Aplicaciones de información primaria de Biodiversidad y

Sistemas de Información Geográfica.

El caso del Modelamiento de Datos sobre Biodiversidad

Manuel Mavila Loli

BIODAMAZ-IIAP

Viernes Científico, 27 may 2005

Contenido

• Datos primarios de biodiversidad• Biodiversidad e Informática• Modelamiento de datos

– Teoría– Aplicaciones

• Programa GARP

Datos primarios de biodiversidad

www2.nrm.se/fbo/ hist/munchen.html.se

ww

w.ldeo.colum

bia.edu/.../ lectures/lect02.html

Linneo, 1750

Honorio, 2005

www.southampton.liu.edu/.../ plant.htmlHerbario FCF UNALM

www.nsrl.ttu.edu/ virtualtour/bird.htmwww.cbs.umn.edu/ herbarium/

especiealtitudX,Yfecha

¿cuántos registros?

1300

210

73

0

200

400

600

800

1000

1200

1400

Total Digitalizados En Internet

Mil

lon

es d

e es

pec

ímen

es

Fuente: GBIF

Informática para la biodiversidad

ConceptosRama de las ciencias de computación que trata con información sobre los organismos vivos.

Aplicación de la tecnología de la información al tema de la biodiversidad. Su esencia es asegurar que la información fluya eficientemente desde su creación, a través del análisis, hasta aplicaciones apropiadas.

¿Para que sirve?

• Captura• Manejo• Análisis• Interpretación• Comprensión• Aplicación

Información sobre biodiversidad

Proporciona herramientas eficientes, efectivas y eficaces para:

Modelamiento del Nicho Ecológico

La distribución geográfica de las especies está determinada a gran escala por estos factores:

LuzCalorAgua

Topografía

Teoría

A un nivel más específico, influyen otros factores:

Tipos de SueloEvapotranspiraciónProductividadCalidad de luzNúmero de días bajo O0C

Teoría

evapotranspiración productividad

Manifestación de interacción de variables

El término nicho se define aquí como la suma de todos los factores ambientales que actúan sobre el organismo; el nicho es entonces definido como una región en un hiperespacio multidimensional (Hutchinson, 1944).

Las condiciones en las cuales una especie puede fácilmente vivir son siempre mayores que en las que realmente vive, y esto es causado típicamente por interacciones bióticas (Hutchinson, 1958).

Teoría: nicho ecológico

Espacio ecológico

Nicho fundamental: todos los aspectos de este hipervolumen multidimensional, en ausencia de otras especies.

Nicho real: La parte del nicho fundamental al cual está restringida determinda especie debido a interacciones interespecíficas.

Teoría: nicho ecológico

El nicho de una especie es la unión de ciertas condiciones ambientales que permiten a una especie satisfacer sus necesidades mínimas, de tal manera que la tasa de natalidad de una población local es igual o mayor que su tasa de mortalidad… (Chase and Leibold, 2003)

Teoría: nicho ecológico

Nicho abiótico

Interacciones bióticasAccesibilidad

Combinación apropiada entre condiciones abióticas y bióticas (= distribution potencial)

Distribución geográfica real

Modelamiento del nicho ecológico

Estimación de las dimensiones del nicho ecológico fundamental de una especie, para predecir su distribución geográfica (BI)

Bajo estos diferentes conceptos de “nicho”, el Modelamiento del Nicho Ecológico es un instrumento que permite un análisis parcial de la influencia del ambiente sobre las especies, y que puede ser expresado en un contexto geográfico.

¿Qué modelamos, nichos fundamentales o reales?

L. callotis

L. californicus

Datos georeferenciados de especímenes

Datos climáticos, ecológicos… Predicción de la

distribución geográfica de la especie

ALGORITMO

Proceso del Modelamiento

Geographic Space Ecological Space

occurrence points on native distribution

ecological niche modeling

Projection back onto geography

Native range prediction

Invaded range prediction

Modelamiento del Nicho Ecológico

temperature

Model of niche in ecological dimensions

pre

cip

itatio

n

Challenges of Biodiversity Informatics David R.B. Stockwell

Aplicaciones

Enfermedades:Mal de Chagas

Ecologic Niche Modeling and Potential Reservoirs for Chagas Disease, MexicoA. Townsend Peterson,* Victor Sánchez-Cordero,† C. Ben Beard,‡ and Janine M. Ramsey§

www.cdc.gov/ncidod/ EID/vol8no7/01-0454-G2.htm

www.bc.edu/.../biology/ research/insect/chagas/

Predicted range of the Asian Longhorn Beetle in the USA (Anoplophora glabripennis) by A. Townsend Peterson (KU)

Challenges of Biodiversity Informatics David R.B. Stockwell

Plagas – Especies invasoras

www.licweb.com/ asianbeetle/

Cambio climático

www.mosquito-netting.com/

Malaria Transmission - This map displays the projected risk of malaria transmission in the year 2020, compared with the average risk in the years 1961 to 1990. This projection assumes a global temperature increase of 2ºF and no human efforts to contain the spread of malaria. Source: Pim Martens, Maastricht University

David Peters & Richard Thackway, 1998, A New Biogeographic Regionalisation for Tasmanian Parks and Wildlife Service

ANP:ZonificaciónCorredoresPriorización

Tangara mexicanaTangara mexicana

Potential DistributionPotential Distribution

Present

Hadley Scenario (21,000 yrs ago)

Comparar distribuciones antiguas

Haffer’s Refugia?Haffer’s Refugia?

