ESPECIES FORESTALES - osinfor.gob.pe · 5.17 Apuleia mollaris (Ana caspi) 60 5.19 Hymenaea sp. (Azúcar huayo) 62 VI. CONCLUSIONES 64 VII. ANEXOS 65 VIII. REFERENCIAS BIBLIOGRÁFICAS

“Usemos responsablementenuestros bosques”

MO

DELA

MIE

NTO

esp

acia

l de

NIC

HOS

ECO

LÓGI

COS

para

la e

valu

ació

n de

pre

senc

ia d

e ES

PECI

ES F

ORE

STAL

ES M

ADER

ABLE

S en

la A

MAZ

ON

ÍA P

ERUA

NA

MODELAMIENTO espacial de NICHOS ECOLÓGICOS para la evaluación de presencia de ESPECIES FORESTALES MADERABLES en la AMAZONÍA PERUANA

Av. Javier Prado Oeste Nº 694 Magdalena del MarCentral: 615 7373

www.osinfor.gob.pe


OSINFOR en cumplimiento de sus funciones de supervisión y fiscalización de los recursos

forestales y de fauna silvestre, en títulos habilitantes otorgados por el estado a nivel nacional , georeferencia diversas especies forestales con fines de verificar su aprovechamiento; este árduo trabajo se almacena y gestiona mediante nuestro Sistema de Información Geográfica de supervisiones forestales y de fauna silvestre, permitiéndonos administrar un amplio registro de especies forestales distribuidos a nivel nacional.

Nuestro Sistema de Información Geográfica de supervisiones forestales, nos proporciona información crítica de la diversidad presente en determinadas áreas geográficas y se pueden usar para varios fines, como evaluar el estado actual de conservación de especies o priorizar áreas para su conservación.

El modelamiento espacial de nichos ecológicos para la evaluación de presencia de especies forestales, nos indica la idoneidad del ambiente para el desarrollo de poblaciones de una especie, calculada a partir de observaciones de campo y una serie de variables bioclimáticas que actúan como predictores; esto nos permite mejorar significativamente la comprensión y el monitoreo de la biodiversidad puesto que los resultados obtenidos de los análisis permiten formular estrategias de intervención mejor enfocadas e implementarlas de manera más efectiva.

En la presente publicación, se realiza el modelamiento de 18 especies forestales de alto valor comercial de las regiones amazónicas del Perú, con la finalidad de evaluar su distribución y probabilidad de presencia en base al nicho ecológico determinado por sus variables bioclimáticas.

Esta publicación se emite con la finalidad de ampliar el conocimiento de nuestra amazonia, para promover su conservación y aprovechamiento sostenible zonificando su potencial maderable.

Rolando Navarro GómezPresidente Ejecutivo (e)

OSINFOR

CARTA DEL PRESIDENTEEJECUTIVO

CRÉDITOS

SERIE TÉCNICA

Nº 4

Alta DirecciónRolando Navarro Gómez Presidente Ejecutivo (e)

Máximo Salazar Rojas Secretario General (e)

Direcciones de LíneaEmilio Alvarez Romero Director (e) de la Dirección de Supervisión de Concesiones

Forestales y de Fauna Silvestre

Danny Oswald Peñaloza Macha Director (e) de la Dirección de Supervisión de Permisos y Autorizaciones Forestales y de Fauna Silvestre

RevisiónIldefonzo Riquelme Ciriaco Sub Director (e) de la Sub Dirección de Supervisión de

Concesiones Forestales y de Fauna Silvestre

David Blas Jaimes Sub Director (e) de la Sub Dirección de Supervisión de Permisos y Autorizaciones Forestales y de Fauna Silvestre

Equipo TécnicoCarlos Rafael Candia Dipaz Especialista SIG - DSCFFS

Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS

Registro de proyecto editorial:

1ra EdiciónTiraje: 1000 ejemplares

Impresión:Punto & Grafía S.A.C.Av. Del Río 113, Pueblo Libre, Lima - PerúTélef: 332-2328

Hecho el Depósito Legal en la Biblioteca Nacional del Perú N° 2013-08963

ÍNDICE

RESUMENI. INTRODUCCIÓN 7

II. OBJETIVOS 8 2.1 ObjetivosGenerales 2.2 ObjetivosEspecíficos

III. MARCOCONCEPTUAL 9

IV. ACTIVIDADES 21 4.1 DescripcióndelÁreadeEstudio 21 4.2 DescripcióndelMaterialUtilizado 22 4.3Metodología 22

V. RESULTADOS 28 5.1 Calycophyllum spruceanum(Capirona) 28 5.2 Virola sp.(Cumala) 30 5.3 Cedrelinga catenaeformis(Tornillo) 32 5.4 Dipteryx micrantha(Shihuahuaco) 34 5.5 Cedrela odorata(Cedro) 36 5.6 Chorisia integrifolia(Lupuna) 38 5.7 Copaifera sp.(Copaiba) 40 5.8 Hura crepitans(Catahua) 42 5.9 Aniba sp.(Moena) 44 5.10 Myroxylon balsamun(Estoraque) 46 5.11 Manilkara bidentata(Quinilla) 48 5.12 Amburana cearensis (Ishpingo) 50 5.13 Schizolobium sp.(Pashaco) 52 5.14 Simarouba amara(Marupa) 54 5.15 Brosimum sp.(Manchinga) 56 5.16 Swietenia macrophylla(Caoba) 58 5.17 Apuleia mollaris(Anacaspi) 60 5.19 Hymenaea sp.(Azúcarhuayo) 62

VI. CONCLUSIONES 64

VII. ANEXOS 65

VIII. REFERENCIASBIBLIOGRÁFICAS 77

6

ORGANISMO DE SUPERVISIÓN DE LOS RECURSOS FORESTALES Y DE FAUNA SILVESTRE - OSINFOR

MODELAMIENTO ESPACIAL DE NICHOS ECOLÓGICOS PARA LA EVALUACIÓN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONÍA PERUANA

ABSTRACT

Being OSINFOR the national organization responsible for supervising and monitoring the sustainable use, conservation of forest resources and wildlife and environmental services from the peruvian forest in Authorization Certificates granted by the state through various forms of utilization (concessions, permits and authorizations).

In that sense, there are mechanisms to collect and record information at the level of each individual in a representative sample, except cedar (Cedrela odorata) and mahogany (Swietenia macrophylla), they are fully supervised; all of them associated with a geographic and maintaining of the proper zone, datum and system planar coordinate.

Also, environmental conditions, soil physical and chemical properties generate restrictions on the presence and development of an individual (flowering, emergence, maturation, leaf drop and dormancy in fauna’s case). Besides, we can`t forget to mention the desire of society to exploit natural resources without letting recover naturally, in order to avoid that it’s important to make a study of forest complementary. For modeling of ecological niches, it is necessary work in geographic coordinates (latitude and longitude), because free software used have that kind of restriction (DIVA GIS, MaxEnt).

The data used by the Missouri Botanical Garden allows us to visualize the location in map by coordinates (latitude - longitude) of collection by species in Google Earth KML format. After that, the information must be processed in ArcGIS platform. v10 using the application Data Interoperability and migrate from KML to shapefile format, with that way, we will have all the information standardized in the same format.

Using WorldClim data allows us to collect 19 bioclimatic variables (temperature and precipitation) that are directly related to the physiological aspects of growth of the species.

Finally, we will model the geographical distribution of species, using only data from sites of species presence and they bioclimatic variables. All associated to a statistical model based on the Maximum Entropy principle.

MODELAMIENTO ESPACIAL DE NICHOS ECOLOGICOS PARA LA EVALUACION DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONÍA PERUANA

RESUMEN

Siendo el OSINFOR el encargado a nivel nacional, de supervisar y fiscalizar el aprovechamiento sostenible, la conservación de los recursos forestales y de fauna silvestre, así como de los servicios ambientales provenientes del bosque en Títulos Habilitantes otorgados por el Estado a través de diversas modalidades de aprovechamiento (concesiones, permisos y autorizaciones).

Es necesario desarrollar insumos y herramientas que complementen adecuadamente los mecanismos de recopilación y registro de información a nivel de cada individuo en una muestra representativa o como en el caso del cedro y la caoba que son supervisados en su totalidad; todo ello asociado a un ámbito geográfico y manteniendo el adecuado huso, datum y sistema de coordenadas planas. Para el modelamiento de nichos ecológicos, es necesario que nuestra cartografía se encuentre en coordenadas geográficas (latitud y longitud), puesto que los software libres utilizados tienen esa restricción (DIVA GIS, MaxEnt).

Asimismo, este modelamiento nos permite visualizar la localización mediante coordenadas geográficas (latitud - longitud) de las colectas por especie o en todo caso en formato KML de Google Earth.

La información recopilada de diferentes fuentes como en el caso del Missouri Botanical Garden, deberá ser procesado en la plataforma ArcGIS v. 10 utilizando la aplicación Data Interoperability y migrar el formato KML a shapefile y así tener toda la información estandarizada y depurada.

Adicionalmente, se utilizó información de la Base de Datos Mundial WorldClim descargada a través de su página web en formato rasterizado *.gri. Se recopiló en total 19 variables bioclimáticas (Temperatura y Precipitación) que están relacionadas directamente con los aspectos fisiológicos del crecimiento de la especie y no tienen en cuenta el momento en el que ocurrió un estado específico, es decir, no importa si el mes más caliente fue julio (hemisferio norte) o enero (hemisferio sur).

El proceso del modelamiento se apoya en la plataforma MaxEnt y como se mencionó anteriormente, MaxEnt es un programa que modela la distribución geográfica de las especies, utilizando como datos sólo los sitios de presencia y las variables bioclimáticas asociadas a cada de ellos; respaldados en un modelo estadístico basado en el principio de Máxima entropía.

7



I. INTRODUCCIÓN Si bien es cierto que la composición de nuestros bosques resulta ser tan complejo y heterogéneo; su distribución obedece a factores físico-ambientales que restringen, estableciendo límites naturales, su presencia en nuestro territorio.

Es así, que el comportamiento de ciertas especies con respecto a otras podrían parecer casi sin sentido, pero que en realidad siguen un orden natural de adaptabilidad en escenarios tan dinámicos y tan variables a la vez.

Esta investigación pretende generar espacios de debate y aportes, con un único fin de desarrollar políticas y fomentar la toma de decisiones que busquen conservar y aprovechar adecuadamente nuestros recursos naturales; para ello es necesario formular estrategias de intervención que generen presencia del Estado.

Entendemos que a este nivel de investigación, generamos insumos para hacer frente al Cambio Climático, si bien es cierto, en estos últimos años las condiciones ambientales han ido cambiando, esto ha repercutido directamente en los seres bióticos y abióticos. En lo biótico, el comportamiento, desarrollo, adaptabilidad y permanencia en el tiempo, ha sido totalmente alterado, condenando en un tiempo no muy lejano a su extinción. Mientras que en lo abiótico, la meteorización, erosión y degradación sobre el relieve o sustrato en el cual se desarrollan las especies, sufrirá modificaciones en su morfología y composición físico - químico.

Es evidente que el cambio climático ha incidido en la variación del volumen de precipitaciones y de diferentes fluctuaciones de temperaturas a nivel mundial, por ello, es necesario incidir en la protección y uso racional de nuestros recursos naturales, puesto que así aseguramos entre otros beneficios, la captura y almacenamiento de CO2, la permanencia de una gran farmacia natural y con ello, la continuidad de la vida en el planeta.

I. INTRODUCTIONWhile it is true that our forests composition is complex and heterogeneous, its distribution follows physical and environmental factors that restrict its presence in our territory within natural limits.

Thus the behavior of some species in relation with others follow a natural order of adaptability in dynamic scenarios such as variable at a time.

The main idea of this research is to promote the debate in order to develop policies and take decisions to preserve and exploit our natural resources adequately, for this is necessary to formulate intervention strategies that generate a government presence.

We understand that this level of research generates tools to against world climate change, although, in this last years the environmental conditions have been changed, they have been affecting biotic and abiotic beings directly. In the biotic beings, the behavior, development, adaptability and persistence over time, have been completely altered, putting some of them endangered. While in the abiotic beings, the weathering and erosion, degradation of the relief or substrate in which some species develop, suffer modification in morphology and physical - Chemical composition.

Clearly world Climate Change has affected the amount of rainfall and temperature scales in the world, so it is necessary to focus on the protection and use our resources adequately, so that, we ensure the capture and storage of CO2, ensure permanence of a natural pharmacy and life, among other benefits.

8



II. OBJETIVOS2.1. OBJETIVO GENERAL

• Modelar los nichos ecológicos de especies forestales para evaluar su presencia y distribución espacial en la amazonía peruana.

2.2. OBJETIVOS ESPECÍFICOS • Acondicionar cartográficamente el registro de especies forestales y de información climática.• Determinar la probabilidad de presencia de una especie en condiciones óptimas.• Cuantificar el nivel de coincidencia de una especie frente a la probabilidad de presencia.

III. MARCO CONCEPTUAL 3.1. Nicho Ecológico

Joseph Grinnell:

Es la unidad de distribución final, en la que cada especie está condicionada por sus limitaciones instintivas y estructurales (1924) (“the ultimate distributional unit, within which each species is held by its structural and instinctive limitations”(1924)”).

