Modelamiento Nichos Ecologicos

MODELAMIENTO espacial de NICHOS ECOLÓGICOS para la evaluación de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONÍA PERUANA
“Usemos responsablemente
nuestros bosques”
MODELAMIENTO espacial de NICHOS ECOLÓGICOS para la evaluación de

presencia de ESPECIES FORESTALES MADERABLES en la AMAZONÍA PERUANA
Av. Javier Prado Oeste Nº 694 Magdalena del Mar

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

supervisión y fiscalización de los recursos
forestales y de fauna silvestre, en títulos habilitantes otorgados por el
estado a nivel nacional , georeferencia diversas especies forestales con
fines de verificar su aprovechamiento; este árduo trabajo se almacena
y gestiona mediante nuestro Sistema de Información Geográfica
de supervisiones forestales y de fauna silvestre, permitiéndonos
administrar un amplio registro de especies forestales distribuidos a
nivel nacional.
Nuestro Sistema de Información Geográfica de supervisiones forestales,

nos proporciona información crítica de la diversidad presente en
determinadas áreas geográficas y se pueden usar para varios fines,
como evaluar el estado actual de conservación de especies o priorizar
áreas para su conservación.
El modelamiento espacial de nichos ecológicos para la evaluación 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 bioclimáticas que
actúan como predictores; esto nos permite mejorar significativamente
la comprensión y el monitoreo de la biodiversidad puesto que los
resultados obtenidos de los análisis permiten formular estrategias
de intervención mejor enfocadas e implementarlas de manera más
efectiva.
En la presente publicación, se realiza el modelamiento de 18 especies

forestales de alto valor comercial de las regiones amazónicas del Perú,
con la finalidad de evaluar su distribución y probabilidad de presencia
en base al nicho ecológico determinado por sus variables bioclimáticas.
Esta publicación se emite con la finalidad de ampliar el conocimiento de

nuestra amazonia, para promover su conservación y aprovechamiento
sostenible zonificando su potencial maderable.
Rolando Navarro Gómez

Presidente Ejecutivo (e)
OSINFOR
SERIE TÉCNICA
Nº 4
CRÉDITOS
Alta Dirección
Rolando Navarro Gómez Presidente Ejecutivo (e)
Máximo Salazar Rojas Secretario General (e)
Direcciones de Línea
Emilio Alvarez Romero Director (e) de la Dirección de Supervisión de Concesiones
Forestales y de Fauna Silvestre
Danny Oswald Peñaloza Macha Director (e) de la Dirección de Supervisión de Permisos y

Autorizaciones Forestales y de Fauna Silvestre
Revisión
Ildefonzo Riquelme Ciriaco Sub Director (e) de la Sub Dirección de Supervisión de
Concesiones Forestales y de Fauna Silvestre
David Blas Jaimes Sub Director (e) de la Sub Dirección de Supervisión de

Permisos y Autorizaciones Forestales y de Fauna Silvestre
Equipo Técnico
Carlos Rafael Candia Dipaz Especialista SIG - DSCFFS
Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS
Registro de proyecto editorial:
1ra Edición
Tiraje: 1000 ejemplares
Impresión:
Punto & Grafía S.A.C.
Av. Del Río 113, Pueblo Libre, Lima - Perú
Télef: 332-2328
Hecho el Depósito Legal en la Biblioteca Nacional del Perú N° 2013-08963

ÍNDICE
RESUMEN
I. INTRODUCCIÓN 7
II. OBJETIVOS 8
2.1 Objetivos Generales
2.2 Objetivos Específicos
III. MARCO CONCEPTUAL 9
IV. ACTIVIDADES 21
4.1 Descripción del Área de Estudio 21
4.2 Descripción del Material Utilizado 22
4.3 Metodología 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. (Azúcar huayo) 62
VI. CONCLUSIONES 64
VII. ANEXOS 65
VIII. REFERENCIAS BIBLIOGRÁFICAS 77
ORGANISMO DE SUPERVISIÓN 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 AMAZONÍA 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 conservación supervising and monitoring the sustainable use, conservation
de los recursos forestales y de fauna silvestre, así como de of forest resources and wildlife and environmental services
los servicios ambientales provenientes del bosque en Títulos from the peruvian forest in Authorization Certificates granted
Habilitantes otorgados por el Estado a través 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
recopilación y registro de información 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 ámbito geográfico y manteniendo el
adecuado huso, datum y sistema de coordenadas planas. Also, environmental conditions, soil physical and chemical
Para el modelamiento de nichos ecológicos, es necesario que properties generate restrictions on the presence and
nuestra cartografía se encuentre en coordenadas geográficas development of an individual (flowering, emergence,
(latitud y longitud), puesto que los software libres utilizados maturation, leaf drop and dormancy in fauna’s case).
tienen esa restricción (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 it’s important to make a study of
localización mediante coordenadas geográficas (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 información recopilada de diferentes fuentes como en el
caso del Missouri Botanical Garden, deberá ser procesado The data used by the Missouri Botanical Garden allows us
en la plataforma ArcGIS v. 10 utilizando la aplicación Data to visualize the location in map by coordinates (latitude -
Interoperability y migrar el formato KML a shapefile y así longitude) of collection by species in Google Earth KML format.
tener toda la información estandarizada y depurada. After that, the information must be processed in ArcGIS
platform. v10 using the application Data Interoperability and
Adicionalmente, se utilizó información de la Base de Datos migrate from KML to shapefile format, with that way, we will
Mundial WorldClim descargada a través de su página web en have all the information standardized in the same format.
formato rasterizado *.gri. Se recopiló en total 19 variables
bioclimáticas (Temperatura y Precipitación) que están Using WorldClim data allows us to collect 19 bioclimatic
relacionadas directamente con los aspectos fisiológicos 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 ocurrió un estado específico, es decir, no importa
si el mes más 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 mencionó anteriormente, MaxEnt es
un programa que modela la distribución geográfica de las
especies, utilizando como datos sólo los sitios de presencia
y las variables bioclimáticas asociadas a cada de ellos;
respaldados en un modelo estadístico basado en el principio
de Máxima entropía.
6 MODELAMIENTO ESPACIAL DE NICHOS ECOLÓGICOS PARA LA EVALUACIÓN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONÍA PERUANA
I. INTRODUCCIÓN I. INTRODUCTION
Si bien es cierto que la composición de nuestros bosques While it is true that our forests composition is complex
resulta ser tan complejo y heterogéneo; su distribución and heterogeneous, its distribution follows physical and
obedece a factores físico-ambientales que restringen, environmental factors that restrict its presence in our territory
estableciendo límites naturales, su presencia en nuestro within natural limits.
territorio.
Thus the behavior of some species in relation with others
Es así, que el comportamiento de ciertas especies con respecto follow a natural order of adaptability in dynamic scenarios
a otras podrían parecer casi sin sentido, pero que en realidad such as variable at a time.
siguen un orden natural de adaptabilidad en escenarios tan
dinámicos 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 investigación pretende generar espacios de debate y and exploit our natural resources adequately, for this is
aportes, con un único fin de desarrollar políticas 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 intervención 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 investigación, generamos affecting biotic and abiotic beings directly. In the biotic beings,
insumos para hacer frente al Cambio Climático, si bien es the behavior, development, adaptability and persistence over
cierto, en estos últimos años 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 bióticos y abióticos. En lo biótico, 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 extinción. Mientras que en lo abiótico, la meteorización,
erosión y degradación sobre el relieve o sustrato en el cual Clearly world Climate Change has affected the amount of
se desarrollan las especies, sufrirá modificaciones en su rainfall and temperature scales in the world, so it is necessary
morfología y composición físico - químico. 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 climático ha incidido en la variación 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 protección y uso racional de nuestros recursos
naturales, puesto que así 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 ECOLÓGICOS PARA LA EVALUACIÓN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONÍA PERUANA 7
II. OBJETIVOS
2.1. OBJETIVO GENERAL
• Modelar los nichos ecológicos de especies forestales para evaluar su presencia y distribución espacial en la
amazonía peruana.
2.2. OBJETIVOS ESPECÍFICOS

• Acondicionar cartográficamente el registro de especies forestales y de información climática.
• Determinar la probabilidad de presencia de una especie en condiciones óptimas.
• Cuantificar el nivel de coincidencia de una especie frente a la probabilidad de presencia.

III. MARCO CONCEPTUAL

3.1. Nicho Ecológico
Joseph Grinnell:
Es la unidad de distribución final, en la que cada especie está 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 características fisiológicas, morfológicas y de comportamiento, lo que hace posible
que ocupen determinados espacios ofrecidos por la naturaleza (el nicho es una característica del medio no de
los organismos). Bajo este concepto, existen nichos vacios, vacantes y la exclusión competitiva es la interacción
principal, donde no existe un balance y una especie homóloga ecológicamente puede desplazar a la otra.
Los organismos que son equivalentes ecológicos son parte del “sustento” de este concepto. Pues al existir
nichos similares en distintos lugares, estos son ocupados por organismos también similares en características
morfológicas, fisiológicas 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 biótico y su relación con la comida y sus enemigos
(naturales)”.
Pone énfasis en la función de una especie dentro de una cadena alimenticia (carnívoros, herbívoros), mientras
que las condiciones abióticas no son tomadas en cuenta. Nuevamente bajo este concepto de la comunidad
biótica no de los organismos en sí. Por lo que el nicho en teoría no está restringido a una especie. Por tanto,
los organismos relacionados como equivalentes ecológicos serían un indicio de nichos similares, aunque las
comunidades estuvieran en lugares muy alejados.
Según G. Evelyn Hutchinson:

El termino nicho se define como la suma de todos los factores que actúan en un organismo; así el nicho se define
como un hyperespacio n-dimensional” (1944). Las variables pueden ser físicas o biológicas.
Conceptos clave de Nicho Ecológico

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 están restringidas debido a sus interacciones
interespecíficas. De manera menos compleja, es el espacio ecológico y geográfico donde la especie vive. Para
Soberón 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 usarían, después de tomar en cuenta los efectos de
competidores y depredadores”.
Bajo este modelo el nicho ecológico comprende:

1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se constituye por el desempeño de una especie medido en términos de adecuación.
Figura Nº 1: Espacio Ecológico
Precipitación
PPTMAX
Espacio
ecológico
PPTMIN
TMIN TMAX Temperatura
Conceptos clave de Nicho Ecológico
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 están restringidas debido a sus interacciones
interespecíficas. De manera menos compleja, es el espacio ecológico y geográfico donde la especie vive. Para
Soberón 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 usarían, después de tomar en cuenta los efectos de
competidores y depredadores”.
Bajo este modelo el nicho ecológico comprende:

