Modelación de La Distribución Potencial de La Unca (Myrcianthes SPP.) Usando Las 19 Variables Bioclimáticas en La Región Ayacucho.

UNIVERSIDAD NACIONAL DE SAN CRISTÓBAL DE
HUAMANGA
FACULTAD DE CIENCIAS AGRARIAS
ESCUELA PROFESIONAL DE AGRONOMÍA
Ciclo de Actualización Profesional
Modelación de la distribución potencial de la Unca (Myrcianthes

spp.) usando las 19 variables bioclimáticas en la Región Ayacucho.
PROYECTO DE INGENIERÍA PARA OBTENER EL TÍTULO

PROFESIONAL DE INGENIERO AGRÓNOMO
PRESENTADO POR:
Michael Aronés Quispe
ASESOR:
Ing. Hoover Nuñez Alfaro
Ayacucho – Perú
2022
Dedicatoria
Primeramente a Dios por las bendiciones que siempre nos brinda, a mi madre Noemi Quispe
Dias por su gran apoyo y amor incondicional, por el deseo de superación que sembró en mi
vida, por inculcarme el ejemplo de esfuerzo y valentía; así mismo dedico este trabajo a mi
esposa Angela Patricia Mallqui Alcocer por su amor y mantener la motivación de compartir
las mismas metas de superación en todos los aspectos de la vida.
En segundo plano dedico este trabajo a mis familiares mas queridos principalmente a mi tía
Dina Mendoza Guitierrez, abuela Nievesa Diaz de Quispe, finalmente a mis familares que
partieron de esta vida, mi querido abuelo Saturnino Quispe Mendoza (Papacha), mi abuela
Adorada Ida Esperanza Gutierrez Arrea, abuelo Vidal Salazar Montero y mi tío Lino
Mendoza Gutierrez; quienes desde el cielo aún me siguen guiando.
iii
Agradecimientos
Agradezco profundamente a nuestra alma mater Universidad Nacional de San Cristobal de

Huamanga, casa superior de estudios en la Región de Ayacucho. A la Facultad de Ciencias
Agrarias. A la Escuela Profesional de Agronomía el cual fue recinto de aprendizaje para esta
vida competitiva. En segundo término a mi asesor Ing Hoover Nuñez Alfaro por su guía y
asistencia brindada en el transcurso del II ciclo de Actualización Profesional, a mis docentes de
la Gloriosa Escuela Profesional de Agronomía, quienes aportaron cada uno con esos pequeños
pero valiosos granos de experiencia y sabiduría para que de esa manera me convierta en un
buen profesional; finalmente agradezco a aquellas personas que motivaron en mi la chispa de
aprender más e investigar como es el caso del Ing. Aldo Conislla Quispe quien me extendió su
mano en momentos de necesidad y me enseño las bases de Sistema de Información Geográfica,
al Blgo. Jesús Tello Velarde personal nombrado del Gobierno Regional de Ayacucho quién
apostó por mi y me brindó la oportunidad de laborar en la Gerencia Regional de Recursos
Naturales y Gestión del Medio Ambiente.
iv
INDICE
Dedicatoria.................................................................................................................................iii
Agradecimientos ........................................................................................................................ iv
Resumen ..................................................................................................................................... x
Abstract...................................................................................................................................... xi
Presentación .............................................................................................................................. xii
Capítulo I .................................................................................................................................. 13
Introducción .............................................................................................................................. 13
Problema general .................................................................................................................. 14
Problema específico .............................................................................................................. 14
Objetivo general .................................................................................................................... 14
Objetivos específicos ............................................................................................................ 14
Capítulo II ................................................................................................................................. 15
Marco Teórico .......................................................................................................................... 15
2.1 Antecedentes....................................................................................................................... 15
Ecosistemas .............................................................................................................................. 16
Nicho ecológico ........................................................................................................................ 16
Distribución de una especie ...................................................................................................... 17
Endenismo ................................................................................................................................ 17
Familia Myrtaceae .................................................................................................................... 17
Especie ...................................................................................................................................... 18
Myrcianthes ferreyrae (McVaugh) McVaugh .......................................................................... 18
Flor. ....................................................................................................................................... 18
Hojas. .................................................................................................................................... 18
Frutos. ................................................................................................................................... 18
Myrcianthes oreophila “Unca” ................................................................................................. 19
Flor ........................................................................................................................................ 19
Hojas ..................................................................................................................................... 19
Frutos .................................................................................................................................... 19
Modelos de Distribución de Especies ....................................................................................... 20
Variables Bioclimáticas ............................................................................................................ 21
Maxent ...................................................................................................................................... 22
Coeficiente de correlación de Pearson...................................................................................... 22
Área Bajo la Curva ................................................................................................................... 22
v
Capítulo III ............................................................................................................................... 24
Desarrollo y análisis ................................................................................................................. 24
3.1. Metodología ....................................................................................................................... 24
Áre de Estudio .......................................................................................................................... 24
Clima de la Región de Ayacucho ............................................................................................. 25
Datos de distribución de especie .............................................................................................. 26
Variables Bioclimaticas ............................................................................................................ 27
Software ARCGIS .................................................................................................................... 28
Software libre QGIS. ................................................................................................................ 29
Rstudio ...................................................................................................................................... 33
Selección de Variables Ambientales ........................................................................................ 37
Ejecución en el Programa Maxent ............................................................................................ 45
3.2. Resultados y analisis.......................................................................................................... 48
Análisis Curva ROC y AUC ..................................................................................................... 48
Análisis Curva AUC ................................................................................................................. 49
Análisis de Mapa de Distribucion de Myrcianthes spp. ........................................................... 51
Aportes de Variables Bioclimáticas. ........................................................................................ 52
Test de Jackknife. ..................................................................................................................... 53
Superposición de Áreas ............................................................................................................ 54
Capítulo IV ............................................................................................................................... 55
Conclusiones y recomendaciones ............................................................................................. 55
4.1. Conclusiones...................................................................................................................... 55
4.2. Recomendaciones .............................................................................................................. 56
Referencia ................................................................................................................................. 57
ANEXO .................................................................................................................................... 63
INDICE DE TABLAS
Tabla 3.1 .................................................................................................................................. 38
Regresión auxiliar Bio4 como endógeno frente a las variables Bio14, Bio16 y Bio18 ........... 38
Tabla 3.2 .................................................................................................................................. 39
Regresión auxiliar Bio14 como endógeno frente a las variables Bio4, Bio16 y Bio18 ........... 39
Tabla 3.3 Regresión auxiliar Bio16 como endógeno frente a las variables Bio14, Bio16 y
Bio18......................................................................................................................................... 39
Tabla 3.4 .................................................................................................................................. 40
vi
Regresión auxiliar Bio18 como endógeno frente a las variables Bio16, Bio164y Bio4 .......... 40
Tabla 3.5 .................................................................................................................................. 41
Resumen de cálculo estadística de la regresión Bio4 como endógeno ..................................... 41
Tabla 3.6 .................................................................................................................................. 42
Resumén de cálculo estadística de la regresión Bio14 como endógeno .................................. 42
Tabla 3.7 .................................................................................................................................. 43
Tabla 3.8 .................................................................................................................................. 44
Tabla 3.9 .................................................................................................................................. 45
Cálculo de Factor de Inflación de Varianza (FIV) .................................................................. 45
INDICE DE FIGURAS
Figura 2.1................................................................................................................................. 19
Myrcianthes ferreyrae (McVaugh) McVaugh de Puerto Chala. Peru ..................................... 19
Figura 2.2................................................................................................................................. 20
Fotografía de la especie Myrcianthes oreophila ...................................................................... 20
Figura 2.3................................................................................................................................. 21
Elementos necesarios para definir un MDE............................................................................. 21
Figura 3.1................................................................................................................................. 25
Ubicación del departamento de Ayacucho ............................................................................... 25
Figura 3.2................................................................................................................................. 27
Ubicación puntos de Presencia utilizado para el estudio ........................................................ 27
Figura 3.3................................................................................................................................. 28
Variables bioclimáticas ............................................................................................................ 28
Figura 3.4................................................................................................................................. 29
Geoproceso extracción de capa bioclimática a través de mascara en el softwareArcgis. ...... 29
Figura 3.5................................................................................................................................. 30
Proceso de Interpolación de los puntos de presencia con los pixeles de las variables
bioclimáticas............................................................................................................................. 30
Figura 3.6................................................................................................................................. 30
Salida de puntos con los valores extraído de cada pixel de las variables bioclimáticas. ........ 30
Figura 3.7................................................................................................................................. 31
Valores extraídos de los pixeles de las variables bioclimáticas .............................................. 31
vii
Figura 3.8................................................................................................................................. 33
Script utilizado en el programa Rstudio ................................................................................... 33
Figura 3.8................................................................................................................................. 34
Entrada de Script en el Software Rstudio................................................................................. 34
Figura 3.9................................................................................................................................. 34
Generación de correlación de variables Bioclimaticas ........................................................... 34
Figura 3.10............................................................................................................................... 36
Correlación de variables bioclimáticas ................................................................................... 36
Figura 3.11............................................................................................................................... 36
Correlación de variables bioclimáticas con valores de rangos desde +1 a -1. ....................... 36
Figura 3.10............................................................................................................................... 47
Programa Maxent con datos exportados................................................................................... 47
Figura 3.11............................................................................................................................... 47
Calibración en la ventana “Settings”- “Basic”....................................................................... 47
Figura 3.12............................................................................................................................... 48
Calibración en la ventana “Settings”- “Advance”.................................................................. 48
Figura 3.13............................................................................................................................... 49
Análisis de omision/comisión ................................................................................................... 49
Figura 3.14............................................................................................................................... 51
Análisis Curva ROC y AUC...................................................................................................... 51
Figura 3.15............................................................................................................................... 52
Áreas de distribución potencial de la especie Myrcianthes spp. en la región Ayacucho ......... 52
Figura 3.17............................................................................................................................... 54
Jackknife de AUC para Myrcianthes spp ................................................................................. 54
INDICE DE CUADROS
Cuadro 2.1 ............................................................................................................................... 23
Matriz de confusión .................................................................................................................. 23
Cuadro 3.1 ............................................................................................................................... 26
Coordenadas de puntos de presencia de las especies Myrcianthes spp................................... 26
Cuadro 3.2 ............................................................................................................................... 32
Valores extraidos de la interpolación de los puntos de presencia con las variables
bioclimáticas............................................................................................................................. 32
Cuadro 3.3 ............................................................................................................................... 35
viii
Correlación de variables bioclimáticas con la técnica de Pearson, generados en Rstudio .... 35
Cuadro 3.4 ............................................................................................................................... 38
Variables bioclimaticas que estan menos correlacionados ..................................................... 38
Cuadro 3.5 ............................................................................................................................... 53
Variables Bioclimáticas con mayor contribución ..................................................................... 53
INDICE DE ANEXO
Figura 5.1................................................................................................................................. 64
Mapa de distribucion potencial de las especies Myrcianthes spp. en la región Ayacucho ..... 64
Figura 5.2................................................................................................................................. 65
Mapa de zonas de vida e idoneidad de la especie Myrcianthes spp. en la Región Ayacucho . 65
Figura 5.3................................................................................................................................. 66
Mapa registros de presencia de la especie Myrcianthes spp. en la Región Ayacucho ........... 66
Figura 5.1................................................................................................................................. 67
Especie Myrcianthes oreophila ................................................................................................ 67
Figura 5.2................................................................................................................................. 68
Especie Myrcianthes oreophila ................................................................................................ 68
Figura 5.3................................................................................................................................. 69
Equipo técnico de la Gerencia de Recursos Naturales y Gestión del Medio Ambiente
monitoreando especies en el bosque de Usqu willka. ............................................................. 69
Figura 5.4................................................................................................................................. 69
Habitante del centro poblado de Chupón en el distrito de Oronccoy llevando leña de
Myrcianthes spp........................................................................................................................ 69
Constancia de control de originalidad…………...…….………………………….…….….....70
Reporte Turnitin UNSCH…….………………………………………………………………71
ix
Resumen
El presente Proyecto de Ingeniera investigó las áreas potenciales de distribución para

