APLICACIÓN DE SIG Y DATA MINING PARA ESTABLECER PERFILES ECOLÓGICOS DE LOS HUMEDALES EN ARGENTINA. Priscilla Minotti (1) y Patricia Kandus (2) (1) Cátedra Técnicas de Análisis Espacial, Departamento de Ciencias Biológicas, Universidad CAECE, y Maestría en Minería de Datos y Descubrimiento del Conocimiento, Departamento de Computación, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires, pmnatural@gmail.com (2) Grupo de Estudios sobre Ecología de Humedales, Departamento de Ecología Genética y Evolución, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires, pato@ege.fcen.uba.ar Introducción El término humedal involucra una amplia gama de ambientes, incluyendo entre otros bosques fluviales, pajonales y marismas. El término se utiliza en general para denominar a aquellos sistemas que permanecen en condiciones de inundación, de anegamiento, con su suelo saturado con agua en forma permanente o por considerables períodos de tiempo, presentando aspectos de la vegetación y el suelo característicos, aunque no hay acuerdo en una definición universal (Brinson y Malvárez, 2002). Los criterios diagnósticos más utilizados para la identificación y delimitación de humedales tienen en cuenta la presencia de agua en superficie, la presencia de vegetación adaptada tanto al exceso de agua (caracteres hidrófiticos) como a la alternancia de situaciones de exceso y déficit, y la presencia de suelos hídricos o con señales de hidromorfismo (Cowardin et al 1979). El régimen hidrológico es reconocido como el principal factor condicionante de las propiedades estructurales y funcionales de los ecosistemas de humedal (Mitch y Gosselink 2000), mientras que el emplazamiento geomorfológico es determinante de su presencia ( Brinson y Malvarez 2002). Para proyectos de gestión ambiental en relación al cambio climático, es de particular interés generar perfiles ecológicos de los humedales basados en variables expresadas a escala regional, que permitan evaluar los cambios en su distribución bajo distintos escenarios. Pero a diferencia de los ecosistemas terrestres, la localización y características de los humedales dependen en forma primordial del régimen hídrico local. En los últimos años se ha incrementado el número de trabajos que cubren la brecha entre observaciones ecológicas a escala local con procesos de índole regional a global, utilizando enfoques de análisis de datos geográficos basados en la aplicación de Inteligencia Artificial, en combinación con enfoques estadísticos multivariados y de simulación numérica. Esta unión de métodos se conoce como minería de datos, datamining o aprendizaje estadístico (Hastie, Tibshirani y Friedman 2001), que forma parte de un proceso mayor denominado “descubrimiento de conocimiento” (KDD) donde se busca generar conocimiento a través del aprendizaje de patrones presentes en los datos. La minería de datos tienen como paradigma de análisis el trabajo con grandes volúmenes de datos observacionales y su exploración sistemática utilizando enfoques diversos, ya que a priori se desconocen tanto las características de la distribución de