1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se constituye por el desempeño de una especie medido en términos de adecuación.
Figura Nº 2: Esquema de Nicho Fundamental
Nicho fundamental
Nicho
realizado
Temperatura
Figura Nº 3: Nicho Ecológico
Críticas al concepto de Nicho (enumeradas por Martínez-Meyer)

• Falta de una adecuada hipótesis nula y rigor estadístico
• La competencia no es necesariamente el proceso clave en ecología (complementando esto, creo que en
general es difícil demostrar competencia realmente pero esto es algo que los demógrafos saben mejor).
• Uso ambiguo y confuso del término nicho.
Otros conceptos importantes:

Amplitud de nicho (Niche breath): La variedad de recursos (hábitats) utilizados por la especie.
Partición 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): Colonización y organización 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 descripción del conjunto de condiciones ambientales
que permiten satisfacer sus requisitos mínimos de dicha especie, para que la tasa de natalidad de la población
local sea mayor ó igual que su tasa de mortalidad, junto con el conjunto de impactos per cápita de esa especie en
estas condiciones ambientales.”
Modelado de Nicho Ecológico

Desde la década de los ochentas, los australianos comenzaron con la modelación “bioclimática” para estudios
entomológicos (Climex). Luego desarrollaron la base de datos Bioclim, DOMAIN y posteriormente GARP. Hoy en
día existen cerca de 15 métodos para modelado de nicho, la mayoría de ellos de acceso libre.
El modelado del nicho ecológico, es un instrumento que nos permite analizar los factores ecológicos asociados
a distintas poblaciones de determinada especie y que la influyen en distintos grados y modos, información que
analizada por distintos tipos de algoritmos nos posibilita proyectar a nivel geográfico o el área potencial que
ocupa la especie. Para Soberon y Nakamura (2009), el propósito del modelado del nicho ecológico o de los
modelados de distribución de especies y del modelado de hábitat son el mismo: identificar los sitios adecuados
para la supervivencia de las poblaciones de una especie por medio de la identificación de sus requerimientos
ambientales.
En el sentido estricto lo que estamos modelando es el nicho efectivo o realizado (Grinelleano. sensu J. Soberón)
y el resultado del análisis nos indica con cierto valor de probabilidad y error estadístico asociado, el espacio
geográfico que es propicio para una especie, por lo que las especies no podrían estar en el espacio predicho, ya
sea por efecto de:
a) Interacciones bióticas con otros organismos (competencia, depredación, escases de alimento).
b) Dificultad para dispersarse en esos lugares (por tiempo o barreras geográficas y ecológicas).
c) Ha sido removida o se ha extinguido.
Aunque aún hay ciertos problemas teóricos que ponen a debate que es lo que realmente se está modelando (“no
es una exageración decir que no existe un consenso acerca de los diferentes métodos de modelamiento” Soberon
y Nakamura, 2009).
Figura Nº 4: Modelado de Nichos Ecológicos y distribuciones geográficas
De lo anterior se deriva que:

1. Las especies responden a reglas ecológicas que determinan su distribución en el espacio geográfico (en el
modelado analizamos la interacción entre el espacio ecológico y el geográfico).
2. Estas reglas ecológicas son independientes del espacio geográfico, 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 geográficos 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 ecológico tiende a ser evolutivamente estable (conservadurismo
del nicho).
3. Del párrafo anterior también se deriva que cada punto geográfico se corresponde con sólo un punto en el
espacio ecológico, pero cada punto en el espacio ecológico se puede corresponder con más de un punto en el
espacio geográfico.
Como hemos mencionado, existen factores que influyen en la distribución de las especies que en forma general
son: la cantidad de calor (temperatura), disponibilidad de agua y topografía, y de forma más particular pueden ser:
tipos de suelo, evapotranspiración, horas de luz, días 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
bioclimáticas. Estas capas nos permitirán analizar el espacio ecológico de las especies, ya que se pueden obtener
los valores biocIimáticos correspondientes a cada dato donde hay presencia de alguna especie de interés y
usarlo como insumo de un algoritmo de modelación que nos permitirá obtener el modelo de nicho ecológico
correspondiente a cada caso.
La modelación de nichos ecológicos aún es un área en desarrollo, que nos permitirá resolver distintas preguntas
biológicas y generar hipótesis de distribución de especies bajo distintos escenarios geográficos y temporales,
pero también tienen limitaciones, por ejemplo:
1.- Limitaciones asociadas a la incertidumbre de las capas y envolturas bioclimáticas 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 bióticas de las especies o su capacidad de dispersión.
Antes de continuar tenemos que apuntar otros conceptos importantes y que vale distinguir bien, ya que podrían
ser fuente de confusión o debate:
Para J. Soberón. realmente se está trabajando con el nicho Grinelleano en la escala a la que normalmente se
modelan los nichos ecológicos (celdas > 10° km2). Ejemplo: La resolución espacial de las capas bioclimáticas 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 bióticos propios de los nichos definidos por Elton, son menos relevantes que los factores
abióticos, es decir, la señal está dominada por los factores abióticos y los factores bióticos actúan simplemente
como ruido y se entiende que:
a) Los procesos eltonianos (Nicho según Elton) son de muy alta resolución. Las variables consideradas en
este concepto (variables tróficas e interacciones ecológicas) como concentración de nutrientes, tamaño y
distribución 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.
Soberón), que generalmente se entiende como elevación, orientación, geología y clima, que son poco
interactivas. Puede existir una exclusión competitiva, pero esta no afecta al total de la población.
C) El nicho Grinelleano es multidimensional (forman un n-hiperespacio dimensional) en el espacio de las
variables scenopoeticas.
3.2 Características y formatos de los distintos datos necesarios para poder utilizarlos en la
modelación de nichos ecológicos.
Georeferenciación
Antes de abordar algunos de los programas más importantes para generación de modelos de nicho ecológico,
es necesario indicar cómo es que los datos geográficos y bioclimáticos se manejan y procesan para poder ser
ingresados a dichos programas.
La información sobre las colectas y poblaciones de distintas especies que nos interesa modelar tienen que contar
con coordenadas geográficas, que nos permitan ubicarlas espacialmente y poder posteriormente relacionarlas con
los datos medioambientales, ecológicos, geológicos, etc; recabados para el sitio o la región en donde se colectó
la muestra. Actualmente, cada vez que se realiza una colecta es una regla tomar las coordenadas geográficas con
GPS, sin embargo las colectas más antiguas sólo contenían el nombre de la localidad donde se realizó la colección
y si tenemos suerte, se cita a cuantos kilómetros se encontraban del poblado o carretera más importante. Por
lo que, si se requiere utilizar estos datos, es necesario determinar las coordenadas geográficas 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 mayoría de los programas de modelado aceptan.
Este proceso se puede hacer de varias formas, la primera es localizando la localidad en cartas geográficas de
la región y extrayendo directamente las coordenadas de las cartas, que por estar generalmente en formato de
coordenadas geodésicas o geográficas (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)
Estás coordenadas se tienen que referir con un signo positivo o negativo dependiendo de la región del mundo.
Para lo longitud, la convención es poner un signo negativo a los puntos al oeste del meridiano de Greenwich y
positivos los que están al este.
Asimismo, para la latitud todos los puntos al norte del ecuador geográfico se asignan con un valor positivo y todos
al sur con un valor negativo, ejemplo:
Centro de la Ciudad de México: Lat 19.4342. Long. -99.1386.
Generalmente no se marca el signo positivo ni los símbolos “N” (Norte) y “W” (Oeste), pues sólo se utilizan en
coordenadas geográficas. En realidad este proceso es sencillo pero hay que tener cuidado ya que las coordenadas
geográficas dependen del tipo de proyección utilizada y el Datum.
Las proyecciones cartográficas pueden ser cónicas o cilíndricas y se refieren a la forma en que la geografía real
del globo terrestre se proyecta en un plano, es decir, cómo los distintos puntos sobre el área curva del planeta se
corresponden o transforman a una relación ordenada en un plano (auxiliándonos de los meridianos y paralelos
que forman una especie de malla).
A muy grandes rasgos definimos estos dos grupos de proyecciones:
1. Cilíndricas. En la que toda la tierra se proyecta a un cilindro imaginario que la rodea y que después se abrirá
para formar un plano. Ejem.: proyección de Miller, Peter y quizá la más usada Mercator (de las que se derivan
las coordenadas UTM o Universal Transverse Mercator).
2. Cónicas. Que cómo indica el nombre se explican como conos que se ponen sobre la esfera terrestre y en
donde se proyectarán los puntos, para luego abrir dicho cono en un plano. Ejem.: proyección de Lambert y
proyección 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 aproximación teórica 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 cálculos de tipo topográfico. Pero
cómo aún se tenían dificultades para adaptar los cálculos a distintas regiones o países del globo, se inventó el
Datum para tratar de aproximar mejor las coordenadas a la “realidad” local de ciertas áreas. De lo cual se puede
deducir que existen muchos Datums. Aunque los Datums más recientes tratan de abarcar mayores áreas. Por esta
razón, una localidad en mapas con Datums diferentes también tiene coordenadas diferentes, esto debemos de
tenerlo en cuenta si queremos transformar coordenadas de un tipo de proyección a otra.
Para Norteamérica, los Datums más comunes son el NAD27, NAD83 y el WGS84 y para Europa es el ETRS89. Sin
embargo el Datum WGS84 (prácticamente 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 georreferenciación, otra posibilidad es recurrir a las gacetas geográficas 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 información de un solo país o tener datos a nivel mundial. Incluso
herramientas como Google Earth, son útiles para la búsqueda y georreferenciación de localidades. Los gaceteros
se pueden buscar en la red con el nombre de ‘Gazetters’, uno bastante útil para México y para otras partes del
mundo es el Global Gazetter ver. 2.2 que se puede encontrar en:
http://www.fallingrain.com/world
También puede consultar la siguiente página de internet en donde se citan distintos recursos de georreferenciación,
transformación de coordenadas y bases de datos:
http://www.herpnet.org/Gazetteer/GeorefResources.htm
3.3 Sistemas de Información geográfica - 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 leídos por los programas de modelación de nicho. Esto se hace por medio de los
Sistemas de Información geográfica (SIG):
“Un SIG es un sistema de hardware, software y procedimientos diseñados para auxiliar en la captura,
administración, manipulación, análisis y presentación de datos u objetos referenciados espacialmente llamados
comúnmente 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
sí lo es ArcGIS, un programa más grande con distintos módulos, 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 análisis básicos de las características y patrones de distribución de esos datos, generar y manipular mapas,
unirlos, cortarlos etc; además de producir informes y tablas con los resultados de dichos análisis, transformar y
guardar datos geográficos en múltiples formatos de salida, así como manejar las distintas capas bioclimáticas.
3.4 Tipos de datos manejados en un SIG
Básicamente un SIG maneja dos tipos de datos, los vectoriales y raster. El formato vectorial se compone de pares de
coordenadas para cada objeto (vértices) con los que se construyen vectores. A su vez se tienen distintos formatos
que son puntos (feature data, que son sólo un par de coordenadas), líneas y polígonos. Es decir representa a los
objetos mediante puntos, líneas y polígonos.
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 indexación del objeto vectorial
*.dbf: Almacena los atributos del objeto vectorial
Puede contener otros archivos como *.prj usado por ArcGIS y que guarda la proyección cartográfica utilizada.
Ventajas de los modelos vectoriales:
1. Buena presentación y resolución.
2. Menor tamaño y por tanto mayor velocidad en el procesamiento.
3. Buen manejo de variables categóricas.
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 estructuración del espacio en una rejilla compuesta
de celdas cuadradas llamadas pixeles a los cuales se le añade 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 extensión
*.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 información de los
límites de las porciones utilizadas del grid: el hdr.adf que es el que contiene el encabezado e información del
tamaño y número de los “mosaicos” utilizados: el sta.adf que contiene información estadística del raster:
vat.adf que tiene datos del valor de atributos en tablas; el prj.adf que tiene la proyección y su parámetro:
el tic.adf con coordenadas; el w001001.adf que tiene los datos actuales del raster y el w001001x.adf que
contiene un índice de los puntos de cada mosaico contenido en el archivo w001001.adf.
b) Ascii raster grid o simplemente Ascii (ESRI ASCII Raster Format): Es más bien sólo un formato para el
almacenamiento e intercambio de la información entre distintos sistemas que utilizan rasters y su
extensión 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 rápidos, fáciles de programar por su simplicidad lógica.
2. Captura rápida de la información.
3. Facilidad de análisis y simulación espacial.
4. Representan bien a variables continuas y categóricas.
5. Tecnología barata y es la que usan las imágenes satelitales y modelos de elevación.
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 resolución o inexactitud derivada del tamaño del pixel.
3.5 Principales algoritmos para modelado de nichos ecológicos
A continuación tocaremos dos de los algoritmos más utilizados para la modelación de nichos ecológicos y que han
demostrado un buen desempeño y poder de predictibilidad y que utilizan sólo datos de muestreo eliminando los
inconvenientes de los métodos de presencia-ausencia en especial para determinar con exactitud la no presencia de
una especie en un área. Por tanto, otros tipos de algoritmos aún necesitan evaluarse más, pues la duda de lo que en
verdad modelan es aún más grande que en los algoritmos que revisaremos, por ejemplo con BIOCLIM probablemente
se esté modelando algo entre el nicho realizado y el nicho fundamental ( Soberón y Nakamura, 2009).
3.6 MaxEnt
La idea general de MaxEnt es estimar una probabilidad de distribución destino (objetivo, blanco), mediante
el modelado de la distribución de probabilidad de máxima entropía (es decir, que es el más extendida, o más
cercana a ser uniforme), sujeta a una serie de restricciones que representan nuestra información incompleta
acerca de la distribución objetivo.
3.6.1 Definición de MaxEnt