las especies del género Myrcianthes spp. en la Región Ayacucho, para lo cual se utilizó
registros de presencia y variables bioclimáticas esta última tiene la característica de estar en
formato raster, es necesario contar con estos datos esto con el fin de obtener el modelamiento
de distribución de la especie en estudio con el apoyo de los software Arcgis, Qgis y Maxent
(Maxima entropia).
Este estudio fue para determinar las áreas de distribución potencial de las especies del
género Myrcianthes spp. en la región de Ayacucho, encontrar a que zonas de vida pertence
estas superficies geográficas donde se encuentra las especies en estudio, en el resultado del
modelamiento se identificó que las zonas de idoneidad fueron los limites entre las provincias
de La Mar, Huanta, Huamanga, Vilcas Huaman con los límites políticos departamental de
Apurimac, así mismo Vilcashuaman con límites distritales de Sucre y Victor Fajardo.
Así mismo se realizó una superposición de áreas idóneas resultado del modelamiento
con las zonas de vida en la región de Ayacucho, donde el resultado fue la siguiente: Bosque
húmedo- Montano sub tropical, Bosque húmedo – Sub tropical, bosque muy húmedo-
Montano bajo Subtropical, Bosque muy húmedo Subtropical, bosque pluvial- Montano bajo
Subtropical, bosque seco-Subtropical, estepa espinosa- Montano bajo Subtropical y monte
espinoso-Subtropical, lo que significa que estas especies de Myrcianthes spp se puede
encontrar o desarrollar de manera excelente en estas áreas.
x
Abstract
Engineering Project investigated the potential distribution areas for the species of the
genus Myrcianthes spp in the Ayacucho region, for which records of presence and bioclimatic
variables were used, the latter has the characteristic of being in raster format, it is necessary to
have these data in order to obtain the distribution modeling of the species under study with the
support of Arcgis, Qgis and Maxent (Maximum entropy) software.
This study was to determine the potential distribution areas of the species of the genus
Myrcianthes spp in the Ayacucho region, to find to which life zones belong these geographic
surfaces where the species under study are found, in the modeling result it was identified that
the Suitable areas were the limits between the provinces of La Mar, Huanta, Huamanga and
Vilcas Huaman with the departmental political limits of Apurimac, as well as Vilcashuaman
with the district limits of Sucre and Victor Fajardo.
Likewise, a superimposition of suitable areas resulting from the modeling with the life
zones in the Ayacucho region was carried out, where the result was the following: Humid
Forest - Subtropical Montane, Humid Forest - Subtropical, Very Humid Forest - Lower
Subtropical Montane, subtropical wet forest, subtropical rain forest - lower montane,
subtropical dry forest, subtropical - lower montane thorny steppe and subtropical thorny
forest, which means that these species of Myrcianthes spp can be found or developed
excellently in these areas.
xi
Presentación
En estos últimos años en muchas partes del mundo se esta manifestando

aceleradamente los cambios clímaticos; así mismo se va perdiendo y deteriorando
diversidades de habitas por consecuencias directas e indirectas, en la gran mayoria es por los
aspectos de actividades antrópicas como también por el desconocimiento del impacto que esto
puede repercutir en el futuro de nuestro planeta.
En la región de Ayacucho existen 44 Zonas de Vida de las 84 que existen en el Perú,
269 especies de flora endémicas del Perú que se encuentran en la región, de las cuales 94
especies son endémicas corresponden solo a Ayacucho (B. León., et al.,2007).
En los últimos años la pérdida y deterioro de los habitas influenciado por la acción
antrópica como es la creación de fronteras agrícolas, ganderas, carreteras, etc. Añadiendo a
esto el cambio climático desencadena una pérdida de la biodiverisdad y genera una probable
extinción de esta riqueza florística, para el presente proyecto se enfocará en la especie
endémica Myrcianthes spp, perteneciente a la familia Myrtaceae el cual es reconocida en el
Perú por presentar 20 géneros y 165 especies (Brako.,et al., 2004).
Por ser una especie en peligro de extinción como son las siguientes: Myrcianthes
ferreyrae (McVaugh) McVaugh, Myrcianthes lanosa McVaugh, Myrcianthes oreophila
(Diels) McVaugh, Myrcianthes quinqueloba (McVaugh) McVaugh, algunos registrados y
distribuidos en diferentes partes del Perú. El departamento de Ayacucho presenta especies
como Myrcianthes oreophila, Myrcianthes cf. Ferreirae, Myrcianthes spp. encontrados en
situación vulnerable y crítico según el IUCN Red list.
Pearson, afirma que “la distribución de las especies generalmente está dada como
respuesta a cambios globales en el cual se va adaptando a través de procesos evolutivos,
cambios en patrones de abundancia, distribución, desplazamiento e incluso la extinción”.
Para esto se necesita multiples acciones una de ella es buscar áreas de distribución potencial
en las ecorregiones de Ayacucho
xii
Capítulo I
Introducción
En la actualidad el cambio climático esta influenciado por factores naturales y

antrópicas, más este último tiene una afectación mas directa a niveles muy altos y rápidos lo
que desencadena en pérdidas de biodiversidad de especies,(Monroy-Gamboa et al., 2022).
La IUCN Red List, cataloga al género Myrcianthes spp. bajo diferentes rangos de
evaluación, por ejemplo la especie Myrcianthes ferreyrae esta evaluada como en Peligro
Crítico (CR), su población esta decreciendo entre un 90% a 100% , se estima que entre 75 a
90 años esta especie se extinguirá, las causas para esta realidad en la mayoría es por
actividades antrópicas, sobrepastoreo, desorden forestal que inducen a una competencia entre
diferentes especies que se realizan en estas zonas; así mismo la especie Myrcianthes oreophila
se encuentra en un estado Vulnerable (VU), lo que indica que no se encuentra muy lejos del
estado crítico y posiblemente inmerso al mismo final de especies extintas si no se toma
acción, (Gonzáles, F. 2014).
En la provincia de Huamanga existe terrenos que predominan los cultivos y matorrales
con una fisiografía de relieves moderado y planos, los cuales estan siendo erosinados por las
precipitaciones, entre muchos el monte ribereño, el cual presenta una flora típica en el cauce
de los afluentes hídricos, donde se ubica diferentes especies forestales entre ellas la especie
Myrcianthes oreophila, estas formaciones fisiográficas son limitadas ya que se cuentan con
pocos lugares con estas descripción ya mencionada,y los cuales están en peligro de
desaparecer por el incremento de la frontera agrícola, esto por desconocimiento de la
importancia y las funciones que cumplen en el ecosistema,(de la Cruz-Arango et al., 2020)
Es por eso que se va optando por el uso de nuevas herramientas para los estudios
ecológicos, pero existe uno de ellos que va tomando mayor aceptación en el campo de la
distribución de especies, los modelos de distribución son algoritmos que analizan esquemas
de datos de forma ordenada y lógica apoyándose en la estadística y cartografía con registros
verídicos.Al realizar este modelamiento da como respuesta un resultado de inferencia hacia
áreas potencialmente idóneas según los atributos ambientales de las especies, (Mateo et al.,
2011)
Problema general
¿Cuál es la utilidad del modelamiento de la distribución potencial de las especies del genero
Myrcianthes spp. usando las 19 variables bioclimáticas en las regiones de Ayacucho?
Problema específico
¿Cuáles son las áreas de distribución potencial de las especies del género Myrcianthes spp. en
las Regiones de Ayacucho.
Objetivo general
Modelar la distribución potencial de las especies del género Myrcianthes spp usando las 19
variables bioclimáticas en las regiones de Ayacucho.
Objetivos específicos
1- Identificar las zonas de vida potenciales donde se desarrolla las especies del género
Myrcianthes spp.
2- Procesar datos utilizando los software MaxEnt, ARCGIS, QGIS y Rstudio.
14
Capítulo II
Marco Teórico
2.1 Antecedentes
La zona altoandina de la Provincia de Huamanga del departamento de Ayacucho se

caracteriza por presentar una topografia heterogenea y ecosistemas diferentes; así mismo no
solo muestra una flora muy particular rica en especies; también presenta composiciones
floristicas endémicas los cuales se encuentran en un grado de amenza muy importantes, (De la
Cruz-Arango et al., 2020).
En los modelos de distribucion potencial se puede estimar muchas áreas idoneas y
representativas donde se puede generar una problable presencia de espcies; además para estos
trabajos se utilizó un algoritmo llamado Maxima entropía juntamente con el programa Maxent
esto para generar mapas de distribución potencial.(Aroca-Gonzalez et al., 2021).
La distribución potencial tiene mucho interes en el campo de la ecologia aplicada
existe muchos investigadores que se apoyan con los software y algoritmos con estos
algoritmos se puede hacer predicciones acertadas de distribucion de especies utilizando datos
geograficos y mapas climáticos, el resultado de los mapas dependera de la precision de los
datos de distribución, (Flores, 2015).
En las zonas altoandinas existe investigaciones escasas en muchos ambitos de
conocimientos, modelar la distribucion potencial de especies de flora y fauna brinda areas no
exploradas, para tales informaciones se utilizó la información proporcionada por la agencia
worldclim. Mostrando resultados para toma de desiciones para la conservación de recursos
naturales(Mejía-Coronel et al., 2018).
El modelamiento de especies es una herramienta analítica para la biogeografía, asi
mismo permite involucrarse en el estudio del impacto climático que involucra la
biodiversidad, el principio de maxima entropía es aplicado por el software de Maxent.
Utilizando datos climáticos disponibles de WorldClim. Los cuales también se puede hacer
modelamientos para escenarios futuros de cambos climáticos,(Timaná de la Flor & Cuentas
Romero, 2015).
La conservación de las especies nos permite conocer las zonas adecuadas de habitad,
también identificar un área geoespacial ideoneo, al final concluye que el programa Maxent es
predictor confiable, donde se puede tomar desiciones para preservar un área potencial de
distribución espacial, (Cartaya Ríos et al., 2016)
Los modelos predictivos nos permite aproximar un área potencial de especies
vegetales,(Baquero et al., 2004)
En estos tiempos, el modelado de distribución potencial de especies se ha convertido
en un área ampliamente estudiado se basa en el concepto de nicho ecologico así msmo se
apoya en programas de computo, este tipo de modelo es una herramienta importante para
tomar acciones de conservación, forestación y planificar lugares en busca de nuevas
poblaciones,(Leal-Nares et al., 2012)
Ecosistemas
El ecosistema es la interacción de una diversidad de especies de seres vivos que

