See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/286927344

Modelos de Distribución Potencial de Especies

Chapter · November 2014

DOI: 10.13140/RG.2.1.4962.6965

CITATIONS READS
3 5,586

4 authors, including:

Cristian Savino Liliana Diodato

Universidad Nacional de Santiago del Estero Universidad Nacional de Santiago del Estero
7 PUBLICATIONS 9 CITATIONS 2 PUBLICATIONS 6 CITATIONS

SEE PROFILE SEE PROFILE

Hugo Raul Zerda

Universidad Nacional de Santiago del Estero
34 PUBLICATIONS 83 CITATIONS

SEE PROFILE

All content following this page was uploaded by Hugo Raul Zerda on 15 December 2015.

The user has requested enhancement of the downloaded file.

 Modelos de Distribución Potencial de Especies
Cristian Savino, Liliana Diodato, Miguel A. Gatto y Hugo R. Zerda
Instituto de Protección Vegetal- Universidad Nacional de Santiago del Estero
savinocristian@gmail.com

RESUMEN

El avance en los Sistemas de Información Geográfica (SIG), ha impulsado el desarrollo

de técnicas para la construcción de modelos predictivos de distribución de las especies.
Estos modelos ofrecen representaciones cuya fiabilidad está cuestionada cuando se
trata de especies con pocas localidades conocidas. En este trabajo proponemos que,
sin embargo, técnicas como estas pueden servir de ayuda para el diseño de futuros
muestreos destinados a colectar nuevas observaciones de este tipo de especies y, con
limitaciones, para evaluar el posible grado de disminución en el área de distribución
original debido a los cambios en el uso del suelo. Se mencionan tres de las técnicas de
modelación más utilizadas, y se presenta un ejemplo de modelación con tres especies
diferentes de insectos del género Dactylopius en la ecorregión del Parque Chaqueño
Seco en los que se busca identificar áreas favorables con capacidad para albergar
poblaciones no detectadas de las especies.

Palabras clave: Dactylopius; Chaco Seco; Distribución

Introducción

La búsqueda de los factores que determinan la distribución de los organismos ha sido

una de las metas centrales de la ecología. Se conoce que varios factores abióticos y
bióticos interactúan y limitan la distribución de cada especie.
Los modelos de nicho ecológico son importantes para una variedad de aplicaciones en
ecología y conservación (Graham et al, 2004), estos, indican la idoneidad del hábitat
para el desarrollo de poblaciones de una especie concreta o de una comunidad (Ferrier
y Guisan, 2006), calculada a partir de observaciones de campo y una serie de variables
ambientales que actúan como predictores.
Existen varios MDE que utilizan diferentes algoritmos, tipo de datos primarios
(localidades de presencia y/o ausencia) y tipo de datos secundarios.
La mayoría de los modelos que proyectan la presencia de una especie en un sitio no
explorado, generalmente correlacionan sitios ya conocidos, donde se encuentra la
especie con un conjunto de factores ambientales, especialmente climáticos (Chapman y
Busby, 1994). Algunos modelos utilizan métodos estadísticos, siendo los más comunes
el de regresión múltiple o los multivariados (Guisan et al., 1999); otros utilizan registros
ya existentes de presencia de las especies y la información ambiental para generar
perfiles bioclimáticos, por ejemplo BIOCLIM (Nix, 1986; Lindenmayer et al., 1991;
Fischer et al., 2001), el algoritmo de reglas de predicción genéticas (GARP), el cual
busca relaciones no azarosas entre las características ambientales de las localidades
donde están georeferenciadas las especies y la región o regiones de estudio (Anderson
30
et al., 2003) o Maxent, que aplica el principio de máxima entropía para calcular la
distribución geográfica más probable para una especie, por lo tanto, estima la
probabilidad de ocurrencia de la especie buscando la distribución lo más uniforme
posible (Phillips et al. 2006). Este último fue el empleado para predecir la distribución
potencial de 3 especies de insectos del género Dactylopius (D. ceylonicus; D. austrinus
y D. confertus)en la ecorregión del Chaco Seco Argentino (Savino et al. 2013).

1. Materiales y Métodos

La información para el ejemplo de referencia se obtuvo a partir de observaciones y