Es un programa que modela la distribución geográfica de las especies, utilizando como datos sólo los
sitios de presencia y las variables bioclimáticas asociadas a cada uno de esos puntos de presencia. Para
modelar las distribuciones se basa en el principio de Máxima entropía.
Algunas ventajas de MaxEnt:

1- Sólo requiere datos de presencia
2- Puede utilizar datos continuos y categóricos
3- Tiene Algoritmos (deterministas) eficientes que garantizan que se converja en la distribución de
probabilidades propia (máxima entropía).
4- El sobre ajuste se evita.
5- El resultado es continuo, permitiendo distinguir sutiles cambios en la adecuación (suitability)
modelada (para cada especie) en diferentes áreas.
3.6.2 Máxima Entropía

La entropía en este contexto es un concepto derivado de la teoría de la información, que nos dice qué
tan aleatorio es algo (por ejemplo, una línea de caracteres: werztxnknñlk u otro tipo de señal), o sea es
una medida de la aleatoriedad. Es decir, en una señal o conjunto de datos, si todos sus elementos son
equiprobables cuando aparecen, entonces la entropía es máxima.
Aplicando de manera práctica este concepto, se buscaría encontrar aquella distribución de probabilidades
que maximice la entropía, dado ciertas restricciones que representan la información disponible
(información incompleta) sobre el fenómeno o tema estudiado.
Para explicar mejor este concepto imaginemos que tenemos 3 cajas de manzanas. Estás cajas están
cerradas pero contamos con la única información (información parcial) de que en total hay nueve
manzanas en esas tres cajas:
a) ¿Cuál es la manera más probable en que estén distribuidas las manzanas?

R= La distribución de máxima entropía es la más probable.
b) ¿Pero por qué?

R= Según la fórmula de Shannon (1948) la entropía es S= ∑j nj ln(nj)
Donde nj es igual al número de manzanas en las cajas. Por tanto la distribución de máxima entropía
es (3,3,3).
Caja 1 Caja 2 Caja 3 Entropía

3 3 3 -9.9
1 5 3 -11.3
0 1 8 -16.6
Vemos que la mayor entropía corresponde a tener las tres cajas con tres manzanas cada una (distribución
uniforme y la más probable).Se puede comprobar fácilmente estos resultados con una calculadora.
Pero podemos poner restricciones en la forma de organizar las manzanas, por ejemplo: Pedimos que además,
la distribución sea de máxima entropía y cumpla con que el número de manzanas en la segunda caja sea de 5.
Entonces tenemos:
Caja 1 Caja 2 Caja 3 Entropía

2 5 2 -10.8
1 5 3 -11.3
4 5 0 -13.6
La distribución que maximiza la entropía es la primera (2, 5, 2), que es una distribución más cercana a la
distribución uniforme y la más probable bajo estas condiciones.
Ahora piense que en lugar de cajas tenemos pixeles (de un área de estudio) y en lugar de manzanas tenemos
presencias de especies, y las restricciones son los valores empíricos promedio de las llamadas “características”
de la información disponible; en este caso variables bioclimáticas. Es decir, los pixeles del area de estudio son el
espacio de donde la probabilidad de distribución de MaxEnt es definida. Los pixeles con presencia de una especie
(records) constituyen los puntos de muestreo y las características son las variables climáticas y ecológicas.
La información disponible sobre la distribución de los valores bioclimáticos asociados con la presencia de especies,
se presenta como un conjunto de valores de variables reales, llamadas “características”, y las restricciones son;
que el valor esperado para cada característica debe coincidir con su valor empírico promedio (valor promedio de
un conjunto de puntos de muestreo tomado de la distribución objetivo o de destino).
Esta sería la forma más sencilla de tratar de entender el principio bajo el cual funciona MaxEnt. Claro que en
realidad las cosas son un poco más complicadas como veremos a continuación.
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 información inferida de las condiciones ambientales de las
localidades de ocurrencia y evitar restricciones infundadas. MaxEnt entonces trata de encontrar la distribución de
probabilidad de máxima entropía (cercana a la uniforme), sujeta a las limitaciones impuestas por la información
disponible sobre la distribución observada de las especies y las condiciones ambientales en el área de estudio.
MaxEnt genera una distribución de probabilidades basado en las variables ambientales de toda el área de estudio.
Si el área es muy grande (> 600.000 pixeles) se toma una muestra aleatoria de unos 100,000 pixeles “background”
para representar las condiciones ambientales de la región.
Además del principio de máxima entropía, MaxEnt necesita de un algoritmo que le permita encontrar las
distribuciones con mayor entropía. Este algoritmo (sequential update algorithm (Dudik et al. 2004). Utiliza
iteraciones en donde va dando distintos pesos a las variables utilizadas y va ajustándolas. Es un algoritmo
determinístico que según los autores y distintas pruebas empíricas garantiza que convergerá en la distribución
de probabilidades MaxEnt. Al terminar el proceso de iteración MaxEnt asigna una probabilidad negativa a
cada pixel del área total de estudio, que al final deben sumar 1, por lo que se aplica un valor de corrección
para hacerlos positivos y que sumen entre todos 100%. Pero como cada pixel presenta valores muy pequeños.
MaxEnt los presenta con un valor que es el resultado de la suma del valor de ese pixel y de todos los demás
píxeles 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 bioclimáticas en formato ASCII (se puede descargar de la página 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 empíricamente se han observado que funcionan
bien, y que son conservativos pero que permiten al algoritmo llegar cerca de la convergencia, más adelante
tocaremos el tema de los umbrales. El resultado son mapas de probabilidad de distribución en Ascii y una hoja de
resultados en html con imágenes de los mismos mapas en (*.png) y una serie de datos estadísticos de validación.
Los datos se cargan fácilmente por medio de una interfaz gráfica como la que se muestra a continuación (del
manual MaxEnt):
Figura Nº 5: Interfaz Software Maxent

3.6.3 Umbral de decisión
Para decidir la validación de un modelo y su interpretación es deseable distinguir entre áreas adecuadas
(para la especie) de las inadecuadas, para establecer un umbral de decisión, por arriba del cual el modelo
resultante es considerado como una predicción de presencia. Para el caso de modelos de sólo presencia
como MaxEnt, el umbral se puede encontrar de dos maneras:
1. Se escoge el valor de predicción más bajo asociado con algún record de presencia. Este será el umbral
de presencia más bajo (LPT. por sus siglas en inglés). Y es un umbral conservativo.
2. La aproximación más liberal, consiste en aplicar un umbral fijo que refute sólo el 10% más bajo de
los posibles valores predichos. Para MaxEnt se usa un umbral de 10 (T10). Estos umbrales se pueden
escoger también de pruebas preliminares que den valores de LPT más altos que los umbrales fijados.
Después de que MaxEnt ha terminado sus búsquedas, tiene la posibilidad de hacer algunas pruebas estadísticas
para determinar la validez estadística de los modelos encontrados. Asimismo muestra que variables son las
que han influenciado más o son las más importantes para el modelo determinado. Estás últimas pruebas están
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 predicción 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 través del set de todas las predicciones
de jackknife. También por medio de un procedimiento de Jackknife se hace un análisis en MaxEnt para estimar
que variables son más importantes para la presencia de la especie.
(l): subconjunto de puntos que sí se utilizarán en el análisis, 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 omisión (Omission)