habitan en un espacio denominado biosfera interactuando con factores quimicos y fisicos que
se encuentran en la Geosfera, así mismo los ecosistemas presentan algun tipo de
caracteristicas climáticas en el cual existen acontecmientos naturales como la fotosintesis,
ciclos naturales, cadena alimenticia y ciclos biogeoquímicos que se presentan de manera
natural, (Sánchez Martínez, D. V. 2015). Según (González, et al.,2016) definen al ecositema
como “conjunto de organismos y su medio físico interactuando en un lugar”.
La micro cuenca de Usqu Willka que se encuentra en el distrito de quinua, provincia
de Huamanga, Departamento de Ayacucho se caracteriza por ser un ecosistema estratégico
que alberga diversidad de especies entre las que resaltan especies ornitológicas esta diversidad
de aves es importante para la continuidad y supervivencia de muchas especies; así mismo es
parte de un corredor biológico de los bosques relictos altoandinos (Huamán, 2017).
Nicho ecológico
Es la interacción de las variables ambientales con distintas especies, donde cada

organismo posee cierto margen de tolerabilidad fisiológica. Es así que cuando existen diversas
16
adaptabilidades a diferentes niveles de tolerancia se crean espacios multidimensionales donde
los diferentes organismos ejecutan su desarrollo y asi completan sus fases de desarrollo lo que
hace posible su preservación,(López.,2007).
Distribución de una especie
Son áreas geográficas de lugares donde existe condiciones adecuadas y favorables

para que prospere una determianda especie, esto se denomina como distribución geográfica,
existen dos tipos, como es la distribución realizada que indica el lugar donde la especie esta
presente; en cambio cuando se habla de distribución potencial se refiere a las áreas idoneas
donde la especie podria prosperar; pero no necesariamente la especie podria estar insitu,
(López.,2007).
Endenismo
Es el espacio de n-dimesniones que indica condiciones favorables ambientales donde

existe especies con determinados requerimientos para reproducirse y sobrevivir. (Hutchinson,
1957 citado en Vázquez, Diego P. 2005).
Así mismo las especies endémicas representan un componente fundamental en los
ecosistemas de la región, (Zaffaroni,et al.,2021).
Muchas especies endémicas del peru tiene espacios restringidos y el poco
conocimiento de estas especies involucra una amenza a la extinción además las actividades
antropicas como la ampliacion de froteras agricolas y cambios climáticos ponen en un estado
vulnerable a estas poblaciones, (Pauca-Tanco,et al., 2021).
Estas especies endémicas son de gran importancia pues cualquier tipo de alteración a
su habitad podría ser causa de su desaparición o extinción, (Huamaní-Sulca et al., 2020). Se
cree que para los próximos 50 años habrá una pérdida de 6 a 11% de las especies en las
reservas naturales, (Araújo et al. 2004 citado en Cuervo-Robayo et al.,2012).
Familia Myrtaceae
El Perú es reconocido por presentar 20 géneros y 165 especies (Brako & Zarucchi,
1993; Ulloa Ulloa et al., 2004 citado por Kawasaki et al., 2006). Esta especie se presenta en
las zonas de vida bosques húmedos Montano con una altitud en las zonas que trasciende desde
17
los 2500 msnm hasta los 4000 msnm (Alcántara, 1997; Brako & Zaruchi, 1993 citado por
Sembrero, 2021).
Especie
Las especies son concebidas como grupos de organismos que evolucionan

conjuntamente, capaces de mantener su propia identidad diferenciada de la de otros grupos,
(Wiley,1978).
La especie se define como una estirpe filética ( secuencia de poblaciones
ancestralesdescendientes) los cuales tienen una evolución distintas a otras, (Simpson,1961),
como citó Pesenti,2006).
Es un linaje que ocupa una zona adecuada que evoluciona separademente de otros
linajes foraneos a esa condición, (Van Valen,1992).
Myrcianthes ferreyrae (McVaugh) McVaugh
También conocido como "arrayan" esta especie es un árbol endémico y amenazado de

las lomas costeras del sur de Perú (Gonzales Guillén et al., 2019).
Flor.Presenta Inflorescencia axilares en dicasios 3 a 7 flores, (De la Cruz, 2018).

Hojas.Tiene hojas opuestas persistentes y coriáceas, (De la Cruz, 2018).
Frutos.Se caracteriza por presentar los frutos en forma de en bayas (De la Cruz,
2018).
18
Figura 2.1
Myrcianthes ferreyrae (McVaugh) McVaugh de Puerto Chala. Peru
Fuente: Museo Botánico de UTRECH.
Myrcianthes oreophila “Unca”
Esta especie tambien es conocida como “Unca” se distribuye mayormente en forma de

bosques relictos a lo largo de varias provincias en los departamentos de Apurímac, Ayacucho
y Cusco; son considerados en un estado vulnerable según la UICN debido a las actividades
antropicas para su uso como combustible (leña), (Sembrero,2021) .
Flor.Se distingue lasfFlores en cimas axilares y terminales de 3 a 5 cm de longitud,
con inflorescencia que tiene ejes de tres flores pubescentes; corola con 4 pétalos, numerosos
estambres y un pistilo con estilo delgado (Carpio,2017).
Hojas.Se caracteriza por presentar hojas simples, opuestas, rígidas, glabras, con
láminas ovadas y anchas de unos 2 a 3,5 cm de longitud, ápice agudo, base obtusa y borde
entero (Carpio,2017).
Frutos.Se caracterizan por describir la baya globosas de color rojizo cuando maduran
(Carpio,2017).
19
Figura 1.2
Fotografía de la especie Myrcianthes oreophila
Fuente: Registro encontrado en el Bosque de Usqu Willka, distrito de Quinua
Modelos de Distribución de Especies
En los últimos años se ha generalizado nuevas herramientas que ayudan a analizar

objetivamente los patrones espaciales de presencia de organismos entre ellos los modelos de
distribución de especies, los cuales realizan procedimientos estadísticos y cartográficos que
permiten inferir zonas o áreas potenciales de presencia (Mateo et al., 2011).
Se define a un modelo como una representación parcial de la realidad que refleja
algunas de sus propiedades así mismo los modelos de distribución de especies son
representaciones cartográficas donde se utiliza variables independientes los cuales tienen el
papel de ser como indicadores entre estas por ejemplo pueden ser geológicas,topográficas o
climáticas (Guisan Antoine &Zimmermann Niklaus, 2000).
Los Sistemas de Información Geográfica y el desarrollo de técnicas estadísticas
aplicadas en estos últimos años ha surgido una expansión de herramientas para el analísis de
patrones espaciales de presencia y ausencia (Franklin, J. 1995).
Según estas definiciones ,existen elementos que hay que resaltar en cualquier Modelo
de distribución de especies, como son los datos de presencia (coordenadas del lugar donde se
encontró la especie), variables bioclimáticas o ambientales en estado digital, un algoritmo
20
matemático que analiza la relación existente entre ambos datos y un modelo definido en el
espacio ecológico mostrando un resultado con representación geográfica visualizado en forma
de mapa.
Figura 2.3
Elementos necesarios para definir un MDE
Fuente: Elementos y secuencia para proyectar un Modelamiento de distribución de especies. Tomada de VII Taller GBIF de
Modelización de Nichos Ecológicos, CEAMA.
Variables Bioclimáticas
Las variables bioclimáticas se derivan de los valores mensuales de temperatura y

precipitación estos se pueden extraer de Worldclim, estas variables son más significativas
desde el punto de vista biológico. Estos se utilizan a menudo en el modelado de distribución
de especies y técnicas de modelado ecológico relacionadas (Varela, et al., 2015).
Estas variables climáticas se descarga de forma gratuita de la pagina de WorldClim
cuya resolución espacial es de 1km estos datos son para modelos ecológicos,(Format, 2016).
Las variables Bioclimáticas representan tendencias anuales, estacionales y factores
ambientales extremos o restrictivos,(WorldClim, 2020-2022).
21
Maxent
Es una formulación matemática simple, el cual es el más utilizado debido a su

flexibilidad para modelar la distribución potencial y nicho ecológico de diversas especies con
buen poder predictivo, (Phillips et al. 2006, citado por Suárez-Mota et al., 2022).
Esta herramienta nos permite conocer el impacto del cambio climático para predecir la
distribución actual y potencial de especies en estudio (Jiménez Salazar, et al,.2021).
Así mismo puede utilizar como datos de entrada 19 variables bioclimáticas,
coordenadas geográficas de presencia de la especie en estudio, (Navarro Guzmán et al.,2020).
Las ventajas que tiene el software es que requiere registros de presencia, también
puede emplear registros de ausencia para cualquier o ambos casos con los factores
bioclimáticos; así mismo puede usar variables continuas o categóricas y hacr interacciones
entre ellas. Utiliza algoritmos los cuales fueron desarrollados para cumplir cálculos de
convergencia optima en una distribución de probabilidades.
Coeficiente de correlación de Pearson
Es el valor numérico que se utiliza para calcular una correlación entre dos variables
aleatorias cuantitativas, algunas de las características de esta correlación indica relaciones
intensas, valores positivos y negativos entre estas variables con una fuerte asociatividad y el
detalle que mas resalta es que el rango para el valor del coeficiente de Pearson va desde -1
hasta +1, (Fiallos, G. 2021).
Área Bajo la Curva
Para determinar el AUC es necesario tener conocimiento los siguientes indices que son:
Sensitividad = a /(a + c)
Especificidad = d /(b + d)
Donde:
a = Es el número de registros presentes correctamente predichos como presentes.
b = Es el número de registros ausentes incorrectamente predichos como presentes.
c = Es el número de registros presentes incorrectamente predichos como ausentes.
d = Es el número de registros ausentes correctamente predichos como ausentes.
22
Cuadro 2.1
Matriz de confusión
La sensitividad es la proporción de presencias correctas predichas y su valor nos

indica un bajo error de omisión. La especificidad es la proporción de ausencias correctas
predichas y su valor alto nos indica que hay un bajo error de comisión.
Presente Ausente
Predicho como presente a b (error de comision)
Predicho como ausente c (Error de Omisión) d
23
Capítulo III
Desarrollo y análisis
3.1. Metodología
Para el presente Proyecto de Ingenieria como fase inicial fue necesario obtener la
mayor cantidad de información posible como son las coordenadas de presencia de especies,
variables bioclimáticas; así mismo debemos tener todas herramientas necesarias como son en
este caso los software que son apoyo para generar geprocesos esto con el fin de generar un
modelamiento fiable.
Áre de Estudio
El departamento de Ayacucho esta ubicado en la Región Centro Sur Andina del país,
en el área meridional de los Andes, entre los paralelos 12° 07’ 30” y 15° 37’ 00” de latitud sur
y entre los meridianos 72°50’ 19” y 75° 07’ 00” longitud oeste.
Tiene una extensión de 43,508.57 km2, el 90% pertenece a la región de la sierra y el
restante a la región de la selva. (GRRNGMA,2012).
Figura 3.1
Ubicación del departamento de Ayacucho
Clima de la Región de Ayacucho
Presenta un clima muy seco siendo caracteristica a nivel de todo el territorio del Perú,
esto es originado por la presencia de las cadenas montañosas ubicadas en el noreste con cimas
que se elevan hasta los 4000 m.s.n.m; estas montañas cierran el paso al desplazamiento de las
masas de aire húmedo que proceden del este o del noreste hacia el sur u oeste, la región
Ayacucho presenta 550 mm en promedio anual de las precipitaciones.
Las temperaturas diurnas decrecen con la altitud. Tiene escases de coberturas nubosas,
con precipitación baja respecto a otras regiones; así mismo a causa de esto presenta un brillo
solar durante todo el año, las T° diurnas son relativamente altas. Las temperaturas máximas se
presentan en octubre y noviembre, llegando hasta los 30°C, debido a la mayor cantidad de
radiación solar que incidente durante ese periodo.
La temperatura media en la Ciudad de Ayacucho de 15.36ºC, mientras que la media
más alta se tiene en Sivia (Huanta) con 25.19ºC y la media más baja se tiene en San Cristóbal
(Puquio) con 9.89º C, (GRRNGMA,2012).
25
Datos de distribución de especie
Para la obtención de estos datos fueron de diferentes modalidades como viajes a las
zonas donde se encuentra la especie, también se obtubo las coordenadas de presencia por
medio de tesis, los lugares de muestreo fueron el primero es el bosque de Usku Willca en el
distrito de Quinua, el segundo el Bosque de Ustuna perteneciente al centro poblado de Santa
Isabel de chumbes del distrito de Ocros, tercero el distrito de Oronccoy en los centros
poblados de San martín de Chupón y Belén Chapi, cuarto el distrito de Marcolla en los
centros poblados de San Antonio de Amarayucc y Tintay, en total se proceso 12 puntos
georreferenciados, tal como se muestra en el cuadro siguiente.
Cuadro 3.1
Coordenadas de puntos de presencia de las especies Myrcianthes spp.

