WILDER ROLANDO QUISPE ROJAS (2022)

wilderquispe163@gmail.com

Modelamiento de distribución potencial de Caesalpinia spinosa en la región Junín

Introducción

Caesalpinia spinosa es una especie originaria de la región andina, conocida comúnmente

como Tara o Taya, que crece de manera silvestre o cultivada en varios países de la región

sudamericana (Narváez et al., 2009). Ha sido muy empleada por las culturas preincas e

incas en la elaboración de tintes, curtido de pieles así como por sus propiedades

medicinales (Villanueva, 2007); en la actualidad este fitorecurso está siendo revalorizado

comercialmente y se está convirtiendo en un factor importante para la economía de

numerosas familias campesinas debido a que se comercializa tanto la vaina del fruto, del

cual se extraen los taninos para la industria de la curtiembre, como la semilla de la que se

aprovecha el endospermo para extraer la goma de tara que se utiliza en la industria

alimentaria, así también el embrión (o germen de tara) que se utiliza para la elaboración

de alimento concentrado para vacunos (Novoa y Ramirez, 2007).

El Perú presenta la mayor área de bosques de tara, seguido por Bolivia, Chile, Ecuador y

Colombia (Castell, 2012), siendo considerado como el principal productor mundial de

tara con aproximadamente más del 80% de la producción mundial de este recurso, sin

embargo no logra cubrir la demanda internacional por lo que varios países se han

interesado en el comercio del mismo (Dodds, 2015). En el Perú su distribución abarca

desde Piura hasta Tacna, y en la sierra en los departamentos de Ancash, Apurímac,

Ayacucho, Cajamarca, Cusco, Huánuco, Huancavelica, Junín y Pasco (Dostert et al.,

2009). Conocer los espacios o lugares potenciales para hacer plantaciones en la región

Junín es de importancia para el desarrollo de las comunidades campesinas, por ello me

planteo como objetivo: Modelar la distribución potencial de Tara en la región Junín, con

la ayuda de bases de datos y sistemas de información geográfica (SIG).

WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Materiales y métodos

La región Junín está localizado en el centro del Perú, limita por el noroeste con Pasco,

por el noreste con Ucayali, por el sur con Huancavelica y Ayacucho, por el este con Cusco

y por el oeste con Lima (figura 1). Tiene una superficie territorial de 44 197 km2.

Figura 1. Mapa de ubicación de la región Junín

Base de datos de presencia de C. spinosa

Las coordenadas de presencia de C. spinosa se obtuvo de bases de datos de GBIF

(https://www.gbif.org/) y INATURALIST (https://www.inaturalist.org/), se utilizó solo

los puntos de presencia que caían dentro de la región Junín, también se eliminaron puntos

superpuestos.

Datos climáticos

Se utilizaron 19 variables bioclimáticas actuales, las cuales contienen información de la

combinación de datos de temperatura y precipitación de los últimos 30 años (Hijmans,

WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Cameron, Parra, Jones y Jarvis, 2005). Bio1 es la temperatura media anual (°C); Bio2 es

el rango medio diurno; Bio3 es la Isotermalidad; Bio4 es la estacionalidad de la

temperatura; Bio5 es la temperatura máxima del mes más cálido (°C); Bio6 es la

temperatura mínima del mes más frío (°C); Bio7 es el rango anual de temperatura; Bio8

es la temperatura media del cuarto más húmedo (°C); Bio9 es la temperatura media del

trimestre más seco (°C); Bio10 es la temperatura media del trimestre más caluroso (°C);

Bio11 es la temperatura media del trimeste más frío (°C); Bio12 es la precipitación anual

(mm); Bio13 es la precipitación del mes más húmedo (mm); Bio14 es la precipitación del

mes más seco (mm); Bio15 es la estacionalidad en las precipitaciones; Bio16 es la

precipitación del trimestre más lluvioso (mm); Bio17 la precipitación en el trimestre más

seco (mm); Bio18 es la precipitación del trimestre más caluroso (mm); y Bio19 es la

precipitación del trimestre más frío (mm), se obtuvo de WorldClim (Nasa, 2019).

Análisis de datos

El software utilizado para el modelamiento de nichos ecológicos fue el MaxEnt v3.4.1, el

cual funciona con algoritmos predictores de la distribución potencial de las especies de

acuerdo con las condiciones ambientales (Phillips, Anderson y Shapire, 2006). Los

resultados de salida fueron en formato raster (.tif) por su facilidad de interpretación en

programas de información geográfica (Phillips y Dudík, 2008).

