Modelamiento Nichos Ecologicos PDF

MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONA PERUANA
Usemos responsablemente
nuestros bosques
MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de

presencia de ESPECIES FORESTALES MADERABLES en la AMAZONA PERUANA
Av. Javier Prado Oeste N 694 Magdalena del Mar

Central: 615 7373
www.osinfor.gob.pe
CARTA DEL PRESIDENTE
EJECUTIVO
OSINFOR en cumplimiento de sus funciones de

supervisin y fiscalizacin de los recursos
forestales y de fauna silvestre, en ttulos habilitantes otorgados por el
estado a nivel nacional , georeferencia diversas especies forestales con
fines de verificar su aprovechamiento; este rduo trabajo se almacena
y gestiona mediante nuestro Sistema de Informacin Geogrfica
de supervisiones forestales y de fauna silvestre, permitindonos
administrar un amplio registro de especies forestales distribuidos a
nivel nacional.
Nuestro Sistema de Informacin Geogrfica de supervisiones forestales,

nos proporciona informacin crtica de la diversidad presente en
determinadas reas geogrficas y se pueden usar para varios fines,
como evaluar el estado actual de conservacin de especies o priorizar
reas para su conservacin.
El modelamiento espacial de nichos ecolgicos para la evaluacin de

presencia de especies forestales, nos indica la idoneidad del ambiente
para el desarrollo de poblaciones de una especie, calculada a partir
de observaciones de campo y una serie de variables bioclimticas que
actan como predictores; esto nos permite mejorar significativamente
la comprensin y el monitoreo de la biodiversidad puesto que los
resultados obtenidos de los anlisis permiten formular estrategias
de intervencin mejor enfocadas e implementarlas de manera ms
efectiva.
En la presente publicacin, se realiza el modelamiento de 18 especies

forestales de alto valor comercial de las regiones amaznicas del Per,
con la finalidad de evaluar su distribucin y probabilidad de presencia
en base al nicho ecolgico determinado por sus variables bioclimticas.
Esta publicacin se emite con la finalidad de ampliar el conocimiento de

nuestra amazonia, para promover su conservacin y aprovechamiento
sostenible zonificando su potencial maderable.
Rolando Navarro Gmez

Presidente Ejecutivo (e)
OSINFOR
SERIE TCNICA
N 4
CRDITOS
Alta Direccin
Rolando Navarro Gmez Presidente Ejecutivo (e)
Mximo Salazar Rojas Secretario General (e)
Direcciones de Lnea
Emilio Alvarez Romero Director (e) de la Direccin de Supervisin de Concesiones
Forestales y de Fauna Silvestre
Danny Oswald Pealoza Macha Director (e) de la Direccin de Supervisin de Permisos y

Autorizaciones Forestales y de Fauna Silvestre
Revisin
Ildefonzo Riquelme Ciriaco Sub Director (e) de la Sub Direccin de Supervisin de
Concesiones Forestales y de Fauna Silvestre
David Blas Jaimes Sub Director (e) de la Sub Direccin de Supervisin de

Permisos y Autorizaciones Forestales y de Fauna Silvestre
Equipo Tcnico
Carlos Rafael Candia Dipaz Especialista SIG - DSCFFS
Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS
Registro de proyecto editorial:
1ra Edicin
Tiraje: 1000 ejemplares
Impresin:
Punto & Grafa S.A.C.
Av. Del Ro 113, Pueblo Libre, Lima - Per
Tlef: 332-2328
Hecho el Depsito Legal en la Biblioteca Nacional del Per N 2013-08963

NDICE
RESUMEN
I. INTRODUCCIN 7
II. OBJETIVOS 8
2.1 Objetivos Generales
2.2 Objetivos Especficos
III. MARCO CONCEPTUAL 9
IV. ACTIVIDADES 21
4.1 Descripcin del rea de Estudio 21
4.2 Descripcin del Material Utilizado 22
4.3 Metodologa 22
V. RESULTADOS 28
5.1 Calycophyllum spruceanum (Capirona) 28
5.2 Virola sp. (Cumala) 30
5.3 Cedrelinga catenaeformis (Tornillo) 32
5.4 Dipteryx micrantha (Shihuahuaco) 34
5.5 Cedrela odorata (Cedro) 36
5.6 Chorisia integrifolia (Lupuna) 38
5.7 Copaifera sp. (Copaiba) 40
5.8 Hura crepitans (Catahua) 42
5.9 Aniba sp. (Moena) 44
5.10 Myroxylon balsamun (Estoraque) 46
5.11 Manilkara bidentata (Quinilla) 48
5.12 Amburana cearensis (Ishpingo) 50
5.13 Schizolobium sp. (Pashaco) 52
5.14 Simarouba amara (Marupa) 54
5.15 Brosimum sp. (Manchinga) 56
5.16 Swietenia macrophylla (Caoba) 58
5.17 Apuleia mollaris (Ana caspi) 60
5.19 Hymenaea sp. (Azcar huayo) 62
VI. CONCLUSIONES 64
VII. ANEXOS 65
VIII. REFERENCIAS BIBLIOGRFICAS 77
ORGANISMO DE SUPERVISIN DE LOS RECURSOS FORESTALES Y DE FAUNA SILVESTRE - OSINFOR
MODELAMIENTO ESPACIAL DE NICHOS ECOLOGICOS PARA

LA EVALUACION DE PRESENCIA DE ESPECIES FORESTALES
MADERABLES EN LA AMAZONA PERUANA
RESUMEN ABSTRACT
Siendo el OSINFOR el encargado a nivel nacional, de supervisar Being OSINFOR the national organization responsible for
y fiscalizar el aprovechamiento sostenible, la conservacin supervising and monitoring the sustainable use, conservation
de los recursos forestales y de fauna silvestre, as como de of forest resources and wildlife and environmental services
los servicios ambientales provenientes del bosque en Ttulos from the peruvian forest in Authorization Certificates granted
Habilitantes otorgados por el Estado a travs de diversas by the state through various forms of utilization (concessions,
modalidades de aprovechamiento (concesiones, permisos y permits and authorizations).
autorizaciones).
In that sense, there are mechanisms to collect and record
Es necesario desarrollar insumos y herramientas que information at the level of each individual in a representative
complementen adecuadamente los mecanismos de sample, except cedar (Cedrela odorata) and mahogany
recopilacin y registro de informacin a nivel de cada (Swietenia macrophylla), they are fully supervised; all of them
individuo en una muestra representativa o como en el caso associated with a geographic and maintaining of the proper
del cedro y la caoba que son supervisados en su totalidad; zone, datum and system planar coordinate.
todo ello asociado a un mbito geogrfico y manteniendo el
adecuado huso, datum y sistema de coordenadas planas. Also, environmental conditions, soil physical and chemical
Para el modelamiento de nichos ecolgicos, es necesario que properties generate restrictions on the presence and
nuestra cartografa se encuentre en coordenadas geogrficas development of an individual (flowering, emergence,
(latitud y longitud), puesto que los software libres utilizados maturation, leaf drop and dormancy in faunas case).
tienen esa restriccin (DIVA GIS, MaxEnt). Besides, we can`t forget to mention the desire of society to
exploit natural resources without letting recover naturally,
Asimismo, este modelamiento nos permite visualizar la in order to avoid that its important to make a study of
localizacin mediante coordenadas geogrficas (latitud forest complementary. For modeling of ecological niches, it
- longitud) de las colectas por especie o en todo caso en is necessary work in geographic coordinates (latitude and
formato KML de Google Earth. longitude), because free software used have that kind of
restriction (DIVA GIS, MaxEnt).
La informacin recopilada de diferentes fuentes como en el
caso del Missouri Botanical Garden, deber ser procesado The data used by the Missouri Botanical Garden allows us
en la plataforma ArcGIS v. 10 utilizando la aplicacin Data to visualize the location in map by coordinates (latitude -
Interoperability y migrar el formato KML a shapefile y as longitude) of collection by species in Google Earth KML format.
tener toda la informacin estandarizada y depurada. After that, the information must be processed in ArcGIS
platform. v10 using the application Data Interoperability and
Adicionalmente, se utiliz informacin de la Base de Datos migrate from KML to shapefile format, with that way, we will
Mundial WorldClim descargada a travs de su pgina web en have all the information standardized in the same format.
formato rasterizado *.gri. Se recopil en total 19 variables
bioclimticas (Temperatura y Precipitacin) que estn Using WorldClim data allows us to collect 19 bioclimatic
relacionadas directamente con los aspectos fisiolgicos del variables (temperature and precipitation) that are directly
crecimiento de la especie y no tienen en cuenta el momento related to the physiological aspects of growth of the species.
en el que ocurri un estado especfico, es decir, no importa
si el mes ms caliente fue julio (hemisferio norte) o enero Finally, we will model the geographical distribution of species,
(hemisferio sur). using only data from sites of species presence and they
bioclimatic variables. All associated to a statistical model
El proceso del modelamiento se apoya en la plataforma based on the Maximum Entropy principle.
MaxEnt y como se mencion anteriormente, MaxEnt es
un programa que modela la distribucin geogrfica de las
especies, utilizando como datos slo los sitios de presencia
y las variables bioclimticas asociadas a cada de ellos;
respaldados en un modelo estadstico basado en el principio
de Mxima entropa.
6 MODELAMIENTO ESPACIAL DE NICHOS ECOLGICOS PARA LA EVALUACIN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONA PERUANA
I. INTRODUCCIN I. INTRODUCTION
Si bien es cierto que la composicin de nuestros bosques While it is true that our forests composition is complex
resulta ser tan complejo y heterogneo; su distribucin and heterogeneous, its distribution follows physical and
obedece a factores fsico-ambientales que restringen, environmental factors that restrict its presence in our territory
estableciendo lmites naturales, su presencia en nuestro within natural limits.
territorio.
Thus the behavior of some species in relation with others
Es as, que el comportamiento de ciertas especies con respecto follow a natural order of adaptability in dynamic scenarios
a otras podran parecer casi sin sentido, pero que en realidad such as variable at a time.
siguen un orden natural de adaptabilidad en escenarios tan
dinmicos y tan variables a la vez. The main idea of this research is to promote the debate in
order to develop policies and take decisions to preserve
Esta investigacin pretende generar espacios de debate y and exploit our natural resources adequately, for this is
aportes, con un nico fin de desarrollar polticas y fomentar necessary to formulate intervention strategies that generate
la toma de decisiones que busquen conservar y aprovechar a government presence.
adecuadamente nuestros recursos naturales; para ello es
necesario formular estrategias de intervencin que generen We understand that this level of research generates tools to
presencia del Estado. against world climate change, although, in this last years the
environmental conditions have been changed, they have been
Entendemos que a este nivel de investigacin, generamos affecting biotic and abiotic beings directly. In the biotic beings,
insumos para hacer frente al Cambio Climtico, si bien es the behavior, development, adaptability and persistence over
cierto, en estos ltimos aos las condiciones ambientales time, have been completely altered, putting some of them
han ido cambiando, esto ha repercutido directamente en los endangered. While in the abiotic beings, the weathering
seres biticos y abiticos. En lo bitico, el comportamiento, and erosion, degradation of the relief or substrate in which
desarrollo, adaptabilidad y permanencia en el tiempo, ha sido some species develop, suffer modification in morphology and
totalmente alterado, condenando en un tiempo no muy lejano physical - Chemical composition.
a su extincin. Mientras que en lo abitico, la meteorizacin,
erosin y degradacin sobre el relieve o sustrato en el cual Clearly world Climate Change has affected the amount of
se desarrollan las especies, sufrir modificaciones en su rainfall and temperature scales in the world, so it is necessary
morfologa y composicin fsico - qumico. to focus on the protection and use our resources adequately,
so that, we ensure the capture and storage of CO2, ensure
Es evidente que el cambio climtico ha incidido en la variacin permanence of a natural pharmacy and life, among other
del volumen de precipitaciones y de diferentes fluctuaciones benefits.
de temperaturas a nivel mundial, por ello, es necesario
incidir en la proteccin y uso racional de nuestros recursos
naturales, puesto que as aseguramos entre otros beneficios,
la captura y almacenamiento de CO2, la permanencia de una
gran farmacia natural y con ello, la continuidad de la vida en
el planeta.
MODELAMIENTO ESPACIAL DE NICHOS ECOLGICOS PARA LA EVALUACIN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONA PERUANA 7
II. OBJETIVOS
2.1. OBJETIVO GENERAL
Modelar los nichos ecolgicos de especies forestales para evaluar su presencia y distribucin espacial en la
amazona peruana.
2.2. OBJETIVOS ESPECFICOS

Acondicionar cartogrficamente el registro de especies forestales y de informacin climtica.
Determinar la probabilidad de presencia de una especie en condiciones ptimas.
Cuantificar el nivel de coincidencia de una especie frente a la probabilidad de presencia.