Especie Latitude Longitude
Myrcianthes sp -13.0669 -74.1143
26
Figura 3.2
Ubicación puntos de Presencia utilizado para el estudio
Variables Bioclimaticas
Las variables bioclimáticas que se utilizaron se descargó de la pagina principal de

worldclim, estas variables derivan de los datos mensuales de precipitación y temperatura los
cuales generan variables biológicas mas significativas, para el presente proyecto se utilizará
en total 19 variables que servirán para el modelamiento de nicho ecológico.Cabe mencionar
que la resolución espacial es muy alta aproximadamente 1km2,(Fick & Hijmans, 2017).
27
Figura 3.3
Variables bioclimáticas
Fuente: Página Worldclim
Software ARCGIS
Luego de obtener la descarga de las variables bioclimaticas de la pagina worldclim lo

que sigue es generar geoprocesos para este caso se utilizará el programa ARCGIS, en esta
parte se extraerá solo el área de la región Ayacucho mediante una máscara siguiendo los pasos
que acontinuación se describirá: abrir la caja de herramientas (Arc Tollbox) – Spatial analyst
tools- Extraction- Extraction by mask, al seleccionar esta última pestaña aparecerá una
ventana donde nos pedirá como datos de entrada (Input raster) en esta parte se cargará la
primera capa bioclimática y en la segunda pestaña (Input raster or feature mask data) se
cargará la capa con la que queremos extraer el raster para este caso será el área de la Región
Ayacucho en formato shapefile luego en la pestaña Output raster ( Raster de salida)
indicaremos el lugar (carpeta) donde se va guardar y como ultimo paso se hara click en “OK”,
lo que hará el programa será el geoproceso de recorte dando como resultado la primera capa
28
bioclimatica solo delimitada para la región Ayacucho en formato raster; este proceso se hará
para las 19 variables bioclimáticas y por último se debe convertir todos los ráster al formato
ASCII (asc) utilizando nuevamente la caja de herramientas (Arc Toolbox) – Conversion Tools
– From Raster – Raster to ASCII, esta transformación es necesaria para que el programa
Maxent lo pueda reconocer.
Figura 3.4
Geoproceso extracción de capa bioclimática a través de mascara en el softwareArcgis.
Software libre QGIS.
La utilización del software QGIS fue necesario para poder generar la interpolación de
los puntos de las coordenadas de presencia con los raster de las variables bioclimáticas ya
recortadas para el ambito de la región Ayacucho, la metodología fue utilizando el plugin Point
Sampling Tools esta herramienta hace la interpolación de cada pixel con el punto de presencia
(coordenadas) de la especie Myrcianthes oreophila extrayendo el valor de cada celda y
generando un shapefile como formato de salida con la información extraída, una forma de
verificar si generó la extracción es observar los valores en la tabla de atributos de cada
shapefile generado, este ejercicio se repetirá para las 19 variables bioclimáticas de la región
Ayacucho, entonces se obtendrá 19 shapefiles con datos extraídos y seguidamente se
exportará los datos a una hoja excel donde posteriormente se trabajará con el programa
Rstudio.
29
Figura 3.5
Proceso de Interpolación de los puntos de presencia con los pixeles de las variables bioclimáticas
Figura 3.6
Salida de puntos con los valores extraído de cada pixel de las variables bioclimáticas.
Salida con valores

extraídos de los
pixeles de cada
variable bioclimática
en formato shapefile
30
Figura 3.7
Valores extraídos de los pixeles de las variables bioclimáticas
31
Cuadro 3.2
Valores extraidos de la interpolación de los puntos de presencia con las variables bioclimáticas.
Genero Latitud Longitud Bio1 Bio2 Bio3 Bio4 Bio5 Bio6 Bio7 Bio8 Bio9 Bio10 Bio11 Bio12 Bio13 Bio14 Bio15 Bio16 Bio17 Bio18 Bio19
-
Myrcianthes spp 13.0669 -74.1143 12.9 14.4 77.8 81.3 21.6 3.1 18.5 13.0 11.8 13.9 11.8 839.0 156.0 10.0 75.3 443.0 44.0 226.0 44.0
-
Myrcianthes spp 13.0611 -74.1117 12.7 14.3 77.3 82.5 21.5 3.0 18.5 12.9 11.6 13.7 11.6 848.0 157.0 10.0 74.8 446.0 45.0 229.0 45.0
-
Myrcianthes spp 13.0490 -74.1041 10.4 14.1 76.7 84.1 19.0 0.6 18.4 10.7 9.2 11.4 9.2 947.0 167.0 12.0 71.4 485.0 56.0 252.0 56.0
-
Myrcianthes spp 13.0462 -74.0974 9.7 14.0 76.3 86.1 18.2 -0.2 18.4 10.0 8.4 10.6 8.4 960.0 168.0 12.0 71.1 490.0 58.0 256.0 58.0
-
Myrcianthes spp 13.4202 -73.9225 12.9 13.9 77.2 79.3 21.5 3.5 18.0 13.0 11.8 13.8 11.8 872.0 176.0 13.0 81.8 493.0 49.0 212.0 49.0
-
Myrcianthes spp 13.4276 -73.9364 13.6 14.0 77.9 76.9 22.3 4.4 17.9 13.7 12.6 14.6 12.6 847.0 170.0 14.0 80.7 476.0 52.0 204.0 52.0
-
Myrcianthes spp 13.4279 -73.9310 13.5 13.9 78.1 76.5 22.1 4.3 17.8 13.5 12.5 14.5 12.5 836.0 170.0 13.0 82.4 475.0 47.0 203.0 47.0
-
Myrcianthes spp 13.4318 -73.9311 15.5 13.8 79.9 71.3 24.1 6.8 17.3 15.5 14.7 16.5 14.7 726.0 148.0 12.0 83.1 416.0 42.0 177.0 42.0
-
Myrcianthes spp 13.2632 -73.3876 21.2 12.9 88.7 46.7 28.5 14.0 14.5 21.3 20.6 21.6 20.6 1076.0 179.0 18.0 66.3 531.0 80.0 284.0 80.0
-
Myrcianthes spp 13.2229 -73.4721 17.7 13.2 86.2 47.6 25.4 10.1 15.3 17.6 17.3 18.3 17.3 1192.0 201.0 28.0 63.5 576.0 103.0 240.0 103.0
-
Myrcianthes spp 14.0763 -73.8719 9.3 14.5 76.1 109.9 18.2 -0.9 19.1 10.0 7.7 10.3 7.7 836.0 186.0 7.0 97.1 532.0 29.0 168.0 29.0
-
Myrcianthes spp 14.0550 -73.8653 12.5 14.6 78.8 90.9 21.4 2.9 18.5 13.0 11.5 13.4 11.2 826.0 186.0 9.0 96.9 528.0 39.0 163.0 39.0
32
Rstudio
Con el programa Rstudio se analizó las correlaciones que existen entre los datos
obtenidos de cada pixel interpolado de las variables bioclimáticas, en otras palabras se
verifica las similitudes de valores, para luego eliminar la autocorrelación y asi evitar una
inestabilidad en el modelamiento, utilizaremos la técnica de Pearson esto evalúa el grado de
asociación entre dos variables aleatorias cuantitativas, para hacer mas facil el proceso se
utilizará un Script el cual son códigos que contiene instrucciones escritas en lenguaje de
programación, el resultado de la aplicación de este lenguaje generarán los productos que se
descargará en la hoja excel para luego discriminar valores que no se usarán en el
modelamiento.
Figura 3.8
Script utilizado en el programa Rstudio
33
Figura 3.8
Entrada de Script en el Software Rstudio
Figura 3.9
Generación de correlación de variables Bioclimaticas
34
Cuadro 3.3
Correlación de variables bioclimáticas con la técnica de Pearson, generados en Rstudio
Bio1 Bio2 Bio3 Bio4 Bio5 Bio6 Bio7 Bio8 Bio9 Bio10 Bio11 Bio12 Bio13 Bio14 Bio15 Bio16 Bio17 Bio18 Bio19
Bio1 1 -0.856 0.9402 -0.915 0.9963 0.9983 -0.939 0.9985 0.9994 0.9995 0.9992 0.4873 0.1904 0.6963 -0.4845 0.2327 0.6731 0.3738 0.6731
Bio2 -0.856 1 -0.869 0.9248 -0.817 -0.88 0.9582 -0.8486 -0.86 -0.847 -0.866 -0.7091 -0.284 -0.836 0.69714 -0.3538 -0.8458 -0.617 -0.8458
Bio3 0.9402 -0.869 1 -0.881 0.9135 0.9517 -0.9732 0.9486 0.9405 0.9295 0.9392 0.6992 0.4196 0.7749 -0.5262 0.49268 0.7966 0.4561 0.7966
Bio4 -0.915 0.9248 -0.881 1 -0.893 -0.926 0.9387 -0.8982 -0.926 -0.91 -0.929 -0.6569 -0.173 -0.862 0.74799 -0.2232 -0.8584 -0.587 -0.8584
Bio5 0.9963 -0.817 0.9135 -0.893 1 0.9907 -0.9076 0.9939 0.9953 0.9982 0.9944 0.4188 0.1518 0.6564 -0.4341 0.18309 0.6196 0.3141 0.6196
Bio6 0.9983 -0.88 0.9517 -0.926 0.9907 1 -0.9564 0.9967 0.9985 0.9965 0.9986 0.5243 0.2239 0.7282 -0.5032 0.26827 0.7059 0.3911 0.7059
Bio7 -0.939 0.9582 -0.973 0.9387 -0.908 -0.956 1 -0.9394 -0.942 -0.929 -0.944 -0.7172 -0.364 -0.836 0.61935 -0.4338 -0.8462 -0.531 -0.8462
Bio8 0.9985 -0.849 0.9486 -0.898 0.9939 0.9967 -0.9394 1 0.9965 0.9973 0.9958 0.4914 0.2134 0.6795 -0.4626 0.2599 0.663 0.3688 0.663
Bio9 0.9994 -0.86 0.9405 -0.926 0.9953 0.9985 -0.942 0.9965 1 0.9987 0.9998 0.4985 0.1942 0.7146 -0.4991 0.23472 0.6895 0.379 0.6895
Bio10 0.9995 -0.847 0.9295 -0.91 0.9982 0.9965 -0.9294 0.9973 0.9987 1 0.9986 0.4627 0.169 0.6832 -0.4738 0.20799 0.6555 0.3595 0.6555
Bio11 0.9992 -0.866 0.9392 -0.929 0.9944 0.9986 -0.944 0.9958 0.9998 0.9986 1 0.5015 0.1871 0.7184 -0.51 0.22841 0.6932 0.3885 0.6932
Bio12 0.4873 -0.709 0.6992 -0.657 0.4188 0.5243 -0.7172 0.4914 0.4985 0.4627 0.5015 1 0.6489 0.8337 -0.7271 0.73719 0.9322 0.7158 0.9322
Bio13 0.1904 -0.284 0.4196 -0.173 0.1518 0.2239 -0.364 0.2134 0.1942 0.169 0.1871 0.6489 1 0.5147 0.03399 0.98006 0.4942 0.0054 0.4942
Bio14 0.6963 -0.836 0.7749 -0.862 0.6564 0.7282 -0.8358 0.6795 0.7146 0.6832 0.7184 0.8337 0.5147 1 -0.6934 0.53061 0.9581 0.4848 0.9581
Bio15 -0.485 0.6971 -0.526 0.748 -0.434 -0.503 0.6194 -0.4626 -0.499 -0.474 -0.51 -0.7271 0.034 -0.693 1 -0.0736 -0.808 -0.911 -0.808
Bio16 0.2327 -0.354 0.4927 -0.223 0.1831 0.2683 -0.4338 0.2599 0.2347 0.208 0.2284 0.7372 0.9801 0.5306 -0.0736 1 0.5605 0.1524 0.5605
Bio17 0.6731 -0.846 0.7966 -0.858 0.6196 0.7059 -0.8462 0.663 0.6895 0.6555 0.6932 0.9322 0.4942 0.9581 -0.808 0.56048 1 0.6824 1
Bio18 0.3738 -0.617 0.4561 -0.587 0.3141 0.3911 -0.5313 0.3688 0.379 0.3595 0.3885 0.7158 0.0054 0.4848 -0.9107 0.15239 0.6824 1 0.6824
Bio19 0.6731 -0.846 0.7966 -0.858 0.6196 0.7059 -0.8462 0.663 0.6895 0.6555 0.6932 0.9322 0.4942 0.9581 -0.808 0.56048 1 0.6824 1
35
Figura 3.10
Correlación de variables bioclimáticas
Figura 3.11
Correlación de variables bioclimáticas con valores de rangos desde +1 a -1.
36
Selección de Variables Ambientales
Para hacer la selección de datos se debe discriminar las variables bioclimaticas que
tengan una alta correlación ya que si se usan estas variables en el modelamiento, puede traer
redundancia e inducir a errores (Cruz-Cárdenas et al., 2014). En el análisis de los datos con
multicolinealidad es importante poder identificar datos con menor correlación para este caso
es necesaio verificar el Factor de Inflación de Varianza (FIV) lo que nos permitirá cuantificar
la intensidad de los datos con alta correlación. De esta manera detectaremos datos que pueden
ser preocupantes o no, verficaremos si estos datos afectan al análisis en el modelamiento. La
metodología indica que el VIF no debe ser >=10, esto determina un nivel de confianza del
95%, (Freire Quintero et al., 2019).
Para este proceso se ha discriminado las variables bioclimáticas (Bio1, Bio2, Bio3,
Bio5, Bio6, Bio7, Bio8, Bio9, Bio10, Bio11, Bio12, Bio13, Bio15, Bio17 y Bio19), por
presentar alta correlación en sus datos; así mismo esto se hizo para desarrollar de manera mas
fácil el cálculo del FIV en el programa excel, el FIV nos indicará si los datos sobrantes son
óptimos para desarrollar el modelamiento.
De los datos Bio4 ( estacioonalidad de la temperatura (desviación estándar x100)) y
Bio14 (Precipitación del mes más seco) nos indíca que existe una correlación de - 0.86 lo que
significa que tiene una multicolinealidad númericamente; pero descriptivamente no tienen
mucha significancia, por ese motivo se hizo la selección de la variable Bio14 para analizarlo
profundamente con el FIV y de ahí se sacará conclusiones.
El procedimiento del FIV es alternar una variable como si fuera Dependiente y hacer
las comparaciones con las demás, despúes otra variables diferente al primero tomará el lugar
de la variable y se volverá a hacer las comparaciones asi sucesivamente hasta concluir con la
última variable, estas comparaciones es para generar el Coeficiente de determinación R2 dato
que despues servirá para el cálculo de el FIV.
37
Cuadro 3.4
Variables bioclimaticas que estan menos correlacionados

