.
Cabello, J., Alcaraz, D., Liras, E. y Paruelo J.M. 2007. Evaluación de los impactos del
uso el suelo sobre las ganancias de carbono a través de diferentes ecosistemas
hospedantes del SE ibérico mediante el Índice Verde Normalizado. I Congreso
Nacional sobre Cambio Global. 25, 26 y 27 Abril. Getafe, España.
Cabeza, M., Araújo, M. B., Wilson, R. J., Thomas, C. D., Cowley, M. J. R. y Moilanen, A.
2004. Combining probabilities of occurrence with spatial reserve design. Jour-
nal of Applied Ecology 41: 252-262.
Cadenasso, M. L., Pickett, S. T. A., Weathers, K. C. y Jones, C. G. 2003. A framework for
a theory of ecological boundaries. Bioscience 53: 750-758.
Cadwell, L. L., Downs, J. L., Phelps, C. M., Nugent, J. J., Marsh, L. y Fitzner, L. 1996.
Sagebrush restoration in the shrub-steppe of south-central Washington in Pro-
ceedings: Shrubland ecosystem dynamics in a changing environment. Las
Cruces, NM, 23-25 May, 1995. Intermountain-Research-Station, USDA Forest
Service. General Technical Report No. INT-GTR-338.
Callaway, R. M. 1995. Positive interactions among plants. Botanical Review 61: 306-349.
Calvete, C., Estrada, R., Angulo, E. y Cabezas-Ruiz, S. 2004. Habitat factors related to
wild rabbit conservation in an agricultural landscape. Landscape Ecology 19:
531–542.
Calvete, C., Estrada, R., Villafuerte, R., Osácar, J.J. y Lucientes, J. 2002. Epidemiology
of viral haemorrhagic disease (VHD) and myxomatosis in a free-living popula-
tions of wild rabbits. The Veterinary Record 150: 776–782.
Calviño-Cancela, M. 2002. Spatial patterns of seed dispersal and seedling recruit-
ment in Corema album (Empetraceae): the importance of unspecialized disper-
sers for regeneration. Journal of Ecology 90: 775-784.
Bibliografía 787
Camarero, J. J. y Gutiérrez, E. 1999. Estructura, patrón espacial y regeneración de una

población de Pinus uncinata Ram. en su límite occidental de distribución (Casti-
llo de Vinuesa, Soria-La Rioja). Zubía 17: 99-153.
Camarero, J. J. y Rozas, V. 2006. Técnicas de análisis espacial de patrones de superfi-
cies y detección de fronteras aplicado a la ecología forestal. Investigaciones
Agrarias Sistemas y Recursos Forestales 15: 66-87.
Camarero, J. J., Bartumeus, F. y Gutiérrez, E. 2005b. La detección de fronteras median-
te espectros de diversidad: ejemplos con patrones de plantas vasculares a lo
largo de ecotonos del límite del bosque en los Pirineos. Actas del Congreso “La
Unidad en la Diversidad: un Congreso de Ecología tras el Legado de Margalef ”. Aso-
ciación Española de Ecología Terrestre, Barcelona.
Camarero, J. J., Gutiérrez, E. y Fortin, M.-J. 2000a. Boundary detection in altitudinal
treeline ecotones in the Spanish Central Pyrenees. Arctic and Alpine Research 32:
117-126.
Camarero, J. J., Gutiérrez, E. y Fortin, M.-J. 2000b. Spatial pattern of subalpine forest-
alpine grassland ecotones in the Spanish Central Pyrenees. Forest Ecology and
Management 134: 1-16.
Camarero, J. J., Gutiérrez, E. y Fortin, M.-J. 2006. Spatial patterns of plant richness
across treeline ecotones in the Pyrenees reveal different locations for richness
and tree cover boundaries. Global Ecology and Biogeography 15: 182-191.
Camarero, J. J., Gutiérrez, E., Fortin, M.-J. y Ribbens, E. 2005a. Spatial patterns of tree
recruitment in a relict population of Pinus uncinata: forest expansion through
stratified diffusion. Journal of Biogeography 32: 1979-1992.
Camarero, J.J. y Fortin, M.J. 2006. Detección cuantitativa de fronteras ecológicas y eco-
tonos. Ecosistemas 2006/3: 29-40. URL: http://www.revistaecosistemas.net/arti-
culo.asp?Id=435 &Id_Categoria=1&tipo=portada
Camargo, L. 1973. Las ciencias cartográficas y elordenador. La proyección UTM. Bole-
tín de laIinformación del Servicio Cartográfico del Ejército 21: 25-46.
Cammeraat, L. H. 2002. A review of two strongly contrasting geomorphological sys-
tems within the context of scale. Earth Surface Processes and Landforms 27: 1201-
1222.
Cammeraat, L. H., Imeson, A. C. 1999. The evolution and significance of soil-vegeta-
tion patterns following land abandonment and fire in Spain. Catena 37: 107–
127.
Campagne, D. M., Cantó, M. T., Hernández, M. y Peña, J. 2005. Turismo y agricultura
intensiva en la Marina Baixa. Tensiones jurídico-ambientales en zonas de alto
impacto turístico. Revista de Derecho Urbanístico. Nº 220.
Cantwell, M.D. y Forman, R.T.T. 1993. Landscape graphs, ecological modelling with
graph theory to detect configurations common to diverse landscapes. Landsca-
pe Ecology 8:239-255.
Cappé, O. 2001a. Ten years of HMMs. URL: www.tsi.enst.fr/~cappe/docs/hmmbib.ht-
ml
Cappé, O. 2001b. H2M: A set of MATLAB/OCTAVE functions for the EM estimation of
mixtures and hidden Markov models. URL: www.tsi.enst.fr/~cappe/h2m/
Cappé, O., Moulines, E. y Rydén, T. 2005. Inference in Hidden Markov Models. Springer.
788 Bibliografía
Carelli, J. A. y Herrero, H. R. 2005. Análisis de errores de modelos digitales de terreno

para la provincia de Tucumán, Argentina. Mapping interactivo 5: 1-7.
Carey, P. D. y Brown, N. J. 1995. The use of GIS to identify sites that will become suita-
ble for a rare orchid, Himantoglossum hircinum L., in future changed climate.
Biodiversity Letters 2: 117-123.
Carlquist, S. 1966a. The biota of long-distance dispersal, II. Loss of dispersibility in Pa-
cific Compositae. Evolution 20: 30-48.
Carlquist, S. 1966b. The biota of long-distance dispersal, III. Loss of dispersibility in
the Hawaian Flora. Brittonia 18: 310-335.
Carmel, Y. y Kadmon, R., 2000. Spatio-temporal Predictive Models of Mediterranean
Vegetation Dynamics. Ecological Applications volume 11, No.1, p.268-280.
Carpenter, G., Gillison, A. N. y Winter, J. 1993. DOMAIN: a flexible modelling proce-
dure for mapping potential distributions of plants and animals. Biodiversity
and Conservation 2: 667-680.
Carreño, F. 2005. Análisis de la influencia de variables topográficas y usos del suelo en los mo-
delos digitales de elevaciones SRTM. Proceedings X Conferencia de la Sociedad
Iberoamericana de Sistemas de Información Geográfica (XCISIG). San Juan,
Puerto Rico.
Carreño, F., de Pablo, M. A. y Martín-González, F. 2007. Assessment and potential uses of
the SRTM DEM (90 m) for geosciences: Some cases in Spain. European Geosciences
Union, Vienna, Austria.
Carver, S. J. 1991. Integrating multi-criteria evaluation with geographical information
systems. International Journal of Geographical Information Systems 5: 321-339.
Casals, P., Romanyà, J., Cortina, J, Bottner, P., Couteaux, M. M. y Vallejo, V. R. 2000.
CO2 efflux from a Mediterranean semi-arid forest soil. I. Seasonality and
effects of stoniness. Biogeochemistry 48: 261-281.
Cassinello, J., Acevedo, P. y Hortal, J. 2006. Prospects for population expansion of the
exotic aoudad (Ammotragus lervia; Bovidae) in the Iberian Peninsula: clues
from habitat suitability modelling. Diversity and Distributions 12: 666-678.
Castellano, S. y Balletto, E. 2002. Is the partial Mantel test inadequate? Evolution 56:
1871-1873.
Castroviejo, S., García, R. y Quintanar, A., 2003. Estudio preliminar de las Plantas vascu-
lares alóctonas de los parques nacionales españoles. R.S.E.H.N. Organismo Autóno-
mo Parques Nacionales, MMA.
Caswell, H. 2001. Matrix Population Models. Construction, Analysis and Interpretation. Se-
cond edition. Sinauer Associates, Inc. Publishers, Sunderland, Massachussets.
Caswell, H. 2001. Matrix population models. Construction, Analysis and Interpretation. 2nd
Ed. Sinauer Associates, Inc.
Cerdà A. 1997. The effect of patchy distribution of Stipa tenacissima L. on runoff and
erosion. Journal of Arid Environments 9: 27–38.
Cerdà, A. 1998. Soil aggregate stability under different Mediterranean vegetation ty-
pes. Catena, 32: 73-86.
Chambers J. C. y McMahon, M. 1994. A day in the life of a seed - Movements and fates
of seeds and their implications for natural and managed systems. Annual Re-
view of Ecology and Systematics 25: 263-292.
Bibliografía 789
Chapin, F. S., Zavaleta, E. S., Eviner, V. T., Taylor, R. L., Vitousek, P. M., Reynolds A. L.,
Hooper D. U., Lavorel, S., Sala, O. E., Hobbie, S. E., Mack, M. C. y Diaz, S. 2000.
Consequences of changing biodiversity. Nature 405: 234-242.
Charalambidou, I., Santamaría, L., LangeVoord, O. 2005. Effeet of ingestion by five
duck dispersers on the vetention time, retrieval and germination on Ruppia
moritium seeds. Functional Ecology 17: 747-753.
Chatterjee, S. y B. Price. 1991. Regression Analysis by Example. 2nd edition. Wiley, Nue-
va York, Estados Unidos.
Chefaoui, R. M., Hortal, J. y Lobo, J. M. 2005. Potential distribution modelling, niche
characterization and conservation status assessment using GIS tools: a case
study of Iberian Copris species. Biological Conservation 122: 327-338.
Cherrill, A. J., McClean, C., Watson, P., Tucker, K., Rushton, S. P. y Sanderson, R. 1995.
Predicting the distributions of plant species at the regional scale: a hierarchical
matrix model. Landscape Ecology 10:197-207.
Chesson, P. 1981. Models for spatially distributed populations: the effect of within-pa-
tch variability. Theoretical Population Biology 19: 288-325.
Chesson, P. 2000. Mechanisms of maintenance of species diversity. Annual Review of
Ecology and Systematics 31: 343-366.
Chesson, P. y Warner, R. R. 1981. Environmental variability promotes coexistence in
lottery competitive systems. The American Naturalist 117: 923-943.
Chilès, J. P. y Delfiner, P. 1999. Geostatistics: Modelling Spatial Uncertainty. Wiley.
Chirino, E., Bonet, A., Bellot, J. y Sánchez, J. R. 2006. Effects of 30-year-old Aleppo
pine plantations on runoff, soil erosion, and plant diversity in a semi-arid
landscape in south eastern Spain. Catena 65:19–29
Chirino, E., Sánchez, J. R., Bonet, A. y Bellot J. 2001. Effect of afforestation and vegeta-
tion dynamics on soil erosion in a semiarid environment (SE Spain). En:
Ecosystems and sustainable development III (eds. Villacampa, Y., Brebbia, C.
A. y Uso, J. L.), pp. 239-248. Wessex Institute of Technology, Southampton, Rei-
no Unido.
Chrisman, N.R. 1997. Exploring Geographic Information Systems, John Wiley and Sons,
Nueva York.
Christensen, O.F. y Ribeiro, P.J. 2002. geoRglm - a package for generalised linear spa-
tial models. R-News 2: 26-28.
Christian, C. E. 2001. Consequences of a biological invasion reveal the importance of
mutualism for plant communities. Nature 413: 635-639.
Chuvieco, E. 1990. Fundamentos de teledetección espacial. Ed. Rialp. Madrid.
Cipriotti, P. A. y Aguiar, M. R. 2005. Effects of grazing on patch structure in a semi-arid
two-phase vegetation mosaic. Journal of Vegetation Science 16: 57-66.
Clark, C. J., Poulsen, J. R., Bolker, B. M., Connor, E. F. y Parker, V. T. 2005. Comparative
seed shadows of bird-, monkey-, and wind-dispersed trees. Ecology 86: 2684-
2694.
Clark, J. S., Silman, M., Kern, R., Macklin, E. y HilleRis-Lambers, J. 1999. Seed disper-
sal near and far: Patterns across temperate and tropical forests. Ecology 80:
1475-1494.
790 Bibliografía
Clark, P. J., y Evans, F.C. 1954. Distance to nearest neighbor as a measure of spatial re-
lationships in populations. Ecology 35: 445-453.
Cliff, A. D. y Ord, J. K. 1981. Spatial Processes: Models and Applications. Pion, Londres,
Reino Unido.
Cliff, A. y Ord, J.K. 1973. Spatial Autocorrelation. Pion Limited, Londres, Reino Unido.
Climent, A., Constán-Nava, S., Terrones, B., Pastor, E. y Bonet, A. 2006. Distribució de
les poblacions de l’espècie invasora Ailanthus altissima (Mill.) Swingle al Parc
Natural del Carrascal de la Font Roja. Iberis 4: 89-101.
Cocu, N., Conrad, K., Harrington, R. y Rounsevell, M. D. A. 2005. Analysis of spatial
patterns at a geographical scale over north-western Europe from point-refe-
renced aphid count data. Bulletin of Entomological Research 95: 47-56.
Cohen, D. 1966. Optimizing reproduction in a randomly varying environment. Jour-
nal of Theoretical Biology 12: 119-129.
Collins, R.P. y Jones, M.B. 1985. The influence of climatic factors on the distribution of
C4 species in Europe. Vegetatio 64: 121- 129
Collins, S. L. y Good, R. E. 1987. The seedling regeneration niche, habitat structure of
tree seedlings in an oak-pine forest. Oikos 48: 89-98.
Comins, H. N., Hassell, M. P. y May, R. M. 1992. The Spatial Dynamics of Host--Parasi-
toid Systems. The Journal of Animal Ecology 61: 735-748.
Condit, R., Hubbell, S. P. y Foster, R. B. 1994. Density dependence in two understorey
tree species in a Neotropical forest. Ecology 75: 671-680.
Conant, R. T., Klopatek, J. M. y Klopatek, C. C. 2000. Environmental factors contro-
lling soil respiration in three semiarid ecosystems. Soil Science Society of America
Journal 64: 383-390.
Conant, R. T., Dalla-Betta, P., Klopatek, C. C. y Klopatek, J. M. 2004. Controls on soil
respiration in semiarid soils. Soil Biology and Biochemistry 36: 945-951.
Connell, J. H. 1971. On the role of natural enemies in preventing competitive exclu-
sion in some marine animals and in rain forest trees. En: Dynamics of populatio-
ns (eds. Den Boer, P. J. y Gradwell, G.), pp. 298–312. Centre for Agricultural Pu-
blishing and Documentation, Wageningen, Holanda.
Conrad, K., Perry, J. N., Woiwood, I. P. y Alexander, C. J. 2006. Large-scale temporal
changes in spatial pattern during declines of abundante and occupancy in a
common moth. Journal of Insect Conservation 10: 53-64.
Cordeiro, N. J. y Howe, H. F. 2001. Low Recruitment of Trees Dispersed by Animals in
African Forest Fragments. Conservation Biology 15: 1733-1741.
Cordeiro, N. J. y Howe, H. F. 2003. Forest fragmentation severs mutualism between
seed dispersers and an endemic African tree. Proceedings of the National Acade-
my of Sciences USA 100: 14052-14056.
Corlett, R. T. 2000. Environmental heterogeneity and species survival in degraded
tropical landscapes. En: The Ecological Consequences of Environmental Heteroge-
neity (eds. Hutchings, M. J., John, E. A. y Stewart, A. J. A.), pp. 333-356. Blac-
kwell Science, Cambridge, Reino Unido.
Corlett, R. T. 2007. The impact of hunting on the mammalian fauna of tropical asian
forests. Biotropica 39: 292-303.
Bibliografía 791
Costanza, R. y Maxwell, T. 1994. Resolution and Predictability: An Approach to the

Scaling Problem. Landscape Ecology 9: 47-57.
Costa-Silva, J., Dutkowski, G.W. y Gilmour, A.R. 2001. Analysis of early tree height in
forest genetic trials is enhanced by including a spatially correlated residual.
Canadian Journal of Forest Research 31: 1887-1893.
Courboules, J., Manière, R. y Bouchon, C. 1988. Systèmes d’informations géocodées
et télédetection à haute résolution. Exemple d’application aux côte jordanien-
nes. Oceanologie Acta 11: 337-351.
Couteron, P. y Ollier, S. 2005. A generalized, variogram-based framework for multi-
scale ordination. Ecology 86: 828-834.
Couteron, P., Seghieri, J. y Chadoeuf, J. 2003. A test for spatial relationships between
neighbouring plants in plots of heterogeneous plant density. Journal of Vegeta-
tion Science14: 163-172.
Covelo, F. y Gallardo, A. 2001. Temporal variation in total leaf phenolics concentration
of Quercus robur in forested and harvested stands in northwestern Spain. Cana-
dian Journal of Botany 79: 1262–1269.
Covelo, F. y Gallardo, A. 2004. Green and senescent leaf phenolics showed spatial au-
tocorrelation in a Quercus robur population in northwestern Spain. Plant and
Soil 259: 267–276.
Cox, E. W., Garrot, R. A. y Cary, J. R. 1997. Effect of supplemental cover on survival of
snowshoe hares and cottontail rabbits in patchy habitat. Canadian Journal of
Zoology 75: 1357-1367.
Crall, A. W., Meyerson, L. A., Stohlgren, T. J., Jarnevich, C. S., Newman, G. J. y Gram.,
J. 2006. Show me the numbers: what data currently exist for non-native species
in the USA? Frontiers in Ecology and the Environment 4: 414-418.
Crawley, M. J. 1992. Seed predators and plant population dynamics. En: Seeds: the eco-
logy of regeneration in plant communities (ed. Fenner, M.), pp. 157–191. CABI Pu-
blishing, Londres, Reino Unido.
Crespo, A., Barreno, E. 1975. Ensayo florístico y ecológico de la vegetación liquenica
de los yesos del centro de España. Anales del instituto botánico de Antonio Jose Ca-
vanilles 32: 873-908.
Cressie, N. A. C. 1993. Statistics for spatial data. John Wiley & Sons, Nueva York, Esta-
dos Unidos.
Crist, T. O. 1998. The spatial distribution of termites in shortgrass steppe: a geostatisti-
cal approach. Oecologia 114: 410-416.
Csillag, F. y Kabos, S. 2002. Wavelets, boundaries and the analysis of landscape pat-
tern. Ecoscience 9: 177-190.
Csillag, F., Boots, B., Fortin, M.-J., Lowell, K. y Potvin, F. 2001. Multiscale characteriza-
tion of boundaries and landscape ecological patterns. Geomatica 55: 291-307.
Cullis, B.R. y Gleeson, A.C. 1991. Spatial analysis of field experiments. An extension of
two dimensions. Biometrics 47: 1449-1460.
Cuzick, J. y Edwards, R. 1990. Spatial clustering for inhomogeneous populations
(with discussion). Journal of the Royal Statistical Society (series B) 52: 73-104
792 Bibliografía
D’Odorico, P., Laio F. y Ridolfi L. 2006. Patterns as indicators of productivity enhance-

ment by facilitation and competition in dryland vegetation. Journal of Geophysi-
cal Research 111: G03010
Dale, M. E., Iverson, L. R., Prasad, Anantha, y Scott, C. T. A. 1997. GIS-derived Integra-
ted Moisture Index to Predict Forest Composition and Productivity of Ohio
Forests (U.S.A.). Landscape Ecology 12: 331-348.
Dale, M. R. T. 1999. Spatial Pattern Analysis in Plant Ecology. Cambridge University
Press, Cambridge.
Dale, M. R. T. y Mah, M. 1998. The use of wavelets for spatial pattern analysis in ecolo-
gy. Journal of Vegetation Science 9: 805-814.
Dale, M. R. T., Blundon, D. J., MacIsaac, D. A. y Thomas, A. G. 1991a. Multiple species
effects and spatial autocorrelation in detecting species associations. Journal of
Vegetation Science 2: 635-642.
Dale, M. R. T., John, E. A. y Blundon, D. J. 1991b. Contact sampling for the detection of
interspecific association: A comparison in two vegetation types. Journal of Eco-
logy 79: 781-792.
Dale, M. R. T., Dixon, P., Fortin, M.-J., Legendre, P., Myers, D. E. y Rosenberg, M. S.
2002. Conceptual and mathematical relationships among methods for spatial
analysis. Ecography 25: 558-577.
Dale, M., Dale, P. y Edgoose, T. 2002. Using Markov models to incorporate serial de-
pendence in studies of vegetation change. Acta Oecologica 23: 261–269.
Dale, M. R. T. y Fortin, M.-J. 2002. Spatial autocorrelation and statistical tests in ecolo-
gy. Ecoscience 9: 162-167.
Dalling, J. W., Muller-Landau, H. C., Wright, S. J. y Hubbell, S. P. 2002. Role of dispersal
in the recruitment limitation of neotropical pioneer species. Journal of Ecology
90: 714-727.
Daubechies, I. 1992. Ten Lectures on Wavelets. Society for Industrial and Applied Ma-
thematics, Philadelphia, Estados Unidos.
Davenport, D. W., Breshears, D. D., Wilcox, B. P., Allen, C. D. 1998. Viewpoint: Sustai-
nability of piñon-juniper ecosystems – a unifying perspective of soil erosion
thresholds. Journal of Rangeland Management 51: 231–240.
Davidar, P. y Morton, E. S. 1986. The relationship between fruit crop size and fruit re-
moval rates by birds. Ecology 67: 262-265.
De Frutos, A., Olea, P.P. y Vera, R. 2007. Analyzing and modelling spatial distribution
of summering lesser kestrel: The role of spatial autocorrelation. Ecological Mo-
delling 200: 33-44.
De la Cruz, M. 2006. Introducción al análisis de datos mapeados. Ecosistemas 2006/3: 20-
40. URL://www.revistaecosistemas.net/articulo.asp?Id= 448&Id_categoria =1&ti-
po=portada
De la Cruz, M., Romao, R., Escudero, A. y Maestre, F. T. 2008. Where do seedling go? ‘A
spatio-temporal analysis of seedling movility in a semiarid gupsophite. Ecogra-
phy, (En prensa).
De Lucio Fernández, J.V., Atauri Mezquida, J.A., Sastre Olmos, P. y Martínez Alandi,
C. 2003. Conectividad y redes de espacios naturales protegidos: del modelo
teórico a la visión práctica de la gestión. En: Conectividad ambiental: las áreas pro-
Bibliografía 793
tegidas en la Cuenca Mediterránea (coord. García Mora, M. R.), pp. 29-53. Junta de
Andalucía, Sevilla, España.
De Miguel, J.M. y Gómez Sal, A. 2002. Diversidad y funcionalidad de los paisajes
agrarios tradicionales. En: La diversidad biológica de España (eds. Pineda, F. D., de
Miguel, J. M., Casado, M. A. y Montalvo, J.), pp. 273-284. Pearson Educación,
S.A. Madrid, España.
De Pablo, C. L y Pineda, F. D. 1985. Análisis multivariante del territorio para su carto-
grafía ecológica. Ensayo preliminar en la provincia de Madrid. Anales de Geo-
grafía de la UCM 5: 235-260.
De Pablo, C. L. 2000. Cartografía ecológica: conceptos y procedimientos para la repre-
sentación espacial de ecosistemas. Boletín de la Real Sociedad Española de Historia
Natural (Sección Geológica) 96:57-68.
Debouzie, D., Bendjedid, A., Bensid, T. y Gautier, N. 1996. Stipa tenacissima aerial bio-
mass estimated at regional scale in an Algerian steppe, using geostatistical
tools. Vegetatio 124: 173-181.
DeFalco, L. A., Detling, J. K., Richard, C. y Warren S. D. 2001. Physiological variation
among native and exotic winter annual plants associated with microbiotic
crusts in the Majave Desert. Plant and Soil 234: 1-14
Delgado, R., Delgado, G., Párraga, J., Gámiz, E., Sánchez, M. y Tenorio, M. A. 1989.
Mapa de suelos, hoja 1027. Instituto para la Conservación de la Naturaleza,
Madrid.
Delgado, R., Delgado, G., Párraga, J., Gámiz, E., Sánchez, M. y Tenorío M. A. 1989.
Proyecto Lucdeme. Mapa de suelos. Güejar-Sierra 1027. Industrias Gráficas Marte,
SA, España.
Dempster, A.P., Laird, N.M. y Rubin, D.B. 1977. Maximum likelihood from incomplete
data via the EM algorithm. Journal of the Royal Statistical Society Series B 39: 1-38.
Dennis, P., Aspinall, R. J. y Gordon, I. J. 2002. Spatial distribution of upland beetles in
relation to landform, vegetation and grazing management. Basic and Applied
Ecology 3: 183-193.
Di Castri, F. y Hansen, A.J. 1992. Landscape Boundaries. Consequences for biotic diversity
and ecological flows. Springer-Verlag, Nueva York, Estados Unidos.
Díaz Pineda, F. 2000. Espacio y tramas de funcionamiento en el paisaje mediterráneo.
En: El hombre y el paisaje: evaluación y conservación del paisaje natural, rural y urba-
no (eds. Morey, M. y Mayol, J.), pp. 37-54. Universidad Internacional Menén-
dez Pelayo, Santander, España.
Díaz, R., Zas, R. y Fernández-López, J. 2007. Genetic variation of Prunus in susceptibi-
lity to cherry leaf spot (Blumeriella jaapii) in spatially heterogeneous infected
seed orchards. Annals of Forest Science 64: 21-30.
Díaz, S., Acosta, A. y Cabido, M. 1994. Community structure in montane grasslands of
Central Argentina in relation to land use. Journal of Vegetation Science 5: 483-488.
Díaz-Delgado, R. y Pons, X. 2001. Spatial patterns of forest fires in Catalonia (NE of
Spain) along the period 1975-1995; analysis of vegetation recovery after fire.
Forest Ecology and Management 147: 67-74.
794 Bibliografía
Dieckmann, U., Law, R., y Metz, J. A. (eds), 2000, The geometry of ecological interactions,
Cambridge Studies in Adaptative dynamics, Cambridge University Press, Rei-
no Unido.
Diggle, P. J. 1979a. On parameter estimation and godness-of-fit testing for spatial po-
int patterns. Biometrics 35: 87-101.
Diggle, P. J. 1979b. Statistical methods for spatial point patterns in ecology. En: Spatial
and Temporal Analysis in Ecology (eds. Cormack, R.M. y Ord, J.K.), pp. 99-150. In-
ternational Co-operative Publishing House, Fairland, Estados Unidos.
Diggle, P. J. 1983. Statistical Analysis of Spatial Point Patterns. Academic Press, Londres,
Reino Unido.
Diggle, P. J. 2003. Statistical Analysis of Spatial Point Patterns.2ª ed. Arnold, Londres, Rei-
no Unido.
Diggle, P. J., Gratton, R. J. 1984. Monte Carlo methods of inference for implicit statisti-
cal models. Journal of the Royal Statistical Society (series B) 46: 193-212.
Diggle, P., Chetwynd, A., Haggkvist, R. y Morris, S. 1995 Second-order analysis of
space-time clustering. Statistical Methods in Medical Research 4: 124-136
Diniz-Filho, J.A.F, Bini, L.M y Hawkins, B.A. 2003. Spatial autocorrelation and red he-
rrings in geographical ecology. Global Ecology & Biogeography 12: 53-64.
Dirichlet, G. L. 1850. Über die Reduktion der positiven quadratischen Formen mit
drei unbestimmten ganzen Zahlen. Journal für die Reine und Angewandte Mathe-
matik 40: 209-227.
Dixon, P. M. 2002a. Nearest-neighbor contingency table analysis of spatial segrega-
tion for several species. Ecoscience 9: 142-151.
Dixon, P. M. 2002b. Nearest neighbor methods. En: The encyclopedia of environmetrics
(eds. El-Shaarawi, A.H. y Piergorsch, W.W.), pp. 1370-1383. John Wiley & Sons
Ltd, Nueva York, Estados Unidos.
Dixon, P. M. 2002c. Ripley's K function. En: The encyclopedia of environmetrics (eds. El-
Shaarawi, A. H. y Piergorsch, W. W.), pp. 1796-1803. John Wiley & Sons Ltd,
Nueva York, Estados Unidos.
Dixon, R. K., Meldahl, R. S., Ruark, G. A. y Warren, W. G. 1990. Process Modelling of
Forest Growth Responses to Environmental Stress. Timber Press, Portland.
Doak, P. 2000. The effects of plant dispersion and prey density on parasitism rates in a
naturally patchy habitat. Oecologia 122: 556-567.
Donnelly, K. P. 1978. Simulations to determine the variance and edge effect of total
nearest-neighbor distance. En: Simulation Studies in Archaeology (ed. Hodder,
I.), pp. 91-95. Cambridge University Press. Cambridge.
Donohue, K. 1998. Maternal Determinants of Seed Dispersal in Cakile edentula: Fruit,
Plant, and Site Traits. Ecology 79: 2771-2778.
Draper, D., Roselló-Graell, A., García, C., Tauleigne, C. y Sergio, C. 2003. Application
of GIS in plant conservation programmes in Portugal. Biological Conservation
113: 337-349.
Dray, S., Legendre, P. y Peres-Neto, P. R. 2006. Spatial modelling: a comprehensive fra-
mework for principal coordinate analysis of neighbour matrices (PCNM). Eco-
logical Modelling 196: 483-493.
Bibliografía 795
Duke, C. S. 2006. Data: share and share alike. Frontiers in Ecology and the Environment 4:
395.
Dungan, J. L., Perry, J. N., Dale, M. R. T., Legendre, P., Citron-Pousty, S. Fortin, M.-J.,
Jakomulska, A., Miriti, M. y Rosenberg, M. S. 2002. A balanced view of scale in
spatial statistical analysis. Ecography 25: 626–640.
Dunkerley, D. L. 1997. Banded vegetation: development under uniform rainfall from
a simple cellular automaton model. Plant Ecology 129: 103-111.
Dunn, C. P., Sharpe, D. M., Guntenspergen, G. R., Stearns, F. y Yang, Z. 1991. Methods
for analyzing temporal changes in landscape pattern. En: Quantitative Methods
in Landscape Ecology: The Analysis and Interpretation of Landscape Heterogeneity
(eds. Turner, M. G. y Gardner, R. H.). Springer-Verlag, Nueva York, Estados
Unidos.
Dupré, C. y Ehrlén, J. 2002. Habitat configuration, species traits and plant distributio-
ns. Journal Ecology 90:796-805.
Durbin, R., Eddy, S., Krogh, A. y Mitchison, G. 1998. Biological sequence analysis. Proba-
bilistic models of proteins and nucleic acids. Cambridge University Press, Cam-
bridge.
Durrett, R. 1999. Stochastic Spatial Models. SIAM Review 41: 677-718.
Durrett, R. y Levin, S.A. 1994. Stochastic spatial models: a user’s guide to ecological
applications. Philosophical Transactions of the Royal Society of London B 343: 329-
350.
Durrett, R. y Neuhauser, C. 1997. Coexistence Results for Some Competition Models.
The Annals of Applied Probability 7: 10-45.
Dutilleul, P. 1993a. Modifying the t test for assessing the correlation between two spa-
tial processes. Biometrics 49: 305-314.
Dutilleul, P. 1993b. Spatial heterogeneity and the design of ecological field experi-
ments. Ecology 74: 1646-1658.
Dutilleul, P. 1998. Incorporating scale in ecological experiments: study designs. En:
Ecological scale: theory and applications (eds. Peterson, D.L. y Parker, V.T.). Colum-
bia University Press, Nueva York, Estados Unidos.
Dutilleul, P. y Legendre, P. 1993. Spatial heterogeneity against heteroscedasticity: an
ecological paradigm versus a statistical concept. Oikos 66: 152-171.
Dutkowski, G.W., Costa-e-Silva, J., Gilmour, A.R., Wallendorf, H. y Aguiar, A. 2006.
Spatial analysis enhances modelling of a wide variety of traits in forest genetic
trials. Canadian Journal of Forest Research 36: 1851-1870.
Dutkowski, G.W., Costa-Silva, J., Gilmour, A.R. y Lopez, G.A. 2002. Spatial analysis
methods for forest genetic trials. Canadian Journal of Forest Research 32: 2201-
2214.
Dye, D. G. y Goward, S. N. 1993. Photosynthetically active radiation absorbed by glo-
bal land vegetation in August 1984. International Journal of Remote Sensing 14:
3361-3364.
Eastman, J. R. 1997. Idrisi for Windows User´s Guide, version 2.0. Clark University, Wor-
cester.
Efron, B. y Tibshirani, R. J. 1993. An introduction to the bootstrap. Chapman and Hall,
796 Bibliografía
Ehleringer, T. E, Cerling, T. E y Hellinker, B. R. 1997. C4 Photosynthesis, CO2 atmos-