III. MARCO CONCEPTUAL

3.1. Nicho Ecolgico
Joseph Grinnell:
Es la unidad de distribucin final, en la que cada especie est condicionada por sus limitaciones instintivas y
estructurales (1924) (the ultimate distributional unit, within which each species is held by its structural and
instinctive limitations(1924)).
Es decir, cada especie tiene sus caractersticas fisiolgicas, morfolgicas y de comportamiento, lo que hace posible
que ocupen determinados espacios ofrecidos por la naturaleza (el nicho es una caracterstica del medio no de
los organismos). Bajo este concepto, existen nichos vacios, vacantes y la exclusin competitiva es la interaccin
principal, donde no existe un balance y una especie homloga ecolgicamente puede desplazar a la otra.
Los organismos que son equivalentes ecolgicos son parte del sustento de este concepto. Pues al existir
nichos similares en distintos lugares, estos son ocupados por organismos tambin similares en caractersticas
morfolgicas, fisiolgicas y conductuales.
Charles Elton:
El nicho describe el estatus de un animal en su comunidad, indicando que hace y no solamente como se ve
El nicho de un animal es el lugar que ocupa en el ambiente bitico y su relacin con la comida y sus enemigos
(naturales).
Pone nfasis en la funcin de una especie dentro de una cadena alimenticia (carnvoros, herbvoros), mientras
que las condiciones abiticas no son tomadas en cuenta. Nuevamente bajo este concepto de la comunidad
bitica no de los organismos en s. Por lo que el nicho en teora no est restringido a una especie. Por tanto,
los organismos relacionados como equivalentes ecolgicos seran un indicio de nichos similares, aunque las
comunidades estuvieran en lugares muy alejados.
Segn G. Evelyn Hutchinson:

El termino nicho se define como la suma de todos los factores que actan en un organismo; as el nicho se define
como un hyperespacio n-dimensional (1944). Las variables pueden ser fsicas o biolgicas.
Conceptos clave de Nicho Ecolgico

Nicho fundamental:
Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia
de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.
Nicho realizado/efectivo (realized):

Es un subconjunto del nicho fundamental en el cual las especies estn restringidas debido a sus interacciones
interespecficas. De manera menos compleja, es el espacio ecolgico y geogrfico donde la especie vive. Para
Sobern y Nakamura (2009), este concepto tiene una leve pero fundamental diferencia: el Nicho realizado (RN)
es la parte del nicho Potencial que las especies realmente usaran, despus de tomar en cuenta los efectos de
competidores y depredadores.
Bajo este modelo el nicho ecolgico comprende:

1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se constituye por el desempeo de una especie medido en trminos de adecuacin.
Figura N 1: Espacio Ecolgico
Precipitacin
PPTMAX
Espacio
ecolgico
PPTMIN
TMIN TMAX Temperatura
Conceptos clave de Nicho Ecolgico
Nicho fundamental:
Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia
de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.
Nicho realizado/efectivo (realized):

Es un subconjunto del nicho fundamental en el cual las especies estn restringidas debido a sus interacciones
interespecficas. De manera menos compleja, es el espacio ecolgico y geogrfico donde la especie vive. Para
Sobern y Nakamura (2009), este concepto tiene una leve pero fundamental diferencia: el Nicho realizado (RN)
es la parte del nicho Potencial que las especies realmente usaran, despus de tomar en cuenta los efectos de
competidores y depredadores.
Bajo este modelo el nicho ecolgico comprende:

1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se constituye por el desempeo de una especie medido en trminos de adecuacin.
Figura N 2: Esquema de Nicho Fundamental
Nicho fundamental
Nicho
realizado
Temperatura
Figura N 3: Nicho Ecolgico
Crticas al concepto de Nicho (enumeradas por Martnez-Meyer)

Falta de una adecuada hiptesis nula y rigor estadstico
La competencia no es necesariamente el proceso clave en ecologa (complementando esto, creo que en
general es difcil demostrar competencia realmente pero esto es algo que los demgrafos saben mejor).
Uso ambiguo y confuso del trmino nicho.
Otros conceptos importantes:

Amplitud de nicho (Niche breath): La variedad de recursos (hbitats) utilizados por la especie.
Particin de nicho (Niche partitioning): El grado de uso diferencial de las especies para que coexistan.
Solapamiento de nicho (Niche overlap): El uso mutuo de recursos por diferentes especies.
Ensamble de nicho (Niche assembly): Colonizacin y organizacin de las especies en un Nuevo o abandonado
nicho.
Un concepto reformulado de nicho:

Chase and Leibold (2003): El nicho de una especie es la descripcin del conjunto de condiciones ambientales
que permiten satisfacer sus requisitos mnimos de dicha especie, para que la tasa de natalidad de la poblacin
local sea mayor igual que su tasa de mortalidad, junto con el conjunto de impactos per cpita de esa especie en
estas condiciones ambientales.
Modelado de Nicho Ecolgico

Desde la dcada de los ochentas, los australianos comenzaron con la modelacin bioclimtica para estudios
entomolgicos (Climex). Luego desarrollaron la base de datos Bioclim, DOMAIN y posteriormente GARP. Hoy en
da existen cerca de 15 mtodos para modelado de nicho, la mayora de ellos de acceso libre.
El modelado del nicho ecolgico, es un instrumento que nos permite analizar los factores ecolgicos asociados
a distintas poblaciones de determinada especie y que la influyen en distintos grados y modos, informacin que
analizada por distintos tipos de algoritmos nos posibilita proyectar a nivel geogrfico o el rea potencial que
ocupa la especie. Para Soberon y Nakamura (2009), el propsito del modelado del nicho ecolgico o de los
modelados de distribucin de especies y del modelado de hbitat son el mismo: identificar los sitios adecuados
para la supervivencia de las poblaciones de una especie por medio de la identificacin de sus requerimientos
ambientales.
En el sentido estricto lo que estamos modelando es el nicho efectivo o realizado (Grinelleano. sensu J. Sobern)
y el resultado del anlisis nos indica con cierto valor de probabilidad y error estadstico asociado, el espacio
geogrfico que es propicio para una especie, por lo que las especies no podran estar en el espacio predicho, ya
sea por efecto de:
a) Interacciones biticas con otros organismos (competencia, depredacin, escases de alimento).
b) Dificultad para dispersarse en esos lugares (por tiempo o barreras geogrficas y ecolgicas).
c) Ha sido removida o se ha extinguido.
Aunque an hay ciertos problemas tericos que ponen a debate que es lo que realmente se est modelando (no
es una exageracin decir que no existe un consenso acerca de los diferentes mtodos de modelamiento Soberon
y Nakamura, 2009).
Figura N 4: Modelado de Nichos Ecolgicos y distribuciones geogrficas
De lo anterior se deriva que:

1. Las especies responden a reglas ecolgicas que determinan su distribucin en el espacio geogrfico (en el
modelado analizamos la interaccin entre el espacio ecolgico y el geogrfico).
2. Estas reglas ecolgicas son independientes del espacio geogrfico, por lo que la especie puede ser predicha en
lugares donde nunca ha sido registrada (nicho potencial). Esto es importante ya que este aspecto nos puede
llevar a encontrar espacios geogrficos en donde existen especies nuevas, que suelen ser especies hermanas
de la que ha sido modelada (ver Raxworthy et al. 2003 para un ejemplo con especies de camaleones de
Madagascar), lo que nos indica que el nicho ecolgico tiende a ser evolutivamente estable (conservadurismo
del nicho).
3. Del prrafo anterior tambin se deriva que cada punto geogrfico se corresponde con slo un punto en el
espacio ecolgico, pero cada punto en el espacio ecolgico se puede corresponder con ms de un punto en el
espacio geogrfico.
Como hemos mencionado, existen factores que influyen en la distribucin de las especies que en forma general
son: la cantidad de calor (temperatura), disponibilidad de agua y topografa, y de forma ms particular pueden ser:
tipos de suelo, evapotranspiracin, horas de luz, das con temperaturas bajo cero, etc. Las distintas mediciones
de estos factores, registrados por un cierto tiempo en todo el mundo, se han estandarizado para formar capas
bioclimticas. Estas capas nos permitirn analizar el espacio ecolgico de las especies, ya que se pueden obtener
los valores biocIimticos correspondientes a cada dato donde hay presencia de alguna especie de inters y
usarlo como insumo de un algoritmo de modelacin que nos permitir obtener el modelo de nicho ecolgico
correspondiente a cada caso.
La modelacin de nichos ecolgicos an es un rea en desarrollo, que nos permitir resolver distintas preguntas
biolgicas y generar hiptesis de distribucin de especies bajo distintos escenarios geogrficos y temporales,
pero tambin tienen limitaciones, por ejemplo:
1.- Limitaciones asociadas a la incertidumbre de las capas y envolturas bioclimticas utilizadas (errores arrastrados
desde la toma de datos e incertidumbre asociada a la escala utilizada).
2.- La incertidumbre asociada a los algoritmos utilizados.
3.- Dificultad para modelar las distintas interacciones biticas de las especies o su capacidad de dispersin.
Antes de continuar tenemos que apuntar otros conceptos importantes y que vale distinguir bien, ya que podran
ser fuente de confusin o debate:
Para J. Sobern. realmente se est trabajando con el nicho Grinelleano en la escala a la que normalmente se
modelan los nichos ecolgicos (celdas > 10 km2). Ejemplo: La resolucin espacial de las capas bioclimticas de
Worldclim es de: 30 segundos (0.93x0.93 = 0.86 km2 en el ecuador: a 2.5, 5 y 10 minutos (18.6 x 18.6 = 344 km2
el ecuador).
En esta escala los factores biticos propios de los nichos definidos por Elton, son menos relevantes que los factores
abiticos, es decir, la seal est dominada por los factores abiticos y los factores biticos actan simplemente
como ruido y se entiende que:
a) Los procesos eltonianos (Nicho segn Elton) son de muy alta resolucin. Las variables consideradas en
este concepto (variables trficas e interacciones ecolgicas) como concentracin de nutrientes, tamao y
distribucin de la comida, presas, depredadores, competidores, densidad de mutualistas, etc; son variables
altamente interactivas.
B) En la escala de modelado de nicho se utilizan las variables scenopoeticas (scenopoetic variable, sensu J.
Sobern), que generalmente se entiende como elevacin, orientacin, geologa y clima, que son poco
interactivas. Puede existir una exclusin competitiva, pero esta no afecta al total de la poblacin.
C) El nicho Grinelleano es multidimensional (forman un n-hiperespacio dimensional) en el espacio de las
variables scenopoeticas.
3.2 Caractersticas y formatos de los distintos datos necesarios para poder utilizarlos en la
modelacin de nichos ecolgicos.
Georeferenciacin
Antes de abordar algunos de los programas ms importantes para generacin de modelos de nicho ecolgico,
es necesario indicar cmo es que los datos geogrficos y bioclimticos se manejan y procesan para poder ser
ingresados a dichos programas.
La informacin sobre las colectas y poblaciones de distintas especies que nos interesa modelar tienen que contar
con coordenadas geogrficas, que nos permitan ubicarlas espacialmente y poder posteriormente relacionarlas con
los datos medioambientales, ecolgicos, geolgicos, etc; recabados para el sitio o la regin en donde se colect
la muestra. Actualmente, cada vez que se realiza una colecta es una regla tomar las coordenadas geogrficas con
GPS, sin embargo las colectas ms antiguas slo contenan el nombre de la localidad donde se realiz la coleccin
y si tenemos suerte, se cita a cuantos kilmetros se encontraban del poblado o carretera ms importante. Por
lo que, si se requiere utilizar estos datos, es necesario determinar las coordenadas geogrficas de los puntos de
colecta, o sea georeferenciar el punto para obtener las coordenadas, que deben de estar en un formato decimal,
que es el que la mayora de los programas de modelado aceptan.
Este proceso se puede hacer de varias formas, la primera es localizando la localidad en cartas geogrficas de
la regin y extrayendo directamente las coordenadas de las cartas, que por estar generalmente en formato de
coordenadas geodsicas o geogrficas (grados, minutos y segundos, con latitud referida desde el ecuador y
longitud tomando como referencia el meridiano de Greenwich), se tienen que transformar a grados decimales:
Grados decimales = grados(.)+(min/60)+(seg/3600)
Ests coordenadas se tienen que referir con un signo positivo o negativo dependiendo de la regin del mundo.
Para lo longitud, la convencin es poner un signo negativo a los puntos al oeste del meridiano de Greenwich y
positivos los que estn al este.
Asimismo, para la latitud todos los puntos al norte del ecuador geogrfico se asignan con un valor positivo y todos
al sur con un valor negativo, ejemplo:
Centro de la Ciudad de Mxico: Lat 19.4342. Long. -99.1386.
Generalmente no se marca el signo positivo ni los smbolos N (Norte) y W (Oeste), pues slo se utilizan en
coordenadas geogrficas. En realidad este proceso es sencillo pero hay que tener cuidado ya que las coordenadas
geogrficas dependen del tipo de proyeccin utilizada y el Datum.
Las proyecciones cartogrficas pueden ser cnicas o cilndricas y se refieren a la forma en que la geografa real
del globo terrestre se proyecta en un plano, es decir, cmo los distintos puntos sobre el rea curva del planeta se
corresponden o transforman a una relacin ordenada en un plano (auxilindonos de los meridianos y paralelos
que forman una especie de malla).
A muy grandes rasgos definimos estos dos grupos de proyecciones:
1. Cilndricas. En la que toda la tierra se proyecta a un cilindro imaginario que la rodea y que despus se abrir
para formar un plano. Ejem.: proyeccin de Miller, Peter y quiz la ms usada Mercator (de las que se derivan
las coordenadas UTM o Universal Transverse Mercator).
2. Cnicas. Que cmo indica el nombre se explican como conos que se ponen sobre la esfera terrestre y en
donde se proyectarn los puntos, para luego abrir dicho cono en un plano. Ejem.: proyeccin de Lambert y
proyeccin de Albert.
En cuanto al Datum o Datum de referencia, en nuestro caso indica a un punto de referencia sobre la superficie de
la tierra, asociado a un modelo de su forma (elipsoide de referencia) y a partir del cual toman las coordenadas. El
elipsoide de referencia es una aproximacin terica a la superficie terrestre, dado que la tierra no es una esfera
o un elipse uniforme (no es un cuerpo regular), lo cual dificulta hacer distintos clculos de tipo topogrfico. Pero
cmo an se tenan dificultades para adaptar los clculos a distintas regiones o pases del globo, se invent el
Datum para tratar de aproximar mejor las coordenadas a la realidad local de ciertas reas. De lo cual se puede
deducir que existen muchos Datums. Aunque los Datums ms recientes tratan de abarcar mayores reas. Por esta
razn, una localidad en mapas con Datums diferentes tambin tiene coordenadas diferentes, esto debemos de
tenerlo en cuenta si queremos transformar coordenadas de un tipo de proyeccin a otra.
Para Norteamrica, los Datums ms comunes son el NAD27, NAD83 y el WGS84 y para Europa es el ETRS89. Sin
embargo el Datum WGS84 (prcticamente igual al NAD83), es un Datum con referencia al centro de la tierra y
valido para todo el globo, por lo que es el sistema de referencia mundial actual y el que manejan los dispositivos
GPS por defecto. Sin embargo, siempre hay que tener cuidado al tomar las coordenadas con un dispositivo de
estos, pues existe la posibilidad de tomar datos con distintos Datums y distintas proyecciones (ejemplo con
coordenadas UTM) dando variaciones de cientos o miles de metros.
Volviendo a la georreferenciacin, otra posibilidad es recurrir a las gacetas geogrficas en red, que son bases de
datos que contiene georreferenciadas cientos de localidades, a veces incluyendo datos como altitud y poblaciones
cercanas. Estas gacetas pueden contener informacin de un solo pas o tener datos a nivel mundial. Incluso
herramientas como Google Earth, son tiles para la bsqueda y georreferenciacin de localidades. Los gaceteros
se pueden buscar en la red con el nombre de Gazetters, uno bastante til para Mxico y para otras partes del
mundo es el Global Gazetter ver. 2.2 que se puede encontrar en:
http://www.fallingrain.com/world
Tambin puede consultar la siguiente pgina de internet en donde se citan distintos recursos de georreferenciacin,
transformacin de coordenadas y bases de datos:
http://www.herpnet.org/Gazetteer/GeorefResources.htm
3.3 Sistemas de Informacin geogrfica - SIG
Una vez que contamos con nuestras localidades de colecta georeferenciadas, se ingresan en hojas de Microsoft
Excel u otro tipo de programa para base de datos. El siguiente paso es transformar o guardar estos datos en
formatos que puedan ser ledos por los programas de modelacin de nicho. Esto se hace por medio de los
Sistemas de Informacin geogrfica (SIG):
Un SIG es un sistema de hardware, software y procedimientos diseados para auxiliar en la captura,