Bio4 Bio14 Bio16 Bio18
Bio4 1 -0.86189171 -0.22319109 -0.58660222
Bio14 -0.86189171 1 0.53061318 0.48476744
Bio16 -0.22319109 0.53061318 1 0.15238523
Bio18 -0.58660222 0.48476744 0.15238523 1
Tabla 3.1
Regresión auxiliar Bio4 como endógeno frente a las variables Bio14, Bio16 y Bio18
BIO4 COMO ENDÓGENO

BIO4 Bio14 Bio16 Bio18
81.31961 10 443 226
82.46557 10 446 229
84.05895 12 485 252
86.07608 12 490 256
79.27105 13 493 212
76.92973 14 476 204
76.50016 13 475 203
71.26959 12 416 177
46.66125 18 531 284
47.60157 28 576 240
109.8854 7 532 168
90.941 9 528 163
38
Tabla 3.2
BIO14 COMO ENDÓGENO

10 81.31961 443 226
10 82.46557 446 229
12 84.05895 485 252
12 86.07608 490 256
13 79.27105 493 212
14 76.92973 476 204
13 76.50016 475 203
12 71.26959 416 177
18 46.66125 531 284
28 47.60157 576 240
7 109.8854 532 168
9 90.941 528 163
Tabla 3.3
BIO16 ENDÓGENO
443 10 81.31961 226
446 10 82.46557 229
485 12 84.05895 252
490 12 86.07608 256
493 13 79.27105 212
476 14 76.92973 204
475 13 76.50016 203
416 12 71.26959 177
531 18 46.66125 284
576 28 47.60157 240
532 7 109.8854 168
528 9 90.941 163
39
Tabla 3.4
Regresión auxiliar Bio18 como endógeno frente a las variables Bio16, Bio164y Bio4
BIO18 ENDÓGENO
226 443 10 81.31961
229 446 10 82.46557
252 485 12 84.05895
256 490 12 86.07608
212 493 13 79.27105
204 476 14 76.92973
203 475 13 76.50016
177 416 12 71.26959
284 531 18 46.66125
240 576 28 47.60157
168 532 7 109.8854
163 528 9 90.941
40
Tabla 3.5
Resumen de cálculo estadística de la regresión Bio4 como endógeno
Estadísticas de la regresión
Coeficiente de
correlación
múltiple 0.918332814
Coeficiente de
determinación
R^2 0.843335157
R^2 ajustado 0.784585841
Error típico 8.005690364
Observaciones 12
ANÁLISIS DE
VARIANZA
Promedio de
Grados de Suma de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 3 2760.045387 920.015129 14.35480811 0.001386317
Residuos 8 512.7286256 64.0910782
Total 11 3272.774013
Inferior Superior
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% 95.0% 95.0%
Intercepción 78.64724438 32.76635501 2.400243919 0.043160296 3.087894217 154.2065945 3.087894217 154.2065945
Variable X 1 -2.96957311 0.599246318 -4.95551333 0.001113149 -4.3514376 -1.58770863 -4.3514376 -1.58770863
Variable X 2 0.114680087 0.063817452 1.797001965 0.110056086 -0.03248322 0.261843395 -0.03248322 0.261843395
Variable X 3 -0.08308141 0.074779719 -1.11101531 0.298834495 -0.25552375 0.089360929 -0.25552375 0.089360929
41
Tabla 3.6
Resumén de cálculo estadística de la regresión Bio14 como endógeno
Coeficiente de
correlación múltiple 0.929785984
Coeficiente de
determinación R^2 0.864501975
R^2 ajustado 0.813690216
Observaciones 12
ANÁLISIS DE
VARIANZA
Grados de Suma de Promedio de los Valor crítico
Regresión 3 279.8104727 93.27015757 17.01381705 0.000783222
Residuos 8 43.85619395 5.482024244
Total 11 323.6666667
Superior Inferior Superior

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% 95% 95.0% 95.0%
Intercepción 13.20354252 11.6693969 1.13146743 0.290632955 -13.706135 40.11322003 -13.706135 40.11322003
Variable X 1 -0.25400215 0.051256476 -4.95551333 0.001113149 -0.3721998 -0.13580451 -0.3721998 -0.13580451
Variable X 2 0.042955734 0.016072339 2.672649844 0.028245975 0.005892854 0.080018615 0.005892854 0.080018615
Variable X 3 -0.00631822 0.023390651 -0.27011728 0.793907412 -0.06025716 0.047620719 -0.06025716 0.047620719
42
Tabla 3.7
Coeficiente de
Coeficiente de
R^2 ajustado 0.310289935
Observaciones 12
ANÁLISIS DE
VARIANZA
Regresión 3 11139.53326 3713.177752 2.649576857 0.120282771
Residuos 8 11211.38341 1401.422926
Total 11 22350.91667

-
Intercepción 131.7021381 195.4848536 0.673720422 0.51947598 -319.086743 582.491019 319.086743 582.491019
Variable X 1 10.98119024 4.108727623 2.672649844 0.028245975 1.50644735 20.45593313 1.50644735 20.45593313
-
Variable X 2 2.507608037 1.395439785 1.797001965 0.110056086 -0.71028188 5.725497952 0.71028188 5.725497952
-
Variable X 3 0.090282417 0.37433008 0.241183977 0.81547911 -0.77292429 0.953489129 0.77292429 0.953489129
43
Tabla 3.8

Coeficiente de
Coeficiente de
R^2 ajustado 0.106951933
Observaciones 12
ANÁLISIS DE
VARIANZA
Regresión 3 5358.487637 1786.162546 1.439122038 0.301811292
Residuos 8 9929.17903 1241.147379
Total 11 15287.66667
-
Intercepción 322.5049434 150.8738938 2.137579506 0.065021037 -25.4108796 670.4207664 25.4108796 670.4207664
-
Variable X 1 0.079957152 0.331519336 0.241183977 0.81547911 -0.68452781 0.844442111 0.68452781 0.844442111
-
Variable X 2 -1.43046447 5.295716298 -0.27011728 0.793907412 -13.6424081 10.78147922 13.6424081 10.78147922
-
Variable X 3 -1.60890221 1.44813685 -1.11101531 0.298834495 -4.94831177 1.730507358 4.94831177 1.730507358
44
Tabla 3.9
Cálculo de Factor de Inflación de Varianza (FIV)
BIO4 BIO14 BIO16 BIO18