Es decir, cada especie tiene sus características fisiológicas, morfológicas y de comportamiento, lo que hace posible que ocupen determinados espacios ofrecidos por la naturaleza (el nicho es una característica del medio no de los organismos). Bajo este concepto, existen nichos vacios, vacantes y la exclusión competitiva es la interacción principal, donde no existe un balance y una especie homóloga ecológicamente puede desplazar a la otra.

Los organismos que son equivalentes ecológicos son parte del “sustento” de este concepto. Pues al existir nichos similares en distintos lugares, estos son ocupados por organismos también similares en características morfológicas, fisiológicas y conductuales.

Charles Elton:“El nicho describe el estatus de un animal en su comunidad, indicando que hace y no solamente como se ve”

“El nicho de un animal es el lugar que ocupa en el ambiente biótico y su relación con la comida y sus enemigos (naturales)”.

Pone énfasis en la función de una especie dentro de una cadena alimenticia (carnívoros, herbívoros), mientras que las condiciones abióticas no son tomadas en cuenta. Nuevamente bajo este concepto de la comunidad biótica no de los organismos en sí. Por lo que el nicho en teoría no está restringido a una especie. Por tanto, los organismos relacionados como equivalentes ecológicos serían un indicio de nichos similares, aunque las comunidades estuvieran en lugares muy alejados.

Según G. Evelyn Hutchinson:El termino nicho se define como la suma de todos los factores que actúan en un organismo; así el nicho se define como un hyperespacio n-dimensional” (1944). Las variables pueden ser físicas o biológicas. Conceptos clave de Nicho EcológicoNicho fundamental: Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.

Nicho realizado/efectivo (realized): Es un subconjunto del nicho fundamental en el cual las especies están restringidas debido a sus interacciones interespecíficas. De manera menos compleja, es el espacio ecológico y geográfico donde la especie vive. Para Soberón y Nakamura (2009), este concepto tiene una leve pero fundamental diferencia: “el Nicho realizado (RN) es la parte del nicho Potencial que las especies realmente usarían, después de tomar en cuenta los efectos de competidores y depredadores”.

9



Bajo este modelo el nicho ecológico comprende:1- Una propiedad de la especie y no del medio ambiente.2- Un espacio que evoluciona.3- Su estructura se constituye por el desempeño de una especie medido en términos de adecuación.

Figura Nº 1: Espacio Ecológico

Precipitación

Temperatura

Espacio ecológico

PPTMAX

PPTMIN

TMIN TMAX

Conceptos clave de Nicho Ecológico

Nicho fundamental: Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.

Nicho realizado/efectivo (realized):

Es un subconjunto del nicho fundamental en el cual las especies están restringidas debido a sus interacciones interespecíficas. De manera menos compleja, es el espacio ecológico y geográfico donde la especie vive. Para Soberón y Nakamura (2009), este concepto tiene una leve pero fundamental diferencia: “el Nicho realizado (RN) es la parte del nicho Potencial que las especies realmente usarían, después de tomar en cuenta los efectos de competidores y depredadores”.

Bajo este modelo el nicho ecológico comprende:

1- Una propiedad de la especie y no del medio ambiente.2- Un espacio que evoluciona.3- Su estructura se constituye por el desempeño de una especie medido en términos de adecuación.

Figura Nº 2: Esquema de Nicho Fundamental

Temperatura

Nicho fundamental

Nichorealizado

10



Figura Nº 3: Nicho Ecológico

Críticas al concepto de Nicho (enumeradas por Martínez-Meyer)• Falta de una adecuada hipótesis nula y rigor estadístico• La competencia no es necesariamente el proceso clave en ecología (complementando esto, creo que en

general es difícil demostrar competencia realmente pero esto es algo que los demógrafos saben mejor).• Uso ambiguo y confuso del término nicho.

Otros conceptos importantes:Amplitud de nicho (Niche breath): La variedad de recursos (hábitats) utilizados por la especie.Partición de nicho (Niche partitioning): El grado de uso diferencial de las especies para que coexistan.Solapamiento de nicho (Niche overlap): El uso mutuo de recursos por diferentes especies.Ensamble de nicho (Niche assembly): Colonización y organización de las especies en un Nuevo o abandonado nicho.

Un concepto reformulado de nicho:Chase and Leibold (2003): “El nicho de una especie es la descripción del conjunto de condiciones ambientales que permiten satisfacer sus requisitos mínimos de dicha especie, para que la tasa de natalidad de la población local sea mayor ó igual que su tasa de mortalidad, junto con el conjunto de impactos per cápita de esa especie en estas condiciones ambientales.”

Modelado de Nicho EcológicoDesde la década de los ochentas, los australianos comenzaron con la modelación “bioclimática” para estudios entomológicos (Climex). Luego desarrollaron la base de datos Bioclim, DOMAIN y posteriormente GARP. Hoy en día existen cerca de 15 métodos para modelado de nicho, la mayoría de ellos de acceso libre.

El modelado del nicho ecológico, es un instrumento que nos permite analizar los factores ecológicos asociados a distintas poblaciones de determinada especie y que la influyen en distintos grados y modos, información que analizada por distintos tipos de algoritmos nos posibilita proyectar a nivel geográfico o el área potencial que ocupa la especie. Para Soberon y Nakamura (2009), el propósito del modelado del nicho ecológico o de los modelados de distribución de especies y del modelado de hábitat son el mismo: identificar los sitios adecuados para la supervivencia de las poblaciones de una especie por medio de la identificación de sus requerimientos ambientales.

En el sentido estricto lo que estamos modelando es el nicho efectivo o realizado (Grinelleano. sensu J. Soberón) y el resultado del análisis nos indica con cierto valor de probabilidad y error estadístico asociado, el espacio geográfico que es propicio para una especie, por lo que las especies no podrían estar en el espacio predicho, ya sea por efecto de:a) Interacciones bióticas con otros organismos (competencia, depredación, escases de alimento).b) Dificultad para dispersarse en esos lugares (por tiempo o barreras geográficas y ecológicas).c) Ha sido removida o se ha extinguido.

11



Aunque aún hay ciertos problemas teóricos que ponen a debate que es lo que realmente se está modelando (“no es una exageración decir que no existe un consenso acerca de los diferentes métodos de modelamiento” Soberon y Nakamura, 2009).

Figura Nº 4: Modelado de Nichos Ecológicos y distribuciones geográficas

De lo anterior se deriva que:1. Las especies responden a reglas ecológicas que determinan su distribución en el espacio geográfico (en el

modelado analizamos la interacción entre el espacio ecológico y el geográfico).

2. Estas reglas ecológicas son independientes del espacio geográfico, por lo que la especie puede ser predicha en lugares donde nunca ha sido registrada (nicho potencial). Esto es importante ya que este aspecto nos puede llevar a encontrar espacios geográficos en donde existen especies nuevas, que suelen ser especies hermanas de la que ha sido modelada (ver Raxworthy et al. 2003 para un ejemplo con especies de camaleones de Madagascar), lo que nos indica que el nicho ecológico tiende a ser evolutivamente estable (conservadurismo del nicho).

3. Del párrafo anterior también se deriva que cada punto geográfico se corresponde con sólo un punto en el espacio ecológico, pero cada punto en el espacio ecológico se puede corresponder con más de un punto en el espacio geográfico.

Como hemos mencionado, existen factores que influyen en la distribución de las especies que en forma general son: la cantidad de calor (temperatura), disponibilidad de agua y topografía, y de forma más particular pueden ser: tipos de suelo, evapotranspiración, horas de luz, días con temperaturas bajo cero, etc. Las distintas mediciones

12



de estos factores, registrados por un cierto tiempo en todo el mundo, se han estandarizado para formar capas bioclimáticas. Estas capas nos permitirán analizar el espacio ecológico de las especies, ya que se pueden obtener los valores biocIimáticos correspondientes a cada dato donde hay presencia de alguna especie de interés y usarlo como insumo de un algoritmo de modelación que nos permitirá obtener el modelo de nicho ecológico correspondiente a cada caso.

La modelación de nichos ecológicos aún es un área en desarrollo, que nos permitirá resolver distintas preguntas biológicas y generar hipótesis de distribución de especies bajo distintos escenarios geográficos y temporales, pero también tienen limitaciones, por ejemplo:1.- Limitaciones asociadas a la incertidumbre de las capas y envolturas bioclimáticas utilizadas (errores arrastrados

desde la toma de datos e incertidumbre asociada a la escala utilizada).2.- La incertidumbre asociada a los algoritmos utilizados.3.- Dificultad para modelar las distintas interacciones bióticas de las especies o su capacidad de dispersión.

Antes de continuar tenemos que apuntar otros conceptos importantes y que vale distinguir bien, ya que podrían ser fuente de confusión o debate:

Para J. Soberón. realmente se está trabajando con el nicho Grinelleano en la escala a la que normalmente se modelan los nichos ecológicos (celdas > 10° km2). Ejemplo: La resolución espacial de las capas bioclimáticas de Worldclim es de: 30 segundos (0.93x0.93 = 0.86 km2 en el ecuador: a 2.5, 5 y 10 minutos (18.6 x 18.6 = 344 km2 el ecuador).

En esta escala los factores bióticos propios de los nichos definidos por Elton, son menos relevantes que los factores abióticos, es decir, la señal está dominada por los factores abióticos y los factores bióticos actúan simplemente como ruido y se entiende que:a) Los procesos eltonianos (Nicho según Elton) son de muy alta resolución. Las variables consideradas en

este concepto (variables tróficas e interacciones ecológicas) como concentración de nutrientes, tamaño y distribución de la comida, presas, depredadores, competidores, densidad de mutualistas, etc; son variables altamente interactivas.

B) En la escala de modelado de nicho se utilizan las variables scenopoeticas (scenopoetic variable, sensu J. Soberón), que generalmente se entiende como elevación, orientación, geología y clima, que son poco interactivas. Puede existir una exclusión competitiva, pero esta no afecta al total de la población.

C) El nicho Grinelleano es multidimensional (forman un n-hiperespacio dimensional) en el espacio de las variables scenopoeticas.

3.2 Características y formatos de los distintos datos necesarios para poder utilizarlos en la modelación de nichos ecológicos.

GeoreferenciaciónAntes de abordar algunos de los programas más importantes para generación de modelos de nicho ecológico, es necesario indicar cómo es que los datos geográficos y bioclimáticos se manejan y procesan para poder ser ingresados a dichos programas.

La información sobre las colectas y poblaciones de distintas especies que nos interesa modelar tienen que contar con coordenadas geográficas, que nos permitan ubicarlas espacialmente y poder posteriormente relacionarlas con los datos medioambientales, ecológicos, geológicos, etc; recabados para el sitio o la región en donde se colectó la muestra. Actualmente, cada vez que se realiza una colecta es una regla tomar las coordenadas geográficas con GPS, sin embargo las colectas más antiguas sólo contenían el nombre de la localidad donde se realizó la colección y si tenemos suerte, se cita a cuantos kilómetros se encontraban del poblado o carretera más importante. Por lo que, si se requiere utilizar estos datos, es necesario determinar las coordenadas geográficas de los puntos de colecta, o sea georeferenciar el punto para obtener las coordenadas, que deben de estar en un formato decimal, que es el que la mayoría de los programas de modelado aceptan.

Este proceso se puede hacer de varias formas, la primera es localizando la localidad en cartas geográficas de la región y extrayendo directamente las coordenadas de las cartas, que por estar generalmente en formato de coordenadas geodésicas o geográficas (grados, minutos y segundos, con latitud referida desde el ecuador y longitud tomando como referencia el meridiano de Greenwich), se tienen que transformar a grados decimales:

13



Grados decimales = grados(.)+(min/60)+(seg/3600)

Estás coordenadas se tienen que referir con un signo positivo o negativo dependiendo de la región del mundo. Para lo longitud, la convención es poner un signo negativo a los puntos al oeste del meridiano de Greenwich y positivos los que están al este.

Asimismo, para la latitud todos los puntos al norte del ecuador geográfico se asignan con un valor positivo y todos al sur con un valor negativo, ejemplo:Centro de la Ciudad de México: Lat 19.4342. Long. -99.1386.

Generalmente no se marca el signo positivo ni los símbolos “N” (Norte) y “W” (Oeste), pues sólo se utilizan en coordenadas geográficas. En realidad este proceso es sencillo pero hay que tener cuidado ya que las coordenadas geográficas dependen del tipo de proyección utilizada y el Datum.

Las proyecciones cartográficas pueden ser cónicas o cilíndricas y se refieren a la forma en que la geografía real del globo terrestre se proyecta en un plano, es decir, cómo los distintos puntos sobre el área curva del planeta se corresponden o transforman a una relación ordenada en un plano (auxiliándonos de los meridianos y paralelos que forman una especie de malla).A muy grandes rasgos definimos estos dos grupos de proyecciones:

1. Cilíndricas. En la que toda la tierra se proyecta a un cilindro imaginario que la rodea y que después se abrirá para formar un plano. Ejem.: proyección de Miller, Peter y quizá la más usada Mercator (de las que se derivan las coordenadas UTM o Universal Transverse Mercator).

2. Cónicas. Que cómo indica el nombre se explican como conos que se ponen sobre la esfera terrestre y en donde se proyectarán los puntos, para luego abrir dicho cono en un plano. Ejem.: proyección de Lambert y proyección de Albert.

