(Home page)
Julio 2013

SÍNTESIS METODOLÓGICA TRANSDISCIPLINARIA EN SISTEMAS COMPLEJOS

Parte 7

    l) LOS MODELOS DE PRÓNOSTICO Y SU PROBLEMÁTICA
    m) CIENCIA, PREDICCIÓN Y ENTENDIMIENTO EN EL MUNDO MODERNO DE LA COMPLEJIDAD


    Dr. Walter Ritter Ortíz

    INDICE
    PRÓLOGO
    I.- ANTECEDENTES METODOLÓGICOS
    EL PROBLEMA POR RESOLVER

    1. EL MUNDO COMO SISTEMA
    2. ELEMENTOS CRÍTICOS TRANSDISCIPLINARIOS EN CIENCIA Y HUMANIDADES Y EL ANÁLISIS DE SISTEMAS
    3. PROPÓSITOS Y REALIDADES DEL PARADIGMA ECOLÓGICO SISTÉMICO
    4. DINÁMICA GENERAL DE LOS SISTEMAS PRODUCTIVOS Y SITUACIÓN ACTUAL DE SU PRONÓSTICO.
    5. ESTUDIO INTEGRAL DE SIMULACIÓN Y PREDICCIÓN DE ESCENARIOS EN SISTEMAS ECOLÓGICOS CON ENFOQUE SISTÉMICO.
    6. DELIMITACIÓN DEL SISTEMA E IDENTIFICACIÓN DE PARÁMETROS EN LA SIMULACION DE ESCENARIOS.
    7. SOBRE EL PRONÓSTICO EN LOS SISTEMAS FÍSICO CLIMÁTICOS Y BIOLÓGICOS PRODUCTIVOS, POSIBILIDADES Y LIMITACIONES.
    8. BIOCLIMATOLOGÍA; UNA CIENCIA DE LA COMPLEJIDAD SISTÉMICA
    9. SIMULACIÓN DE PROBLEMAS DE TIPO BIOCLIMÁTICO
    10. INTEGRACIÓN DEL IMPACTO AMBIENTAL EN LA TRAMA SOCIOECONÓMICA.
    11. EL CLIMA COMO SISTEMA COMPLEJO ADAPTATIVO EN COEVOLUCIÓN
    12. LOS MODELOS DE PRÓNOSTICO Y SU PROBLEMÁTICA
    13. CIENCIA, PREDICCIÓN Y ENTENDIMIENTO EN EL MUNDO MODERNO DE LA COMPLEJIDAD
    14. LA ENSEÑANZA DE LA CLIMATOLOGÍA DESDE LA PERSPECTIVA DE LA TEORÍA GENERAL DE SISTEMAS.
    15. PLANIFICANDO EL FUTURO

    l. LOS MODELOS DE PRÓNOSTICO Y SU PROBLEMÁTICA

    Walter Ritter Ortiz1, Vicente Barros2, Marco Salas Flores 3, Lorena Cruz Martínez 4

    1 Sección de Bioclimatología, Centro de Ciencias de la Atmósfera, UNAM. Circuito Exterior s/n, Ciudad Universitaria, Deleg. Coyoacan, México, D. F. walter@atmosfera.unam.mx,

    2 Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires, Argentina, barros@cima.fcen.uba.ar

    3 Instituto Politécnico Nacional (IPN). masf212@hotmail.com

    4 Universidad de Veracruz (UV). lorena-cruz@hotmail.com

     

     

    INTRODUCCIÓN

    El abordaje de la meteorología, como en otras ciencias, requiere de construir modelos basados sobre consideraciones teóricas, utilizando datos medidos como entrada de la información inicial.

    Por lo tanto, la construcción de modelos a partir de principios teóricos y leyes fundamentales, ha sido y continúa siendo el área de mayor importancia para los investigadores.

    Hoy en día la modelación para el pronóstico del tiempo atmosférico (así como la predicción del clima), es un proceso de solución a sistemas de ecuaciones diferenciales, describiendo un problema de dinámica de fluidos.

    Mientras tanto, los problemas aumentan cuando se incorporan los datos medidos y son usados como datos de entrada en los modelos: esto se debe a que las mediciones rutinarias en amplias localizaciones proveen de un solo estado inicial discreto, y las especificaciones correctas, demandan condiciones iniciales en un volumen tridimensional (Elsner y Sonics, 1992).

    El problema de pronosticar el estado del tiempo, se debe a que no es un sistema periódico, y los valores iniciales continuos sólo representan el estado presente de la atmósfera. Al recurrir a la modelación de sistemas dinámicos implica sacrificar la precisión en aras de la simplicidad y la economía estructural (Smith, 1998).

    Se puede considerar que los métodos lineales presentan una limitación en el área predictiva, relacionada a su inhabilidad para modelar dinámicas de retroalimentación en el tiempo atmosférico y sistemas climáticos (Farmer y Sidorowich, 1987).

    Una alternativa es la construcción de modelos directamente desde los datos disponibles. Para estos métodos, los datos son usados como series de tiempo, considerados como realizaciones únicas de procesos determinísticos y aleatorios continuos (Pandit y Yu, 1983).

    Tomando tales consideraciones se utiliza la dinámica de sistemas, la cual puede ser descrita en términos geométricos y las variables dependientes como coordenadas en un espacio multidimensional en el espacio (Lorenz, 1984).

    En consecuencia, la teoría del caos se transforma en una herramienta con gran potencial para obtener información acerca de las estructuras formadas directamente desde los datos medidos, en lugar de partir de los modelos.

    Recientes trabajos han dado la posibilidad de usar ciertas ideas de la teoría de sistemas dinámicos no lineales, para el estudio del tiempo atmosférico y clima (Nicollis y Nicollis, 1984; Fraedrich, 1986; Sharifi et al., 1990; Elsner y Tsonics, 1992; Hastings, 1993; Porporato y Ridolfi, 1997), sugiriendo que el conocimiento de la dinámica de sistemas, junto a las estructura de los atractores (dimensiones y exponentes de Lyapunov) pueden presentar potencialidades en las predicciones de corto plazo.