2
R 0.843335157 0.864501975 0.49839268 0.350510497
FIV 6.383053041 7.380181395 1.993591322 1.539670764
1
𝐹𝐼𝑉 =
(1 − 𝑅 2 )
Nota: FIV >10 Hay Multicolinealidad en la variable
En el resultado del FIV se observa los resultados donde el mayor valor tiene Bio14, en el
cuadro N° esta variable indica correlación con el Bio4; pero en el FIV indica un valor menor
a 10 por tal motivo se puede incorporar para el modelamiento por presentar valor menor a 10
Ejecución en el Programa Maxent
Para la ejecución necesitamos coordenadas de las espcies Myrcianthes sp y ráster

bioclímaticos, en este caso dispondremos de las variables que tienen menor correlación que
gracias al cálculo del FIV se pudo identificar los BIOs con valores menores a 10, el siguiente
proceso es exportar los datos al software, al abrir el programa mostrará una interfas amigable
y facil de entender, donde primero exportaremos los datos de presencia del género
Myrcianthes spp. en “Samples –File” pestaña “Browse” en este lugar es donde se hará la
busqueda del archivo que esta en formato csv ( delimitado por comas), cabe mencionar que en
la hoja excel solamente debe estar 3 campos fijos que son la latitud, longitud y especie; así
mismo en “Enviromental layer-Directory File” pestaña “Browse” exportaremos la carpeta que
contiene lo datos raster los cuales son las 19 variables Bioclimáticas (Geoprocesadas para la
región Ayacucho), en la misma interfaz activaremos la casilla con nombre “Create response
curves” esto permitirá al programa generar las curvas de respuestas, también activaremos las
casillas”Make picture of predictions” al hacer esta activación le estamos diciendo al programa
que nos muestre al final un gráfico de las predicciones y “Do jacknife to measure variable
importance”, muestra las variables mas importantes en el modelamiento.
En el apartado “Output format” seleccionaremos la casilla “Logistic” para que el
programa nos arroje la probabilidad de presencia en escala de 1 a 0 y en el siguiente apartado
45
que es “Output file type”indicaremos que el producto nos arroje en formato asc (Action Script
Communication), esto para que pueda ser reconocido en cualquier programa SIG.
A continuación en el apartado “Output directory” en la pestaña “Browse”, indicaremos
el lugar donde se guardará los resultados, para este caso se creado una carpeta con el nombre
“Salida” en el disco “D”.
Para seguir con los ajustes seleccionamos la pestaña “Settings” que nos presentará una
pequeña ventana, aquí hay tres pestañas en la parte superior izquierdo “Basic”, “Advance” y
“Experimetal” en la pestaña “Basic” en el apartado “ Random test percentege” colocaremos el
valor de 25 lo que significa que el programa escogerá de manera aleatoria y apartará el 25%
de los registros de presencia los cuales será utilizado por el mismo programa para que efectúe
algunos análisis estadísticos simples, en el apartado “Replicates” Indicaremos 10 para que
analize y promedie los resultados al analizar el resultado varias veces nos permitirá calcular la
variabilidad del modelo; también activaremos la pestaña”Random seed” esto para que inicie
el generador de números aleatorios y por último en esta parte nos dirijiremos al apartado
“Replicated run type” y en la pestaña esogeremos la técnica “Bootstrap” para que el software
realice partición iterativa de los datos; además es necesario por que nuestra muestra es
pequeña y es recomendable en estos casos, los demás apartados los dejaremos por defecto y
luego nos dirigiremos a la pestaña “Advance” y en el apartado “Maximum iterations”
aumentaremos el valor de 500 a 5000 esto nos asegura que el software dispondrá el timepo
necesario para realizar el algoritmo esto para evitar sub estimaciones o sobre estimaciones,
luego de realizar estos ajustes cerraremos la ventana y nos dirigiremos a la pestaña y
pulsaremos en “Run” para inicar el modelado, luego de esto aparecerá una barra de progreso
cuando este termine y se cierre sólo significará que el análisis ha terminado y luego de eso nos
dirigiremos a nuestra carpeta de salida donde se encuentran los resultados.
46
Figura 3.10
Programa Maxent con datos exportados
Nota: Interfaz del Software MaxEnt, calibración apartados para modelamiento de las especies Myrcianthes spp.
Figura 3.11
Calibración en la ventana “Settings”- “Basic”
Nota: Interfaz del Software MaxEnt, calibración apartados para modelamiento de las especies Myrcianthes spp
47
Figura 3.12
Calibración en la ventana “Settings”- “Advance”
Nota: Interfaz del Software MaxEnt, calibración apartados para modelamiento de las especies Myrcianthes spp.
3.2. Resultados y analisis
Análisis Curva ROC y AUC
El software MaxEnt arroja como primer resultado el análisis de Omisión/Comisión,

podemos apreciar como varían las omisiones de la predicción calculada en el modelamiento
respecto de la omsión anunciada. La tasa de omision son los falsos negativos dicho de otra
manera cuando el modelo predijo condiciones desfavorables donde teniamos un lugar de
ocurrencia. Podemos interpretar la gráfica la manera en la que se sobre estima o no la
distribución en el presente modelo en función a la tolerancia o umbral acumulativo (eje x) que
nos permite predecir la presencia y ausencia; así mismo podemos observar y comparar la linea
de omision predicha que esta representada por el color negro y lo comparamos con la curva
del área pronosticada que esta representada de color rojo, en los casos extremos si hacemos un
ejemplo, en un umbral con valor 0 nos indicará que todos los valores puntos de muestreo
estan presentes; entonces la fraccion estará representado por 1; pero en el otro punto si fuera
100 ocurriría lo contrario, esto nos indicaría el valor 0 (ausencia).
La linea test de omision esta representada de color turquesa en algunas partes cae por
debajo de la linea de omision prevista (negra), esto nos indica que las muestras para el test y
48
entrenamiento no son independientes, hubieron datos que han sido seleccionadas de puntos de
muestreo de presencias autocorrelacionados espacialmente, significa que los datos estan
siendo afectados por la colinealidad y como último dato debemos recordar que la tasa de
omisión debe estar cerca de la omisión prevista, debido a la definición del umbral
acumulativo, de esta manera se garantiza un buen modelamiento.
Figura 3.13
Análisis de omision/comisión
Nota:Resultado del Software MaxEnt.
Análisis Curva AUC
Otro gráfico que el programa MaxEnt nos arroja se denomina Sensitivity vs Specifity
en este apartado nos mostrará la curva operacional (ROC), donde las siglas derivan del inglés
Receiver Operating Characteristic para los dos grupos de datos que son los de la prueba y el
de entrenamiento; así mismo el área por debajo dela curva AUC siglas que provienen de
ingles Area Under The Curve.
Cabe mencionar que este gráfico es mas intuitivo, el modelo genera una buena
predicción de zonas para este caso el software evalúa los aciertos y fracasos que ha
conseguido y los expresa manifestándolo en un valor AUC que mostrará que tan preciso fue
nuestro modelamiento para tal hecho nos arrojará valores entre 0 y 1.
Por lo tanto estos valores que arroja el AUC son mas importantes ya que nos permite
comparar el rendimiento de un modelo con otro, en nuestra gráfica el valor de AUC de 0,5
49
nos indica que el rendimiento del modelo no tiene mejor respuesta que el aleatorio; pero los
valores proximos a 1 indicarán mejor respuesta al modelamiento.
En nuestro gráfico las lineas azul y rojo serán idénticas si se llegan a usar los mismos
datos para el test y el entrenamiento, pero en nuestro caso hemos utilizado el 25% de los datos
de presencia para la prueba, como se observa en el gráfico la linea de color azul esta por
debajo de la linea roja esto es normal y por defecto mostrará un AUC menor, encambio la
linea de color rojo mostrará el ajuste que se hizo a los datos de enrenamiento y esta es la que
tiene la capacidad de predecir un auténtico modelamiento del AUC, por otro lado la linea
negra muestra lo que se esperaría si el modelo no fuese bueno al azar, en sencillas palabras
nuestras lineas rojas y azul no deben ubicarse debajo de la linea negra esto indicaría que el
modelo tuvo un mal desarrollo, en cambio si la linea azul se ubicara al tope superior del lado
izquierdo, el modelamiento tendría una mayor capacidad predictiva.
Entonces con estos valores nos permitiran comparar el rendimiento de un modelo
comparado con otro, esto nos ayudará a evaluar multiples modelos que arroja el programa
Maxent, tener en cuenta que: AUC > 0.95 significa que el el modelamiento de distribucion
esta muy bien; entonces podemos decir que el modelamiento es excelente, si 0.80 < AUC <
0.90 el modelo es bueno o aceptable; también si 0.70 < AUC< 0.80 representa una
distribución moderadamente bien o regular, en cambio si el AUC < 0.70 el modelo es pobre o
no válida, así mismo estos límites no deben ser interpretados de manera literal esto es solo
aproximaciones de la idea del significado del AUC, para este caso el modelamiento resuló
moderadamente bien como muestra el gráfico a continuación.
50
Figura 3.14
Análisis Curva ROC y AUC
Nota:Resultado del Software MaxEnt.
Análisis de Mapa de Distribucion de Myrcianthes spp.
El software Maxent también arroja un mapa de distribucíon que es fácil de interpretar

en este caso nos muestra el modelo “logístico” donde usa colores fríos a cálidos y valores con
escalas de probabilidad que van desde 0 a 1, estos indica las condiciones no favorables y
favorables de la especie; cabe mencionar que los colores cálidos representa condiciones
adecuadas donde la especie puede estar presente o representar el área de idoneidad, el color
verde considera aquellos lugares típicas donde la especies suelen encontrarse y los colores con
tonalidades de claros hasta azul indicarán bajas o nulas probabilidades de encontrar la especie.
51
Figura 3.15
Áreas de distribución potencial de la especie Myrcianthes spp. en la región Ayacucho
Nota: Resulatado del modelamiento
Aportes de Variables Bioclimáticas.
El siguiente cuadro nos proporciona estimaciones de las contribuciones relativas de las

variables ambientales independientes de los cuales nos muestra cual o cuales tienen mayor
importancia e influyen en la especie, para este modelamiento fueron dos como se mostrará en
el N° cuadro, la variable Bio4 identificada como Estacionalidad de la temperatura (desviación
estándar ×100) y Bio18 identificada como Precipitación del trimestre mas cálido.
52
Cuadro 3.5
Variables Bioclimáticas con mayor contribución
Porcentaje de
Variable
Contribución
Bio4 69.9
Bio18 30.1
Nota: Bio4 = Estacionalidad de la temperatura (desviación estándar ×100), Bio18 = Precipitación del trimestre mas cálido.
Test de Jackknife.
El siguiente gráfico muestra los resultados de la prueba jackknife de la variable de

mayor importancia. Para este modelamiento la que tuvo mayor ganancia cuando se usa
aisladamente es Bio4 “Estacionalidad de la temperatura (desviación estándar ×100)”; por lo
tanto parece tener la información más útil por sí misma. La variable ambiental que disminuye
más la ganancia cuando se omite es Bio4, esto es por que al parecer tiene la mayor cantidad
de información que no está presente en las otras variables.
Figura 3.16
Test de Jackknife
Nota: Resultado del Software MaxEnt.
También el programa arroja como resultado la misma prueba de Jackknife, pero esta
ves utiliza el AUC en los datos de prueba, el gráfico muestra como resultado que el Bio4 es la
variable bioclimática que mejor predice por si sola la distribución de los datos que se
emplearon como prueba.
53
Figura 3.17
Jackknife de AUC para Myrcianthes spp
Nota: Resultado del Software MaxEnt.
Superposición de Áreas
Para identificar las áreas de distribucion potencial de Myrcianthes spp. se hará uso de
información geoespacial para este caso se utilizará el shape file de zonas de vida, el cual es
descargado del geoservidor MINAM, donde departamento de Ayacucho cuenta con la
Zonificación Ecológica y Económica – ZEE a nivel meso(escala 1/100000) que ha sido
aprobada bajo la Ordenanza Regional N°003-2013-GRA/CR, en la actualidad se encuentra en
etapa de aplicación y es un instrumento orientador para tomar decisiones en la gestión
territorial.
54
Capítulo IV
Conclusiones y recomendaciones
4.1. Conclusiones
Se identificó ciertas zonas de vida altamente viables para la especie en el presente