administracin, manipulacin, anlisis y presentacin de datos u objetos referenciados espacialmente llamados
comnmente datos espaciales u objetos espaciales (Harmon y Anderson. 2003).
Uno de estos programas es el ArcView que no es considerado propiamente un SIG por algunos autores, aunque
s lo es ArcGIS, un programa ms grande con distintos mdulos, incluido el ArcView.
ArcView es un programa desarrollado por ESRI (Enviromental Systems Research Institute) con sede principal en
Estados Unidos. Con este programa se pueden representar datos georreferenciados y proyectarlos sobre mapas,
hacer anlisis bsicos de las caractersticas y patrones de distribucin de esos datos, generar y manipular mapas,
unirlos, cortarlos etc; adems de producir informes y tablas con los resultados de dichos anlisis, transformar y
guardar datos geogrficos en mltiples formatos de salida, as como manejar las distintas capas bioclimticas.
3.4 Tipos de datos manejados en un SIG
Bsicamente un SIG maneja dos tipos de datos, los vectoriales y raster. El formato vectorial se compone de pares de
coordenadas para cada objeto (vrtices) con los que se construyen vectores. A su vez se tienen distintos formatos
que son puntos (feature data, que son slo un par de coordenadas), lneas y polgonos. Es decir representa a los
objetos mediante puntos, lneas y polgonos.
Los formatos vectoriales pueden ser guardados en distintos tipos de archivos: DXF (autocad), CDR (corell draw)
o SHP (Shapefile para ArcGIS). Un archivo Shapefile se compone por lo menos de tres archivos con las siguientes
extensiones:
*.shp : Almacena los objetos vectoriales

*.shx : Almacena la indexacin del objeto vectorial
*.dbf: Almacena los atributos del objeto vectorial
Puede contener otros archivos como *.prj usado por ArcGIS y que guarda la proyeccin cartogrfica utilizada.
Ventajas de los modelos vectoriales:
1. Buena presentacin y resolucin.
2. Menor tamao y por tanto mayor velocidad en el procesamiento.
3. Buen manejo de variables categricas.
Desventajas de los modelos vectoriales:

1. Estructura de datos y programas de tratamiento complejos.
2. Inadecuado para el manejo de variables continuas.
3. Inexacto en el manejo de objetos bien definidos (problemas con curvas de nivel, isotermas, etc.).
Los datos tipo raster representan a los objetos mediante la estructuracin del espacio en una rejilla compuesta
de celdas cuadradas llamadas pixeles a los cuales se le aade un valor (nunca hay pixeles vacios, pueden ser
transparentes o de valor cero). Los formatos tipo raster pueden ser:
1. Formatos de imagen (Imagen Data e Image Analyst Data) que son raster multibanda (se guardan en una matriz
de valores) como *.png. *jpg (tiene tres bandas: rojo, verde y azul), *tif o *gif.
2. Grids (grids data) que tienen una sola banda:
a) Formato Arc/lnfo Binar/ Grids: Desarrollado por ESRI (al igual que el Ascii raster format) con extensin
*.ADF consiste en grids binarios que se guardan en varios archivos en por lo menos dos directorios (el
directorio nombre y el directorio info). Estos archivos son: el db, lb, nd.adf que contiene informacin de los
lmites de las porciones utilizadas del grid: el hdr.adf que es el que contiene el encabezado e informacin del
tamao y nmero de los mosaicos utilizados: el sta.adf que contiene informacin estadstica del raster:
vat.adf que tiene datos del valor de atributos en tablas; el prj.adf que tiene la proyeccin y su parmetro:
el tic.adf con coordenadas; el w001001.adf que tiene los datos actuales del raster y el w001001x.adf que
contiene un ndice de los puntos de cada mosaico contenido en el archivo w001001.adf.
b) Ascii raster grid o simplemente Ascii (ESRI ASCII Raster Format): Es ms bien slo un formato para el
almacenamiento e intercambio de la informacin entre distintos sistemas que utilizan rasters y su
extensin es .asc.
Por lo cual podemos tener mapas en formato Arclnfo Binary Grids y Ascii raster grids. Extensiones como *.grd o
*.gri son propias de otros programas de SIG y modelado como el DivaGis.
Ventajas de los modelos raster:

1. Procesos rpidos, fciles de programar por su simplicidad lgica.
2. Captura rpida de la informacin.
3. Facilidad de anlisis y simulacin espacial.
4. Representan bien a variables continuas y categricas.
5. Tecnologa barata y es la que usan las imgenes satelitales y modelos de elevacin.
Desventajas de los modelos raster:

1. Volumen muy grande de datos, por lo que necesitan gran cantidad de memoria RAM y espacio en disco duro.
2. Menor resolucin o inexactitud derivada del tamao del pixel.
3.5 Principales algoritmos para modelado de nichos ecolgicos
A continuacin tocaremos dos de los algoritmos ms utilizados para la modelacin de nichos ecolgicos y que han
demostrado un buen desempeo y poder de predictibilidad y que utilizan slo datos de muestreo eliminando los
inconvenientes de los mtodos de presencia-ausencia en especial para determinar con exactitud la no presencia de
una especie en un rea. Por tanto, otros tipos de algoritmos an necesitan evaluarse ms, pues la duda de lo que en
verdad modelan es an ms grande que en los algoritmos que revisaremos, por ejemplo con BIOCLIM probablemente
se est modelando algo entre el nicho realizado y el nicho fundamental ( Sobern y Nakamura, 2009).
3.6 MaxEnt
La idea general de MaxEnt es estimar una probabilidad de distribucin destino (objetivo, blanco), mediante
el modelado de la distribucin de probabilidad de mxima entropa (es decir, que es el ms extendida, o ms
cercana a ser uniforme), sujeta a una serie de restricciones que representan nuestra informacin incompleta
acerca de la distribucin objetivo.
3.6.1 Definicin de MaxEnt

Es un programa que modela la distribucin geogrfica de las especies, utilizando como datos slo los
sitios de presencia y las variables bioclimticas asociadas a cada uno de esos puntos de presencia. Para
modelar las distribuciones se basa en el principio de Mxima entropa.
Algunas ventajas de MaxEnt:

1- Slo requiere datos de presencia
2- Puede utilizar datos continuos y categricos
3- Tiene Algoritmos (deterministas) eficientes que garantizan que se converja en la distribucin de
probabilidades propia (mxima entropa).
4- El sobre ajuste se evita.
5- El resultado es continuo, permitiendo distinguir sutiles cambios en la adecuacin (suitability)
modelada (para cada especie) en diferentes reas.
3.6.2 Mxima Entropa

La entropa en este contexto es un concepto derivado de la teora de la informacin, que nos dice qu
tan aleatorio es algo (por ejemplo, una lnea de caracteres: werztxnknlk u otro tipo de seal), o sea es
una medida de la aleatoriedad. Es decir, en una seal o conjunto de datos, si todos sus elementos son
equiprobables cuando aparecen, entonces la entropa es mxima.
Aplicando de manera prctica este concepto, se buscara encontrar aquella distribucin de probabilidades
que maximice la entropa, dado ciertas restricciones que representan la informacin disponible
(informacin incompleta) sobre el fenmeno o tema estudiado.
Para explicar mejor este concepto imaginemos que tenemos 3 cajas de manzanas. Ests cajas estn
cerradas pero contamos con la nica informacin (informacin parcial) de que en total hay nueve
manzanas en esas tres cajas:
a) Cul es la manera ms probable en que estn distribuidas las manzanas?

R= La distribucin de mxima entropa es la ms probable.
b) Pero por qu?

R= Segn la frmula de Shannon (1948) la entropa es S= j nj ln(nj)
Donde nj es igual al nmero de manzanas en las cajas. Por tanto la distribucin de mxima entropa
es (3,3,3).
Caja 1 Caja 2 Caja 3 Entropa

3 3 3 -9.9
1 5 3 -11.3
0 1 8 -16.6
Vemos que la mayor entropa corresponde a tener las tres cajas con tres manzanas cada una (distribucin
uniforme y la ms probable).Se puede comprobar fcilmente estos resultados con una calculadora.
Pero podemos poner restricciones en la forma de organizar las manzanas, por ejemplo: Pedimos que adems,
la distribucin sea de mxima entropa y cumpla con que el nmero de manzanas en la segunda caja sea de 5.
Entonces tenemos:
Caja 1 Caja 2 Caja 3 Entropa

2 5 2 -10.8
1 5 3 -11.3
4 5 0 -13.6
La distribucin que maximiza la entropa es la primera (2, 5, 2), que es una distribucin ms cercana a la
distribucin uniforme y la ms probable bajo estas condiciones.
Ahora piense que en lugar de cajas tenemos pixeles (de un rea de estudio) y en lugar de manzanas tenemos
presencias de especies, y las restricciones son los valores empricos promedio de las llamadas caractersticas
de la informacin disponible; en este caso variables bioclimticas. Es decir, los pixeles del area de estudio son el
espacio de donde la probabilidad de distribucin de MaxEnt es definida. Los pixeles con presencia de una especie
(records) constituyen los puntos de muestreo y las caractersticas son las variables climticas y ecolgicas.
La informacin disponible sobre la distribucin de los valores bioclimticos asociados con la presencia de especies,
se presenta como un conjunto de valores de variables reales, llamadas caractersticas, y las restricciones son;
que el valor esperado para cada caracterstica debe coincidir con su valor emprico promedio (valor promedio de
un conjunto de puntos de muestreo tomado de la distribucin objetivo o de destino).
Esta sera la forma ms sencilla de tratar de entender el principio bajo el cual funciona MaxEnt. Claro que en
realidad las cosas son un poco ms complicadas como veremos a continuacin.
De acuerdo a lo anterior, MaxEnt estima distribuciones que deben de estar de acuerdo con todo lo que se
conoce (aunque sea de manera incompleta) de la informacin inferida de las condiciones ambientales de las
localidades de ocurrencia y evitar restricciones infundadas. MaxEnt entonces trata de encontrar la distribucin de
probabilidad de mxima entropa (cercana a la uniforme), sujeta a las limitaciones impuestas por la informacin
disponible sobre la distribucin observada de las especies y las condiciones ambientales en el rea de estudio.
MaxEnt genera una distribucin de probabilidades basado en las variables ambientales de toda el rea de estudio.
Si el rea es muy grande (> 600.000 pixeles) se toma una muestra aleatoria de unos 100,000 pixeles background
para representar las condiciones ambientales de la regin.
Adems del principio de mxima entropa, MaxEnt necesita de un algoritmo que le permita encontrar las
distribuciones con mayor entropa. Este algoritmo (sequential update algorithm (Dudik et al. 2004). Utiliza
iteraciones en donde va dando distintos pesos a las variables utilizadas y va ajustndolas. Es un algoritmo
determinstico que segn los autores y distintas pruebas empricas garantiza que converger en la distribucin
de probabilidades MaxEnt. Al terminar el proceso de iteracin MaxEnt asigna una probabilidad negativa a
cada pixel del rea total de estudio, que al final deben sumar 1, por lo que se aplica un valor de correccin
para hacerlos positivos y que sumen entre todos 100%. Pero como cada pixel presenta valores muy pequeos.
MaxEnt los presenta con un valor que es el resultado de la suma del valor de ese pixel y de todos los dems
pxeles con un valor de probabilidad igual. Esos valores pueden ir de 0 a 100 e indican probabilidad de
ocurrencia de la especie.
El programa se carga con variables o capas bioclimticas en formato ASCII (se puede descargar de la pgina de
WorldClim o ser generadas por el usuario) y con datos de presencia con nombre de la especie y coordenadas
decimales guardados en archivos de formato CSV (disponible en Excel). Se pueden mantener los valores default
como el umbral de convergencia = 10-5 e iteraciones de 500. Que empricamente se han observado que funcionan
bien, y que son conservativos pero que permiten al algoritmo llegar cerca de la convergencia, ms adelante
tocaremos el tema de los umbrales. El resultado son mapas de probabilidad de distribucin en Ascii y una hoja de
resultados en html con imgenes de los mismos mapas en (*.png) y una serie de datos estadsticos de validacin.
Los datos se cargan fcilmente por medio de una interfaz grfica como la que se muestra a continuacin (del
manual MaxEnt):
Figura N 5: Interfaz Software Maxent