pheric and Climate. Oecologia 112: 285-299.
Ehrlén, J. y Eriksson, O. 2000. Dispersal limitation and patch occupancy in forest her-
bs. Ecology 81: 1667-1674.
Eldridge, D. J. y Rosentreter, R. 1999. Morphological groups: a framework for monito-
ring microphytic crusts in arid landscapes. Journal of Arid Environments 41: 11-
25.
Eldridge, D. J., 1996. Distribution and floristics of terricolous lichens in soil crusts in
arid and semi-arid New South Wales, Australia. Australian Journal of Botany 44:
581-599.
Eldridge, D.J. y Tozer, M. E. 1997. Environmental factors relating to the distribution of
terricolous byrophytes and lichens in semi-arid eastern Australia. Bryologist
100: 28-39.
Elith, J., Graham, C. H., Anderson, R. P., Dudík, M., Ferrier, S., Guisan, A., Hijmans, R.
J., Huettmann, F., Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L. G., Loise-
lle, B. A., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., Overton, J.
McC. M., Peterson, A. T., Phillips, S. J., Richardson, K., Scachetti-Pereira, R.,
Schapire, R. E., Soberón, J., Williams, S., Wisz, M. S. y Zimmermann, N. E. 2006.
Novel methods improve prediction of species' distributions from occurrence
data. Ecography 29: 129–151.
Elliot, R.J., Aggoun, L. y Moore, J.B. 1995. Hidden Markov Models – Estimation and Con-
trol. Springer -Verlag, Nueva York.
Ellis, Ch. J., Coppins, B. J. y Dawson, T. P. 2007. Predicted response of the lichen epi-
phyte Lecanora populicola to climate change scenarios in a clean-air region of
Northern Britain. Biological Conservation 135: 396-404.
Ellner, S. 1985. ESS germination strategies in randomly varying environments. 1. Lo-
gistic-type models. Theoretical Population Biology 28: 50-79.
Ellner, S. y Shmida, A. 1981. Why are adaptations for long-range seed dispersal rare in
desert plants? Oecologia 51: 133-144.
Engler, R., Guisan, A. y Rechsteiner, L. 2004. An improved approach for predicting
the distribution of rare and endangered species from occurrence and pseudo-
absence data. Journal of Applied Ecology 41: 263-274.
Eriksson, O. y Ehrlén, J. 1992. Seed and microsite limitation of recruitment in plant
populations. Oecologia 91: 360-364.
Ermentrout G. y Edelstein-Keshet, L. 1992. Cellular automata approaches to biologi-
cal modelling. Journal of Theoretical Biology 160: 97–133.
Escobar, M. 1999. Análisis gráfico/exploratorio. Editorial La Muralla, Madrid.
Escudero, A., Carnes, L. y Pérez-García F. 1997. Seed germination of gypsophytes and
gypsovags in semiarid central Spain. Journal of Arid Environments 36: 487–497.
Escudero, A., Iriondo, J. M. y Torres, M. E. 2003. Spatial analysis of genetic diversity as
a tool for plant conservation. Biological Conservation 113: 351-365.
Escudero, A., Iriondo, J. M., Olano, J. M., Rubio, A. y Somolinos, R. C. 2000. Factors
affecting establishment of a gypsophyte: The case of Lepidium subulatum (Bras-
sicaceae). American Journal of Botany 87: 861-871.
Bibliografía 797
Escudero, A., Martínez, I., de la Cruz, A., Otálora, M. A. G. y Maestre, F. T. 2007. Soil li-
chens have species-specific effects on the seedling emergence of three gypso-
phile plant species. Journal of Arid Environments 70: 18-28.
Escudero, A., Romão, R., de la Cruz, M. y Maestre, F. T. 2005. Spatial pattern and neig-
hbor effects on Helianthemum squamatum seedlings in a semiarid Mediterra-
nean gypsum community. Journal of Vegetation Science 16: 383-390.
Escudero, A., Somolinos, R. C., Olano, J. M. y Rubio, A. 1999. Factors controlling the
establishment of Helianthemum squamatum (L.) Dum., an endemic gypsophile
of semi-arid Spain. Journal of Ecology 87: 290–302.
ESRI, 2003. Getting to know ArcGIS. ERSI press, Redlands, Estados Unidos.
Esteban, J. y Fairén, 2006, Self-organized formation of banded vegetation patterns in
semi-arid regions. Ecological Complexity 3: 109-118
Ettema, C. H. y Wardle, D. A. 2002. Spatial soil ecology. Trends in Ecology and Evolution
17: 177–83.
Ettema, C. H., Coleman, D. C., Vellidis, G., Lowrance, R. y Rathbun, S. L. 1998. Spatio-
temporal distributions of bacterivorous nematodes and soil resources in a res-
tored riparian wetland. Ecology 79: 2721-2734.
Etxeberría, J. 1999. Regresión múltiple. Editorial La Muralla y Editorial Hespérides, Ma-
drid, España.
Ezoe, H. y Nakamura, S. 2006. Size distributions and spatial autocorrelation of subpo-
pulations in a size structured metapopulation model. Ecological Modelling 198:
293-300.
Fa, J. E., Sharples, C. M. y Bell, D. J. 1999. Habitat correlates of European rabbit (Oryc-
tolagus cuniculus) distribution after the spread of RVHD in Cadiz Province,
Spain. Journal of Zoology 249: 83–96.
Fagan, W. F., Fortin, M.-J. y Soykan, C. 2003. Integrating edge detection and dynamic
modeling in quantitative analyses of ecological boundaries. Bioscience 53: 730-
738.
Fagroud, M. y Meirvenne, M.V. 2002. Accounting for soil spatial autocorrelation in
the design of experimental trials. Soil Science Society of America Journal 66: 1134-
1142.
Fajardo, A., Goodburn, J. M. y Graham, J. 2006. Spatial patterns of regeneration in
managed uneven-aged Ponderosa pine/Douglas-fir forests of Western Monta-
na, USA. Forest Ecology and Management 223: 255-266.
FAO, 1999. Sistema de Información Geográfica en el desarrollo sostenible. SD dimen-
sions: Sistema de Información Geográfica. Servicio del Medio Ambiente y los
Recursos Naturales (SDRN). Dirección de Investigación, Extensión y Capacita-
ción de la FAO. (URL: http://www.fao.org/sd/spdirect/gis/EIgis000.htm)
Farina, A. 1998. Principles and Methods in Landscape Ecology. Chapman & Hall. Cam-
bridge, Reino Unido.
Farr, T.G. y Kobrick, M. 2000. Shuttle Radar Topography Mission produces a wealth of
data. American Geophysic Union Eos 81: 583-585.
Fauchald, P. y Erikstad, K.E. 2002. Scale-dependent predator-prey interactions: the
aggregative response of seabirds to prey under variable prey abundance and
patchiness. Marine Ecology Progress Series 231: 279-291.
798 Bibliografía
Fauchald, P., Erikstad, K. E. y Skarsfjord, H. 2000. Scale-dependent predator-prey in-

teractions: the hierarchical spatial distribution of seabirds and prey. Ecology 81:
773-783.
Federer, W.T. y Nguyen, N.-K. 2002. Incomplete block designs. En: Encyclopedia of En-
vironmetrics. (eds. El-Shaarawi, A.H. y Piegorsch, W.W.), pp. 1039-1042. John
Wiley & Sons Ltd, Chichester, Reino Unido.
Felicísimo, A.M., Francés, E., Fernández, J.M., González-Díez, A. y Varas, J. 2002. Mo-
deling the potential distribution of forests with a GIS. Photogrammetic Enginee-
ring and. Remote Sensing 68: 455-461.
Ferguson, A.W., Klukowski, Z., Walczak, B., Perry, J. N., Mugglestone, M. A., Clark, S.
J. y Williams, I. H. 2000. The spatio-temporal distribution of adult Ceutorhyn-
chus assimilis in a crop of winter oilseed rape in relation to the distribution of
their larvae and that of the parasitoid Trichomalus perfectus. Entomologia Experi-
mentalis et Applicata 95: 161-171.
Ferguson, J. W. H. y Bester, M. N. 2002. The treatment of spatial autocorrelation in bio-
logical surveys: the case of line transect surveys. Antartic Science 14: 115-122.
Fernández, N. 2005. Spatial patterns in European rabbit abundance after a popula-
tion collapse. Landscape Ecology, 20: 897–910.
Fernandez-Ales, R., Martin, A., Ortega, F. y Ales, E. E. 1992. Recent changes in lands-
cape structure and function in a Mediterranean region of SW Spain (1950-
1984). Landscape Ecology 7: 3-18
Fernández-Juricic, E. 2004. Spatial and temporal analysis of the distribution of forest
specialists in an urban-fragmented landscape (Madrid, Spain). Implications
for local and regional bird conservation. Landscape and Urban Planning 69: 17-
32.
Fernández-Sañudo, P. y Schmitz, M. F. 2003. Caracterización ambiental de los paisajes cul-
turales de Madrid. Cartografía básica para la planificación y gestión del uso recreativo
del territorio. Serie Documentos del Centro de Investigación en Espacios Natu-
rales Protegidos Fernando González Bernáldez nº41.
Ferreras, P. 2001. Landscape structure and asymmetrical inter-patch connectivity in a
metapopulation of the endangered Iberian lynx. Biological Conservation 100:
125-136.
Fielding, A. H. y Bell, J. F. 1997. A review of methods for the assessment of prediction
errors in conservation presence/absence models. Environmental Conservation
24: 38-49.
Figuerola, J., Green, A. J. y Michot, T. C. 2005. Invertebrate eggs can fly: Evidence of
waterfowl-mediated gene flow in aquatic invertebrates. The American Natura-
list 165: 274-280.
Fine, S., Singer, Y. y Tishby, N. 1998. The Hierarchical Hidden Markov Model: Analy-
sis and applications. Machine Learning 32: 41-62.
Fisher, R. A. 1926. The arrangement of field experiments. Journal of the Ministry of Agri-
culture 33: 503-513.
Fisher, R. A. 1937. The wave of advance of advantageous genes. Annals of Eugenics 7:
355-369.
Bibliografía 799
Fisher, R. A., Thornton, H. G. y Mackenzie, W. A. 1922. The accuracy of the plating me-
thod of estimating the density of bacterial populations, with particular refe-
rence to the use of Thornton 's agar method with soil samples. Annals of Applied
Botanny 9: 325-259.
Flores, J. y Jurado, E. 2003. Are nurse-protégé interactions more common among
plants from arid environments? Journal of Vegetation Science 14: 911-916.
Ford, E. D. y Renshaw, E. 1984. The interpretation of process from pattern using two-
dimensional spectral analysis: modelling single species patterns in vegetation.
Vegetatio 56: 113-123.
Forman, R. T. T. 1981. Interaction among landscape elements: a core of landscape eco-
logy. En: Proocedings of the International Congress of the Netherlander Society for
Landsscape Ecology, pp. 35-48. Veldhoven, Pudoc, Wageningen, Holanda.
Forman, R. T. T. 1995. Landscape Mosaics: the ecology of landscapes and regions. Cambridge
University Press, Cambridge.
Forman, R. T. T. 1997. Networks and the matrix. En: Land Mosaics (ed. Forman, R.T.T.),
pp. 253-282. Cambridge University Press, Cambridge.
Forman, R. T. T. y Godron, M. 1981. Patches and Structural Components for a Lands-
cape Ecology. Bioscience 31:733-740.
Forman, R. T. T. y Godron, M. 1984. Landscape ecology principles and landscape
function. En: Proocedings of the 1st International Seminar of the International Asso-
ciation for Landscape Ecology. Roskilde, Denmark.
Forman, R. T. T. y Godron, M. 1986. Landscape Ecology. John Wiley and Sons, Nueva
York.
Fortescue, J. A. C. 1980. Environmental Geochemistry. Springer-Verlag, Nueva York.
Fortin, M.-J. 1994. Edge detection algorithms for two-dimensional ecological data.
Ecology 75: 956-965.
Fortin, M.-J. 1997. Effects of data types on vegetation boundary delineation. Canadian
Journal of Forest Research 27: 1851-1858.
Fortin, M.-J. 1999a. Spatial statistics in landscape ecology. En: Landscape Ecological
Analysis: Issues and Applications (eds. Klopatek, J. M. y Gardner, R. H.), pp. 253-
279. Springer-Verlag, Nueva York, Estados Unidos.
Fortin, M.-J. 1999b. The effects of quadrat size and data measurement on the detec-
tion of boundaries. Journal of Vegetation Science 10: 43-50.
Fortin, M.-J. y Dale, M. R. T. 2005. Spatial Analysis: A Guide for Ecologists. Cambridge
University Press, Cambridge.
Fortin, M.-J. y Drapeau, P. 1995. Delineation of ecological boundaries: comparison of
approaches and significance tests. Oikos 72: 323-332.
Fortin, M.-J. y Gurevitch, J. 2001. Mantel tests. Spatial structures in field experiments.
En: Design and analysis of ecological experiments. Second edition. (eds. Scheiner,
S.M. y Gurevitch, J.), pp. 308-326. Oxford University Press, Nueva York, Esta-
dos Unidos.
Fortin, M.-J. y Jacquez, G. M. 2000. Randomization tests and spatially autocorrelated
data. Bulletin of the Ecological Society of America 81: 201-205.
800 Bibliografía
Fortin, M.-J. y Payette, S. 2002. How to test the significance of the relation between
spatially autocorrelated data at the landscape scale: A case study using fire and
forest maps. Ecoscience 9: 213-218.
Fortin, M.-J., Dale M. R. T y Ver Hoef, J. 2002. Spatial analysis in ecology. En: Encyclope-
dia of Environmetrics (eds. El-Shaarawi, A.H. y Piegorsch W.W.), vol 4 pp.2051-
2058. John Wiley & Sons, Ltd, Chichester, Reino Unido.
Fortin, M.-J., Drapeau, P. y Jacquez, G. M. 1996. Quantification of the spatial co-ocu-
rrences of ecological boundaries. Oikos 77: 51-60.
Fortin, M.-J., Drapeau, P. y Legendre, P. 1989. Spatial autocorrelation and sampling
design in plant ecology. Vegetatio 83: 209-222.
Fortin, M.-J., Keitt, T. H., Maurer, B. A., Taper, M. L., Kaufman, D. M. y Blackburn, T. M.
2005. Species’ geographic ranges and distributional limits: pattern analysis
and statistical issues. Oikos 108: 7-17.
Fortin, M.-J., Olson, R.J., Ferson, S., Iverson, L., Hunsaker, C., Edwards, G., Levine, D.,
Butera, K. y Klemas, V. 2000. Issues related to the detection of boundaries.
Landscape Ecology 15: 453-466.
Fowler, N. L. 1986. The role of competition in plant communities in arid and semiarid
regions. Annual Review of Ecology and Systematics 17: 89-110.
Frank, A. B., Liebig, M. A. y Hanson, J. D. 2002. Soil carbon dioxide fluxes in northern
semiarid grasslands. Soil Biology and Biochemistry 34: 1235-1241.
Franke, A., Caelli, T. y Hudson, R.J. 2004. Analysis of movements and behavior of cari-
bou (Rangifer tarandus) using hidden Markov models. Ecollogical Modelling 173:
259-270.
Franke, A., Caelli, T., Kuzyk, G. y Hudson, R.J. 2006. Prediction of wolf (Canis lupus)
kill-sites using hidden Markov models. Ecollogical Modelling 197: 237-246.
Fu, Y. 2003. On implementation of incomplete block designs in forest genetic field
trials. Forest Genetics 10: 23-33.
Fu, Y., Clarke, G.P.Y., Namkoong, G., Yanchuk, A.D. y Fu, Y.B. 1998. Incomplete block
designs for genetic testing: statistical efficiencies of estimating family means.
Fu, Y.B., Yanchuk, A.D. y Namkoong, G. 1999a. Incomplete block designs for genetic
testing: some practical considerations. Canadian Journal of Forest Research 29:
1871-1878.
Fu, Y.B., Yanchuk, A.D. y Namkoong, G. 1999b. Spatial patterns of tree height varia-
tions in a series of Douglas-fir progeny trials: implications for genetic testing.
Fuentes, M., Guitián, J., Guitián, P., Bermejo, T., Larrinaga, A. R., Amézquita, P. y Bon-
giorno, S. 2001. Small-scale spatial variation in the interactions between Pru-
nus mahaleb and fruit-eating birds. Plant Ecology 157: 69-75.
Gabriel, K. R. y Sokal, R. R. 1969. A new statistical approach to geographic variation
analysis. Systematic Zoology 18: 259-270.
Galetti, M., Alves-Costa, C. P. y Cazetta, E. 2003. Effects of forest fragmentation, an-
thropogenic edges and fruit colour on the consumption of ornithocoric fruits.
Biological Conservation 111:269-273.
Bibliografía 801
Galiano, E. F. 1982. Pattern detection in plant populations through the analysis of

plant-to-all-plants distances. Vegetatio 49: 39-43.
Galindo-Leal, C. y Bunnell, F. L. 1995. Ecosystem management: implications and op-
portunities of a new paradigm. Forestry Chronicle 71: 601-606.
Gallardo, A. 2003a. Spatial Variability of Soil Properties in a Floodplain Forest in Nor-
thwest Spain. Ecosystems 6: 564 – 576.
Gallardo, A. 2003b. Effect of tree canopy on the spatial distribution of soil nutrients in
a Mediterranean Dehesa. Pedobiologia 47: 117–125.
Gallardo, A. y Covelo, F. 2005. Spatial pattern and scale of leaf N and P concentration
in a Quercus robur population. Plant and Soil 273: 269-277.
Gallardo, A., Paramá R. y Covelo F. 2006. Differences between soil ammonium and ni-
trate spatial pattern in six plant communities. Simulated effect on plant popu-
lations. Plant and Soil 279: 333-346.
Gallardo, A., Paramá, R. y Covelo, F. 2005. Soil ammonium vs. nitrate spatial pattern
in six plant communities: simulated effect on plant populations. Plant and Soil
277: 207–219.
Gallardo, A., Rodríguez-Saucedo, J. J., Covelo, F., y Fernández-Alés, R. 2000. Soil ni-
trogen heterogeneity in a Dehesa ecosystem. Plant and Soil 222: 71-82.
Gámir, A., Ruiz, M. y Seguí, J.M. 1995. Prácticas de análisis espacial. Oikos-Tau, Barcelo-
na.
García, C., Jordano, P. y Godoy, J.A. 2007. Contemporary pollen and seed dispersal in
a Prumus mahaleb population: patterns in distance and direction. Molecular Eco-
logy 16: 1947-1955.
García, D. 2001. Effect of seed dispersal on Juniperis communis recruitment on a Medi-
terranean mountain. Journal of Vegetation Science 12: 839-848.
García, D. y Chacoff, N. P. 2007. Scale-dependent effects of habitat fragmentation on
hawthorn pollination, frugivory and seed predation. Conservation Biology 21:
400-411.
García, D. y Houle, G. 2005 Fine-scale spatial patterns of recruitment in red oak (Quer-
cus rubra): what matters most, abiotic or biotic factors? Ecoscience 12: 223-235.
García, D. y Obeso J. R. 2003. Facilitation by herbivore-mediated nurse plants in a
threatened tree Taxus baccata: local effects and landscape level consistency. Eco-
graphy 26: 739-750.
García, D. y Ortiz-Pulido, R. 2004. Patterns of resource tracking by avian frugivores at
multiple spatial scales – two case studies on discordance among scales. Ecogra-
phy 27:187-196.
García, D., Martínez, I. y Obeso, J. R. 2007. Seed transfer among bird dispersed trees
and its consequences for post-dispersal seed fate. Basic and Applied Ecology 8:
533-543.
García, D., Obeso, J. R. y Martínez, I. 2005a. Rodent seed predation promotes diffe-
rential recruitment among bird-dispersed trees in temperate secondary fo-
rests. Oecologia 144: 435-446.
García, D., Obeso, J. R. y Martínez, I. 2005b. Spatial concordance between seed rain
and seedling establishment in bird-dispersed trees: does scale matter? Journal
of Ecology 93: 693-704.
802 Bibliografía
García, D., Zamora, R., Gómez, J. M. y Hódar, J. A. 2001. Frugivory at Juniperus commu-
nis depends more on population characteristics than on individual attributes.
Journal of Ecology 89: 639-647.
García, D., Zamora, R., Gómez, J. M., Jordano, P., y Hódar, J. A. 2000b. Geographical
variation in seed production, predation and abortion in Juniperus communis
throughout its range in Europe. Journal of Ecology 88: 436-446.
García, D., Zamora, R., Hódar, J. A., Gómez, J. M. y Castro, J. 2000a. Yew (Taxus baccata
L.) regeneration is facilitated by fleshy-fruited shrubs in Mediterranean envi-
ronments. Biological Conservation 95: 31-38.
García, L. V. 2004. Escaping the Bonferroni iron claw in ecological studies. Oikos 105:
657-663.
García-Fayos, P. y Gasque, M. 2002. Consequences of a severe drought on spatial pat-
terns of woody plants in a two-phase mosaic steppe of Stipa tenacissima L. Jour-
nal of Arid Environments 52: 199-208.
García-Fayos, P., Recatalá, T. M., Cerdá, A. y Calvo, A. 1995. Seed population dynamics
on badland slopes in southeastern Spain. Journal of Vegetation Science 6: 691–
696.
García Mora, M.R. y Rosabal, P., 2003. Conectividad ambiental. Las áreas protegidas
en el contexto mediterráneo. En: Conectividad ambiental: las áreas protegidas en la
Cuenca Mediterránea (coord. García Mora, M. R., pp. 181-196. Junta de Andalu-
cía, Sevilla, España.
Gardiner, W. P. 1997. Statistics for the biosciences: data analysis using Minitab software.
Prentice Hall Europe. Reino Unido. 449 pp.
Garrido, J. L., Rey, P. J. y Herrera, C. M. 2005. Pre- and post-germination determinants
of spatial variation in recruitment in the perennial herb Helleborus foetidus L.
(Ranunculaceae). Journal of Ecology 93: 60-66.
Geary, R. 1954. The contiguity ratio and statistical mapping. The Incorporated Statisti-
cian 5: 115-145.
GEIB. 2006. TOP 20: Las 20 especies exóticas invasoras más dañinas presentes en España.
GEIB, Serie Técnica N. 2, León, España.
Getis, A. y Franklin, J. 1987. Second-order neighborhood analysis of mapped point
patterns. Ecology 68: 473-477.
Getis, A. y Ord, J. K. 1992. The analysis of spatial association by use of distance statis-
tics. Geographical Analysis 24: 189-206.
Geyer, C.J. 1999. Likelihood Inference for Spatial Point Processes. En: Stochastic Geo-
metry: Likelihood and Computation (eds. Barndorff-Nielsen, O. E., Kendall, W. S.
y Van Lieshout, M. N. M.), pp. 79–140. Chapman and Hall / CRC, Monographs
on Statistics and Applied Probability, number 80.
Gezan, S.A., White, T.L. y Huber, D.A. 2006. Comparison of experimental designs for
clonal forestry using simulated data. Forest Science 52: 108-116.
Ghahramani, Z. y Jordan, M.I. 1997. Factorial hidden Markov models. Machine Lear-
ning 29: 245-273.
Gil F., Iriarte J. y Jimenez M. S. 1982. Energética y ecología de las plantas C4. En: La Fo-
tosintesis C4. Revisión del Síndrome de Kranz. (eds. Gil F., Iriarte J. y Jimenez M.
S.). pp. 199-218. La Laguna, Islas Canarias.
Bibliografía 803
Gilbert, B. y Lechowicz, M. J. 2004. Neutrality, niches, and dispersal in a temperate fo-

