PRESENTADO POR:Brayan Camilo Garcia Martinez

PRESENTADO A : Mario Alberto Jurado Eraso

Modelado para el nicho ecológico del Rupicola Peruvianus usando Maxent

Rupicola peruvianus :

El Gallito de las rocas forma parte de los paseriformes y es de la familia de aves que se llama Cotingidae que
hace referencia a la familia de aves paseriformes que entran en el suborden de los Tyranni, esta está constituida
por unas sesenta y siete especies de aves y veinticinco géneros que son autóctonos (Nativas) de lo que se
conoce como Neotrópico o la América Tropical y que viven en las selvas tropicales así como en las
subtropicales, en las zonas templadas o bien en los bosques montañosos(Tomado de Braylin )

Figura 1:Rupicola Peruvianus

Nota: (Angel Martinez Bird Colombia .)

Video Rupicola Perivianus : https://www.youtube.com/watch?v=H00ujymTVVQ

 OBTENCIÓN DE DATOS

Maxent: Se define como una herramienta cuyo objetivo es modelar nichos de distribuciones de especies
mediante la aplicación de una técnica de aprendizaje automático llamada modelado de máxima entropía. A
partir de un conjunto de cuadrículas ambientales (por ejemplo, climáticas) y localidades de ocurrencia
georreferenciadas, el modelo expresa una distribución de probabilidad en la que cada celda de la cuadrícula
tiene una idoneidad prevista de las condiciones para la especie.(biodiversityinformatics), donde su método
básicamente son pruebas de ensayo y error

Procesamiento de datos :Para que el programa de maxent funcione correctamente se deben aplicar una serie
de filtros y procesos a los datos a cargar.

El programa nos pide dos conjuntos de datos , primero un archivo (CSV) cuyo formato debe tener valores de
la especie, longitud y latitud respectivamente de esta forma(Rupicola peruvianus, -89.9, 48.6), asegurandonos
que los datos a ingresar sean lógicos para el programa. Y en otro apartado irán las variables Climáticas , para
este ejercicio tomaremos información la plataforma (WorldClim) donde se descargaron un total de 19 variables
climáticas como se muestra en la siguiente Tabla 1, además

Tabla 1 Variables Bioclimáticas

BIO1 Temperatura Media Anual

Intervalo medio diurno (media mensual (temperatura máxima - temperatura
BIO2 mínima))

BIO3 Rango anual de temperatura (BIO2/BIO7) (×100)

BIO4 Estacionalidad de la temperatura (desviación estándar ×100)

BIO5 Temperatura máxima del mes más cálido

BIO6 Temperatura mínima del mes más frío

BIO7 Rango Anual de Temperatura (BIO5-BIO6)

BIO8 Temperatura media del trimestre más húmedo

BIO9 Temperatura Media del Cuarto Más Seco

BIO10 Temperatura media del trimestre más cálido

BIO11 Temperatura media del trimestre más frío

BIO12 Precipitación Anual

BIO13 Precipitación del mes más lluvioso

BIO14 Precipitación del mes más seco

BIO15 Estacionalidad de la Precipitación (Coeficiente de Variación)

 BIO16 Precipitación del trimestre más húmedo

BIO17 Precipitación del Trimestre Más Seco

BIO18 Precipitación del trimestre más cálido

BIO19 Precipitación del trimestre más frío

BIO_ELEVATION Modelo de elevación global

Nota: WorldClim

Una vez realizada los datos procedemos a hacer un filtro, para este caso de estudio se usaron las siguientes
variables

Tabla 2

BIO_12 precipitación anual

BIO14 precipitación del mes más seco

BIO_1 Temperatura media anual

BIO_ELEVATION Modelo de elevación global

En este punto una vez seleccionada las variables de importancia dependiendo de la especie y el interés
procedemos a procesar la iamgenes de la Tabla 2, ya que estas se descargan en un formato TIF, y cabe resaltar
que el programa de maxent solo funciona con variables ambientales , cuyo formato sea (ASC), para este
procesos se hace uso de la herramiento (QGIS). donde se carga los datos y se hace la conversión como se
muestra en la Figura 1.

Figura 2 Conversión de TIFF a ASC

Video tutorial para convertir de TIF a ASC: https://www.youtube.com/watch?v=uMtlxr4jT-4

Una vez tengamos estos dos archivos procedemos a cargar los datos y especificar los paramentos en la
interfaz del maxent

Figura 3. Configuración interfaz maxent

Para el porcentaje tomamos un valor del 20 % , haciendo referencia a la cantidad de datos que tomaremos
aleatoriamente para hacer análisis estadísticos que permitan determinar el umbral de predicción. Además
especificamos que se quiere una sola réplica del modelo, para entender de mejor manera las variables de
importancia vamos a activar las opción de jackknife to measure como se muestra en la Figura 4. y dejamos por
defecto las demás instrucciones y procedemos a correr el modelo.
Figura 4.Procesamiento de datos

OBTENCIÓN Y ANÁLISIS DE RESULTADOS

una vez termina de correr el modelo maxent obtendremos dos gráficas un mapa del modelo de nichos de
distribuciones para el Rupicola Peruvianus con la siguiente información, empezando por la Figura 5 la cual es
el resultado de una predicción binaria, observamos que la predicted omission se ajusta muy bien al umbral de
omisiones, estado por encima de la línea predictora las condicione adecuadas para el nicho.
Figura 5: tasa de omisión y el área prevista en función del umbral acumulativo

observamos que las áreas acumuladas respetadas por omisiones y la línea predictora son pequeñas, cualidad
que se relaciona directamente con el espacio de la predicción.