En cuanto al Datum o Datum de referencia, en nuestro caso indica a un punto de referencia sobre la superficie de la tierra, asociado a un modelo de su forma (elipsoide de referencia) y a partir del cual toman las coordenadas. El elipsoide de referencia es una aproximación teórica a la superficie terrestre, dado que la tierra no es una esfera o un elipse uniforme (no es un cuerpo regular), lo cual dificulta hacer distintos cálculos de tipo topográfico. Pero cómo aún se tenían dificultades para adaptar los cálculos a distintas regiones o países del globo, se inventó el Datum para tratar de aproximar mejor las coordenadas a la “realidad” local de ciertas áreas. De lo cual se puede deducir que existen muchos Datums. Aunque los Datums más recientes tratan de abarcar mayores áreas. Por esta razón, una localidad en mapas con Datums diferentes también tiene coordenadas diferentes, esto debemos de tenerlo en cuenta si queremos transformar coordenadas de un tipo de proyección a otra.

Para Norteamérica, los Datums más comunes son el NAD27, NAD83 y el WGS84 y para Europa es el ETRS89. Sin embargo el Datum WGS84 (prácticamente igual al NAD83), es un Datum con referencia al centro de la tierra y valido para todo el globo, por lo que es el sistema de referencia mundial actual y el que manejan los dispositivos GPS por defecto. Sin embargo, siempre hay que tener cuidado al tomar las coordenadas con un dispositivo de estos, pues existe la posibilidad de tomar datos con distintos Datums y distintas proyecciones (ejemplo con coordenadas UTM) dando variaciones de cientos o miles de metros.

Volviendo a la georreferenciación, otra posibilidad es recurrir a las gacetas geográficas en red, que son bases de datos que contiene georreferenciadas cientos de localidades, a veces incluyendo datos como altitud y poblaciones cercanas. Estas gacetas pueden contener información de un solo país o tener datos a nivel mundial. Incluso herramientas como Google Earth, son útiles para la búsqueda y georreferenciación de localidades. Los gaceteros se pueden buscar en la red con el nombre de ‘Gazetters’, uno bastante útil para México y para otras partes del mundo es el Global Gazetter ver. 2.2 que se puede encontrar en:

http://www.fallingrain.com/world

También puede consultar la siguiente página de internet en donde se citan distintos recursos de georreferenciación, transformación de coordenadas y bases de datos:

http://www.herpnet.org/Gazetteer/GeorefResources.htm

14



3.3 Sistemas de Información geográfica - SIG

Una vez que contamos con nuestras localidades de colecta georeferenciadas, se ingresan en hojas de Microsoft Excel u otro tipo de programa para base de datos. El siguiente paso es transformar o guardar estos datos en formatos que puedan ser leídos por los programas de modelación de nicho. Esto se hace por medio de los Sistemas de Información geográfica (SIG):

“Un SIG es un sistema de hardware, software y procedimientos diseñados para auxiliar en la captura, administración, manipulación, análisis y presentación de datos u objetos referenciados espacialmente llamados comúnmente datos espaciales u objetos espaciales” (Harmon y Anderson. 2003).

Uno de estos programas es el ArcView que no es considerado propiamente un SIG por algunos autores, aunque sí lo es ArcGIS, un programa más grande con distintos módulos, incluido el ArcView.

ArcView es un programa desarrollado por ESRI (Enviromental Systems Research Institute) con sede principal en Estados Unidos. Con este programa se pueden representar datos georreferenciados y proyectarlos sobre mapas, hacer análisis básicos de las características y patrones de distribución de esos datos, generar y manipular mapas, unirlos, cortarlos etc; además de producir informes y tablas con los resultados de dichos análisis, transformar y guardar datos geográficos en múltiples formatos de salida, así como manejar las distintas capas bioclimáticas.

3.4 Tipos de datos manejados en un SIG

Básicamente un SIG maneja dos tipos de datos, los vectoriales y raster. El formato vectorial se compone de pares de coordenadas para cada objeto (vértices) con los que se construyen vectores. A su vez se tienen distintos formatos que son puntos (feature data, que son sólo un par de coordenadas), líneas y polígonos. Es decir representa a los objetos mediante puntos, líneas y polígonos.

Los formatos vectoriales pueden ser guardados en distintos tipos de archivos: DXF (autocad), CDR (corell draw) o SHP (Shapefile para ArcGIS). Un archivo Shapefile se compone por lo menos de tres archivos con las siguientes extensiones:

*.shp : Almacena los objetos vectoriales*.shx : Almacena la indexación del objeto vectorial*.dbf: Almacena los atributos del objeto vectorial

Puede contener otros archivos como *.prj usado por ArcGIS y que guarda la proyección cartográfica utilizada.

Ventajas de los modelos vectoriales:

1. Buena presentación y resolución.2. Menor tamaño y por tanto mayor velocidad en el procesamiento.3. Buen manejo de variables categóricas.

Desventajas de los modelos vectoriales:

1. Estructura de datos y programas de tratamiento complejos.2. Inadecuado para el manejo de variables continuas.3. Inexacto en el manejo de objetos bien definidos (problemas con curvas de nivel, isotermas, etc.).

Los datos tipo raster representan a los objetos mediante la estructuración del espacio en una rejilla compuesta de celdas cuadradas llamadas pixeles a los cuales se le añade un valor (nunca hay pixeles vacios, pueden ser transparentes o de valor cero). Los formatos tipo raster pueden ser:

1. Formatos de imagen (Imagen Data e Image Analyst Data) que son raster multibanda (se guardan en una matriz de valores) como *.png. *jpg (tiene tres bandas: rojo, verde y azul), *tif o *gif.

2. Grids (grids data) que tienen una sola banda:

15



a) Formato Arc/lnfo Binar/ Grids: Desarrollado por ESRI (al igual que el Ascii raster format) con extensión *.ADF consiste en grids binarios que se guardan en varios archivos en por lo menos dos directorios (el directorio nombre y el directorio info). Estos archivos son: el db, lb, nd.adf que contiene información de los límites de las porciones utilizadas del grid: el hdr.adf que es el que contiene el encabezado e información del tamaño y número de los “mosaicos” utilizados: el sta.adf que contiene información estadística del raster: vat.adf que tiene datos del valor de atributos en tablas; el prj.adf que tiene la proyección y su parámetro: el tic.adf con coordenadas; el w001001.adf que tiene los datos actuales del raster y el w001001x.adf que contiene un índice de los puntos de cada mosaico contenido en el archivo w001001.adf.

b) Ascii raster grid o simplemente Ascii (ESRI ASCII Raster Format): Es más bien sólo un formato para el almacenamiento e intercambio de la información entre distintos sistemas que utilizan rasters y su extensión es “.asc”.

Por lo cual podemos tener mapas en formato Arclnfo Binary Grids y Ascii raster grids. Extensiones como *.grd o *.gri son propias de otros programas de SIG y modelado como el DivaGis.

Ventajas de los modelos raster:

1. Procesos rápidos, fáciles de programar por su simplicidad lógica.2. Captura rápida de la información.3. Facilidad de análisis y simulación espacial.4. Representan bien a variables continuas y categóricas.5. Tecnología barata y es la que usan las imágenes satelitales y modelos de elevación.

Desventajas de los modelos raster:

1. Volumen muy grande de datos, por lo que necesitan gran cantidad de memoria RAM y espacio en disco duro.2. Menor resolución o inexactitud derivada del tamaño del pixel.

3.5 Principales algoritmos para modelado de nichos ecológicos

A continuación tocaremos dos de los algoritmos más utilizados para la modelación de nichos ecológicos y que han demostrado un buen desempeño y poder de predictibilidad y que utilizan sólo datos de muestreo eliminando los inconvenientes de los métodos de presencia-ausencia en especial para determinar con exactitud la no presencia de una especie en un área. Por tanto, otros tipos de algoritmos aún necesitan evaluarse más, pues la duda de lo que en verdad modelan es aún más grande que en los algoritmos que revisaremos, por ejemplo con BIOCLIM probablemente se esté modelando algo entre el nicho realizado y el nicho fundamental ( Soberón y Nakamura, 2009).

3.6 MaxEnt

La idea general de MaxEnt es estimar una probabilidad de distribución destino (objetivo, blanco), mediante el modelado de la distribución de probabilidad de máxima entropía (es decir, que es el más extendida, o más cercana a ser uniforme), sujeta a una serie de restricciones que representan nuestra información incompleta acerca de la distribución objetivo.

3.6.1 Definición de MaxEntEs un programa que modela la distribución geográfica de las especies, utilizando como datos sólo los sitios de presencia y las variables bioclimáticas asociadas a cada uno de esos puntos de presencia. Para modelar las distribuciones se basa en el principio de Máxima entropía.

Algunas ventajas de MaxEnt:1- Sólo requiere datos de presencia2- Puede utilizar datos continuos y categóricos3- Tiene Algoritmos (deterministas) eficientes que garantizan que se converja en la distribución de

probabilidades propia (máxima entropía).4- El sobre ajuste se evita.5- El resultado es continuo, permitiendo distinguir sutiles cambios en la adecuación (suitability)

modelada (para cada especie) en diferentes áreas.

16



3.6.2 Máxima EntropíaLa entropía en este contexto es un concepto derivado de la teoría de la información, que nos dice qué tan aleatorio es algo (por ejemplo, una línea de caracteres: werztxnknñlk u otro tipo de señal), o sea es una medida de la aleatoriedad. Es decir, en una señal o conjunto de datos, si todos sus elementos son equiprobables cuando aparecen, entonces la entropía es máxima.

Aplicando de manera práctica este concepto, se buscaría encontrar aquella distribución de probabilidades que maximice la entropía, dado ciertas restricciones que representan la información disponible (información incompleta) sobre el fenómeno o tema estudiado.

Para explicar mejor este concepto imaginemos que tenemos 3 cajas de manzanas. Estás cajas están cerradas pero contamos con la única información (información parcial) de que en total hay nueve manzanas en esas tres cajas:

a) ¿Cuál es la manera más probable en que estén distribuidas las manzanas? R= La distribución de máxima entropía es la más probable.

b) ¿Pero por qué?R= Según la fórmula de Shannon (1948) la entropía es S= ∑j nj ln(nj)Donde nj es igual al número de manzanas en las cajas. Por tanto la distribución de máxima entropía es (3,3,3).

Caja 1 Caja 2 Caja 3 Entropía

3 3 3 -9.9

1 5 3 -11.3

0 1 8 -16.6

Vemos que la mayor entropía corresponde a tener las tres cajas con tres manzanas cada una (distribución uniforme y la más probable).Se puede comprobar fácilmente estos resultados con una calculadora.

Pero podemos poner restricciones en la forma de organizar las manzanas, por ejemplo: Pedimos que además, la distribución sea de máxima entropía y cumpla con que el número de manzanas en la segunda caja sea de 5. Entonces tenemos:

Caja 1 Caja 2 Caja 3 Entropía

2 5 2 -10.8

1 5 3 -11.3

4 5 0 -13.6

La distribución que maximiza la entropía es la primera (2, 5, 2), que es una distribución más cercana a la distribución uniforme y la más probable bajo estas condiciones.

Ahora piense que en lugar de cajas tenemos pixeles (de un área de estudio) y en lugar de manzanas tenemos presencias de especies, y las restricciones son los valores empíricos promedio de las llamadas “características” de la información disponible; en este caso variables bioclimáticas. Es decir, los pixeles del area de estudio son el espacio de donde la probabilidad de distribución de MaxEnt es definida. Los pixeles con presencia de una especie (records) constituyen los puntos de muestreo y las características son las variables climáticas y ecológicas.

La información disponible sobre la distribución de los valores bioclimáticos asociados con la presencia de especies, se presenta como un conjunto de valores de variables reales, llamadas “características”, y las restricciones son; que el valor esperado para cada característica debe coincidir con su valor empírico promedio (valor promedio de un conjunto de puntos de muestreo tomado de la distribución objetivo o de destino).

Esta sería la forma más sencilla de tratar de entender el principio bajo el cual funciona MaxEnt. Claro que en realidad las cosas son un poco más complicadas como veremos a continuación.

De acuerdo a lo anterior, MaxEnt estima distribuciones que deben de estar de acuerdo con todo lo que se conoce (aunque sea de manera incompleta) de la información inferida de las condiciones ambientales de las

17



localidades de ocurrencia y evitar restricciones infundadas. MaxEnt entonces trata de encontrar la distribución de probabilidad de máxima entropía (cercana a la uniforme), sujeta a las limitaciones impuestas por la información disponible sobre la distribución observada de las especies y las condiciones ambientales en el área de estudio.

MaxEnt genera una distribución de probabilidades basado en las variables ambientales de toda el área de estudio. Si el área es muy grande (> 600.000 pixeles) se toma una muestra aleatoria de unos 100,000 pixeles “background” para representar las condiciones ambientales de la región.

Además del principio de máxima entropía, MaxEnt necesita de un algoritmo que le permita encontrar las distribuciones con mayor entropía. Este algoritmo (sequential update algorithm (Dudik et al. 2004). Utiliza iteraciones en donde va dando distintos pesos a las variables utilizadas y va ajustándolas. Es un algoritmo determinístico que según los autores y distintas pruebas empíricas garantiza que convergerá en la distribución de probabilidades MaxEnt. Al terminar el proceso de iteración MaxEnt asigna una probabilidad negativa a cada pixel del área total de estudio, que al final deben sumar 1, por lo que se aplica un valor de corrección para hacerlos positivos y que sumen entre todos 100%. Pero como cada pixel presenta valores muy pequeños. MaxEnt los presenta con un valor que es el resultado de la suma del valor de ese pixel y de todos los demás píxeles con un valor de probabilidad igual. Esos valores pueden ir de 0 a 100 e indican probabilidad de ocurrencia de la especie.