rest understory. Proceedings of the National Academy of Sciences USA 101: 7651-
7656.
Gilbert, G. S., Hubbell, S. P. y Foster, R. B. 1994. Density and distance-to-adult effects
of a canker disease of trees in a moist tropical forest. Oecologia 98: 100-108.
Gilmour, A. R., Cullis, B. R. y Verbyla, A. P. 1997. Accounting for natural and extra-
neous variation in the analysis of field experiments. Journal of Agricultural, Bio-
logical and Environmental Statistics 2: 269-293.
Gilmour, A. R., Cullis, B. R., Welham, S. J. y Thompson, R. 1999. ASREML. NSW Agri-
cultural Technical Report, Orange, New South Wales, Australia.
Ginoux, J., Duby, C. y Barot, S. 1999. Comparing the performance of Diggle's test of
spatial randomness for small samples with and without edge-effect correction:
application to ecological data. Biometrics 55: 156-164.
Giudici, P., Ryden, T. y Vandekerkhove, P. 2000. Likelihood-Ratio Tests for Hidden
Markov Models. Biometrics 56: 742-747.
Godown, M. E. y Peterson, A. T. 2000. Preliminary distributional analysis of US en-
dangered bird species. Biodiversity and Conservation 9: 1313-1322.
Godoy, J. A. y Jordano, P. 2001. Seed dispersal by animals: exact identification of sour-
ce trees with endocarp DNA microsatellites. Molecular Ecology 10: 2275-2283.
Gómez Sal, A., Rodríguez, M.A. y de Miguel, J. M. 1992. Matter transfer and land use
by cattle in a dehesa ecosystem of Central Spain. Vegetatio 99-100:345-354.
Gómez, J. M. 2003. Spatial patterns in long-distance dispersal of Quercus ilex acorns
by jays in a heterogeneous landscape. Ecography 26: 573-584.
Gómez, J. M. 2004. Bigger is not always better: conflicting selective pressures on seed
size on Quercus ilex. Evolution 58: 71-80.
Gómez-Aparicio, L., Valladares, F., Zamora, R. y Quero, J. L. 2005b. Response of tree
seedlings to the abiotic heterogeneity generated by nurse shrubs: an experi-
mental approach at different scales. Ecography 28: 757-768.
Gómez-Aparicio, L., Zamora, R. y Gómez, J. M. 2005a. The regeneration status of the
endangered Acer opalus subsp. granatense throughout its geographical distribu-
tion in the Iberian Peninsula. Biological Conservation 121: 195-206.
González Bernáldez, F. 1991 Ecological consequences of the abandonment of traditio-
nal land use in central Spain. Options Méditerrannés 15: 23-29.
González-Megías, A., Gómez, J. M. y Sánchez-Piñero, F. 2007. Diversity-habitat hete-
rogeneity relationship at different spatial and temporal scales. Ecography 30:
31-41.
Good, B. J. y Whipple, S.A. 1982. Tree spatial patterns: South Carolina bottomland
and swamp forest. Bulletin of the Torrey Botanical Club 109: 529-536.
Goodall, D. W. y West, N. E. 1979. A comparison of techniques for assessing dispersion
pattern. Vegetatio 40: 15-27.
Goovaerts, P. 1992. Factorial kriging analysis: a useful tool for exploring the structure
of multivariate spatial soil information. Journal of Soil Science 43: 597–619.
Goovaerts, P. 1997. Geostatistics for natural resources evaluation. Oxford University
Press, Nueva York.
804 Bibliografía
Goovaerts, P. 1999. Geostatistics in soil science: state-of-the-art and perspectives. Geo-

derma 89: 1-45.
Goovaerts, P. y Webster, R. 1994. Scale-dependent correlation between topsoil copper
and cobalt concentrations in Scotland. European Journal of Soil Science 45: 79-95.
Gorb, E. y Gorb, S. 2000. Effects of seed aggregation on the removal rates of elaioso-
me-bearing Chelidonium majus and Viola odourata seeds carried by Formica polyc-
tena ants. Ecological Research 15: 187-192.
Goreaud, F. y Pélissier, R. 1999. On explicit formulas of edge effect correction for Ri-
pley's K-function. Journal of Vegetation Science 10: 433-438.
Goreaud, F. y Pélissier, R. 2000. Spatial structure analysis of heterogeneous point patterns:
examples of application to forest stands. ADS in ADE-4/Topic documentation 8.1/
21/12/00. Disponible en: ftp://pbil.univ-lyon1.fr/pub/mac/ADE/ADE4/Doc-
ThemPDFUS/Thema81.pdf
Goreaud, F. y Pelissier, R. 2003. Avoiding misinterpretation of biotic interactions with
the intertype K12-function: population independence vs. random labelling
hypotheses. Journal of Vegetation Science 14: 681-692
Goslee, S. y Urban, D. 2007. Ecodist: Dissimilarity-based functions for ecological analysis.
Version 1.10. Comprehensive R Archive Network. URL: www.r-project.org.
Gotelli, N. J. y Ellison, A. M. 2002. Biogeography at a regional scale: determinants of
ant species density in New England bogs and forests. Ecology 83: 1604-1609.
Gotelli, N. J. y Ellison, A. M. 2004. A Primer of Ecological Statistics. Sinauer Associates,
Sunderland.
Goulard, M. y Voltz, M. 1992. Linear corregionalization model: tools for estimation
and choice of cross-variogram matrix. Mathematical Geology 24: 269-286.
Gower, J. C. 1996. Some distance properties of latent root and vector methods used in
multivariate analysis. Biometrika 56: 325-338.
Graham, C. H., Ferrier, S., Huettman, F., Moritz, C. y Peterson, A. T. 2004. New develo-
pments in museum-based informatics and applications in biodiversity analy-
sis. Trends in Ecology and Evolution 19: 497-503.
Greaves, G. J., Mathieu, R. y Seddon, P. J. 2006. Predictive modelling and ground vali-
dation of the spatial distribution of the New Zealand long-tailed bat (Chalinolo-
bus tuverculatus). Biological Conservation 132: 211-221.
Green, B.H., Simmons, E.A. y Woltjer, I. 1996. Landscape conservation. Some steps
towards developing a new conservation dimension. A draft report of the IUCN-
CEPS Landscape Conservation Working Group. Dept. of Agriculture, Horti-
culture and Environment, Wye College, Asfhord, Kent.
Greenberg, J. D., Logsdon, M. G. y Franklin, J. F. 2002. Introduction to Geographic In-
formation Systems (GIS). En: Landscape Ecology in Theory and Practice. A Practi-
cal Guide to Concepts and Techniques (eds. Turner, M. G. y Gergel, S. E.). Springer
Verlag, Nueva York, Estados Unidos.
Greig-Smith, P. 1952. The use of random and contiguous quadrats in the study of the
structure of plant communities. Annals of Botany 16: 293-316.
Greig-Smith, P. 1979. Pattern in vegetation. Journal of Ecology 67: 755-779.
Greig-Smith, P. 1983. Quantitative Plant Ecology. Blackwell Scientific Publications,
Oxford.
Bibliografía 805
Grimm, V. y Railsback, S. F. 2005. Individual-Based Modelling and Ecology. Princeton

University Press, Princeton, Estados Unidos.
Grogan, P. 2005. The use of hypotheses in ecology. British Ecological Society Bulletin 36:
43-47.
Grubb, P. J. 1977. The maintenance of species-richness in plant communities: the im-
portance of the regeneration niche. Biological Review 52: 107-145.
Guan, Y. 2006. Test for independence between marks and points of a marked point
process. Biometrics 62: 119-125.
Guan, Y. y Afshartous, D. 2007. Test for independence between marks and points
marked point processes: a subsampling approach. Environmental and Ecological
Statistics 14: 101-111.
Guerrero, J. C., Vargas, J. M. y Real, R. 2005. A hypothetico-deductive analysis of the
environmental factors involved in the current reptile distribution pattern in
the Canary Islands. Journal of Biogeography 32: 1343-1351.
Guerschman, J. P. y Paruelo, J. M. 2005. Agricultural impacts on ecosystem functio-
ning in temperate areas of North and South America. Global and Planetary
Change 47: 170-180.
Guevara, S. y Laborde, J. 1993. Monitoring seed dispersal at isolated standing trees in
tropical pastures: consequences for local species availability. Vegetatio 107/108:
319-338.
Guilford, T., Roberts, S., Biro, D. y Rezek, I. 2004. Positional entropy during pigeon ho-
ming II: navigational interpretation of Bayesian latent state models. Journal of
Theoretical Biology 227: 25-38.
Guisan, A. 2002. Semi-quantitative response models for predicting the spatial distri-
bution of plant species. En: Predicting species occurrences. Issues of accurancy and
scale (eds. Scott, J.M. et al.), pp. 315-326. Island Press.
Guisan, A. y Hofer, U. 2003. Predicting reptile distribution at the mesoscale: relation
to climate and topography. Journal of Biogeography 30:1233-1243.
Guisan, A. y Thuiller, W. 2005. Predicting species distribution: offering more than sim-
ple habitat models. Ecology Letters 8: 993-1009.
Guisan, A. y Zimmermann, N. E. 2000. Predictive habitat distribution models in Eco-
logy. Ecological Modelling 135: 147-186.
Guisan, A., Edwards, T. C. y Hastie, J. T. 2002. Generalized linear and generalized
additive models in studies of species distributions: setting the scene. Ecological
Modelling 157: 89-100.
Guisan, A., Graham, C. H., Elith, J., Huettmann, F. y the NCEAS Species Distribution
Modelling Group 2007. Sensitivity of predictive species distribution models to
change in grain size. Diversity and Distributions 13: 332-340.
Guitián, J., Fuentes, M., Bermejo, T. y López, B. 1992. Spatial variation in the interac-
tions between Prunus mahaleb and frugivorous birds. Oikos 63: 125-130.
Guo, Z., Gan, Y. y Li, Y. 2003. Spatial pattern of ecosystem function and ecosystem
conservation. Environmental Management 32: 682-692.
Gurevitch, J. Scheiner, S. M. y Fox, G. A. 2002. The ecology of plants. Sinauer Associates,
Sunderland.
806 Bibliografía
Gustafson, E. J. 1998. Quantifying landscape spatial pattern: What is the state of the
art. Ecosystems 143-156.
Gustafson, E. J., Parker, G. R. 1994. Using an index of habitat patch proximity for
landscape design. Landscape and Urban Planning 29: 117–130.
Gustafson, E.J. y Parker, G.R. 1992. Relationships between landcover proportion and
indices of landscape spatial pattern. Landscape Ecology 7, 101–110.
Gutiérrez, D., Fernández, P., Seymour, A. S. y Jordano, D. 2005. Habitat distribution
models: are mutualist distributions good predictors of their associates? Ecologi-
cal Applications 15: 3-18.
Gutiérrez, J. y Gould, M. 1994. SIG: Sistemas de Información Geográfica. Editorial Sínte-
sis. Madrid.
Gutterman, Y. 1994 Strategies of seed dispersal and germination in plants inhabiting
deserts. Botanical Review 60: 373–425.
Gutzwiller, K. J. y Barrow Jr, W. C. 2001. Bird-landscape relations in the Chihuahuan
desert: coping with uncertainties about predictive models. Ecological Applications
11: 1517-1532.
Haase, P. 1995. Spatial pattern analysis in ecology based on Ripley`s K-Function: In-
troduction and methods of edge correction. Journal of Vegetation Science 6: 575-
582.
Haase, P. 2001. Can isotropy vs. anisotropy in the spatial association of plant species
reveal physical vs. biotic facilitation? Journal of Vegetation Science 12: 127-136.
Haase, P., Pugnaire, F. I., Clarck, S. C. y Incoll, L. D. 1996. Spatial patterns in a two-tie-
red semi-arid shrubland in southeastern Spain. Journal of Vegetation Science 7:
527-534.
Haber, W. 1990. Basic concepts of landscape ecology and their application in land ma-
nagement. Physiological Ecology 27:131-144.
Haining, R. P. 1990. Spatial Data Análisis in the Social and Environmental Sciences. Cam-
bridge University Press, Cambridge.
Halvorson, J. J., Bolton, H., Smith, J. L. y Rossi, R. E. 1994. Geostatistical analysis of re-
source islands under Artemisia tridentata in the shrub-steppe. Great Basin Na-
turalist 54: 313-328.
Halvorson, J. J., Smith, J. L., Bolton, H. y Rossi, R. E. 1995. Evaluating shrub-associated
spatial patterns of soil properties in a shrub-steppe ecosystem using multiple-
variable geostatistics. Soil Science Society of America Journal 59: 1476-1487.
Hamann, A., Namkoong, G. y Koshy, M.P. 2002. Improving precision of breeding va-
lues by removing spatially autocorrelated variation in forestry field experi-
ments. Silvae Genetica 51: 210-215.
Hamann, A., Namkoong, G. y Koshy, M.P. 2002. Improving precision of breeding va-
lues by removing spatially autocorrelated variation in forestry field experi-
ments. Silvae Genetica 51: 210-215.
Hamilton, W. D. y May, R. M. 1977. Dispersal in stable habitats. Nature 269: 578-581.
Hampe, A. 2004. Extensive hydrochory uncouples spatiotemporal patterns of seed
fall and seedling recruitment in a bird-dispersed riparian tree. Journal of Ecolo-
gy 92: 797-807.
Bibliografía 807
Hanley, J. A. y McNeil, B. J. 1982. The meaning and use of the area under a receiver
operating characteristic (ROC) curve. Radiology 143: 29-36
Hansen, A. J. y di Castri, F. (Eds.) 1992. Landscape Boundaries: Consequences for Biotic Di-
versity and Ecological Flows. Springer-Verlag, Nueva York, Estados Unidos.
Hansen, A. J., di Castri, F. y Naiman, R. J. 1988. Ecotones: what and why. En: A new
look at ecotones. Biology Internacional (eds. Di Castri, F., Hansen, A.J. y Holland,
M.M), pp. 9-45. IUBS, UNESCO, MAB, SCOPE.
Hanski, I. 1994. A Practical Model of Metapopulation Dynamics. Journal of Animal Eco-
logy 63: 151-162.
Hanski, I. y Gaggiotti, O. (eds). 2004. Ecology, Genetics, and Evolution in Metapopulatio-
ns. Academic Press.
Hanski, I. y Ovaskainen, O. 2000. The metapopulation capacity of a fragmented
landscape. Nature 404: 755-758.
Hardesty, B. D., Hubbell, S. P. y Bermingham, E. 2006. Genetic evidence of frequent
long-distance recruitment in a vertebrate-dispersed tree. Ecology Letters 9: 516-
525.
Harper K. T. y Belnap, J. 2001. The influence of biological soil crusts on mineral uptake
by associated vascular plants. Journal of Arid Environmental 47: 347-357.
Hart, D. R.y Gardner, R. H. 1997. A spatial model for the spread of invading organis-
ms subject to competition. Journal of Mathematical Biology 35: 935-948.
Harte, D.S. 2005. Package “HiddenMarkov”: Discrete Time Hidden Markov Models. Statis-
tics Research Associates, Wellington. URL: www.statsresearch.co.nz/soft-
ware.html
Hassell, M. P., Comins, H. y May, R. M. 1991. Spatial structure and chaos in insect po-
pulation dynamics. Nature 353: 255–258.
Hastie, T. y Tibshirani, R. 1986. Generalized additive models. Statistical Science 3: 297-
318.
Hastie, T. y Tibshirani, R. 1990. Generalized additive models. Chapman & Hall, Nueva
York, Estados Unidos.
Hatch, M. D. y Slack, C. R. 1968. A new Enzyme for the Interconversion of Pyruvate
and Phosphoenolpyruvate and its Role in tthe C4- dicarboxylic Acid Pathway
of Photosynthesis. Biochemical Journal 106: 141-146.
He, F. y Duncan, R. P. 2000. Density-dependent effects on tree survival in an old-
growth Douglas fir-forest. Journal of Ecology 88: 676-688.
Heckerman, D. 1996. A tutorial on learning with Bayesian networks. Technical Report
MSR-TR-95-06. Microsoft Research, Redmon.
Hector, A., Schmid, B., Beierkuhnlein, C., Caldeira, M. C., Diemer, M., Dimitrako-
poulos, P. G., Finn, J. A., Freitas, H., Giller, P. S., Good, J., Harris, R., Högber, P.,
Huss-Danell, K., Joshi, J., Jumpponen, A., Dörner, C., Leadley, P. W., Loreau,
M., Minns, A., Mulder, C. P. H., O´Donovan, G., Otway, S. J., Pereira, J. S., Prinz,
A., Read, D. J., Scherer-Lorenzen, M., Schulze, E. D., Siamantziouras, A. S. D.,
Sphen, E. M., Terry, A. C., Troumbis, A. Y., Woodward, F. I., Yachi, S. y Lawton, J.
H. 1999. Plant Diversity and Productivity Experiments in European Grass-
lands. Science 286: 1123-1127.
808 Bibliografía
Hernández, J. y Mulla, D. 2002. Comparing classical and spatial statistical analysis