3.6.3 Umbral de decisin
Para decidir la validacin de un modelo y su interpretacin es deseable distinguir entre reas adecuadas
(para la especie) de las inadecuadas, para establecer un umbral de decisin, por arriba del cual el modelo
resultante es considerado como una prediccin de presencia. Para el caso de modelos de slo presencia
como MaxEnt, el umbral se puede encontrar de dos maneras:
1. Se escoge el valor de prediccin ms bajo asociado con algn record de presencia. Este ser el umbral
de presencia ms bajo (LPT. por sus siglas en ingls). Y es un umbral conservativo.
2. La aproximacin ms liberal, consiste en aplicar un umbral fijo que refute slo el 10% ms bajo de
los posibles valores predichos. Para MaxEnt se usa un umbral de 10 (T10). Estos umbrales se pueden
escoger tambin de pruebas preliminares que den valores de LPT ms altos que los umbrales fijados.
Despus de que MaxEnt ha terminado sus bsquedas, tiene la posibilidad de hacer algunas pruebas estadsticas
para determinar la validez estadstica de los modelos encontrados. Asimismo muestra que variables son las
que han influenciado ms o son las ms importantes para el modelo determinado. Ests ltimas pruebas estn
suficientemente explicadas en el manual de MaxEnt.
Prueba de Jackknife (Jackknife model testing)

Para esta prueba se excluyen las localidades observadas una en cada caso (o corrida). Para cada prediccin un
umbral se aplica basado en localidades de entrenamiento (I) y se prueba la habilidad de predecir las localidades
excluidas. Entonces se calcula un valor de probabilidad P para cada especie a travs del set de todas las predicciones
de jackknife. Tambin por medio de un procedimiento de Jackknife se hace un anlisis en MaxEnt para estimar
que variables son ms importantes para la presencia de la especie.
(l): subconjunto de puntos que s se utilizarn en el anlisis, pero que sirven para comenzar a entrenar o calentar
el modelo iterativo. No confundir con los puntos de prueba que se utilizan para validar el modelo al compararlos
con los de entrenamiento.
3.6.4 Curvas de omisin (Omission)

Antes tenemos que hablar de los tipos de errores que hay en las predicciones y en los algoritmos de datos
de slo presencia
Matriz de confusin Presente Ausente
Predicho como presente a b

Predicho como ausente c d
Entonces a y d son predicciones correctas, pero:

b = Es un falso positivo o una sobreprediccin. Llamado error de comisin (commission error).
c = Es un falso negativo o subprediccin. Llamado error de omisin (ommission error).
MaxEnt presenta una curva de omisin de datos de prueba (un 25% de puntos aleatorios) contra omisin
de datos de entrenamiento. En ests grficas se observa cmo el rea predicha vara con la eleccin de un
umbral acumulativo. Se busca que la omisin de prueba se ajuste a la omisin de entrenamiento.
Grafico N 1: Curva de omisin
3.6.5 Curvas ROC (Receiver operating caracteristic analysis)

Este tipo de pruebas fueron implementadas por operadores de radar durante la segunda Guerra mundial,
pero han sido trasportadas a muchas reas en donde es necesario caracterizar el rendimiento de un
modelo y tomar decisiones. La curva ROC, caracteriza el rendimiento de un modelo en todos los posibles
umbrales simplemente con un nmero: el rea bajo la curva o AUC. Las curvas nos permiten comparar
tambin el rendimiento entre distintos tratamientos y algoritmos (se han comparado modelos de MaxEnt
y otros con esta aproximacin, resultando mejor MaxEnt en la mayora de las pruebas). Su utilizacin
primaria fue la de encontrar el punto de corte ptimo y son curvas en las que se presenta la sensibilidad
(omisin cero = 100% de sensibilidad) en funcin de los falsos positivos (error de comisin) para distintos
puntos de corte (umbrales). Como ya se mencion, un parmetro para evaluar la bondad de la prueba
es el rea bajo la curva que toma valores entre 1 (prueba perfecta) y 0.5 (prueba intil). Esta rea puede
interpretarse como la probabilidad de que ante un par de puntos, uno con presencia y otro sin presencia
(de la especie), la prueba los califique correctamente.
En la curva ROC vemos graneados los puntos de prueba y los de entrenamiento. Si los datos de
entrenamiento ajustan bien al modelo (p> 0.9), se estar indicando la capacidad del modelo para predecir.
Si los datos de prueba son menores (p <= 0.5) y estn debajo de la lnea diagonal, se indica que el modelo
es peor que un modelo aleatorio (no es mejor que el azar). Idealmente se busca que las curvas estn en
el extremo superior izquierdo lo que indica que no hay ningn error de omisin o 100% de sensibilidad y
ningn error de comisin o 100% de especificidad.
Grafico N 2: Curva ROC
3.6.6 Pruebas de Solapamiento de Nicho

Desde hace algunos aos ha ido en aumento el debate entre distintos investigadores sobre si las especies
filogenticamente cercanas son ecolgicamente similares a lo que se le conoce como Conservadurismo
Filogentico del Nicho (CFN). Algunos autores como Peterson et al (1999) concluyen de sus trabajos que la
especiacin se da en primera instancia en un contexto geogrfico y no en uno ecolgico, y el cambio y las
diferencias ecolgicas evolucionarn posteriormente. Graham et al. (2004) con datos de dendrobtidos
sugieren que el medioambiente tiene una gran importancia en la divergencia de las especies. Incluso
algunos investigadores han sugerido que el CFN prcticamente es un fenmeno inevitable en la evolucin
de las especies, sin embargo Losos (2008) concluye que para muchos clados algunos caracteres ecolgicos
no presentan un CFN. Adems el autor hace hincapi en distinguir la seal filogentica del CFN. La primera
se refiere a que las diferencias o similitudes en el nicho ecolgico entre especies hermanas son un efecto
slo de sus relaciones filogenticas, y el CFN se refiere ms bien a que las especies pueden tener mayores
similitudes ecolgicas que las esperadas slo por sus relaciones filogenticas. Esto ltimo indicara que
algn proceso est restringiendo la divergencia entre especies filogenticamente cercanas.
Asimismo, algunos autores han tratado de desarrollar mtodos para medir que tan parecidos son los
nichos entre especies y tratar de probar hiptesis acerca del CFN, por ejemplo Peterson et al (1999) que
desarrollan una prueba de similitud de nicho.
Recientemente Warren et al. (2008), desarrollaron una serie de pruebas para cuantificar la similitud del
nicho ecolgico y comparar la equivalencia contra el conservadurismo del nicho. Pensamos que ests
pruebas tienen un buen potencial para el estudio de la cuestin del CFN. adems de que los autores han
implementado un programa que entre otras pruebas realiza las pruebas de similitud y equivalencia de
nicho, que nos interesan.
La similitud de nicho se refiere a cmo el modelo de nicho ecolgico de una especie predice a otra especie
mejor de lo que se esperara por azar bajo un modelo nulo especfico. La equivalencia de nicho se refiere
a si dos modelos de nicho de distintas especies son indistinguibles uno del otro. Sin embargo, estas
dos definiciones slo califican a dos casos extremos de uno continuo, ya que se espera que el grado de
conservacin de un nicho ecolgico este situado en cualquier parte entre los dos extremos mencionados.
Para evaluar la similitud y la equivalencia Warren et al. (2008) idearon dos medidas de solapamiento
de nicho (D e I) que luego se someteran a distintas pruebas estadsticas para cuantificar la similitud y la
equivalencia de nicho. El primer ndice llamado (D) deriva del antiguo ndice de Schoener utilizado en la
Ecologa para cuantificar solapamiento de nicho alimenticio y microhbitat. El segundo ndice llamado (I),
deriva de la distancia de Hellinger (H) y no deriva de supuestos biolgicos sino solamente se basa en la
comparacin de distribuciones de probabilidad. Ambos ndices pueden tomar un valor de 0 que indica no
solapamiento hasta 1 que indica que los modelos son idnticos.
Sin embargo las complicaciones con las pruebas de similitud y equivalencia derivan de la parte prctica de
su ejecucin y un poco menos de los supuestos que las sustentan.
3.7 Ventajas de usar modelos
Permiten la integracin de mltiples variables complejas en un marco definido y comparable con otros.
La creacin de modelos requiere la formacin de grupos interdisciplinarios que trabajen coordinadamente. En

este sentido, los modelos son una buena excusa para trabajar en equipo.
La simulacin es un proceso rpido y barato de investigacin. Esto es especialmente cierto cuando los
requerimientos econmicos no permiten una fase intensa de captura de informacin para resolver un problema
determinado.
Gracias a los modelos se puede simular el transcurso de grandes periodos de tiempo en cuestin de segundos o minutos.
La creacin de un modelo casi siempre acaba mejorando la comprensin del proceso modelado por parte de los
autores.
Los modelos permiten un anlisis del tipo qu pasara s?, lo que nos permite modificar ciertos parmetros del
sistema modelado para evaluar los resultados en los distintos casos.
3.8 Desventajas de usar modelos

La interpretacin de los resultados. stos han de ser analizados crticamente, teniendo en cuenta el proceso de
modelizacin y la informacin tomada para ejecutarlo. El hecho de que los resultados salgan de un ordenador, no
indican que sean inherentemente correctos.
Todos los modelos requieren una validacin, con el objeto de aplicar correctamente sus resultados. El problema
es que no hay una metodologa estndar para realizar esta comprobacin. En muchas ocasiones, los modelos
requieren gran cantidad de datos difciles de conseguir.
Por ltimo, los generadores de modelos suelen caer en el error de que su modelo es el mejor. Cuando uno hace
un modelo casi siempre se ajusta perfectamente a la realidad segn el autor. Lo que ocurre en realidad es que el
modelo se ajusta perfectamente a la percepcin de la realidad que tiene su autor, y no necesariamente al mundo
real en s. Por esto se produce esta falsa (a veces) sensacin de xito.
IV. ACTIVIDADES

4.1 Descripcin del rea de Estudio
El rea de estudio est relacionado con los mbitos geogrficos que cada Oficina Desconcentrada tiene asignado,
cada una de ellas se encuentra delimitada basndose en criterios de lmites departamentales, conectividad,
acceso y optimizacin del uso del recurso.
Cada Oficina Desconcentrada interacta con la sede central ubicada en la ciudad de Lima, permitiendo realizar
estrategias de supervisin, fiscalizacin y sobretodo una adecuada administracin de la informacin que se
registra en cada trabajo de supervisin.
La unidad mnima de investigacin es el POA (Plan Operativo Anual), PCA (Parcela de Corte Anual), PMCA (Plan
de Manejo Complementario Anual), de Autorizaciones y Permisos forestales. Es en estas unidades en donde se
evala una muestra representativa de individuos aprovechables generando un registro y localizados mediante un
equipo GPS con coordenadas planas UTM (Universal transvesal Mercator).

El siguiente cuadro se detalla el mbito de accin para cada Oficina Desconcentrada del OSINFOR:
Cuadro N 1: Ambitos administrativos de oficinas desconcentradas OSINFOR
mbito Geogrfico
N Oficina Desconcentrada
Departamento Provincias
1 Atalaya Ucayali Atalaya (Todos los distritos excepto Yura)
Ancash Todas
Cajamarca Todas
Solo el distrito de Huacrachuco, de la provincia
Hunuco
de Maran
2 Chiclayo
La Libertad Todas
Lambayeque Todas
Piura Todas
Tumbes Todas
Todas, excepto las provincias de Ucayali, Alto
3 Iquitos Loreto
Amazonas y Datem del Maran.
Junn Todas
Pasco Todas
4 La Merced
Conjunto geogrfico
Todo
VRAEM
Todas (excepto el distrito de Huacrachuco de la
Hunuco
Provincia del Maran)
5 Pucallpa Loreto Ucayali
Todas Coronel Portillo, Padre Abad, Purs, y
Ucayali
Atalaya (distrito Yura)
Madre de Dios Todas

6 Puerto Maldonado
Cusco Todas
Amazonas Todas
7 Tarapoto Loreto Alto Amazonas y Datem del Maran
San Martn Todas
Fuente: R.P. N123-2012-OSINFOR del 13.11.2012.
4.2 Descripcin del Material Utilizado

La cartografa digital utilizada en la elaboracin del presente estudio es la que se detalla a continuacin:
Cartografa digital base:

INEI: Limites polticos, centros poblados.
IGN: Cartas nacionales 1/100 000.
COFOPRI: Comunidades nativas, comunidades campesinas.
IBC: Comunidades nativas.
SERNANP: reas naturales protegidas, zonas de amortiguamiento, reas de conservacin regional.
Cartografa temtica:
OSINFOR: Individuos de especies forestales georeferenciadas.
WorldClim: Variables Bioclimticas
Software de Procesamiento
Software de anlisis espacial: ArcGIS v. 10.0
Maximum Entropy Species Distribution Modeling (MaxEnt) v. 3.3.3k
DIVA GIS v. 7.5.0.0
Software GPS: Mapsource, Basecamp, DNRgarmin.
Equipos
PC - Estaciones de trabajo.
Plotter A0.
Impresora A3.
GPS navegador Garmin Map GSX60 - 62CS - 62SC.