El programa se carga con variables o capas bioclimáticas en formato ASCII (se puede descargar de la página de WorldClim o ser generadas por el usuario) y con datos de presencia con nombre de la especie y coordenadas decimales guardados en archivos de formato CSV (disponible en Excel). Se pueden mantener los valores default como el umbral de convergencia = 10-5 e iteraciones de 500. Que empíricamente se han observado que funcionan bien, y que son conservativos pero que permiten al algoritmo llegar cerca de la convergencia, más adelante tocaremos el tema de los umbrales. El resultado son mapas de probabilidad de distribución en Ascii y una hoja de resultados en html con imágenes de los mismos mapas en (*.png) y una serie de datos estadísticos de validación. Los datos se cargan fácilmente por medio de una interfaz gráfica como la que se muestra a continuación (del manual MaxEnt):

Figura Nº 5: Interfaz Software Maxent

3.6.3 Umbral de decisión

Para decidir la validación de un modelo y su interpretación es deseable distinguir entre áreas adecuadas (para la especie) de las inadecuadas, para establecer un umbral de decisión, por arriba del cual el modelo resultante es considerado como una predicción de presencia. Para el caso de modelos de sólo presencia como MaxEnt, el umbral se puede encontrar de dos maneras:

1. Se escoge el valor de predicción más bajo asociado con algún record de presencia. Este será el umbral de presencia más bajo (LPT. por sus siglas en inglés). Y es un umbral conservativo.

18



2. La aproximación más liberal, consiste en aplicar un umbral fijo que refute sólo el 10% más bajo de los posibles valores predichos. Para MaxEnt se usa un umbral de 10 (T10). Estos umbrales se pueden escoger también de pruebas preliminares que den valores de LPT más altos que los umbrales fijados.

Después de que MaxEnt ha terminado sus búsquedas, tiene la posibilidad de hacer algunas pruebas estadísticas para determinar la validez estadística de los modelos encontrados. Asimismo muestra que variables son las que han influenciado más o son las más importantes para el modelo determinado. Estás últimas pruebas están suficientemente explicadas en el manual de MaxEnt.

Prueba de Jackknife (Jackknife model testing)Para esta prueba se excluyen las localidades observadas una en cada caso (o corrida). Para cada predicción un umbral se aplica basado en localidades de entrenamiento (I) y se prueba la habilidad de predecir las localidades excluidas. Entonces se calcula un valor de probabilidad P para cada especie a través del set de todas las predicciones de jackknife. También por medio de un procedimiento de Jackknife se hace un análisis en MaxEnt para estimar que variables son más importantes para la presencia de la especie.

(l): subconjunto de puntos que sí se utilizarán en el análisis, pero que sirven para comenzar a entrenar o calentar el modelo iterativo. No confundir con los puntos de prueba que se utilizan para validar el modelo al compararlos con los de entrenamiento.

3.6.4 Curvas de omisión (Omission)Antes tenemos que hablar de los tipos de errores que hay en las predicciones y en los algoritmos de datos de sólo presencia

Matriz de confusión Presente Ausente

Predicho como presente a b

Predicho como ausente c d

Entonces a y d son predicciones correctas, pero:b = Es un falso positivo o una sobrepredicción. Llamado error de comisión (commission error).c = Es un falso negativo o subpredicción. Llamado error de omisión (ommission error).

MaxEnt presenta una curva de omisión de datos de prueba (un 25% de puntos aleatorios) contra omisión de datos de entrenamiento. En estás gráficas se observa cómo el área predicha varía con la elección de un umbral acumulativo. Se busca que la omisión de prueba se ajuste a la omisión de entrenamiento.

Grafico Nº 1: Curva de omisión

19



3.6.5 Curvas ROC (Receiver operating caracteristic analysis)Este tipo de pruebas fueron implementadas por operadores de radar durante la segunda Guerra mundial, pero han sido trasportadas a muchas áreas en donde es necesario caracterizar el rendimiento de un modelo y tomar decisiones. La curva ROC, caracteriza el rendimiento de un modelo en todos los posibles umbrales simplemente con un número: el área bajo la curva o AUC. Las curvas nos permiten comparar también el rendimiento entre distintos tratamientos y algoritmos (se han comparado modelos de MaxEnt y otros con esta aproximación, resultando mejor MaxEnt en la mayoría de las pruebas). Su utilización primaria fue la de encontrar el punto de corte óptimo y son curvas en las que se presenta la sensibilidad (omisión cero = 100% de sensibilidad) en función de los falsos positivos (error de comisión) para distintos puntos de corte (umbrales). Como ya se mencionó, un parámetro para evaluar la bondad de la prueba es el área bajo la curva que toma valores entre 1 (prueba perfecta) y 0.5 (prueba inútil). Esta área puede interpretarse como la probabilidad de que ante un par de puntos, uno con presencia y otro sin presencia (de la especie), la prueba los califique correctamente.

En la curva ROC vemos graneados los puntos de prueba y los de entrenamiento. Si los datos de entrenamiento ajustan bien al modelo (p> 0.9), se estará indicando la capacidad del modelo para predecir. Si los datos de prueba son menores (p <= 0.5) y están debajo de la línea diagonal, se indica que el modelo es peor que un modelo aleatorio (no es mejor que el azar). Idealmente se busca que las curvas estén en el extremo superior izquierdo lo que indica que no hay ningún error de omisión o 100% de sensibilidad y ningún error de comisión o 100% de especificidad.

Grafico Nº 2: Curva ROC

3.6.6 Pruebas de Solapamiento de NichoDesde hace algunos años ha ido en aumento el debate entre distintos investigadores sobre si las especies filogenéticamente cercanas son ecológicamente similares a lo que se le conoce como Conservadurismo Filogenético del Nicho (CFN). Algunos autores como Peterson et al (1999) concluyen de sus trabajos que la especiación se da en primera instancia en un contexto geográfico y no en uno ecológico, y el cambio y las diferencias ecológicas evolucionarán posteriormente. Graham et al. (2004) con datos de dendrobátidos sugieren que el medioambiente tiene una gran importancia en la divergencia de las especies. Incluso algunos investigadores han sugerido que el CFN prácticamente es un fenómeno inevitable en la evolución de las especies, sin embargo Losos (2008) concluye que para muchos clados algunos caracteres ecológicos no presentan un CFN. Además el autor hace hincapié en distinguir la señal filogenética del CFN. La primera se refiere a que las diferencias o similitudes en el nicho ecológico entre especies hermanas son un efecto sólo de sus relaciones filogenéticas, y el CFN se refiere más bien a que las especies pueden tener mayores similitudes ecológicas que las esperadas sólo por sus relaciones filogenéticas. Esto último indicaría que algún proceso está restringiendo la divergencia entre especies filogenéticamente cercanas.

Asimismo, algunos autores han tratado de desarrollar métodos para medir que tan parecidos son los nichos entre especies y tratar de probar hipótesis acerca del CFN, por ejemplo Peterson et al (1999) que desarrollan una prueba de similitud de nicho.

20



Recientemente Warren et al. (2008), desarrollaron una serie de pruebas para cuantificar la similitud del nicho ecológico y comparar la equivalencia contra el conservadurismo del nicho. Pensamos que estás pruebas tienen un buen potencial para el estudio de la cuestión del CFN. además de que los autores han implementado un programa que entre otras pruebas realiza las pruebas de similitud y equivalencia de nicho, que nos interesan.

La similitud de nicho se refiere a cómo el modelo de nicho ecológico de una especie predice a otra especie mejor de lo que se esperaría por azar bajo un modelo nulo específico. La equivalencia de nicho se refiere a si dos modelos de nicho de distintas especies son indistinguibles uno del otro. Sin embargo, estas dos definiciones sólo califican a dos casos extremos de uno continuo, ya que se espera que el grado de conservación de un nicho ecológico este situado en cualquier parte entre los dos extremos mencionados.Para evaluar la similitud y la equivalencia Warren et al. (2008) idearon dos medidas de solapamiento de nicho (D e I) que luego se someterían a distintas pruebas estadísticas para cuantificar la similitud y la equivalencia de nicho. El primer índice llamado (D) deriva del antiguo índice de Schoener utilizado en la Ecología para cuantificar solapamiento de nicho alimenticio y microhábitat. El segundo índice llamado (I), deriva de la distancia de Hellinger (H) y no deriva de supuestos biológicos sino solamente se basa en la comparación de distribuciones de probabilidad. Ambos índices pueden tomar un valor de 0 que indica no solapamiento hasta 1 que indica que los modelos son idénticos.

Sin embargo las complicaciones con las pruebas de similitud y equivalencia derivan de la parte práctica de su ejecución y un poco menos de los supuestos que las sustentan.

3.7 Ventajas de usar modelos

Permiten la integración de múltiples variables complejas en un marco definido y comparable con otros.

La creación de modelos requiere la formación de grupos interdisciplinarios que trabajen coordinadamente. En este sentido, los modelos son una buena excusa para trabajar en equipo.

La simulación es un proceso rápido y barato de investigación. Esto es especialmente cierto cuando los requerimientos económicos no permiten una fase intensa de captura de información para resolver un problema determinado.

Gracias a los modelos se puede simular el transcurso de grandes periodos de tiempo en cuestión de segundos o minutos.

La creación de un modelo casi siempre acaba mejorando la comprensión del proceso modelado por parte de los autores.

Los modelos permiten un análisis del tipo “¿qué pasaría sí?”, lo que nos permite modificar ciertos parámetros del sistema modelado para evaluar los resultados en los distintos casos.

3.8 Desventajas de usar modelosLa interpretación de los resultados. Éstos han de ser analizados críticamente, teniendo en cuenta el proceso de modelización y la información tomada para ejecutarlo. El hecho de que los resultados salgan de un ordenador, no indican que sean inherentemente correctos.

Todos los modelos requieren una validación, con el objeto de aplicar correctamente sus resultados. El problema es que no hay una metodología estándar para realizar esta comprobación. En muchas ocasiones, los modelos requieren gran cantidad de datos difíciles de conseguir.

Por último, los generadores de modelos suelen caer en el error de que su modelo es el mejor. Cuando uno hace un modelo casi siempre se ajusta perfectamente a la realidad según el autor. Lo que ocurre en realidad es que el modelo se ajusta perfectamente a la percepción de la realidad que tiene su autor, y no necesariamente al mundo real en sí. Por esto se produce esta falsa (a veces) sensación de éxito.

21



IV. ACTIVIDADES

4.1 Descripción del Área de Estudio El área de estudio está relacionado con los ámbitos geográficos que cada Oficina Desconcentrada tiene asignado, cada una de ellas se encuentra delimitada basándose en criterios de límites departamentales, conectividad, acceso y optimización del uso del recurso.

Cada Oficina Desconcentrada interactúa con la sede central ubicada en la ciudad de Lima, permitiendo realizar estrategias de supervisión, fiscalización y sobretodo una adecuada administración de la información que se registra en cada trabajo de supervisión.

La unidad mínima de investigación es el POA (Plan Operativo Anual), PCA (Parcela de Corte Anual), PMCA (Plan de Manejo Complementario Anual), de Autorizaciones y Permisos forestales. Es en estas unidades en donde se evalúa una muestra representativa de individuos aprovechables generando un registro y localizados mediante un equipo GPS con coordenadas planas UTM (Universal transvesal Mercator). El siguiente cuadro se detalla el ámbito de acción para cada Oficina Desconcentrada del OSINFOR:

Cuadro Nº 1: Ambitos administrativos de oficinas desconcentradas OSINFOR

Nº Oficina DesconcentradaÁmbito Geográfico

Departamento Provincias

1 Atalaya Ucayali Atalaya (Todos los distritos excepto Yurúa)

2 Chiclayo

Ancash Todas

Cajamarca Todas

Huánuco Solo el distrito de Huacrachuco, de la provincia de Marañón

La Libertad Todas

Lambayeque Todas

Piura Todas

Tumbes Todas

3 Iquitos Loreto Todas, excepto las provincias de Ucayali, Alto Amazonas y Datem del Marañón.

4 La Merced

Junín Todas

Pasco Todas

Conjunto geográfico VRAEM Todo

5 Pucallpa

Huánuco Todas (excepto el distrito de Huacrachuco de la Provincia del Marañón)

Loreto Ucayali

Ucayali Todas Coronel Portillo, Padre Abad, Purús, y Atalaya (distrito Yurúa)

6 Puerto Maldonado Madre de Dios Todas

Cusco Todas

7 Tarapoto

Amazonas Todas

Loreto Alto Amazonas y Datem del Marañón

San Martín Todas

Fuente: R.P. Nº123-2012-OSINFOR del 13.11.2012.

22



4.2 Descripción del Material Utilizado

La cartografía digital utilizada en la elaboración del presente estudio es la que se detalla a continuación:

• Cartografía digital base: INEI: Limites políticos, centros poblados. IGN: Cartas nacionales 1/100 000. COFOPRI: Comunidades nativas, comunidades campesinas. IBC: Comunidades nativas. SERNANP: Áreas naturales protegidas, zonas de amortiguamiento, áreas de conservación regional.• Cartografía temática: OSINFOR: Individuos de especies forestales georeferenciadas. WorldClim: Variables Bioclimáticas • Software de Procesamiento Software de análisis espacial: ArcGIS v. 10.0 Maximum Entropy Species Distribution Modeling (MaxEnt) v. 3.3.3k DIVA GIS v. 7.5.0.0 Software GPS: Mapsource, Basecamp, DNRgarmin.• Equipos PC - Estaciones de trabajo. Plotter A0. Impresora A3. GPS navegador Garmin Map GSX60 - 62CS - 62SC.