Antes tenemos que hablar de los tipos de errores que hay en las predicciones y en los algoritmos de datos
de sólo presencia
Matriz de confusión 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 sobrepredicción. Llamado error de comisión (commission error).
c = Es un falso negativo o subpredicción. Llamado error de omisión (ommission error).
MaxEnt presenta una curva de omisión de datos de prueba (un 25% de puntos aleatorios) contra omisión
de datos de entrenamiento. En estás gráficas se observa cómo el área predicha varía con la elección de un
umbral acumulativo. Se busca que la omisión de prueba se ajuste a la omisión de entrenamiento.
Grafico Nº 1: Curva de omisión
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 áreas 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 número: el área bajo la curva o AUC. Las curvas nos permiten comparar
también el rendimiento entre distintos tratamientos y algoritmos (se han comparado modelos de MaxEnt
y otros con esta aproximación, resultando mejor MaxEnt en la mayoría de las pruebas). Su utilización
primaria fue la de encontrar el punto de corte óptimo y son curvas en las que se presenta la sensibilidad
(omisión cero = 100% de sensibilidad) en función de los falsos positivos (error de comisión) para distintos
puntos de corte (umbrales). Como ya se mencionó, un parámetro para evaluar la bondad de la prueba
es el área bajo la curva que toma valores entre 1 (prueba perfecta) y 0.5 (prueba inútil). Esta área 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 estará indicando la capacidad del modelo para predecir.
Si los datos de prueba son menores (p <= 0.5) y están debajo de la línea diagonal, se indica que el modelo
es peor que un modelo aleatorio (no es mejor que el azar). Idealmente se busca que las curvas estén en
el extremo superior izquierdo lo que indica que no hay ningún error de omisión o 100% de sensibilidad y
ningún error de comisión o 100% de especificidad.
Grafico Nº 2: Curva ROC
3.6.6 Pruebas de Solapamiento de Nicho

Desde hace algunos años ha ido en aumento el debate entre distintos investigadores sobre si las especies
filogenéticamente cercanas son ecológicamente similares a lo que se le conoce como Conservadurismo
Filogenético del Nicho (CFN). Algunos autores como Peterson et al (1999) concluyen de sus trabajos que la
especiación se da en primera instancia en un contexto geográfico y no en uno ecológico, y el cambio y las
diferencias ecológicas evolucionarán posteriormente. Graham et al. (2004) con datos de dendrobátidos
sugieren que el medioambiente tiene una gran importancia en la divergencia de las especies. Incluso
algunos investigadores han sugerido que el CFN prácticamente es un fenómeno inevitable en la evolución
de las especies, sin embargo Losos (2008) concluye que para muchos clados algunos caracteres ecológicos
no presentan un CFN. Además el autor hace hincapié en distinguir la señal filogenética del CFN. La primera
se refiere a que las diferencias o similitudes en el nicho ecológico entre especies hermanas son un efecto
sólo de sus relaciones filogenéticas, y el CFN se refiere más bien a que las especies pueden tener mayores
similitudes ecológicas que las esperadas sólo por sus relaciones filogenéticas. Esto último indicaría que
algún proceso está restringiendo la divergencia entre especies filogenéticamente cercanas.
Asimismo, algunos autores han tratado de desarrollar métodos para medir que tan parecidos son los
nichos entre especies y tratar de probar hipótesis 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 ecológico y comparar la equivalencia contra el conservadurismo del nicho. Pensamos que estás
pruebas tienen un buen potencial para el estudio de la cuestión del CFN. además 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 cómo el modelo de nicho ecológico de una especie predice a otra especie
mejor de lo que se esperaría por azar bajo un modelo nulo específico. 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 sólo califican a dos casos extremos de uno continuo, ya que se espera que el grado de
conservación de un nicho ecológico 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 someterían a distintas pruebas estadísticas para cuantificar la similitud y la
equivalencia de nicho. El primer índice llamado (D) deriva del antiguo índice de Schoener utilizado en la
Ecología para cuantificar solapamiento de nicho alimenticio y microhábitat. El segundo índice llamado (I),
deriva de la distancia de Hellinger (H) y no deriva de supuestos biológicos sino solamente se basa en la
comparación de distribuciones de probabilidad. Ambos índices pueden tomar un valor de 0 que indica no
solapamiento hasta 1 que indica que los modelos son idénticos.
Sin embargo las complicaciones con las pruebas de similitud y equivalencia derivan de la parte práctica de
su ejecución y un poco menos de los supuestos que las sustentan.
3.7 Ventajas de usar modelos
Permiten la integración de múltiples variables complejas en un marco definido y comparable con otros.
La creación de modelos requiere la formación de grupos interdisciplinarios que trabajen coordinadamente. En

este sentido, los modelos son una buena excusa para trabajar en equipo.
La simulación es un proceso rápido y barato de investigación. Esto es especialmente cierto cuando los
requerimientos económicos no permiten una fase intensa de captura de información para resolver un problema
determinado.
Gracias a los modelos se puede simular el transcurso de grandes periodos de tiempo en cuestión de segundos o minutos.
La creación de un modelo casi siempre acaba mejorando la comprensión del proceso modelado por parte de los
autores.
Los modelos permiten un análisis del tipo “¿qué pasaría sí?”, lo que nos permite modificar ciertos parámetros del
sistema modelado para evaluar los resultados en los distintos casos.
3.8 Desventajas de usar modelos

La interpretación de los resultados. Éstos han de ser analizados críticamente, teniendo en cuenta el proceso de
modelización y la información tomada para ejecutarlo. El hecho de que los resultados salgan de un ordenador, no
indican que sean inherentemente correctos.
Todos los modelos requieren una validación, con el objeto de aplicar correctamente sus resultados. El problema
es que no hay una metodología estándar para realizar esta comprobación. En muchas ocasiones, los modelos
requieren gran cantidad de datos difíciles de conseguir.
Por último, 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 según el autor. Lo que ocurre en realidad es que el
modelo se ajusta perfectamente a la percepción de la realidad que tiene su autor, y no necesariamente al mundo
real en sí. Por esto se produce esta falsa (a veces) sensación de éxito.
IV. ACTIVIDADES

4.1 Descripción del Área de Estudio
El área de estudio está relacionado con los ámbitos geográficos que cada Oficina Desconcentrada tiene asignado,
cada una de ellas se encuentra delimitada basándose en criterios de límites departamentales, conectividad,
acceso y optimización del uso del recurso.
Cada Oficina Desconcentrada interactúa con la sede central ubicada en la ciudad de Lima, permitiendo realizar
estrategias de supervisión, fiscalización y sobretodo una adecuada administración de la información que se
registra en cada trabajo de supervisión.
La unidad mínima de investigación 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
evalúa 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 ámbito de acción para cada Oficina Desconcentrada del OSINFOR:
Cuadro Nº 1: Ambitos administrativos de oficinas desconcentradas OSINFOR
Ámbito Geográfico
Nº Oficina Desconcentrada
Departamento Provincias
1 Atalaya Ucayali Atalaya (Todos los distritos excepto Yurúa)
Ancash Todas
Cajamarca Todas
Solo el distrito de Huacrachuco, de la provincia
Huánuco
de Marañón
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 Marañón.
Junín Todas
Pasco Todas
4 La Merced
Conjunto geográfico
Todo
VRAEM
Todas (excepto el distrito de Huacrachuco de la
Huánuco
Provincia del Marañón)
5 Pucallpa Loreto Ucayali
Todas Coronel Portillo, Padre Abad, Purús, y
Ucayali
Atalaya (distrito Yurúa)
Madre de Dios Todas

6 Puerto Maldonado
Cusco Todas
Amazonas Todas
7 Tarapoto Loreto Alto Amazonas y Datem del Marañón
San Martín Todas
Fuente: R.P. Nº123-2012-OSINFOR del 13.11.2012.
4.2 Descripción del Material Utilizado

La cartografía digital utilizada en la elaboración del presente estudio es la que se detalla a continuación:
• Cartografía digital base:

INEI: Limites políticos, centros poblados.
IGN: Cartas nacionales 1/100 000.
COFOPRI: Comunidades nativas, comunidades campesinas.
IBC: Comunidades nativas.
SERNANP: Áreas naturales protegidas, zonas de amortiguamiento, áreas de conservación regional.
• Cartografía temática:
OSINFOR: Individuos de especies forestales georeferenciadas.
WorldClim: Variables Bioclimáticas
• Software de Procesamiento
Software de análisis 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 Metodología

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, así como de los servicios ambientales
provenientes del bosque en Títulos Habilitantes otorgados por el Estado a través de diversas modalidades de
aprovechamiento (concesiones, permisos y autorizaciones).
En ese sentido, existen mecanismos que permiten recopilar y registrar información a nivel de cada individuo
en una muestra representativa a excepción del cedro y caoba que son supervisados en su totalidad; todo ello
asociado a un ámbito geográfico 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

(floración, aparición, maduración, caída de hojas y dormancia en el caso de fauna). A todo ello debemos agregar
el afán de la sociedad de querer aprovechar desmedidamente el recurso sin dejarlo recuperarse de manera
natural; claro está que debemos realizar un estudio complementario de aprovechamiento forestal para afianzar
lo anteriormente mencionado.
4.3.1.- Acondicionamiento de cartografía digital base y temática

La cartografía digital base fue procesada con el software de análisis ArcGIS v10, en donde se identificó
la geometría del objeto (línea, punto y polígono) a fin de enlazar de manera lógica sus atributos
creando correspondencia y permitiéndo modelar la distribución espacial de la especie cuantíficándolo y
enmarcándolo en un ámbito administrativo y geográfico.
Para el modelamiento de nichos ecológicos, es necesario que nuestra cartografía se encuentre en

coordenadas geográficas (latitud y longitud), puesto que los software libres utilizados tienen esa
restricción (DIVA GIS, MaxEnt).
En ese sentido, la información temática de individuos registrados por especie en los trabajos de supervisión
tienen asignado la proyección Universal Transversal Mercator (UTM), referida a las zonas 17, 18, 19 con
Datum horizontal WGS 84; los que deberán ser reproyectados al sistema de Grados en latitud y longitud
a fin de estandarizarlos con la cartografía base.
El acondicionamiento de la información se realizó en su totalidad en formato shapefile migrado desde la

