Modelos de Distribución Potencial de Especies (PDF
Transcripción
Modelos de Distribución Potencial de Especies (PDF
Modelos de Distribución Potencial de Especies Cristian Savino, Liliana Diodato, Miguel A. Gatto y Hugo R. Zerda Instituto de Protección Vegetal- Universidad Nacional de Santiago del Estero [email protected] RESUMEN El avance en los Sistemas de Información Geográfica (SIG), ha impulsado el desarrollo de técnicas para la construcción de modelos predictivos de distribución de las especies. Estos modelos ofrecen representaciones cuya fiabilidad está cuestionada cuando se trata de especies con pocas localidades conocidas. En este trabajo proponemos que, sin embargo, técnicas como estas pueden servir de ayuda para el diseño de futuros muestreos destinados a colectar nuevas observaciones de este tipo de especies y, con limitaciones, para evaluar el posible grado de disminución en el área de distribución original debido a los cambios en el uso del suelo. Se mencionan tres de las técnicas de modelación más utilizadas, y se presenta un ejemplo de modelación con tres especies diferentes de insectos del género Dactylopius en la ecorregión del Parque Chaqueño Seco en los que se busca identificar áreas favorables con capacidad para albergar poblaciones no detectadas de las especies. Palabras clave: Dactylopius; Chaco Seco; Distribución Introducción La búsqueda de los factores que determinan la distribución de los organismos ha sido una de las metas centrales de la ecología. Se conoce que varios factores abióticos y bióticos interactúan y limitan la distribución de cada especie. Los modelos de nicho ecológico son importantes para una variedad de aplicaciones en ecología y conservación (Graham et al, 2004), estos, indican la idoneidad del hábitat para el desarrollo de poblaciones de una especie concreta o de una comunidad (Ferrier y Guisan, 2006), calculada a partir de observaciones de campo y una serie de variables ambientales que actúan como predictores. Existen varios MDE que utilizan diferentes algoritmos, tipo de datos primarios (localidades de presencia y/o ausencia) y tipo de datos secundarios. La mayoría de los modelos que proyectan la presencia de una especie en un sitio no explorado, generalmente correlacionan sitios ya conocidos, donde se encuentra la especie con un conjunto de factores ambientales, especialmente climáticos (Chapman y Busby, 1994). Algunos modelos utilizan métodos estadísticos, siendo los más comunes el de regresión múltiple o los multivariados (Guisan et al., 1999); otros utilizan registros ya existentes de presencia de las especies y la información ambiental para generar perfiles bioclimáticos, por ejemplo BIOCLIM (Nix, 1986; Lindenmayer et al., 1991; Fischer et al., 2001), el algoritmo de reglas de predicción genéticas (GARP), el cual busca relaciones no azarosas entre las características ambientales de las localidades donde están georeferenciadas las especies y la región o regiones de estudio (Anderson 30 et al., 2003) o Maxent, que aplica el principio de máxima entropía para calcular la distribución geográfica más probable para una especie, por lo tanto, estima la probabilidad de ocurrencia de la especie buscando la distribución lo más uniforme posible (Phillips et al. 2006). Este último fue el empleado para predecir la distribución potencial de 3 especies de insectos del género Dactylopius (D. ceylonicus; D. austrinus y D. confertus)en la ecorregión del Chaco Seco Argentino (Savino et al. 2013). 1. Materiales y Métodos La información para el ejemplo de referencia se obtuvo a partir de observaciones y colectas realizadas a campo e información bibliográfica obtenida de las diferentes colecciones entomológicas existentes en la región. Se elaboró una base de datos con las localidades de colecta, las que fueron georreferenciadas con el programa Biogeomancer, disponible en http://www.biogeomancer.org, que permite georreferenciar puntos con base en información del sitio. Se consultaron también, las bases de datos conocidas como „gazetteers‟, que son diccionarios geográficos que contienen listas de unidades administrativas (como municipalidades) con sus respectivas coordenadas geográficas, que se usaron para corroborar la información georreferenciada a puntos de interés. Los datos de clima, fueron