4.3 Metodologa

Tomando como premisa que el OSINFOR es el encargado a nivel nacional, de supervisar y fiscalizar el
aprovechamiento sostenible de los recursos forestales y de fauna silvestre, as como de los servicios ambientales
provenientes del bosque en Ttulos Habilitantes otorgados por el Estado a travs de diversas modalidades de
aprovechamiento (concesiones, permisos y autorizaciones).
En ese sentido, existen mecanismos que permiten recopilar y registrar informacin a nivel de cada individuo
en una muestra representativa a excepcin del cedro y caoba que son supervisados en su totalidad; todo ello
asociado a un mbito geogrfico y manteniendo el adecuado huso, datum y sistema de coordenadas planas.
Asimismo, las condiciones ambientales, generan restricciones en la presencia y desarrollo de un individuo

(floracin, aparicin, maduracin, cada de hojas y dormancia en el caso de fauna). A todo ello debemos agregar
el afn de la sociedad de querer aprovechar desmedidamente el recurso sin dejarlo recuperarse de manera
natural; claro est que debemos realizar un estudio complementario de aprovechamiento forestal para afianzar
lo anteriormente mencionado.
4.3.1.- Acondicionamiento de cartografa digital base y temtica

La cartografa digital base fue procesada con el software de anlisis ArcGIS v10, en donde se identific
la geometra del objeto (lnea, punto y polgono) a fin de enlazar de manera lgica sus atributos
creando correspondencia y permitindo modelar la distribucin espacial de la especie cuantficndolo y
enmarcndolo en un mbito administrativo y geogrfico.
Para el modelamiento de nichos ecolgicos, es necesario que nuestra cartografa se encuentre en

coordenadas geogrficas (latitud y longitud), puesto que los software libres utilizados tienen esa
restriccin (DIVA GIS, MaxEnt).
En ese sentido, la informacin temtica de individuos registrados por especie en los trabajos de supervisin
tienen asignado la proyeccin Universal Transversal Mercator (UTM), referida a las zonas 17, 18, 19 con
Datum horizontal WGS 84; los que debern ser reproyectados al sistema de Grados en latitud y longitud
a fin de estandarizarlos con la cartografa base.
El acondicionamiento de la informacin se realiz en su totalidad en formato shapefile migrado desde la

Base de Datos Espacial OSINFOR (Feature class - Geodatabase). Para ello, se identific slo 20 especies
representativas para analizar su distribucin y comportamiento.
En el siguiente cuadro se detalla la poblacin por especie y cantidad de individuos aprovechables

registrados en los trabajos de supervisin:
Cuadro N 2: Individuos Georeferenciados por el OSINFOR
Especie
Orden N Individuos
Especie nombre comn Especie nombre cientfico
1 Tornillo Cedrelinga catenaeformis 7525
2 Shihuahuaco Dipteryx micrantha 6900
3 Cedro Cedrela odorata 6297
4 Pashaco Schizolobium sp 4944
5 Moena Aniba sp 4188
6 Lupuna Chorisia integrifolia 4178
7 Cumala Virola sp 3359
8 Caoba Swietenia macrophylla 2208
9 Copaiba Copaifera sp 1748
10 Estoraque Myroxylon balsamun 1573
11 Azcar huayo Hymenaea sp 1512
12 Capirona Calycophyllum spruceanum 1197
13 Ishpingo Amburana cearensis 1174
14 Manchinga Brosimum sp. 1157
15 Quinilla Manilkara bidentata 1039
16 Catahua Hura crepitans 842
17 Ana caspi Apuleia mollaris 797
18 Marupa Simarouba amara 407
TOTAL 51045
Fuente: Supervisiones OSINFOR 2009 - marzo 2013
4.3.2.- Acondicionamiento de cartografa temtica Missouri Botanical Garden

Missouri Botanical Garden comparte conocimientos de las plantas y su entorno con el fin de preservar
y enriquecer la vida. Es as que ha generado una plataforma denominada Trpicos que fue creado
originalmente para la investigacin interna, pero desde entonces se ha puesto a disposicin de la
comunidad cientfica del mundo.
Todos los datos de nomenclatura, bibliografa y muestras acumuladas en las bases de datos electrnicas
del MBG durante los ltimos 25 aos estn a disposicin del pblico. Este sistema cuenta con ms de 1,2
millones de nombres cientficos y 4.0 millones de registros de especmenes.
Ello nos permitir complementar nuestros registros, validando la distribucin espacial y su presencia.
El acondicionamiento de la informacin obtenida de dicha web inicia con la descarga del reporte de la
especie consultada en formato *.CSV el mismo que deber ser migrado a una formato Excel para un
adecuado manejo de la informacin.
Asimismo, nos permite visualizar la localizacin mediante coordenadas geogrficas (latitud - longitud)
de las colectas por especie en formato KML de Google Earth. El mismo que deber ser procesado en la
plataforma ArcGIS v. 10 utilizando la aplicacin Data Interoperability y migrar el formato KML a shapefile
y as tener toda la informacin estandarizada y en el mismo formato.
A continuacin detallamos los individuos colectados por Missouri Botanical Garden:
Cuadro N 3: Individuos Colectados por MISSOURI BOTANICAL GARDEN (Anexo 1)

Especie
Orden N Individuos
Especie nombre comn Especie nombre cientfico
1 Ana caspi Apuleia molaris 1
2 Capirona Calycophyllum spruceanum 43
3 Cedro Cedrela odorata 42
4 Tornillo Cedrelinga cateniformis 43
5 Lupuna Chorisia integrifolia 10
6 Shihuahuaco Dipteryx micrantha 23
7 Catahua Hura crepitans 41
8 Quinilla Manilkara bidentata 10
9 Estoraque Myroxylon balsamum 55
10 Marupa Simarouba amara 54
11 Caoba Swietenia macrophylla 4
TOTAL 330
Fuente: Missouri Botanical Garden
4.3.3.- Acondicionamiento de informacin temtica WorldClim - Global Climate Data

WorldClim es un conjunto de capas temticas del clima global (redes climticas) con una resolucin
espacial de aproximadamente 1 kilmetro cuadrado. Los datos pueden ser utilizados para el mapeo y
modelado espacial en un SIG o con otros programas de ordenador. Su registro data de una temporalidad
y registro de 50 aos.
WorldClim a travs de su pgina web permite la descarga a nivel mundial de la informacin rasterizada en
formato *.gri. Para lo cual recopilamos en total 19 variables bioclimticas (Temperatura y Precipitacin)
que estn relacionadas directamente con los aspectos fisiolgicos del crecimiento de la especie y no
tienen en cuenta el momento en el que ocurri un estado especfico, es decir, no importa si el mes ms
caliente fue julio (hemisferio norte) o enero (hemisferio sur). Algunas variables bioclimticas incluyen
parmetros de clima tpicos y bsicos (como BI01, temperatura media anual o BI012, precipitacin anual),
mientras que otras combinan temperatura y precipitacin en una variable (como BI018, precipitacin
durante el trimestre ms caliente). Otras tienen en cuenta aspectos de la estacionalidad (como BI04
para temperatura, BI015 para precipitacin), que tambin pueden ser importantes para determinar la
distribucin de las especies.
En el siguiente cuadro, se detalla cada variable bioclimtica acondicionada para nuestro territorio y que
servirn para analizar el comportamiento de las 18 especies maderables.
Cuadro N 4: Variables Bioclimticas
Orden Cdigo Descripcin
1 BI01 Temperatura promedio anual

2 BI02 Rango medio diurno (temp max - temp min; promedio mensual
3 BI03 Isotermalidad (BI01/BI07)* 100
4 BI04 Estacionalidad en temperatura (coeficiente de variacin
5 BI05 Temperatura mxima del perodo ms caliente
6 BI06 Temperatura mnima del perodo ms fro
7 BI07 Rango anual de temperatura (BI05-BI06)
8 BI08 Temperatura media en el trimestre ms lluvioso
9 BI09 Temperatura promedio en el trimestre ms seco
10 BIO10 Temperatura promedio en el trimestre ms caluroso
11 BI011 Temperatura promedio en el trimestre ms fro
12 BI012 Precipitacin anual
13 BI013 Precipitacin en el perodo ms lluvioso
14 BI014 Precipitacin en el perodo ms seco
15 BI015 Estacionalidad de la precipitacin (Coeficiente de variacin)
16 BI016 Precipitacin en el trimestre ms lluvioso
17 BI017 Precipitacin en el trimestre ms seco
18 BI018 Precipitacin en el trimestre ms caluroso
19 BI019 Precipitacin en el trimestre ms fro
Fuente: WorldClim - Global Climate Data
Como ha sido mencionado, la informacin es mundial asi es que debemos acondicionarlo a nuestra
necesidades. Para lo cual utilizando la plataforma DIVA GIS se realiza un corte aproximado del rea a
estudiar que no necesariamente es el Per si no que debemos ver la influencia que los pases colindantes
ejercen sobre la probabilidad de presencia de las especies evaluadas y establecer corredores biolgicos.
Figura N 6: Interfaz Sofware DIVA-GIS
4.3.4.- Modelamiento de informacin temtica WorldClim y distribucin espacial de especies.

Para el modelamiento y anlisis de la informacin recopilada de WorldClim (Variables Bioclimticas)
y OSINFOR (Presencia de especies), nos apoyaremos en la plataforma MaxEnt y como se mencion
anteriormente, MaxEnt es un programa que modela la distribucin geogrfica de las especies, utilizando
como datos slo los sitios de presencia y las variables bioclimticas asociadas a cada uno de esos puntos
de presencia. Todo ello asociado a un modelo estadstico basado en el principio de Mxima entropa.
El proceso se detalla a travs de un modelo conceptual el cual indica el ingreso de informacin, la

integracin, los software, el modelado y los resultados esperados tal como se indica a continuacin:
Figura N 7: Equema conceptual del modelamiento
VARIABLES BIOCLIMTICAS
BIO 1
BIO 2
BIO 3
Variables Bioclimticas
Integradas
BIO 4
BIO 17 Software MAXENT

Modelamiento de
Maximum Entropy probabilidad de
Species presencia de
BIO 18 Distribution especie forestal
Modeling
Presencia y distribucin Acondicionamiento

de especies forestales cartogrfico
Los datos de WorldClim han sido transformados de formato *.gri a formato *.ascii puesto que MaxEnt
ha sido diseado para modelar datos en dicho formato.
Figura N 8: Migracin de formatos
En este nivel, la informacin temtica de presencia de especies del OSINFOR, debe ser reproyectada a
coordenadas geogrficas (grados), estandarizndolos al sistema de coordenadas del WorldClim. La base
tabular de la presencia de especies, es migrado a un formato *.CSV (delimitado por coma), el mismo que
se fusionar en el modelamiento junto a las variables bioclimticas en el entorno del MaxEnt.
Figura N 9: Base de datos conformada en DIVA-GIS
Figura N 10: Procesamiento de datos Software MAXENT
V. RESULTADOS
5.1 Calycophyllum spruceanum (Capirona)
Zona de vida: Bosque muy Hmedo Premontano Tropical (bmh-PT)
Diagrama Biotemperatura media anual es 25.6 C. Promedio de
Bioclimtico de precipitacin total anual es de 4376 mm.
Holdridge:
Relieve: Abrupto susceptible a la erosin, con suelos medianamente
profundos a superficiales y ph cido.
Zona de vida: bosque hmedo Tropical (bh-T)

Diagrama Biotemperatura media anual de 25.5C a 26.5 C. Promedio de
Bioclimtico de precipitacin total anual de 3500 a 3800 mm.
Holdridge:
Relieve: Dominantemente ondulado y colinado, con suelos profundos
y ph cido.
Individuos supervisados por el OSINFOR (2009 - marzo 2013)
Calycophyllum spruceanum
(Capirona)
Modelo de probabilidad de presencia de Capirona.

Elaborado con el Software MaxEnt e informacin generada
por el OSINFOR
Calycophyllum spruceanum
(Capirona)
Del anlisis realizado, podemos cuantificar en un escenario ptimo el nivel de coincidencia

o probabilidad de presencia de los individuos aprovechables encontrados en campo, por
hectreas, nmero de individuos y a su vez calcularlo para un escenario actual en donde la
deforestacin ha disminuido la cobertura de bosque, los detalles se muestran en el cuadro
siguiente:
Capirona
rea (ha)
Rango
Condiciones Condiciones N Individuos
probabilidad %
actuales ptimas
20 - 39 19,157,517.93 20,642,079.97 30
40 - 59 6,879,268.24 7,460,171.41 91
60 - 79 6,103,493.69 6,584,102.38 151
80 - 100 631,004.36 682,574.00 908
5.2 Virola sp (Cumala)

Zona de vida: Bosque Hmedo Tropical (bh-T)
Diagrama Biotemperatura media anual de 25.5C a 26.5 C. Promedio de
Holdridge:
y ph cido.
Zona de vida: Bosque muy Hmedo Tropical (bmh-T)

Diagrama Biotemperatura media anual de 22C a 24 C. Promedio de
Holdridge:
Relieve: Dominantemente colinado hasta fuertemente disectada, con
suelos profundos y ph cido.
Virola sp (Cumala)
Modelo de probabilidad de presencia de Cumala

por el OSINFOR
Virola sp (Cumala)

siguiente:
Cumala
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 17,889,286.93 19,244,748.65 80
40 - 59 15,136,516.97 16,703,204.19 881
60 - 79 5,259,995.36 5,803,211.04 2260
80 - 100 203,548.95 219,445.98 112
5.3 Cedrelinga catenaeformis (Tornillo)

Zona de vida: Bosque Hmedo Subtropical (bh-S)
Diagrama Biotemperatura media anual de 24C a 25.5 C. Promedio de
Holdridge:
Relieve: Vara entre relieve ondulado y colinado dominantemente,
con suelos profundos y ph cido.