    Por lo tanto, de conceptos y herramientas y a partir del estudio del caos, podrán obtenerse nuevas aproximaciones a la comprensión sobre el estado del tiempo y el clima, de lo cual podría conducir a un pronóstico mejorado en el futuro.

    No obstante, la variabilidad climática es la manifestación de una dinámica caótica descrita por un atractor de dimensión fractal, que puede ser analizada por las metodologías modernas de la dinámica de sistemas.

    La teoría del caos aplicada al estudio de la dinámica de la atmósfera, se ha convertido en una técnica controversial, al proponer una nueva forma de pronóstico a partir de atractores, los cuales son conceptos matemáticos simples aplicados a sistemas físicos y que siguen algún tipo de patrón reconocible, aún siendo sistemas muy complicados y aleatorios.

    Para comprender el comportamiento de la atmósfera, incluyendo sus variaciones, es necesario analizarla e interpretarla en su carácter histórico de coevolución, ya que interactúa como un sistema homeostático que presenta procesos cíclicos.

    En donde, sus manifestaciones coevolutivas catastróficas han tenido una influencia determinante en el clima y la evolución de los seres vivientes (Ritter et al., 2005).

    En la antigüedad, como hoy en día, el clima ha sido un factor determinante en el desarrollo del hombre ya que éste depende fuertemente de la productividad en sus actividades a desarrollar (agricultura, ganadería, pesca, etc.). En consecuencia, las pérdidas económicas pueden ser cuantiosas y atribuidas a la falta de conocimiento de la variabilidad del clima.

    No obstante, la producción también es influenciada por otros factores como son los biológicos, económicos, sociales y hasta políticos.

    Por lo tanto, la precipitación se ha convertido en una variable atmosférica muy importante en el desarrollo de la agricultura en México, la cual debe de ser analizada desde su base y a partir de las condiciones regionales (Ritter et al., 1998); y sobre la consideración de que su comportamiento es muy variable, que lo hace muy difícil de conocer y predecir.

     

    1.- SISTEMAS DINÁMICOS NO-LINEALES

    Los sistemas dinámicos son aquellos que cambian con el tiempo, los cuales pueden ser explicados por medio de ecuaciones dinámicas y estructuras matemáticas; o bien, pueden ser representados como trayectorias de espacios de fases caracterizados por su capacidad de percibir la evolución del sistema en el tiempo.

    La teoría del caos, forma parte del estudio general de los modelos dinámicos, interesada fundamentalmente en el comportamiento de sistemas no lineales o de los sistemas disipativos, los cuales exhiben atractores, y sensibilidad a las condiciones iniciales (Smith, 1998).

    Donde, los atractores son oscilaciones dinámicas que eventualmente se encuentran en equilibrio (Vandermeer, 1981).

    Los sistemas caóticos, matemáticamente se definen como una aleatoriedad generada por la simple dinámica de los sistemas determinísticos, que permiten ver el orden en los procesos que parecen ser totalmente aleatorios (Tsonics y Elsner, 1989).

    La no-linearidad es una característica de la evolución de los fenómenos naturales, como es la precipitación, donde largos periodos de estabilidad son intercalados con oscilaciones aparentemente aleatorias en épocas de inestabilidad.

    Las bifurcaciones catastróficas resultan en súbitas apariciones y desapariciones de atractores estáticos, ya sean periódicos o caóticos, y son la clase de transformaciones que mantienen los sistemas en evolución y que incluyen desde especies a sistemas ecológicos y climáticos (Ritter et al., 2000).

    Los métodos lineales de pronóstico en las series de tiempo presentan por otra parte limitaciones. Cuando la linealidad es muy marcada, los efectos de retrazo entre sus elementos tienden a ser muy pequeños, presentándose puntos de equilibrio estable donde se exhiben procesos de bifurcaciones, así como puntos estables donde los valores oscilan en ciclos y periodicidades fácilmente identificables (May, 1976).

    Mientras tanto, cuando las razones de crecimiento del sistema rebasan cierto límite, los ciclos estables entran en situaciones de comportamiento caótico, los cuales son prácticamente imposibles de predecir.

    En este caso, la dinámica observada del sistema es pronósticable por medio del modelo logístico determinístico, quien presenta las descripciones más exacta del proceso, incluso sobre bases probabilísticas, o estocásticas.

    Los sistemas dinámicos pueden ser utilizados para seguir trayectorias de corto plazo, donde además se puede extraer información de largo plazo sobre el comportamiento general de las trayectorias, según sus giros en torno a los atractores.

    Por lo tanto, los modelos caóticos (que tienen regímenes caóticos, para al menos algunos valores de los parámetros) pueden presentar situaciones deseables en los sistemas predictivos (Smith, 1998).

    Sabemos que para un sistema con muchos grados de libertad, la estadística es lo más deseable. Sin embargo, un comportamiento irregular puede ser resultado de un caos de baja dimensión, es decir de procesos de modelos no lineales.

    El resultado más importante de la teoría de los sistemas dinámicos, es el descubrimiento de que el comportamiento complejo e impredecible no necesariamente se debe a la presencia de un gran número de grados de libertad, sugiriendo que los atractores extraños pueden caracterizarse por medio de series finitas de tiempo, como es factible observar en un sistema dinámico.

    Estas nuevas metodologías de pronóstico estadístico no-lineal utilizan series de tiempo, y construyen los modelos directamente de los datos disponibles, donde las series de tiempo son consideradas como realizaciones únicas de procesos aleatorios continuos (Nicollis y Nicollis, 1984).

    Donde, la aleatoriedad es un resultado de interacciones complejas participando muchas variables o muchos grados de libertad.

    Las trayectorias de los espacios de fases, son resultados de una variable en el tiempo N(t) y un retraso de la misma N(t+1), lo cual describe una dinámica determinística del sistema para un sistema con un grado de libertad.

    Los sistemas dinámicos, como la precipitación, son caracterizados por la atracción de sus trayectorias hacia un objeto geométrico llamado atractor, el cual ocupa una reducida porción del espacio de fases (Rodríguez-Iturbe et al., 1989). Y al mismo tiempo, está formado por trayectorias que eventualmente convergen y permanecen sobre el espacio total disponible.

