Parcial 3 punto de regresión corales
Gabriel Bucheli Ortiz
2025-10-31
Introducción
Los corales son animales pertenecientes al filum Cnidaria, cuya importancia ecológica es fundamental para el funcionamiento de los ecosistemas marinos tropicales. Estos organismos son los principales constructores de los arrecifes de coral, estructuras que albergan una enorme biodiversidad y proporcionan servicios ecosistémicos esenciales (NOAA, 2023). Los corales forman relaciones simbióticas con microalgas fotosintéticas llamadas zooxantelas, las cuales les suministran la mayor parte de su energía y contribuyen a su coloración (National Geographic, 2025). Esta relación, aunque antigua y altamente eficiente, es extremadamente sensible a las variaciones ambientales.
Cuando la temperatura del agua aumenta por encima de los umbrales fisiológicos del coral, ocurre un fenómeno conocido como blanqueamiento coralino. Durante este proceso, las zooxantelas son expulsadas del tejido coralino, lo que priva al animal de su principal fuente de alimento y provoca la pérdida de color, dejándolo blanco y vulnerable (National Geographic, 2024). Si el estrés térmico persiste, el coral puede morir.
El calentamiento global, impulsado por el aumento de gases de efecto invernadero, ha incrementado la temperatura promedio de los océanos, lo que ha hecho que los eventos masivos de blanqueamiento sean cada vez más frecuentes y severos (Ecoticias, 2023). Además del estrés térmico, los corales enfrentan otro desafío crítico: la acidificación oceánica. Este proceso ocurre cuando el exceso de dióxido de carbono atmosférico es absorbido por el océano, disminuyendo el pH del agua y reduciendo la concentración de iones carbonato necesarios para la calcificación del esqueleto coralino (NOAA CORIS, 2005; Anthony et al., 2008). Estudios experimentales han demostrado que niveles elevados de CO₂ pueden debilitar los esqueletos coralinos y, en combinación con altas temperaturas, intensificar el blanqueamiento (Anthony et al., 2008).
Por lo tanto, el blanqueamiento de corales puede considerarse una consecuencia multifactorial del cambio climático, en la que interactúan el aumento de la temperatura oceánica y la reducción del pH. Con el fin de evaluar este fenómeno, en este trabajo se empleó la base de datos Realistic Corals disponible en Kaggle, con el propósito de analizar si la temperatura superficial del mar (SST) y el pH presentan un efecto estadísticamente significativo sobre el blanqueamiento coralino mediante un modelo logístico.
Metodologia
Metodología (versión mejorada)
La base de datos utilizada contiene registros de blanqueamiento coralino provenientes de múltiples regiones del mundo. Sin embargo, la mayor concentración de datos se encuentra en tres áreas específicas: el Mar Rojo, la Gran Barrera de Coral y el Mar del Sur de China. Estas regiones, aunque comparten la presencia de ecosistemas coralinos, presentan condiciones ambientales distintas —como temperatura, salinidad, pH y niveles de estrés térmico— que influyen en los patrones de blanqueamiento y en las adaptaciones fisiológicas de las especies locales.
Dado que los corales de cada región pueden exhibir respuestas diferenciales frente a variaciones ambientales, se propone ajustar:
Un modelo logístico general utilizando toda la base de datos, con el objetivo de verificar si la temperatura superificial (SST) y el ph tienen un efecto significativo en la probabilidad de blanqueamiento.
Tres modelos logísticos adicionales, uno por cada región dominante en el conjunto de datos (Mar Rojo, Gran Barrera de Coral y Mar del Sur de China), con el fin de evaluar si la relación entre las variables ambientales (p. ej., temperatura, pH, anomalías térmicas) y el blanqueamiento difiere significativamente entre zonas.
Este enfoque permitirá comparar coeficientes, significancia estadística y capacidad predictiva entre regiones, proporcionando evidencia sobre posibles diferencias en tolerancia térmica, resiliencia o vulnerabilidad regional de los corales frente al cambio climático.