Diagrama Biotemperatura media anual de 25.5C a 26.5 C. Promedio
Bioclimtico de de precipitacin total anual de 3500 a 3800 mm.
Holdridge:
y ph cido.
Cedrelinga catenaeformis (Tornillo)
Modelo de probabilidad de presencia de Tornillo

por el OSINFOR
Cedrelinga catenaeformis (Tornillo)

siguiente:
Tornillo
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 18,233,058.14 20,108,093.16 831
40 - 59 14,016,858.05 15,290,461.78 2729
60 - 79 3,760,642.77 4,026,617.37 3824
80 - 100 6,040.80 6,303.68 11
5.4 Dipteryx micrantha (Shihuahuaco)

Holdridge:

Holdridge:
y ph cido.
Dipteryx micrantha (Shihuahuaco)
Modelo de probabilidad de presencia de Shihuahuaco

por el OSINFOR
Dipteryx micrantha (Shihuahuaco)

siguiente:

Shihuahuaco
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 10,050,206.92 10,524,387.91 214
40 - 59 6,566,511.55 7,157,714.90 1761
60 - 79 3,712,750.98 4,005,094.86 4686
80 - 100 1,698.14 2,111.03 13
5.5 Cedrela odorata (Cedro)

Holdridge:

Holdridge:
Cedrela odorata (Cedro)
Modelo de probabilidad de presencia de Cedro

por el OSINFOR
Cedrela odorata (Cedro)


siguiente:

Cedro
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 14,481,734.16 15,321,756.16 496
40 - 59 8,637,617.70 9,006,667.56 3400
60 - 79 4,049,605.78 4,126,431.13 3802
80 - 100 18,903.61 19,006.92 29
5.6 Chorisia integrifolia (Lupuna)

Holdridge:
Zona de vida: bosque hmedo Subtropical (bh-S)

Holdridge:
Chorisia integrifolia (Lupuna)
Modelo de probabilidad de presencia de Lupuna

por el OSINFOR
Chorisia integrifolia (Lupuna)


siguiente:
Lupuna
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 16,762,760.51 17,462,707.25 289
40 - 59 10,436,925.94 11,171,081.65 1013
60 - 79 3,650,254.03 3,992,941.06 2626
80 - 100 13,163.56 16,880.96 106
5.7 Copaifera sp. (Copaiba)

Holdridge:

Holdridge:
y ph cido.
Copaifera sp. (Copaiba)
Modelo de probabilidad de presencia de Copaiba

por el OSINFOR

Copaifera sp. (Copaiba)

siguiente:
Copaiba
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 8,960,726.76 9,395,575.01 57
40 - 59 8,385,803.30 9,116,765.00 515
60 - 79 3,142,699.25 3,500,889.36 1111
80 - 100 22,977.54 37,981.03 9
5.8 Hura crepitans (Catahua)

Holdridge:

Holdridge:
y ph cido.

Hura crepitans (Catahua)
Modelo de probabilidad de presencia de Catahua

por el OSINFOR
Hura crepitans (Catahua)

siguiente:

Catahua
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 8,908,897.06 9,554,489.50 29
40 - 59 6,806,454.18 7,224,346.67 142
60 - 79 2,893,572.24 3,049,362.11 441
80 - 100 155,790.59 178,260.78 175
5.9 Aniba sp. (Moena)

Holdridge:

Holdridge:
Aniba sp. (Moena)
Modelo de probabilidad de presencia de Moena

por el OSINFOR

Aniba sp. (Moena)

siguiente:
Moena
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 23,940,743.09 26,380,376.15 439
40 - 59 10,021,847.23 11,378,424.18 503
60 - 79 2,700,163.08 2,933,070.88 3107
80 - 100 25,736.18 31,082.21 20
5.10 Myroxylon balsamun (Estoraque)

Zona de vida: Bosque Bmedo Tropical (bh-T)
Holdridge:
y ph cido
Zona de vida: Bosque hmedo Subtropical (bh-S)

Diagrama iotemperatura media anual de 24C a 25.5 C. Promedio de
Holdridge:
Myroxylon balsamun (Estoraque)
Modelo de probabilidad de presencia de Estoraque

por el OSINFOR
Myroxylon balsamun (Estoraque)

siguiente:

Estoraque
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 8,054,271.76 8,534,709.88 165
40 - 59 4,151,435.36 4,688,277.75 106
60 - 79 2,179,655.98 2,406,838.26 1134
80 - 100 54,951.40 76,020.10 145
5.11 Manilkara bidentata (Quinilla)

Holdridge:

Holdridge:
y ph cido.
Manilkara bidentata (Quinilla)
Modelo de probabilidad de presencia de Quinilla

por el OSINFOR

Manilkara bidentata (Quinilla)

siguiente:

Quinilla
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 16,309,435.32 17,092,246.30 147
40 - 59 6,564,768.16 7,231,376.51 197
60 - 79 3,043,504.34 3,235,200.60 265
80 - 100 310,251.31 336,771.22 348
5.12 Amburana cearensis (Ishpingo)

Holdridge:
y ph cido.

Holdridge:

Amburana cearensis (Ishpingo)
Modelo de probabilidad de presencia de Ishpingo

por el OSINFOR

Amburana cearensis (Ishpingo)
Del anlisis realizado, podemos cuantificar en un escenario ptimo el nivel

de coincidencia o probabilidad de presencia de los individuos aprovechables
encontrados en campo, por hectreas, nmero de individuos y a su vez calcularlo
para un escenario actual en donde la deforestacin ha disminuido la cobertura de
bosque, los detalles se muestran en el cuadro siguiente:

Ishpingo
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 7,310,738.44 7,745,542.72 108
40 - 59 2,859,211.42 3,093,471.59 124
60 - 79 1,299,927.68 1,366,754.40 920
80 - 100 0 0 0
5.13 Schizolobium sp. (Pashaco)

Holdridge:

Holdridge:
y ph cido.

Schizolobium sp. (Pashaco)
Modelo de probabilidad de presencia de Pashaco

por el OSINFOR

Schizolobium sp. (Pashaco)
Del anlisis realizado, podemos cuantificar en un escenario ptimo el nivel

de coincidencia o probabilidad de presencia de los individuos aprovechables
encontrados en campo, por hectreas, nmero de individuos y a su vez calcularlo
para un escenario actual en donde la deforestacin ha disminuido la cobertura de
bosque, los detalles se muestran en el cuadro siguiente:

Pashaco
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 8,082,807.86 8,944,899.53 150
40 - 59 4,151,762.32 4,585,683.56 346
60 - 79 1,449,953.73 1,555,092.54 4367
80 - 100 0 0 0
5.14 Simarouba amara (Marupa)

Holdridge:
y ph cido.

Holdridge:
Simarouba amara (Marupa)
Modelo de probabilidad de presencia de Marupa

por el OSINFOR
Simarouba amara (Marupa)

siguiente:
Marupa
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 13,487,159.51 14,696,273.99 42
40 - 59 15,517,162.18 16,821,633.51 167
60 - 79 7,484,676.63 8,211,987.15 130
80 - 100 1,383,684.99 1,629,639.27 66
5.15 Brosimum sp. (Manchinga)

Holdridge:
Relieve: Dominantemente ondulado y colinoso, con suelos profundos
y ph cido.

Holdridge:
Relieve: Vara entre relieve ondulado y dominantemente colinoso, con

Brosimum sp. (Manchinga)
Modelo de probabilidad de presencia de Manchinga

por el OSINFOR
Brosimum sp. (Manchinga)


siguiente:

Manchinga
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 6,953,364.23 8,066,905.12 41
40 - 59 4,156,571.71 4,553,658.29 102
60 - 79 1,334,091.18 1,440,549.20 800
80 - 100 55,401.66 64,808.38 171
5.16 Swietenia macrophylla (Caoba)

Zona de vida: Bosque muy Hmedo Premontano Tropical (bmh-PT)
Diagrama Biotemperatura media anual es 25.6 C. Promedio de precipi-
Bioclimtico de tacin total anual es de 4376 mm.
Holdridge:
Relieve: Abrupto susceptible a la erosin, con suelos medianamente
profundos a superficiales y ph cido.

Holdridge:
y ph cido
Swietenia macrophylla (Caoba)
Modelo de probabilidad de presencia de Caoba

por el OSINFOR

Swietenia macrophylla (Caoba)

siguiente:

Caoba
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 6,238,194.80 6,410,363.98 63
40 - 59 1,497,054.03 1,562,081.92 288
60 - 79 859,884.06 868,047.69 1792
80 - 100 2,110.46 2,112.62 0
5.17 Apuleia mollaris (Ana caspi)

Holdridge:
Zona de vida: Bosque muy Humedo Tropical (bmh-T)

Holdridge:
Apuleia mollaris (Ana caspi)
Modelo de probabilidad de presencia de Ana caspi

por el OSINFOR
Apuleia mollaris (Ana caspi)

siguiente:
Ana caspi
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 13,453,436.33 14,288,736.26 48
40 - 59 6,191,465.56 6,927,746.88 80
60 - 79 2,484,824.80 2,673,411.48 351
80 - 100 165,494.28 186,511.60 272
5.18 Hymenaea sp. (Azcar huayo)

Holdridge:

Holdridge:

Hymenaea sp. (Azcar huayo)
Modelo de probabilidad de presencia de Azcar huayo

por el OSINFOR

Hymenaea sp. (Azcar huayo)

siguiente:

Azcar huayo
rea (ha)
Rango
probabilidad %
actuales ptimas
20 - 39 3,834,679.66 4,058,344.68 81
40 - 59 2,415,628.81 2,453,724.80 102
60 - 79 1,895,605.51 1,949,810.12 1233
80 - 100 0 0 0
VI. CONCLUSIONES
- De acuerdo al modelamiento realizado a las 20 especies maderables, concluimos que el universo de individuos
utilizados en la investigacin cumple con la funcin de representatividad adems que son registros in situ
georeferenciados mediante equipos GPS con mrgenes de error +/- 3m. garantizando la calidad del dato.
- El universo de individuos analizados son el producto de trabajos de supervisin que el OSINFOR realiza en Ttulos
habilitantes (concesiones, permisos y autorizaciones forestales), ello a permitido asociarlo con zonas de vida
caracterizando sus condiciones ambientales y su distribucin espacial.
- El modelamiento para determinar la probabilidad de presencia nos permiti analizar las tendencias en la distribucin
de una especie en condiciones ptimas. Entindase como una condicin ptima aquella en la que la precipitacin
y la temperatura ejercen presin para restringir el comportamiento, desarrollo, adaptabilidad y permanencia en el
tiempo de una especie sin analizar la dinmica social, poblacional.
- Entendemos que este es el primer paso para desarrollar metodologas que evalen el comportamiento de las
especies en el pas y que debemos tambin analizar de manera conjunta los efectos del cambio climtico sobre
estas especies; de esta manera se presentan superficies aproximadas por rango de probabilidad de presencia y
nmero de individuos que respalda el nivel de coincidencia de las especies.
- Asimismo, utilizando datos generados por el Centro de Investigacin Missouri Botanical Garden, se pudo corroborar
la distribucin y comportamiento de ciertas especies en nuestro territorio. Cabe sealar, que estos datos son el
resultado de colectas realizados por parte de investigadores a travs de muchos aos y almacenados en un gran
banco de datos; los mismos que respaldan referencialmente nuestra investigacin.
- Vemos necesario, que este documento se tome como un insumo para generar ms informacin y que sirva de
consulta para los tomadores de decisiones y gestores de cambio. Asimismo para la comunidad intelectual a fin de
aportar conocimientos y generar iniciativas de nuevas investigaciones.
VII. ANEXO
ANEXO 1: Individuos colectados por MISSOURI BOTANICAL GARDEN en el Per
Especie Departamento Latitud Longitud Fecha Colector
Amburana cearensis Amazonas 0503'21""S 07824'46""W 17/03/97 Joaquina Albn C. & et al.
Madre de Dios 1227'00""S 07041'00""W 14/02/93 Percy Nez V. & et al.
Pasco 1012'00""S 07520'00""W 17/11/05 Abel Monteagudo
1020'00""S 07510'00""W 8/07/88 Alwyn H. Gentry
Apuleia molaris Hunuco 0915'00""S 07457'30""W 1855 - 1857 Richard Spruce
Calycophyllum 0940'00""S 07502'00""W 16/05/90 - 31/05/90 J. Flores G. & A. Tello A.
spruceanum
0940'00""S 07502'00""W 16/06/89 - 30/06/89 Kroll
0320'00""S 07454'00""W 12/05/75 Gary S. Hartshorn
0940'00""S 07502'00""W 16/08/90 - 31/08/90 J. Flores G. & A. Tello A.
0915'00""S 07457'30""W 11/06/83 Franz G. Seidenschwarz
0915'00""S 07457'30""W MAGIN
Amazonas 24/03/80 Victor Huashikat
0350'00""S 07740'00""W 19/03/80 Santiago Tunqui
23/01/80 Brent Berlin
Hunuco 24/04/67 Jos Schunke V.
3/04/63 MAGIN
0918'11""S 07455'28""W 5/04/06 Juan Perea
Junn 1121'00""S 07434'00""W -/09/60 Felix Woytkowski
2/05/81 Carlos Reynel Rodrguez
Loreto 1/12/32 Guillermo Klug
-/05/31 - -/07/31 Guillermo Klug
10/07/61 Mildred E. Mathias & Dermot Taylor
0220'00""S 07620'00""W 3/12/86 Walter H. Lewis
0328'00""S 07250'00""W 6/06/92 Alwyn H. Gentry
-/03/31 - -/04/31 Guillermo Klug
22/06/66 Richard T. Martin & Csar Lau-Cam
-/01/35
-/04/33 Guillermo Klug
28/01/32 Yns Mexia
5/08/67 Richard T. Martin
0500'01""S 07400'04""W 5/08/82 Alwyn H. Gentry
9/05/61 Felix Woytkowski
0330'00""S 07305'00""W 24/05/91 Alwyn H. Gentry & Rosa Ortiz
0420'00""S 07635'00""W 29/01/79 Camilo Daz S.
16/05/78 Sidney T. McDaniel
14/05/75 Manuel Rimachi Y.
19/01/88 LAMOTTE