Evaluación de modelos

Se utilizó el Area Under the Curve (AUC), estadístico que representa el área total bajo la

curva roja del Receiver Operating Characteristic (ROC) y que valida los modelos

elaborados en MaxEnt. Los valores de AUC de 0.5 a 0.7 tienen baja confianza, de 0.7-0.9

tienen aplicación útil en el modelo y los mayores a 0.9 tienen alta confianza (Lobo,

Jiménez y Real, 2007).

WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Resultados

(a) (b)

Figura 2. Parte analítica del modelo (a), variables de contribución del proceso de
modelado; (b), análisis del rendimiento del modelo de acuerdo a AUC

Figura 3. Mapa de probabilidades de presencia de C. spinosa en la región Junín

WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Discusiones y conclusiones

De acuerdo a la figura 2(a), nos da a conocer que el Bio18(precipitación del trimestre más

caluroso) tiene un mayor porcentaje de contribución en un 35%, dando a conocer que las

lluvias de verano controlan el desarrollo de Tara, seguido por Bio6 (temperatura mínima

del mes más frío) y la figura 2(b) nos da a conocer el rendimiento del modelo Maxent,

que de acuerdo a nuestros resultados obtuvo un buen rendimiento con un AUC de 1.

La figura 3, menciona que se trabajó con 21 reportes de Tara, dando a conocer que el

valle del Mantaro y la parte media de la cuenca del rio Tarma son potenciales para hacer

plantaciones de C. spinosa.
WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Bibliografía

Narváez, A.; Calvo, A.; Troya, A.M. 2009. Las poblaciones naturales de la tara
(Caesalpinia spinosa) en el Ecuador: una aproximación al conocimiento de la
diversidad genética y el contenido de taninos a través de estudios moleculares y
bioquímicos. Serie Investigación y Sistematización No. 7. Programa Regional
ECOBONA-INTERCOOPERATION, Labo-ratorio de Biotecnología Vegetal
Escuela de Ciencias Biológicas Pontificia Universidad Católica del Ecuador
PUCE. Quito. 39 pp.
Villanueva, C. 2007. La Tara el oro verde de los Incas para el mundo. Ediciones AGRUM.
Universidad Nacional Agraria La Molina, Lima, Perú. 163 pp.
Novoa, S.; Ramirez, K. 2007. Evaluación del estado de conservación de la tara
Caesalpinia spinosa en el departamento de Ayacucho. Serie de publicaciones de
Flora y Fauna silvestre. Instituto Nacional de Recursos Naturales, Lima, Perú. 9
pp.
Castell, E.; Carles, J. 2012. Tara (Caesalpinia spinosa): the sustainable source of tannins
for innovative tanning processes. Tesis doctoral. Universidad Politécnica de
Cataluña (UPC), España. 201 pp.
Dodds, R. 2015. Evaluación de proyecto de prefactibilidad para la plantación e instalación
de una planta piloto de extracción de harina y goma de tara (Caesalpinia spinosa)
en Chile. Memoria para optar el título de Ingeniero en Alimentos. Facultad de
Ciencias Quí-micas y Farmaceúticas. Universidad de Chile. 49 pp.
Dostert, N.; Roque, J.; Brokamp, G.; Cano, A.; La Torre, M. & Weigend M. 2009.
Factsheet: Datos botánicos de Tara Caesalpinia spinosa (Molina) Kuntze.
Proyecto Peru Biodiverso PBD. Lima, Perú. 10 pp.
Hijmans, R., Cameron, S., Parra, J., Jones, P. y Jarvis, A. (2005). Superficies climáticas
interpoladas de muy alta resolución para áreas terrestres globales. Revista
Internacional de Climatología, 25(15), 1965-1978. DOI:
https://doi.org/10.1002/joc.1276
Nasa (2019). Imagery by Jesse Allen, Nasa's Earth Observatory, using data from the
General Bathymetric Chart of the Oceans (GEBCO) produced by the British
Oceanographic Data Centre. Recuperado de:
https://visibleearth.nasa.gov/view.php?id=73934
Phillips, S., Anderson, R. y Sphapire, R. (2006). Maximum entropy modeling of species
geographic distributions. Ecological Modelling, 190(3), 231-259. DOI:
https://doi.org/10.1016/j.ecolmodel.2005.03.026
Phillips, S. y Dudík, M. (2008). Modeling of species distribucions with MaxEnt: new
extensions and a comprehensive evaluation. Ecography, 31(2), 161-175. DOI:
https://doi.org/10.1111/j.0906-7590.2008.5203.x
WILDER ROLANDO QUISPE ROJAS (2022)
wilderquispe163@gmail.com

Lobo, J., Jiménez, A. y Real, R. (2007). AUC: a misleading measure of the performance
of predictive distribution models. Global Ecology and Biogeography, 17(2), 145-
151. DOI: https://doi.org/10.1111/j.1466-8238.2007.00358.x