modelamiento los cuales son: los Bosques muy húmedo-Montano Bajo Sub Tropical, Bosque
seco Sub tropical y estepa espinosa - Montano Bajo Subtropical; estas zonas son las mas
representativas según se observa en la distribución del mapa, estos lugares tienen una
gradiente altitudinal que va desde los 1000 m.s.n.m hasta los 3300 m.s.n.m.
En cuanto a los software el programa Maxent según muchos artículos científicos es
considerado como el de mayor exactitud en el tema de MDE en le presente trabajo tuvo un
desempeño de 0.8 según el AUC lo que significa que el modelamiento resultó bueno o
aceptable; así mismo los programas de ARCGIS y QGIS aportaron bastante en la clasificación
y calibración de datos ya que sin estos seria difícil hacer los diferentes geoprocesos, añadido a
esto se resalta la utilidad del programa Rstudio que utiliza el lenguaje de programación por ser
un programa versátil en el ámbito estadístico.
4.2. Recomendaciones
Se recomienda que se priorice áreas de conservación y/o protección para estas

especies teniendo como referencia este modelamiento, ya que estas especies se encuentran en
estado crítico y vulnerable según IUCN Red List.
Se recomienda que para un mejor desempeño del programa MaxEnt, es necesario
contar con todos los datos pre calibrados; así mismo es necesario obtener mas puntos de
presencia de la especie esto para que se ajuste mejor al modelamiento de distribución
potencial, cabe recalcar que los puntos de presencia deben estar distanciados como mínimo
1km; también verificar que cada punto de presencia se encuentre en una sóla celda del raster
bioclimático esto hára que no exista redundancia entre los datos, es por eso que cuando se
hizo la calibración de datos solo quedo 12 registros que cumplian esta condición.
Se sugiere mayor investigación de estas especies con el fín de poder generar
informaciones y aportar datos que podrían ser utilizados para otros investigadores.
Se sugiere capacitaciones sobre uso de recursos naturales sostenibles respecto a estas
especies con el fin de evitar su posible extinción, añadido a esto también es necesario hacer
actividades de reforestación, de tal manera seguir manteniendo el equilibrio de los ecositemas.
No existe mucha información respecto a estas especies, por ende existió dificultad al
obtener registros de presencia en la región Ayacucho.
56
Referencia
Aroca-Gonzalez, B. D., Gradstein, R., & González-Nieves, L. M. (2021). ¿En peligro o no?
Distribución potencial de la hepática Pleurozia paradoxa en Colombia. Revista de La
Academia Colombiana de Ciencias Exactas, Físicas y Naturales.
https://doi.org/10.18257/raccefyn.1343
Baquero, F., Sierra, R., Ordóñez, L., Tipán, M., Espinoza, L., Rivera, M. B., & Soria, P.
(2004). La vegetación de Los Andes del Ecuador. Memoria explicativa de los mapas
de ve- getación: potencial y remanente a escala 1:250.000 y del modelamiento
predictivo con especies indicadoras. EcoCiencia/CESLA/EcoPar/MAG
SIGAGRO/CDC-JATUN SACHA/División Geográfica-IGM.
Carpio,L.J (2017). Universidad Nacional de San Cristobal de Huamanga. Facultad de

Ciencias Biológicas, Flora arbórea y arbustiva del Bosque de Ustunna,centro poblado
Santa Isabel de Chumbes,distrito Ocros, provincia Huamanga.Ayacucho,2016 [Tesis
de Bachiller, UNSCH].
file:///C:/Users/USUARIO/Downloads/TESIS%20B790_Car%20(3).pdf
Cartaya Ríos, S. J., Anchundia Betancuort, C. E., & Mantuano Eduarte, R. A. (2016).
DISTRIBUCIÓN GEOGRÁFICA POTENCIAL DE LA ESPECIE CUNICULUS
PACA (Guanta) EN EL OCCIDENTE DE ECUADOR. La Granja, 24(2).
https://doi.org/10.17163/lgr.n24.2016.09
Cruz-Cárdenas, G., Villaseñor, J. L., López-Mata, L., Martínez-Meyer, E., & Ortiz, E. (2014).
Selection of environmental predictors for species distribution modeling in Maxent |
Selección de predictores ambientales para el modelado de la distribución de especies
en Maxent. Revista Chapingo, Serie Ciencias Forestales y Del Ambiente, 20(2).
https://doi.org/10.5154/r.rchscfa.2013.09.034
De la Cruz-Arango, Jesús, Gómez-Carrión, José, Chanco-Estela, Magda, Carrillo-Fuentes,

Elida Paulina, & Aucasime-Medina, Laura. (2020). Flora y vegetación de la provincia
57
de Huamanga (Ayacucho-Perú). Journal of the Selva Andina Biosphere, 8(1), 3-18.
Recuperado en 12 de julio de 2022, de
https://doi.org/10.36610/j.jsab.2020.080100003
Fiallos, G. (2021). La Correlación de Pearson y el proceso de regresión por el Método de

Mínimos Cuadrados. Ciencia Latina Revista Científica Multidisciplinar, 5(3), 2491-
2509. https://doi.org/10.37811/cl_rcm.v5i3.466
Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate
surfaces for global land areas. International Journal of Climatology, 37(12).
https://doi.org/10.1002/joc.5086
Flores, J. F. (2015). Evaluación de la distribución potencial de queñua mediante el

modelamiento de nicho ecológico. Facultad de Ciencias Biológicas, Universidad
Nacional Del Altiplano, Puno-Perú, 2(1).
Franklin, J. (1995). Predictive vegetation mapping: geographic modelling of biospatial

patterns in relation to environmental gradients. Progress in Physical Geography: Earth
and Environment, 19(4), 474–499. https://doi.org/10.1177/030913339501900403
Freire Quintero, C. E., Calle Armijos, V. H., Barre Delgado, Jj. P., Holguín León, C. A., &
Pacheco Parrales, C. D. (2019). Estimación estadística de la relación entre gastos de
publicidad y su impacto en el desempeño financiero. Empresarial, 12(46).
https://doi.org/10.23878/empr.v12i46.144
Gobierno Regional de Ayacucho, Gerencia Regional de Recurso Naturales y Gestión del

Medio Ambiente, Desarrollo de Capacidades en Zonificación Ecológica Económica y
Ordenamiento Territorial en la Región Ayacucho (2012), Informe Temático
Climatológico Ayacucho. https://geoservidor.minam.gob.pe/zee-aprobadas/ayacucho/
Gonzáles, F. 2014. Myrcianthes ferreyrae . La Lista Roja de Especies Amenazadas de la

UICN 2014: e.T60492231A60492909. https://dx.doi.org/10.2305/IUCN.UK.2014-
3.RLTS.T60492231A60492909.en . Consultado el 14 de septiembre de 2022 .
58
Gonzales Guillén, Fiorella N, & Villasante Benavides, Francisco. (2019). Estado de
conservación de Myrcianthes ferreyrae un árbol endémico de las lomas costeras del
sur del Perú. Revista Peruana de Biología, 26(2), 235-242.
https://dx.doi.org/10.15381/rpb.v26i2.16380
González, T.M. , & Bonilla, M.A. , & Armenteras, D. , & Luque, F.J. , & Rodríguez, N. , &
Vergara, L.K. (2016). Revisión del concepto de ecosistema como “unidad de la
naturaleza” 80 años después de su formulación. Ecosistemas, 25(1),83-89.[fecha de
Consulta 13 de Julio de 2022]. ISSN: 1132-6344. Disponible
en: https://www.redalyc.org/articulo.oa?id=54045357011
Guisan & Zimmermann, (2000), Predictive habitat distribution models in ecology, 135(2-3),
147-186 https://doi.org/10.1016/S0304-3800(00)00354-9
Huamaní-Sulca, Roxana Erika, De La Cruz-Arango, Jesús, Chuchón-Martinez, Saúl, &

Pelaez-Pelaez, Freddy. (2020). Comunidades endémicas de Cactáceas en peligro de
extinción. Una necesidad de conservación de los recursos naturales del distrito de
Pacaycasa. Ayacucho-Perú. Journal of the Selva Andina Biosphere, 8(2), 92-109.
Recuperado en 07 de julio de 2022,
dehttp://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S23083859202000020
0004&lng=es&tlng=es.
Huaranga, M. P. (2021). Estimación de la Biomasa aérea de la Especie "UNCA"Myrcianthes

Oreophila en el Bosque Yanauanca en el Distrito de los Chankas, Chincheros,
Apurimac”[Tésis de Bachiller, UNALM] Repositorio. Universidad Nacional Agraria
La Molina. https://hdl.handle.net/20.500.12996/4773
Huamán, N. C. (2017). Universidad Nacional de San Cristóbla de Huamanga. Facultad de

Ciencias Agrarias Comunidad de aves de la microcuenca de Usqu Willka, distrito de
Quinua, Ayacucho. 2014-2015 [Tesis de Bachiller, UNSCH]. Repositorio
Institucional.
http://repositorio.unsch.edu.pe/simple-search?query=Usqu+Willka%2C+
59
Jiménez Salazar, Miguel Ángel, & Méndez González, Jorge. (2021). Distribución actual y
potencial de Pinus engelmannii Carriére bajo escenarios de cambio climático. Madera
y bosques, 27(3), e2732117. Epub 28 de marzo de
2022.https://doi.org/10.21829/myb.2021.2732117
Kawasaki, Lucia, & Holst, Bruce K.. (2006). Myrtaceae endémicas del Perú. Revista Peruana
de Biología, 13(2), 463-468. Recuperado en 14 de julio de 2022, de
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1727-
99332006000200082&lng=es&tlng=es.
Leal-Nares, Ó., Mendoza, M. E., Pérez-Salicrup, D., Geneletti, D., López-Granados, E., &
Carranza, E. (2012). Distribución potencial del Pinus martinezii: un modelo espacial
basado en conocimiento ecológico y análisis multicriterio. Revista Mexicana de
Biodiversidad, 83(4). https://doi.org/10.7550/rmb.27199
López García,M.A. (2007). Descripción y Caracterización de Nichos Ecológicos: una Visión

más Cuantitativa del Espacio Ambiental [Tesis de mestría, Centro de Investigación en
Mtemáticas,A.C].Repositorio de CIMAT.
http://cimat.repositorioinstitucional.mx/jspui/handle/1008/87
Lizarbe, A. D. (2018). Estructura y composición florística de la vegetación arbórea y
arbustiva de Santuario Histórico de la Pampa de Ayacucho, Distrito de Quinua.2017.
Universidad Nacional de San Cristobal de Huamanga [Tesis de Bachiller inédita,
Repositorio] UNSCH. http://repositorio.unsch.edu.pe/handle/UNSCH/2837
Mateo, Rubén G, Felicísimo, Ángel M, & Muñoz, Jesús. (2011). Modelos de distribución de
especies: Una revisión sintética. Revista chilena de historia natural, 84(2), 217-
240. https://dx.doi.org/10.4067/S0716-078X2011000200008
Mejía-Coronel, D., Tonón, M., & Abad, L. (2018). Distribución Potencial del Género
Polylepis en la Cuenca del Río Paute bajo un Escenario de Cambio Climático. Revista
de La Facultad de Ciencias Químicas, December(19).
60
Monroy-Gamboa, A. G., Cab-Sulub, L., & Álvarez-Castañeda, S. T. (2022). Extinction of
endemic taxa as a direct consequence of global climate change. Therya, 13(1).
https://doi.org/10.12933/therya-22-1210.
Navarro Guzmán, Marco Alberto, Jove Chipana, Cesar Augusto, & Ignacio Apaza, Javier
Máximo. (2020). Modelamiento de nichos ecológicos de flora amenazada para
escenarios de cambio climático en el departamento de Tacna - Perú. Colombia
Forestal, 23(1), 51-67. https://doi.org/10.14483/2256201x.14866
Pauca-Tanco, G. Anthony, Balvin, Margarita, Hoxey, Paul, Quipuscoa, Víctor, & Quispe-
Turpo, Johana del Pilar. (2021). Geographic distribution and conservation status of
Eulychnia ritteri Cullmann (Cactaceae), an endemic cactus from southern
Peru. Revista Peruana de Biología, 28(4), e19290. Epub 30 de noviembre de
2021.https://dx.doi.org/10.15381/rpb.v28i4.21623
Sánchez Martínez, D. V. (2015). Ecosistemas. Boletín Científico De La Escuela Superior