    En tanto, cuando un atractor muestra una dimensión fraccional es llamado "atractor extraño", el cual es altamente sensible a las condiciones iniciales y tiene la propiedad de que el sistema decae o es atraído a un estado final, pero es extremadamente complejo y no es periódico, de hecho es caótico y pseudoaleatorio, de tal forma que es la solución de un conjunto de ecuaciones determinísticas, mostrando que el sistema es no lineal y determinístico (Suárez, 2004).

    Debido a su gran sensibilidad a las condiciones iniciales, puede llevarnos a patrones completamente diferentes al sistema con tan solo pequeñas perturbaciones, derivándose así grandes efectos, conocidos como efectos mariposa (Lorenz, 1963).

    Los atractores extraños también son llamados sistemas caóticos, donde sus trayectorias nunca se repiten, su evolución es aperiódica pero completamente determinística, sus señales son irregulares y exhiben energía en todas las frecuencias dentro del espectro de banda ancha (Elsner y Tsonics, 1992).

    Una vez que el atractor extraño ha sido identificado, puede ser cuantificado al calcular varias medidas como la de su dimensión y su exponente de Lyapunov (Ritter, et al., 1998).

    Los atractores son capaces de formar múltiples invariantes de los sistemas dinámicos, dependiendo de los períodos que sean analizados, los cuales frecuentemente tienen baja dimensionalidad (entre 4 y 5) sobre todo para atractores climáticos (Fraedrich, 1986).

    Mientras que, la estabilidad de un sistema puede ser determinada por las oscilaciones en las trayectorias en los espacios de fases, las cuales pueden ser oscilaciones estables e inestables.

    Las oscilaciones estables presentan un decrecimiento en su amplitud hasta localizarse en un punto de equilibrio; y en las oscilaciones inestables se presenta un ligero movimiento del punto de equilibrio que lleva a oscilaciones que se alejan cada vez más del punto de equilibrio; es decir, producen trayectorias que nunca regresan a un ciclo permanente (Vandermeer, 1981).

    La predictabilidad de los sistemas está relacionada al problema de su estabilidad.

    De tal manera, que un sistema dinámico puede ser amplificado por influencias estocásticas iniciadas desde el medio externo, sin generar ruido o caos (Deissler y Doyne, 1992).

    La estabilidad tanto local como global, pueden causar ruido ambiental y ser amplificadas a proporciones macroscópicas.

    Las inestabilidades locales causan fluctuaciones temporalmente amplificadas en el espacio de fases (May, 1976; May y Oster, 1976).

    El caos determinístico se refiere a ecuaciones diferenciales sin aleatoriedad.

    Algunas simplificaciones, tienden a omitir factores estocásticos afectando el sistema.

    Ambos, el sistema por si mismo y las perturbaciones externas, contribuyen a la impredictabilidad del sistema (Sugihara y May, 1990).

    En la actualidad, es sabido que tanto los procesos estocásticos, como los determinísticos son difíciles de identificar en la información histórica de la precipitación.

    Sin embargo, la precipitación presenta por lo general una gran dispersión de valores, de tal forma que exhibe movimientos parecidos a sistemas estocásticos, aún siendo un sistema determinístico.

    Los procesos estocásticos son los que proporcionan la incertidumbre de los valores en el sistema por medio de eventos de probabilidad (Schifter, 1996).

    Existen problemas en la ciencia donde es necesario identificar y separar el caos determinístico del estocástico.

    Sin embargo, el caos determinístico es derivable desde su misma fuente de valores, por la dinámica de sistemas descrita por ecuaciones diferenciales no lineales.

    En comportamientos caóticos las ecuaciones dinámicas determinísticas no lineales, son posibles de ser generadas de las propiedades internas intrínsecas del sistema que se diferencian ellos mismos como efectos controlados y no controlados o fluctuaciones estocásticas.

     

    2.- INDICES DE PREDICTABILIDAD

    La teoría de sistemas dinámicos por medio de los sistemas caóticos, los sistemas disipativos, conjuntos de fractales, atractores extraños, etc., representan alternativas para el pronóstico.

    Los espacios de fases forman trayectorias que esporádicamente convergen, creando oscilaciones en forma de espiral en torno a un atractor. Sobre estas condiciones, se pueden calcular algunos parámetros indispensables para realizar el pronóstico como son el exponente de Lyapunov, la dimensión de capacidad y los eigenvalores.

    El exponente de Lyapunov, proporciona una medida de la tasa promedio de divergencia de las trayectorias en el espacio de fases de un atractor (es la velocidad con que se separan o comprimen las trayectorias).

    Demostrando que, el límite de predictabilidad del comportamiento del sistema a largo plazo, es dado por el inverso del exponente de Lyapunov (Nicolis, 1987; Rodríguez-Iturbe et al., 1989).

    No obstante, también señala la medida de sensibilidad a cambios de las condiciones iniciales del sistema, lo que conceptualmente es apropiado para señalar a los sistemas determinísticos (Rodríguez-Iturbe et al., 1989).

    Si el exponente de Lyapunov es negativo, las trayectorias poco separadas en el inicio tenderán a converger y la evolución no será caótica.

    Por el contrario, si el exponente es positivo las trayectorias divergen y la evolución es sensible a las condiciones iniciales y por lo tanto, es caótica (Schifter, 1996).

    Entonces, cualquier sistema que contenga al menos un exponente de Lyapunov positivo, se define como caótico.

    En tanto, ordenando los exponentes de mayor a menor se pueden conocer las características del atractor (Poveda, 1997):

    Si al menos un exponente es menor que cero, el atractor es un punto.

    Si el exponente es igual a cero, el atractor es un ciclo limite estable.

    Si los dos primeros exponentes son igual a cero y los demás negativos, el atractor es un toroide bidimensional.

    Si al menos un exponente es positivo, el atractor es extraño, indicando una divergencia exponencial de las trayectorias en el atractor, lo cual genera una extrema sensibilidad a las condiciones iniciales.

    La presencia de exponentes de Lyapunov positivos, implican la divergencia de trayectorias cercanas y por lo tanto, presencia de una dinámica caótica.

    Aunque, del mismo modo, se involucran en la amplificación del ruido y la producción espontánea de nueva información macroscópica a través de la amplificación de pequeñas fluctuaciones externas (Deissler y Doyne, 1992).