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

registrados en los trabajos de supervisión:
Cuadro Nº 2: Individuos Georeferenciados por el OSINFOR
Especie
Orden Nº Individuos
Especie nombre común Especie nombre científico
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 Azúcar 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 cartografía temática Missouri Botanical Garden

Missouri Botanical Garden comparte conocimientos de las plantas y su entorno con el fin de preservar
y enriquecer la vida. Es así que ha generado una plataforma denominada “Trópicos ®” que fue creado
originalmente para la investigación interna, pero desde entonces se ha puesto a disposición de la
comunidad científica del mundo.
Todos los datos de nomenclatura, bibliografía y muestras acumuladas en las bases de datos electrónicas
del MBG durante los últimos 25 años están a disposición del público. Este sistema cuenta con más de 1,2
millones de nombres científicos y 4.0 millones de registros de especímenes.
Ello nos permitirá complementar nuestros registros, validando la distribución espacial y su presencia.
El acondicionamiento de la información obtenida de dicha web inicia con la descarga del reporte de la
especie consultada en formato *.CSV el mismo que deberá ser migrado a una formato Excel para un
adecuado manejo de la información.
Asimismo, nos permite visualizar la localización mediante coordenadas geográficas (latitud - longitud)
de las colectas por especie en formato KML de Google Earth. El mismo que deberá ser procesado en la
plataforma ArcGIS v. 10 utilizando la aplicación Data Interoperability y migrar el formato KML a shapefile
y así tener toda la información estandarizada y en el mismo formato.
A continuación detallamos los individuos colectados por Missouri Botanical Garden:
Cuadro Nº 3: Individuos Colectados por MISSOURI BOTANICAL GARDEN (Anexo 1)

Especie
Orden Nº Individuos
Especie nombre común Especie nombre científico
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 información temática WorldClim - Global Climate Data

WorldClim es un conjunto de capas temáticas del clima global (redes climáticas) con una resolución
espacial de aproximadamente 1 kilómetro 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 años.
WorldClim a través de su página web permite la descarga a nivel mundial de la información rasterizada en
formato *.gri. Para lo cual recopilamos en total 19 variables bioclimáticas (Temperatura y Precipitación)
que están relacionadas directamente con los aspectos fisiológicos del crecimiento de la especie y no
tienen en cuenta el momento en el que ocurrió un estado específico, es decir, no importa si el mes más
caliente fue julio (hemisferio norte) o enero (hemisferio sur). Algunas variables bioclimáticas incluyen
parámetros de clima típicos y básicos (como BI01, temperatura media anual o BI012, precipitación anual),
mientras que otras combinan temperatura y precipitación en una variable (como BI018, precipitación
durante el trimestre más caliente). Otras tienen en cuenta aspectos de la estacionalidad (como BI04
para temperatura, BI015 para precipitación), que también pueden ser importantes para determinar la
distribución de las especies.
En el siguiente cuadro, se detalla cada variable bioclimática acondicionada para nuestro territorio y que
servirán para analizar el comportamiento de las 18 especies maderables.
Cuadro Nº 4: Variables Bioclimáticas
Orden Código Descripción
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 variación
5 BI05 Temperatura máxima del período más caliente
6 BI06 Temperatura mínima del período más frío
7 BI07 Rango anual de temperatura (BI05-BI06)
8 BI08 Temperatura media en el trimestre más lluvioso
9 BI09 Temperatura promedio en el trimestre más seco
10 BIO10 Temperatura promedio en el trimestre más caluroso
11 BI011 Temperatura promedio en el trimestre más frío
12 BI012 Precipitación anual
13 BI013 Precipitación en el período más lluvioso
14 BI014 Precipitación en el período más seco
15 BI015 Estacionalidad de la precipitación (Coeficiente de variación)
16 BI016 Precipitación en el trimestre más lluvioso
17 BI017 Precipitación en el trimestre más seco
18 BI018 Precipitación en el trimestre más caluroso
19 BI019 Precipitación en el trimestre más frío
Fuente: WorldClim - Global Climate Data
Como ha sido mencionado, la información es mundial asi es que debemos acondicionarlo a nuestra
necesidades. Para lo cual utilizando la plataforma DIVA GIS se realiza un corte aproximado del área a
estudiar que no necesariamente es el Perú si no que debemos ver la influencia que los países colindantes
ejercen sobre la probabilidad de presencia de las especies evaluadas y establecer corredores biológicos.
Figura Nº 6: Interfaz Sofware DIVA-GIS
4.3.4.- Modelamiento de información temática WorldClim y distribución espacial de especies.

Para el modelamiento y análisis de la información recopilada de WorldClim (Variables Bioclimáticas)
y OSINFOR (Presencia de especies), nos apoyaremos en la plataforma MaxEnt y como se mencionó
anteriormente, MaxEnt es un programa que modela la distribución geográfica de las especies, utilizando
como datos sólo los sitios de presencia y las variables bioclimáticas asociadas a cada uno de esos puntos
de presencia. Todo ello asociado a un modelo estadístico basado en el principio de Máxima entropía.
El proceso se detalla a través de un modelo conceptual el cual indica el ingreso de información, la

integración, los software, el modelado y los resultados esperados tal como se indica a continuación:
Figura Nº 7: Equema conceptual del modelamiento
VARIABLES BIOCLIMÁTICAS
BIO 1
BIO 2
BIO 3
Variables Bioclimáticas
Integradas
BIO 4
BIO 17 Software MAXENT

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

de especies forestales cartográfico
Los datos de WorldClim han sido transformados de formato “*.gri” a formato “*.ascii” puesto que MaxEnt
ha sido diseñado para modelar datos en dicho formato.
Figura Nº 8: Migración de formatos
En este nivel, la información temática de presencia de especies del OSINFOR, debe ser reproyectada a
coordenadas geográficas (grados), estandarizándolos 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 fusionará en el modelamiento junto a las variables bioclimáticas en el entorno del MaxEnt.
Figura Nº 9: Base de datos conformada en DIVA-GIS
Figura Nº 10: Procesamiento de datos Software MAXENT
V. RESULTADOS
5.1 Calycophyllum spruceanum (Capirona)
Zona de vida: Bosque muy Húmedo Premontano Tropical (bmh-PT)
Diagrama Biotemperatura media anual es 25.6º C. Promedio de
Bioclimático de precipitación total anual es de 4376 mm.
Holdridge:
Relieve: Abrupto susceptible a la erosión, con suelos medianamente
profundos a superficiales y ph ácido.
Zona de vida: bosque húmedo Tropical (bh-T)

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

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

o probabilidad de presencia de los individuos aprovechables encontrados en campo, por
hectáreas, número de individuos y a su vez calcularlo para un escenario actual en donde la
deforestación ha disminuido la cobertura de bosque, los detalles se muestran en el cuadro
siguiente:
Capirona
Área (ha)
Rango
Condiciones Condiciones Nº Individuos
probabilidad %
actuales óptimas
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 Húmedo Tropical (bh-T)
Diagrama Biotemperatura media anual de 25.5ºC a 26.5º C. Promedio de
Holdridge:
y ph ácido.
Zona de vida: Bosque muy Húmedo Tropical (bmh-T)

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

por el OSINFOR
Virola sp (Cumala)

siguiente:
Cumala
Área (ha)
Rango
probabilidad %
actuales óptimas
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 Húmedo – Subtropical (bh-S)
Diagrama Biotemperatura media anual de 24ºC a 25.5º C. Promedio de
Holdridge:
Relieve: Varía entre relieve ondulado y colinado dominantemente,
con suelos profundos y ph ácido.

Diagrama Biotemperatura media anual de 25.5ºC a 26.5º C. Promedio
Bioclimático de de precipitación total anual de 3500 a 3800 mm.
Holdridge:
y ph ácido.
Cedrelinga catenaeformis (Tornillo)
Modelo de probabilidad de presencia de Tornillo

por el OSINFOR
Cedrelinga catenaeformis (Tornillo)

siguiente:
Tornillo
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.
Dipteryx micrantha (Shihuahuaco)
Modelo de probabilidad de presencia de Shihuahuaco

por el OSINFOR
Dipteryx micrantha (Shihuahuaco)

siguiente:

Shihuahuaco
Área (ha)
Rango
probabilidad %
actuales óptimas
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
Área (ha)
Rango
probabilidad %
actuales óptimas
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 húmedo – Subtropical (bh-S)

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

por el OSINFOR
Chorisia integrifolia (Lupuna)


siguiente:
Lupuna
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.
Copaifera sp. (Copaiba)
Modelo de probabilidad de presencia de Copaiba

por el OSINFOR

Copaifera sp. (Copaiba)

siguiente:
Copaiba
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.

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

por el OSINFOR
Hura crepitans (Catahua)

siguiente:

Catahua
Área (ha)
Rango
probabilidad %
actuales óptimas
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
Área (ha)
Rango
probabilidad %
actuales óptimas
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 Búmedo Tropical (bh-T)
Holdridge:
y ph ácido
Zona de vida: Bosque húmedo – Subtropical (bh-S)

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

por el OSINFOR
Myroxylon balsamun (Estoraque)

siguiente:

Estoraque
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.
Manilkara bidentata (Quinilla)
Modelo de probabilidad de presencia de Quinilla

por el OSINFOR

Manilkara bidentata (Quinilla)

siguiente:

Quinilla
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.

Holdridge:

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

por el OSINFOR

Amburana cearensis (Ishpingo)
Del análisis realizado, podemos cuantificar en un escenario óptimo el nivel

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

Ishpingo
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.

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

por el OSINFOR

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

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

Pashaco
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.

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

por el OSINFOR
Simarouba amara (Marupa)

siguiente:
Marupa
Área (ha)
Rango
probabilidad %
actuales óptimas
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 ácido.

Holdridge:
Relieve: Varía 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
Área (ha)
Rango
probabilidad %
actuales óptimas
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 Húmedo Premontano Tropical (bmh-PT)
Diagrama Biotemperatura media anual es 25.6º C. Promedio de precipi-
Bioclimático de tación total anual es de 4376 mm.
Holdridge:
Relieve: Abrupto susceptible a la erosión, con suelos medianamente
profundos a superficiales y ph ácido.

