DISTRIBUCIÓN DE LAS ESPECIES ENDÉMICAS - NatureServe
DISTRIBUCIÓN DE LAS ESPECIES ENDÉMICAS - NatureServe
DISTRIBUCIÓN DE LAS ESPECIES ENDÉMICAS - NatureServe
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tabla 1. Variables climáticas y topográficas seleccionadas para las regiones montanas y de tierras bajas.<br />
Montanas Tierras bajas<br />
Rango diurno medio Temperatura media anual<br />
Isotermalidad Estacionalidad de las temperaturas<br />
Precipitación del mes más húmedo Temperatura máxima del mes más cálido<br />
Precipitación del mes más seco Precipitación del mes más húmedo<br />
Época de precipitaciones Época de precipitaciones<br />
Elevación Elevación<br />
Pendiente Pendiente<br />
Índice de posición topográfica Índice de posición topográfica<br />
La modalidad de mecánica estadística de Maxent fue una<br />
candidata obvia dado que estudios comparativos previos<br />
demostraron que se desempeña bien incluso con muestras de<br />
tamaños pequeños (Hernandez et al. 2006, Elith et al., 2006,<br />
Phillips et al. 2006). El que la aplicación estuviera disponible<br />
libremente también facilita que se puedan hacer modelos de<br />
muchas especies al mismo tiempo. Para asegurar que Maxent<br />
fuera el más apropiado para hacer modelos de distribución<br />
de las especies de los Andes, comparamos el éxito de Maxent<br />
con dos métodos prometedores: “Mahalanobis Typicalities”<br />
(un método adoptado del análisis de percepción remota), y<br />
“Random Forests” (un modelo de abordaje promedio para<br />
la clasificación y la regresión de árboles). Probamos cada<br />
método para predecir los rangos de distribución de ocho<br />
especies de aves y ocho especies de mamíferos utilizando<br />
los datos de localización y los ambientales reunidos para<br />
nuestro estudio. Llegamos a la conclusión de que Maxent<br />
se desempeñaba muy bien, y que producía resultados que<br />
eran más consistentes para las especies con condiciones que<br />
variaban ampliamente (Hernández et al., manuscrito inédito).<br />
Los resultados de este análisis comparativo sustentaron<br />
nuestra elección de Maxent como el método PDM inductivo<br />
para nuestro estudio.<br />
Los modelos PDM inductivos fueron desarrollados<br />
utilizando Maxent para todas las especies con dos o<br />
más localidades aisladas. Maxent se basa en un abordaje<br />
de mecánica estadística denominado entropía máxima<br />
(maximum entropy) cuyo propósito es hacer predicciones a<br />
partir de información incompleta. Estima las distribuciones<br />
más uniformes (entropía máxima) a través del área de estudio<br />
con la restricción de que el valor esperado de cada variable<br />
de predicción ambiental bajo esta distribución estimada<br />
concuerde con su promedio empírico (valores promedio<br />
para los datos de localización del grupo de “solo presentes”).<br />
En Phillips et al. (2004 y 2006) se pueden encontrar<br />
descripciones detalladas de los métodos Maxent. El algoritmo<br />
es implementado en una aplicación autónoma, disponible<br />
gratuitamente . Solo consideramos rasgos lineales y cuadráticos<br />
debido a la escasa cantidad de localidades de las especies<br />
de nuestro estudio. Si dos o más localidades se encuentran<br />
en el mismo pixel de análisis, Maxent las considera como<br />
un único registro. Las predicciones de Maxent son “valores<br />
acumulativos”, que representan como porcentaje los valores<br />
de probabilidad para el pixel de análisis actual y para todos los<br />
demás pixeles con valores de probabilidad iguales o menores.<br />
El pixel con un valor de 100 es el más apropiado, mientras<br />
que pixeles cercanos a 0 son los menos apropiados dentro<br />
del área de estudio.<br />
Se desarrollaron cuatro modelos Maxent para cada una de las<br />
especies, utilizando todos los datos de localidades disponibles<br />
pero variando las capas ambientales. Los productos de datos<br />
MODIS no han sido utilizados extensamente en PDM hasta<br />
la fecha. Por lo tanto, creamos cuatro modelos para cada<br />
especie para probar la utilidad de incorporar productos de<br />
datos MODIS como predictores PDM y para determinar<br />
la mejor manera de utilizar estos datos. El modelo 1<br />
estuvo formado por las variables climáticas o topográficas<br />
seleccionadas para las regiones montanas o de tierras bajas<br />
(Tabla 1) según donde se distribuyeran fundamentalmente<br />
las especies. El resto de los modelos incluyeron las mismas<br />
capas climáticas o topográficas que el modelo 1. El modelo 2<br />
además incluyó las capas MODIS no sintetizadas, el modelo<br />
3 incluyó las capas MODIS sintetizadas dentro de una<br />
ventana móvil de 2 km, y el modelo 4 incluyó capas MODIS<br />
sintetizadas dentro de una ventana móvil de 5 km.<br />
No intentamos dividir los datos en registros utilizados para<br />
entrenar el modelo ni los utilizados para una evaluación<br />
estadística del modelo debido a la escasez y a la baja<br />
precisión espacial de los datos de localización disponibles.<br />
En ausencia de un conjunto de datos independientes para<br />
la evaluación con una suficiente cantidad de registros de<br />
localización altamente precisos, consideramos que la revisión<br />
de los expertos es la única manera de determinar cuál de los<br />
procedimientos para hacer modelos produce los mapas de<br />
distribución predictivos más realistas. Buscamos la revisión<br />
externa de especialistas familiarizados con las especies<br />
endémicas para producir mapas de presencia-ausencia de<br />
las especies. Hicimos esto pidiéndole a cada revisor que (1)<br />
1