DISTRIBUCIÓN DE LAS ESPECIES ENDÉMICAS - NatureServe

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