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

por el OSINFOR

Swietenia macrophylla (Caoba)

siguiente:

Caoba
Área (ha)
Rango
probabilidad %
actuales óptimas
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
Área (ha)
Rango
probabilidad %
actuales óptimas
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. (Azúcar huayo)

Holdridge:

Holdridge:

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

por el OSINFOR

Hymenaea sp. (Azúcar huayo)

siguiente:

Azúcar huayo
Área (ha)
Rango
probabilidad %
actuales óptimas
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 investigación cumple con la función de representatividad además que son registros in situ
georeferenciados mediante equipos GPS con márgenes de error +/- 3m. garantizando la calidad del dato.
- El universo de individuos analizados son el producto de trabajos de supervisión que el OSINFOR realiza en Títulos
habilitantes (concesiones, permisos y autorizaciones forestales), ello a permitido asociarlo con zonas de vida
caracterizando sus condiciones ambientales y su distribución espacial.
- El modelamiento para determinar la probabilidad de presencia nos permitió analizar las tendencias en la distribución
de una especie en condiciones óptimas. Entiéndase como una condición óptima aquella en la que la precipitación
y la temperatura ejercen presión para restringir el comportamiento, desarrollo, adaptabilidad y permanencia en el
tiempo de una especie sin analizar la dinámica social, poblacional.
- Entendemos que este es el primer paso para desarrollar metodologías que evalúen el comportamiento de las
especies en el país y que debemos también analizar de manera conjunta los efectos del cambio climático sobre
estas especies; de esta manera se presentan superficies aproximadas por rango de probabilidad de presencia y
número de individuos que respalda el nivel de coincidencia de las especies.
- Asimismo, utilizando datos generados por el Centro de Investigación Missouri Botanical Garden, se pudo corroborar
la distribución y comportamiento de ciertas especies en nuestro territorio. Cabe señalar, que estos datos son el
resultado de colectas realizados por parte de investigadores a través de muchos años y almacenados en un gran
banco de datos; los mismos que respaldan referencialmente nuestra investigación.
- Vemos necesario, que este documento se tome como un insumo para generar más información 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 Perú
Especie Departamento Latitud Longitud Fecha Colector
Amburana cearensis Amazonas 05°03'21""S 078°24'46""W 17/03/97 Joaquina Albán C. & et al.
Madre de Dios 12°27'00""S 070°41'00""W 14/02/93 Percy Núñez V. & et al.
Pasco 10°12'00""S 075°20'00""W 17/11/05 Abel Monteagudo
10°20'00""S 075°10'00""W 8/07/88 Alwyn H. Gentry
Apuleia molaris Huánuco 09°15'00""S 074°57'30""W 1855 - 1857 Richard Spruce
Calycophyllum 09°40'00""S 075°02'00""W 16/05/90 - 31/05/90 J. Flores G. & A. Tello A.
spruceanum
09°40'00""S 075°02'00""W 16/06/89 - 30/06/89 Kroll
03°20'00""S 074°54'00""W 12/05/75 Gary S. Hartshorn
09°40'00""S 075°02'00""W 16/08/90 - 31/08/90 J. Flores G. & A. Tello A.
09°15'00""S 074°57'30""W 11/06/83 Franz G. Seidenschwarz
09°15'00""S 074°57'30""W MAGIN
Amazonas 24/03/80 Victor Huashikat
03°50'00""S 077°40'00""W 19/03/80 Santiago Tunqui
23/01/80 Brent Berlin
Huánuco 24/04/67 José Schunke V.
3/04/63 MAGIN
09°18'11""S 074°55'28""W 5/04/06 Juan Perea
Junín 11°21'00""S 074°34'00""W -/09/60 Felix Woytkowski
2/05/81 Carlos Reynel Rodríguez
Loreto 1/12/32 Guillermo Klug
-/05/31 - -/07/31 Guillermo Klug
10/07/61 Mildred E. Mathias & Dermot Taylor
02°20'00""S 076°20'00""W 3/12/86 Walter H. Lewis
03°28'00""S 072°50'00""W 6/06/92 Alwyn H. Gentry
-/03/31 - -/04/31 Guillermo Klug
22/06/66 Richard T. Martin & César Lau-Cam
-/01/35
-/04/33 Guillermo Klug
28/01/32 Ynés Mexia
5/08/67 Richard T. Martin
05°00'01""S 074°00'04""W 5/08/82 Alwyn H. Gentry
9/05/61 Felix Woytkowski
03°30'00""S 073°05'00""W 24/05/91 Alwyn H. Gentry & Rosa Ortiz
04°20'00""S 076°35'00""W 29/01/79 Camilo Díaz S.
16/05/78 Sidney T. McDaniel
14/05/75 Manuel Rimachi Y.
19/01/88 LAMOTTE

03°28'00""S 072°48'00""W 14/11/79 Alwyn H. Gentry & et al.
25/02/76 Juan Revilla
03°28'00""S 072°50'00""W 29/08/83 Alwyn H. Gentry
03°44'01""S 073°15'55""W 19/03/77 Alwyn H. Gentry
19/06/72 Sidney T. McDaniel
24/09/82 Filomeno Encarnación
15/03/76 Sidney T. McDaniel & Manuel Rimachi

Y.
17/10/87 Franklin Ayala
16/07/75 Franklin Ayala
05°05'00""S 073°50'00""W 11/01/84 R. Vásquez & et al.
04°55'00""S 073°50'00""W 17/07/80 R. Vásquez & Nestor Jaramillo
Madre de Dios 20/10/79 Alwyn H. Gentry & et al.
11°53'06""S 071°24'11""W 1/07/88 G. Shepard
11°53'06""S 071°24'11""W 17/08/74 Robin B. Foster
11°50'00""S 071°25'00""W 25/04/84
11°50'00""S 071°25'00""W 12/07/84
11°52'00""S 071°22'00""W 14/08/83 Alwyn H. Gentry
29/04/04 MACEDA
12°49'00""S 069°18'00""W 11/08/90 Carlos Reynel Rodríguez & E. Meneses
12°35'00""S 069°03'00""W 18/06/90 Percy Núñez V.
13°08'00""S 069°36'00""W 26/11/02 Luis Valenzuela
Pasco 10°26'24""S 075°09'00""W 13/05/83 David N. Smith
10°05'00""S 075°32'00""W 24/08/03 K. Meza
10°09'00""S 075°20'00""W 13/05/83 David N. Smith
10°03'00""S 075°33'00""W 17/03/84 David N. Smith
10°26'15""S 075°27'11""W 29/02/08 R. Vásquez
10°24'51""S 075°30'33""W 4/04/09 R. Vásquez
10°09'49""S 075°09'52""W 19/05/10 R. Vásquez
San Martín 21/08/48 Ramón A. Ferreyra
15/12/80 José Schunke V.
Ucayali 21/02/72 Donald R. Simpson & José Schunke V.
08°21'00""S 074°34'00""W 12/11/97 James G. Graham & José Schunke V.
08°02'00""S 073°55'00""W 25/06/87 Alwyn H. Gentry & Camilo Díaz S.
08°20'00""S 074°35'00""W 14/05/84 R. Vásquez
08°48'00""S 075°20'00""W 3/06/83 Alwyn H. Gentry
10°12'00""S 070°57'00""W 19/03/02 José Schunke V. & James G. Graham
10°04'00""S 071°06'00""W 17/07/02 James G. Graham & José Schunke V.
Cedrela odorata Amazonas 04°55'S 078°19'W 3/08/94 Nestor Jaramillo & et al.
05°00'S 078°20'W 27/03/95 Camilo Díaz S. & et al.

05°09'S 078°17'W 19/11/90 Camilo Díaz S. & J. Amaro
8/05/81 Kenneth Young & M. Eisenberg
Cajamarca 23/10/86 Camilo Díaz S.
23/10/86 Camilo Díaz S.
06°07'S 079°01'W 7/10/86 Camilo Díaz S.
05°05'S 078°53'W 3/10/86 Camilo Díaz S.
05°05'S 078°53'W 3/10/86 Camilo Díaz S.
Cusco 4/07/90 Percy Núñez V.
9/09/82 Bernie Peyton & S.Tilney Peyton
Huánuco 22/01/87 Camilo Díaz S. & M.Severo Baldeón
Loreto 02°20'S 076°20'W 3/12/86 Walter H. Lewis
02°20'S 076°20'W 5/12/86 Walter H. Lewis
03°49'S 073°19'W 11/08/72 Thomas B. Croat
29/07/62 Mildred E. Mathias
03°20'S 076°20'W 26/06/86 Walter H. Lewis
03°15'S 075°50'W 20/12/85 Walter H. Lewis
02°30'S 075°50'W 14/03/87 Walter H. Lewis
02°55'S 076°15'W 11/06/86 Walter H. Lewis
04°39'S 073°49'W 3/07/06 Isau Huamantupa
6/10/77
9/12/87
03°30'S 073°10'W 20/05/88 Manuel Rimachi Y.
03°30'S 072°58'W 14/04/92 Cesár A. Grández & et al.
03°45'S 073°15'W 17/05/91 Cesár A. Grández
04°07'S 072°55'W 13/04/97 R. Vásquez & et al.
26/05/78 Alwyn H. Gentry
03°40'S 072°55'W 12/08/80 R. Vásquez & et al.
04°10'S 073°30'W 21/05/91 R. Vásquez
1/04/79 James Aronson
03°55'S 073°35'W 29/06/90 Juan Celedonia Ruiz M.
03°50'S 073°20'W 28/04/81 R. Vásquez & et al.
03°48'S 073°25'W 18/07/88 R. Vásquez & Nestor Jaramillo
03°51'S 073°24'W 11/01/77 Juan Revilla
10/05/87 Camilo Díaz S. & et al.
03°20'S 071°49'W 13/05/87 Camilo Díaz S. & et al.