En la Figura 6 observamos la gráfica de la curva característica operativa del receptor (ROC),donde la línea
roja (entrenamiento) muestra el ajuste del modelo, mientras que la línea azul muestra la prueba, y la línea
negra nos indica que si un modelo está por debajo de esta línea, quiere decir que el modelo se desempeña peor
de lo que lo haría un modelo aleatorio, de esta manera mientras más se acerquen se encuentre la línea azul
(prueba) del tope superior izquierdo , quiere decir que mejor será el modelo, de esta forma evidenciamos que
nuestro modelo es muy bueno con un AUC muy cercano a uno. Es importante notar que los valores de las
AUC (áreas bajo la curva) tienden a ser mayores para especies con rangos estrechos en relación al área
estudiada descrita por los datos ambientales.
Figura 6. curva característica operativa del receptor (ROC)

Algunos umbrales comunes y tasas de omisión correspondientes son los siguientes mostrados en la tabla 2 .Si
hay datos de prueba disponibles, las probabilidades binomiales se calculan exactamente si el número de
muestras de prueba es como máximo 25; de lo contrario, se utiliza una aproximación normal a la binomial.
Estos son valores p unilaterales para la hipótesis nula de que los puntos de prueba no se predicen mejor que
mediante una predicción aleatoria con la misma área fraccional predicha. El umbral de "Balance" minimiza 6 *
tasa de omisión de entrenamiento + 0,04 * umbral acumulativo + 1,6 * área predicha fraccional.

Tabla 2: umbrales comunes y tasas de omisión

En la Figura 7 se observa la representación del modelo Maxent para Rupicola Peruvianus. Los colores más
cálidos muestran áreas con mejores condiciones previstas. Los puntos blancos muestran las ubicaciones de
presencia utilizadas para el entrenamiento, mientras que los puntos violetas muestran las ubicaciones de
prueba, observamos que el área obtenida en el mapa para el rupicola son relativamente reducidas encontrando
condiciones potenciales para la especie en las Islas de Nueva Guinea, y en menor medida en una parte de
África, sin embargo para que la especie pueda tener éxito en un hábitat no solo depende las variables
ambientales sino también las relación que esta tiene con el medio biótico
Figura 7: representación del modelo Maxent para Rupicola peruvianus.

En la tabla 3, se pueden observar valores porcentuales definidos heurísticamente, permitiendo así rastrear
cuáles son las variables ambientales que más contribuyen al modelo. Cada paso del algoritmo de Maxent
incrementa la ganancia del modelo mediante la modificación del coeficiente para una única característica; el
programa asigna el incremento en la ganancia a la(s) variable(s) ambiental(es) de las cuales depende dicha
característica.(monografías).

Tabla 3:contribuciones relativas de las variables ambientales

para explicar de mejor forma la tabla anterior se presenta la Figura 8. donde se muestran en la los resultados
de la prueba de jackknife para la importancia de las variables, observamos que la variable ambiental con
mayor ganancia analizada de forma individual es la bio_12 (precipitación anual), y la variable que más
disminuye la la ganancia cuando se omite la bio_elevation,

lo que indicaría que esta variable podría tener mayor cantidad de información que no está presente en otras
variables, siendo así esta una variable importancia también, dando a conocer que el para el rupicola esta
característica determina en gran medida su nicho , así como la precipitaciones y las del mes más seco , ya que
este se caracteriza por estar en zonas húmedas como los bosques húmedos de montaña

Figura 8 .prueba de la navaja de importancia variable(usando la ganancia de entrenamiento)

En la imagen de abajo observamos la misma prueba de navaja anterior pero usando los datos de la ganancia de
prueba en lugar de los de entrenamiento , observando valores similares a los de la figura anterior

Figura 8 .prueba de la navaja de importancia variable(usando la ganancia de prueba)

Por último, tenemos la misma prueba de jackknife, usando AUC en los datos de prueba. indicándonos que las
relevancia de los datos es similar en las tres gráficas tomando un poco más de protagonismos la bio_14 siendo
la precipitación del mes más seco, indicándonos que el nicho del rupicola es susceptible a esta variable
ambiental. esto debido a la naturaleza de su habita

Figura 8 .prueba de la navaja de importancia variable(usando los datos AUC de prueba)

bibliografía

● WorldClim: WorldClim
● GBIF.org (18 October 2022) GBIF Occurrence Download https://doi.org/10.15468/dl.rdy98z
● Birdscolombia tomado de :https://birdscolombia.com/2016/03/28/gallito-de-roca-andino/
● monografias: tomado de
https://www.monografias.com/trabajos107/breve-guia-didactica-maxent-steven-phillips-at-t-research/b
reve-guia-didactica-maxent-steven-phillips-at-t-research