0328'00""S 07248'00""W 14/11/79 Alwyn H. Gentry & et al.
25/02/76 Juan Revilla
0328'00""S 07250'00""W 29/08/83 Alwyn H. Gentry
0344'01""S 07315'55""W 19/03/77 Alwyn H. Gentry
19/06/72 Sidney T. McDaniel
24/09/82 Filomeno Encarnacin
15/03/76 Sidney T. McDaniel & Manuel Rimachi

Y.
17/10/87 Franklin Ayala
16/07/75 Franklin Ayala
0505'00""S 07350'00""W 11/01/84 R. Vsquez & et al.
0455'00""S 07350'00""W 17/07/80 R. Vsquez & Nestor Jaramillo
Madre de Dios 20/10/79 Alwyn H. Gentry & et al.
1153'06""S 07124'11""W 1/07/88 G. Shepard
1153'06""S 07124'11""W 17/08/74 Robin B. Foster
1150'00""S 07125'00""W 25/04/84
1150'00""S 07125'00""W 12/07/84
1152'00""S 07122'00""W 14/08/83 Alwyn H. Gentry
29/04/04 MACEDA
1249'00""S 06918'00""W 11/08/90 Carlos Reynel Rodrguez & E. Meneses
1235'00""S 06903'00""W 18/06/90 Percy Nez V.
1308'00""S 06936'00""W 26/11/02 Luis Valenzuela
Pasco 1026'24""S 07509'00""W 13/05/83 David N. Smith
1005'00""S 07532'00""W 24/08/03 K. Meza
1009'00""S 07520'00""W 13/05/83 David N. Smith
1003'00""S 07533'00""W 17/03/84 David N. Smith
1026'15""S 07527'11""W 29/02/08 R. Vsquez
1024'51""S 07530'33""W 4/04/09 R. Vsquez
1009'49""S 07509'52""W 19/05/10 R. Vsquez
San Martn 21/08/48 Ramn A. Ferreyra
15/12/80 Jos Schunke V.
Ucayali 21/02/72 Donald R. Simpson & Jos Schunke V.
0821'00""S 07434'00""W 12/11/97 James G. Graham & Jos Schunke V.
0802'00""S 07355'00""W 25/06/87 Alwyn H. Gentry & Camilo Daz S.
0820'00""S 07435'00""W 14/05/84 R. Vsquez
0848'00""S 07520'00""W 3/06/83 Alwyn H. Gentry
1012'00""S 07057'00""W 19/03/02 Jos Schunke V. & James G. Graham
1004'00""S 07106'00""W 17/07/02 James G. Graham & Jos Schunke V.
Cedrela odorata Amazonas 0455'S 07819'W 3/08/94 Nestor Jaramillo & et al.
0500'S 07820'W 27/03/95 Camilo Daz S. & et al.

0509'S 07817'W 19/11/90 Camilo Daz S. & J. Amaro
8/05/81 Kenneth Young & M. Eisenberg
Cajamarca 23/10/86 Camilo Daz S.
23/10/86 Camilo Daz S.
0607'S 07901'W 7/10/86 Camilo Daz S.
0505'S 07853'W 3/10/86 Camilo Daz S.
0505'S 07853'W 3/10/86 Camilo Daz S.
Cusco 4/07/90 Percy Nez V.
9/09/82 Bernie Peyton & S.Tilney Peyton
Hunuco 22/01/87 Camilo Daz S. & M.Severo Balden
Loreto 0220'S 07620'W 3/12/86 Walter H. Lewis
0220'S 07620'W 5/12/86 Walter H. Lewis
0349'S 07319'W 11/08/72 Thomas B. Croat
29/07/62 Mildred E. Mathias
0320'S 07620'W 26/06/86 Walter H. Lewis
0315'S 07550'W 20/12/85 Walter H. Lewis
0230'S 07550'W 14/03/87 Walter H. Lewis
0255'S 07615'W 11/06/86 Walter H. Lewis
0439'S 07349'W 3/07/06 Isau Huamantupa
6/10/77
9/12/87
0330'S 07310'W 20/05/88 Manuel Rimachi Y.
0330'S 07258'W 14/04/92 Cesr A. Grndez & et al.
0345'S 07315'W 17/05/91 Cesr A. Grndez
0407'S 07255'W 13/04/97 R. Vsquez & et al.
26/05/78 Alwyn H. Gentry
0340'S 07255'W 12/08/80 R. Vsquez & et al.
0410'S 07330'W 21/05/91 R. Vsquez
1/04/79 James Aronson
0355'S 07335'W 29/06/90 Juan Celedonia Ruiz M.
0350'S 07320'W 28/04/81 R. Vsquez & et al.
0348'S 07325'W 18/07/88 R. Vsquez & Nestor Jaramillo
0351'S 07324'W 11/01/77 Juan Revilla
10/05/87 Camilo Daz S. & et al.
0320'S 07149'W 13/05/87 Camilo Daz S. & et al.

Madre de Dios 1152'S 07124'W 30/08/90 Percy Nez V.
1155'S 07718'W -/10/91 - -/11/91 Percy Nez V.
03/05/87 - 05/05/87 Percy Nez V.
1154'S 07122'W 9/09/79 Robin B. Foster
1232'S 06902'W 12/07/07 Luis Valenzuela
1235'S 06903'W 27/06/90 Percy Nez V.
1229'S 06903'W 11/11/91 Martn E. Timan & Nestor Jaramillo
1413'S 06910'W 16/06/97 Camilo Daz S. & J. Fontella Pereira
1239'S 06844'W 22/05/96 M. Aguilar R. & D. Castro
Pasco 1036'S 07523'W 25/05/83 David N. Smith
1036'S 07523'W 13/01/83 David N. Smith
1036'S 07523'W 13/01/83 David N. Smith
1009'S 07520'W 13/05/83 David N. Smith
1035'S 07528'W 28/05/82 David N. Smith
1006'S 07533'W 9/07/07 Roco Rojas
1022'S 07504'W 22/10/05 Abel Monteagudo
1008'S 07522'W 5/10/08 Roco Rojas & G. Ortiz
1003'S 07532'W 21/05/04 Juan Perea
San Martn -/06/34 Guillermo Klug
0545'S 07740'W 11/02/84 Alwyn H. Gentry
Ucayali 22/01/87 Camilo Daz S. & M.Severo Balden
Cedrelinga Amazonas 0455'00""S 07819'00""W 20/02/96 Nestor Jaramillo & et al.
cateniformis
0410'00""S 07811'00""W 21/02/73 Rubio Kayap
22/02/73 Ernesto Ancuash Atsut
Cusco 0355'00""S 07742'00""W 11/12/79 Victor Huashikat
19/06/04 William Farfn R.
21/06/04 William Farfn R.
0937'00""S 07525'00""W 19/10/82 Robin B. Foster
0937'00""S 07525'00""W 19/10/82 Robin B. Foster
Junn 1050'00""S 07501'00""W 28/06/82 Alwyn H. Gentry & et al.

Loreto 13/12/44 Russell J. Seibert
0315'00""S 07550'00""W 03/12/85 20/12/85 Walter H. Lewis
0349'38""S 07322'34""W 26/05/78 Alwyn H. Gentry
0320'00""S 07255'00""W 5/03/91 John James Pipoly
0407'59""S 07043'59""W -/10/81 S. Poulain
0407'59""S 07043'59""W -/10/81 PAULAIN
0455'00""S 07345'00""W -/08/76 - -/09/76 Anonymous
0455'00""S 07345'00""W 2/04/86 see Spichiger
Madre de Dios 1152'48""S 07124'00""W 30/08/90 Percy Nez V.
1145'00""S 07110'00""W 26/07/86 Percy Nez V.
1255'00""S 07112'00""W 10/12/83 Robin B. Foster & Tatzyana S. Wachter
1150'00""S 07125'00""W 18/08/89 Percy Nez V.
1249'00""S 06918'00""W 24/02/84 Alwyn H. Gentry
1249'00""S 06943'00""W 22/07/85 Alwyn H. Gentry
1249'00""S 06943'00""W 24/07/85 Alwyn H. Gentry
Pasco 1009'00""S 07518'00""W 15/10/86 William Pariona & Juan Ruiz C.
1020'00""S 07510'00""W 8/07/88 Alwyn H. Gentry
1020'00""S 07518'00""W 6/06/83 Alwyn H. Gentry
1020'26""S 07515'11""W 14/07/07 Abel Monteagudo
1021'21""S 07515'12""W 20/05/08 Isau Huamantupa
1022'36""S 07504'18""W 11/10/05 M. Huamn & R. Rivera
Puno 1321'00""S 06940'00""W 20/05/92 Alwyn H. Gentry
San Martn 0745'00""S 07635'00""W 16/07/82 Alwyn H. Gentry
17/07/45 Russell J. Seibert
30/03/72 Donald R. Simpson & Jos Schunke V.
Chorisia integrifolia Madre de Dios 1235'00""S 06905'00""W 17/12/89 Alwyn H. Gentry
1249'00""S 06918'00""W 21/02/84 Alwyn H. Gentry
1205'00""S 06903'00""W 20/06/89 O. L. Phillips

1229'00""S 06903'00""W 4/05/91 Martn E. Timan & H. Astete
1229'00""S 06903'00""W 24/11/91 Martn E. Timan & Nestor Jaramillo
1239'47""S 06909'34""W 14/06/89 Percy Nez V. & et al.
San Martn 0640'00""S 07620'00""W 5/02/84 Alwyn H. Gentry & David N. Smith
0640'00""S 07620'00""W 6/02/84 Alwyn H. Gentry & David N. Smith
Dipteryx micrantha 0915'00""S 07457'30""W 20/01/25 G. Tessmann
0937'00""S 07456'00""W 30/01/83 Franz G. Seidenschwarz
0922'00""S 07500'00""W 14/09/82 Robin B. Foster
0940'00""S 07502'00""W 16/11/88 - 30/11/88 Kroll
0849'00""S 07443'00""W 26/08/93 Jos Rios T. & Ancieto Daza
Loreto 0315'00""S 07550'00""W 04/06/864 - 09/06/86 Walter H. Lewis
0358'16""S 07325'08""W 16/02/87 Alwyn H. Gentry
0355'00""S 07335'00""W 22/07/84 R. Vsquez & et al.
0410'00""S 07330'00""W -/11/90 R. Vsquez & Nestor Jaramillo
0328'00""S 07250'00""W 27/06/83 Alwyn H. Gentry
0228'00""S 07250'00""W 11/07/90 R. Vsquez
10/11/82 Carlos Reynel Rodrguez
Madre de Dios 1155'00""S 07718'00""W 24/10/79 Alwyn H. Gentry & et al.
16/10/79 Alwyn H. Gentry & et al.
1152'00""S 07122'00""W 8/08/83 Alwyn H. Gentry
1249'00""S 06917'00""W 6/05/80 Philip J. Barbour
1249'00""S 06917'00""W 19/05/80 Philip J. Barbour
16/10/97 Camilo Daz S. & Henry Ramirez
19/10/97 Camilo Daz S. & Henry Ramirez
1249'00""S 06943'00""W 27/07/85 Alwyn H. Gentry
1249'00""S 06918'00""W 21/02/84 Alwyn H. Gentry
1250'00""S 06917'00""W 28/11/90 PESHA
Puno 1321'00""S 06940'00""W 19/05/92 Alwyn H. Gentry
Ucayali 0941'00""S 07502'00""W 11/02/81 Alwyn H. Gentry
Hura crepitans 0915'00""S 07457'30""W 9/04/60
Amazonas 6/03/98 Richard T. Pennington
10/03/98 H. van der Werff
12/06/78 Alwyn H. Gentry
0501'55""S 07825'42""W 13/03/97 Joaquina Albn C. & et al.
17/11/96 Joaquina Albn C. & et al.
7/05/81 Kenneth Young & et al.
0554'00""S 07809'00""W 21/07/83 David N. Smith

0355'00""S 07743'06""W 16/11/79 Victor Huashikat
8/09/97 Joaquina Albn C. & et al.
0426'21""S 07800'08""W 3/27/98 Rogerio Castro & et al.
12/11/80 Joaquina Albn C.
22/07/74 Brent Berlin
Cajamarca 0600'00""S 07910'00""W 19/06/93 Irene Shonle
0524'00""S 07847'00""W 24/01/96 Jos Campos de la Cruz & O. Daz
0510'00""S 07848'00""W 5/04/96 Jos Campos de la Cruz & M. Lpez M.
0511'00""S 07853'00""W 27/04/96 Jos Campos de la Cruz & Pacifico Daz
0458'46""S 07905'01""W 7/12/97 R. Vsquez & et al.
29/07/97 Eric Rodrguez R. & Jos Campos de

0508'00""S 07855'00""W la Cruz
16/09/99 Silvia Patricia Flores Vsquez & Jos

0519'16""S 07841'05""W Campos de la Cruz
Hunuco 0940'00""S 07502'00""W 16/09/88 - 30/09/88 Benjamin Kroll Saldana
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0918'11""S 07455'28""W 5/04/06 Juan Perea
3/07/08 Andrew Townesmith & Rodrigo del

Lambayeque 0646'00""S 07950'00""W Toro Cervantes
2/02/10 Andrew Townesmith & Karen M.