Resultados y análisis
General
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 4.0.0 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.1.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4240 -1.2584 -0.2724 0.7200 1.8724
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.78387 8.80502 0.089 0.929
## pH.Level 0.05449 1.01467 0.054 0.957
## SST...C. 0.03818 0.03966 0.963 0.336
##
## Residual standard error: 1.082 on 497 degrees of freedom
## Multiple R-squared: 0.002394, Adjusted R-squared: -0.00162
## F-statistic: 0.5964 on 2 and 497 DF, p-value: 0.5512## # A tibble: 3 × 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 0.784 8.81 0.0890 0.929
## 2 pH.Level 0.0545 1.01 0.0537 0.957
## 3 SST...C. 0.0382 0.0397 0.963 0.336## R-squared (adjusted): -0.001620084## Analysis of Variance Table
##
## Response: Bleaching_score
## Df Sum Sq Mean Sq F value Pr(>F)
## pH.Level 1 0.31 0.31195 0.2664 0.6060
## SST...C. 1 1.08 1.08479 0.9265 0.3363
## Residuals 497 581.93 1.17089
A nivel global, no se encontró un efecto estadísticamente significativo entre las variables analizadas. Los coeficientes asociados al pH (p = 0.96) y a la temperatura superficial del mar (p = 0.34) indican que estas variables no explican de manera suficiente el fenómeno de blanqueamiento coralino. Además, el valor negativo del R² ajustado demuestra que el modelo prácticamente no explica la variación observada en los datos. El análisis ANOVA confirma estos resultados, ya que no se detectaron efectos significativos (p > 0.55).
Por otro lado las graficas de Q-Q Plot demystran que no hay una distribución normal. el Scale-Location plot evidencia gran heterocedasticidad y el grafico de Residuals vs leverage no muestra que estos datos se ajustan de mala manera al modelo lineal.
Estos resultados pueden deberse a varios factores. En primer lugar, la base de datos integra información proveniente de ecosistemas muy diversos, cuyas diferencias ambientales y biológicas generan una alta variabilidad que dificulta encontrar una relación clara entre pH, temperatura y blanqueamiento. En segundo lugar, es posible que otros factores no incluidos en el modelo —como las olas de calor marinas, la irradiancia, la profundidad o la susceptibilidad específica de cada coral— influyan mucho más en el blanqueamiento que las variables analizadas. Finalmente, es importante considerar que el blanqueamiento es una variable ordinal, por lo que la regresión lineal no es el modelo más adecuado para capturar su estructura jerárquica y su comportamiento estadístico.
Barrera de Coral
La Gran Barrera de Coral (GBR), ubicada en Australia, alberga uno de los ecosistemas marinos más biodiversos y famosos del mundo.Alberga más de 400 especies de corales duros documentadas (Great Barrier Reef Marine Park Authority, 2024). Las temperaturas del agua suelen variar entre 25 °C en el sur y 27–28 °C en el norte, aunque se han registrado incrementos en los últimos años debido al calentamiento global (GBRMPA, 2024). Esta región también se ve afectada por la acidificación oceánica, que reduce la disponibilidad de carbonato e impacta la formación del esqueleto coralino, pues la acidificación del oceano ha tenido efecto en todo el planeta aunque no existen estadisticas claras (Chan & Connolly, 2013). Los eventos de blanqueamiento masivo, impulsados por olas de calor marinas, son una de las principales amenazas para este ecosistema, afectando especialmente géneros como Acropora y Montipora, conocidos por su sensibilidad térmica (Hughes et al., 2017). En este estudio no se tomo en cuenta la olas de calor .