Haffer’s RefugiaHaffer’s Refugia

Potential Distribution Potential Distribution 21,000 Years Ago21,000 Years Ago

Forest: All Species Forest: All Species

Hadley and CanadianHadley and Canadian

Programa GARP

ConceptoGenetic Algorithm for Rule-set Prediction. Desarrollado por David Stockwell, San Diego Supercomputer Center

Es un algoritmo genético que crea un modelo del nicho ecológico para una especie, y que representa las condiciones ambientales donde esa especie es capaz de mantener población.GARP trata de encontrar correlaciones entre la presencia y ausencia de especies y los valores de parámetros ambientales, usando diferentes tipos de “reglas”. Cada regla implementa un método diferente para construir los modelos de preicción de distribución de la especie.

¿Algoritmo genético? : es la optimización de algoritmos, desarrollados por expertos en inteligencia artificial que usa conceptos de genética y teoría de la evolución, para definir su estructura de datos y procedimientos. Rules:atomic, logistic regression, bioclimatic envelope and negated bioclimatic envelope.

Collection locality dataCollection locality data

Ecological dataEcological data

Distributional Distributional prediction in the presentprediction in the present

Projection to past scenarioProjection to past scenario

Ecological Niche Modeling: GARPEcological Niche Modeling: GARP

GARPGARPGenetic Genetic Algorithm of Algorithm of Rule-set Rule-set PredictionPrediction

Registros de especímenes

Especie Y , X

BIOCLIMBioclimatic variables are derived from the monthly temperature and rainfall values in order to generate more biologically meaningful variables. These are often used in ecological niche modeling (e.g., BIOCLIM, GARP). They are coded as follows:

BIO1 = Annual Mean TemperatureBIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp))BIO3 = Isothermality (P2/P7) (* 100)BIO4 = Temperature Seasonality (standard deviation *100)BIO5 = Max Temperature of Warmest MonthBIO6 = Min Temperature of Coldest MonthBIO7 = Temperature Annual Range (P5-P6)BIO8 = Mean Temperature of Wettest Quarter BIO9 = Mean Temperature of Driest QuarterBIO10 = Mean Temperature of Warmest QuarterBIO11 = Mean Temperature of Coldest QuarterBIO12 = Annual PrecipitationBIO13 = Precipitation of Wettest MonthBIO14 = Precipitation of Driest MonthBIO15 = Precipitation Seasonality (Coefficient of Variation)BIO16 = Precipitation of Wettest QuarterBIO17 = Precipitation of Driest QuarterBIO18 = Precipitation of Warmest QuarterBIO19 = Precipitation of Coldest Quarter

Rojo: variables usadas

Variables ambientales

Fuente: Wordclim

Programa GARP

T x anual

PP anual

PP estacionalidad

Mazama americana

Leopardus pardalis

Nasua nasua

Potos flavus

Validación de la hipótesis

1. Generar un set de datos independientes:

- Colectar nuevos datos

- Separar tus datos en dos series

Evaluación de la calidad del “Modelo”

Tendrás dos series de datos (data sets), uno para hacer el modelo, y otro para probarlo

1. Generar un modelo con una serie de datos

dcPredicción: ausencia

baPredicción: presencia

Ausencia real

Presencia real

a & d = predicciones correctas b = error de comisión

(falsos positivos, sobrepredicción)

c = error de comisión (falsos negativos, subpredicción)

3. Cuantificar el error con una matriz de confusión:

Commission Index (% of area

predicted present)

Om

issi

on

Err

or

(% o

f occ

urr

en

ce p

oin

ts

out

sid

e th

e p

red

icte

d a

rea

)

0 100

100

Distribution of a species in an area

High OmissionLow Commission

Zero OmissionHigh CommissionZero Omission

No Commission Overfitting

Nada es perfecto...

- Se debe mejorar comprensión de como afecta la inclusión de determinadas variables ambientales

- Errores en taxonomía- Errores en georeferencia

Créditos

• Se ha usado parte del material del curso: GBIF Data Modeling. México, Abril 2005, organizado por GBIF, CONABIO y U. de Kansas

• Ver participantes en: http://www.gbif.org/prog/ocb/modelling_workshop

- Otras fuentes de Internet (especificadas en las láminas)

FIN