4.3 Metodología

Tomando como premisa que el OSINFOR es el encargado a nivel nacional, de supervisar y fiscalizar el aprovechamiento sostenible de los recursos forestales y de fauna silvestre, así como de los servicios ambientales provenientes del bosque en Títulos Habilitantes otorgados por el Estado a través de diversas modalidades de aprovechamiento (concesiones, permisos y autorizaciones).

En ese sentido, existen mecanismos que permiten recopilar y registrar información a nivel de cada individuo en una muestra representativa a excepción del cedro y caoba que son supervisados en su totalidad; todo ello asociado a un ámbito geográfico y manteniendo el adecuado huso, datum y sistema de coordenadas planas.

Asimismo, las condiciones ambientales, generan restricciones en la presencia y desarrollo de un individuo (floración, aparición, maduración, caída de hojas y dormancia en el caso de fauna). A todo ello debemos agregar el afán de la sociedad de querer aprovechar desmedidamente el recurso sin dejarlo recuperarse de manera natural; claro está que debemos realizar un estudio complementario de aprovechamiento forestal para afianzar lo anteriormente mencionado.

4.3.1.- Acondicionamiento de cartografía digital base y temáticaLa cartografía digital base fue procesada con el software de análisis ArcGIS v10, en donde se identificó la geometría del objeto (línea, punto y polígono) a fin de enlazar de manera lógica sus atributos creando correspondencia y permitiéndo modelar la distribución espacial de la especie cuantíficándolo y enmarcándolo en un ámbito administrativo y geográfico.

Para el modelamiento de nichos ecológicos, es necesario que nuestra cartografía se encuentre en coordenadas geográficas (latitud y longitud), puesto que los software libres utilizados tienen esa restricción (DIVA GIS, MaxEnt).

En ese sentido, la información temática de individuos registrados por especie en los trabajos de supervisión tienen asignado la proyección Universal Transversal Mercator (UTM), referida a las zonas 17, 18, 19 con Datum horizontal WGS 84; los que deberán ser reproyectados al sistema de Grados en latitud y longitud a fin de estandarizarlos con la cartografía base.

El acondicionamiento de la información se realizó en su totalidad en formato shapefile migrado desde la Base de Datos Espacial OSINFOR (Feature class - Geodatabase). Para ello, se identificó sólo 20 especies

23



representativas para analizar su distribución y comportamiento.

En el siguiente cuadro se detalla la población por especie y cantidad de individuos aprovechables registrados en los trabajos de supervisión:

Cuadro Nº 2: Individuos Georeferenciados por el OSINFOR

OrdenEspecie

Nº IndividuosEspecie nombre común Especie nombre científico

1 Tornillo Cedrelinga catenaeformis 7525

2 Shihuahuaco Dipteryx micrantha 6900

3 Cedro Cedrela odorata 6297

4 Pashaco Schizolobium sp 4944

5 Moena Aniba sp 4188

6 Lupuna Chorisia integrifolia 4178

7 Cumala Virola sp 3359

8 Caoba Swietenia macrophylla 2208

9 Copaiba Copaifera sp 1748

10 Estoraque Myroxylon balsamun 1573

11 Azúcar huayo Hymenaea sp 1512

12 Capirona Calycophyllum spruceanum 1197

13 Ishpingo Amburana cearensis 1174

14 Manchinga Brosimum sp. 1157

15 Quinilla Manilkara bidentata 1039

16 Catahua Hura crepitans 842

17 Ana caspi Apuleia mollaris 797

18 Marupa Simarouba amara 407

TOTAL 51045

Fuente: Supervisiones OSINFOR 2009 - marzo 2013

4.3.2.- Acondicionamiento de cartografía temática Missouri Botanical GardenMissouri Botanical Garden comparte conocimientos de las plantas y su entorno con el fin de preservar y enriquecer la vida. Es así que ha generado una plataforma denominada “Trópicos ®” que fue creado originalmente para la investigación interna, pero desde entonces se ha puesto a disposición de la comunidad científica del mundo.

Todos los datos de nomenclatura, bibliografía y muestras acumuladas en las bases de datos electrónicas del MBG durante los últimos 25 años están a disposición del público. Este sistema cuenta con más de 1,2 millones de nombres científicos y 4.0 millones de registros de especímenes.

Ello nos permitirá complementar nuestros registros, validando la distribución espacial y su presencia. El acondicionamiento de la información obtenida de dicha web inicia con la descarga del reporte de la especie consultada en formato *.CSV el mismo que deberá ser migrado a una formato Excel para un adecuado manejo de la información.

Asimismo, nos permite visualizar la localización mediante coordenadas geográficas (latitud - longitud) de las colectas por especie en formato KML de Google Earth. El mismo que deberá ser procesado en la plataforma ArcGIS v. 10 utilizando la aplicación Data Interoperability y migrar el formato KML a shapefile y así tener toda la información estandarizada y en el mismo formato.

24



A continuación detallamos los individuos colectados por Missouri Botanical Garden:

Cuadro Nº 3: Individuos Colectados por MISSOURI BOTANICAL GARDEN (Anexo 1)

OrdenEspecie

Nº IndividuosEspecie nombre común Especie nombre científico

1 Ana caspi Apuleia molaris 1

2 Capirona Calycophyllum spruceanum 43

3 Cedro Cedrela odorata 42

4 Tornillo Cedrelinga cateniformis 43

5 Lupuna Chorisia integrifolia 10

6 Shihuahuaco Dipteryx micrantha 23

7 Catahua Hura crepitans 41

8 Quinilla Manilkara bidentata 10

9 Estoraque Myroxylon balsamum 55

10 Marupa Simarouba amara 54

11 Caoba Swietenia macrophylla 4

TOTAL 330

Fuente: Missouri Botanical Garden

4.3.3.- Acondicionamiento de información temática WorldClim - Global Climate DataWorldClim es un conjunto de capas temáticas del clima global (redes climáticas) con una resolución espacial de aproximadamente 1 kilómetro cuadrado. Los datos pueden ser utilizados para el mapeo y modelado espacial en un SIG o con otros programas de ordenador. Su registro data de una temporalidad y registro de 50 años.

WorldClim a través de su página web permite la descarga a nivel mundial de la información rasterizada en formato *.gri. Para lo cual recopilamos en total 19 variables bioclimáticas (Temperatura y Precipitación) que están relacionadas directamente con los aspectos fisiológicos del crecimiento de la especie y no tienen en cuenta el momento en el que ocurrió un estado específico, es decir, no importa si el mes más caliente fue julio (hemisferio norte) o enero (hemisferio sur). Algunas variables bioclimáticas incluyen parámetros de clima típicos y básicos (como BI01, temperatura media anual o BI012, precipitación anual), mientras que otras combinan temperatura y precipitación en una variable (como BI018, precipitación durante el trimestre más caliente). Otras tienen en cuenta aspectos de la estacionalidad (como BI04 para temperatura, BI015 para precipitación), que también pueden ser importantes para determinar la distribución de las especies.

En el siguiente cuadro, se detalla cada variable bioclimática acondicionada para nuestro territorio y que servirán para analizar el comportamiento de las 18 especies maderables.

25



Cuadro Nº 4: Variables Bioclimáticas

Orden Código Descripción

1 BI01 Temperatura promedio anual

2 BI02 Rango medio diurno (temp max - temp min; promedio mensual

3 BI03 Isotermalidad (BI01/BI07)* 100

4 BI04 Estacionalidad en temperatura (coeficiente de variación

5 BI05 Temperatura máxima del período más caliente

6 BI06 Temperatura mínima del período más frío

7 BI07 Rango anual de temperatura (BI05-BI06)

8 BI08 Temperatura media en el trimestre más lluvioso

9 BI09 Temperatura promedio en el trimestre más seco

10 BIO10 Temperatura promedio en el trimestre más caluroso

11 BI011 Temperatura promedio en el trimestre más frío

12 BI012 Precipitación anual

13 BI013 Precipitación en el período más lluvioso

14 BI014 Precipitación en el período más seco

15 BI015 Estacionalidad de la precipitación (Coeficiente de variación)

16 BI016 Precipitación en el trimestre más lluvioso

17 BI017 Precipitación en el trimestre más seco

18 BI018 Precipitación en el trimestre más caluroso

19 BI019 Precipitación en el trimestre más frío

Fuente: WorldClim - Global Climate Data

Como ha sido mencionado, la información es mundial asi es que debemos acondicionarlo a nuestra necesidades. Para lo cual utilizando la plataforma DIVA GIS se realiza un corte aproximado del área a estudiar que no necesariamente es el Perú si no que debemos ver la influencia que los países colindantes ejercen sobre la probabilidad de presencia de las especies evaluadas y establecer corredores biológicos.

Figura Nº 6: Interfaz Sofware DIVA-GIS

26



4.3.4.- Modelamiento de información temática WorldClim y distribución espacial de especies.Para el modelamiento y análisis de la información recopilada de WorldClim (Variables Bioclimáticas) y OSINFOR (Presencia de especies), nos apoyaremos en la plataforma MaxEnt y como se mencionó anteriormente, MaxEnt es un programa que modela la distribución geográfica de las especies, utilizando como datos sólo los sitios de presencia y las variables bioclimáticas asociadas a cada uno de esos puntos de presencia. Todo ello asociado a un modelo estadístico basado en el principio de Máxima entropía.

El proceso se detalla a través de un modelo conceptual el cual indica el ingreso de información, la integración, los software, el modelado y los resultados esperados tal como se indica a continuación:

Figura Nº 7: Equema conceptual del modelamiento

Presencia y distribuciónde especies forestales

Variables BioclimáticasIntegradas

Acondicionamiento cartográfico

Modelamiento de probabilidad de

presencia de especie forestal

VARIABLES BIOCLIMÁTICAS

BIO 1

BIO 2

BIO 3

BIO 4

BIO 17

BIO 18

Software MAXENTMaximum Entropy

Species Distribution

Modeling

Los datos de WorldClim han sido transformados de formato “*.gri” a formato “*.ascii” puesto que MaxEnt ha sido diseñado para modelar datos en dicho formato.

Figura Nº 8: Migración de formatos

27



En este nivel, la información temática de presencia de especies del OSINFOR, debe ser reproyectada a coordenadas geográficas (grados), estandarizándolos al sistema de coordenadas del WorldClim. La base tabular de la presencia de especies, es migrado a un formato *.CSV (delimitado por coma), el mismo que se fusionará en el modelamiento junto a las variables bioclimáticas en el entorno del MaxEnt.

Figura Nº 9: Base de datos conformada en DIVA-GIS

Figura Nº 10: Procesamiento de datos Software MAXENT

28



5.1 Calycophyllum spruceanum (Capirona)

Zona de vida: Bosque muy Húmedo Premontano Tropical (bmh-PT)Diagrama Bioclimático de Holdridge:

Biotemperatura media anual es 25.6º C. Promedio de precipitación total anual es de 4376 mm.

Relieve: Abrupto susceptible a la erosión, con suelos medianamente profundos a superficiales y ph ácido.

Zona de vida: bosque húmedo Tropical (bh-T)Diagrama Bioclimático de Holdridge:

Biotemperatura media anual de 25.5ºC a 26.5º C. Promedio de precipitación total anual de 3500 a 3800 mm.

Relieve: Dominantemente ondulado y colinado, con suelos profundos y ph ácido.

Individuos supervisados por el OSINFOR (2009 - marzo 2013)

V. RESULTADOS

Calycophyllum spruceanum (Capirona)

29



Calycophyllum spruceanum (Capirona)

Modelo de probabilidad de presencia de Capirona.Elaborado con el Software MaxEnt e información generada

por el OSINFOR

Del análisis realizado, podemos cuantificar en un escenario óptimo el nivel de coincidencia o probabilidad de presencia de los individuos aprovechables encontrados en campo, por hectáreas, número de individuos y a su vez calcularlo para un escenario actual en donde la deforestación ha disminuido la cobertura de bosque, los detalles se muestran en el cuadro siguiente:

Capirona

Rangoprobabilidad %

Área (ha)Nº IndividuosCondiciones

actualesCondiciones

óptimas

20 - 39 19,157,517.93 20,642,079.97 30

40 - 59 6,879,268.24 7,460,171.41 91

60 - 79 6,103,493.69 6,584,102.38 151

80 - 100 631,004.36 682,574.00 908

30



Virola sp (Cumala)

5.2 Virola sp (Cumala)

Zona de vida: Bosque Húmedo Tropical (bh-T) Diagrama Bioclimático de Holdridge:



Zona de vida: Bosque muy Húmedo Tropical (bmh-T) Diagrama Bioclimático de Holdridge:

Biotemperatura media anual de 22ºC a 24º C. Promedio de precipitación total anual de 4500 a 5500 mm.

Relieve: Dominantemente colinado hasta fuertemente disectada, con suelos profundos y ph ácido.


31



Virola sp (Cumala)

Modelo de probabilidad de presencia de CumalaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Cumala

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 17,889,286.93 19,244,748.65 80

40 - 59 15,136,516.97 16,703,204.19 881

60 - 79 5,259,995.36 5,803,211.04 2260

80 - 100 203,548.95 219,445.98 112

32



5.3 Cedrelinga catenaeformis (Tornillo)

Zona de vida: Bosque Húmedo – Subtropical (bh-S)Diagrama Bioclimático de Holdridge:

Biotemperatura media anual de 24ºC a 25.5º C. Promedio de precipitación total anual de 1800 a 2000 mm.