obtenidos a partir de la base de datos de WorldClim (Hijmanset al., 2005), disponible en http://biogeo.berkeley.edu/worldclim. Esta es una base de datos de variables climáticas que se presenta en la forma de archivos raster. Las variables Bioclimaticas se derivan de los valores mensuales de la temperatura y de la precipitación, y representan las tendencias anuales, para generar variables biológicamente más significativas. Para realizar la presente modelación se emplearon 13 variables ambientales de las 19 que proporciona la base de datos. Todas las variables utilizadas fueron interpoladas a una resolución espacial de 2.5 minutos. La selección del conjunto de variables más importantes, como determinantes de la distribución y la confección de los modelos de distribución se realizó con el programa Maxent v3.0 (Phillips et al., 2006), que estima la probabilidad de distribución esperada, encontrando la probabilidad de distribución que es más uniforme (entropía máxima). Una vez obtenida la imagen de Maxent, esta fue transferida en formato .grd a Diva-gis, ya que este permite una mejor contextualización y manipulación de la imagen. Maxent, proporciona además una salida gráfica como el Área Bajo la Curva (AUC), que es un estadístico de ajuste, y varía entre 0 y 1.Un modelo ideal sería aquel en donde la sensibilidad alcance el valor de 1 y la tasa de falsos negativos sea cero, y por lo tanto con un AUC = 1. Por lo general, se considera que un valor de AUC por encima de 0.7 señala un buen ajuste; un valor de 0.5, por otro lado, indica que la capacidad de predicción del modelo no es mejor que al azar (Hanley y McNeil, 1982). El software, también permite obtener una tabla que muestra las variables que participan del modelo, las que están ordenadas en función de un valor expresado en porcentaje de contribución al mismo. 31 2. Resultados Se muestran las salidas cartográficas para las especies mencionadas, para Maxent, y contextualizadas con DivaGis. Asimismo, se presenta la gráfica del área bajo la curva (AUC) y los aportes de las variables seleccionadas para las correspondientes modelaciones de las especies. En las Fig. 1,3 y 5, los puntos blancos indican los registros de la especie (presencia), con los que se elaboró el modelo. En las Fig. 2,4 y 6, los tonos rojos muestran las áreas donde existe mayor probabilidad de ocurrencia de la especie, mientras que los tonos verde claro son las áreas de menor probabilidad de ocurrencia. D. Figura 1: Imagen obtenida de Maxent con Figuras 2: Mapa de clases de distribución la distribución hipotética de D. ceylonicus. hipotética de Dactylopius ceylonicus 32 Figura 3. Imagen obtenida de Maxent con la Figura 4. Mapa de clases de distribución distribución hipotética de Dactylopius hipotética de Dactylopius confertus. confertus. Figura 5. Imagen obtenida de Maxent con Figura 6. Mapa de clases de distribución la distribución hipotética de Dactylopius hipotética de Dactylopius austrinus. austrinus. . 33 Tabla 1. Contribución de las variables seleccionadas para D. ceylonicus y D. confertus. Variable Tº promedio Anual Precip. trimestre más seco Precip. Trim. más húmedo Rango medio diurno (Tº) Tº media trim. más seco Tº mín. trimestre más frío Estacionalidad de Tº (CV) Estacion. de precip. (CV) Porcentaje contribución 36.8 19.3 16.6 12.3 8 3.1 1.6 1.3 Tº media trim. más húmedo Isotermalidad Tº máx. trim. más cálido Precipitación Anual Rango anual de tº 0.6 0.3 0 0 0 Dactylopius ceylonicus Variable Precip. Trim. Seco Estacionalidad en tº Tº trim. más húmedo Rango medio diurno Precip. trim. Lluvioso Estacion. Precip. Tº mín. trim. mas frío Tº máx. trim. .mas cálido Tº media trim. Seco Tº prom. Anual Rango anual de tº Precip. Media anual Isotermalidad Porcentaje contribución 54.9 19.7 18.4 3.5 3.3 0.1 0 0 0 0 0 0 0 Dactylopius confertus Tabla 2 Contribución de las variables seleccionadas para D. austrinus. Variable Precip. trim. seco Estacionalidad en tº Tº media trim. lluvioso Rango medio diurno Precip. trim. lluvioso Estacion. precip. Tº mín per. más frío Tº máx. per. más cálido Tº media trim. seco Tº Prom. anual Rango anual de tº Precip. anual Porcentaje contribución 74.4 8.4 7.1 5.1 3.0 2.0 0 0 0 0 0 0 34 D. ceylonicus D. confertus D. austrinus Figura 7. Área bajo la curva (AUC) de las especies investigadas. 