##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_barrier)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4728 -1.1227 -0.1829 0.7507 1.9361
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.28273 19.62925 0.626 0.533
## pH.Level -1.48812 2.27689 -0.654 0.515
## SST...C. 0.07063 0.09750 0.724 0.471
##
## Residual standard error: 1.062 on 84 degrees of freedom
## Multiple R-squared: 0.01872, Adjusted R-squared: -0.00464
## F-statistic: 0.8014 on 2 and 84 DF, p-value: 0.4521##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_barrier)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4728 -1.1227 -0.1829 0.7507 1.9361
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.28273 19.62925 0.626 0.533
## pH.Level -1.48812 2.27689 -0.654 0.515
## SST...C. 0.07063 0.09750 0.724 0.471
##
## Residual standard error: 1.062 on 84 degrees of freedom
## Multiple R-squared: 0.01872, Adjusted R-squared: -0.00464
## F-statistic: 0.8014 on 2 and 84 DF, p-value: 0.4521## # A tibble: 3 × 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 12.3 19.6 0.626 0.533
## 2 pH.Level -1.49 2.28 -0.654 0.515
## 3 SST...C. 0.0706 0.0975 0.724 0.471## R-squared (adjusted): -0.001620084## Analysis of Variance Table
##
## Response: Bleaching_score
## Df Sum Sq Mean Sq F value Pr(>F)
## pH.Level 1 1.217 1.21670 1.0780 0.3021
## SST...C. 1 0.592 0.59239 0.5248 0.4708
## Residuals 84 94.812 1.12871
En la barrera de coraln se observa nuevamente que ninguna variable es significativa:
pH: p = 0.515
SST: p = 0.471
R² ajustado = –0.0046
El ANOVA tampoco detecta efectos (p > 0.30). los coeficientes son pequeños e inconsistentes, lo que refuerza que ni el pH ni la temperatura explican el nivel de blanqueamiento en este zona. Como en el caso anterior se evidencia que no hay linealidad , que no hay normalidad y que no sigue un modelo lineal.
El blanqueamiento en la barrera de coral esta altamente influeciando por eventos particulares de aumento de temperatura y la temperatura superficial promedio no refleja estos cambios repentinos. En proximos modelos para este ecosistema es vital para entender de manera correcta este comportamiento.
Mar Rojo
El Mar Rojo es un sistema coralino caracterizado por temperaturas altas de entre 25 °C y 32 °C, junto con una salinidad alta cercana a 41 PSU, condiciones que dificultan el establecimiento de corales (Osman et al., 2022). A pesar de esto, muchas especies presentes en esta región como: Porites nodifera o Alveopora viridis han desarrollado diferentes adaptaciones para poder sobrevivir a estas condiciones. Ejemplos como los corales del Golfo de Aqaba, donde los corales han mostrado resiliencia ante aumentos de temperatura superiores a los registrados en otras regiones del mundo (Earth.org, 2023). Por otro lado , la química de carbonato de calcio en el del Mar Rojo mantiene una alcalinidad alta, lo que es util para la calcificación en corlaes incluso bajo condiciones de estrés térmico (Ocean Acidification International Coordination Centre, 2023).
##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_red)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6623 -1.1984 -0.1916 0.7715 1.8239
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -18.35986 22.90010 -0.802 0.425
## pH.Level 2.29702 2.59887 0.884 0.379
## SST...C. 0.07587 0.11164 0.680 0.499
##
## Residual standard error: 1.206 on 80 degrees of freedom
## Multiple R-squared: 0.01022, Adjusted R-squared: -0.01452
## F-statistic: 0.4131 on 2 and 80 DF, p-value: 0.663##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_red)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6623 -1.1984 -0.1916 0.7715 1.8239
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -18.35986 22.90010 -0.802 0.425
## pH.Level 2.29702 2.59887 0.884 0.379
## SST...C. 0.07587 0.11164 0.680 0.499
##
## Residual standard error: 1.206 on 80 degrees of freedom
## Multiple R-squared: 0.01022, Adjusted R-squared: -0.01452
## F-statistic: 0.4131 on 2 and 80 DF, p-value: 0.663## # A tibble: 3 × 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) -18.4 22.9 -0.802 0.425
## 2 pH.Level 2.30 2.60 0.884 0.379
## 3 SST...C. 0.0759 0.112 0.680 0.499## R-squared (adjusted): -0.001620084## Analysis of Variance Table
##
## Response: Bleaching_score
## Df Sum Sq Mean Sq F value Pr(>F)
## pH.Level 1 0.530 0.52960 0.3644 0.5478
## SST...C. 1 0.671 0.67125 0.4619 0.4987
## Residuals 80 116.269 1.45336
- Mar Rojo
Los resultados para el Mar Rojo muestran otra vez ausencia de efectos:
pH: p = 0.379
SST: p = 0.499
R² ajustado = –0.0145
El modelo no es significativo (p = 0.663), y los coeficientes tampoco sugieren una tendencia clara. Las graficas , de nuevo, muestran que no hay linealidad , que se viola el supuesto de normalidad , uqe hay gran heterocedasticidad y que no se ajusta de manera adecuada a un modelo lineal.