colectas realizadas a campo e información bibliográfica obtenida de las diferentes
colecciones entomológicas existentes en la región. Se elaboró una base de datos con
las localidades de colecta, las que fueron georreferenciadas con el programa
Biogeomancer, disponible en http://www.biogeomancer.org, que permite georreferenciar
puntos con base en información del sitio. Se consultaron también, las bases de datos
conocidas como „gazetteers‟, que son diccionarios geográficos que contienen listas de
unidades administrativas (como municipalidades) con sus respectivas coordenadas
geográficas, que se usaron para corroborar la información georreferenciada a puntos de
interés.
Los datos de clima, fueron obtenidos a partir de la base de datos de WorldClim
(Hijmanset al., 2005), disponible en http://biogeo.berkeley.edu/worldclim. Esta es una
base de datos de variables climáticas que se presenta en la forma de archivos raster.
Las variables Bioclimaticas se derivan de los valores mensuales de la temperatura y de
la precipitación, y representan las tendencias anuales, para generar variables
biológicamente más significativas. Para realizar la presente modelación se emplearon
13 variables ambientales de las 19 que proporciona la base de datos.
Todas las variables utilizadas fueron interpoladas a una resolución espacial de 2.5
minutos. La selección del conjunto de variables más importantes, como determinantes
de la distribución y la confección de los modelos de distribución se realizó con el
programa Maxent v3.0 (Phillips et al., 2006), que estima la probabilidad de distribución
esperada, encontrando la probabilidad de distribución que es más uniforme (entropía
máxima).
Una vez obtenida la imagen de Maxent, esta fue transferida en formato .grd a Diva-gis,
ya que este permite una mejor contextualización y manipulación de la imagen.
Maxent, proporciona además una salida gráfica como el Área Bajo la Curva (AUC), que
es un estadístico de ajuste, y varía entre 0 y 1.Un modelo ideal sería aquel en donde la
sensibilidad alcance el valor de 1 y la tasa de falsos negativos sea cero, y por lo tanto
con un AUC = 1. Por lo general, se considera que un valor de AUC por encima de 0.7
señala un buen ajuste; un valor de 0.5, por otro lado, indica que la capacidad de
predicción del modelo no es mejor que al azar (Hanley y McNeil, 1982).
El software, también permite obtener una tabla que muestra las variables que participan del
modelo, las que están ordenadas en función de un valor expresado en porcentaje de
contribución al mismo.

31
2. Resultados

Se muestran las salidas cartográficas para las especies mencionadas, para Maxent, y
contextualizadas con DivaGis. Asimismo, se presenta la gráfica del área bajo la curva
(AUC) y los aportes de las variables seleccionadas para las correspondientes
modelaciones de las especies.

En las Fig. 1,3 y 5, los puntos blancos indican los registros de la especie (presencia),
con los que se elaboró el modelo. En las Fig. 2,4 y 6, los tonos rojos muestran las áreas
donde existe mayor probabilidad de ocurrencia de la especie, mientras que los tonos
verde claro son las áreas de menor probabilidad de ocurrencia.

D.

Figura 1: Imagen obtenida de Maxent con Figuras 2: Mapa de clases de distribución

la distribución hipotética de D. ceylonicus. hipotética de Dactylopius ceylonicus

32
 Figura 3. Imagen obtenida de Maxent con la Figura 4. Mapa de clases de distribución
distribución hipotética de Dactylopius hipotética de Dactylopius confertus.
confertus.

Figura 5. Imagen obtenida de Maxent con Figura 6. Mapa de clases de distribución

la distribución hipotética de Dactylopius hipotética de Dactylopius austrinus.
austrinus.

33
Tabla 1. Contribución de las variables seleccionadas para D. ceylonicus y D. confertus.

Variable Porcentaje Variable Porcentaje

contribución contribución
Tº promedio Anual 36.8 Precip. Trim. Seco 54.9
Precip. trimestre más seco 19.3 Estacionalidad en tº 19.7
Precip. Trim. más húmedo 16.6 Tº trim. más húmedo 18.4
Rango medio diurno (Tº) 12.3 Rango medio diurno 3.5
Tº media trim. más seco 8 Precip. trim. Lluvioso 3.3
Tº mín. trimestre más frío 3.1 Estacion. Precip. 0.1
Estacionalidad de Tº (CV) 1.6 Tº mín. trim. mas frío 0
Estacion. de precip. (CV) 1.3 Tº máx. trim. .mas 0
cálido
Tº media trim. más húmedo 0.6 Tº media trim. Seco 0
Isotermalidad 0.3 Tº prom. Anual 0
Tº máx. trim. más cálido 0 Rango anual de tº 0
Precipitación Anual 0 Precip. Media anual 0
Rango anual de tº 0 Isotermalidad 0
Dactylopius ceylonicus Dactylopius confertus

Tabla 2 Contribución de las variables seleccionadas para D. austrinus.

Variable Porcentaje
contribución
Precip. trim. seco 74.4
Estacionalidad en tº 8.4
Tº media trim. lluvioso 7.1
Rango medio diurno 5.1
Precip. trim. lluvioso 3.0
Estacion. precip. 2.0
Tº mín per. más frío 0
Tº máx. per. más cálido 0
Tº media trim. seco 0
Tº Prom. anual 0
Rango anual de tº 0
Precip. anual 0

34
 D. ceylonicus D. confertus D. austrinus

Figura 7. Área bajo la curva (AUC) de las especies investigadas.