methods for landscape scale experimental designs. En: Proceedings of the 6th In-
ternational Conference on Precision Agriculture. ASA – CSSA – SSSA. (eds. Robert,
P.C., Rust, R.H. y Larson, W.E.), Madison, WI, Estados Unidos.
Heywood, J. S. 1991. Spatial analysis of genetic variation in plant populations. Annual
Review of Ecology and Systematics 22: 335-355.
Higgins, S. I., Nathan, R. y Cain, M. L. 2003. Are long-distance dispersal events in
plants usually caused by non-standard means of dispersal? Ecology 84: 1945-
1956.
Hill, M.O. 1973. The intensity of spatial pattern in plant communities. Journal of Ecolo-
gy 61: 225-235.
Hille Ris Lambers, L., Clark, J.S. y Beckage, B. 2002. Density-dependent mortality and
the latitudinal gradient in species diversity. Nature 417: 732–735.
HilleRisLambers, R., Rietkerk, M., Van den Bosch, F., Prins, H. H. T. y de Kroon, H.
2001. Vegetation Pattern Formation in Semi-Arid Grazing Systems. Ecology 82:
50-61.
Hilmo, O. y Såstad, S. M. 2001. Colonization of old-forest lichens in a young and an
old boreal Picea abies forest: an experimental approach. Biological Conservation
102: 251-259.
Hirzel, A. H. y Arlettaz, R. 2003. Modelling habitat suitability for complex species dis-
tributions by the environmental-distance geometric mean. Environmental Ma-
nagement 32: 614-623.
Hirzel, A. H., Hausser, J. y Perrin, N. 2004. Biomapper 3.1. Laboratory of Conservation
Biology, Department of Ecology and Evolution, University of Lausanne. URL:
http://www.unil.ch/biomapper.
Hirzel, A. H., Hausser, J., Chessel, D. y Perrin, N. 2002. Ecological-niche factor analy-
sis: how to compute habitat-suitability maps without absence data? Ecology 83:
2027-2036.
Hirzel, A. H., Le Lay, G., Helfer, V., Randin, Ch. y Guisan, A. 2006. Evaluating the abi-
lity of habitat suitability models to predict species presences. Ecological Mode-
lling 199: 142-152.
Hoare, D. y Frost, P. 2004. Phenological description of natural vegetation in southern
Africa using remotely-sensed vegetation data. Applied Vegetation Science 7: 19-
28.
Hobbs, N. T. 2003. Challenges and opportunities in integrating ecological knowledge
across scales. Forest Ecology and Management 181: 223-238.
Holbrook, K. M. y Smith, T. B. 2000. Seed dispersal and movement patterns in two
species of Ceratogymna hornbills in a West African tropical lowland forest.
Oecologia 125: 249-257.
Holl, K. D. y Howarth, R. B. 2000. Paying for restoration. Restoration Ecology 8: 260-267.
Holley, R. A. y Liggett, T. M. 1975. Ergodic Theorems for Weakly Interacting Infinite
Systems and The Voter Model. The Annals of Probability 3: 643-663.
Holland M. M., Risser P. G. y Naiman R. J. (Eds.) 1991. Ecotones. The Role of Landscape
Boundaries in the Management and Restoration of Changing Environments. Chap-
man & Hall, Nueva York.
Bibliografía 809
Holland, J. D., Bert, D. G. y Fahrig, L. 2004. Determining the spatial scale of species'
response to habitat. Bioscience 54: 227-233
Holland, J. M., Perry, J. N. y Winder, L. 1999. The within-field spatial and temporal
distribution of arthropods in winter wheat. Bulletin of Entomological Research
89: 499-513.
Hollister, J. W. y Walker, H. A. 2007. Beyond data: reproducible research in ecology
and environmental sciences. Frontiers in Ecology and the Environment 5: 11-12.
Holmes, E. E., Lewis, M. A., Banks, J. E. y Veit, R. R. 1994. Partial Differential Equations
in Ecology: Spatial Interactions and Population Dynamics. Ecology 75: 17-29.
Holt, R. D. y Gomulkiewicz, R. 2004. Conservation Implications of Niche Conserva-
tism and Evolution in Heterogeneous Environments. En: Evolutionary Conser-
vation Biology. (eds. Ferrière, R., Dieckmann, U. y Couvet, D.), pp. 244-264.
Cambridge University Press, Cambridge, Reino Unido.
Hong, N., White, J.G., Gumpertz, M.L. y Weisz, R. 2005. Spatial analysis of precision
agriculture treatments in randomized complete blocks: guidelines for cova-
riance model selection. Agronomy Journal 97: 1082-1096.
Hooge, P. N. y Eichenlaub, B. 1997. Animal movement extension to ArcView. ver. 2.0. Alas-
ka Biological Science Center, U.S. Geological Survey, Anchorage, AK, Estados
Unidos.
Holbrook, K. M. y Loiselle, B. A. 2007. Using toucan-generated seed shadows to esti-
mate seed dispersal in Amazonia Ecuador. En: Seed dispersal. Theory and its im-
plications in a changing world (eds. Dennis, A., Green, R., Schupp, E. W. y West-
cott, D. A.). CABI Publishing, Londres, Reino Unido.
Hooper, D. U. y Vitousek, P. M. 1997. The effects of plant composition and diversity on
ecosystem processes. Science 277: 1302-1305.
Hooper, D. U., Chapin, F. S., Ewel, J. J., Hector, A., Inchausti, P., Lavorel, S., Lawton,
H., Lodge, D. M., Loreau, M., Naeem, S., Schmid, B., Setälä, H., Symstad, A. J.,
Vandermeer J., y Wardle, D. A. 2005. Effects of biodiversity on ecosystem func-
tioning: a consensus of current knowledge. Ecological Monographs 75: 3-35.
Hortal J., Borges P. A. V., Dinis F., Jiménez-Valverde A., Chefaoui R. M., Lobo J. M., Ja-
rroca S., Azevedo E. B. d., Rodrigues C., Madruga J., Pinheiro J., Gabriel R., Ro-
drigues F. C. y Pereira A. R. 2005. Using ATLANTIS - TIERRA 2.0 and GIS envi-
ronmental information to predict the spatial distribution and habitat
suitability of endemic species. En: A list of the terrestrial fauna (Mollusca and Ar-
thropoda) and flora (Bryophyta, Pteridophyta and Spermatophyta) from the Azores
(eds. Borges, P. A. V., Cunha, R., Gabriel, R., Martins, A. F., Silva, L., Vieira, V.),
pp. 69-113. Direção Regional de Ambiente and Universidade dos Açores, Hor-
ta, Angra do Heroísmo and Ponta Delgada, Portugal.
Hortal, J. y Lobo, J. M. 2005. An ED-based protocol for optimal sampling of biodiversi-
ty. Biodiversity and Conservation 14: 2913-2947.
Howe, H. F. y Miriti, M. N. 2004. When seed dispersal matters. Bioscience 54: 651-660.
Howe, H. F. y Smallwood, J. 1982. Ecology of seed dispersal. Annual Review of Ecology
and Systematic 13: 201-228.
Hubbell, S. P. 1979. Tree dispersion, abundance, and diversity in a tropical dry forest.
Science 203: 1299-1309.
810 Bibliografía
Hubbell, S. P. 2001. The unified neutral theory of biodiversity and biogeography. Princeton
University Press, Princeton, New Jersey, Estados Unidos.
Huffaker, C. B. 1958. Experimental studies on predation: Dispersion factors and pre-
dator-prey oscillations, Hilgardia 27: 343-383.
Hulme, P. E. 1994. Post-dispersal seed predation in grassland: its magnitude and sour-
ces of variation. Journal of Ecology 82: 645-652.
Hulme, P. E. 1997. Postdispersal seed predation and the establishment of vertebrate
dispersed plants in Mediterranean scrublands. Oecologia 111: 91-98.
Hulme, P. E. 1998. Post-dispersal seed predation: consequences for plant demography
and evolution. Perspectives in Plant Ecology Evolution Systematics 1: 46-60.
Hulme, P. E. y Benkman, C. W. 2002. Granivory. En: Plant Animal Interactions, an evolu-
tionary approach. (ed. Carlos Herrera y Olley Pellmyr). Blackwell Science,
Oxford, Reino Unido.
Hutchings, M. J. 1979. Standing crop and pattern in pure stands of Mercurialis peren-
nis and Rubus fruticosus in mixed deciduous woodland. Oikos 31: 351-357.
Hutchinson, G. E. 1957. Concluding remarks. Cold Spring Harbor Symposia on Quanti-
tative Biology 22:415-427.
Hyatt, L. A., Rosenberg, M. S., Howard, T. G., Bole, G., Fang, W., Anastasia, J., Brown,
K., Grella, R., Hinman, K., Kurdziel, J. P. y Gurevitch, J. 2003. The distance de-
pendence prediction of the Janzen-Connell hypothesis: a meta-analysis. Oikos
103: 590-602.
Inouye, B. D. 1999. Integrating nested spatial scales: implications for the coexistence
of competitors on a patchy resource. Journal of Animal Ecology 68: 150-162.
Inouye, B. D. 2005. Scaling up from local competition to regional coexistence across
two scales of spatial heterogeneity: insect larvae in the fruits of Apeiba membra-
nacea. Oecologia 145: 187-195.
Internicola, A. I., Juillet, N., Smithson, A. y Gigord, L. D. B. 2006. Experimental inves-
tigation of the effect of spatial aggregation on reproductive success in a rewar-
dless orchid. Oecologia 150: 435-441.
Isaaks, E. H., y Srivastava, R. M. 1989. An introduction to applied geostatistics. Oxford
University Press, Nueva York, Estados Unidos.
Iverson, L.R., Prasad, A.M. y Schwartz M.W. 1999. Modeling potential future indivi-
dual tree-species distributions in the Eastern United States under a climate
change scenario: a case study with Pinus virginiana. Ecological Modelling 115:
77–93.
Jackson, R. B. y Caldwell, M. M. 1993a. The scale of nutrient heterogeneity around in-
dividual plants and its quantification with geostatistics. Ecology 74: 612-624.
Jackson, R. B. y Caldwell, M. M. 1993b. Geostatistical patterns of soil heterogeneity
around individual perennial plants. Journal of Ecology 81: 683-692.
Jacquemyn, H., Butaye, J., Dumortier, M., Hermy, M. y Lust, N. 2001. Effects of age
and distance on the composition of mixed deciduous forest fragments in an
agricultural landscape. Journal of Vegetation Science 12: 635-642.
Jacquez, G. M. 1995. The map comparison problem: tests for the overlap of geogra-
phical boundaries. Statistics in Medicine 14: 2343-2361.
Bibliografía 811
Jacquez, G. M., Maruca, S. y Fortin, M.-J. 2000. From fields to objects: a review of geo-
graphic boundary analysis. Journal of Geographical Systems 2: 221-241.
Jaeger, J.A.G. 2000. Landscape division, splitting index, and effective mesh size: new
measures of landscape fragmentation. Landscape Ecology 15, 115–130.
Jansen, P. A., Bongers, F. y Prins, H. H. T. 2006. Tropical rodents change rapidly germi-
nating seeds into long-term food supplies. Oikos 113: 449-458.
Janzen, D. H. 1970. Herbivores and the number of tree species in tropical forests. Ame-
rican Naturalist 104: 501-528.
Janzen, D. H. 1971. Seed predation by animals. Annual Review in Ecology and Systema-
tics 2: 465-492.
Jayat, J. P. y Pacheco, S. 2006. Distribución de Necromys lactens y Phyllotis osilae (Roden-
tia: Cricetidae: Signodontinae) en el Noroeste Argentino: modelos predictivos
basados en el concepto de nicho ecológico. Mastozoología Neotropical 13: 69-88.
Jelinski, D. E. y Wu, J. 1996. The modifiable areal unit problem and implications for
landscape ecology. Landscape Ecology 3: 129-140.
Jeltsch, F., Milton, S. J., Dean, W. R. J., Van Rooyen, N. y Moloney, K. A. 1998. Mode-
lling the impact of small-scale heterogeneities on tree–grass coexistence in
semi-arid savannas. Journal of Ecology 86: 780–93.
Jiménez, I. 2005. Development of predictive models to explain the distribution of the
West Indian manatee Trichechus manatus in tropical watercourses. Biological
Conservation 125: 491-503.
Jiménez-García, D., Martínez-Pérez, J.E. y Peiró, V. 2007. Relationship between game
species and landscape structure in the SE Spain. Wildlife Biology in Practice (en
prensa).
Joffre, R., Rambal, S. y Romane, F. 1996. Local variations of ecosystem functions in
Mediterranean evergreen oak woodland. Annales des Sciences Forestieres 53:
561-570.
Johnson, L. B. 1990. Analyzing spatial and temporal phenomena using geographical
information systems. Landscape Ecology 4: 31-43.
Johnston, C. A. 1998. Geographic information systems in ecology. Methods in Ecology Se-
ries. Blackwell Science, Malden, Estados Unidos.
Johnston, C. A., Pastor, J. y Pinay, G. 1992. Quantitative methods for studying lands-
cape boundaries. En: Landscape Boundaries: Consequences for Biotic Diversity and
Ecological Flows (eds. Hansen, A. y di Castri, F.), pp. 107-128. Springer-Verlag,
Jones, C. G. y Lawton, J. H. 1995. Linking Species and Ecosystems. Chapman y Hall,
Jones, F. A., Chen, J., Weng, G. J. y Hubbell, S. P. 2005. A genetic evaluation of seed dis-
persal in the neotropical tree Jacaranda copaia (Bignoniaceae). American Natura-
list 166: 543-555.
Jones, P. G., Galwey, N., Beebe, S. E. y Tohme J. 1997. The use of geographical informa-
tion systems in biodiversity exploration and conservation. Biodiversity Conser-
vation 6:947-958
Jonsson B. G. y Moen, J. 1998. Patterns in species associations in plant communities:
the importance of scale. Journal of Vegetation Science 9: 327-332.
812 Bibliografía
Jordano, P. 2007. Frugivores, seeds, and genes: analysing the key components of seed
shadows. En: Seed dispersal: theory and its application in a changing world (eds.
Dennis, E., Schupp, R. Green, y D. Westcott (Eds.). CAB International Publis-
hing, Wallingford, Reino Unido (en prensa).
Jordano, P., Bascompte, J. y Olesen, J. M. 2003. Invariant properties in coevolutionary
networks of plant-animal interactions. Ecology Letters 6: 69-81.
Jordano, P. y Godoy, J. A. 2002. Frugivore-generated seed shadows: A landscape view
of demographic and genetic effects. En: Seed dispersal and Frugivory: Ecology,
Evolution and Conservation (eds. Levey, D. J., Silva,W. R. y Galetti, M.), pp. 305-
321. CAB International, Wallingford, Nueva York.
Jordano, P. y Herrera, C. M. 1995. Shuffling the offspring: Uncoupling and spatial dis-
cordance of multiple stages in vertebrate seed dispersal. Ecoscience 2: 230-237.
Jordano, P. y Schupp, E. W. 2000. Seed disperser effectiveness: the quantity compo-
nent and patterns of seed rain for Prunus mahaleb. Ecological Monographs 70(4):
591-615.
Journel, A. G. y Huijbregts, C. J. 1978. Mining Geostatistics. Academic Press, Nueva
York.
Joyce, D.G., Ford, R. y Fu, Y.B. 2002. Spatial patterns of tree height variations in a
black spruce farm-field progeny test and neighbors-adjusted estimations of
genetic parameters. Silvae Genetica 51: 13-18.
Jutila, H. M. 1998. Seed banks of grazed and ungrazed Baltic seashore meadows. Jour-
nal of Vegetation Science 9: 395-408.
Kaiser, H. 1983. Small-scale spatial heterogeneity influences predation success in an
unexpected way. Model experiments on the functional response of predatory
mites (Acarina). Oecologia 56: 249-256.
Kabos, S. y Csillag, F. 2002. The analysis of spatial association on a regular lattice by
join-count statistics without the assumption of first-order homogeneity. Com-
puters & Geosciences 28: 901- 910.
Kaluzny, S. P., Vega, S. C., Cardoso, T. P. y Shelly, A. A. 1998. S+Spatial stats user's ma-
nual for Windows and Unix. Springer-Verlag, Nueva York, Estados Unidos.
Kang-tsung, C. 2006. Introduction to Geographic Information Systems, 4th
edition. McGraw-Hill, Nueva York, Estados Unidos.
Karban, R. y Agrawal, A. A. 2002. Herbivore offense. Annual Review of Ecology and Sys-
tematics 33: 641-664.
Karlson, R. H., Cornell, H. V. y Hughes, T. P. 2007. Aggregation influences coral species
richness at multiple spatial scales. Ecology 88: 170-177.
Katul, G. G., Porporato, A., Nathan, R., Siqueira, M., Soons, M. B., Poggi, D., Horn, H.
S. y Levin, S. A. 2005. Mechanistic analytical models for long-distance seed dis-
persal by wind. American Naturalist 166: 368-381.
Kennington, J. L. y Helgarson, R. V. 1980. Algorithms for Network Programming. Wiley y
Sons, Nueva York, Estados Unidos.
Kent, M., Moyeed, R. A., Reid, C. L., Pakeman, R. y Weaver, R. 2006. Geostatistics, spa-
tial rate of change analysis and boundary detection in plant ecology and bio-
geography. Progress in Physical Geography 30: 201-231.
Bibliografía 813
Kerley, G. I. H. y Erasmus, T. 1991. What do mice select for in seeds? Oecologia 86: 261-
267.
Kie, J. G., Baldwin, J. A. y Evans, C. J. 1996. CALHOME: a program for estimating ani-
mal home ranges. Wildlife Society Bulletin 24: 342-344.
Kikivdze, Z., Khetsuriani, L. y Kikodze, D. 2005b. Small-scale guild proportions and
niche complementarity in a Caucasian subalpine hay meadow. Journal of Vege-
tation Science 16: 565-570.
Kikivdze, Z., Pugnaire, F., Brooker, R. W., Choler, P., Lortie, C. J., Michalet, R. y Ca-
llaway, R. M. 2005a. Linking patterns and processes in alpine plant communi-
ties: a global study. Ecology 86: 1395–1400.
Kimmins, J. P. 1988. Community organization: methods of study and prediction of
the productivity and yield of forest ecosystems. Canadian Journal of Botany 66:
2654–2672.
Kimmins, J. P. 1990. Modelling the sustainability of forest production and yield for a
changing and uncertain future. Forestry Chronicle 66: 271–280.
Kimmins, J. P., Mailly, D. y Seely, B. 1999. Modelling forest ecosystem net primary pro-
duction: the hybrid simulation approach used in FORECAST. Ecological Mode-
ling 122: 195-224.
King, R. S., Richardson, C. J., Urban, D. L. y Romanowicz, E. A. 2004. Spatial depen-
dency of vegetation-environment linkages in an anthropogenically influen-
ced wetland ecosystem. Ecosystems 7: 75-97.
Kinzig, A., Pacala, S. W. y Tilman, D. (eds). 2002. The Functional Consequences of Biodi-
versity. Princeton University Press, Princeton, Estados Unidos.
Kirkby, M., Bracken, L., Reaney, S. 2002. The influence of land use, soil and topogra-
phy on the delivery of hillslope runoff to channels in SE Spain. Earth Surface
Processes and Landforms 27: 1459–1473.
Klausmeier, C. A. 1999. Regular and irregular patterns in semiarid vegetation. Science
284: 1826-1829.
Kleijn, D. y Steinger, T. 2002. Contrasting effects of grazing and hay cutting on the
spatial and genetic population structure of Veratrum album, an unpalatable,
long-lived, clonal plant species. Journal of Ecology 90: 360-370.
Kneitel, J. M. y Chase, J. M. 2004. Trade-offs in community ecology: linking spatial
scales and species coexistence. Ecology Letters 7: 69-80.
Kolasa, J. y Rollo, C. D. 1991. The heterogeneity of heterogeneity: a glossary. En: Ecolo-
gical heterogeneity (eds. Kolasa, J. y Pickett, S. T.), pp. 1-23. Springer, Nueva York,
Estados Unidos.
Kollmann, J. 2000. Dispersal of fleshy-fruited species: a matter of spatial scale? Pers-
pectives in Plant Ecology, Evolution and Systematics 3: 29-51.
Kollmann, J., Coomes, D. A. y White, S. M. 1998. Consistences in post-dispersal seed
predation of temperate fleshy-fruited species among seasons, years and sites.
Functional Ecology 12: 683-690.
Koomen, E., Stillwell, J., Bakema, A. y Scholten, H.J. 2007. Modelling Land-Use Change.
Progress and applications. Springer, Dordrecht, Holanda.
814 Bibliografía
Korie, S., Perry, J. N., Mugglestone, M. A., Clark, S. J., Thomas, C. F. G. y Mohamad-
Roff, M. N. 2000. Spatiotemporal associations in beetle and virus count data. Jo-
urnal of Agricultural, Biological, and Environmental Statistics 5: 214-239.
Korzukhin, M. D., Ter-Mikaelian, M. T. y Wagner, R. G. 1996. Process versus empirical
models: which approach for forest ecosystem management? Canadian Journal
of Forest Research 26: 879-887.
Kotliar, N. B. y Wiens, J. A. 1990. Multiple scales of patchiness and structure: a hierar-
chical framework for the study of heterogeneity. Oikos 59: 253-260.
Krebs, C. J. 1989. Ecological Methodology. Harper & Row, Nueva York, Estados Unidos.
Kullman, L. 1989. Recent retrogression of the forest-alpine tundra ecotone (Betula
pubescens Ehrh. ssp. tortuosa (Ledeb.) Nyman) in the Scandes Mountains, Swe-
den. Journal of Biogeography 16: 83-90.
Kunsch, H., Geman, S. y Kehagias, A. 1995. Hidden Markov random fields. The Annals
of Applied Probability 5: 577-602.
Kwit, C., Levey, D. J. y Greenberg, C.H. 2004. Contagious seed dispersal beneath he-
terospecific fruiting trees and its consequences. Oikos 107: 303-308.
Laine, A.-L. 2005. Spatial scale of local adaptation in a plant-pathogen metapopula-
tion. Journal of Evolutionary Biology 18: 930-938.
Lambers, J. H., Clark, J. S. y Beckage, B. 2002. Density-dependent mortality and the la-
titudinal gradient in species diversity. Nature 417: 732-735.
Lambin E. F. y Geist H. J. 2001. Global land-use and cover change: What have we lear-
ned so far? Global Change Newslett 46:27–30.
Lancaster, J. y Downes, B. 2004. Spatial point pattern analysis of available and exploi-
ted resources. Ecography 27: 94-102.
Lange, O. L., Kiddron G. J., Buedel B., Meyer, A., Filian, E. y Abeliovich, A. 1992. Taxo-
nomic composition and photosynthetic characteristics of the “biological soil
crusts” covering sand dunes in the western Negev desert. Functional Ecology 6:
519-527.
Lanquaye-Opoku, N. y Mitchell, S. J. 2005. Portability of stand-level empirical
widthrow rixk models. Forest Ecology and Management 216: 134-148.
Lasanta, T., Gonzalez-Hidalgo, J. C., Vicente-Serrano, S. M. y Sferi, E. 2006. Using
landscape ecology to evaluate an alternative management scenario in abando-
ned Mediterranean mountain areas. Landscape and Urban Planning 78: 101-114
Law, R., Purves, D. W. Murrell, D. J., y Dieckmann, U. 2001. Causes and effects of sma-
ll-scale spatial structure in plant populations. En: Integrative Ecology and Evolu-
tion in a spatial context (eds. Silvertown, J. y Antonovics, J.), pp. 21-44. Blackwell
Science, Cambridge, Reino Unido.
Lechowicz, M. J. y Bell, G. 1991. The ecology and genetics of fitness in forest plants,
part 2. Microspatial heterogeneity of the edaphic environment. Journal of Ecolo-
gy 79: 687-696.
Legendre, P. 1993. Spatial autocorrelation: trouble or new paradigm? Ecology 74: 1659-
1673.
Legendre, P. y Anderson, M. J. 1999. Distance-based redundancy analysis: testing
multispecies responses in multifactorial ecological experiments. Ecological Mo-
nographs 69: 1-24.
Bibliografía 815
Legendre, P. y Fortin, M.-J. 1989. Spatial pattern and ecological analysis. Vegetatio 80:
107-138.
Legendre, P. y Gallagher, E. D. 2001. Ecologically meaningful transformations for or-
dination of species data. Oecologia 129: 271-280.
Legendre, P. y Legendre, L. 1998. Numerical ecology. Second English Edition. Elsevier
Publishers, Amsterdam, Holanda.
Legendre, P., Borcard, P. y Peres-Neto, P. R. 2005. Analyzing beta diversity: Partitio-
ning the spatial variation of community composition data. Ecological Monogra-
phs 75: 435-450.
Legendre, P., Dale, M. R. T., Fortin, M.-J., Casgrain, P. y Gurevitch, J. 2004. Effects of
spatial structures on the results of field experiments. Ecology 85: 3202-3214.
Legendre, P., Dale, M. R. T., Fortin, M.-J., Gurevitch, J. y Myers, D. E. 2002. The conse-
quences of spatial structure for the design and analysis of ecological field sur-
veys. Ecography 25: 601-615.
Legendre, P., Lapointe, F.-J. y Casgrain, P. 1994. Modelling brain evolution from beha-
vior: a permutational regression approach. Evolution 48: 1487-1499.
Levin, S. A. 1992. The problem of pattern and scale in ecology. Ecology 73: 1943-1976.
Levin, S. A., Muller-Landau, H. C., Nathan, R. y Chave, J. 2003. The ecology and evo-
lution of seed dispersal: A theoretical perspective. Annual Review of Ecology
Evolution and Systematics 34: 575-604.
Levine, J. M. y Murrell, D. J. 2003. The community-level consequences of seed disper-
sal patterns. Annual Review of Ecology Evolution and Systematics 34: 549-574.
Levins, R. 1969. Some demographic and genetic consequences of environmental he-
terogeneity for biological control. Bulletin of the Entomological Society of America
15: 237-240
Li, B. y Archer, S. 1997. Weighted mean patch size: a robust index for quantifying
landscape structure. Ecological Modelling 102: 353–361.
Li, H. y Reynolds, J.F. 1993. A new contagion index to quantify spatial patterns of
landscapes. Landscape Ecology 8: 155–162.
Li, H. y Reynolds, J. F. 1995. On definition and quantification of heterogeneity. Oikos
73: 280-284.
Lichstein, J. W. 2007. Multiple regression on distance matrices: a multivariate spatial
analysis tool. Plant Ecology 188: 117-131.
Lichstein, J. W., Simons, T. R., Shriner, S. A. y Franzreb, K. E. 2002. Spatial autocorrela-
tion and autoregressive models in ecology. Ecological Monographs 72: 445-463.
Liebhold, A. M., Rossi, R. E. y Kemp, W. P. 1993. Geostatistics and geographic informa-
tion systems in applied insect ecology. Annual Review of Entomology 38: 303-327.
Liebhold, A.M. y Sharov, A.A. 1998. Testing for correlation in the presence of spatial
autocorrelation in insect count data. En: Population and Community Ecology for
Insect Management and Conservation. (eds. Baumgartner, J., Brandmayr, P. y B.F.J.
Manly), pp. 111-117, Balkema, Rotterdam, Holanda.
Linnell, J. D. C., Swenson, J. E. y Andersen, R. 2000. Conservation of biodiversity in
Scandinavian boreal forests: large carnivores as flagships, umbrellas, indica-
tors, or keystones? Biodiversity and Conservation 9: 857-868.
816 Bibliografía
Littell, R.C., Milliken, G.A., Stroup, W.W. y Wolfinger, R.D. 1996. SAS System for mixed
models. SAS Institute, Cary, NC.
Liu, C., Berry, P. M., Dawson, T. P. y Pearson, R. G. 2005. Selecting thresholds of occu-
rrence in the prediction of species distributions. Ecography 28: 385-393.
Lloret, F., Calvo, E., Pons, X. y Díaz-Delgado, R. 2002. Wildfires and landscape patter-
ns in the Eastern Iberian Peninsula. Landscape Ecology 17: 745-759.
Lloret, F., Médail, F., Brundu, G. y Hulme, P. E. 2004. Local and regional abundance of
exotic plant species on Mediterranean islands: are species traits important?
Global Ecology and Biogeography 13: 37–45.
Lloyd, D. 1990. A phenological classification of terrestrial vegetation cover using
shortwave vegetation index imagery. International Journal of Remote Sensing 11:
2269-2279.
Lloyd, M. 1967. Mean crowding. Journal of Animal Ecology 36: 1-30.
Lo, C.P. y Yeung, A.K.W. 2002. Concepts and Techniques of Geographic Information
Systems. Upper Saddle River, NJ: Prentice Hall.
Lobo, J. M. y Hortal, J. 2003. Modelos predictivos: un atajo para describir la distribu-
ción de la diversidad biológica. Ecosistemas 2003/1 (URL: http//www.aeet.org/
ecosistemas/031/ investigacion3.htm).
Lobo, J. M. y Martín-Piera, F. 2002. Searching for a predictive model for Iberian dung
beetle species richness based on spatial and environmental variables. Conser-
vation Biology 16: 158-173.
Lobo, J. M., Verdú, J. R. y Numa, C. 2006. Environmental and geographical factors
affecting the Iberian distribution of flightless Jekelius species (Coleoptera: Geo-
trupidae). Diversity and Distributions 12: 179-188.
Loiselle, B. A., Sork, V. L., Nason, J. y Graham, C. 1995. Spatial genetic structure of a
tropical understory shrub, Psychotria officinalis (Rubiaceae). American Journal of
Botany 82: 1420-1425.
Lombardi, L., Fernández, N. y Moreno, S. 2007. Habitat use and spatial behaviour in
the European rabbit in three Mediterranean environments. Basic and Applied
Ecology (en prensa).
Lombardi, L., Fernández, N., Moreno, S. y Villafuerte, R. 2003. Habitat-related diffe-
rences in rabbit (Oryctolagus cuniculus) abundance, distribution, and activity.
Journal of Mammalogy 84: 26-36.
Longley, P., Goodchild, M. F., Maguire, D. y Rhind D. 2001 Geographic Information Sys-
tems and Science. John Wiley and Sons, Chichester, Reino Unido.
Longley, P. A., Goodchild, M. F., Maguire, D. J., y Rhind, D. W. 2005. Geographic Infor-
maiton Systems and Science, 2nd ed. Chichester, Hoboken, Estados Unidos.
Loosmore, N. B. y Ford, E. D. 2006. Statistical inference using the G or K point pattern
spatial statistics. Ecology 87: 1925-1931.
López-Jurado L. F., Talavera P. A., Ibáñez J. M., Mac Ivor J. A. y García Alcazar A. 1979.
Las tortugas terrestres Testudo graeca y Testuido hermanni en España. Naturalia His-
panica 17. ICONA. Madrid.
López, M. V., y Arrúe, J. L. 1995. Efficiency of an incomplete block design based on
geostatistics for tillage experiments. Soil Science Society of America Journal 59:
1104-1111.
Bibliografía 817
López-Pintor, A., Gómez Sal, A. y Rey Benayas, J. M. 2006. Shrubs as a source of spa-
tial heterogeneity: the case of Retama sphaerocarpa in Mediterranean pastures
of central Spain. Acta Oecologica 29: 247-255.
Loreau, M., Naeem, S. y Inchausti, P. 2002. Biodiversity and ecosystem Functioning: Syn-
thesis and Perspectives. Oxford University Press, Oxford, Reino Unido.
Lotwick, H. W. y Silverman, B. W. 1982. Methods for analysing spatial processes of se-
veral types of points. Journal of the Royal Statistical Society B 44: 406ñ413
Lubchenco, J., Olson, A. M., Brubaker, L. B., Carpenter, S. R., Holland, M. M., Hubbel,
S. P., Levin, S. A., MacMahon, J. A., Matson, P. A., Melillo, J. M., Money, H. A.,
Peterson, C. H., Pulliam, H. R., Real, L. A., Regal, P. J. y Grises, P. G. 1991. The
sustainable biosphere initiative: an ecological research agenda. Ecology 72: 371-
412
Ludwig, J. A. y Tongway, D. J. 1995. Spatial organisation of landscapes and its func-
tion in semi-arid woodlands, Australia. Landscape Ecology 10: 51–63.
Ludwig, J. A., Bastin, G. N., Chewings, V. H., Eager, R. W. y Liedloff, A. C. 2007. Leaki-
ness: A new index for monitoring the health of arid and semiarid landscapes
using remotely sensed vegetation cover and elevation data. Ecological Indica-
tors 7: 442-454.
Luzuriaga, A. L., Albert, M. J., Giménez-Benavides, L. y Escudero, A. 2006. Population
structure effect on reproduction of a rare plant: beyond population size effect.
Canadian Journal of Botany 84: 1371-1379.
MacDonald, I. L. y Zucchini, W. 1997. Hidden Markov and Other Models for Discrete- Va-
lued Time Series. Chapman and Hall, Londres, Reino Unido.
Mack, R. N., Simberloff, D., Lonsdale, W. M., Evans, H., Clout, M. y Bazzaz, F. 2000.
Biotic invasions: causes, epidemiology, global consequences, and control. Eco-
logical Applications 10: 689–710.
McArdle, B. H. y Anderson, M. J. 2001. Fitting multivariate models to community da-
ta: A comment on distance-based redundancy analysis. Ecology 82: 290-297.
Madelaine, C., Pelissier, R., Vincent, G., Molino, J.F., Sabatier, D., Prévost, M.F. y de
Namur, C. 2007. Mortality and recruitment in a lowland tropical rain forest of
French Guiana: effects of soil type and species guild. Journal of Tropical Ecology
23: 1-11.
Maestre, F. T. 2002. La restauración de la cubierta vegetal en zonas semiáridas en función del
patrón espacial de factores bióticos y abióticos. Tesis doctoral, Universidad de Ali-
cante. Alicante. 365 pp. URL: http://www.cervantesvirtual.com/FichaObra.ht-
ml? Ref=8589
Maestre, F. T. 2003a. Variaciones en el patrón espacial a pequeña escala de los compo-
nentes de la costra biológica en un ecosistema mediterráneo semiárido. Revista
Chilena de Historia Natural 76: 35-46.
Maestre, F. T. 2003b. Small-scale spatial patterns of two soil lichens in semi-arid Medi-
terranean steppe. Lichenologist 35: 71-81.
Maestre, F. T. 2006. Linking the spatial patterns of organisms and abiotic factors to
ecosystem function and management: Insights from semi-arid environments.
Web Ecology 6: 75-87.
818 Bibliografía
Maestre, F. T. y Cortina, J. 2002. Spatial patterns of surface soil properties and vegeta-
tion in a Mediterranean semi-arid steppe. Plant and Soil 241: 279-291.
Maestre, F. T. y Cortina, J. 2003. Small-scale spatial variation inn soil CO2 efflux in a
Mediterranean semiarid steppe. Applied Soil Ecology 23: 199-209.
Maestre, F. T., Bautista, S., Cortina, J. y Bellot, J. 2001. Potential of using facilitation by
grasses to establish shrubs on a semiarid degraded steppe. Ecological Applicatio-
ns 11: 1641-1655.
Maestre, F. T., Cortina, J., Bautista, S., Bellot, J. y Vallejo, R. 2003a. Small-scale environ-
mental heterogeneity and spatio-temporal dynamics of seedling survival in a
degraded semiarid ecosystem. Ecosystems 6: 630-643.
Maestre, F. T., Escudero, A., Martínez, I., Guerrero, C. y Rubio, A. 2005b. Does spatial
pattern matter to ecosystem functioning? Insights from biological soil crusts.
Maestre, F. T., Huesca, M. T., Zaady, E. y Cortina, J. 2002. Infiltration, penetration resis-
tence and microphytic crust composition in contrasted microsites within a Me-
diterranean semi-arid steppe. Soil Biology & Biochemistry 34: 895-898.
Maestre, F. T. y Reynolds, J. F. 2006. Spatial heterogeneity in nutrient supply modula-
tes plant nutrient and biomass responses to multiple global change drivers in
model grassland communities. Global Change Biology 12: 2431-2441.
Maestre, F. T., Rodríguez, F., Bautista, S. y Cortina, J. 2003b. Análisis del patrón espa-
cial de la vegetación en un espartal semiárido (Alicante, SE España) utilizando
distintos métodos de análisis espacial y mallas de muestreo. I. Patrones indivi-
duales. Boletín de la Real Sociedad Española de Historia Natural (Sección Biológica)
98: 159-172.
Maestre, F. T., Rodríguez, F., Bautista, S. y Cortina, J. 2003c. Análisis del patrón espacial
de la vegetación en un espartal semiárido (Alicante, SE España) utilizando dis-
tintos métodos de análisis espacial y mallas de muestreo. II. Patrones de cova-
riación. Boletín de la Real Sociedad Española de Historia Natural (Sección Biológica)
98: 173-185.
Maestre, F. T., Rodríguez, F., Bautista, S., Cortina, J. y Bellot, J. 2005a. Spatial associatio-
ns and patterns of perennial vegetation in a semi-arid steppe: a multivariate
geostatistics approach. Plant Ecology 179: 133-147.
Magnussen, S. 1990. Application and comparison of spatial models in analyzing tree-
genetics field trials. Canadian Journal of Forest Research 20: 536-546.
Magnussen, S. 1993a. Bias in genetic variance estimates due to spatial autocorrela-
tion. Theoretical and Applied Genetics 86: 349-355.
Magnussen, S. 1993b. Design and analysis of tree genetic trials. Canadian Journal of Fo-
rest Research 23: 1144-1149.
Magnussen, S. 1994. A method to adjust simultaneously for spatial microsite and
competition effects. Canadian Journal of Forest Research 24: 985-995.
Mander, U., Kull, A. y Kuusemts, V. 2000. Nutrtient flows and land use change in a ru-
ral catchment: a modelling approach. Landscape Ecology 15:187-199.
Manel, S., Williams, H. C. y Ormerod, S. J. 2001. Evaluating presence-absence models
in ecology: the need to account for prevalence. Journal of Applied Ecology
38:921-931.
Bibliografía 819
Manly, B. F. J. 1997. Randomization. Bootstrap and Monte Carlo Methos in Biology. Chap-
man and Hall, Londres.
Manning, A. D., Fischer, J. y Lindenmayer, D. B. 2006. Scattered trees are keystone
structures – Implications for conservation. Biological Conservation 132: 211-221.
Mantel, N. A. 1967. The depletion of disease clustering and a generalized regression
approach. Cancer Research 27: 209-220.
Margalef, R. 1974. Ecología. Omega, Barcelona, España.
Margalef, R. 1980. La biosfera. Entre la termodinámica y el juego. Omega, Barcelona.
Margalef, R. 1991. Teoría de los Sistemas Ecológicos. Publicacions de la Universitat de
Barcelona, Barcelona, España.
Margalef, R. y Gutiérrez, E. 1983. How to introduce connectance in the frame of an
expression for diversity. The American Naturalist 121:601-607.
Martens, S. N., Breshears, D. D., Meyer, C. W. y Barnes, F. J. 1997. Scales of above-
ground and below-ground competition in a semi-arid woodland detected
from spatial pattern. Journal of Vegetation Science 8: 655-664.
Martín de Agar, P. M., de Pablo, C. L. y Pineda, F. D. 1995. Mapping the ecological
structure of a territory: a case study in Madrid. Environmental Management
19:345-357.
Martín de Agar, P. M., de Pablo, C.L., Alonso Campos, G., Pérez Gutiérrez, P. y Roldán
Martín, M. J. 2003. Cambios en los valores ambientales del territorio inducidos por
cambios en la estructura del paisaje. Informe Final del Proyecto de Investigación
UCM PR1/03-11633.
Martín de Agar, P., de Pablo, C. L. y Pineda, F. D. 1995. Mapping the ecological structu-
re of a territory: a case study in Madrid (Central Spain). Environmental Manage-
ment 19: 345-357.
Martínez, I. 1999. Taxonomía del género Peltigera Willd. (Ascomycetes liquenizados)
en la Península Ibérica y estudio de sus hongos liquenícolas. Ruizia 15: 3-200.
Martínez, I., Aragón G., Carrión, F. J., Escudero, A., Burgaz, A. R. y Coppins, B. 2003.
Threatened lichens in central Spain. Cryptogamie, Mycologie 24: 73-97.
Martínez, I., Carreño, F., Escudero, A. y Rubio, A. 2006. Are threatened lichen species
well-protected in spain? Effectiveness of a protected areas network. Biological
Martínez, I., Escudero, A., Maestre, F. T., de la Cruz, A., Guerrero, C. y Rubio, A. 2006.
Small-scale patterns of abundance of mosses and lichens forming biological
soil crusts in two semi-arid gypsum environments. Australian Journal of Botany
54: 339-348.
Martínez, I. J. P, Ledent, J. F, Bajji, M., Kinet, J. M y Lutts S. 2003. Effect of water stress
on growth, Na+ and K+ accumulation and water use efficiency in relation to
osmotic ajustment in two populations of Atriplex halimus. Plant Growth Regula-
tion 41: 63-73
Martínez, I. J. P, Kinet, J. M, Bajji, M. y Lutts, S. 2005. NaCl alleviates polyethylene
glycol-induced water stress in the halophyte species Atriplex halimus L. Journal
of Experimental Botany 419: 2421-2431.
820 Bibliografía
Martínez-Sanchez, J. J., Casares, P. M., Guerra, J., Gutiérrez, C. L., Ros, R. M., Hernán-
dez, B. J. y Cano, M. J. 1994. A special habitat for bryophytes and lichens in the
arid zones of Spain. Lindbergia 19: 116-121.
Marull, J. y Mallarach, J. M. 2004. A new GIS methodology for assessing and predic-
ting landscape and ecological connectivity: Applications to the Metropolitan
Area of Barcelona (Catalonia, Spain). Landscape and Urban Planning 71 (2-4):
243-262
Mateu, J. y Morell, I. (eds.). 2003. Geoestadística y modelos matemáticos en hidrogeología.
Publicacions de la Universitat Jaume I, Servei de Comunicació i Publicacions,
Castellón de Plana.
Matheron, G. 1963. Principles of geostatistics. Economic Geology 58: 1246-1266.
Matheron, G. 1970. La Théorie des Variables Regionalisées et ses Applications. Les Cahiers
du Centre de Morphologie Mathematique de Fontainebleau, Fascicule 5, Ecole
de Mines de Paris, 212 p.
MathWorks Inc., 2005. MATLAB: the language of technical computing. Version 7. Ma-
thWorks, Inc., Natick, Estados Unidos.
Matías, L., Mendoza, I. y Zamora, R. 2008. Strong pattern consistency of post-disper-
sal seed predation in a Mediterranean mosaic landscape. Plaut Ecology (en
prensa).
May, R. M. 1978. Host-Parasitoid Systems in Patchy Environments: A Phenomenolo-
gical Model. The Journal of Animal Ecology 47: 833-844.
May, R. M. 1999. Unanswered questions in ecology. Philosophical Transactions Royal So-
ciety of London 354: 1951-1959.
May, R. M. 2004. Uses and Abuses of Mathematics in Biology. Science 303: 790-793.
McArdle, B. H. y Anderson, M. J. 2001. Fitting multivariate models to community da-
ta: A comment on distance-based redundancy analysis. Ecology 82: 290-297.
McArthy, B. C. y Facelli, J. M. 1990. Microdisturbances in old fields and forests: impli-
cations for woody seedlings establishment. Oikos 58: 55-60.
McConkey, K. R. y Drake, D. R. 2006. Flying foxes cease to function as seed dispersers
long before they become rare. Ecology 87: 271-276.
McCoy, E. D., Bell, S. S. y Walters, K. 1986. Identifying biotic boundaries along envi-
ronmental gradients. Ecology 67: 749-759.
McCullagh, P. y Nelder, J.A. 1989. Generalised Linear Modelling. Chapman and Hall,
McGarigal, K. y Marks, B. J. 1995. FRAGSTATS: spatial pattern analysis program for quan-
tifying landscape structure. General Technical Report PNW-GTR-351, USDA Fo-
rest Service, Pacific Northwest Research Station, Portland, USA.
McIntire, E. J. B. y Fortin, M.-J. 2006. Structure and function of wildfire and mountain
pine beetle forest boundaries. Ecography 29: 309-318.
McMahon, S. M. y Díez, J. M. 2007. Scale of association: hierarchical linear models
and the measurement of ecological systems. Ecology Letters 10: 437-452.
MEA. 2005. Ecosystems and Human Well-being: Synthesis. Millenium Ecosystem Assess-
ment; disponible en http://www.millenniumassessment.org/en/index.aspx.
Mead, A. 1988. The design of experiments. Statistical principles for practical application.
Bibliografía 821
Meggaro, Y. y Vilà, M. 2002. Distribución y regeneración después del fuego de las es-
pecies exóticas Ailanthus altissima y Robinia pseudoacacia en el parque de Collse-
rola (Barcelona). Montes 68: 25-32.
Meggs, J. F., Munks, S. A., Corkrey, R. y Richards, K. 2004. Development and evalua-
tion of predictive habitat models to assist the conservation planning of a threa-
tened lucanid beetle, Hoplogonus simsoni, in north-east Tasmania. Biological
Melià, J., Segarra, D., Belda, F., Caballer, P., Fortea, J.C., García, J., López, E., Moreno, J.,
Serrano, J.C. y Viedma, O. 1996. Evaluación mediante teledetección de los pro-
cesos de reforestación en zonas afectadas por incendios. La restauración de la cu-
bierta vegetal en la Comunidad Valenciana. CEAM. Generalitat Valenciana, pp.
149-212.
Menges, E. S. 2000. Population viability analysis in plants: challenges and opportuni-
ties. Trends in Ecology and Evolution 15: 51-56.
Mergen F. 1959. A toxic principle in the leaves of Ailanthus. Botanical Gazette 121: 32-36.
Metzger, J-P. y Muller, E. 1996. Characterizing the complexity of landscape boundaries
by remote sensing. Landscape Ecology 11:65-77.
Meyer G. A. y Witmer M. C. 1998. Influence of seed processing by frugivorous birds
on germination success of three North American shrubs. American Midland Na-
turalist 140: 129-139.
Meyer, S. E. 1986. The ecology of gypsophile endemism in the Eastern Mojave desert.
Ecology 67: 1303-1313.
Meyer, W.B. y Turner, B.L. 1994. Changes in Land Use and Land Cover: A Global Perspecti-
ve. Cambridge University Press, Cambridge.
Migahid, M. M. 2003. Effect of salinity shock on some desert species native to the nor-
thern part of Egypt. Journal of Arid Environments 53: 155-167.
Miller, J. H. 1990. Ailanthus altissima (Mill.) Swingle ailanthus. En: Silvics of North Ame-
rica: Vol. 2. Hardwoods. (coords. Burns, R. M., Honkala, B. H.), pp. 101-104. Agri-
culture Handbook 654. U.S. Department of Agriculture, Forest Service, Was-
hington DC, Estados Unidos.
Miller, J. y Franklin, J. 2002. Modeling the distribution of four vegetation alliances
using generalized linear models and classification trees with spatial depen-
dence. Ecological Modelling 157: 227-247.
Miller, R. I. 1986. Predicting rare plant distribution patterns in the southern Appala-
chians of the south-eastern U.S.A. Journal of Biogeography 13: 293-311.
Milne, B.T. 1991. Heterogeneity as a multiscale characteristics of landscape studies.
En: Ecological Heterogeneity (eds. Kolasa, J. y Pickett, S. T. A.), pp. 69-84. Sprin-
ger-Verlag, Nueva York, Estados Unidos.
Moh’d Khair J. El -Shatnawi y Yaser M. Mohawesh. 2000. Seasonal chemical composi-
tion of saltbush in semiarid grasslands of Jordan. Journal of Range Management
53: 211-214.
Moles, A. T., Warton, D. I. y Westoby, M. 2003. Do small-seeded species have higher
survival through seed predation than large-seeded species? Ecology 84: 3148-
3161.
822 Bibliografía
Moller, J. y Waagepetersen, R. P. 2003. Statistical Inference and Simulation for Spatial Po-
int Processes. Chapman and Hall/CRC, Boca Raton.
Moller, J. y Waagepetersen, R. P. 2007. Modern statistics for spatial point patterns.
Scandinavian Journal of Statistics 34: 643-684.
Monnerot, M., Vigne, J. D., Biju-Duval, C., Casane, D., Callou, C. C. H., Mougel, F.,
Soriguer, R.C., Dennebouy, N. y Mounolou, J. C. 1994. Rabbit and man: genetic
and historic approach. Genetics Selection Evolution, 26, 167s-182s.
Monteith, J. L. 1972. Sola radiation and productivity in tropical ecosystems. Journal of
Applied Ecology 9: 426-31
Montero de Burgos, J.L. y González Rebollar, J.L. 1983. Diagramas bioclimáticos.
I.C.O.N.A., D.L. Madrid, España.
Monturiol, F. y Alcalá del Olmo, L. 1990. Mapa de asociaciones de suelos de la Comunidad
de Madrid. Escala 1:200.000. Consejo Superior de Investigaciones Científicas,
Madrid.
Monzeglio, U. y Stoll, P. 2005. Spatial patterns and species performances in experi-
mental plant communities. Oecologia 145: 619-628.
Moorcroft, D., Whittingham, M. J., Bradbury, R. B. y Wilson, J. D. 2002. The selection
of stubble fields by wintering granivorous birds reflects vegetation cover and
food abundance. Journal of Applied Ecology 39: 535-547.
Moore, L. A. y Willson, M. F. 1982. The effect of microhabitat, spatial distribution, and
display size on dispersal of Lindera benzoin by avian frugivores. Canadian Jo-
urnal of Botany 60: 557-560.
Moral, F. J. 2003. La Representación Gráfica de las Variables Regionalizadas. Geoestadística li-
neal. Servicio de Publicaciones de la Universidad de Extremadura, Badajoz.
Moral, F. J. 2004. Aplicación de la geoestadística en las ciencias ambientales. Ecosiste-
mas. 2004/1. URL: http://www.revistaecosistemas.net/articulo.asp?Id=
167&Id_Categoria=2& tipo=portada
Morales, J. M. y Carlo, T. A. 2006. The effects of plant distribution and frugivore densi-
ty on the scale and shape of dispersal kernels. Ecology 87: 1489-1496.
Moran, P. A. P. 1950. Notes on continuous stochastic phenomena. Biometrika 37: 17-23.
Moreno, S. y Villafuerte, R. 1995. Traditional management of scrubland for the con-
servation of rabbits Oryctolagus cuniculus and their predators in Doñana Natio-
nal Park, Spain. Biological Conservation 73: 81-85.
Moreno, S., Villafuerte, R. y Delibes, M. 1996. Cover is safe during the day but dange-
rous at night: the use of vegetation by European wild rabbits. Canadian Journal
of Zoology 74 : 1656-1660.
Morisita, M. 1959. Measuring the dispersion of individuals and analysis of the distri-
butional patterns. Memoirs of the Faculty of Science, Kyushu University Series E
(Biology) 2: 215-235
Morris W. F. y Doak, D. F. 2002. Quantitative Conservation Biology: the theory and practice
of population viability analysis. Sinauer. Sunderland, Estados Unidos
Morris, D. M., Kimmins, J. P. y Duckert, D. R. 1997. The use of soil organic matter as a
criterion of the relative sustainability of forest management alternatives: a mo-
delling approach using FORECAST. Forest Ecology and Management 94: 61-78.
Bibliografía 823
Morrison, M. L., Timossi, I. C. y With, K. 1987. Development and testing of linear re-
gression models predicting bird-habitat relationships. Journal of Wildlife Mana-
gement 51: 247-253.
Mozafar, A. y Goodin, J. R. 1970. Versiculated hairs: a mechanism for salt tolerance in
Atriplex halimus L. Plant Physiology 45: 62-65
Múgica, M., de Lucio, J.V., Martínez, C., Sastre, P., Atauri, J.M., Montes, C., Castro, H.,
Molina, F. y García M.R. 2002. Integración territorial de espacios naturales pro-
tegidos y conectividad ecológica en paisajes mediterráneos. Junta de Andalu-
cía, Sevilla, España.
Muller-Landau, H. C. 2007. Predicting the long-term effects of hunting on plant spe-
cies composition and diversity in tropical forests. Biotropica 39: 272-384.
Münzbergova, Z. 2004. Effect of spatial scale on factors limiting species distributions
in dry grassland fragments. Journal of Ecology 92: 854-867.
Muñoz, A. R., Real, R., Barbosa, A. M. y Vargas, J. M. 2005. Modelling the distribution
of Bonelli's eagle in Spain: implications for conservation planning. Diversity
and Distributions 11: 477–486.
Muñoz, J. y Felicísimo, Á. M. 2004. A comparison between some statistical methods
commonly used in predictive modeling. Journal of Vegetation Science 15: 285-
292.
Murphy, K. 1998. Hidden Markov Model (HMM) Toolbox for Matlab. URL:
www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html
Murray, J. D. 1989. Mathematical Biology. Springer-Verlag. Berlin, Alemania.
Murray, K. G. 1988. Avian seed dispersal of three neotropical gap-dependent plants.
Ecology Monographs 58: 271-298.
Musick, H.B. y Grover, H.D. 1991. Image textural measures as indices of landscape
pattern. En: Quantitative Methods in Landscape Ecology (eds. Turner, M. G. y Gar-
dner, R. H.), pp. 77-104. Springer-Verlag, Nueva York, Estados Unidos.
Nachman, G. 1981. A simulation-model of spatial heterogeneity and non-random
search in an insect host-parasitoid system. Journal of Animal Ecology 50: 27-47.
Nagendra, H., Munroe, D.K. y Southworth, J. 2004. From pattern to process: Landsca-
pe fragmentation and the analysis of land use/ land cover change. Agriculture,
Ecosystems and Environment 101: 111- 115.
Nason J. D. y Hamrick J. L. 1997. Reproductive and genetic consequences of forest
fragmentation: two case studies of neotropical canopy trees. Journal of Heredity
88: 264-276.
Nathan, R. y Muller-Landau, H. C. 2000. Spatial patterns of seed dispersal, their de-
terminants and consequences for recruitment. Trends in Ecology and Evolution
15: 278-285.
Nathan, R., Perry, G., Cronin, J. T., Strand, A. E. y Cain, M. L. 2003. Methods for esti-
mating long-distance dispersal. Oikos 103: 261-273.
Navulur, K. C. S. y Engel, B. A. 1998. Groundwater vulnerability assessment to non-
point source nitrate pollution on a regional scale using GIS. Transactions of the
ASAE 41: 1671-1678.
Nelder, J. A. y Mead, R. 1965. A simplex algorithm for function minimization. Compu-
ter Journal 7: 308-313.
824 Bibliografía
Nelson, M. R., Orum, T. V., Jaime-García, R. y Nadeem, A. 1999. Applications of geo-