Este tipo de corales ha desarrollado una notable resistencia tanto al calor como a la acidificación, por lo que el cambio climático podría no explicar por completo los patrones de blanqueamiento observados en esta región. Es posible que estos corales sean mucho más tolerantes a las variaciones de temperatura y pH que otras especies, lo que les permite mantener su función fisiológica incluso bajo condiciones de estrés que afectarían a corales de otros ecosistemas. Sin embargo, dado que el blanqueamiento sigue estando presente en una proporción menor a los demás ecosistemas, es probable que otros factores ambientales, como la irradiancia, la contaminación, la profundidad o eventos localizados de estrés, estén desempeñando un papel más determinante que la temperatura o el pH promedio analizados en este modelo.
Mar del sur de China
El Mar del Sur de China es uno de los puntos más biodiversos de la zona Indo-Pacífico y alberga gran cantidad especies de corales , como Melithaea ochracea, Turbinaria radicalis y gran cantidad de especies del género Porites (Xu et al., 2025). En Como en el resto del mundo, esta zona ha experimentado aumento en la temperatura ,con tasas estimadas entre 0.038 y 0.074 °C por año, lo que ha propocia el estres ambiental (Zhang et al., 2019). Asimismo, se ha visto una acificación del pH costero —entre 0.012 y 0.014 cada año en varios sitios relacionado a el exceso de CO2 atmosferico, dificultando la calcificación de los corales (Li et al., 2018). La combinación de calentamiento y acidificación representa una amenaza crítica para la distribución futura y la resiliencia de los arrecifes en esta cuenca (Huang et al., 2019).
##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_China)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.5525 -0.9057 -0.1598 0.7356 1.7659
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.33320 22.24917 1.498 0.139
## pH.Level -3.69738 2.56664 -1.441 0.154
## SST...C. -0.04351 0.09301 -0.468 0.641
##
## Residual standard error: 0.9852 on 70 degrees of freedom
## Multiple R-squared: 0.03089, Adjusted R-squared: 0.003204
## F-statistic: 1.116 on 2 and 70 DF, p-value: 0.3334##
## Call:
## lm(formula = Bleaching_score ~ pH.Level + SST...C., data = reef_China)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.5525 -0.9057 -0.1598 0.7356 1.7659
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.33320 22.24917 1.498 0.139
## pH.Level -3.69738 2.56664 -1.441 0.154
## SST...C. -0.04351 0.09301 -0.468 0.641
##
## Residual standard error: 0.9852 on 70 degrees of freedom
## Multiple R-squared: 0.03089, Adjusted R-squared: 0.003204
## F-statistic: 1.116 on 2 and 70 DF, p-value: 0.3334## # A tibble: 3 × 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 33.3 22.2 1.50 0.139
## 2 pH.Level -3.70 2.57 -1.44 0.154
## 3 SST...C. -0.0435 0.0930 -0.468 0.641## R-squared (adjusted): -0.001620084## Analysis of Variance Table
##
## Response: Bleaching_score
## Df Sum Sq Mean Sq F value Pr(>F)
## pH.Level 1 1.953 1.95344 2.0126 0.1604
## SST...C. 1 0.212 0.21245 0.2189 0.6414
## Residuals 70 67.944 0.97062
- Mar del Sur de China
En esta región los resultados son similares:
pH: p = 0.154
SST: p = 0.641
R² ajustado = 0.003
No se encontraron efectos significativos de las variables ambientales (ANOVA p = 0.16 para pH y p = 0.64 para SST). Como en los casos anteriores se ve que no se cumple normalidad, una gran heterocedasticidad y que no se sigue un modelo lineal .
Las variables podrian no explicar estos fenómenos, además de ser una zona con alta diversidad por lo que las caracteristicas de estres y como les afecte este es muy variable.