Relieve: Varía entre relieve ondulado y colinado dominantemente, con suelos profundos y ph ácido.

Zona de vida: Bosque Húmedo Tropical (bh-T)Diagrama Bioclimático de Holdridge:




Cedrelinga catenaeformis (Tornillo)

33



Modelo de probabilidad de presencia de TornilloElaborado con el Software MaxEnt e información generada

por el OSINFOR


Tornillo

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 18,233,058.14 20,108,093.16 831

40 - 59 14,016,858.05 15,290,461.78 2729

60 - 79 3,760,642.77 4,026,617.37 3824

80 - 100 6,040.80 6,303.68 11

Cedrelinga catenaeformis (Tornillo)

34



5.4 Dipteryx micrantha (Shihuahuaco)




Zona de vida: Bosque Húmedo Tropical (bh-T) Diagrama Bioclimático de Holdridge:




Dipteryx micrantha (Shihuahuaco)

35



Modelo de probabilidad de presencia de ShihuahuacoElaborado con el Software MaxEnt e información generada

por el OSINFOR


Shihuahuaco

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 10,050,206.92 10,524,387.91 214

40 - 59 6,566,511.55 7,157,714.90 1761

60 - 79 3,712,750.98 4,005,094.86 4686

80 - 100 1,698.14 2,111.03 13

Dipteryx micrantha (Shihuahuaco)

36



5.5 Cedrela odorata (Cedro)




Zona de vida: Bosque muy Húmedo Tropical (bmh-T)Diagrama Bioclimático de Holdridge:




Cedrela odorata (Cedro)

37



Modelo de probabilidad de presencia de CedroElaborado con el Software MaxEnt e información generada

por el OSINFOR


Cedro

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 14,481,734.16 15,321,756.16 496

40 - 59 8,637,617.70 9,006,667.56 3400

60 - 79 4,049,605.78 4,126,431.13 3802

80 - 100 18,903.61 19,006.92 29

Cedrela odorata (Cedro)

38



5.6 Chorisia integrifolia (Lupuna)




Zona de vida: bosque húmedo – Subtropical (bh-S)Diagrama Bioclimático de Holdridge:




Chorisia integrifolia (Lupuna)

39



Modelo de probabilidad de presencia de LupunaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Lupuna

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 16,762,760.51 17,462,707.25 289

40 - 59 10,436,925.94 11,171,081.65 1013

60 - 79 3,650,254.03 3,992,941.06 2626

80 - 100 13,163.56 16,880.96 106

Chorisia integrifolia (Lupuna)

40



5.7 Copaifera sp. (Copaiba)








Copaifera sp. (Copaiba)

41



Modelo de probabilidad de presencia de CopaibaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Copaiba

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 8,960,726.76 9,395,575.01 57

40 - 59 8,385,803.30 9,116,765.00 515

60 - 79 3,142,699.25 3,500,889.36 1111

80 - 100 22,977.54 37,981.03 9

Copaifera sp. (Copaiba)

42



5.8 Hura crepitans (Catahua)Zona de vida: Bosque Húmedo – Subtropical (bh-S)Diagrama Bioclimático de Holdridge:







Hura crepitans (Catahua)

43



Modelo de probabilidad de presencia de CatahuaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Catahua

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 8,908,897.06 9,554,489.50 29

40 - 59 6,806,454.18 7,224,346.67 142

60 - 79 2,893,572.24 3,049,362.11 441

80 - 100 155,790.59 178,260.78 175

Hura crepitans (Catahua)

44



5.9 Aniba sp. (Moena)Zona de vida: Bosque Húmedo – Subtropical (bh-S) Diagrama Bioclimático de Holdridge:







Aniba sp. (Moena)

45



Modelo de probabilidad de presencia de MoenaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Moena

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 23,940,743.09 26,380,376.15 439

40 - 59 10,021,847.23 11,378,424.18 503

60 - 79 2,700,163.08 2,933,070.88 3107

80 - 100 25,736.18 31,082.21 20

Aniba sp. (Moena)

46



5.10 Myroxylon balsamun (Estoraque)

Zona de vida: Bosque Búmedo Tropical (bh-T)Diagrama Bioclimático de Holdridge:


Relieve: Dominantemente ondulado y colinado, con suelos profundos y ph ácido

Zona de vida: Bosque húmedo – Subtropical (bh-S)Diagrama Bioclimático de Holdridge:

iotemperatura media anual de 24ºC a 25.5º C. Promedio de precipitación total anual de 1800 a 2000 mm.



Myroxylon balsamun (Estoraque)

47



Modelo de probabilidad de presencia de EstoraqueElaborado con el Software MaxEnt e información generada

por el OSINFOR


Estoraque

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 8,054,271.76 8,534,709.88 165

40 - 59 4,151,435.36 4,688,277.75 106

60 - 79 2,179,655.98 2,406,838.26 1134

80 - 100 54,951.40 76,020.10 145

Myroxylon balsamun (Estoraque)

48



5.11 Manilkara bidentata (Quinilla)

Zona de vida: Bosque Húmedo – Subtropical (bh-S) Diagrama Bioclimático de Holdridge:







Manilkara bidentata (Quinilla)

49



Modelo de probabilidad de presencia de QuinillaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Quinilla

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 16,309,435.32 17,092,246.30 147

40 - 59 6,564,768.16 7,231,376.51 197

60 - 79 3,043,504.34 3,235,200.60 265

80 - 100 310,251.31 336,771.22 348

Manilkara bidentata (Quinilla)

50



5.12 Amburana cearensis (Ishpingo)








Amburana cearensis (Ishpingo)

51



Modelo de probabilidad de presencia de IshpingoElaborado con el Software MaxEnt e información generada

por el OSINFOR


Ishpingo

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 7,310,738.44 7,745,542.72 108

40 - 59 2,859,211.42 3,093,471.59 124

60 - 79 1,299,927.68 1,366,754.40 920

80 - 100 0 0 0

Amburana cearensis (Ishpingo)

52



5.13 Schizolobium sp. (Pashaco)








Schizolobium sp. (Pashaco)

53



Modelo de probabilidad de presencia de PashacoElaborado con el Software MaxEnt e información generada

por el OSINFOR


Pashaco

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 8,082,807.86 8,944,899.53 150

40 - 59 4,151,762.32 4,585,683.56 346

60 - 79 1,449,953.73 1,555,092.54 4367

80 - 100 0 0 0

Schizolobium sp. (Pashaco)

54



5.14 Simarouba amara (Marupa)








Simarouba amara (Marupa)

55



Modelo de probabilidad de presencia de MarupaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Marupa

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 13,487,159.51 14,696,273.99 42

40 - 59 15,517,162.18 16,821,633.51 167

60 - 79 7,484,676.63 8,211,987.15 130

80 - 100 1,383,684.99 1,629,639.27 66

Simarouba amara (Marupa)

56



5.15 Brosimum sp. (Manchinga)



Relieve: Dominantemente ondulado y colinoso, con suelos profundos y ph ácido.



Relieve: Varía entre relieve ondulado y dominantemente colinoso, con suelos profundos y ph ácido.


Brosimum sp. (Manchinga)

57



Modelo de probabilidad de presencia de ManchingaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Manchinga

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 6,953,364.23 8,066,905.12 41

40 - 59 4,156,571.71 4,553,658.29 102

60 - 79 1,334,091.18 1,440,549.20 800

80 - 100 55,401.66 64,808.38 171

Brosimum sp. (Manchinga)

58



5.16 Swietenia macrophylla (Caoba)

Zona de vida: Bosque muy Húmedo Premontano Tropical (bmh-PT) Diagrama Bioclimático de Holdridge:

Biotemperatura media anual es 25.6º C. Promedio de precipi-tación total anual es de 4376 mm.

Relieve: Abrupto susceptible a la erosión, con suelos medianamente profundos a superficiales y ph ácido.



Relieve: Dominantemente ondulado y colinado, con suelos profundos y ph ácido


Swietenia macrophylla (Caoba)

59



Modelo de probabilidad de presencia de CaobaElaborado con el Software MaxEnt e información generada

por el OSINFOR


Caoba

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 6,238,194.80 6,410,363.98 63

40 - 59 1,497,054.03 1,562,081.92 288

60 - 79 859,884.06 868,047.69 1792

80 - 100 2,110.46 2,112.62 0

Swietenia macrophylla (Caoba)

60



5.17 Apuleia mollaris (Ana caspi)




Zona de vida: Bosque muy Humedo Tropical (bmh-T)Diagrama Bioclimático de Holdridge:




Apuleia mollaris (Ana caspi)

61



Modelo de probabilidad de presencia de Ana caspiElaborado con el Software MaxEnt e información generada

por el OSINFOR


Ana caspi

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 13,453,436.33 14,288,736.26 48

40 - 59 6,191,465.56 6,927,746.88 80

60 - 79 2,484,824.80 2,673,411.48 351

80 - 100 165,494.28 186,511.60 272

Apuleia mollaris (Ana caspi)

62



5.18 Hymenaea sp. (Azúcar huayo)








Hymenaea sp. (Azúcar huayo)

63



Modelo de probabilidad de presencia de Azúcar huayoElaborado con el Software MaxEnt e información generada

por el OSINFOR


Azúcar huayo

Rangoprobabilidad %


actualesCondiciones

óptimas

20 - 39 3,834,679.66 4,058,344.68 81

40 - 59 2,415,628.81 2,453,724.80 102

60 - 79 1,895,605.51 1,949,810.12 1233

80 - 100 0 0 0

Hymenaea sp. (Azúcar huayo)

64



VI. CONCLUSIONES

- De acuerdo al modelamiento realizado a las 20 especies maderables, concluimos que el universo de individuos utilizados en la investigación cumple con la función de representatividad además que son registros in situ georeferenciados mediante equipos GPS con márgenes de error +/- 3m. garantizando la calidad del dato.

- El universo de individuos analizados son el producto de trabajos de supervisión que el OSINFOR realiza en Títulos habilitantes (concesiones, permisos y autorizaciones forestales), ello a permitido asociarlo con zonas de vida caracterizando sus condiciones ambientales y su distribución espacial.

- El modelamiento para determinar la probabilidad de presencia nos permitió analizar las tendencias en la distribución de una especie en condiciones óptimas. Entiéndase como una condición óptima aquella en la que la precipitación y la temperatura ejercen presión para restringir el comportamiento, desarrollo, adaptabilidad y permanencia en el tiempo de una especie sin analizar la dinámica social, poblacional.

- Entendemos que este es el primer paso para desarrollar metodologías que evalúen el comportamiento de las especies en el país y que debemos también analizar de manera conjunta los efectos del cambio climático sobre estas especies; de esta manera se presentan superficies aproximadas por rango de probabilidad de presencia y número de individuos que respalda el nivel de coincidencia de las especies.

- Asimismo, utilizando datos generados por el Centro de Investigación Missouri Botanical Garden, se pudo corroborar la distribución y comportamiento de ciertas especies en nuestro territorio. Cabe señalar, que estos datos son el resultado de colectas realizados por parte de investigadores a través de muchos años y almacenados en un gran banco de datos; los mismos que respaldan referencialmente nuestra investigación.

- Vemos necesario, que este documento se tome como un insumo para generar más información y que sirva de consulta para los tomadores de decisiones y gestores de cambio. Asimismo para la comunidad intelectual a fin de aportar conocimientos y generar iniciativas de nuevas investigaciones.

65



VII. ANEXO

ANEXO 1: Individuos colectados por MISSOURI BOTANICAL GARDEN en el Perú

Especie Departamento Latitud Longitud Fecha Colector

Amburana cearensis Amazonas 05°03'21""S 078°24'46""W 17/03/97 Joaquina Albán C. & et al.

Madre de Dios 12°27'00""S 070°41'00""W 14/02/93 Percy Núñez V. & et al.

Pasco 10°12'00""S 075°20'00""W 17/11/05 Abel Monteagudo

10°20'00""S 075°10'00""W 8/07/88 Alwyn H. Gentry

Apuleia molaris Huánuco 09°15'00""S 074°57'30""W 1855 - 1857 Richard Spruce

Calycophyllum spruceanum 09°40'00""S 075°02'00""W 16/05/90 - 31/05/90 J. Flores G. & A. Tello A.

09°40'00""S 075°02'00""W 16/06/89 - 30/06/89 Kroll

03°20'00""S 074°54'00""W 12/05/75 Gary S. Hartshorn

09°40'00""S 075°02'00""W 16/08/90 - 31/08/90 J. Flores G. & A. Tello A.

09°15'00""S 074°57'30""W 11/06/83 Franz G. Seidenschwarz

09°15'00""S 074°57'30""W MAGIN


Amazonas 24/03/80 Victor Huashikat

03°50'00""S 077°40'00""W 19/03/80 Santiago Tunqui


23/01/80 Brent Berlin

Huánuco 24/04/67 José Schunke V.