Madre de Dios 11°52'S 071°24'W 30/08/90 Percy Núñez V.
11°55'S 077°18'W -/10/91 - -/11/91 Percy Núñez V.
03/05/87 - 05/05/87 Percy Núñez V.
11°54'S 071°22'W 9/09/79 Robin B. Foster
12°32'S 069°02'W 12/07/07 Luis Valenzuela
12°35'S 069°03'W 27/06/90 Percy Núñez V.
12°29'S 069°03'W 11/11/91 Martín E. Timaná & Nestor Jaramillo
14°13'S 069°10'W 16/06/97 Camilo Díaz S. & J. Fontella Pereira
12°39'S 068°44'W 22/05/96 M. Aguilar R. & D. Castro
Pasco 10°36'S 075°23'W 25/05/83 David N. Smith
10°36'S 075°23'W 13/01/83 David N. Smith
10°36'S 075°23'W 13/01/83 David N. Smith
10°09'S 075°20'W 13/05/83 David N. Smith
10°35'S 075°28'W 28/05/82 David N. Smith
10°06'S 075°33'W 9/07/07 Rocío Rojas
10°22'S 075°04'W 22/10/05 Abel Monteagudo
10°08'S 075°22'W 5/10/08 Rocío Rojas & G. Ortiz
10°03'S 075°32'W 21/05/04 Juan Perea
San Martín -/06/34 Guillermo Klug
05°45'S 077°40'W 11/02/84 Alwyn H. Gentry
Ucayali 22/01/87 Camilo Díaz S. & M.Severo Baldeón
Cedrelinga Amazonas 04°55'00""S 078°19'00""W 20/02/96 Nestor Jaramillo & et al.
cateniformis
04°10'00""S 078°11'00""W 21/02/73 Rubio Kayap
22/02/73 Ernesto Ancuash Atsut
Cusco 03°55'00""S 077°42'00""W 11/12/79 Victor Huashikat
19/06/04 William Farfán R.
21/06/04 William Farfán R.
09°37'00""S 075°25'00""W 19/10/82 Robin B. Foster
09°37'00""S 075°25'00""W 19/10/82 Robin B. Foster
Junín 10°50'00""S 075°01'00""W 28/06/82 Alwyn H. Gentry & et al.

Loreto 13/12/44 Russell J. Seibert
03°15'00""S 075°50'00""W 03/12/85 – 20/12/85 Walter H. Lewis
03°49'38""S 073°22'34""W 26/05/78 Alwyn H. Gentry
03°20'00""S 072°55'00""W 5/03/91 John James Pipoly
04°07'59""S 070°43'59""W -/10/81 S. Poulain
04°07'59""S 070°43'59""W -/10/81 PAULAIN
04°55'00""S 073°45'00""W -/08/76 - -/09/76 Anonymous
04°55'00""S 073°45'00""W 2/04/86 see Spichiger
Madre de Dios 11°52'48""S 071°24'00""W 30/08/90 Percy Núñez V.
11°45'00""S 071°10'00""W 26/07/86 Percy Núñez V.
12°55'00""S 071°12'00""W 10/12/83 Robin B. Foster & Tatzyana S. Wachter
11°50'00""S 071°25'00""W 18/08/89 Percy Núñez V.
12°49'00""S 069°18'00""W 24/02/84 Alwyn H. Gentry
12°49'00""S 069°43'00""W 22/07/85 Alwyn H. Gentry
12°49'00""S 069°43'00""W 24/07/85 Alwyn H. Gentry
Pasco 10°09'00""S 075°18'00""W 15/10/86 William Pariona & Juan Ruiz C.
10°20'00""S 075°10'00""W 8/07/88 Alwyn H. Gentry
10°20'00""S 075°18'00""W 6/06/83 Alwyn H. Gentry
10°20'26""S 075°15'11""W 14/07/07 Abel Monteagudo
10°21'21""S 075°15'12""W 20/05/08 Isau Huamantupa
10°22'36""S 075°04'18""W 11/10/05 M. Huamán & R. Rivera
Puno 13°21'00""S 069°40'00""W 20/05/92 Alwyn H. Gentry
San Martín 07°45'00""S 076°35'00""W 16/07/82 Alwyn H. Gentry
17/07/45 Russell J. Seibert
30/03/72 Donald R. Simpson & José Schunke V.
Chorisia integrifolia Madre de Dios 12°35'00""S 069°05'00""W 17/12/89 Alwyn H. Gentry
12°49'00""S 069°18'00""W 21/02/84 Alwyn H. Gentry
12°05'00""S 069°03'00""W 20/06/89 O. L. Phillips

12°29'00""S 069°03'00""W 4/05/91 Martín E. Timaná & H. Astete
12°29'00""S 069°03'00""W 24/11/91 Martín E. Timaná & Nestor Jaramillo
12°39'47""S 069°09'34""W 14/06/89 Percy Núñez V. & et al.
San Martín 06°40'00""S 076°20'00""W 5/02/84 Alwyn H. Gentry & David N. Smith
06°40'00""S 076°20'00""W 6/02/84 Alwyn H. Gentry & David N. Smith
Dipteryx micrantha 09°15'00""S 074°57'30""W 20/01/25 G. Tessmann
09°37'00""S 074°56'00""W 30/01/83 Franz G. Seidenschwarz
09°22'00""S 075°00'00""W 14/09/82 Robin B. Foster
09°40'00""S 075°02'00""W 16/11/88 - 30/11/88 Kroll
08°49'00""S 074°43'00""W 26/08/93 José Rios T. & Ancieto Daza
Loreto 03°15'00""S 075°50'00""W 04/06/864 - 09/06/86 Walter H. Lewis
03°58'16""S 073°25'08""W 16/02/87 Alwyn H. Gentry
03°55'00""S 073°35'00""W 22/07/84 R. Vásquez & et al.
04°10'00""S 073°30'00""W -/11/90 R. Vásquez & Nestor Jaramillo
03°28'00""S 072°50'00""W 27/06/83 Alwyn H. Gentry
02°28'00""S 072°50'00""W 11/07/90 R. Vásquez
10/11/82 Carlos Reynel Rodríguez
Madre de Dios 11°55'00""S 077°18'00""W 24/10/79 Alwyn H. Gentry & et al.
16/10/79 Alwyn H. Gentry & et al.
11°52'00""S 071°22'00""W 8/08/83 Alwyn H. Gentry
12°49'00""S 069°17'00""W 6/05/80 Philip J. Barbour
12°49'00""S 069°17'00""W 19/05/80 Philip J. Barbour
16/10/97 Camilo Díaz S. & Henry Ramirez
19/10/97 Camilo Díaz S. & Henry Ramirez
12°49'00""S 069°43'00""W 27/07/85 Alwyn H. Gentry
12°49'00""S 069°18'00""W 21/02/84 Alwyn H. Gentry
12°50'00""S 069°17'00""W 28/11/90 PESHA
Puno 13°21'00""S 069°40'00""W 19/05/92 Alwyn H. Gentry
Ucayali 09°41'00""S 075°02'00""W 11/02/81 Alwyn H. Gentry
Hura crepitans 09°15'00""S 074°57'30""W 9/04/60
Amazonas 6/03/98 Richard T. Pennington
10/03/98 H. van der Werff
12/06/78 Alwyn H. Gentry
05°01'55""S 078°25'42""W 13/03/97 Joaquina Albán C. & et al.
17/11/96 Joaquina Albán C. & et al.
7/05/81 Kenneth Young & et al.
05°54'00""S 078°09'00""W 21/07/83 David N. Smith

03°55'00""S 077°43'06""W 16/11/79 Victor Huashikat
8/09/97 Joaquina Albán C. & et al.
04°26'21""S 078°00'08""W 3/27/98 Rogerio Castro & et al.
12/11/80 Joaquina Albán C.
22/07/74 Brent Berlin
Cajamarca 06°00'00""S 079°10'00""W 19/06/93 Irene Shonle
05°24'00""S 078°47'00""W 24/01/96 José Campos de la Cruz & O. Díaz
05°10'00""S 078°48'00""W 5/04/96 José Campos de la Cruz & M. López M.
05°11'00""S 078°53'00""W 27/04/96 José Campos de la Cruz & Pacifico Díaz
04°58'46""S 079°05'01""W 7/12/97 R. Vásquez & et al.
29/07/97 Eric Rodríguez R. & José Campos de

05°08'00""S 078°55'00""W la Cruz
16/09/99 Silvia Patricia Flores Vásquez & José

05°19'16""S 078°41'05""W Campos de la Cruz
Huánuco 09°40'00""S 075°02'00""W 16/09/88 - 30/09/88 Benjamin Kroll Saldana
09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.
09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.
09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.
09°18'11""S 074°55'28""W 5/04/06 Juan Perea
3/07/08 Andrew Townesmith & Rodrigo del

Lambayeque 06°46'00""S 079°50'00""W Toro Cervantes
2/02/10 Andrew Townesmith & Karen M.

06°46'00""S 079°50'00""W Meyer
Loreto 04°15'00""S 073°18'00""W 24/08/73
8/07/72 Thomas B. Croat
05°14'55""S 075°43'23""W 8/07/72 Thomas B. Croat
04°20'00""S 076°35'00""W 29/01/79 Camilo Díaz S.
2/11/76 Juan Revilla
03°30'00""S 073°10'00""W 13/11/80 R. Vásquez
04°20'00""S 070°11'00""W 25/11/77 Alwyn H. Gentry & Juan Revilla
18/08/82 Franklin Ayala & et al.
04°55'00""S 073°45'00""W 16/07/89
12°29'00""S 069°03'00""W 28/09/91 Martín E. Timaná
Pasco 10°40'00""S 075°25'00""W 30/01/83 Alwyn H. Gentry
10°03'00""S 075°33'00""W 17/03/84 David N. Smith
10°03'54""S 075°32'56""W 18/05/04 Juan Perea

10°03'54""S 075°32'56""W 21/05/04 Juan Perea
10°11'56""S 075°34'27""W 9/11/06 E. Blasido & Edwin Becerra Gonzáles
Puno 13°00'00""S 070°00'00""W 19/06/86 Percy Núñez V. & C. Muñoz
San Martín 12/11/75
06°30'00""S 076°21'00""W 13/02/76 Abundio Sagástegui A.
Ucayali 24/02/72 Donald R. Simpson & José Schunke V.
08°40'00""S 075°00'00""W 11/12/79 Nilda Begazo
08°40'00""S 075°00'00""W 8/11/77 Cristoph H. Fröhner
Manilkara bidentata 09°15'00""S 074°57'30""W 31/07/72 Rubio Kayap
Amazonas 05°52'34""S 078°12'55""W 11/03/98 Samuel G.M. Bridgwater
Cajamarca 05°42'04""S 077°53'06""W -/02/02 R. Bonino
Huánuco 22/01/87 Camilo Díaz S. & M.Severo Baldeón
09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.
09°40'00""S 075°02'00""W 01/06/89 - 15/06/89 Kroll
09°40'00""S 075°02'00""W 01/02/91 - 15/02/91 C. Tello E.
Loreto 12/07/73 BELLIDO
12/07/73 BELLIDO
03°22'00""S 072°02'00""W 14/03/98
13/02/89 T.D. Pennington
03°41'30""S 072°24'20""W 27/02/02 Johanna Choo
6/07/77
Madre de Dios 14°13'12""S 069°10'12""W 18/06/97 Camilo Díaz S. & J. Fontella Pereira
San Martín 1/02/89 T.D. Pennington
06°39'00""S 076°30'00""W 25/05/86 Sandy Knapp
Myroxylon balsamum 09°15'00""S 074°57'30""W 1778 – 1788 Hipólito Ruiz L.
09°15'00""S 074°57'30""W 1778 – 1788 Hipólito Ruiz L.
09°15'00""S 074°57'30""W 1857 Harms
Amazonas 05°00'36""S 078°20'24""W 26/03/95 Camilo Díaz S. & et al.
04°37'08""S 078°13'46""W 18/08/97 Rocío Rojas & et al.
04°23'00""S 078°21'00""W 21/08/94 R. Vásquez & et al.
04°37'08""S 078°13'46""W 18/08/97 Rocío Rojas
Cusco 12°53'53""S 072°22'25""W -/12/02 Isau Huamantupa
12°53'53""S 072°22'25""W -/03/03 Isau Huamantupa
Huánuco 09°40'00""S 075°02'00""W 01/04/89 - 15/04/89 Kroll
09°40'00""S 075°02'00""W 01/06/89 - 15/06/89 KROLL
09°40'00""S 075°02'00""W 01/03/89 - 31/03/89 J. Flores G. & A. Tello A.
09°40'00""S 075°02'00""W 01/04/89 - 15/04/89 KROLL
3/07/08 Andrew Townesmith & Rodrigo del

