Los modelos de nicho ecolgico

Qu es la Bioinformtica? (Informtica de la Biodiversidad) BIOINFORMTICA: aplicacin de las herramientas de la tecnologa de la informacin al estudio de la biologa, poniendo especial nfasis en el almacenamiento y acceso a datos digitales (Sobern & Peterson, 2004)

Los modelos de nicho ecolgico

Bioinformtica - Es una disciplina emergente que busca aprovechar el poder de las tecnologas computacionales y de informacin para abordar problemas de tipo biolgico. - Rene una serie de herramientas para organizar y analizar datos primarios (colecciones, observaciones, imgenes satlite, etc) de diversas fuentes. - Por su naturaleza, la Bioinformtica (Informtica de la Biodiversidad) involucra el trabajo de varias disciplinas (biologa, geologa, informtica, etc).

Los modelos de nicho ecolgico Bioinformtica y modelos de nicho ecolgico

Los modelos de nicho ecolgico Concepto de nicho ecolgico:

Los modelos de nicho ecolgico Nicho fundamental versus nicho realizado: El nicho fundamental de una especies es el espacio ecolgico donde la especie puede vivir, mientras que el nicho realizado es el espacio ecolgico y geogrfico donde la especie vive.

Los modelos de nicho ecolgico Ejemplos de aplicaciones de los ENM ENM suponen: avance en la integracin de las perspectivas ecolgica y evolutiva en el estudio de la biodiversidad: Ejemplos: Cartografa automtica de especies Comprensin de los requerimientos ecolgicos de las especies Anlisis de la distribucin, biogeografa y barreras dispersivas que afectan a una especie Localizacin de poblaciones desconocidas o nuevas especies Localizacin de puntos calientes de biodiversidad Estudios filogeogrficos Diseo de reservas y planes de conservacin Predecir invasiones biolgicas Reconstruccin de distribuciones en el pasado Predecir los efectos del cambio climtico

Los modelos de nicho ecolgico

Los modelos de nicho ecolgico Etapas en la construccin de un modelo de nicho ecolgico: 1. Formulacin del modelo conceptual, que queremos saber (la distribucin de la especie, la ecologa de la especie). 2. Diseo del muestreo, armonizacin de las escalas espaciales y definicin del contexto del modelo (escalas locales vs escalas globales). 3. Formulacin estadstica del modelo: condiciona el software que vamos a usar. 4. Calibracin del modelo: proceso en el cual enseamos al modelo. 5. Prediccin del modelo. 6. Evaluacin del modelo. 7. Credibilidad del modelo y aplicabilidad (biologa de la conservacin, biogeografa, bsqueda de nuevos lugares de distribucin).

Los modelos de nicho ecolgico En resumen, el proceso consiste en

Los modelos de nicho ecolgico Limitaciones de los modelos de nicho ecolgico: Como simplificacin de la realidad, los modelos de nicho ecolgico tienen gran utilidad, pero tambin tienen crticas: no tienen en cuenta las interacciones biolgicas entre las especies, como los fenmenos de la competencia o el mutualismo no consideran la posibilidad de la especie para llegar a todos lo sitios donde podra vivir (no incluyen, por ejemplo, parmetros que describan la capacidad de dispersin) Nota cuidado con proyectar a rangos de las variables en los cuales el modelo no tiene informacin (climas futuros, reas geogrficas distintas)

Los modelos de nicho ecolgico Funcionamiento prctico de los modelos de nicho ecolgico: Datos de entrada: 1. Datos biolgicos: lista de puntos geogrficos (coordenadas x e y / lat lon), en los que se ha encontrado la especie que queremos modelar. 2. Datos ambientales: mapa de variables ambientales que el modelo incluir como determinantes de la localizacin de la especie. Datos de salida: Segn el tipo de modelo, obtenemos un mapa de probabilidades de presencia de la especie o un mapa binario (0/1) de presencia de la especie (Mapas = distribucin potencial del nicho ecolgico de la especie) Asunciones: Las variables ambientales determinan el nicho ecolgico Consideraciones importantes: No se consideran las interacciones biticas ni los procesos de

Los modelos de nicho ecolgico

Cmo elegir las variables a incluir en el modelo?

Los modelos de nicho ecolgico Dnde encontrar datos?

Los modelos de nicho ecolgico Fuentes de sesgo y error: -Los recuentos de ausencias no estn disponibles en muchos casos, no existen, o pueden no ser fiables. - Las ausencias de una especies en aquellos lugares en que s se dan las condiciones favorables se llaman falsas ausencias. - La inclusin de falsas ausencias en el modelo puede sesgar seriamente el anlisis, por lo que los datos de ausencia se deben manejar con mucho cuidado (Hirzel et al., 2002). - Incorrecta identificacin de las especies. - Incorrecta referencia espacial. - Los investigadores suelen muestrear en lugares de fcil acceso, a lo largo de carreteras y ros, y cerca de ciudades o estaciones biolgicas (Graham et al., 2004). - Al utilizar datos procedentes de museos se debe recordar que los especimenes no se recolectaron para representar su distribucin sino que las colecciones estn generalmente sesgadas hacia especimenes raros y especies nuevas.