0646'00""S 07950'00""W Meyer
Loreto 0415'00""S 07318'00""W 24/08/73
8/07/72 Thomas B. Croat
0514'55""S 07543'23""W 8/07/72 Thomas B. Croat
0420'00""S 07635'00""W 29/01/79 Camilo Daz S.
2/11/76 Juan Revilla
0330'00""S 07310'00""W 13/11/80 R. Vsquez
0420'00""S 07011'00""W 25/11/77 Alwyn H. Gentry & Juan Revilla
18/08/82 Franklin Ayala & et al.
0455'00""S 07345'00""W 16/07/89
1229'00""S 06903'00""W 28/09/91 Martn E. Timan
Pasco 1040'00""S 07525'00""W 30/01/83 Alwyn H. Gentry
1003'00""S 07533'00""W 17/03/84 David N. Smith
1003'54""S 07532'56""W 18/05/04 Juan Perea

1003'54""S 07532'56""W 21/05/04 Juan Perea
1011'56""S 07534'27""W 9/11/06 E. Blasido & Edwin Becerra Gonzles
Puno 1300'00""S 07000'00""W 19/06/86 Percy Nez V. & C. Muoz
San Martn 12/11/75
0630'00""S 07621'00""W 13/02/76 Abundio Sagstegui A.
Ucayali 24/02/72 Donald R. Simpson & Jos Schunke V.
0840'00""S 07500'00""W 11/12/79 Nilda Begazo
0840'00""S 07500'00""W 8/11/77 Cristoph H. Frhner
Manilkara bidentata 0915'00""S 07457'30""W 31/07/72 Rubio Kayap
Amazonas 0552'34""S 07812'55""W 11/03/98 Samuel G.M. Bridgwater
Cajamarca 0542'04""S 07753'06""W -/02/02 R. Bonino
Hunuco 22/01/87 Camilo Daz S. & M.Severo Balden
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/06/89 - 15/06/89 Kroll
0940'00""S 07502'00""W 01/02/91 - 15/02/91 C. Tello E.
Loreto 12/07/73 BELLIDO
12/07/73 BELLIDO
0322'00""S 07202'00""W 14/03/98
13/02/89 T.D. Pennington
0341'30""S 07224'20""W 27/02/02 Johanna Choo
6/07/77
Madre de Dios 1413'12""S 06910'12""W 18/06/97 Camilo Daz S. & J. Fontella Pereira
San Martn 1/02/89 T.D. Pennington
0639'00""S 07630'00""W 25/05/86 Sandy Knapp
Myroxylon balsamum 0915'00""S 07457'30""W 1778 1788 Hiplito Ruiz L.
0915'00""S 07457'30""W 1778 1788 Hiplito Ruiz L.
0915'00""S 07457'30""W 1857 Harms
Amazonas 0500'36""S 07820'24""W 26/03/95 Camilo Daz S. & et al.
0437'08""S 07813'46""W 18/08/97 Roco Rojas & et al.
0423'00""S 07821'00""W 21/08/94 R. Vsquez & et al.
0437'08""S 07813'46""W 18/08/97 Roco Rojas
Cusco 1253'53""S 07222'25""W -/12/02 Isau Huamantupa
1253'53""S 07222'25""W -/03/03 Isau Huamantupa
Hunuco 0940'00""S 07502'00""W 01/04/89 - 15/04/89 Kroll
0940'00""S 07502'00""W 01/06/89 - 15/06/89 KROLL
0940'00""S 07502'00""W 01/03/89 - 31/03/89 J. Flores G. & A. Tello A.
0940'00""S 07502'00""W 01/04/89 - 15/04/89 KROLL
3/07/08 Andrew Townesmith & Rodrigo del

Lambayeque 0646'00""S 07950'00""W Toro Cervantes
Lima 0935'00""S 07454'00""W 8/05/75 Rafael Lao M. & Jos Rios T.
8/05/75 Rafael Lao M. & Jos Rios T.
Loreto -/07/29 Llewelyn Williams
0320'00""S 07620'00""W 16/06/86 - 26/06/86 Walter H. Lewis

0405'00""S 07248'00""W 1/08/80 Alwyn H. Gentry
0328'00""S 07248'00""W 27/07/80 Alwyn H. Gentry
0328'00""S 07248'00""W 26/07/80 Alwyn H. Gentry
0328'00""S 07250'00""W 19/02/88 Alwyn H. Gentry
Madre de Dios 1227'00""S 07041'00""W 13/10/94 Percy Nez V. & et al.
1150'00""S 07125'00""W 28/08/84
1145'00""S 07110'00""W 25/08/86 Percy Nez V.
1250'00""S 06917'00""W 25/05/87 Alwyn H. Gentry & Nestor Jaramillo
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1244'00""S 06911'00""W 9/02/89 M.N. Alexiades
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1250'00""S 06917'00""W 14/07/89 M. Alexiades & Camilo Daz S.
1205'00""S 06903'00""W 17/06/89 O. L. Phillips & et al.
1218'00""S 06902'00""W 9/04/05 R. Vsquez
1218'00""S 06902'00""W 9/04/05 R. Vsquez
14/05/99 Percy Nez V. & Abel Monteagudo
Puno 1325'00""S 07001'00""W 14/12/96 F. Cornejo & A. Balarezo
Tumbes 0350'29""S 08015'30""W 16/02/93 Camilo Daz S. & et al.
0350'29""S 08015'30""W 14/02/93 Camilo Daz S. & et al.
Ucayali 0840'00""S 07500'00""W 1/08/86 A. Salazar V.
Simarouba amara 0915'00""S 07457'30""W 13/10/80 Nilda Begazo
Amazonas 0516'26""S 07821'04""W 10/03/98 Rogerio Castro & et al.
0455'00""S 07819'00""W 22/10/95 R. Vsquez & et al.
0354'00""S 07826'00""W 3/08/94 H. Beltrn & Robin B. Foster

Cajamarca 0501'58""S 07854'01""W 17/11/99 R. Vsquez & et al.
0501'58""S 07854'01""W 17/11/99 R. Vsquez & et al.
Hunuco 0918'11""S 07455'28""W 5/04/06 Juan Perea
Junn 15/06/81 Camilo Daz S.
1045'00""S 07423'00""W 22/09/83 David N. Smith
Loreto 0330'00""S 07258'00""W 20/04/92 Cesr A. Grndez & et al.
0348'00""S 07325'00""W 4/09/92 Cesr A. Grndez & et al.
0328'00""S 07250'00""W 25/01/90 R. Vsquez & Franklin Ayala
0358'00""S 07325'00""W 17/02/87 Alwyn H. Gentry
0328'00""S 07250'00""W 16/07/83 Alwyn H. Gentry
9/11/79 Alwyn H. Gentry & et al.
0341'30""S 07224'20""W 26/03/02 Johanna Choo
Madre de Dios 1150'00""S 07125'00""W 25/08/84 1984
1150'00""S 07125'00""W 18/08/89 Percy Nez V.
1257'11""S 06854'48""W 20/04/96 M. Aguilar R. & D. Castro
1250'00""S 06850'00""W 28/02/90 Alwyn H. Gentry & Percy Nez V.
1250'00""S 06917'00""W 3/06/87 Alwyn H. Gentry
0950'00""S 07500'00""W 10-jul-85 Gary S. Hartshorn

San Martn 0546'00""S 07726'00""W -/08/83 Mariella Leo Luna
Tumbes 22/10/88 Camilo Daz S. & R. Vsquez
Swietenia Amazonas 0603'S 07755'W 11/03/98 H. van der Werff
macrophylla
Lima 14/01/183 Luis T. Rodrguez del Aguila
Loreto 27/08/72 Thomas B. Croat
1154'S 07122'W 16/09/80 Robin B. Foster
San Martn 23/04/73 Jos Schunke V.
Virola weberbaueri [0915'S] [07457'W] 28/02/04 August Weberbauer
Loreto 4/07/72 Thomas B. Croat
0340'S 07354'W 21/04/86 R. Vsquez & et al.
Pasco 1045'S 07505'W 30/06/87 Alwyn H. Gentry & Camilo Daz S.
Ucayali 0840'S 07500'W 1/07/80 A. Salazar V.
Fuente: Missouri Botanical Garden
VIII. REFERENCIAS BIBLIOGRFICAS

Anderson RP, Lew D, Peterson AT. 2003. Evaluating predictive models of species distributions: criteria for selecting
optimal models. Ecological Modeling, USA.
Beatriz del Socorro Bolvar Cim. 2009. Anlisis del Hbitat Optimo y Modelado de Nicho Ecolgico para la
conservacin del venado cola Blanca en el centro de Veracruz, Instituto de Ecologa - Mexico.
Best, B.J. & Kessler, M. 1995. Biodiversity and conservation in tumbesian Ecuador and Peru. BirdLife International.
Cambridge.
Josse, C., G. Navarro, F. Encarnacion, A. Tovar, P. Comer, W. Ferreira, F. ,Rodriguez, J. Saito, J. Sanjurjo, J. Dyson, E.
Rubin de Celis, R. Zarate, J. Chang, M. Ahuite, C. Vargas, F. Paredes, W. Castro, J. Maco y F. Reategui. 2007. Sistemas
Ecologicos de la Cuenca Amazonica de Peru y Bolivia. Clasificacion y mapeo. NatureServe. Arlington, Virginia, EE UU.
Manuel Rubn Garca Mateo. 2008. Modelos predictivos de riqueza de diversidad vegetal, comparacin y
optimizacin de mtodos de modelado ecolgico, Madrid - Espaa.
Norberto Martnez. 2010. Apuntes sobre Modelacin de Nichos Ecolgicos, Laboratorio de Evolucin Molecular y
Experimental, del Instituto de Ecologa de la UNAM - Mxico.
Robert J. Hijmans, Luigi Guarino, Coen Bussink, Prem Mathur, Mariana Cruz, Israel Barrantes, y Edwin Rojas. 2004.
Sistema de Informacin Geogrfica para el Anlisis de Datos de Distribucin de Especies, University of California USA.
Steven J. Phillips, Robert P. Anderson, Robert E. Schapire. 2006. Modeling of species geographic distributions.
Ecological Modelling, Department of Computer Science Princeton.
Scheldeman, Xavier y Maarten van Zonneveld. 2011. Manual de Capacitacin en Anlisis Espacial de Diversidad y
Distribucin de Plantas. Bioversity International, Roma - Italia. 186 pp.
WorldClim - Global Climate Data - Free climate data for ecological modeling and GIS, http://www.worldclim.org/
MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONA PERUANA
Usemos responsablemente
nuestros bosques

Av. Javier Prado Oeste N 694 Magdalena del Mar

Central: 615 7373
www.osinfor.gob.pe

Modelamiento Nichos Ecologicos PDF

Cargado por

Información del documento

Título original

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

Modelamiento Nichos Ecologicos PDF

Cargado por

Copyright:

Formatos disponibles

MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONA PERUANA

MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de

Av. Javier Prado Oeste N 694 Magdalena del Mar

OSINFOR en cumplimiento de sus funciones de

Nuestro Sistema de Informacin Geogrfica de supervisiones forestales,

El modelamiento espacial de nichos ecolgicos para la evaluacin de

En la presente publicacin, se realiza el modelamiento de 18 especies

Esta publicacin se emite con la finalidad de ampliar el conocimiento de

Rolando Navarro Gmez

Mximo Salazar Rojas Secretario General (e)

Danny Oswald Pealoza Macha Director (e) de la Direccin de Supervisin de Permisos y

David Blas Jaimes Sub Director (e) de la Sub Direccin de Supervisin de

Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS

Registro de proyecto editorial:

Hecho el Depsito Legal en la Biblioteca Nacional del Per N 2013-08963

MODELAMIENTO ESPACIAL DE NICHOS ECOLOGICOS PARA

2.2. OBJETIVOS ESPECFICOS

III. MARCO CONCEPTUAL

Segn G. Evelyn Hutchinson:

Conceptos clave de Nicho Ecolgico

Nicho realizado/efectivo (realized):

Bajo este modelo el nicho ecolgico comprende:

Figura N 1: Espacio Ecolgico

TMIN TMAX Temperatura

Conceptos clave de Nicho Ecolgico

Nicho realizado/efectivo (realized):

Bajo este modelo el nicho ecolgico comprende:

Figura N 2: Esquema de Nicho Fundamental

Figura N 3: Nicho Ecolgico

Crticas al concepto de Nicho (enumeradas por Martnez-Meyer)

Otros conceptos importantes:

Un concepto reformulado de nicho:

Modelado de Nicho Ecolgico

Figura N 4: Modelado de Nichos Ecolgicos y distribuciones geogrficas

De lo anterior se deriva que:

Grados decimales = grados(.)+(min/60)+(seg/3600)

3.3 Sistemas de Informacin geogrfica - SIG

Un SIG es un sistema de hardware, software y procedimientos diseados para auxiliar en la captura,

3.4 Tipos de datos manejados en un SIG

*.shp : Almacena los objetos vectoriales

Desventajas de los modelos vectoriales:

Ventajas de los modelos raster:

Desventajas de los modelos raster:

3.5 Principales algoritmos para modelado de nichos ecolgicos

3.6.1 Definicin de MaxEnt

Algunas ventajas de MaxEnt:

3.6.2 Mxima Entropa

a) Cul es la manera ms probable en que estn distribuidas las manzanas?

b) Pero por qu?

Caja 1 Caja 2 Caja 3 Entropa

Caja 1 Caja 2 Caja 3 Entropa

Figura N 5: Interfaz Software Maxent

Prueba de Jackknife (Jackknife model testing)

3.6.4 Curvas de omisin (Omission)

Matriz de confusin Presente Ausente

Predicho como presente a b

Entonces a y d son predicciones correctas, pero:

Grafico N 1: Curva de omisin

3.6.5 Curvas ROC (Receiver operating caracteristic analysis)

Grafico N 2: Curva ROC

3.6.6 Pruebas de Solapamiento de Nicho

3.7 Ventajas de usar modelos

La creacin de modelos requiere la formacin de grupos interdisciplinarios que trabajen coordinadamente. En