Lambayeque 06°46'00""S 079°50'00""W Toro Cervantes
Lima 09°35'00""S 074°54'00""W 8/05/75 Rafael Lao M. & José Rios T.
8/05/75 Rafael Lao M. & José Rios T.
Loreto -/07/29 Llewelyn Williams
03°20'00""S 076°20'00""W 16/06/86 - 26/06/86 Walter H. Lewis

04°05'00""S 072°48'00""W 1/08/80 Alwyn H. Gentry
03°28'00""S 072°48'00""W 27/07/80 Alwyn H. Gentry
03°28'00""S 072°48'00""W 26/07/80 Alwyn H. Gentry
03°28'00""S 072°50'00""W 19/02/88 Alwyn H. Gentry
Madre de Dios 12°27'00""S 070°41'00""W 13/10/94 Percy Núñez V. & et al.
11°50'00""S 071°25'00""W 28/08/84
11°45'00""S 071°10'00""W 25/08/86 Percy Núñez V.
12°50'00""S 069°17'00""W 25/05/87 Alwyn H. Gentry & Nestor Jaramillo
12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry
12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry
12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry
12°44'00""S 069°11'00""W 9/02/89 M.N. Alexiades
12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry
12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry
12°50'00""S 069°17'00""W 14/07/89 M. Alexiades & Camilo Díaz S.
12°05'00""S 069°03'00""W 17/06/89 O. L. Phillips & et al.
12°18'00""S 069°02'00""W 9/04/05 R. Vásquez
12°18'00""S 069°02'00""W 9/04/05 R. Vásquez
14/05/99 Percy Núñez V. & Abel Monteagudo
Puno 13°25'00""S 070°01'00""W 14/12/96 F. Cornejo & A. Balarezo
Tumbes 03°50'29""S 080°15'30""W 16/02/93 Camilo Díaz S. & et al.
03°50'29""S 080°15'30""W 14/02/93 Camilo Díaz S. & et al.
Ucayali 08°40'00""S 075°00'00""W 1/08/86 A. Salazar V.
Simarouba amara 09°15'00""S 074°57'30""W 13/10/80 Nilda Begazo
Amazonas 05°16'26""S 078°21'04""W 10/03/98 Rogerio Castro & et al.
04°55'00""S 078°19'00""W 22/10/95 R. Vásquez & et al.
03°54'00""S 078°26'00""W 3/08/94 H. Beltrán & Robin B. Foster

Cajamarca 05°01'58""S 078°54'01""W 17/11/99 R. Vásquez & et al.
05°01'58""S 078°54'01""W 17/11/99 R. Vásquez & et al.
Huánuco 09°18'11""S 074°55'28""W 5/04/06 Juan Perea
Junín 15/06/81 Camilo Díaz S.
10°45'00""S 074°23'00""W 22/09/83 David N. Smith
Loreto 03°30'00""S 072°58'00""W 20/04/92 Cesár A. Grández & et al.
03°48'00""S 073°25'00""W 4/09/92 Cesár A. Grández & et al.
03°28'00""S 072°50'00""W 25/01/90 R. Vásquez & Franklin Ayala
03°58'00""S 073°25'00""W 17/02/87 Alwyn H. Gentry
03°28'00""S 072°50'00""W 16/07/83 Alwyn H. Gentry
9/11/79 Alwyn H. Gentry & et al.
03°41'30""S 072°24'20""W 26/03/02 Johanna Choo
Madre de Dios 11°50'00""S 071°25'00""W 25/08/84 1984
11°50'00""S 071°25'00""W 18/08/89 Percy Núñez V.
12°57'11""S 068°54'48""W 20/04/96 M. Aguilar R. & D. Castro
12°50'00""S 068°50'00""W 28/02/90 Alwyn H. Gentry & Percy Núñez V.
12°50'00""S 069°17'00""W 3/06/87 Alwyn H. Gentry
09°50'00""S 075°00'00""W 10-jul-85 Gary S. Hartshorn

San Martín 05°46'00""S 077°26'00""W -/08/83 Mariella Leo Luna
Tumbes 22/10/88 Camilo Díaz S. & R. Vásquez
Swietenia Amazonas 06°03'S 077°55'W 11/03/98 H. van der Werff
macrophylla
Lima 14/01/183 Luis T. Rodríguez del Aguila
Loreto 27/08/72 Thomas B. Croat
11°54'S 071°22'W 16/09/80 Robin B. Foster
San Martín 23/04/73 José Schunke V.
Virola weberbaueri [09°15'S] [074°57'W] 28/02/04 August Weberbauer
Loreto 4/07/72 Thomas B. Croat
03°40'S 073°54'W 21/04/86 R. Vásquez & et al.
Pasco 10°45'S 075°05'W 30/06/87 Alwyn H. Gentry & Camilo Díaz S.
Ucayali 08°40'S 075°00'W 1/07/80 A. Salazar V.
Fuente: Missouri Botanical Garden
VIII. REFERENCIAS BIBLIOGRÁFICAS

• Anderson RP, Lew D, Peterson AT. 2003. Evaluating predictive models of species’ distributions: criteria for selecting
optimal models. Ecological Modeling, USA.
• Beatriz del Socorro Bolívar Cimé. 2009. Análisis del Hábitat Optimo y Modelado de Nicho Ecológico para la
conservación del venado cola Blanca en el centro de Veracruz, Instituto de Ecología - 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 Rubén García Mateo. 2008. Modelos predictivos de riqueza de diversidad vegetal, comparación y
optimización de métodos de modelado ecológico, Madrid - España.
• Norberto Martínez. 2010. Apuntes sobre Modelación de Nichos Ecológicos, Laboratorio de Evolución Molecular y
Experimental, del Instituto de Ecología de la UNAM - México.
• Robert J. Hijmans, Luigi Guarino, Coen Bussink, Prem Mathur, Mariana Cruz, Israel Barrantes, y Edwin Rojas. 2004.
Sistema de Información Geográfica para el Análisis de Datos de Distribución 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 Capacitación en Análisis Espacial de Diversidad y
Distribución 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 ECOLÓGICOS para la evaluación de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONÍA PERUANA
“Usemos responsablemente
nuestros bosques”

Av. Javier Prado Oeste Nº 694 Magdalena del Mar

Central: 615 7373
www.osinfor.gob.pe

Modelamiento Nichos Ecologicos

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

Cargado por

Copyright:

Formatos disponibles

MODELAMIENTO espacial de NICHOS ECOLÓGICOS para la evaluación de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONÍA PERUANA

MODELAMIENTO espacial de NICHOS ECOLÓGICOS para la evaluación de

Av. Javier Prado Oeste Nº 694 Magdalena del Mar

OSINFOR en cumplimiento de sus funciones de

Nuestro Sistema de Información Geográfica de supervisiones forestales,

El modelamiento espacial de nichos ecológicos para la evaluación de

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

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

Rolando Navarro Gómez

Máximo Salazar Rojas Secretario General (e)

Danny Oswald Peñaloza Macha Director (e) de la Dirección de Supervisión de Permisos y

David Blas Jaimes Sub Director (e) de la Sub Dirección de Supervisión de

Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS

Registro de proyecto editorial:

Hecho el Depósito Legal en la Biblioteca Nacional del Perú N° 2013-08963

MODELAMIENTO ESPACIAL DE NICHOS ECOLOGICOS PARA

2.2. OBJETIVOS ESPECÍFICOS

III. MARCO CONCEPTUAL

Según G. Evelyn Hutchinson:

Conceptos clave de Nicho Ecológico

Nicho realizado/efectivo (realized):

Bajo este modelo el nicho ecológico comprende:

Figura Nº 1: Espacio Ecológico

TMIN TMAX Temperatura

Conceptos clave de Nicho Ecológico

Nicho realizado/efectivo (realized):

Bajo este modelo el nicho ecológico comprende:

Figura Nº 2: Esquema de Nicho Fundamental

Figura Nº 3: Nicho Ecológico

Críticas al concepto de Nicho (enumeradas por Martínez-Meyer)

Otros conceptos importantes:

Un concepto reformulado de nicho:

Modelado de Nicho Ecológico

Figura Nº 4: Modelado de Nichos Ecológicos y distribuciones geográficas

De lo anterior se deriva que:

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

3.3 Sistemas de Información geográfica - SIG

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 ecológicos

3.6.1 Definición de MaxEnt

Algunas ventajas de MaxEnt:

3.6.2 Máxima Entropía

a) ¿Cuál es la manera más probable en que estén distribuidas las manzanas?

b) ¿Pero por qué?

Caja 1 Caja 2 Caja 3 Entropía

Caja 1 Caja 2 Caja 3 Entropía

Figura Nº 5: Interfaz Software Maxent

Prueba de Jackknife (Jackknife model testing)

3.6.4 Curvas de omisión (Omission)

Matriz de confusión Presente Ausente

Predicho como presente a b

Entonces a y d son predicciones correctas, pero:

Grafico Nº 1: Curva de omisión

3.6.5 Curvas ROC (Receiver operating caracteristic analysis)

Grafico Nº 2: Curva ROC

3.6.6 Pruebas de Solapamiento de Nicho

3.7 Ventajas de usar modelos

La creación de modelos requiere la formación de grupos interdisciplinarios que trabajen coordinadamente. En

3.8 Desventajas de usar modelos