graphic information systems and geostatistics in plant disease epidemiology
and management. Plant Disease 83: 308-319.
Nielsen, S. E., Johnson, C. J., Heard, D. C. y Boyce, M. S. 2005. Can models of presen-
ce-absence be used to scale abudance? Two case studies considering extremes
in life history. Ecography 28: 197-208.
Nilsson, L. A. 1988. The evolution of flowers with deep corolla tubes. Nature 334: 147-
149.
Nemani, R. R., Keeling, C. D., Hashimoto, H., Jolly, W. M., Piper, S. C., Tucker, C. J.,
Myneni, R. B., y Running, S. W. 2003. Climate-driven increases in global terres-
trial net primary production from 1982 to 1999. Science 300: 1560-1563.
Neuhauser, C. 2001. Mathematical Challenges in Spatial Ecology. Notices of the AMS.
48: 1304-1314.
Neuhauser, C. y Pacala, S. W. 1999. An Explicitly Spatial Version of the Lotka-Volterra
Model with Interspecific Competition. The Annals of Applied Probability 9: 1226-
1259.
Nicolau, J. M., Solé-Benet, A., Puigdefábregas, J., Gutiérrez, L. 1996. Effects of soil and
vegetation on runoff along a catena in semi-arid Spain. Geomorphology 14: 297-
309.
Nimis, P. L. 2003. Checklist of the lichens of Italy 3.0. University of Trieste. URL: http://
dbiodbs.univ.trieste.it.
Ninyerola, M., Pons, X. y Roure, JM. 2005. Atlas Climático Digital de la Península Ibérica.
Metodología y aplicaciones en bioclimatología y geobotánica. Universidad Autóno-
ma de Barcelona, Bellaterra, España.
Noble, I. R. 1993. A model of the responses of ecotones to climate change. Ecological
Applications 3: 396-403.
Noda, T. 2004. Spatial hierarchical approach in community ecology: a way beyond
high context-dependency and low predictability in local phenomena. Popula-
tion Ecology 46: 105-117.
Nolasco, A. y Orts, R. 1991. Introducción al análisis espacial: aplicaciones en las ciencias de
la salud. Conselleria de Sanitat i Consum, Valencia, España.
Novák, D., Cuesta-Frau, D., ani, T.Al, Aboy, M., Mico, P. y Lhotská, L. 2004. Speech Re-
cognition Methods Applied to Biomedical Signals Processing. Proceedings of the
26th Annual International Conference of the IEEE EMBS, San Francisco, CA, pp.
118-121.
Noy-Meir, I. 1973. Desert ecosystems: environmental and producers. Annual Review of
Ecology and Systematics 4: 25-51.
OŃeill, R. V., Hunsaker, C. T., Timmins, S. P., Jackson, B. L., Jones, K. B., Riitters, K. H.,
y Wickham, J. D. 1996. Scale problems in reporting landscape pattern at the re-
gional scale. Landscape Ecology 11: 169-180.
OŃeill, R. V., Riitters, K. H., Wickham, J. D. y Jones, K. B. 1999. Landscape pattern
metrics and regional assessment. Ecosystem Health 5: 225-233.
O’Neill, R. V. y King, A. W. 1998. Homage to St. Michael, or, why are there so many bo-
oks on scale? En Ecological Scale: Theory and Applications (eds. Peterson, D. L. y
Parker, V. T. ), pp: 3-15. Columbia University Press. Nueva York.
Bibliografía 825
O’Neill, R.V., Krummel, J.R., Gardner, R.H., Sugihara, G., Jackson, B., DeAngelis, D.L.,
Milne, B.T., Turner, M.G., Zygmunt, B., Christensen, S.W., Dale, V.H. y Graham,
R.L. 1988. Indices of landscape pattern. Landscape Ecology 1, 153–162.
Ochoa, M. J. 1977. Relaciones entre vegetación y tipo-grado de salinidad en el suelo. Tesis
doctoral. Universidad de Navarra, Navarra. 701 pp.
Oddou-Muratorio, S., Demesure-Musch, B., Pélissier, R. y Gouyon, P.H. 2004. Impacts
of gene flow and logging history on the local genetic structure of a scattered
tree species, Sorbus torminalis L. Molecular Ecology 13: 3689-3702.
Oden, N. L. y Sokal, R. R. 1986. Directional autocorrelation: an extension of spatial co-
rrelograms to two dimensions. Systematic Zoology 35: 608-617.
Oden, N. L., Sokal, R. R., Fortin, M.-J. y Goebl, H. 1993. Categorical wombling: detec-
ting regions of significant change in spatially located categorical variables. Geo-
graphical Analysis 25: 315-336.
Odom, R. H., Ford, W. M., Edwards, J. W., Stihler, C. W. y Menzel, J. M. 2001.
Developing a habitat model for the endangered Virginia northern
flying squirrel (Glaucomys sabrinus fuscus) in the Allegheny Mountains of
West Virginia. Biological Conservation 99: 245-252.
Olano, J. M., Caballero, I. Laskurain, N. A., Loidi, J. y Escudero, A. 2002. Seed bank
spatial pattern in a temperate secondary forest. Journal of Vegetation Science 13:
775–784.
Olano, J. M., Caballero, I., Loidi, J. y Escudero, A. 2005. Prediction of plant cover from
seed bank analysis in a semi-arid plant community on gypsum. Journal of Vege-
Olea, R. 2006. A six-step practical approach to semivariogram modeling. Stochastic En-
vironmental Research and Risk Assessment 20: 307-318.
Olesen, J. M. y Jordano, P. 2002. Geographic patterns in plant-pollinator mutualistic
networks. Ecology 83: 2416-2424.
Olesen, J. M. y Valido A. 2003. Lizards as pollinators and seed dispersers: an island
phenomenon. Trends in Ecology and Evolution 18 : 177-181.
Olsen, P. D. y Doran, B. 2002. Climatic modelling of the Australian distribution of the
grass owl (Tyto capensis): is there an inland population? Wildlife Research 29:
117-125.
Oosting, H. J. 1948. The study of plant communities. W. H. Freeman, Chicago, Estados
Unidos.
Osborne, P.E., Alonso, J.C. y Bryant, R.G., 2001. Modelling landscape-scale habitat use
using GIS and remote sensing: a case study with great bustards. Journal of
Applied Ecology 38:2 458-471
Ostendorf, B. y Reynolds, J.F. 1998. A model of artic tundra vegetation derived from
topographic gradients. Landscape Ecology 13: 187-201.
Ovaskainen W. y Cornell, S. 2006. Space and stochasticity in population dynamics.
Proceedings of the National Academy of Sciences USA 103: 12781-12786.
Pacala, S. W. y Deutschman, D. H. 1995. Details that matter: the spatial distribution of
individual trees maintains forest ecosystem function. Oikos 74: 357-365.
826 Bibliografía
Pacala, S. W. y Tilman, D. 1994. Limiting similarity in mechanistic and spatial models

of plant competition in heterogeneous environments. American Naturalist 143:
222-257.
Pacala, S.W., Canham, C.D., Saponara, J., Silander, J.A., Kobe, R.K. and Ribbens, E.
1996. Forest models defined by field measurements: estimation, error analysis
and dynamics. Ecological Monographs 66: 1-43.
Palacio, S., Escudero, A., Montserrat-Martí, G., Maestro, M., Milla, R. y Albert, M. J.
2007. Plants living on gypsum: beyond the specialist model. Annals of Botany
99: 333-343.
Palmer, M. A., Swan, C. M., Nelson. K., Silver. P. y Alvestad, R. 2000. Streambed lands-
capes: evidence that stream invertebrates respond to the type and spatial
arrangement of patches. Landscape Ecology 15:576-576.
Papadakis, J. S. 1937. Méthode statistique pour des expériences sur champ. Bulletin de
l'Institut d'Amelioration des Plantes, Thessalonike 23.
Paramá, R. 2006. Heterogeneidad Espacial de Nutrientes del Suelo en Ecosistemas Terrestres.
Tesis Doctoral. Universidad de Vigo.
Parmesan, C. y Yohe, G. 2003. A globally coherent fingerprint of climate change im-
pacts across natural systems. Nature 421: 37-42.
Paruelo, J. M. y Lauenroth, W. K. 1995. Regional patterns of normalized difference ve-
getation index in North American shrublands and grasslands. Ecology 76: 1888-
1898.
Paruelo, J. M., Burke, I. C., y Lauenroth, W. K. 2001. Land-use impact on ecosystem
functioning in eastern Colorado, USA. Global Change Biology 7: 631-639.
Pascual, M. 2005. Computational ecology: from the complex to the simple and back.
PLOS Computational Biology. 1: e18.
Pascual, M., Mazzega, P. y Levin, S. A. 2001. Oscillatory Dynamics and Spatial Scale:
The Role of Noise and Unresolved Pattern. Ecology 82: 2357-2369.
Pasiecznik, N. M., Vera-Cruz, M. T. y Harris, P. J. C. 1996. The current status of Atriplex
on the Cape Verde Islands. Journal of Arid Environments 34: 507-519.
Pastor, J. y Johnston, C.A. 1992. Using simulation models and geographic information
systems to integrate ecosystem and landscape ecology. En: Integrated Watershed
Management (ed. Naiman R. J.), pp. 324–346. Springer-Verlag, Nueva York, Es-
tados Unidos.
Pastor, J. y Post, W. M. 1985. Development of a Linked Forest Productivity–Soil Process Mo-
del. Oak Ridge National Laboratory, Oak Ridge, Estados Unidos.
Pastor, J., Dewey, B., Moen, R., Mladenoff, D. J., White, M. y Cohen, Y. 1998. Spatial
patterns in the moose-forest-soil ecosystem on Isle Royale, Michigan, USA.
Ecological Applications 8: 411-424.
Paszkowski, C. A. y Tonn, W. M. 2000. Community concordance between fishes and
aquatic birds of northern Alberta lakes: the relative importance of environ-
mental and biotic factors. Freshwater Biology 43:421-437.
Pearce, J. y Ferrier, S. 2001. The practical value of modelling relative abundance of
species for regional conservation planning: a case study. Biological Conservation
98: 33-43.
Bibliografía 827
Pearce, J. L. y Boyce, M. S. 2006. Modelling distribution and abundance with presen-