    En el cual, tal comportamiento puede ser confundido con caos determinístico (Hastings et al., 1993).

    La dimensión, es una medida de la complejidad de la trayectoria del espacio de fases, donde para obtener una medida exacta de la dimensión de un atractor es teóricamente necesario envolverlo en un espacio de dimensión de al menos 2d+1, donde d es la dimensión integral que contiene el atractor.

    Hay varias formas de definir la dimensión de un atractor, y la más simple es la "dimensión de capacidad", la cual describe la geometría de la dimensión del atractor, sin considerar que tan frecuente la trayectoria visita la región del atractor (Ritter et al., 1998).

    La dimensión del atractor, refleja la dinámica del sistema.

    Cuando d=1 las oscilaciones son autoexcitadas y periódicas; si d=2 son oscilaciones cuasiperiódicas; mientras que, si d>2 entonces el sistema presenta oscilaciones de comportamiento caótico, con imposibilidad de calcular (id.).

    La dimensión de un número fraccional, indica que el atractor es un fractal, el cual nos provee de un número mínimo de grados de libertad que se necesitan, para reproducir la dinámica del sistema en escalas de tiempo muy cortas (Tsonics y Elsner, 1989).

    Por lo tanto, la determinación de la dimensión, fractal o no, indica el número de variables y ecuaciones que debería de satisfacer un modelo para predecir la evolución de un sistema.

    El hecho de que las dimensiones sean variables para diferentes tiempos de escala, puede indicar que los atractores analizados y su predictabilidad son diferentes en función de la escala de tiempo, y sólo muestra una parte de un atractor mayor (Tsonics y Elsner, 1988).

    De tal modo, se puede considerar que el atractor no es de baja dimensión, sino que la atmósfera es un sistema complementado de subsistemas de baja dimensión (Lorenz, 1991).

    Varios investigadores señalan que la baja dimensionalidad implica más estructura, y por lo tanto, mayor predictabilidad del sistema.

    Aunque para otros, son dudosos dichos análisis, debido a que los datos son pobres y ruidosos; atribuyendo la existencia de atractores extraños, más a las ecuaciones matemáticas que al comportamiento meteorológico (Pool, 1989).

    En diversos trabajos se estiman dimensiones fractales del tiempo atmosférico, en los que su magnitud se encuentra entre 3 y 4, en el caso de que la variabilidad interanual y los cambios estacionales sean eliminados (Elsner y Tsonics, 1987; Essex et al., 1987); mientras que la variabilidad del clima revela dimensiones entre 4 y 5, en el atractor climático (Nicolis y Nicolis, 1984; Fraedrich, 1986).

    Mientras tanto, los eigenvalores son la proyección de las raíces medias cuadráticas de las coordenadas n-dimensionales de retrazo a los eigenvectores ortogonales, y representan un método natural de resolver la nube de valores puntuales en un espacio dimensional superior (Wilks, 1995); es decir, es otra forma de describir la variabilidad o comportamiento del sistema.

    Los comportamientos dinámicos se pueden determinar a partir de las trayectorias de los espacios de fases, y al mismo tiempo, por su dimensión.

    Por lo tanto, los sistemas dinámicos caóticos además de que no son predictivamente inútiles, se emplean para seguir trayectorias a corto plazo, y de esta forma se puede deducir información a largo plazo sobre el comportamiento general de las trayectorias, según éstas giren entorno a los atractores (Smith, 1998).

    De lo cual, se pueden obtener diferentes conductas dinámicas, establecidos por el equilibrio del sistema como:

    Ciclo límite: Si la trayectoria se coloca dentro de varios puntos, indicando movimiento periódico y predictabilidad.

    Cuasi-periódico: Resulta cuando el período de las oscilaciones es irregular así que la solución nunca se repite exactamente y las trayectorias forman una elipse o toro.

    Caótico: Indica la formación de un atractor extraño, y por lo tanto, revela dinámica caótica, mostrando una elipse alargada e inclinada.

    Las razones de que un sistema se convierta en irregular, aperiódico o ruidoso es por su caos determinístico, lo cual genera ruido directamente desde su dinámica interna, sin necesidad de perturbaciones externas y, la otra opción es el comportamiento estocástico (Deissler y Doyne, 1992).

     

    3.- OBJETIVOS

    Los modelos de predicción numérica aplicados a la precipitación representan una posible alternativa dirigida al comportamiento de esta variable para un futuro; donde existe la incertidumbre de que sus métodos sean total y realmente efectivos; ya que aún no es posible incluir todos los factores físicos relacionados al comportamiento espacio-temporal de la precipitación.

    Por lo mismo, se propone un análisis de sistemas complejos dinámicos no-lineales tratando de encontrar los elementos que intervienen en dicho comportamiento.

    Así como, conseguir un patrón o estructura derivada de la ecuación logística capaz de simular el comportamiento de la precipitación observada, para finalmente aplicarlo en un pronóstico a corto plazo.

     

    4.- HIPÓTESIS

    En ecología, la estabilidad o inestabilidad de un ecosistema, es determinada por el balance entre el potencial de recuperación biológica y la magnitud del efecto destabilizante de las fluctuaciones del ambiente.

    Por lo tanto, se propone que el comportamiento de la precipitación depende fuertemente de la magnitud de las perturbaciones internas y externas del medio, entre las cuales la orografía y otros elementos climáticos así cómo la deforestación o el cambio de uso de suelo y otros muchos más, son factores indirectos que producen variabilidad.

    BIBLIOGRAFÍA

    Altieri, Miguel (1995) Agroecology, Westview, Boulder, Colorado.

    Baltimore, David (2001) Our genome unveiled, Nature.

    Brown, Lester ( 1981) Building a Sustainable Society, Norton NY.

    Capra, Fritjof (1982) The Turning Point, Simon & Schuster, NY.

    Comisión Mundial para el Medio Ambiente y el Desarrollo (1987), Our Common Future, Oxford University Press, NY.

    Forrester, J. W. Industrial dynamics. Cambridge, Mass., US, The MIT Press.

    Grant, W. E. 1986. Systems analysis and simulation in wildlife and fisheries sciences. New York, John Wiley.