3/04/63 MAGIN

09°18'11""S 074°55'28""W 5/04/06 Juan Perea

Junín 11°21'00""S 074°34'00""W -/09/60 Felix Woytkowski

2/05/81 Carlos Reynel Rodríguez

Loreto 1/12/32 Guillermo Klug

-/05/31 - -/07/31 Guillermo Klug

10/07/61 Mildred E. Mathias & Dermot Taylor

02°20'00""S 076°20'00""W 3/12/86 Walter H. Lewis

03°28'00""S 072°50'00""W 6/06/92 Alwyn H. Gentry

-/03/31 - -/04/31 Guillermo Klug

22/06/66 Richard T. Martin & César Lau-Cam

-/01/35

-/04/33 Guillermo Klug

28/01/32 Ynés Mexia

5/08/67 Richard T. Martin

05°00'01""S 074°00'04""W 5/08/82 Alwyn H. Gentry

9/05/61 Felix Woytkowski

03°30'00""S 073°05'00""W 24/05/91 Alwyn H. Gentry & Rosa Ortiz

04°20'00""S 076°35'00""W 29/01/79 Camilo Díaz S.

16/05/78 Sidney T. McDaniel

14/05/75 Manuel Rimachi Y.


19/01/88 LAMOTTE

66



03°28'00""S 072°48'00""W 14/11/79 Alwyn H. Gentry & et al.


25/02/76 Juan Revilla

03°28'00""S 072°50'00""W 29/08/83 Alwyn H. Gentry

03°44'01""S 073°15'55""W 19/03/77 Alwyn H. Gentry

19/06/72 Sidney T. McDaniel

24/09/82 Filomeno Encarnación

15/03/76 Sidney T. McDaniel & Manuel Rimachi Y.


17/10/87 Franklin Ayala


16/07/75 Franklin Ayala

05°05'00""S 073°50'00""W 11/01/84 R. Vásquez & et al.

04°55'00""S 073°50'00""W 17/07/80 R. Vásquez & Nestor Jaramillo

Madre de Dios 20/10/79 Alwyn H. Gentry & et al.

11°53'06""S 071°24'11""W 1/07/88 G. Shepard

11°53'06""S 071°24'11""W 17/08/74 Robin B. Foster

11°50'00""S 071°25'00""W 25/04/84

11°50'00""S 071°25'00""W 12/07/84

11°52'00""S 071°22'00""W 14/08/83 Alwyn H. Gentry

29/04/04 MACEDA

12°49'00""S 069°18'00""W 11/08/90 Carlos Reynel Rodríguez & E. Meneses

12°35'00""S 069°03'00""W 18/06/90 Percy Núñez V.

13°08'00""S 069°36'00""W 26/11/02 Luis Valenzuela

Pasco 10°26'24""S 075°09'00""W 13/05/83 David N. Smith

10°05'00""S 075°32'00""W 24/08/03 K. Meza

10°09'00""S 075°20'00""W 13/05/83 David N. Smith

10°03'00""S 075°33'00""W 17/03/84 David N. Smith

10°26'15""S 075°27'11""W 29/02/08 R. Vásquez

10°24'51""S 075°30'33""W 4/04/09 R. Vásquez

10°09'49""S 075°09'52""W 19/05/10 R. Vásquez

San Martín 21/08/48 Ramón A. Ferreyra

15/12/80 José Schunke V.


Ucayali 21/02/72 Donald R. Simpson & José Schunke V.

08°21'00""S 074°34'00""W 12/11/97 James G. Graham & José Schunke V.

08°02'00""S 073°55'00""W 25/06/87 Alwyn H. Gentry & Camilo Díaz S.

08°20'00""S 074°35'00""W 14/05/84 R. Vásquez

08°48'00""S 075°20'00""W 3/06/83 Alwyn H. Gentry

10°12'00""S 070°57'00""W 19/03/02 José Schunke V. & James G. Graham

10°04'00""S 071°06'00""W 17/07/02 James G. Graham & José Schunke V.

Cedrela odorata Amazonas 04°55'S 078°19'W 3/08/94 Nestor Jaramillo & et al.

05°00'S 078°20'W 27/03/95 Camilo Díaz S. & et al.


67



05°09'S 078°17'W 19/11/90 Camilo Díaz S. & J. Amaro

8/05/81 Kenneth Young & M. Eisenberg

Cajamarca 23/10/86 Camilo Díaz S.

23/10/86 Camilo Díaz S.

06°07'S 079°01'W 7/10/86 Camilo Díaz S.

05°05'S 078°53'W 3/10/86 Camilo Díaz S.

05°05'S 078°53'W 3/10/86 Camilo Díaz S.

Cusco 4/07/90 Percy Núñez V.

9/09/82 Bernie Peyton & S.Tilney Peyton

Huánuco 22/01/87 Camilo Díaz S. & M.Severo Baldeón

Loreto 02°20'S 076°20'W 3/12/86 Walter H. Lewis

02°20'S 076°20'W 5/12/86 Walter H. Lewis

03°49'S 073°19'W 11/08/72 Thomas B. Croat

29/07/62 Mildred E. Mathias

03°20'S 076°20'W 26/06/86 Walter H. Lewis

03°15'S 075°50'W 20/12/85 Walter H. Lewis

02°30'S 075°50'W 14/03/87 Walter H. Lewis

02°55'S 076°15'W 11/06/86 Walter H. Lewis

04°39'S 073°49'W 3/07/06 Isau Huamantupa


6/10/77

9/12/87

03°30'S 073°10'W 20/05/88 Manuel Rimachi Y.

03°30'S 072°58'W 14/04/92 Cesár A. Grández & et al.

03°45'S 073°15'W 17/05/91 Cesár A. Grández

04°07'S 072°55'W 13/04/97 R. Vásquez & et al.

26/05/78 Alwyn H. Gentry

03°40'S 072°55'W 12/08/80 R. Vásquez & et al.

04°10'S 073°30'W 21/05/91 R. Vásquez

1/04/79 James Aronson

03°55'S 073°35'W 29/06/90 Juan Celedonia Ruiz M.

03°50'S 073°20'W 28/04/81 R. Vásquez & et al.

03°48'S 073°25'W 18/07/88 R. Vásquez & Nestor Jaramillo


03°51'S 073°24'W 11/01/77 Juan Revilla

10/05/87 Camilo Díaz S. & et al.







03°20'S 071°49'W 13/05/87 Camilo Díaz S. & et al.



68







Madre de Dios 11°52'S 071°24'W 30/08/90 Percy Núñez V.

11°55'S 077°18'W -/10/91 - -/11/91 Percy Núñez V.

03/05/87 - 05/05/87 Percy Núñez V.

11°54'S 071°22'W 9/09/79 Robin B. Foster

12°32'S 069°02'W 12/07/07 Luis Valenzuela

12°35'S 069°03'W 27/06/90 Percy Núñez V.

12°29'S 069°03'W 11/11/91 Martín E. Timaná & Nestor Jaramillo

14°13'S 069°10'W 16/06/97 Camilo Díaz S. & J. Fontella Pereira

12°39'S 068°44'W 22/05/96 M. Aguilar R. & D. Castro

Pasco 10°36'S 075°23'W 25/05/83 David N. Smith

10°36'S 075°23'W 13/01/83 David N. Smith

10°36'S 075°23'W 13/01/83 David N. Smith

10°09'S 075°20'W 13/05/83 David N. Smith

10°35'S 075°28'W 28/05/82 David N. Smith


10°06'S 075°33'W 9/07/07 Rocío Rojas

10°22'S 075°04'W 22/10/05 Abel Monteagudo

10°08'S 075°22'W 5/10/08 Rocío Rojas & G. Ortiz

10°03'S 075°32'W 21/05/04 Juan Perea

San Martín -/06/34 Guillermo Klug

05°45'S 077°40'W 11/02/84 Alwyn H. Gentry







Ucayali 22/01/87 Camilo Díaz S. & M.Severo Baldeón

Cedrelinga cateniformis Amazonas 04°55'00""S 078°19'00""W 20/02/96 Nestor Jaramillo & et al.

04°10'00""S 078°11'00""W 21/02/73 Rubio Kayap

22/02/73 Ernesto Ancuash Atsut

Cusco 03°55'00""S 077°42'00""W 11/12/79 Victor Huashikat

19/06/04 William Farfán R.

21/06/04 William Farfán R.


09°37'00""S 075°25'00""W 19/10/82 Robin B. Foster

09°37'00""S 075°25'00""W 19/10/82 Robin B. Foster

Junín 10°50'00""S 075°01'00""W 28/06/82 Alwyn H. Gentry & et al.



69




Loreto 13/12/44 Russell J. Seibert

03°15'00""S 075°50'00""W 03/12/85 – 20/12/85 Walter H. Lewis


03°49'38""S 073°22'34""W 26/05/78 Alwyn H. Gentry

03°20'00""S 072°55'00""W 5/03/91 John James Pipoly





04°07'59""S 070°43'59""W -/10/81 S. Poulain

04°07'59""S 070°43'59""W -/10/81 PAULAIN

04°55'00""S 073°45'00""W -/08/76 - -/09/76 Anonymous

04°55'00""S 073°45'00""W 2/04/86 see Spichiger

Madre de Dios 11°52'48""S 071°24'00""W 30/08/90 Percy Núñez V.

11°45'00""S 071°10'00""W 26/07/86 Percy Núñez V.

12°55'00""S 071°12'00""W 10/12/83 Robin B. Foster & Tatzyana S. Wachter

11°50'00""S 071°25'00""W 18/08/89 Percy Núñez V.

12°49'00""S 069°18'00""W 24/02/84 Alwyn H. Gentry

12°49'00""S 069°43'00""W 22/07/85 Alwyn H. Gentry

12°49'00""S 069°43'00""W 24/07/85 Alwyn H. Gentry

Pasco 10°09'00""S 075°18'00""W 15/10/86 William Pariona & Juan Ruiz C.

10°20'00""S 075°10'00""W 8/07/88 Alwyn H. Gentry

10°20'00""S 075°18'00""W 6/06/83 Alwyn H. Gentry

10°20'26""S 075°15'11""W 14/07/07 Abel Monteagudo

10°21'21""S 075°15'12""W 20/05/08 Isau Huamantupa






10°22'36""S 075°04'18""W 11/10/05 M. Huamán & R. Rivera






Puno 13°21'00""S 069°40'00""W 20/05/92 Alwyn H. Gentry

San Martín 07°45'00""S 076°35'00""W 16/07/82 Alwyn H. Gentry

17/07/45 Russell J. Seibert

30/03/72 Donald R. Simpson & José Schunke V.

Chorisia integrifolia Madre de Dios 12°35'00""S 069°05'00""W 17/12/89 Alwyn H. Gentry

12°49'00""S 069°18'00""W 21/02/84 Alwyn H. Gentry

12°05'00""S 069°03'00""W 20/06/89 O. L. Phillips


70



12°29'00""S 069°03'00""W 4/05/91 Martín E. Timaná & H. Astete

12°29'00""S 069°03'00""W 24/11/91 Martín E. Timaná & Nestor Jaramillo


12°39'47""S 069°09'34""W 14/06/89 Percy Núñez V. & et al.

San Martín 06°40'00""S 076°20'00""W 5/02/84 Alwyn H. Gentry & David N. Smith

06°40'00""S 076°20'00""W 6/02/84 Alwyn H. Gentry & David N. Smith


Dipteryx micrantha 09°15'00""S 074°57'30""W 20/01/25 G. Tessmann

09°37'00""S 074°56'00""W 30/01/83 Franz G. Seidenschwarz


09°22'00""S 075°00'00""W 14/09/82 Robin B. Foster

09°40'00""S 075°02'00""W 16/11/88 - 30/11/88 Kroll

08°49'00""S 074°43'00""W 26/08/93 José Rios T. & Ancieto Daza

Loreto 03°15'00""S 075°50'00""W 04/06/864 - 09/06/86 Walter H. Lewis

03°58'16""S 073°25'08""W 16/02/87 Alwyn H. Gentry

03°55'00""S 073°35'00""W 22/07/84 R. Vásquez & et al.

04°10'00""S 073°30'00""W -/11/90 R. Vásquez & Nestor Jaramillo


03°28'00""S 072°50'00""W 27/06/83 Alwyn H. Gentry


02°28'00""S 072°50'00""W 11/07/90 R. Vásquez

10/11/82 Carlos Reynel Rodríguez

Madre de Dios 11°55'00""S 077°18'00""W 24/10/79 Alwyn H. Gentry & et al.

16/10/79 Alwyn H. Gentry & et al.

11°52'00""S 071°22'00""W 8/08/83 Alwyn H. Gentry

12°49'00""S 069°17'00""W 6/05/80 Philip J. Barbour

12°49'00""S 069°17'00""W 19/05/80 Philip J. Barbour

16/10/97 Camilo Díaz S. & Henry Ramirez

19/10/97 Camilo Díaz S. & Henry Ramirez

12°49'00""S 069°43'00""W 27/07/85 Alwyn H. Gentry


12°49'00""S 069°18'00""W 21/02/84 Alwyn H. Gentry


12°50'00""S 069°17'00""W 28/11/90 PESHA

Puno 13°21'00""S 069°40'00""W 19/05/92 Alwyn H. Gentry

Ucayali 09°41'00""S 075°02'00""W 11/02/81 Alwyn H. Gentry

Hura crepitans 09°15'00""S 074°57'30""W 9/04/60

Amazonas 6/03/98 Richard T. Pennington

10/03/98 H. van der Werff

12/06/78 Alwyn H. Gentry

05°01'55""S 078°25'42""W 13/03/97 Joaquina Albán C. & et al.

17/11/96 Joaquina Albán C. & et al.