ce-only data. Journal of Applied Ecology 43: 405-412.
Pearl, J. 1988. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inferen-
ce. Morgan Kaufmann, San Mateo.
Pebesma, E. J. 2004. Multivariable geostatistics in S: the gstat package. Computers &
Geosciences 30: 683-691.
Pélissier, R. 1998. Tree spatial patterns in three contrasting plots of as southern Indian
tropical moist evergreen forest. Journal of Tropical Ecology 14: 1-16.
Pélissier, R. y Couteron, P. 2007. An operational, additive framework for species diver-
sity partitioning and beta-diversity analysis. Journal of Ecology 95: 294-300.
Pélissier, R. y Goreaud, F. 2001. A practical approach to the study of spatial structure
in simple cases of heterogeneous vegetation. Journal of Vegetation Science 12: 99-
108.
Penny W. D., Roberts S. J. 1998. Gaussian Observation Hidden Markov Models for EEG
analysis. Technical Report TR-98-12, Imperial College, Londres, Reino Unido.
Penttinen, A. 2006. Statistics for Marked Point Patterns. En: The yerabook of the Finish
Statistical Society, pp. 70-91.
Peña J., Martínez, R. M., Bonet, A., Bellot, J. y Escarré, A. 2005. Cartografía de las co-
berturas y usos del suelo de la Marina Baixa (Alicante) para 1956, 1978 y 2000.
Investigaciones Geográficas 37: 93-107.
Peña, J. 2006. Sistemas de Información Geográfica aplicados a la Gestión del Territorio. Entra-
da, manejo, análisis y salida de datos espaciales. Teoría general y práctica para ESRI
ArcGIS 9. Editorial Club Universitario. Alicante, España.
Peña, J., Bonet, A., Bellot, J., Sánchez, J.R., Eisenhuth, D., Hallett, S. y Aledo, A. 2007.
Driving forces of land-use change in a cultural landscape of Spain, A prelimi-
nary assessment of the human-mediated influences. En: Modelling Land-Use
Change. Progress and applications (eds. Koomen, E., Stillwell, J., Bakema, A. y
Scholten, H. J.), pp. 97-116. Springer, Dordrecht, Holanda.
Peres, C. A. y Palacios, E. 2007. Basin-wide effects of game harvest on vertebrate po-
pulation densities in amazonian forests: implications for animal-mediated
seed dispersal. Biotropica 39: 304-315.
Peres-Neto, P. R., Legendre, P., Dray, S. y Borcard, D. 2006. Variation partitioning of
species data matrices: Estimation and comparison of fractions. Ecology 87:
2614-2625.
Pérez Cueva, J. A. 1994. Atlas climático de la Comunidad Valenciana. Conselleria de Obras
Públicas, Urbanismo y Transportes, Valencia, España.
Pérez, I., Giménez, A., Sánchez-Zapata, J. A., Anadón, J. D., Martínez, M. y Esteve, M.
A. 2004. Non-commercial collection of spur-thighed tortoises (Testudo graeca
graeca): a cultural problem in southeast Spain. Biological Conservation 118: 175-
181.
Pérez-Badía, M. R. 1997. Flora Vascular y Vegetación de la comarca de la Marina Alta.
Ed. Instituto de Cultura Juan Gil-Albert. Diputación Provincial de Alicante. 566
pp.
Pérez-Mellado, V. 1989. Estudio ecológico de la lagartija balear Podarcis lilfordi (Gün-
ther, 1874) en Menorca. Revista de Menorca 80: 455-511.
828 Bibliografía
Perry G. L. W. 2004. SpPack: Spatial point pattern analysis in Excel using Visual Basic
for Applications (VBA). Environmental Modelling and Software 19: 559-569.
Perry, J. N. 1995a. Spatial analysis by distance index. Journal of Animal Ecology 64: 303-
314.
Perry, J. N. 1995b. Spatial aspects of animal and plant distribution in patchy farmland
habitats. En: Ecology and Integrated Farming Systems (eds. Glen, D. M., Greaves,
M. P. y Anderson, H. M), pp. 221-242. John Wiley & Sons Ltd, Bristol, Reino
Unido.
Perry, J. N. y Dixon, P. 2002. A new method to measure spatial association for ecologi-
cal count data. Ecoscience 9: 133-141.
Perry, J. N. y Hewitt, M. 1991. A new index of aggregation for animal counts. Biome-
trics 47: 1505-1518.
Perry, J. N. 1998. Measures of spatial pattern for counts. Ecology 79: 1008-1017.
Perry, J. N., Bell, E. D., Smith, R. H. y Woiwod, I. P. 1996. SADIE: software to measure
and model spatial pattern. Aspects of Applied Biology 46: 95-102.
Perry, J. N., Liebhold, A. M., Rosenberg, M. S., Dungan, J. L., Miriti, M., Jakomulska, A.
y Citron-Pousty, S. 2002. Illustrations and guidelines for selecting statistical
methods for quantifying spatial pattern in ecological data. Ecography 25: 578-
600.
Perry, J. N., Winder, L., Holland J. M. y Alston R. D. 1999. Red-blue plots for detecting
clusters in count data. Ecology Letters 2: 106-113.
Peters, R. H. 1983. The ecological implications of body size. Cambridge University Press.
Cambridge.
Peterson, A. T., Soberón J. y Sánchez-Cordero, V. 1999. Conservatism of ecological ni-
ches in evolutionary time. Science 285: 1265-1267.
Peterson, D. L. y Parker, V. T. 1998. Dimensions of scale in ecology, resource manage-
ment, and society. En: Ecological Scale: Theory and Applications (eds. Peterson, D.
L. y Parker, V. T.), pp. 499-522. Columbia University Press. Nueva York, Estados
Unidos.
Phipps, M. 1981. Entropy and community pattern analysis. Journal of Theoretical Biolo-
gy 93: 253-273.
Pickett, S. T. A. y Cadenasso, M. L. 1995. Landscape ecology: Spatial heterogeneity in
ecological systems. Science 269: 331-334
Pielou, E. C. 1961. Segregation and symmetry in two-species populations as studied
by nearest neighbor relationships. Journal of Ecology 49: 255-269.
Pilot, M., Jedrzejewski, W., Branick, W., Sidorovich, V., Jedrzejewska, B., Stachura, K. y
Funck, S. 2006. Ecological factors influence population genetic structure of Eu-
ropean grey wolves. Molecular Ecology 15: 4533-4553.
Pimm, S. L., 1984. The complexity and stability of ecosystems. Nature 307: 321 – 326.
Pino, J., Rodà, F., Ribas, J. y Pons, X. 2000. Landscape structure and bird species rich-
ness: implications for conservation in rural areas between natural parks.
Landscape and Urban Planning 49: 35-48.
Piñol, J., Terradas, J. y Lloret, F. 1998. Climate warming, wildfire hazard, and wildfire
occurrence in coastal eastern Spain. Climatic change 38:345-357.
Bibliografía 829
Piper, J. K. 1986. Effects of habitat and size of fruit display on removal of Smilacina ste-
llata (Liliaceae) fruits. Canadian Journal of Botany 64: 1050-1054.
Platt, T. y Denman, K. L. 1975. Spectral analysis in ecology. Annual Review of Ecology
and Systematics 6: 189-210.
Plotnick, R. E., Gardner, R. H. y O’Neill, R. V. 1993. Lacunarity indices as measures of
landscape texture. Landscape Ecology 8: 201–211.
Porporato, A., D’Odorico, P., Laio, F., Ridolfi, L. y Rodriguez-Iturbe, I. 2002. Ecohydro-
logy of water-controlled ecosystems. Advances in Water Resources 25: 1335-1348.
Potts, J. M. y Elith, J. 2006. Comparing species abundance models. Ecological Modelling
199: 153-163.
Potvin, C. y Tardif, S. 1988. Sources of variability and experimental design in growth
chambers. Functional Ecology 2: 123-130.
Prasse, R. y Bornkamm, R. 2000. Effect of microbiotic soil surface crusts on emergence
of vascular plants. Plant Ecology 150: 65-75.
Prendergast, J. R., Quinn, R. M., Lawton, J. H., Eversham, B. C. y Gibbons, D. W. 1993.
Rare species, the coincidence of diversity hotspots and conservation strategies.
Nature 365: 335-337.
Prince, S. D., Brown De Colstoun, E., y Kravitz, L. L. 1998. Evidence from rain-use effi-
ciencies does not indicate extensive Sahelian desertification. Global Change Bio-
logy 4: 359-374.
Pringle, C. M. 1990. Nutrient spatial heterogeneity. Effects on community structure,
physiognomy, and diversity of stream algae. Ecology 71: 905-920.
Proctor, M. C. F., Nasy, Z., Csintalan, Z. y Takács, Z. 1998. Water-content components
in bryophytes: Analysis of pressure-volume relationships. Journal of Experimen-
tal Botany 49: 1845-1954.
Puigdefábregas, J. y Sánchez, G. 1996. Geomorphological implications of vegetation
patchiness on semiarid slopes. En: Advances in hillslope processes, Volume 2 (eds.
Anderson, M. G. y Brooks, S. M.), pp. 1027-1060. John Willey & Sons, Londres,
Reino Unido.
Puigdefábregas, J., Solé, A., Gutierrez, L., Barrio, G., Boer, M. 1999. Scales and proces-
ses of water and sediment redistribution in drylands: results from the Rambla
Honda field site in Southeast Spain. Earth-Science Reviews 48: 39–70.
Purves, D. W., Zavala, M. A., Ogle, K., Prieto, F. y Rey Benayas, J. M. 2007. Environ-
mental heterogeneity, bird-mediated directed dispersal, and oak woodland
dynamics in Mediterranean Spain. Ecological Monographs 77: 77–97.
Pyankov, V. I., Gunin, P. D., Tsoog, S. y Black, C. C. 2000. C4 plants in the vegetation of
Mongolia: their natural occurrence and geographical distribution in relation to
climate. Oecologia 123:15-31.
Qi, Y. y Wu, J. 1996. Effects of changing spatial resolution on the results of landscape
pattern analysis using spatial autocorrelation indices. Landscape Ecology 11: 39-
49.
Qiao, C. G., Basford, K. E., DeLacy, I. H. y Cooper, M. 2000. Evaluation of experimen-
tal designs and spatial analyses in wheat breeding trials. Theoretical and Applied
Genetics 100: 9-16.
830 Bibliografía
Qiao, C.G., Basford, K.E., DeLacy, I.H. y Cooper, M. 2004. Advantage of single-trial
models for response to selection in wheat breeding multi-environment trials.
Theoretical and Applied Genetics 108: 1256-1264.
Quero J. L. 2006. SADIE como herramienta de cuantificación de la heterogeneidad es-
pacial: casos prácticos en el Parque Nacional de Sierra Nevada (Granada, Espa-
ña). Ecosistemas 2006/3: 41-48. URL: http://www.revistaecosistemas.net/articu-
lo.asp?Id=436&Id_ Categoria=1&tipo=portada.
Quevedo, M., Bañuelos, M. J. y Obeso, J. R. 2006. The decline of Cantabrian capercai-
llie: How much does habitat configuration matter? Biological Conservation 127:
190-200.
Quinn, G. P. y Keough, M. J. 2002. Experimental Design and Data Analysis for Biologists.
Quintana-Ascencio, P. F., Caballero, I., Olano, J. M., Escudero, A. y Albert, M. J. 2007.
Does habitat structure matter? Spatially explicit population modelling of an
Iberian Gypsum endemic. Journal of Ecology (en revisión).
R Development Core Team. 2006. R: A language and environment for statistical com-
puting. R Foundation for Statistical Computing, Vienna, Austria. URL: http://
www.R-project.org.
Rabasa, S. G., Gutiérrez, D. y Escudero, A. 2005. Egg laying by a butterfly on a frag-
mented host-plant: a multilevel approach. Ecography 28: 629-639.
Rabiner, L.R. 1989. A tutorial on hidden Markov models and selected applications in
speech recognition. Proceedings of the IEEE 77: 257-286.
Rabus, B., Eineder, M., Roth, A. y Bamler, R. 2003. The Shuttle Radar Topography mis-
sion- a new class of digital elevation models acquired by spaceborne radar.
Photogrammetry Remote Sensing 57: 241-262.
Ramírez-Sanz, L., Alcaide, M. T., Cuevas, J. A., Guillén, D.F. y Sastre Olmos, P. 2000. A
methodology for environmental planning in Protected Natural Areas. Journal
of Environmental Planning and Management 43:785-798.
Randlane, T. 1998. Red list of Estonian macrolichens. Folia Cryptogamica Estonica 32:
75-79.
Rangel, T. F. V. B. L., Diniz-Filho, J. A. F. y Bini, L. M. 2006. Towards an integrated com-
putational tool for spatial analysis in macroecology and biogeography. Global
Ecology and Biogeography 15: 321-327.
Raufaste, N. y Rousset, F. 2001. Are partial mantel tests adequate? Evolution 55: 1703-
1705.
Read, J. M. y Lam, N. S. N. 2002. Spatial methods for characterising land cover and
detecting land-cover changes for the tropics. International Journal of Remote Sen-
sing 23: 2457-2474.
Real, L. A. y McElhany, P. 1996. Spatial pattern and process in plant-pathogen interac-
tions. Ecology 77: 1011-1025.
Reberg-Horton, C., Gallandt, E.R. y Molloy, T. 2006. Measuring community shifts in a
weed seed bank study with the use of distance-based redundancy analysis.
Weed Science 54: 861-866.
Bibliografía 831
Reed, B.C., Brown, J.F., Vanderzee, D., Loveland, T.R., Merchant, J.W. y Ohlen, D.O.
1994. Measuring phonological variability from satellite imagery. Journal of Vege-
Rees, M., Mangel, M., Turnbull, L., Sheppard, A. y Briese, D. 2000. The effects of hete-
rogeneity on dispersal and colonization in plants. En: The Ecological Consequen-
ces of Environmental Heterogeneity (eds. Hutchings, M. J., John, E. A. y Stewart,
A. J. A.), pp. 237-266. Blackwell Science, Cambridge, Reino Unido.
Reid, K. D., Wilcox, B., Breshears, D., MacDonald, L. 1999. Runoff and erosion in a pi-
ñon-juniper woodland: influence of vegetation patches. Soil Science Society of
American Journal 63: 1869-1879.
Reid, N. 1989. Dispersal of mistletoes by honeyeaters and flowerpeckers: compo-
nents of seed dispersal quality. Ecology 70: 137-145.
Renshaw, E. 1997. Spectral techniques in spatial analysis. Forest Ecology and Manage-
ment 94: 165-174.
Renshaw, E. y Ford, E. D. 1984. The description of spatial pattern using two-dimen-
sional spectral analysis. Vegetatio 56: 75-85.
Rescia, A.J., Schmitz, M.F., Martín de Agar, P., de Pablo, C.L. y Pineda, F.D. 1997. A
fragmented landscape in northern Spain analyzed at different spatial scales:
Implications for management. Journal of Vegetation Science 8:343-352.
Reutter, B., Helfer, V., Hirzel, A. H. y Vogel, P. 2003. Modelling habitat-suitability using
museum collections: an example with three sympatric Apodemus species from
the Alps. Journal of Biogeography 30: 581-590.
Rey, J. M. 1984. Cartografía automática y el sistema CUTM. Fontqueria 6: 21-32.
Rey, P. J. 1995. Spatio-temporal variation in fruit and frugivorous bird abundance in
olive orchards. Ecology 76: 1625-1635.
Rey, P. J., Garrido, J. L., Alcántara, J. M., Ramírez, J. M., Aguilera, A., García, L., Manza-
neda, A. J. y Fernández, R. 2002. Spatial variation in ant and rodent post-dis-
persal predation of vertebrate-dispersed seeds. Functional Ecology 16: 773-781.
Reynolds, J. F., Kemp, P. R., Ogle, K. y Fernandez, R. J. 2004. Modifying the 'pulse-re-
serve' paradigm for deserts of North America: precipitation pulses, soil water,
and plant responses. Oecologia 141: 194-210.
Rhode, K. 2005. Cellular automata and ecology. Oikos 110: 203-207.
Ribbens, E., Silander, J. A. y Pacala, S. W. 1994. Seedling recruitment in forests: calibra-
ting models to predict patterns of tree seedling dispersion. Ecology 75: 1794-
1806.
Ribeiro, P.J. y Diggle, P.J. 2001. geoR: A package for geostatistical analysis. R-News 1:
URL: http://cran.r-project.org/doc/Rnews.
Ricketts, T., Daily, G. C., Ehrlich, P. R. y Fay, J. P. 2001. Country-side biogeography of
moths in a fragmented landscape: biodiversity in native and agricultural habi-
tats. Conservation Biology 15: 378-388.
Riera, N., Traveset, A. y García, O. 2002. Breakage of mutualisms by exotic species: the
case of Cneorum tricoccon L. in the Balearic Islands (Western Mediterranean
Sea). Journal of Biogeography 29: 713-719.
Rigual, A. 1972. Flora y vegetación de la provincia de Alicante. Instituto Juan Gil-Albert.
Diputación de Alicante, Alicante, España.
832 Bibliografía
Ripley, B. D. 1976. The second order analysis of stationary point processes. Journal of
Applied Probability 13: 255-266.
Ripley, B. D. 1978. Spectral analysis and the analysis of pattern in plant communities.
Journal of Ecology 66: 965-981.
Ripley, B. D. 1979. Test of "randomness" for spatial patterns. Journal of the Royal Statisti-
cal Society (series B) 41: 368-374.
Rivas-Martínez, S. y Loidi, J. 1999. Bioclimatology of the Iberian Peninsula. Itinera Ge-
obotanica 13: 41–47.
Rivera, D. y Obón, C. 1991. La guía de incafo de las plantas útiles y venenosas de la Penínsu-
la Ibérica y Baleares (excluidas medicinales). Editorial Incafo, Madrid, España.
Robertson, G. P. 1987. Geostatistics in ecology: interpoliating with known variance.
Ecology 68: 744-748.
Robertson, M. P., Caithness, N. y Villet, M. H. 2001. A PCA-based modelling technique
for predicting environmental suitability for organisms from presence records.
Diversity and Distributions 7: 15-27.
Rodríguez, F. y Bautista, S. 2001. Patch-gap analysis of presence-absence data in vegetation
transect using hidden Markov models, with application to the characterisation of
post-fire plant pattern disturbance in a semiarid pine forest. En: Ecosystems and Sus-
tainable Development III, Advances in Ecological Sciences 10 (eds. Brebbia, C.A., Villa-
campa, Y. y Usó, J.L.), pp. 801-809. WIT Press, Southampton, Reino Unido.
Rodríguez, F. y Bautista, S. 2006. Modelos ocultos de Markov para el análisis de patro-
nes espaciales. Ecosistemas 2006/3: 69-76. URL: www.revistaecosistemas.net/ar-
ticulo.asp ?Id=433&Id_Categoria=1&tipo=portada
Rodríguez-Fernández, L. R. 2004. Mapa geológico de España 1:2.000.000. En: Geología
de España (ed. Vera, J. A.). SGE-IGME, Madrid, España.
Rodríguez-Pérez J. 2006. Consecuencias ecológicas, demográficas y genéticas de las
interacciones planta-animal en dos especies de Daphne (Thymelaeaceae). Tesis
doctoral, Universidad de las Islas Baleares.
Rodríguez-Rey Arenas, L. 2002. Estudio previo a la realización del Plan de Manejo del acebo
(Ilex aquifolium) en el Parque Natural del Moncayo: el acebo como acompañante del
pinar de Pinus sylvestris. Proyecto Fin de Carrera, Universidad Autónoma de
Madrid, España.
Roldán Martín, M.J., de Pablo, C.L. y Martín de Agar, P. 2003a. Landscape Mosaics re-
cognition and changes over time: a methodolical approach. En: Multifunctional
landscapes Vol. III Continuity and change (eds. Mander, Ü. y Antrop, M), pp. 55-
77. WIT Press, Southampton, Reino Unido.
Roldán Martín, M.J., Martín de Agar, P., de Pablo, C.L., Pérez Gutiérrez, P. y Alonso
Campos, G. 2003b. Evolución del paisaje de la Sierra Norte de Madrid: cambios
en los usos, las fronteras y los mosaicos (1946-1999). En: Actas del VII Congreso
Nacional de la Asociación Española de Ecología Terrestre. Julio 2003. Barcelona. Es-
paña. (edición en CD-ROM).
Roldán, A., García-Orenes, F. y Albaladejo, J. 1994. Microbial populations in the rhi-
zosphere of Brachypodium retusum and their relationship with stable aggrega-
tes in a semiarid soil of Southeastern Spain. Arid Soil Research and Rehabilitatio-
nn 8: 105-114.
Bibliografía 833
Romão, R. L. y Escudero, A. 2005. Gypsum physical soil crust and the existence of
gypsophytes in semi-arid central Spain. Plant Ecology 181: 1-11.
Romero-Calcerrada, R. y Perry, G.L.W. 2004. The Role of Land Abandonment in
Landscape Dynamics in the SPA ‘Encinares del río Alberche y Cofio’ Central
Spain, 1984-1999. Landscape and Urban Planning 66: 217-232.
Rose, G. A. y Leggett, W. 1990. The importance of scale to predator-prey spatial corre-
lations: an example of atlantic fishes. Ecology 71: 33-43.
Rosenberg, M. S. 2001. PASSAGE, Pattern Analysis, Spatial Statistics, and Geographic Exe-
gis. Version 1.1.3.4. Department of Biology, Arizona State University, Tempe, Es-
tados Unidos. URL: htpp://www.passagesoftware.net.
Rossi, J. P. 2003. Short-range structures in earthworm spatial distribution. Pedobiologia
47: 582-587.
Rossi, R. E., Mulla, D. J., Journel, A. G. y Franz, E. H. 1992. Geostatistical tools for mo-
delling and interpreting ecological spatial dependence. Ecological Monographs
62: 277-314.
Rotenberry, J.T. 1986. Habitat relationships of shrub steppe birds: even “good” mo-
dels cannot predict the future. En: Wildlife 2000: modelling habitat relationships of
terrestrial vertebrates (eds. Verner, J. et al.), pp: 217-222. University of Wisconsin
Press, Madison, Estados Unidos.
Rouget, M., Richardson, D.M., Nel, J.I., Le Maitre, D.C., Egoh, B. y Mgidi, T. 2004. Ma-
pping the potential ranges of major plant invaders in South Africa, Lesotho
and Swaziland using climatic suitability. Diversity and Distributions 10: 475–484.
Rowlingson, B. y Diggle, P. J. 1993. Splancs: Spatial Point pattern analysis Code in S-
plus. Computers and Geosciences 19: 627-655.
Rowlingson, B. y Diggle, P. J. 2005. splancs: Spatial and Space-Time Point Pattern Analysis.
R package version 2.01-16. URL: http://www.r-project.org, http://www.maths.
lancs.ac.uk/~rowlings/Splancs/
Roxburgh, L. y Nicolson, S. W. 2005. Patterns of host use in two African mistletoes: the
importance of mistletoe-host compatibility and avian disperser behaviour.
Rubert de Ventós, X. 2006. La teoría de la frontera. En: Sessió Conjunta en Homenatge al
Doctor Margalef: Espai i Temps en Ecologia. IEC, SCB, Barcelona, España.
Rubio, A. y Escudero, A. 2000. Small-scale spatial soil-plant relationship in semi-arid
gypsum environment. Plant and Soil 220: 139-150.
Rue, H. y Held, L. 2005. Gaussian Markov Random Fields. Theory and Applications. Chap-
man & Hall/CRC, Boca Raton, Estados Unidos.
Rumiz, D. I. 2006. Google Earth© y Trackmaker© aplicados a la biología de campo y la
conservación. Kempffiana 2: 173-177
Running, S. W. 1984. Documentation and Preliminary Validation of H2OTRANS and
DAYTRANS, Two Models for Predicting Transpiration and Water Stress in
Western Coniferous Forests. US Forest Service Research, Corvallis, Estados
Unidos.
Russel, S. K. y Schupp, E. W. 1998. Effects of microhabitat patchiness on patterns of
seed dispersal and seed predation of Cercocarpus ledifolius (Rosaceae). Oikos 81:
434-443.
834 Bibliografía
Rustad, L., Huntington, T. y Boone, R., 2000. Control on soil respitation: Implication
for climate change. Biogeochemistry 48: 1-6.
Ryel, R. J., Caldwell, M. M. y Manwaring, J. H. 1996. Temporal dynamics of soil spatial
heterogeneity in sagebrush-wheatgrass steppe during a growing season. Plant
and Soil 184: 299-306.
Saaty, T. 1977. A scaling method for priorities in hierarquical structures. Journal of ma-
thematical Psychology 15: 234-281.
Sakai, A. K. y Oden, N. L. 1983. Spatial Pattern of Sex Expression in Silver Maple (Acer
saccharinum L.): Morisita's Index and Spatial Autocorrelation. The American Na-
turalist 122: 489-508.
Saenz-Romero, C., Nordheim, E.V., Guries, R.P. y Crump, P.M. 2001. A case study of a
provenance/progeny test using Trend Analysis with correlated errors and SAS
PROC MIXED. Silvae Genetica 50: 127-135.
Saetre, P. 1999. Spatial patterns of ground vegetation, soil microbial biomass and acti-
vity in a mixed spruce-birch stand. Ecography 22: 183-192.
Sage, F. F., Wedin, D. A. y Meirong L. 1999. The biogeography of C4 photosynhesis:
patterns and controlling factors. En: C4 plant biology (eds. Sage, R. F. y Monson,
R. K.), pp. 313-356. Academic Press, Londres, Reino Unido.
Sage, R. F. y Monson R. K. 1999. C4 Plant Biology, Academic Press, Londres, Reino Uni-
do.
Sain, S. R., Baggerly, K. A. y Scott, D. W. 1994. Cross-validation of multivariate densi-
ties. Journal of the American Statistical Association 89: 807-817.
Saint-Louis, V., Fortin, M.-J. y Desrochers, A. 2004. Association between microhabitat
and territory boundaries of two forest songbirds. Landscape Ecology 19: 591-601.
Salem, B. B. 2003. Application of GIS to biodiversity monitoring. Journal of Arid Envi-
ronments 54: 91-114.
Sallabanks, R. 1992. Fruit fate, frugivory, and fruit characteristics: a study of the
hawthorn, Crataegus monogyna (Rosaceae). Oecologia 91: 296-304.
Sallabanks, R. 1993. Hierarchical mechanisms of fruit selection by an avian frugivore.
Ecology 74: 1326-1336.
Salvador A. 2006. Lagartija balear – Podarcis lilfordi. En: Enciclopedia Virtual de los Verte-
brados Españoles (eds. Carrascal, L. M. y Salvador, A.), pp. 1-20. Museo Nacional
de Ciencias Naturales, Madrid. URL: http://www.vertebradosibericos.org/.
Samper, F. J. y Carrera, J. 1990. Geoestadística: aplicaciones a la hidrogeología subterránea.
Centro Internacional de Métodos Numéricos en Ingeniería, Barcelona.
Sánchez Palomares, O., Sánchez Serrano, F. y Carretero, M. P. 1999. Modelos y cartogra-
fía de estimaciones climáticas termopluviométricas para la España peninsular. INIA,
Madrid, España.
Sanchez, G., Puigdefábregas, J. 1994. Interactions between plant growth and sedi-
ment movement in semi-arid slopes. Geomorphology 9: 243-260.
Sancho, J. 1996. La función del paisaje: cartografía analítica y sintética. Serie Geográfica
6: 179-212.
Sansom, J. 1999. Large scale variability of rainfall through hidden semi-Markov mo-
dels of breakpoint data. Journal of Geophysical Research 104 (D24): 31631-31643.
Bibliografía 835
Sansom, J. y Thompson, C.S. 2003. Mesoscale spatial variation of rainfall through a