Analisis general de los datos
Desde una perspectiva general, es evidente que el modelo lineal no se ajusta adecuadamente a esta base de datos. Sin embargo, es importante resaltar que incluso dentro de los subgrupos analizados existe una amplia diversidad de condiciones ambientales y de especies de coral, cada una con adaptaciones particulares. Esta heterogeneidad dificulta la detección de patrones claros y hace que los análisis lineales simples no sean del todo apropiados. Si el muestreo se redujera a zonas con condiciones más estables, o si se trabajara con grupos de corales específicos que compartan características fisiológicas y tolerancias ambientales similares, sería más probable obtener modelos estadísticos coherentes. Un enfoque más localizado y biológicamente homogéneo permitiría identificar relaciones más consistentes entre el estrés ambiental y el blanqueamiento.
Conclusión
Aunque inicialmente se consideró que el modelo no se ajustaba debido a las diferencias entre ecosistemas, al dividir la base de datos en subgrupos regionales los resultados fueron prácticamente los mismos. Esto confirma que el problema no radica únicamente en la variabilidad ambiental entre hábitats, sino en la naturaleza de la variable de blanqueamiento, la cual actúa como una variable ordinal y, por tanto, no es adecuada para ser analizada mediante un modelo lineal tradicional. A pesar de que la literatura señala una fuerte influencia de la temperatura y la acidificación en el blanqueamiento coralino, en este ejercicio lad variables no mostraron efectos significativos.
Sin embargo, esto no contradice necesariamente el conocimiento científico, sino que evidencia que los modelos empleados y la estructura de la base de datos no permiten capturar adecuadamente estas relaciones. Por ello, es fundamental que futuros estudios se desarrollen en poblaciones más centralizadas, con condiciones ambientales más homogéneas y utilizando modelos estadísticos apropiados para variables ordinales y sistemas ecológicos complejos. Solo así será posible evaluar de forma más precisa el efecto del pH y la temperatura sobre el blanqueamiento, considerando la amplia variabilidad biológica y las múltiples adaptaciones que presentan los corales.El modelo
Bibliografia
Anthony, K. R. N., Kline, D. I., Diaz-Pulido, G., Dove, S., & Hoegh-Guldberg, O. (2008). Ocean acidification causes bleaching and productivity loss in coral reef builders. Proceedings of the National Academy of Sciences, 105(45), 17442–17446. https://doi.org/10.1073/pnas.0804478105
Chan, N. C. S., & Connolly, S. R. (2013). Sensitivity of coral calcification to ocean acidification: A meta-analysis. Global Change Biology, 19(1), 282–290.
Ecoticias. (2023, octubre 27). El blanqueamiento de corales se agravará con el cambio climático. https://www.ecoticias.com/
Earth.org. (2023). Heat-resistant corals found in the Red Sea bring hope.
Great Barrier Reef Marine Park Authority. (2024). Great Barrier Reef Outlook Report.
Huang, B., et al. (2019). Coral responses to ocean warming and acidification in the South China Sea. Marine Ecology Progress Series.
Hughes, T. P., et al. (2017). Global warming and recurrent mass bleaching of corals. Nature, 543(7645), 373–377.
Li, Y., et al. (2018). Long-term trends in coastal pH in the South China Sea. Journal of Geophysical Research: Oceans.
National Geographic. (2024). Cambio climático: esto es lo que ocurre con los arrecifes de coral en un mundo con temperaturas cada vez más altas. https://www.nationalgeographicla.com/
National Geographic. (2025). ¿Qué causa el blanqueamiento de los corales?. https://www.nationalgeographicla.com/
NOAA. (2023). Coral reefs and climate change. National Oceanic and Atmospheric Administration. https://www.noaa.gov/
NOAA CORIS. (2005). Coral reefs and climate change: Susceptibility and responses. NOAA Coral Reef Information System. https://www.coris.noaa.gov/
Ocean Acidification International Coordination Centre. (2023). Red Sea carbonate chemistry.
Osman, E. O., et al. (2022). Environmental constraints and coral resilience in the Red Sea. Microorganisms, 10(12), 2340.
Xu, D., et al. (2025). Coral diversity and environmental stress in the South China Sea. Frontiers in Marine Science.
Zhang, Y., et al. (2019). Sea surface temperature trends in the South China Sea. Environmental Research Letters.