3. Conclusiones El método de modelado con Maxent ha demostrado ser una herramienta robusta utilizando datos de presencia, permitiendo predicciones incluso con escaso número de datos de presencia de las especies y, mejorando el desempeño de otras técnicas tradicionales. En la actualidad, la aproximación al modelado con Maxent se extiende a numerosos grupos taxonómicos, distintas áreas geográficas y diversos objetivos específicos. Cuando el número de observaciones es escaso, como ocurre para alguna de estas especies, las representaciones geográficas generadas mediante estas técnicas deben considerarse hipótesis provisionales, cuya fiabilidad sólo podrá evaluarse a medida que se obtengan nuevas colectas. Asumiendo que los factores climáticos usados como predictores son adecuados para representar la heterogeneidad ambiental capaz de describir la distribución de estas especies a la escala espacial considerada, los ejemplos que se proporcionan en este trabajo permiten obtener una indicación sobre la localización de futuros sitios de colecta. La calidad de los mapas obtenidos se considera muy buena, debido a que los mismos mostraron valores de AUC superiores a 0.9 en los todos los casos modelados. Del análisis, surge que las especies modeladas se encuentran preferentemente en áreas de serranías y, en general, con ausencia de lluvias durante el mes más seco. Esto sugiere una notable adaptación a los ambientes semiáridos, lo que concuerda con el área de presencia de cactáceas en la región. 35 Referencias Anderson R.P., Lew D. y Townsend Peterson A. (2003). Evaluating predictive models of species' distributions: criteria for selecting optimal models. Ecological Modelling 162: 211-232. Biogeomancer Research Consortium. (2005). Fecha de consulta, Agosto de 2013. Disponible en http://www.biogeomancer.org. Chapman, A. D. y Busby, J. R. (1994). Linking plant species information to continental biodiversity inventory, climate and environmental monitoring 177-195 in Miller, R.I. (ed.). Mapping the Diversity of Nature. London: Chapman and Hall. Ferrier, S. y Guisan, A. 2006. “Spatial modelling of biodiversity at the community level”, Journal of Applied Ecology, 43, pp. 393-404. Fischer, G.; Nachtergaele F.O. ; Prieler, S.; Teixeira, E.; Tóth, G.; Van Velthuizen, H.; Verels, L. y Wiberg, D. (2001). Global agro-ecological assessment for agriculture in the 21st Century. IIASA Research Report 02-02, International Institute for Applied Systems Analysis, Laxenburg, Austria, p. 119. Graham, C. H.; Ron, S. R.; Santos, J. C.; Schneider, C. J. y Moritz, C..Integrating phylogenetics and environmental niche models to explore speciation mechanisms in dendrobatid frogs Guisan, A. N.; Zimmermann, E..; Elith, J.; Graham, C. H.; Phillips, S.y Peterson, A. T..(2009). What matters for predicting the occurrences of trees: techniques, data, or species characteristics? Ecological Monographs, 77(4), 2007, pp. 615–630. Ecological Society of America. 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 Hijmans, R.J.; Cameron,S.E.; Parra,J.L.; Jones,P.G. y Jarvis, A. (2005). The WorldClim interpolated global terrestrial climate surfaces. Version 1.3. Available at: <http://biogeo.berkeley.edu/worldclim>. Hijmans, R.J. Guarino, L.; Jarvis, A.; O'Brien, R.; Mathur, P.; Rojas, E.; Cruz, M. y Barrantes, I. International Plant Genetic Resources Institute (IPGRI), International Potato Center (CIP), UC Berkeley Museum of Vertebrate Zoology, The Secretariat of the Pacific Community and others including SINGER/SGRP, FAO, USDA, DIVA-GIS 5.2. Lindenmayer, D. B.; R. B. Cunningham; H. A. Nix; M. T. Tanton y A. P.Smith.(1991).Predicting the abundance of hollowbearing trees in montane ash forests of southeastern Australia.Aus. J. Eco. 16, 91–98. Nix, H. A. (1986).A biogeographic analysis of the Australian elapid snakes. In: R. Longmore (ed.) Atlas of elapid snakes. Australian Flora and Fauna Series No. 7, pp. 415. Phillips, S. J.; Anderson, R. P. y Schapire, R.E.(2006). “A maximum entropy modelling of species geographic distributions”, Ecological Modelling, 190, pp. 231-259. Savino, C.; Diodato L.; Gatto M. A.; Zerda H. R. (2013). Modelación espacial de especies, género Dactylopius, Región Parque Chaqueño Seco. En Actas de: IV Jornadas Tucumán SIG. Abril 2013. 36