hidden semi-Markov model of breakpoint data. Journal of Geophysical Research
108 (D8): 8379.
Santos, T. 1985. Estudio sobre la biología migratoria de la tribu Turdini (Aves) en España.
ICONA, Monogr. no. 39, Publ. Ministerio de Agricultura, Pesca y Alimenta-
ción, Madrid, España.
Sanz, M., Dana, E. D. y Sobrino, E. 2004. Atlas de las plantas alóctonas invasoras en Espa-
ña. Ministerio de Medio Ambiente. Madrid, España.
Saracco, J. F., Collazo, J. A. y Groom, M. J. 2004. How do frugivores track resources?
Insights from spatial analyses of bird foraging in a tropical forest. Oecologia 139:
235-245.
SAS Institute. 1999. SAS/STAT User's guide, Version 8. SAS Institute Inc., Cary, Estados
Unidos.
SAS Institute. 2005. The GLIMMIX Procedure. SAS Institute Inc., Cary, Estados Unidos.
Disponible en: http://support.sas.com/rnd/app/papers/glimmix.pdf.
Sass, L., Csintalan, Z., Tuba, Z. y Vass, I. 1996. Thermoluminiscence studies on the
function of the photosystem II in the desiccation tolerant lichen Cladonia convo-
luta. Photosynthesis Research 48: 205-212.
Schabenberger, O. y Gotway, C.A. 2005. Statistical methods for spatial data analysis. Cha-
pman & Hall/CRC, Londres, Reino Unido.
Schaefer, J. A. y Messier, F. 1995. Habitat selection as a hierarchy: the spatial scales of
winter foraging by musk oxen. Ecography 18: 333-344.
Schaug, J., Iversen, T. y Pedersem, U. 1993. Comparison of Measurements and Model
Results for Airborne Sulphur and Nitrogen Components with Kriging. Atmos-
pheric Environment 27A: 831-844.
Scheiner, S. M. y Gurevitch, J. 2001. Design and analysis of ecological experiments. Oxford
University Press, Nueva York, Estados Unidos.
Schenk, H. J., Holzapfel, C., Hamilton, J. G. y Mahall, B. E. 2003. Spatial ecology of a
small desert shrub on adjacent geological substrates. Journal of Ecology 91: 383-
395.
Schilthuizen, M. 2000. Ecotone: speciation-prone. Trends in Ecology and Evolution 15:
130-131.
Schlather, M., Ribeiro, P. J. y Diggle, P. J. 2004. Detecting dependence between marks
and locations of marked point processes. Journal of the Royal Statistical Society B
66: 79-93.
Schlesinger, W. H., Abrahams, A. D., Parsons, A. J., Wainwright, J. 1999. Nutrient los-
ses in runoff from grassland and shrubland in Southern New Mexico: I. rainfa-
ll simulation experiments. Biogeochemistry 45: 21–34.
Schlesinger, W. H., Raikes, J. A., Hartley, A. E. y Cross, A. F. 1996. On the spatial pattern
of soil nutrients in desert ecosystems. Ecology 77: 364–74.
Schmid, B. y Harper, J. L. 1985. Clonal growth in grassland perennials. Journal of Ecolo-
gy 73: 793-808.
Schmid, B., Hector, A., Huston, M. A., Inchausti, P., Nijs, I., Leadley, P. W. y Tilman, D.
2002. The design and analysis of biodiversity experiments. En: Biodiversity and
836 Bibliografía
Ecosystem Functioning (eds. Loreau, M., Naeem, S. y Inchausti, P.), pp. 61-75.
Oxford University Press, Nueva York, Estados Unidos.
Schmitt, J. y Antonovics, J. 1986. Experimental studies of the evolutionary significan-
ce of sexual reproduction. IV. Effect of neighbor relatedness and aphid infesta-
tion on seedling performance. Evolution 40: 830-836.
Schneider, D. C. 1998. Applied scaling theory. En: Ecological Scale: Theory and Applica-
tions (eds. Peterson, D. L. y Parker, V. T.), pp: 253-270. Columbia University
Press. Nueva Cork, Estados Unidos.
Schneider, D. C. 2001. The rise of the concept of scale in ecology. BioScience 51: 545-
553.
Schupp, E. W. 1992. The Janzen-Connell model for tropical tree diversity: population
implications and the importance of spatial scale. American Naturalist 140: 526-
530.
Schupp, E. W. 1993. Quantity, quality and the effectiveness of seed dispersal by ani-
mals. Vegetatio 107/108: 15-29.
Schupp, E. W. 1995. Seed-seedling conflicts, habitat choice, and patterns of plant re-
cruitment. American Journal of Botany 82: 399-409.
Schupp, E. W. y Fuentes, M. 1995. Spatial patterns of seed dispersal and the unifica-
tion of plant population ecology. Écoscience 2: 267–275.
Schurr, F. M., Bossdorf, O., Milton, S.J. y Schumacher, J. 2004. Spatial pattern forma-
tion in semi-arid shrubland: a priori predicted versus observed pattern charac-
teristics. Plant Ecology 173: 271-282.
Scott, J. M., Davis, F. W., Csuti, B., Butterfield, B., Groves, C., Anderson, H., Caicco, S.,
D’Erchia, F., Edwards, T. C., Ulliman, J. y Wright, R. G. 1993. Gap analysis: a
geographic approach to protection of biological diversity. Wildlife Monographs
123: 1-41.
Scott, J. M., Heglund, P. J., Morrison, M. L., Haufler, J. B., Raphael, M. G., Wall, W. A. y
Samson, F. D. 2002. Predicting species occurrences. Island Press, Washington, Es-
tados Unidos.
Scoullar, K. A., Kimmins, J. P., Thauberger, R., Waldie, W. C. y Kremsater, L. 1995. FO-
ORTOON: the game. Life Sciences Programming Ltd., Naramata.
Searman, E., Griffith, B. y Powell, R. A. 1998. KERNELHR: a program for estimating
animal home ranges. Wildlife Society Bulletin 26: 95-100.
Seely, B. y Welham, C. 2006. Towards the application of SOM as a measure of ecosystem pro-
ductivity in the Quesnel Forest District: Deriving thresholds, determining effective
sampling regimes, and evaluating practices. Report # FSP Y061143. British Colum-
bia Ministry of Forests Forest Sciences Program, Victoria, Canada.
Seely, B., Nelson, J., Wells, R., Peter, B., Meitner, M., Anderson, A., Harshaw, H.., She-
ppard, S., Bunnell, F.L., Kimmins, H. y Harrison, D. 2004. The application of a
hierarchical, decision-support system to evaluate multi-objective forest mana-
gement strategies: a case study in northeastern British Columbia, Canada. Fo-
rest Ecology and Management 199: 283-305.
Seely, S. Welham, C. y Kimmins, H. 2002. Carbon sequestration in a boreal forest
ecosystem: results from the ecosystem simulation model, FORECAST. Forest
Ecology and Management 169: 123-135.
Bibliografía 837
Segurado, P. y Araújo, M. B. 2004. An evaluation of methods for modelling species dis-

tributions. Journal of Biogeography 31: 1555-1568.
Seidler, T. G. y Plotkin, J. B. 2006. Seed dispersal and spatial pattern in tropical trees.
PLoS Biology 4: e344.
Seiwa, K., Watanabe, A., Irie, K., Kanno, H., Saitoh, T. y Akasaka, S. 2002. Impact of
site-induced caching and transport behaviour on regeneration in Castanea cre-
nata. Journal of Vegetation Science 13: 517-526.
Sellers, P. J. 1994. A global 1º by 1º NDVI data set for climate studies. Part 2: the gene-
ration of global fields of terrestrial biophysical parameters from the NDVI. In-
ternational Journal of Remote Sensing 15: 3519-3545.
Sellers, P. J., Randall, D. A., Collatz, G. J., Berry, J. A., Field, C. B., Dazlich, D. A., Zhang,
C., Collelo, G. D. y Bounoua, L. 1996. A revised land surface parameterization
(SiB2) for atmospheric GCMs. Part I: Model formulation. Journal of Climate 9:
676-705.
Seoane, J., Bustamante, J. y Díaz-Delgado, R. 2004. Competing roles for landscape,
vegetation, topography and climate in predictive models of bird distribution.
Ecological Modelling 171: 209-222.
Seoane, J., Viñuela, J., Díaz-Delgado, R. y Bustamante, J. 2003. The effects of land use
and climate on red kite distribution in the Iberian Peninsula. Biological Conser-
vation 111: 401-414.
Serra, L. 2005. Estudio crítico de la flora vascular de la provincia de Alicante: aspectos nomen-
claturales, biogeográficos y de conservación. Tesis doctoral. Universidad de Alican-
te.
Serrada, R. (coord.). 1997. Actas de la reunión de Madrid sobre causas de las marras. Cua-
dernos de la Sociedad Española de Ciencias Forestales, número 4. Sociedad Es-
pañola de Ciencias Forestales, Madrid.
Shannon, C. y Weaver, W. 1949. The mathematical theory of communication. Urbana:
University of Illinois Press, 117 p.
Shilton, L. A., Altringham, J. D., Compton, S. G. y Whittaker, R. J. 1999 Old world fruit
bats can be long-distance seed dispersers through extended retention of viable
seeds in the gut. Proceedings of the Royal Society of London B 266: 219-223.
Shimono, A., Ueno, S., Tsumura, Y. y Washitani, I. 2006. Spatial genetic structure links
between soil seed banks and above-ground populations of Primula modesta in
subalpine grassland. Journal Ecology 94: 77-86.
Shomer-Ilan, A., Nissenbaum, A. y Waisel, Y. 1981. Photosynthetic Pathways and the
ecological distribution of the Chenopodiaceae in Israel. Oecologia 48: 244-248.
Shugart, H. H. 1998. Terrestrial Ecosystems in Changing Environments. Cambridge
University Press, Cambridge, Reino Unido.
Sierra, B. 2006. Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos
utilizando el software Weka. Pearson-Prentice Hall, Madrid, España.
Silander, J. A. Jr. y Pacala, S. W. 1985. Neighborhood predoctores of plant performan-
ce. Oecologia 66: 256-263.
Silvertown, J. Holtier, S., Johnson, J. y Dale, P. 1992. Cellular automaton models of in-
terspecific competition for space – the effect of pattern on process. Journal of
Ecology 80: 527-534.
838 Bibliografía
Silvertown, J. y Wilson, J. B. 1994. Community structure in a desert perennial commu-

nity. Ecology 75: 409-417.
Simioni, G., Gignoux, J. y Le Roux, X. 2003. Tree layer spatial structure can affect
savanna production and water budget: results of a 3-d model. Ecology 84: 1879-
1894.
Singh, M., Malhotra, R.S., Ceccarelli, S., Sarker, A., Grando, S. y Erskine, W. 2003. Spa-
tial variability models to improve dryland field trials. Experimental Agriculture
39: 151-160.
Smith, B. M., Diaz, A., Winder, L. y Daniels, R. 2005. The effect of provenance on the
establishment and performance of Lotus corniculatus L. in a re-creation envi-
ronment. Biological Conservation 125: 37-46.
Smith, M. W., Smith, M. H. y Chesser, R. K. 1983. Biochemical genetics of mosquito-
fish, 1. Environmental correlates, and temporal and spatial heterogeneity of
allele frequencies within a river drainage. Copeia 1: 182-193.
Smith, P. G. 2004. Automated log-ratio analysis of compositional data: software suited
to analysis of habitat preference from radio tracking data. Bat Research News 45:
16.
Smyth, P. 1997. Belief networks, hidden Markov models, and Markov random fields:
A unifying view. Pattern Recognition Letters 18: 1261-1268.
Smyth, P., Heckerman, D. y Jordan, M.I. 1997. Probabilistic independence networks
for hidden Markov probability models. Neural Computation 9: 227-269.
Snow, B. y D. Snow. 1988. Birds and berries. Redwood Books, Trowbridge, Wilshire.
Sokal, R. R. y Oden, N. L. 1978. Spatial autocorrelation in biology 1. Methodology.
Biological Journal of the Linnean Society 10: 199-228.
SPSS. 2004. SPSS Trends 13.0. Spss Inc., Chicago, Estados Unidos.
Stauffer, D. F. 2002. Linking populations and habitats: where have we been? En: Pre-
dicting species occurrences (eds. Scott, J.M. et al.), pp: 53-62. Issues of accurancy and
scale. Island Press.
Stenger, R., Priesack, E. y Beese, F. 2002. Spatial variation of nitrate–N and related soil
properties at the plot-scale. Geoderma 105: 259-275.
Stevens, P. H. y Jenkins, D. G. 2000. Analyzing species ditributions among temporary
ponds with a permutation test approach to the join count statistic. Aquatic Eco-
logy 34: 91-99.
Stewart, A. J. A., John, E. A. y Hutchings, M. J. 2000. The world is heterogeneous: eco-
logical consequences of living in a patchy environment. En: The Ecological Con-
sequences of Environmental Heterogeneity (eds. Hutchings, J. M., John E. A. y
Stewart A. J. A.), pp. 1-8. Blackwell Science, Londres, Reino Unido.
Stinchcombe, M. and White, H. 1998. Consistent specification testing with nuisance
parameters present only under the alternative. Econometric Theory 14: 295-324.
Stoll, P. y Prati, D. 2001. Intraspecific aggregation alters competitive interactions in ex-
perimental plant communities. Ecology 82: 319-327.
Stowe, L. G. y Teeri, J. A. 1978. The Geographic Distribution of the C4 Species of the
Dicotyledonae in Relation to Climate. The American Naturalist 112 (985): 609-
623.
Bibliografía 839
Stoyan, D. y Penttinen, A. 2000. Recent applications of point process methods in fo-

restry statistics. Statistical Science 15: 61-78.
Stoyan, H., De-Polli, H., Bohm, S., Robertson, G. P. y Paul, E. A. 2000. Spatial heteroge-
neity of soil respiration and related properties at the plant scale. Plant and Soil
222: 203-214.
Stoyan, D. y Stoyan, H. 1994. Fractals, Random Shapes and Point Fields. Wiley, Chiches-
ter, Reino Unido.
Stratton, D. A. 1994. Genotype-by-environment interactions for fitness of Erigeron an-
nuus show fine-scale selective heterogeneity. Evolution 48: 1607-1618.
Stroup, W.W., Baenziger, P.S. y Mulitze, D.K. 1994. Removing spatial variation from
wheat yield trials: a comparison of methods. Crop Science 86: 62-66.
Su, J. C., Debinski, D. M., Jakubauskas, M. E. y Kindscher, K. 2004. Beyond species ri-
chness: Community similarity as a measure of cross-taxon congruence for
coarse-filter conservation. Conservation Biology 18: 167-173.
Sun, C., Ives, A. R., Kraeuter, H. J. y Moermond, T. C. 1997. Effectiveness of three tura-
cos as seed dispersers in a tropical montane forest. Oecologia 112: 94-103.
Suzuki, R.O., Kudoh, H. y Kachi. N. 2003. Spatial and temporal variations in mortality
of the biennial plant, Lysimachia rubida: effects of intraspecific competition and
environmental heterogeneity. Journal of Ecology 91: 114-125.
Swingle, W.T. 1916. The early European history and the botanical name of the tree-of-
heaven, Ailanthus altssima. Journal of the Washington Academy of Sciences 6: 409-
498.
Takeda, T. 1985. An investigation for the ocurrence of C4 photosynthesis in the cype-
raceae from Australia. Botanical Magazine 98: 393-411.
Tamura, R., Nelson, L. y Naderman, G. 1988. An investigation of validity and useful-
ness of trend analysis for field plot data. Agronomy Journal 80: 712-718.
Teeri, J. A., Stowe, L. G. y Livingstone, D. A. 1980. The distribution of C4 Species of the
Cyperaceae in North America in Relation to Climate. Oecologia 47: 307-310.
Tellería, J.L. y Pérez-Tris, J. 2007. Habitat effects on resource tracking ability: do winte-
ring Blackcaps Sylvia atricapilla track fruit availability? Ibis 149: 18-25.
Ter Braak, C. J. F. y Šmilauer, P. 2002. CANOCO Reference Manual and CanoDraw for Win-
dows User's Guide: Software for Canonical Community Ordination (version 4.5). Mi-
crocomputer Power. Ithaca, NY, Estados Unidos.
Ter Braak, C. J. R. y Schaffers, A. P. 2004. Co-correspondence analysis: a new ordina-
tion method to relate two community compositions. Ecology 85: 834-846.
Termorshuizen, J.W., Opdama, P. y Van den Brink, A. 2007. Incorporating ecological
sustainability into landscape planning. Landscape and Urban Planning 79: 374–
384
Terradas, J. 2001. Ecología de la vegetación. De la ecofisiología de las plantas a la dinámica de
comunidades y paisajes. Editorial Omega, Barcelona.
Terradas, J., Prat, N., Escarré, A. y Margalef, R. 1989. Sistemes Naturals. En: História
Natural dels Països Catalans. Enciclopedia Catalana S.A, Barcelona, España.
Terrones, B., Bonet, A., Carchano, R., Brotons, J. y Segura, M. 2006a. Cartografía de la
cubierta vegetal del Paque Natural del Carrascal de la Font Roja. Iberis 4: 73-87.
840 Bibliografía
Terrones, B., Constán-Nava, S., Bonet, A., Vizcaíno, N. y Climent, A. 2006b. Hábitat
disponible para la especie invasora Ailanthus altissima (Mill.) Swingle en el P.N.
del Carrascal de la Font Roja, Alicante. Congreso Nacional de Especies Exóti-
cas Invasoras. GEIB. León, España.
Thiery, J. M., D'Herbes, J. M. y Valentin, C. 1995. A model simulating the genesis of
banded vegetation patterns in Niger. Journal of Ecology 83: 497-507.
Thomas, C. F. G., Parkinson,L., Griffiths, G. J. K., García, A. F. y Marshall, E. J. P. 2001.
Aggregation and temporal stability of carabid beetle distributions in field and
hedgerow habitats. Journal of Applied Ecology 38: 100-116.
Thompson, J. N. 1994. The coevolutionary process. The University of Chicago Press. Chi-
cago, Estados Unidos.
Thompson, J. N. 1999. Specific hypothesis on the geographic mosaic evolution. The
American Naturalist 153: S1-S14.
Thor, G. y Arvidsson, L. 1999. Rödlistade lavar I Sverige-Artfakta. [Swedish Red Data Book
of Lichens]. Artdatabanken, SLU, Uppsala, Suecia.
Tieszen, L. L., Senyimba, M. M., Imbamba, S. K. y Troughton, J. H. 1979. The Distribu-
tion of C3 and C4 Grasses and Carbon Isotope Discrimination Along an Altitu-
dinal and Moisture Gradient in Kenya. Oecologia 37: 337-350.
Tilman D. 1980. Resources: a graphical-mechanistic approach to competition and
predation. American Naturalist 116: 362-393.
Tilman, D. 1982. Resource competition and community structure. Princeton University
Press, Princeton, Nueva Jersey, Estados Unidos.
Tilman, D. 1994. Competition and biodiversity in spatially structured habitats. Ecolo-
gy 75: 2-16.
Tilman, D., Knops, J., Wedin, D., Reich, P., Ritchie, M. y Siemann, E. 1997. The influen-
ce of functional diversity and composition on ecosystem processes. Science 277:
1300-1302.
Tilman, D. 2001. Effects of diversity and composition on grassland stability and pro-
ductivity. En: Ecology: Achievement and Challenge (eds Press, M. C., Huntly, N. J.
y Levin, S. A.), pp. 183–210. Blackwell Science, Oxford, Reino Unido.
Tilman, D. y Kareiva, P. (eds) (1997) Spatial Ecology: The Role of Space in Population Dyna-
mics and Interspecific Interactions. Princeton University Press, Princeton, Estados
Unidos.
Tilman, D., Wedin, D. y Knops, J. 1996. Productivity and sustainability influenced by
biodiversity in grassland ecosystems. Nature 379: 718-720.
Tirado, R. y Pugnaire, F. I. 2003. Shrub sapatial association and consequences for re-
productive success. Oecologia 136: 296-301.
Tischendorf, L. 2001. Can landscape indices predict ecological proceses consistently?
Landscape Ecology 16:235-354.
Tole, L. 2006. Choosing reserve sites probabilistically: A Colombian Amazon case stu-
dy. Ecological Modelling 194: 344-356.
Topp, G. C. y Davis, J. L. 1985. Measurement of soil water content using time-domain
reflectometry (TDR): a field evaluation. Soil Science Society of America Journal 49:
19-24.
Bibliografía 841
Torrence, C. y Compo, G. P. 1998. A practical guide to wavelet analysis. Bulletin of the

American Meteorological Society 79: 61-78.
Torres, E. 1999. Estudios de autoecología, biología reproductiva y estructura genética de Anti-
rrhinum microphyllum Rothm. (Scrophulariaceae). Evaluación de su estado de con-
servación. Tesis Doctoral, Universidad Politécnica de Madrid, Madrid.
Torres, E., Iriondo, J. M., Escudero, A. y Pérez, C. 2003. Analysis of within-populatoin
spatial genetic structure in Antirrhinum microphyllum (Scrophulariaceae). Ame-
rican Journal of Botany 90: 1688-1695.
Touissant, G. T. 1980. The relative neighbourhood graph of a finite planar set. Pattern
Recognition 12: 261-268.
Traveset, A. 1999. Effect of seed passage through vertebrate frugivores' guts on germi-
nation: a review. Perspectives in Ecology, Evolution and Systematics 1/2: 151-190.
Traveset, A. y Richardson, D. M. 2006. Biological invasions as disruptors of plant re-
productive mutualisms. Trends in Ecology and Evolution 21: 208-216.
Traveset, A. y Riera, N. 2005. Disruption of a plant-lizard seed dispersal system and its
ecological effects on a threatened endemic plant in the Balearic Islands. Conser-
vation Biology 19: 1-12.
Traveset, A. y Willson, M. F. 1997. Effects of birds and bears on seed germination of
fleshy-fruited plants in temperate rainforests of southeast Alaska. Oikos 80:89-
95.
Traveset, A., Gulias, J., Riera, N. y Mus, M. 2003. Transition probabilities from pollina-
tion to establishment in a rare dioecious shrub species (Rhamnus ludovici-salva-
tori) in two habitats. Journal of Ecology 91: 427-437.
Traveset, A., Robertson, A. W. y Rodríguez-Pérez, J. 2007. A review on the role of en-
dozoochory on seed germination. En: Seed dispersal. Theory and its implications
in a changing world. (eds. Dennis, A., Green, R., Schupp, E. W. y Westcott, D. A.).
CAB International, Wallingford, Nueva York, Estados Unidos.
Traveset, A., Rodríguez-Pérez, J. y Pías, B. 2008 Changes in seed traits in the digestive
tract of dispersers and consequences for emergence and seedling growth. Eco-
logy 89 : 95-106.
Traveset, A. y Santamaría, L. 2004. Alteración de mutualismos planta-animal debido a
la introducción de especies exóticas en ecosistemas insulares. En: Ecología Insu-
lar (ed. Fernandez Palacios, J. M.), pp. 251-276. Asociacion Española de Ecolo-
gia Terrestre, La Laguna, España.
Traveset, A. y Verdú, M. 2002. A meta-analysis of the effect of gut treatment on seed
germination. En: Seed dispersal and frugivory: ecology, evolution and conservation
(eds. Levey, D. J., Silva, W. R. y Galetti, M.), pp. 339-350. CAB International, Wa-
llingford, Reino Unido.
Trout, R. S., Langton, S., Smith, G. C. y Haines-Young, H. 2000. Factors affecting the
abundance of rabbits (Oryctolagus cuniculus) in England and Wales. Journal of
Zoology 252: 227-238.
Tuba, Z., Csintalan, Z. y Proctor, M. C. F. 1996. Photosynthetic responses of a moss,
Tortula ruralis, ssp. ruralis, and the lichens Cladonia convoluta and C. furcata to
water deficit and short periods of desiccation, and their ecophysiological signi-
842 Bibliografía
ficance: a baseline study at present-day CO2 concentration. New Phytologist