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Como simplificacin de la realidad, tenemos varios problemas: La mayora de los datos de ocurrencia de las especies son asimtricos (slo presencias), por lo que no tenemos informacin certera de dnde NO est la especie. El esfuerzo de muestreo a travs de los rangos de distribucin de la mayora de las especies es desigual, los datos de ocurrencia estn sesgados en los espacios ecolgico y geogrfico. Las variables ambientales abarcan relativamente pocas dimensiones del nicho.

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Podemos tener 2 tipos de errores:

1.OMISIN 2.COMISIN

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Tipos de errores posibles: ERROR DE OMISIN: predice la no-presencia de la especie donde realmente est (falso negativo) es mucho ms importante y peor: no predice lugares de presencia que pueden ser de gran importancia para la supervivencia de la poblacin

ERROR DE COMISIN: predice la presencia de la especie donde no est (falso positivo) puede ser real o aparente, ya que un falso positivo puede significar o una sobre-prediccin del modelo o una prediccin de nicho potencial de la especie

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Evaluacin de los errores: Casi todas las tcnicas de evaluacin de modelos se centran en detectar los errores de omisin (falsos negativos) Tcnicas jacknife: estimar el nicho de la especie a partir de todos los puntos de apariencia menos 1, tantas veces como puntos de presencia tengamos

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Metodologa para la evaluacin de los errores: Cuantificar el componente de error con una matriz de confusin

Los modelos de nicho ecolgico Evaluacin y validacin del modelo Metodologa para la evaluacin de los errores: ndice de Kappa de Cohen

Kappa (ver Landis & Koch 1977 Biometrics): 0 0.4: pobre 0.4 0.75: buena 0.75 1.0: excelente

MAXENT

Ejemplo de modelo de nicho ecolgico MaxEnt

MAXENT

Qu es MaxEnt? MaxEnt, un programa basado en una distribucin de Mxima Entropa para la modelizacin de la distribucin geogrfica de las especies. Qu hace MaxEnt? MaxEnt empieza ajustando los datos a partir de una distribucin uniforme, que va modificando hasta una distribucin de mxima entropa. El modelo se basa en ajustar los parmetros de la distribucin final. Qu necesitamos? 1) conjunto de localidades (puntos) donde se sabe que la especie est presente 2) coberturas geogrficas: parmetros ambientales que pueden, potencialmente, limitar la capacidad de supervivencia de la especie.

MAXENT

Ventajas de MaxEnt (Steven Phillips, Miro Dudik & Rob Schapire) Datos ambientales continuos y categricos (trabaja con la frecuencia de aparicin) Resultado continuo Comportamiento determinista (repetible) Capacidad interpretativa en dimensiones ecolgicas (curvas de respuesta) Rpido Exacto (se ajusta a los datos)

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

Formato ascii raster grid

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT

MAXENT Archivos de salida (resultados de MaxEnt): html

MAXENT Grfico 1: Muestra cmo las omisiones calculadas a partir de los puntos de entrenamiento y los de test, y el rea predicha como favorable varia segn el valor lmite cumulativo:

MAXENT Grfico 2: Curva operacional (curva ROC), para los 2 grupos de datos, el de test y el de entrenamiento, as como el rea debajo de la curva ROC (AUC).
La curva roja (entrenamiento) representa el ajuste del modelo a los datos de muestreo. La curva azul (test) indica el grado de ajuste del modelo a los datos de test, supone el test real del poder predictivo del modelo. La lnea turquesa representa la lnea esperada si el modelo no fuese mejor que por azar. Si la curva azul (test) cae por debajo de la lnea tuquesa, indica que el modelo es peor que si se hubiese hecho al azar. Por el contrario cuanto ms se aproxime la curva azul a la esquina superior izquierda, mejor es el modelo para predecir las presencias de los datos de test.

MAXENT Si hay disponible un subconjunto de datos para el test, el programa calcula automticamente la significacin estadstica de la prediccin utilizando un test binomial de omisin.

MAXENT Qu variables importan ms? El programa asigna el incremento en el gain a las variables ambientales de las que depende la especie. Convirtiendo dichos valores a porcentajes, al final del proceso de modelado obtenemos la siguiente tabla:

MAXENT

MAXENT Qu variables importan ms? En cada vuelta del modelo se excluye una variable y se crea el modelo con las variables remanentes. Despus, se crea un modelo con cada una de las variables por separado. De forma adicional, se crea un modelo utilizando todas las variables, como en el caso normal de ejecutar MaxEnt.

MAXENT

MAXENT

MAXENT Cmo depende la prediccin de las variables? Curvas respuesta: se evala cada variable manteniendo el valor del resto fijo en su valor medio (cuidado con variables correlacionadas!!!)

MAXENT Cmo depende la prediccin de las variables? Contribucin marginal de cada variable por si sola al modelo (obviando el resto de variables)

MAXENT

Para quien tenga un poco de experiencia en programacin 1) Cuando las grids ambientales son muy grandes se puede utilizar el formato de datos SWD (sampleswithdata)

2) La modelizacin puede automatizarse con comandos de lnea (BATCH RUNNING) cuando se necesitan generar muchos modelos cambiando los parmetros

3) Los resultado de MaxEnt se pueden importar en otros softwares estadsticos para realizar anlisis adicionales (ejemplo: paquetes ROCR, vcdy bootde R)

Todo esto est explicado en el manual