    Grant, W. E., Marín, S. L. y Pedersen, E. K. 2001. Ecología y manejo de recursos naturales: análisis de sistemas y simulación. Editorial Agroamérica. San José, Costa Rica. 340 p.

    Ho, Mae-Wan(1998a) Genetic Engineering-Dream or Nightmare?, Gateway Books, Bath.

    Margulis, Lynn (1998a) Symbiotic Planet, Basic Books, NY.

    Maturana, Humberto y Francisco Varela (1987) The Tree of Knowledge, Shambhada, Boston.

    Ritter, O. W., P. Mosiño, A. y R. Patiño M. 2000. Predicción y naturaleza. Ciencia y Desarrollo. Volumen XXVI. No. 153.

    Ritter, O. W., P. Mosiño, A. y R. Klimek. 2000. Una visión estadística no-lineal de El Niño, simulación y posible pronóstico. Ciencia y Mar. Volumen IV. No. 10: 29-37 pp.

    Ritter, O. W., Guzmán, S. R., Sánchez-Santillán, N., Suárez, J., Corona, C., Muñoz, H., Ramos, A. Rodríguez, R. y Pérez, T. 2002. El clima como sistema complejo adaptativo en coevolución. Ciencia y Mar. Volumen VI. No. 17: 23-35 pp.

    Shiva, Vandana (2000) The world on the Edge, en Hutton y Giddens.

    Steinbrecher, Ricarda (1998) What is Wrong With Nature?, Resurgence.

    Stewart, Ian (1998) Life`s Other Secret. John Wiley.

     

     

    m. CIENCIA, PREDICCIÓN Y ENTENDIMIENTO EN EL MUNDO MODERNO DE LA COMPLEJIDAD

    Walter Ritter Ortiz, 1 Ricardo Klimek Gamas, 2 Jaime Yamamoto 3.

    1. Sección de Bioclimatología, Centro de Ciencias de la Atmósfera, UNAM. Circuito Exterior s/n, Ciudad Universitaria, Deleg. Coyoacan, México, D. F. walter@atmosfera.unam.mx.

    2.  Universidad del Mar (UMAR), Puerto Angel, Oaxaca

    3. Instituto de Geofísica, UNAM. Circuito Exterior s/n, Ciudad Universitaria, Deleg. Coyoacan, México, D. F

     

    INTRODUCCIÓN

    Cada vez un mayor número de científicos percibe que un nuevo paradigma está tomando forma y esto puede afirmarse no sólo a nivel de los fenómenos macroscópicos, sino también a nivel microscópico y en la vasta escala de la cosmología moderna.

    En los últimos 300 años, la ciencia ha estado dominada por el paradigma cartesiano-newtoniano, donde las disciplinas científicas describen al universo como un sistema mecánico de infinita complejidad en el que interactúan partículas aisladas y objetos separados.

    Donde la materia es algo sólido, inerte, pasiva e inconsciente.

    La vida, la conciencia y la inteligencia creadora son accidentes no significativos derivados del desarrollo de la materia, que emergieron luego de que ésta evolucionara durante millones de años en forma mecánica y aleatoria, y sólo en una porción insignificante de un universo inmenso.

    La descripción del mundo de Newton es rigurosamente determinista; en ella el futuro y el pasado pueden construirse, si se proporciona suficiente información.

    Una vez dadas las condiciones en cualquier coordenada del espacio-tiempo, puede calcularse toda la historia y el futuro del universo.

    Se carece inherentemente de la capacidad de explicar muchas clases de procesos irreversibles.

    Este universo se asemeja a una gigantesca supermáquina gobernada por cadenas lineales de causas y efectos y es estrictamente determinista, donde una de las piedras angulares es la premisa de que si conociéramos todos los factores que operan en el presente, se podría reconstruir con exactitud cualquier situación del pasado, o predecir cualquier suceso del futuro; lo cual no puede ser demostrado científicamente y la misma complejidad del universo impide su verificación práctica.

    El modelo mecanicista del universo tuvo tanto éxito en sus aplicaciones tecnológicas prácticas, que pasó a ser el prototipo ideal del pensamiento científico.

    Pese a su gran prestigio, el paradigma mecanicista se ha convertido en un verdadero obstáculo que impide seriamente una mayor evolución del saber humano.

    El desarrollo de la física del siglo XX ha puesto en tela de juicio y trascendido cada uno de los postulados del modelo cartesiano-newtoniano.

    Sorprendentes exploraciones del macro y micromundo han creado una imagen de la realidad que es enteramente distinta de la ciencia mecanicista.

    La relatividad general substituye a la física newtoniana a una escala cosmológica; pero en el reino de las partículas elementales, átomos y moléculas, la teoría cuántica es la que la substituye.

    El mundo cuántico y el relativista están llenos de problemas y paradojas.

    La ecuación de Schroedinger se acepta como base de una mecánica nueva, fundamental, en la cual la interpretación de Born significaba que en lugar de predecir exactamente los fenómenos a nivel atómico o subatómico, solamente se puede hablar de probabilidades de que ocurran.

    La interpretación de la función de onda comúnmente aceptada, mina el concepto de causalidad, la noción con siglos de antigüedad que unía la causa al efecto.

    El mundo que se observa parece independientemente real pero, sin embargo, está suspendido sobre un mundo microscópico irreal.

    De la interpretación de la mecánica cuántica existe un número infinito de posibles resultados, de los cuales justamente uno, se hace realidad cuando estalla la función de onda.

    La visión de Einstein de una realidad determinista plenamente descrita por la ciencia, es una quimera engañosa provocada por nuestros puntos de vista basados en el sentido común.

    El universo de la física moderna no es un mecanismo de relojería, sino una red amplificada de sucesos y relaciones.

    Es posible así observar analogías, desplazamientos y correspondencias.

    Actualmente la biología ya no es un modelo físico en el sentido de la antigua mecánica.

    Después de inspirarse en la mecánica, la física y la química, basados en modelos geométricos, toma ahora elementos inspirada en el modelo termodinámico y en la teoría de la información.

    La visión cuántico-relativista formula las críticas más convenientes y radicales a la cosmovisión mecanicista, pero también otras ciencias han inspirado importantes revisiones, sobre todo por los avances de la cibernética, la teoría general de sistemas y la teoría de los tipos lógicos.