7/05/81 Kenneth Young & et al.

05°54'00""S 078°09'00""W 21/07/83 David N. Smith


71



03°55'00""S 077°43'06""W 16/11/79 Victor Huashikat

8/09/97 Joaquina Albán C. & et al.

04°26'21""S 078°00'08""W 3/27/98 Rogerio Castro & et al.


12/11/80 Joaquina Albán C.


22/07/74 Brent Berlin

Cajamarca 06°00'00""S 079°10'00""W 19/06/93 Irene Shonle


05°24'00""S 078°47'00""W 24/01/96 José Campos de la Cruz & O. Díaz

05°10'00""S 078°48'00""W 5/04/96 José Campos de la Cruz & M. López M.

05°11'00""S 078°53'00""W 27/04/96 José Campos de la Cruz & Pacifico Díaz

04°58'46""S 079°05'01""W 7/12/97 R. Vásquez & et al.

05°08'00""S 078°55'00""W 29/07/97 Eric Rodríguez R. & José Campos de la Cruz

05°19'16""S 078°41'05""W 16/09/99 Silvia Patricia Flores Vásquez & José Campos de la Cruz

Huánuco 09°40'00""S 075°02'00""W 16/09/88 - 30/09/88 Benjamin Kroll Saldana

09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.

09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.

09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.

09°18'11""S 074°55'28""W 5/04/06 Juan Perea

Lambayeque 06°46'00""S 079°50'00""W 3/07/08 Andrew Townesmith & Rodrigo del Toro Cervantes

06°46'00""S 079°50'00""W 2/02/10 Andrew Townesmith & Karen M. Meyer

Loreto 04°15'00""S 073°18'00""W 24/08/73

8/07/72 Thomas B. Croat

05°14'55""S 075°43'23""W 8/07/72 Thomas B. Croat


04°20'00""S 076°35'00""W 29/01/79 Camilo Díaz S.

2/11/76 Juan Revilla




03°30'00""S 073°10'00""W 13/11/80 R. Vásquez

04°20'00""S 070°11'00""W 25/11/77 Alwyn H. Gentry & Juan Revilla

18/08/82 Franklin Ayala & et al.

04°55'00""S 073°45'00""W 16/07/89



12°29'00""S 069°03'00""W 28/09/91 Martín E. Timaná

Pasco 10°40'00""S 075°25'00""W 30/01/83 Alwyn H. Gentry

10°03'00""S 075°33'00""W 17/03/84 David N. Smith

10°03'54""S 075°32'56""W 18/05/04 Juan Perea


72



10°03'54""S 075°32'56""W 21/05/04 Juan Perea

10°11'56""S 075°34'27""W 9/11/06 E. Blasido & Edwin Becerra Gonzáles

Puno 13°00'00""S 070°00'00""W 19/06/86 Percy Núñez V. & C. Muñoz

San Martín 12/11/75

06°30'00""S 076°21'00""W 13/02/76 Abundio Sagástegui A.

Ucayali 24/02/72 Donald R. Simpson & José Schunke V.

08°40'00""S 075°00'00""W 11/12/79 Nilda Begazo

08°40'00""S 075°00'00""W 8/11/77 Cristoph H. Fröhner

Manilkara bidentata 09°15'00""S 074°57'30""W 31/07/72 Rubio Kayap

Amazonas 05°52'34""S 078°12'55""W 11/03/98 Samuel G.M. Bridgwater

Cajamarca 05°42'04""S 077°53'06""W -/02/02 R. Bonino

Huánuco 22/01/87 Camilo Díaz S. & M.Severo Baldeón

09°40'00""S 075°02'00""W 01/10/90 - 15/10/90 C. Tello E.

09°40'00""S 075°02'00""W 01/06/89 - 15/06/89 Kroll

09°40'00""S 075°02'00""W 01/02/91 - 15/02/91 C. Tello E.

Loreto 12/07/73 BELLIDO

12/07/73 BELLIDO

03°22'00""S 072°02'00""W 14/03/98

13/02/89 T.D. Pennington

03°41'30""S 072°24'20""W 27/02/02 Johanna Choo

6/07/77

Madre de Dios 14°13'12""S 069°10'12""W 18/06/97 Camilo Díaz S. & J. Fontella Pereira

San Martín 1/02/89 T.D. Pennington

06°39'00""S 076°30'00""W 25/05/86 Sandy Knapp

Myroxylon balsamum 09°15'00""S 074°57'30""W 1778 – 1788 Hipólito Ruiz L.

09°15'00""S 074°57'30""W 1778 – 1788 Hipólito Ruiz L.

09°15'00""S 074°57'30""W 1857 Harms

Amazonas 05°00'36""S 078°20'24""W 26/03/95 Camilo Díaz S. & et al.

04°37'08""S 078°13'46""W 18/08/97 Rocío Rojas & et al.


04°23'00""S 078°21'00""W 21/08/94 R. Vásquez & et al.

04°37'08""S 078°13'46""W 18/08/97 Rocío Rojas

Cusco 12°53'53""S 072°22'25""W -/12/02 Isau Huamantupa

12°53'53""S 072°22'25""W -/03/03 Isau Huamantupa

Huánuco 09°40'00""S 075°02'00""W 01/04/89 - 15/04/89 Kroll

09°40'00""S 075°02'00""W 01/06/89 - 15/06/89 KROLL

09°40'00""S 075°02'00""W 01/03/89 - 31/03/89 J. Flores G. & A. Tello A.

09°40'00""S 075°02'00""W 01/04/89 - 15/04/89 KROLL

Lambayeque 06°46'00""S 079°50'00""W 3/07/08 Andrew Townesmith & Rodrigo del Toro Cervantes

Lima 09°35'00""S 074°54'00""W 8/05/75 Rafael Lao M. & José Rios T.

8/05/75 Rafael Lao M. & José Rios T.

Loreto -/07/29 Llewelyn Williams

03°20'00""S 076°20'00""W 16/06/86 - 26/06/86 Walter H. Lewis


73




04°05'00""S 072°48'00""W 1/08/80 Alwyn H. Gentry

03°28'00""S 072°48'00""W 27/07/80 Alwyn H. Gentry

03°28'00""S 072°48'00""W 26/07/80 Alwyn H. Gentry

03°28'00""S 072°50'00""W 19/02/88 Alwyn H. Gentry

Madre de Dios 12°27'00""S 070°41'00""W 13/10/94 Percy Núñez V. & et al.

11°50'00""S 071°25'00""W 28/08/84

11°45'00""S 071°10'00""W 25/08/86 Percy Núñez V.



12°50'00""S 069°17'00""W 25/05/87 Alwyn H. Gentry & Nestor Jaramillo






12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry

12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry

12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry

12°44'00""S 069°11'00""W 9/02/89 M.N. Alexiades

12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry

12°49'00""S 069°18'00""W 19/02/84 Alwyn H. Gentry

12°50'00""S 069°17'00""W 14/07/89 M. Alexiades & Camilo Díaz S.



12°05'00""S 069°03'00""W 17/06/89 O. L. Phillips & et al.




12°18'00""S 069°02'00""W 9/04/05 R. Vásquez

12°18'00""S 069°02'00""W 9/04/05 R. Vásquez

14/05/99 Percy Núñez V. & Abel Monteagudo


Puno 13°25'00""S 070°01'00""W 14/12/96 F. Cornejo & A. Balarezo

Tumbes 03°50'29""S 080°15'30""W 16/02/93 Camilo Díaz S. & et al.

03°50'29""S 080°15'30""W 14/02/93 Camilo Díaz S. & et al.



Ucayali 08°40'00""S 075°00'00""W 1/08/86 A. Salazar V.

Simarouba amara 09°15'00""S 074°57'30""W 13/10/80 Nilda Begazo

Amazonas 05°16'26""S 078°21'04""W 10/03/98 Rogerio Castro & et al.


04°55'00""S 078°19'00""W 22/10/95 R. Vásquez & et al.

03°54'00""S 078°26'00""W 3/08/94 H. Beltrán & Robin B. Foster


74





Cajamarca 05°01'58""S 078°54'01""W 17/11/99 R. Vásquez & et al.

05°01'58""S 078°54'01""W 17/11/99 R. Vásquez & et al.

Huánuco 09°18'11""S 074°55'28""W 5/04/06 Juan Perea

Junín 15/06/81 Camilo Díaz S.

10°45'00""S 074°23'00""W 22/09/83 David N. Smith

Loreto 03°30'00""S 072°58'00""W 20/04/92 Cesár A. Grández & et al.

03°48'00""S 073°25'00""W 4/09/92 Cesár A. Grández & et al.







03°28'00""S 072°50'00""W 25/01/90 R. Vásquez & Franklin Ayala








03°58'00""S 073°25'00""W 17/02/87 Alwyn H. Gentry

03°28'00""S 072°50'00""W 16/07/83 Alwyn H. Gentry





9/11/79 Alwyn H. Gentry & et al.

03°41'30""S 072°24'20""W 26/03/02 Johanna Choo


Madre de Dios 11°50'00""S 071°25'00""W 25/08/84 1984

11°50'00""S 071°25'00""W 18/08/89 Percy Núñez V.


12°57'11""S 068°54'48""W 20/04/96 M. Aguilar R. & D. Castro

12°50'00""S 068°50'00""W 28/02/90 Alwyn H. Gentry & Percy Núñez V.

12°50'00""S 069°17'00""W 3/06/87 Alwyn H. Gentry


09°50'00""S 075°00'00""W 10-jul-85 Gary S. Hartshorn






75










San Martín 05°46'00""S 077°26'00""W -/08/83 Mariella Leo Luna


Tumbes 22/10/88 Camilo Díaz S. & R. Vásquez

Swietenia macrophylla Amazonas 06°03'S 077°55'W 11/03/98 H. van der Werff

Lima 14/01/183 Luis T. Rodríguez del Aguila

Loreto 27/08/72 Thomas B. Croat



11°54'S 071°22'W 16/09/80 Robin B. Foster

San Martín 23/04/73 José Schunke V.

Virola weberbaueri [09°15'S] [074°57'W] 28/02/04 August Weberbauer

Loreto 4/07/72 Thomas B. Croat

03°40'S 073°54'W 21/04/86 R. Vásquez & et al.

Pasco 10°45'S 075°05'W 30/06/87 Alwyn H. Gentry & Camilo Díaz S.

Ucayali 08°40'S 075°00'W 1/07/80 A. Salazar V.

Fuente: Missouri Botanical Garden


76



77



VIII. REFERENCIAS BIBLIOGRÁFICAS

• Anderson RP, Lew D, Peterson AT. 2003. Evaluating predictive models of species’ distributions: criteria for selecting optimal models. Ecological Modeling, USA.

• Beatriz del Socorro Bolívar Cimé. 2009. Análisis del Hábitat Optimo y Modelado de Nicho Ecológico para la conservación del venado cola Blanca en el centro de Veracruz, Instituto de Ecología - Mexico.

• Best, B.J. & Kessler, M. 1995. Biodiversity and conservation in tumbesian Ecuador and Peru. BirdLife International. Cambridge.

• Josse, C., G. Navarro, F. Encarnacion, A. Tovar, P. Comer, W. Ferreira, F. ,Rodriguez, J. Saito, J. Sanjurjo, J. Dyson, E. Rubin de Celis, R. Zarate, J. Chang, M. Ahuite, C. Vargas, F. Paredes, W. Castro, J. Maco y F. Reategui. 2007. Sistemas Ecologicos de la Cuenca Amazonica de Peru y Bolivia. Clasificacion y mapeo. NatureServe. Arlington, Virginia, EE UU.

• Manuel Rubén García Mateo. 2008. Modelos predictivos de riqueza de diversidad vegetal, comparación y optimización de métodos de modelado ecológico, Madrid - España.

• Norberto Martínez. 2010. Apuntes sobre Modelación de Nichos Ecológicos, Laboratorio de Evolución Molecular y Experimental, del Instituto de Ecología de la UNAM - México.

• Robert J. Hijmans, Luigi Guarino, Coen Bussink, Prem Mathur, Mariana Cruz, Israel Barrantes, y Edwin Rojas. 2004. Sistema de Información Geográfica para el Análisis de Datos de Distribución de Especies, University of California USA.

• Steven J. Phillips, Robert P. Anderson, Robert E. Schapire. 2006. Modeling of species geographic distributions. Ecological Modelling, Department of Computer Science Princeton.

• Scheldeman, Xavier y Maarten van Zonneveld. 2011. Manual de Capacitación en Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity International, Roma - Italia. 186 pp.

• WorldClim - Global Climate Data - Free climate data for ecological modeling and GIS, http://www.worldclim.org/

“Usemos responsablementenuestros bosques”

MO

DELA

MIE

NTO

esp

acia

l de

NIC

HOS

ECO

LÓGI

COS

para

la e

valu

ació

n de

pre

senc

ia d

e ES

PECI

ES F

ORE

STAL

ES M

ADER

ABLE

S en

la A

MAZ

ON

ÍA P

ERUA

NA


Av. Javier Prado Oeste Nº 694 Magdalena del MarCentral: 615 7373

www.osinfor.gob.pe

Documents

ESPECIES FORESTALES - osinfor.gob.pe · 5.17 Apuleia mollaris (Ana caspi) 60 5.19 Hymenaea sp. (Azúcar huayo) 62 VI. CONCLUSIONES 64 VII. ANEXOS 65 VIII. REFERENCIAS BIBLIOGRÁFICAS