3. Conclusiones

El método de modelado con Maxent ha demostrado ser una herramienta robusta

utilizando datos de presencia, permitiendo predicciones incluso con escaso número de
datos de presencia de las especies y, mejorando el desempeño de otras técnicas
tradicionales. En la actualidad, la aproximación al modelado con Maxent se extiende a
numerosos grupos taxonómicos, distintas áreas geográficas y diversos objetivos
específicos. Cuando el número de observaciones es escaso, como ocurre para alguna
de estas especies, las representaciones geográficas generadas mediante estas
técnicas deben considerarse hipótesis provisionales, cuya fiabilidad sólo podrá
evaluarse a medida que se obtengan nuevas colectas.
Asumiendo que los factores climáticos usados como predictores son adecuados para
representar la heterogeneidad ambiental capaz de describir la distribución de estas
especies a la escala espacial considerada, los ejemplos que se proporcionan en este
trabajo permiten obtener una indicación sobre la localización de futuros sitios de
colecta.
La calidad de los mapas obtenidos se considera muy buena, debido a que los mismos
mostraron valores de AUC superiores a 0.9 en los todos los casos modelados. Del
análisis, surge que las especies modeladas se encuentran preferentemente en áreas de
serranías y, en general, con ausencia de lluvias durante el mes más seco. Esto sugiere
una notable adaptación a los ambientes semiáridos, lo que concuerda con el área de
presencia de cactáceas en la región.

35
 Referencias

Anderson R.P., Lew D. y Townsend Peterson A. (2003). Evaluating predictive models of

species' distributions: criteria for selecting optimal models. Ecological Modelling 162:
211-232.
Biogeomancer Research Consortium. (2005). Fecha de consulta, Agosto de 2013.
Disponible en http://www.biogeomancer.org.
Chapman, A. D. y Busby, J. R. (1994). Linking plant species information to continental
biodiversity inventory, climate and environmental monitoring 177-195 in Miller, R.I. (ed.).
Mapping the Diversity of Nature. London: Chapman and Hall.
Ferrier, S. y Guisan, A. 2006. “Spatial modelling of biodiversity at the community level”,
Journal of Applied Ecology, 43, pp. 393-404.
Fischer, G.; Nachtergaele F.O. ; Prieler, S.; Teixeira, E.; Tóth, G.; Van Velthuizen,
H.; Verels, L. y Wiberg, D. (2001). Global agro-ecological assessment for agriculture in
the 21st Century. IIASA Research Report 02-02, International Institute for Applied
Systems Analysis, Laxenburg, Austria, p. 119.
Graham, C. H.; Ron, S. R.; Santos, J. C.; Schneider, C. J. y Moritz, C..Integrating
phylogenetics and environmental niche models to explore speciation mechanisms in
dendrobatid frogs
Guisan, A. N.; Zimmermann, E..; Elith, J.; Graham, C. H.; Phillips, S.y Peterson, A.
T..(2009). What matters for predicting the occurrences of trees: techniques, data, or
species characteristics? Ecological Monographs, 77(4), 2007, pp. 615–630. Ecological
Society of America.
Hanley, J. A. y McNeil, B.J. (1982). The meaning and use of the area under a receiver
operating characteristic (ROC) curve. Radiology. 143: 29-36
Hijmans, R.J.; Cameron,S.E.; Parra,J.L.; Jones,P.G. y Jarvis, A. (2005). The WorldClim
interpolated global terrestrial climate surfaces. Version 1.3. Available at:
<http://biogeo.berkeley.edu/worldclim>.
Hijmans, R.J. Guarino, L.; Jarvis, A.; O'Brien, R.; Mathur, P.; Rojas, E.; Cruz, M. y
Barrantes, I. International Plant Genetic Resources Institute (IPGRI), International
Potato Center (CIP), UC Berkeley Museum of Vertebrate Zoology, The Secretariat of the
Pacific Community and others including SINGER/SGRP, FAO, USDA, DIVA-GIS 5.2.
Lindenmayer, D. B.; R. B. Cunningham; H. A. Nix; M. T. Tanton y A.
P.Smith.(1991).Predicting the abundance of hollowbearing trees in montane ash forests
of south- eastern Australia.Aus. J. Eco. 16, 91–98.
Nix, H. A. (1986).A biogeographic analysis of the Australian elapid snakes. In: R.
Longmore (ed.) Atlas of elapid snakes. Australian Flora and Fauna Series No. 7, pp. 4-
15.
Phillips, S. J.; Anderson, R. P. y Schapire, R.E.(2006). “A maximum entropy modelling of
species geographic distributions”, Ecological Modelling, 190, pp. 231-259.
Savino, C.; Diodato L.; Gatto M. A.; Zerda H. R. (2013). Modelación espacial de
especies, género Dactylopius, Región Parque Chaqueño Seco. En Actas de: IV
Jornadas Tucumán SIG. Abril 2013.

36

View publication stats