Atotonilco De Tula, 2(3). https://doi.org/10.29057/esat.v2i3.1450
Suárez-Mota, Mario Ernesto, Hernández Ramírez, José Manuel, Luna Bautista, Lizbeth,
Mendoza Díaz, María Magdalena, Santiago-García, Wenceslao, & Ruiz-Aquino,
Faustino. (2022). Distribución potencial de árboles de ribera en la subcuenca Bajo Río
Grijalva. Botanical Sciences, 100(3), 534-549. Epub 16 de mayo de
2022.https://doi.org/10.17129/botsci.2924
Timaná de la Flor, M., & Cuentas Romero, M. A. (2015). Biogeografía predictiva: técnicas de
modelamiento de distribución de especies y su aplicación en el impacto del cambio
climático. Espacio y Desarrollo, 27.
https://doi.org/10.18800/espacioydesarrollo.201501.008
Varela, S., Terribile, L. C., de Oliveira, G., Diniz-Filho, J. A. F., González-Hernández, J., &
Lima-Ribeiro, M. S. (2015). ecoClimate vs. Worldclim: variables climáticas SIG para
trabajar en biogeografía: . Ecosistemas, 24(3), 88-92.
https://doi.org/10.7818/ECOS.2015.24-3.11
61
Vázquez, Diego P. (2005). Reconsiderando el nicho hutchinsoniano. Ecología austral, 15(2),
149-158. Recuperado en 13 de julio de 2022, de
http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1667-
782X2005000200005&lng=es&tlng=es.
WorldClim, (2020-2022),Datos Climáticos y Meteorológicos Globales:Variables

Bioclimáticas. https://www.worldclim.org/data/bioclim.html
Zaffaroni, Facundo T., Campanella, M. Victoria, & Martínez, Fernando J.. (2021). Biología
reproductiva de Chuquiraga avellanedae (Asteraceae), un arbusto endémico de la
Patagonia. Boletín de la Sociedad Argentina de Botánica, 56(4), 488-
496. https://dx.doi.org/10.31055/1851.2372.v56.n4.33707
Format, D. (2016). WorldClim - Global Climate Data. University of California, Berkeley.
62
ANEXO
Los anexos del presente docuemnto son:

Anexo 1. Carátula
Anexo 2. Hoja de Sustentación
Anexo 3. Mapa de distribucion potencial de las especies Myrcianthes spp. en la región
Ayacucho
Anexo 4. Mapa de zonas de vida e idoneidad de la especie Myrcianthes spp. en la Región
Ayacucho
Anexo 5. Mapa registros de presencia de la especie Myrcianthes spp. en la Región Ayacucho
Anexo 6. Especie Myrcianthes oreophila
Anexo 7. Especie Myrcianthes oreophila
Anexo 8. Equipo técnico de la Gerencia de Recursos Naturales y Gestión del Medio
Ambiente monitoreando especies en el bosque de Usqu willka.
Anexo 9. Habitante del centro poblado de Chupón en el distrito de Oronccoy llevando leña de
Myrcianthes spp.
63
Figura 5.1
Mapa de distribucion potencial de las especies Myrcianthes spp. en la región Ayacucho
64
Figura 5.2
Mapa de zonas de vida e idoneidad de la especie Myrcianthes spp. en la Región Ayacucho
65
Figura 5.3
Mapa registros de presencia de la especie Myrcianthes spp. en la Región Ayacucho
66
Figura 5.1
Especie Myrcianthes oreophila
Nota: Obtenida en la comunidad de Luis Carranza en la provincia de la La Mar.
67
Figura 5.2
Especie Myrcianthes oreophila
Nota: Obtenido en el bosque de Usqu willka perteneciente al distrito de Quinua, año 2021 con el Proyecto “Mejoramiento del Servicio
de la Información para la Gestión de la Diversidad Biológica (Flora y fauna) en la Región Ayacucho”-GORE-SGRRNGMA.
68
Figura 5.3
Equipo técnico de la Gerencia de Recursos Naturales y Gestión del Medio Ambiente

monitoreando especies en el bosque de Usqu willka.
Nota: Obtenido con el Proyecto “Mejoramiento del Servicio de la Información para la Gestión de la Diversidad Biológica (Flora y
fauna) en la Región Ayacucho”- GORE – SGRRNGMA.
Figura 5.4
Habitante del centro poblado de Chupón en el distrito de Oronccoy llevando leña de Myrcianthes
spp.
69
Modelación de la distribución
potencial de la Unca
(Myrcianthes spp.) usando las
19 variables bioclimáticas en la
Región Ayacucho
por Michael Aronés Quispe
Fecha de entrega: 10-oct-2022 03:55p.m. (UTC-0500)

Identiﬁcador de la entrega: 1921926296
Nombre del archivo: ARONES_QUISPE_MICHAEL_APA.pdf (4.88M)
Total de palabras: 12649
Total de caracteres: 79328
Modelación de la distribución potencial de la Unca
(Myrcianthes spp.) usando las 19 variables bioclimáticas en la
Región Ayacucho
INFORME DE ORIGINALIDAD
13 %
INDICE DE SIMILITUD
13%
FUENTES DE INTERNET
7%
PUBLICACIONES
3%
TRABAJOS DEL
ESTUDIANTE
FUENTES PRIMARIAS
1
Seema Parveen, Sharanjeet Kaur, Ratul
Baishya, Shailendra Goel. "Predicting the
4%
potential suitable habitats of genus
Nymphaea in India using MaxEnt modeling",
Environmental Monitoring and Assessment,
2022
Publicación
2
www.mobot.org
Fuente de Internet 1%
3
repositorio.unsch.edu.pe
4
hdl.handle.net
5
Submitted to Universidad de Almeria
Trabajo del estudiante 1%
6
geoservidorperu.minam.gob.pe
7
dspace.unl.edu.ec
Fuente de Internet <1 %
8
Submitted to Pontiﬁcia Universidad Catolica
del Peru
<1 %
Trabajo del estudiante
9
Submitted to Universidad Anahuac México
Sur
<1 %
10
Submitted to American Public University
System
<1 %
11
Submitted to Universidad Carlos III de Madrid
Trabajo del estudiante <1 %
12
sinia.minam.gob.pe
13
www.mesadeconcertacion.org.pe
14
vsip.info
15
www.slideshare.net
16
repositorio.puce.edu.ec
17
ri.uaemex.mx
<1 %
18
doaj.org
Fuente de Internet
19
Steven Andrés Romero Asqui, Patricio Xavier
Lozano Rodríguez, Margarita Aracely Armas
<1 %
Arma, Carlos Aníbal Cajas Bermeo. "Potential
Distribution Range of Lycalopex culpaeus
Species (Molina, 1782) in the Province of
Chimborazo", ESPOCH Congresses: The
Ecuadorian Journal of S.T.E.A.M., 2022
Publicación
20
uaeh.redalyc.org
Excluir citas Activo Excluir coincidencias < 30 words

Excluir bibliografía Activo

Modelación de La Distribución Potencial de La Unca (Myrcianthes SPP.) Usando Las 19 Variables Bioclimáticas en La Región Ayacucho.

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

Modelación de La Distribución Potencial de La Unca (Myrcianthes SPP.) Usando Las 19 Variables Bioclimáticas en La Región Ayacucho.

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN CRISTÓBAL DE

FACULTAD DE CIENCIAS AGRARIAS

ESCUELA PROFESIONAL DE AGRONOMÍA

Ciclo de Actualización Profesional

Modelación de la distribución potencial de la Unca (Myrcianthes

PROYECTO DE INGENIERÍA PARA OBTENER EL TÍTULO

Agradezco profundamente a nuestra alma mater Universidad Nacional de San Cristobal de

El presente Proyecto de Ingeniera investigó las áreas potenciales de distribución para

En estos últimos años en muchas partes del mundo se esta manifestando

En la actualidad el cambio climático esta influenciado por factores naturales y

La zona altoandina de la Provincia de Huamanga del departamento de Ayacucho se

El ecosistema es la interacción de una diversidad de especies de seres vivos que

Es la interacción de las variables ambientales con distintas especies, donde cada

Distribución de una especie

Son áreas geográficas de lugares donde existe condiciones adecuadas y favorables

Es el espacio de n-dimesniones que indica condiciones favorables ambientales donde

Las especies son concebidas como grupos de organismos que evolucionan

Myrcianthes ferreyrae (McVaugh) McVaugh

También conocido como "arrayan" esta especie es un árbol endémico y amenazado de

Flor.Presenta Inflorescencia axilares en dicasios 3 a 7 flores, (De la Cruz, 2018).

Myrcianthes ferreyrae (McVaugh) McVaugh de Puerto Chala. Peru

Fuente: Museo Botánico de UTRECH.

Myrcianthes oreophila “Unca”

Esta especie tambien es conocida como “Unca” se distribuye mayormente en forma de

Fotografía de la especie Myrcianthes oreophila

Fuente: Registro encontrado en el Bosque de Usqu Willka, distrito de Quinua

Modelos de Distribución de Especies

En los últimos años se ha generalizado nuevas herramientas que ayudan a analizar

Elementos necesarios para definir un MDE

Las variables bioclimáticas se derivan de los valores mensuales de temperatura y

Es una formulación matemática simple, el cual es el más utilizado debido a su

Coeficiente de correlación de Pearson

Área Bajo la Curva

La sensitividad es la proporción de presencias correctas predichas y su valor nos

Clima de la Región de Ayacucho

Coordenadas de puntos de presencia de las especies Myrcianthes spp.

Ubicación puntos de Presencia utilizado para el estudio

Las variables bioclimáticas que se utilizaron se descargó de la pagina principal de

Fuente: Página Worldclim

Luego de obtener la descarga de las variables bioclimaticas de la pagina worldclim lo

Geoproceso extracción de capa bioclimática a través de mascara en el softwareArcgis.

Software libre QGIS.

Salida con valores

Valores extraídos de los pixeles de las variables bioclimáticas

Script utilizado en el programa Rstudio

Entrada de Script en el Software Rstudio

Generación de correlación de variables Bioclimaticas

Correlación de variables bioclimáticas con la técnica de Pearson, generados en Rstudio

Correlación de variables bioclimáticas

Correlación de variables bioclimáticas con valores de rangos desde +1 a -1.

Variables bioclimaticas que estan menos correlacionados

BIO4 COMO ENDÓGENO

BIO14 COMO ENDÓGENO

Resumén de cálculo estadística de la regresión Bio14 como endógeno

Superior Inferior Superior

Resumén de cálculo estadística de la regresión Bio16 como endógeno

Superior Inferior Superior

Resumén de cálculo estadística de la regresión Bio18 como endógeno

Cálculo de Factor de Inflación de Varianza (FIV)

BIO4 BIO14 BIO16 BIO18

Ejecución en el Programa Maxent

Para la ejecución necesitamos coordenadas de las espcies Myrcianthes sp y ráster

Programa Maxent con datos exportados