    Uno de los logros más destacados de la filosofía de la ciencia es la aceptación del hecho de que las teorías científicas no son otra cosa que modelos conceptuales destinados a ordenar datos, que en un momento determinado se tienen, a cerca de la realidad.

    Son sólo aproximaciones útiles a la realidad, no deben ser confundidos con una descripción correcta de la realidad misma.

    Confundirlas representa una violación al pensamiento científico.

    Dado que siempre es posible formular más de una teoría que dé cuenta de los datos disponibles, el problema consiste en hallar una -que sea lo bastante amplia para incorporar las premisas básicas de la filosofía.

    Complementariedad, es aquel orden que supone que las partes encajan en un todo y que el todo requiere de las partes:

    El cosmos evoluciona según leyes que son válidas universalmente y que por tanto, generan una armonía universal.

    Existe un orden en la creación, donde el mundo de la materia y el de la vida están gobernados por las mismas leyes universales, aunque el común de los mortales sólo puede percibir la creación bajo la forma de sistemas restringidos.

    Las nuevas ciencias de los sistemas fuera del estado de equilibrio dan una visión nueva de la naturaleza de la realidad, donde el hombre y la sociedad forman parte de la evolución.

    Estos sistemas se desenvuelven tanto en el mundo físico como en el biológico y el social.

    La manera en que los sistemas dinámicos responden a los cambios desestabilizadores de su medio es de la mayor importancia para entender la dinámica de la evolución en los diversos dominios en la naturaleza.

    Es así imperativo que el planeta Tierra sea considerado como una unidad por parte de estadistas, tecnólogos, meteorólogos, biólogos y sociólogos, y sea administrado como un sistema ecológico integrado.

    La pérdida de diversidad, aumento de entropía y superespecialización significan asimismo pérdida de la cultura interdisciplinaria y fragmentación del saber.

    Los estudios geológicos, meteorológicos, ecológicos, oceanográficos y biológicos en general, han hecho ahora evidente, con gran claridad, que la vida de cada organismo en particular es parte de un proceso a gran escala que involucra el metabolismo de todo el planeta.

    La actividad biológica es una propiedad planetaria, una continua interacción de atmósfera, océanos, plantas, animales, microorganismos, moléculas, energía y materia que forman un todo global.

    El papel de cada uno de estos componentes es esencial para el mantenimiento de la vida.

    El ambiente y los organismos vivientes están ligados entre sí, y son inseparables de la única unidad de procesos planetarios.

    La Tierra y el hombre son dos complementarios de un sistema cibernético, donde cada uno modifica al otro en un continuo acto de creación.

    Ecología es lo mismo que termodinámica, y tanto las leyes termodinámicas en la física como en la biología, reinan de manera suprema y absoluta.

    La concepción de entropía debe considerarse como la más grande contribución del siglo XIX al pensamiento científico.

    Cada día es más común y frecuente expresar manifestaciones de relación entre diferentes ramas de la ciencia.

    Es necesario recrear las condiciones para una recomposición de la unidad de la ciencia, favoreciendo la investigación interdisciplinaria.

    Cuanto más se especializa y se profundizan los conocimientos en un determinado campo, tanto más se corre el peligro de equivocarse, porque llegan a faltar las correlaciones entre los varios sistemas y las varias ciencias.

    Cuanto más distancia exista entre las ciencias, tanto más se corre el riesgo de equivocarse por superficialidad.

    Biólogos destacados han permitido superar el viejo mecanismo del siglo XIX y situar el lugar de la creatividad y del azar en el proceso de estudio y análisis de los problemas.

    En el ajuste de los parámetros que condicionan el comportamiento de la materia se llega al equilibrio autocontrolado que hace eficaz la acción azarosa, de lo cual surge lo nuevo y lo inédito.

    La vieja hipótesis "mecanicista" se derrumba: no podemos conocer el futuro porque se alberga insuficiente información.

    Por lo mismo, limitado del conocimiento sobre la naturaleza, se hace imposible predecir el futuro; si todo fuera predecible, no habría distinción entre pasado y futuro: no habría tiempo real.

    Precisamente hay tiempo real en la medida en que no todo está predeterminado a priori, en la medida en que hay indeterminismo; en la medida en que el futuro es, a cada instante impredecible, puesto que la información es siempre limitada.

    El nuevo paradigma destaca la importancia de lo aleatorio, de lo irreversible, el carácter creativo de la naturaleza misma, un poco en concordancia con la idea de una autoorganización espontánea.

    En la mayoría de los casos, los cambios inducidos por el ambiente no pueden predecirse con absoluta certeza, si no que tienden más bien a ser probabilísticos, es decir, estadísticamente predecibles únicamente dentro de ciertos límites.

    Además, se puede decir que no existe un mecanismo único que pueda explicar los cambios observados, ya que cualquiera de ellos refleja más bien, la totalidad de las respuestas de todas las partes; no hay un mecanismo único fundamental al cual puedan ser reducidas las respuestas y en virtud del cual puedan explicarse.

    En los niveles más fundamentales, todos los efectos reflejan el estado de la totalidad; y en última instancia, en un nivel en que trascienden los conceptos tradicionales de causalidad.

    Las propiedades de los modelos básicos sólo pueden entenderse dentro de un contexto dinámico, en términos de movimiento, interacción y transformación.

    Nunca se puede saber de antemano cuándo ni cómo van a ocurrir estos fenómenos. Sólo se puede predecir la probabilidad de que lo hagan, lo cual no significa que actúen de forma arbitraria, sino que los originan causas limitadas.

    El comportamiento de una parte está determinada por las conexiones ilimitadas que ésta tiene con el conjunto; y puesto que es imposible saber con precisión cuáles son estas conexiones, hay que reemplazar la visión clásica y parcial de causa y efecto por un concepto más amplio de causalidad.

    La ciencia no sería posible si no se pudiera proceder en etapas parciales. Aunque habitamos en un universo repleto de sistemas complejos, somos capaces de filtrar una amplia gama de procesos físicos que son predecibles y matemáticamente tratables.

    Las que se creían leyes independientes muchas veces resultan estar relacionadas entre sí, por lo que es de esperarse que un día no lejano, la convergencia entre ellas se conseguirá por completo y se llegará a una descripción perfectamente unificada de todas las leyes de la naturaleza.