133: 353-361.
Tucker, B.C. y Anand, M. 2005. On the use of stationary versus hidden Markov mo-
dels to detect simple versus complex ecological dynamics. Ecological Modelling
185: 177–193.
Tucker, C. J. y Sellers, P. J. 1986. Satellite remote sensing of primary production. Inter-
national Journal of Remote Sensing 7: 1395-1416.
Tucker, C., Pinzon, J., Brown, M., Slayback, D., Pak, E., Mahoney, R., Vermote, E. y El
Saleous, N. 2005. An extended AVHRR 8-km NDVI dataset compatible with
MODIS and SPOT vegetation NDVI data. International Journal of Remote Sen-
sing 26: 4485–4498.
Tuomisto, H. y Ruokolainen, K. 2006. Analyzing or explaining beta diversity? Unders-
tanding the targets of different methods of analysis. Ecology 87: 2697-2708.
Tuomisto, H., Ruokolainen, K. y Yli-Halla, M. 2003 Dispersal environmentand floristic
variation of Western Amazonian forests. Science 299: 241-244.
Turecheck, W. W. y Madden, L. V. 1999. Spatial pattern of strawberry leaf blight in pe-
rennial production systems. Phytopathology 89: 421-433.
Turecheck, W. W. y Madden, L. V. 2000. Analysis of the association between the inci-
dence of two spatially aggregated foliar diseases of strawberry. Phytopathology
90: 157-170.
Turkington, R. y Harper, J. L. 1979. The growth, distribution and neighbor relations-
hips of Trifolium repens in a permanent pasture. I. Ordination, pattern and con-
tact. Journal of Ecology 67: 201-218.
Turner, M. G. 1990. Spatial and temporal analysis of landscape patterns. Landscape
Ecology 4: 21-30.
Turner, M. G. y Gardner, R. H. (eds.) 1991. Quantitative Methods in Landscape Ecology.
Springer Verlag, Nueva York, Estados Unidos. 536 pp.
Turner, M. G., Gardner, R. H. y O’neill, R. V. 2001. Landscape Ecology in Theory and Prac-
tice. Pattern and Process. Springer-Verlag, Nueva York, Estados Unidos.
Turner, M.G., O'Neill, R.V., Garner, R.H. y Milne, B.T. 1989. Effects of changing spatial
scale on the analysis of landscape pattern. Landscape Ecology 3: 153-163.
Uchmanski, J. y Grimm, V. 1996. Individual-based modelling in ecology: what makes
the difference? Trends in Ecology and Evolution 11: 437-441.
Ueno, O. y Takeda, T. 1992. Photosynthetic Pathways, Ecological Characteristics, and
the Geographical Distribution of the Cyperaceae in Japan. Oecologia 89: 195-
203.
Upton, G. J. G. y Fingleton, B. 1985. Spatial Data Analysis by Example. Volume 1: Point
Pattern and Quantitative Data. John Wiley & Sons, Chichester, Reino Unido.
Urban, D. L. 2005. Modelling ecological processes across scales. Ecology 86: 1996-2006.
Urban, D., Goslee, S., Pierce, K. y Lookingbill, T. 2002. Extending community ecology
to landscapes. Ecoscience 9: 200-212.
Valentin, C., d´ Herbes, J. M. y Poesen, J. 1999. Soil and water components of banded
vegetation patterns. Catena 37: 1-24.
Bibliografía 843
Valladares, F. y Guzmán, B. 2006. Canopy structure and spatial heterogeneity of un-

derstory light in an abandoned Holm Oak woodland. Annals of Forest Science
63: 1-13.
Van Cleve, K., Chapin, F. S., Dryness, C. T. y Vireck, L. A. 1991. Element cycling in taiga
forest: state-factor control. BioScience 41: 78-88.
Van der Maarel, E. 1976. On the establishment of plant community boundaries. Ber.
Deutsch. Bot. Ges. 89: 415-443.
Van der Maarel, E. 1990. Ecotones and ecoclines are different. Journal of Vegetation
Science 1:135-138.
Van der Pijl, L. 1982. Principles of dispersal of higher plants. Springer-Verlag, Berlin.
Van Horne, B. 1983. Density as a misleading indicator of habitat quality. Journal of Wil-
dlife Management 47: 893-901.
Van de Koppel, J., Bardgett, A., Bengtsson, R. J., Rodriguez-Barrueco, C., Rietkerk, M.,
Wassen, M. y Wolters, V. 2005. The effects of spatial scale on trophic interactio-
ns. Ecosystems 8: 801-807.
Van Leeuwen C. G. 1966. A relation theoretical approach to pattern and process in ve-
getation. Wentia 15: 25-46.
Van Lieshout, M.N.M. y Baddeley, A.J. 1996. A nonparametric measure of spatial inte-
raction in point patterns. Statistica Neerlandica 50: 344-361
Van Lieshout, M.N.M. y Baddeley, A.J. 1999. Indices of dependence between types in
multivariate point patterns. Scandinavian Journal of Statistics 26: 511-532.
Van Oost, K., Goves, G. y Desment, P. 2000. Evaluating the effects of landscape struc-
ture on soil erosion by water and tillage. Landscape Ecology 15:577-589.
Vanacker, V., Molina, A., Govers, G., Poesen, J., Dercon, G., Deckers, S. 2005. River
channel response to short-term human-induced change in landscape connec-
tivity in Andean ecosystems. Geomorphology 72: 340-353.
Vázquez, A. y Moreno, J. M. 2001. Spatial distribution of forest fires in Sierra de Gre-
dos (Central Spain). Forest Ecology and Management, Volume 147, Issue 1, 55-65.
Veldkamp, A. y Lambin, E. 2001. Predicting land-use change. Agriculture Ecosystems
and Environment Vol. 85: Nos. 1-3
Venable, D. L. y Brown, J. S. 1988. The selective interactions of dispersal, dormancy,
and seed size as adaptations for reducing risk in variable environments. Ameri-
can Naturalist 131: 360-384.
Venables, W.N. y Ripley, B. D. 2002. Modern Applied Statistics with S. 4ª ed. Springer-
Verlag, Nueva York, Estados Unidos.
Ver Hoef, J. M., y Cressie N. 2001. Spatial statistics: analysis of field experiments. En:
Design and analysis of ecological experiments, Second edition (eds. Scheiner S.M. y
Gurevitch J.), pp. 289–307. Oxford University Press, Nueva York, Estados Uni-
dos.
Ver Hoef, J.M., y Cressie, N. 1997. Using hidden Markov chains and empirical Bayes
change-point estimation for transect data. Environmental and Ecological Statis-
tics 4: 247-264.
Verburg, P.H. y Veldkamp A. 2005. Introduction to the Special Issue on Spatial mode-
ling to explore land use dynamics. International Journal of Geographic Information
Science 19: 99-102
844 Bibliografía
Verdú, M. y Traveset, A. 2004. Bridging meta-analysis and the comparative method: a

test of seed size effect on germination after frugivores gut passage. Oecologia
138: 414-418.
Verdú, M. y Traveset, A. 2005. Early emergence enhances plant fitness: a phylogeneti-
cally controlled meta-analysis. Ecology 86: 1385-1394.
Ver Hoef, J. M. y Cuessie, N. A. C. 1997. Using hidden Markov chains and empirical Bayes
change-point estimation for trausect data. Environmental and Ecological statistics. 4 :
247-264.
Ver Hoef, J.M. y Cressie, N.A.C. 2001. Spatial statistics: analysis of field experiments.
En: Design and analysis of ecological experiments. Second edition. (eds. Scheiner,
S.M. y Gurevitch, J.), pp. 289-307. Oxford University Press, Nueva York, Esta-
dos Unidos.
Vernier, P.R., Schmiegelow, F.K.A. y Cumming, S.G. 2002. Modelling bird abundance
from forest inventory data in the boreal mixed-wood forest of Canada. En: Pre-
dicting species occurrences. Issues of accurancy and scale (eds. Scott, J.M. et al.), pp:
559-572. Island Press.
Villafuerte, R. 1994. Riesgo de predación y estrategias defensivas del conejo, Oryctolagus
cuniculus, en el Parque Nacional de Doñana. Tesis Doctoral, Universidad de Cór-
doba.
Villafuerte, R. y Moreno, S. 1997. Predation risk, cover type, and group size in Euro-
pean rabbits in Doñana (SW Spain). Acta Theriologica 42: 225-230.
Villafuerte, R., Calvete, C., Blanco, J.C. y Lucientes, J. 1995. Incidence of viral hemorr-
hagic disease in wild rabbit populations in Spain. Mammalia 59: 651–659.
Viovy, N. y Saint, G. 1994. Hidden Markov Models Applied to Vegetation Dynamics
Analysis Using Satellite Remote Sensing. IEEE Transactions on Geoscience and
Remote Sensing 32: 906-917.
Visser, I., Raijmakers M.E.J. y Molenaar P.C.M. 2000. Confidence intervals for hidden
Markov model parameters. British Journal of Mathematical and Statistical Psycho-
logy 53: 317–327.
Visser, I., Raijmakers, M.E.J. y Molenaar, P.C.M. 2002. Fitting hidden Markov models
to psychological data. Scientific Programming 10: 185–199.
Viterbi, A.J. 1967. Error bounds for convolutional codes and an asymptotically opti-
mal decoding algorithm. IEEE Transactions on Information Theory 13: 260-269.
Vitousek, P. M. y Hooper, D. U. 1993. Biological diversity and terrestrial ecosystem
biogeochemistry. Biological Diversity and Ecosystem Function. En: (eds. Schulze,
D. y Money, H. A.), pp. p. 3-14. Springer-Verlag, Berlín, Alemania.
Voogd, H. 1983. Multicriteria Evaluation for Urban and Regional Planning. Pion Ltd.,
Londres, Reino Unido.
Vormisto, J., Svenning, J.-C., Hall, P. y Balslev, H. 2004. Diversity and dominance in
palm (Arecaceae) communities in terra firme forests in the western Amazon
basin. Journal of Ecology 92: 577-588.
Waggoner, P. y Stephens, G. 1970. Transition probabilities for a forest. Nature 225:
1160-1161.
Wagner, H. H. 2003. Spatial covariance in plant communities: integrating ordination,
geostatistics, and variance testing. Ecology 84: 1045-1057.
Bibliografía 845
Wagner, H. H. 2004. Direct multi-scale ordination with canonical correspondence

analysis. Ecology 85: 342-351.
Wagner, H. H. y Fortin M.-J. 2005. Spatial analysis of landscapes: concepts and statis-
tics. Ecology 86: 1975-1987.
Wainwright, J., Parsons, A. J. y Abrahams, A. D. 2000. Plot-scale studies of vegetation,
overland flow and erosion interactions: case studies from Arizona and New
Mexico. Hydrological Processes 14: 2921–2943.
Waisel, J. 1972. Biology of halophytes. Academic Press. Londres, Reino Unido.
Walker, P.A. y Cocks, P.A. 1991. HABITAT: a procedure for modelling a disjoint envi-
ronmental envelope for a plant or animal species. Global Ecology and Biogeogra-
phy Letters 1: 108-118.
Wallinga, J., Groeneveld, R. M. W. y Lotz, L. A. P. 1998. Measures that describe weed
spatial patterns at different levels of resolution and their applications for patch
spraying of weeds. Weed Research 38: 351-359.
Walsh, S.J. y Crews-Meyer, K.A. 2002. Linking people, place, and policy. A GIScience appro-
ach. Kluwer Academic Publishers, Dordrecht, Holanda.
Ward, M. J. y Paton, D. C. 2007. Predicting mistletoe seed shadow and patterns of
seed rain from movements of the mistletoebird, Dicaeum hirundinaceum. Aus-
tral Ecology 32: 113-121.
Wardle, D. A., Bonner, K. I y Barker, G. M. 2000. Stability of ecosystem properties in
response to above-ground functional group richness and composition. Oikos
89: 11-23.
Watt, A. S. 1947. Pattern and process in plant community. Journal of Ecology 12: 1-22.
Webb, S. L. y Wilson, M. F. 1985. Spatial heterogeneity in post-dispersal predation on
Prunus and Uvularia seeds. Oecologia 67: 150-153.
Webster, R. 1973. Automatic soil-boundary location from transect data. Mathematical
Geology 5: 27-37.
Webster, R. 1985. Quantitative spatial analysis of soil in the field. Advances in Soil
Science 3: 1-70.
Webster, R. 2001. Statistics to support soil research and their presentation. European
Journal of Soil Science 52: 331-340.
Webster, R. y Boag, B. 1992. Geostatistical analysis of cyst nematodes in soil. Journal of
Soil Science 43: 583-595.
Webster, R. y Oliver, M. A. 1990. Statistical Methods For Land Resource Survey. Oxford
University Press, Oxford.
Webster, R. y Oliver, M. A. 1992. Sample adequately to estimate variograms of soil
properties. Journal of Soil Science 43: 177-192.
Webster, R. y Oliver, M. A. 1997. Software review. European Journal of Soil Science 48:
173-175.
Webster, R. y Oliver, M. A. 2001. Geostatistics for Environmental Scientists. John Wiley &
Sons, Chichester, Reino Unido.
Webster, R., Atteia, O. y Dubois J. P. 1994. Coregionalization of trace metals in the soil
in the Swiss Jura. European Journal of Soil Science 45: 205–218.
846 Bibliografía
Weerts, H. J. T. y Bierkens, M. F. P. 1993. Geostatistical Analysis of Over Bank Deposits

of Anatomising and Meandering Fluvial Systems; Rhine-Meuse Delta, The
Netherlands. Sedimentary Geology 85: 221-232.
Wehncke, E. V., Hubbell, S. P., Foster, R. B. y Dalling, J. W. 2003. Seed dispersal patterns
produced by white-faced monkeys: implications for the dispersal limitation of
neotropical tree species. Journal of Ecology 91: 677-685.
Wei, X., Kimmins, J. P. y Zhou, G. 2003. Disturbances and the sustainability of long-
term site productivity in lodgepole pine forests in the central interior of British
Columbia – an ecosystem modeling approach. Ecological Modeling 164: 239-256.
Weider, L. J. 1989. Spatial heterogeneity and clonal structure in artic populations of
apomictic Daphnia. Ecology 70: 1405-1413.
Welham, C., Seely, B. y Kimmins, H. 2002. The utility of the two-pass harvesting sys-
tem: an analysis using the ecosystem simulation model FORECAST. Canadian
Journal of Forest Research 32: 1071-1079.
Welham, C., Seely, B., Van Rees, K. y Kimmins, H. 2007. Projected long-term producti-
vity in Saskatchewan hybrid poplar plantations: weed competition and fertili-
zer effects. Canadian Journal of Forest Research 37 : 356-370.
Wenny, D. G. y Levey, D. J. 1998. Directed seed dispersal by bellbirds in a tropical clo-
ud forest. Proceedings of the National Academy of Science 95: 6204-6207.
Wentworth, T. R. 1983. Distribution of C4 plants along environmental and composi-
tional gradients in southeastern Arizona. Vegetatio 52:21-34.
Werner, M. 2001. Shuttle Radar Topography Mission (SRTM), Mission overview. Jour-
nal of Telecomunication (Frequenz) 55: 75-79.
Wesche, K., Hensen, I. y Undrakh, R. 2006, Range-wide analysis provides evidence of
natural isolation among populations of the Mongolian endemic Potentilla ikon-
nikovii Juz. (Rosaceae). Plant Species Biology 21: 155-163.
Wescott, D. A. y Graham, D. L. 2000. Patterns of movement and seed dispersal of a
tropical frugivore. Oecologia 102: 249-257.
West, N. E. 1990. Structure and function of mycrophytic soil crusts in wildland
ecosystems of arid to semi-arid regions. Advances in Ecological Research 20: 179-
223.
Westcott, D. A., Bentrupperbäumer, J., Bradford, M. G. y McKeown, A. 2005. Incorpo-
rating patterns of disperser behaviour into models of seed dispersal and its
effects on estimated dispersal curves. Oecologia 146: 57-67.
Western, A. W., Blöschl, G. y Grayson, R. B. 2001. Toward capturing hydrologically
significant connectivity in spatial patterns. Water Resources Research 37: 83-97.
Westphal, C., Steffan Dewenter, I. y Tscharntke, T. 2006. Bumblebee experience lands-
capes at different spatial scales: possible implications for coexistence. Oecologia
149: 289-300.
Whisenant, S. G. 1999. Repairing Damaged Wildlands. Cambridge University Press,
Cambridge.
Whitford, P. B. 1949. Distribution of woodland plants in relation with succession and
clonal growth. Ecology 30: 199-208.
Whittaker, R. H. 1960, Vegetation of the Siskiyou Mountains, Oregon and California.
Ecological Monographs 30: 279-338.
Bibliografía 847
Whittingham, M.J., Wilson, J. D. y Donald, P.F. 2003. Do habitat associations models

have any generality? Predicting skylark Alauda arvensis abundance in different
regions of southern England. Ecography 26: 521-531.
Wiegand, T. y Moloney, K. A. 2004. Rings, circles and null-models for point pattern
analysis in ecology. Oikos 104: 209-229
Wiegand, T., Camarero, J. J., Rüger, N. y Gutiérrez, E. 2006. Abrupt population chan-
ges in treeline ecotones along smooth gradients. Journal of Ecology 94: 880-892.
Wiegand, T., Kissling, W.D., Cipriotti, P.A. y Aguiar, M.R. 2006. Extending point pat-
tern analysis to objects of finite size and irregular shape. Journal of Ecology 94:
825-837.
Wiens, J. A. 1976. Population responses to patchy environment. Annual Review of Eco-
logy, Evolution, and Systematics 7: 81-120.
Wiens, J. A. 1989. Spatial scaling in ecology. Functional Ecology 3: 385-397.
Wiens, J. A. 1999a. Toward an unified landscape ecology. En: Issues in Landscape Ecolo-
gy (eds. Wiens, J.A. y Moss, M.R.), pp. 148-151. 5th IALE-World Congress. So-
nowmass, Estados Unidos.
Wiens, J. A. 1999b. Landscape Ecology – scalling from mechanism to management.
En: Perspectives in Ecology (ed. Farina, A), pp. 13-24. Backhuys Publishers, Lei-
den.
Wiens, J. A. 2000. Ecological heterogeneity: an ontogeny of concepts and approaches.
En: The Ecological Consequences of Environmental Heterogeneity (eds. Hutchings,
M. J., John, E. A. y Stewart, A. J. A.), pp. 9-32. Blackwell Science, Cambridge.
Wiens, J. A. 2002. Predicting species occurrences: progress, problems, and prospects.
En: Predicting species occurrences. Issues of accurancy and scale (eds. Scott, J. M. et
al.), pp. 739-750. Island Press.
Wiens, J. A., Crawford, C. S. y Gosz, J. R. 1985. Boundary dynamics: a conceptual fra-
mework for studying landscape ecosystems. Oikos 45: 421-427.
Wilcox, B. P. 2003. Ecohydrology of a semiarid woodland. Ecological Monographs
73:192-223.
Wilkinson, G.N., Eckert, S.R., Hancock, T.W. y Mayo, O. 1983. Nearest neighbour
(NN) analysis of field experiments. Journal of the Royal Statistical Society. Series B
45: 151-211.
Williams, E.R. 1986. A neighbour model for field experiments. Biometrika 73: 279-287.
Wilsey, B. J. y Polley, W. 2004. Realistically low species evenness does not alter grass-
land species-richness–productivity relationships. Ecology 85: 2693-2700.
Wilsey, B. J. y Potvin, C. 2000. Biodiversity and ecosystem functioning: importance of
species evenness in an old field. Ecology 81: 887-892.
Wilson, J. B. y Agnew, A. D. Q. 1992. Positive-feedback switches in plant communities.
Advances in Ecological Research 23: 263-336.
Wilson, M. F. 1993. Dispersal mode, seed shadows and colonization patterns. Vegetatio
107/108: 261-280.
Wilson, S. D. 2000. Heterogeneity, diversity and scale in plant communities. En: The
Ecological Consequences of Environmental Heterogeneity (eds. Hutchings, M. J., Jo-
hn, E. A. y Stewart, A. J. A.), pp. 53-70. Blackwell Science, Cambridge, Reino
Unido.
848 Bibliografía
Wilson, W. G. y Nisbet, R. M. 1997. Cooperation and competition along smooth envi-

ronmental gradients. Ecology 78: 2004-2017.
Wilson, W. G., Nisbet, R. M., Ross, A. H., Robles, C. y Desharnais, R. A. 1996. Abrupt
population changes along smooth environmental gradients. Bulletin of Mathe-
matical Biology 58: 907-922.
Winder, L., Alexander, C., Holland, J. M., Woolley C. y Perry, J. N. 2001. Modelling the
dynamic spatio-temporal response of predators to transient prey patches in
the field. Ecology Letters 4: 568-576.
Winder, L., Perry, J. N. y Holland, J. M. 1999. The spatial and temporal distribution of
the grain aphid Sitobion avenae in winter wheat. Entomologia Experimentalis et
Applicata 93: 277-290.
Winters-Hilt, S. 2006. Hidden Markov model variants and their application. BMC Bio-
informatics 7 (Supl. 2): S14.
Womble, W. H. 1951. Differential systematics. Science 114: 315-322.
Woodcock, B. A., Pywell, R. F., Roy, D. B., Rose, R. J. y Bell, D. (2005) Grazing manage-
ment of calcareous grasslands and its implication for the conservation of beetle
communities. Biological Conservation 125: 193-202.
Wootton, J. 2001. Prediction in complex communities: analysis of empirically derived
markov models. Ecology 82: 580-598.
Wright, S. J., Stoner, K. E., Beckman, N., Corlett, R. T., Dirzo R., Muller-Landau H. C.,
Núñez-Iturri G., Peres C. A. y Wang,B. C. 2007 The plight of large animals in
tropical forests and the consequences for plant regeneration. Biotropica 39: 289-
291.
Wu, J. y Hobbs, R. 2002. Key issues and research priorities in landscape ecology: An
idiosyncratic synthesis. Landscape Ecology 17:355-365.
Wu, J. y Loucks, O. L. 1995. From balance of nature to hierarchical patch dynamics: a
paradigm shift in ecology. The Quaterly Review of Biology 70: 439-466.
Wu, J. y H. Li. 2006. Concepts of scale and scaling. En: Scaling and uncertainty analysis
in ecology: methods and applications (eds. Wu, J., Jones, K. B., Li, H. y Loucks O.
L.), pp. 3-15. Springer-Verlag, Nueva York, Estados Unidos.
Wu, T. y Dutilleul, P. 1999. Validity and efficiency of neighbor analyses in comparison
with classical complete and incomplete block analyses of field experiments.
Agronomy Journal. 91: 721-731.
Wu, X. B., Thurow, L. y Whisenant, G. 2000. Fragmentation and changes in hydrolo-
gic function of tiger bush landscapes, south-west Niger. Journal of Ecology 88:
790-800.
Xu, M. y Qi, Y. 2001. Soil-surface CO2 efflux and its spatial and temporal variations in
a young ponderosa pine plantation in northern California. Global Change Biolo-
gy 7: 667-677.
Xu, X. M. y Madden, L. V. 2003. Considerations for the use of SADIE statistics to quan-
tify spatial patterns. Ecography 26: 821-830.
Xu, X. M. y Madden, L. V. 2005. Interrelationships among SADIE indices for characte-
rizing spatial patterns of organisms. Phytopathology 95: 874-883.
Yamamura, N. 1976. A mathematical approach to spatial distribution and temporal
succession in plant communities. Bulletin of Mathematical Biology 38: 517-526.
Bibliografía 849
Yang, R.-C., Ye, T., Blade, S. y Bandara, M. 2004. Efficiency of spatial analyses of field
pea variety trials. Crop Science 44: 49-55.
Yankelevich, S., Fragoso, C., Newton, A., Russell, G. y Heal, O. 2006. Spatial patchi-
ness of litter, nutrients and macroinvertebrates during secondary sucesión in a
Tropical Montane Cloud Forest in Mexico. Plant and Soil 286: 123-139.
Yates, F. 1936. A new method of arranging variety trials involving a large number of
varieties. Journal of Agricultural Science 26: 424-455.
Zaady, E., Gutterman, Y. y Boeken, B. 1997. The germination of mucilaginous seeds of
Plantago coronopus, Reboudia pinnata, and Carrichtera annua on cyanobacterial
soil crust from the Negev Desert. Plant and Soil 190: 247-252.
Zaniewski, A. E., Lehmann, A. y Overton, J. M. 2002. Predicting species spatial distri-
buctions using presence-only data: a case study of native New Zealand ferns.
Ecological Modelling 157: 261-280.
Zas, R. 2006a. Consecuencias de la estructura espacial de los datos en el diseño y aná-
lisis de experimentos en campo. Ecosistemas 2006/3: URL: http://www.revistae-
cosistemas.net/articulo.asp?Id=434&Id_categoria=431&tipo=portada.
Zas, R. 2006b. Iterative kriging for removing spatial autocorrelation in analysis of fo-
rest genetic trials. Tree Genetics & Genomics 2: 177-186.
Zas, R. 2008. The impact of spatial heterogeneity on selection: a case study on Pinus
pinaster breeding seedling orchards. Canadian Journal of Forest Research 38 : 114-
124.
Zas, R., Merlo, E. y Fernández-López, J. 2004. Genetic parameter estimates for Mariti-
me pine in the Atlantic coast of North-west Spain. Forest Genetics 11: 45-53.
Zas, R., Solla, A. y Sampedro, L. 2007. Variography and kriging allow screening Pinus
pinaster resistant to Armillaria ostoyae in field conditions. Forestry 80: 201-209.
Zavala, M., Díaz-Sierra, R., Purves, D., Zea, G. y Urbieta, I. 2006. Modelos Espacial-
mente Explícitos. Ecosistemas. http://www.revistaecosistemas.net/articu-
lo.asp?Id=437&Id_ Categoria=1&tipo=portada
Zimmerman, D.L. y Harville, D.A. 1991. A random field approach to the analysis of
field-plot experiments and other spatial experiments. Biometrics 47: 223-239.
Zonneveld, I. 1989a. The land unit – A fundamental concept in landscape ecology,
and its applications. Landscape Ecology 3:67-86.
Zonneveld, I.S. 1989b. Perceived land use patterns and landscape values. Landscape
Ecology 1:37-45.
Zonneveld, I.S. 1990. Scope and Concepts of Landscape Ecology as an Emerging
Science. En: Changing landscapes: An Ecological perspective (eds. Zonneveld, I.S. y
Forman R.T.T.), pp. 1-20. Springer-Verlag, Nueva York, Estados Unidos.
Zúñiga, B., Malda, G. y Suzan, H. 2005. Planta-nodriza interactions in Lophophora di-
ffusa (Cactaceae) in a subtropial desert in México. Biotropica 37: 351-356.

Garcia 2008 Scale Libro

Cargado por

Copyright:

Formatos disponibles

Garcia 2008 Scale Libro

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Garcia 2008 Scale Libro

Cargado por

Copyright:

Formatos disponibles

Introducción

Editorial DYKINSON, S.L.

Besing Servicios Gráficos, S.L.

La escala espacial se define como la dimensión física de un objeto o proceso en el

“La escala no es una cosa, la escala es la dimensión física de una cosa”

O´Neill y King (1998)

2.1. LA ESCALA ESPACIAL EN ECOLOGÍA

2.1.1. ¿Qué es la escala espacial?

La escala espacial se define como la dimensión física de un objeto o

nes diferentes a distintas escalas espaciales, al estar regulado por mecanis-

ciones ambientales. A lo largo del capítulo, haré especial hincapié en el

2.1.2. Escala, niveles de organización biológica y niveles de

El desarrollo del concepto de escala en Ecología se relaciona directa-

como medida, al observar la misma. En segundo lugar, los ajustes intuiti-

Ante la situación de confusión terminológica y conceptual entre escala

Además de los niveles de organización, existen otras categorizaciones

nizadores, frugívoros, agallíferos y depredadores de semillas, en los que

Figura 2.2. Niveles de heterogeneidad estructural (frutos, infrutescencias, plantas individua-

pequeños rodales de suelo con o sin hojarasca y herbáceas), hábitats (áreas

2.2. LA ESCALA EN EL ANÁLISIS ESPACIAL (O EL ANÁLISIS DE LA

2.2.1. ¿Por qué analizar la escala espacial?

El interés analítico de los ecólogos en relación a la escala obedece al menos

munidades ecológicas, en función de las diferencias entre especies en la escala

mana, y el uso exponencial de los recursos naturales, afectan al resto de la

2.2.2. Escala-dependencia y dominios de escala

El proceso de escalamiento se consigue al realizar observaciones de un

de mecanismos hacia la dominancia de otros, como ocurre en las transicio-

2.2.3. Parámetros analíticos de escala espacial

Para evaluar la importancia de la escala en el análisis espacial de datos

como en los diseños basados en niveles anidados de heterogeneidad estruc-

El establecimiento de las dimensiones reales de los parámetros de es-

2.2.4. La escala espacial de los patrones ecológicos

El primer objetivo de los ecólogos es describir la forma de los patrones

Para detectar la escala espacial de los fenómenos ecológicos desarrolla-

La estadística espacial ofrece diversas herramientas que, partiendo en

Legendre 1998; Capítulos 5 y 6). También se pueden aplicar métodos basa-

Por otra parte, en los modelos de análisis espacialmente implícitos in-

bitats difieren fuertemente en abundancia del objeto (gris: 4,85+0,19ES;

2.2.5. Desglose de variación espacial pluriescalar

En el apartado 2.2.4 se han expuesto varios ejemplos donde la variación

El recientemente desarrollado Análisis de Coordenadas Principales de

El segundo paso del PCNM es extraer la varianza espacial de las varia-

El tercer paso del PCNM es desglosar la varianza espacial a distintas

vos correspondientes a cada escala (Fig. 2.8). Estos submodelos espaciales

En el caso de los diseños pluriescalares basados en niveles de heteroge-

ran a escala de las plantas individuales (p. ej. su edad, la disponibilidad de

2.2.6. La escala espacial de los procesos ecológicos: covariación

Tras estudiar la variación pluriescalar de los parámetros ecológicos, el

des vegetales, esperando encontrar una relación positiva entre diversidad y

te detectaremos una covariación diversidad-productividad a escala geo-

Los estadísticos espaciales explícitos mencionados en el apartado 2.2.4

2.2.6.1. Escalamiento sin desglose de varianza espacial

Una primera forma de evaluar el cambio en la covariación de dos paráme-

seriformes de los géneros Sylvia y Turdus) en la cuenca del Guadalquivir (S

ró como unidades las muestras quincenales de cada parcela. Para evaluar la

Otras covariaciones pluriescalares pretenden evaluar cómo la relación

tótica. Esto sugería que el efecto de la fragmentación a la hora de reducir la

2.2.6.2. Escalamiento con desglose de varianza espacial

Para evitar los problemas de interpretación asociados a la acumula-

abundancia de aves (Fig. 2.12B). En dicho caso, un análisis de regresión