Professional Documents
Culture Documents
Centro de Investigaciones en Geografa Ambiental, Universidad Nacional Autnoma de Mxico, Antigua Carretera
a Ptzcuaro 8701, Col. Ex-Hacienda de San Jos de La Huerta C.P. 58190 Morelia Michoacn Mxico, email:
jfmas@ciga.unam.mx
2
Centro de Sensoriamento Remoto, Universidade Federal de Minas Gerais, Av. Antnio Carlos 6627, Belo
Horizonte, MG 31270-901, Brasil
RESUMEN
Los modelos de nicho ecolgico y/o de distribucin geogrfica de las especies, se han convertido en una
herramienta importante en estudios ecolgicos y geogrficos. Su elaboracin ha estado dominada por
programas como GARP y MaxEnt. Ambos se sustentan en un enfoque basado en los datos, donde es
difcil integrar el conocimiento experto de la especie. El objetivo del presente estudio es comparar el
mtodo de los pesos de evidencia, un enfoque abierto implementado en el programa Dinamica EGO, con
MaxEnt para modelar la distribucin potencial de Bradypus variegatus. Para MaxEnt se sigui el mtodo
propuesto por Phillips et al. (2006) y en Dinamica EGO se opt por un enfoque automatizado basado slo
en los datos. En este, se calculan estadsticamente los pesos de evidencia y el mapa de probabilidad de
presencia sin integracin de conocimiento experto. Los modelos se evaluaron mediante anlisis ROC y el
clculo de la tasa de omisin. Los resultados indican que aunque MaxEnt permite una mejor coincidencia
con las altas probabilidades de presencia que los pesos de evidencia, los mapas umbralizados de
presencia/ausencia poseen una fiabilidad similar. Una ventaja de Dinamica EGO, aun no evaluada, es la
posibilidad de integrar conocimiento experto durante el proceso de modelacin.
Palabras clave: Modelacin de nicho, MaxEnt, Dinamica EGO, pesos de evidencia, anlisis ROC.
1 INTRODUCCIN
2 MATERIAL Y MTODO
2.1 MATERIAL
Se emplearon 116 registros de ocurrencia
(Anderson y Handley, 2001) del perezoso
(Bradypus variegatus) para modelar su nicho.
Adems se utiliz un modelo digital de elevacin
(USGS, 2001) y datos bioclimticos (IPCC; New
et al., 1999) que incluyen la nubosidad anual, el
rango de temperatura diurna anual, la frecuencia de
heladas anual, la presin de vapor anual, la
precipitacin anual, el mximo, mnimo y
promedio anual de la temperatura. Se sigui el
mtodo de particin de los datos de Philips et al.
(2006), por lo que fueron divididos los datos de
ocurrencia aleatoriamente en dos subconjuntos: 81
registros de entrenamiento y 35 de prueba para
evaluar el modelo, repitiendo este muestreo
aleatorio diez veces para elaborar diez rplicas de
datos de entrenamiento y de evaluacin.
Para la modelacin, se utilizaron dos programas:
MaxEnt
(versin 3.3.3a) y Dinamica EGO
(versin 2.0.10). El primero, es un programa
diseado para la modelacin del nicho ecolgico
basado en un algoritmo de mxima entropa
ampliamente utilizado en la modelacin de la
distribucin de las especies. El segundo es una
plataforma de modelacin que ha sido
principalmente utilizada para modelar cambios de
cobertura/uso del suelo e incluye herramientas
como el mtodo de los pesos de evidencia basados
en la probabilidad condicional y los algoritmos
genticos para entrenar los modelos (Soares-Filho
et al., 2002 y 2009). La evaluacin de los modelos
se hizo con la herramienta para el anlisis ROC
elaborada por Mas et al. (2013).
2.1 MTODO
2.1 Elaboracin de los mapas de
distribucin de Bradypus variegatus
Se elaboraron diez modelos y diez mapas de
probabilidad de presencia de B. variegatus
utilizando el mtodo de mxima entropa (MaxEnt)
y los pesos de evidencia (Dinamica) utilizando las
diez rplicas de datos de entrenamiento.
MaxEnt es un programa que implementa un
algoritmo de mxima entropa que genera la
distribucin de probabilidad sobre los pixeles
! !!
! !
(1)
3 RESULTADOS
La figura 3 representa el mapa de probabilidad de
la presencia de Bradypus variegatus para la
primera rplica y ambos modelos. Los resultados
indican que las predicciones de ambos modelos
fueron significativamente mejores que el azar, con
valores promedios de AUC de 0.8251 y AUC
parcial de 0.9779 y para MaxEnt de 0.8882 y
0.9527 respectivamente. Como se puede observar
en las Tablas 1 y 2, los valores de ABC obtenidos
por MaxEnt son significamente superiores a los de
los pesos de evidencia (p < 0.05) en nueve de las
diez rplicas. En cambio, hay una diferencia
significativa para el ABC parcial solo para una
rplica.