    Es difícil que la mente humana pueda clasificar y comprender todos los tipos diferentes de complejidad que se producen en los grandes sistemas, sin embargo, los avances en las matemáticas nos brinda ciertas perspectivas de comprensión.

    Las leyes de la naturaleza son consideradas como leyes estadísticas, donde las probabilidades de que ocurran ciertos fenómenos están determinadas por la dinámica de todo el sistema, es el todo lo que determina el comportamiento de las partes.

    A menos que aprendamos a considerar las totalidades y apreciemos la tendencia de la naturaleza hacia formas de organización cada vez más elevadas, no seremos capaces de encontrar un sentido a los descubrimientos científicos que vayan teniendo lugar en el futuro.

    La globalidad es una característica fundamental del universo, producto de la tendencia de la naturaleza a sintetizar.

    El holismo es auto-creador y sus estructuras finales son más holísticas que las estructuras iniciales.

    Esas totalidades y esas uniones son dinámicas, evolutivas y creativas, tienden hacia niveles de complejidad e integración cada vez más elevados.

    El análisis de sistemas ocupa un lugar importante en el pensamiento científico tecnológico.

    Se trata de un esfuerzo de aprehensión totalizadora del conjunto de los fenómenos con el fin de sistematizar su dominio y, más particularmente, organizar el conocimiento en función de un objetivo.

    Todas las variantes del análisis sistemático tienen una meta común: la integración de los diferentes campos científicos por medio de una metodología unificada de conceptualización.

    En cuanto al aspecto teórico, los biólogos han formulado una aproximación sistemática con objeto de superar la alternativa mecánico-vitalista que hace años estaba en pleno apogeo.

    Los matemáticos hicieron de ella un modelo porque ofrecía -más allá del punto de vista de las organizaciones complejas-posibilidades de operatividad, por lo que sedujo a científicos y tecnócratas e influyó con su filosofía social.

    Proporcionó a los científicos un modelo general y unificado de representación del mundo, ya se tratara de disciplinas como la biología o de las ciencias exactas en general.

    Se trata de un modelo puramente analógico y de un simple vocabulario que permita abordar, sin transición, la máquina o el organismo, la vida biológica o la vida social.

    Dejando de lado los modelos orgánicos y mecánicos considerados inapropiados para el análisis de los sistemas sociales, se vuelve hacia los principios cibernéticos de control.

    Toma de la teoría de la información y de la teoría de los juegos sus conceptos; y de la biología, su metafísica y su filosofía social.

    La naturaleza no puede ser reducida a entidades fundamentales, ya que el mundo no puede ser comprendido como un ensamblaje de entidades que no pueden desglosarse más.

    En la nueva visión del mundo, el universo está considerado como una trama dinámica de sucesos relacionados entre sí.

    Ninguna de las propiedades de cualquier parte de esta trama es fundamental; todas ellas siguen el ejemplo de las propiedades de las demás partes; y la consistencia total de sus interacciones mutuas, determinan la estructura de todo el entramado. Y como consecuencia, se debe abandonar otra idea que ha sido parte esencial de la ciencia natural durante cientos de años.

    El carácter incompleto de una teoría se refleja generalmente en sus parámetros arbitrarios o constantes fundamentales: es decir, en cantidades cuyos valores numéricos no son explicados por la teoría, si no que han de ser insertados dentro de ella después de que éstos se han determinado de forma empírica.

    De esta manera, deberíamos acercarnos a la situación ideal, que quizá jamás sea alcanzada, donde la teoría no contenga constantes fundamentales no explicadas y en donde todas sus leyes, cumplan el requisito de la total auto-consistencia.

    Desde hace tiempo se sabe que vivimos en un mundo pluralista en el que tienen lugar tanto fenómenos deterministas como estocásticos.

    Es un mundo de inestabilidades y fluctuaciones y éstas son, en última instancia, las responsables de la sorprendente variedad y riqueza de formas y estructuras que se observan en la naturaleza alrededor nuestro.

    El problema de la complejidad desde el punto de vista de la moderna teoría de los sistemas dinámicos, sirve para discutir algunos mecanismos gracias a los cuales los sistemas no lineales, sacados del equilibrio, pueden generar inestabilidades que, a su vez, dan lugar a bifurcaciones y ruptura de simetría.

    Los fenómenos complejos que aparece en el marco de sistemas físico químicos y biológicos, así como en el mundo microscópico, conducen a una serie de conceptos tales como no equilibrio, estabilidad, bifurcación y orden de gran escala.

    El pensamiento complejo aspira al conocimiento multidimensional, pero sabe, desde el principio, que la totalidad implica el reconocimiento de un principio de incomplitud y de incertidumbre.

    Lo simple no existe; sólo existe lo simplificado, por lo que lo complejo debe concebirse como elemento primario de la naturaleza.

    El cosmos es un proceso de desintegración y al mismo tiempo de organización; y la vida no es una sustancia sino un fenómeno de auto-eco-organización extraordinariamente complejo que produce autonomía.

    Con Wienner y Ashby, la complejidad entra en escena en la ciencia, y con Von Neumann el concepto de complejidad aparece enlazado con los fenómenos de autoorganización.

    El organicismo quiso ver en la sociedad una analogía del organismo animal, investigando las equivalencias entre vida biológica y vida social; sin embargo, la autoorganización está más allá de las posibilidades de la cibernética, teoría de sistemas y teoría de la información.

    El mayor de todos los logros de la ciencia del siglo XX ha sido del descubrimiento de la ignorancia humana.

    La fuente principal de nuestra ignorancia es el hecho de que nuestro conocimiento sea finito, mientras que nuestra ignorancia es necesariamente infinita.

    Si se dedicara una página para describir a cada sistema estelar de la Vía Láctea, se obtendría un volumen de tal tamaño que tan sólo ojearlo utilizando un segundo por página nos tomaría en total más de 10,000 años y hay más de 100,000 millones de galaxias.

    No hay y no habrá nunca una descripción científica completa y comprensiva del universo cuya validez pueda demostrarse.

    La idea de una "ciencia última" que describa objetivamente la realidad es incluso contradictoria; toda observación es relativa al punto de vista del observador (Einstein);

    Toda observación afecta el fenómeno observado (Heissenberg);

    Ningún sistema puede probar los axiomas en que se basa (Godel);

    Sólo lograríamos saber algo del mundo en su totalidad si pudiéramos salir fuera de él (Wittgenstein).

    Ninguna observación posee valor absoluto (Stapp).

    No se puede prever que aspecto ofrecerá nuestra tierra después de esta fase de transición.

    Sin embargo, está claro que la ciencia será cada día más importante para nuestros esfuerzos por afrontar los retos que se nos plantean en cuanto a la comprensión y la modificación de la totalidad de nuestro entorno.

    Ya desde finales del siglo, aumenta cada vez más el número de los que creen que muchos procesos fundamentales que estructuran la naturaleza son irreversibles y estocásticos, que las leyes deterministas y reversibles no contienen toda la verdad.

    Esto nos lleva a una nueva imagen diferente a la concepción mecánica del mundo.

    Este cambio es tan fundamental que se puede hablar de un nuevo dialogo entre hombres y naturaleza.

     

    BIBLIOGRAFÍA

    Bibliografía Complementaria

    • Bertalanffy, L. V. (1968). General System Theory, Brazilier, Nueva York.
    • Cannon, W. B. (1929). Organization for physiological homeostasis, Physiological Review, 9, 399-431.
    • Boulding, K. E. (1985). The world as a total system. Thousand Oaks, Beverly Hills: Sage Publications.
    • Bunge, M. (1991). Una caricature de la ciencia: La novísima sociología de la ciencia, Interciencia, 16:69.
    • Emery, F. E. (1969). Systems Thinking: Selected Readings, Penguin, Nueva York.
    • Deutsch D. (1997). The Fabric of Reality. Penguin Books
    • Foerster, Heinz Von and George W. Zoff (1962) Principles of Self-Organization, Pergamon Nueva York.
    • Forrester, J. W. (1969). Industrial dynamics, Productivity. The MIT Press.
    • Garrido, F., González de Molina M., Morin E., Serrano J. L., Solana J. L., Victor Toledo Angel Valencia (2007). El paradigma ecológico en las ciencias sociales. Icaria Antrazyt. Pp 301
    • Grant E. W., S. Marin L. y K. Pedersen E. (2001). Ecology and Natural Management
    • System Analysis and Simulation. John Wiley & Sons, Inc.
    • Green, D. G. (1994). Connectivity and complexity in landscapes and ecosystems. Pacific Conservation Biology, 1(3): 194-200
    • Haken Hermann (1987). Synergetics: An approach to Self-Organization, en F. Eugene Yates (ed.), Self-Organinizing Systems, Plenum, Nueva York.
    • Holland, J. H. (1995). Hidden Order: How adaptation breeds complexity, Addison-Wesley Publishing Co., Reading, MA.
    • Jorgensen, S, Mejer, H. and Nielsen, S. (1998). Ecosystem as self-organizing critical systems, Ecological Modelling, 111: 261-268.
    • Kauffman, S. (1993). The origins of order: Self-organisation and Selection in Evolution. Oxford University Press, New York.
    • Kosko, B. (1993). Fuzzy thinking: the new science of fuzzy logic, Hyperion.
    • Langton, C. (1990). Computation at the edge of chaos: phase transitions and emergent computation, Physica D, 42: 12-37.
    • Levins, R. (1968). Evolution in changing environments. Princeton: Princeton University Press.
    • Lilienfeld, Robert (1978). The rise of System Theory, Jhon Wiley, Nueva York
    • Lotka, A.J. (1925). Elements of physical biology. Baltimore: Williams and Wilkins.
    • May, R. M. (1972b). Will a large complex system be stable? Nature, 238, 413-414.
    • Mingers, J., (1995). Self-Producing Systems. Plenum, Nueva York.
    • Patten, B. C. (1991). Network Ecology, en Higashi, M. y T. P. Burns, Theoretical Studies of Ecosystems: The Network Perspective, Cambridge University Press, Nueva York.
    • Prigogine, I., (1980). From Being to Becoming, Freeman, San Francisco.
    • Ritter, O.W., (1996). Ciencia; predicción y entendimiento en el mundo moderno. Geo-UNAM. Vol. 3 no. 1 págs. 26-29.
    • Ritter, O.W., Klimek G.R. (1997). La relación ciencia-educación y la busqueda de un nuevo perfil académico. Ciencia y Mar,I (1), pp.31-35.
    • Ritter, O. W., P. Mosiño A. y R, Patiño M., (2000). Predicción y naturaleza. Revista Ciencia y Desarrollo. Julio / Agosto del 2J0. Volumen XXVI, No. 153.
    • Ritter O.W., Guzmán S. R., Sánchez N., (2002). El clima como sistema complejo adaptativo en coevolución. Revista "Ciencia y Mar". mayo/agosto. volumen VI, número 17 páginas 23-35.
    • Ritter O.W., Guzmán S. R., Sánchez N., Sánchez R., Suarez S. J., Perez E. T. (2007). Sistemas y más sistemas; żes todo en el mundo un sistema? Ciencia, enero/marzo, vol. 58, num. 1
    • Rosen, R. (1970). Dynamical system theory in biology. Vol. I. New York: John Wiley and Sons.
    • Shannon, C. E., W. Weaver (1949). The mathematical theory of communication, Urbana, University of Illinois Press.
    • Schrodinger E. (1969). What is life? Cambridge University Press.
    • Tabor, M. (1989). Chaos and Integrability in Nonlinear Dynamics. Wiley-Interscience, Nueva York.
    • Thom, R., (1972). Stabilité structurelle et morphogenese. Ediscience, Paris,
    • Villa, F. (2000). Integrating Modelling Toolkit, Institute for Ecological Economics, University of Maryland, USA.
    • Von Neumann y O. Morgenstern (1974). Theory of games and economic behavior, Princeton University Press, 3a edition.
    • Wiener, N. (1948). Cybernetics, John Wiley & Sons, Nueva York.
    • Wolfram, S. (1984). Cellular automata as models of complexity, Nature, 311:419-426.








    (Volver a página inicial)