1
2
3
4
5
6
7
8
9
Promedio
Pesos de evidencia
(Dinamica)
ABC
PARCIAL
0.9837
0.9651
0.9848
0.9609
0.9722
0.9820
0.9804
0.9835
0.9836
0.9779
ABC
0.8428
0.8286
0.8218
0.8216
0.8049
0.8329
0.8173
0.8167
0.8490
0.8159
Maxima Entropa
(MaxEnt)
ABC
PARCIAL
0.9332
0.9727
0.9286
0.9758
0.9254
0.9342
0.9439
0.9722
0.9568
0.9851
ABC
0.8905
0.8982
0.8771
0.8926
0.8768
0.8770
0.8883
0.8908
0.8815
0.9100
ABC
p-value
ABC PARCIAL
p-value
1
2
3
4
5
6
7
8
9
10
0.0032
0.0035
0.0000
0.0000
0.0064
0.0942
0.0000
0.0032
0.0323
0.0001
0.1208
0.7445
0.0137
0.3424
0.0593
0.0702
0.3701
0.1587
0.0609
0.9523
MaxEnt
Ajustado a Dinamica en cero omisin
rea (pixeles)
Dinamica
1
2
3
4
5
6
7
8
9
10
378369
479902
427395
449416
458764
389468
463836
462688
370741
480501
MaxEnt
Diferencia
331131
436315
382287
402928
416409
342364
419730
422558
375999
437888
-0.12
-0.09
-0.11
-0.10
-0.09
-0.12
-0.10
-0.09
0.01
-0.09
%
Omisin
1.23
0
0
1.23
1.23
0
0
0
0
0
Dinamica EGO
AJUSTADO A MaxEnt CERO OMISION
rea (pixeles)
Dinamica
1
2
3
4
5
6
7
8
9
10
485813
463911
439186
271237
218342
407041
214473
475721
345764
358733
MaxEnt
Diferencia
%
Omisin
427751
415161
382619
443573
487442
352578
499835
420936
338291
309127
0.14
0.12
0.15
-0.39
-0.55
0.15
-0.57
0.13
0.02
0.16
1.23
1.23
0
9.87
13.58
0
14.81
9.87
1.23
1.23
4 DISCUSIN Y CONCLUSIN
Los resultados de este estudio muestran que los
modelos de MaxEnt presentan un ABC ms alta
que los obtenidos por el mtodo de los pesos de
evidencia, sin embargo no se encontr diferencia
significativa en las ABC parciales de ambos
modelos.
Si bien MaxEnt permite elaborar mapas donde las
altas probabilidades coinciden ms con los puntos
de ocurrencia, cuando se umbraliza el mapa en
funcin de las probabilidades ms bajas para
generar los mapas de presencia, existe poca
diferencia entre ambos modelos.
Una prctica comn en la modelacin del nicho
ecolgico es la elaboracin de los mapas de
probabilidad con un enfoque totalmente basado en
los datos (GARP o MaxEnt). Posteriormente el
mtodo implica su umbralizacion para generar un
mapa de presencia y finalmente la edicin (recorte)
de estos mapas con base en conocimiento experto.
Por lo que la integracin del conocimiento experto
interviene hasta el final del proceso ya que es
difcil, sino imposible, integrarla durante la
proceso de modelacin. En el mtodo de los pesos
de evidencia, se puede visualizar la relacin entre
los factores ambientes y los valores de los pesos de
evidencia y eventualmente editar (modificar) sus
valores. De esta manera es posible integrar
conocimiento experto de forma explcita durante el
proceso de modelacin y en el espacio de los
factores ambientales y no en la edicin del mapa.
Este enfoque es ms cercano a los conceptos de
nicho ecolgico y ser el objeto de futuras
investigaciones.
En este estudio de caso, los pesos de evidencia
permitieron la obtencin de mapas de probabilidad
comparables con los obtenidos a travs de
herramientas muy reconocidas en la modelacin
del nicho ecolgico (MaxEnt). Presenta la ventaja
adicional de poder integrar conocimiento experto
de forma sencilla, por lo cual podra ser un mtodo
de modelacin complementario a un enfoque como
MaxEnt.
An queda por evaluar el desempeo de Dinamica
EGO en diferentes situaciones (umbrales de corte,
AGRADECIMIENTOS
Este estudio se llev a cabo en el mbito del
proyecto Elaboracin y Aplicacin de modelos
prospectivos de cambio de cobertura/uso del suelo
(Programa de Apoyo a Proyectos de Investigacin
e Innovacin Tecnolgica PAPIIT-UNAM clave
RR113511).
REFERENCIAS
Anderson, R.P., Handley Jr., C.O., 2001. A new species
of threetoed sloth (Mammalia: Xenarthra) from
Panama, with a review of the genus Bradypus. Proc.
Acad. Biol. Soc. Wash. 114: 1-33.
New, M., Hulme, M., Jones, P., 1999. Representing
twentiethcentury space-time climate variability. Part
1.Development of a 196190 mean monthly
terrestrial climatology. J. Clim. 12: 829-856.
Phillips, S.J., Anderson, R.P., Schapire, R.E., 2006
Maximum entropy modeling of species geographic
distributions. Ecol. Model. 190: 231-259.