Adendas electrónicas

Transcripción

1

2 Índice de contenidos 1. INTRODUCCIÓN METODOLOGÍA Ámbito a analizar Aplicaciones informáticas Variables bioclimáticas y ambientales Especies objeto del servicio Modelos de Distribución de Especies a partir de la aplicación MAXENT Visión general de la herramienta MAXENT Parámetros utilizados con MAXENT para el proyecto Procedimiento y reajustes de variables Umbrales de AUC considerados para el proyecto INCIDENCIAS Y REAJUSTES REALIZADOS RESULTADOS Fase de ensayo Fase definitiva Lavandula viridis Rosmarinus officinalis Lavandula stoechas Thymus zygis Cistus ladanifer Chiliademus glutinosus Arnica montana Gentiana lutea Narcissus poeticus Rhodiola rosea BIBLIOGRAFÍA Y ENLACES WEB Anejos Anejo 1. Lista de variables ambientales Anejo 2. Resultados gráficos de los modelos de distribución espacial Adendas electrónicas Adenda 1. Resultados gráficos de los modelos de distribución espacial Adenda 2. Visor cartográfico

3 1. INTRODUCCIÓN Los trabajos de esta asistencia técnica se enmarcan dentro del proyecto europeo con número de referencia SOE1/P5/P0474 y cuyo título es Valorización de las Plantas Aromático-Medicinales silvestres: Gestión sostenible de la biodiversidad vegetal y desarrollo socioeconómico de las zonas rurales del espacio SUDOE. En este proyecto participan en su partenariado las siguientes entidades: Associação para o Estudo e Defesa do Património Natural e Cultural do Concelho de Mértola (ADPM), Portugal. Centre Tecnològic Forestal de Catalunya (CTFC), España. Fundación Espacios Naturales de Andalucía (Andanatura), España. Conservatoire botanique pyrénéen (CBNPMP), France. Junta de Andalucía, Consejería de Medio Ambiente y Ordenación del Territorio (CMAOT) España. Syndicat mixte Parc natural régional des Pyrénées catalanes (PNR PC), France. Centro de Excelência para a Valorização dos Recursos Mediterrânicos, S.A. (CEVRM), Portugal. Dentro del proyecto se incluye cronológicamente en las primeras fases del mismo, en el grupo de trabajos denominados como GT N1: CARACTERIZACIÓN Y PLANIFICACIÓN DE LAS PAM EN LAS REGIONES SUDOE SOCIAS DEL PROYECTO. 3 El objetivo principal de la presente asistencia es conocer el modelo de distribución potencial de nueve especies de plantas aromáticas y medicinales previamente seleccionadas por los distintos grupos de trabajo, y que se han agrupado en cuatro áreas geográficas. Las áreas y especies que han sido objeto del estudio y análisis son: Área geográfica Especies Sur de Portugal Lavandula viridis, Rosmarinus officinalis Cataluña Gentiana lutea, Jasonia glutinosa Midi- Pyréneé Gentiana lutea, Rhodiola rosea, Arnica montana, Narcissus poeticus Andalucía Thymus zygis, Cistus ladanifer No obstante, tras analizar los primeros resultados de los modelos de distribución potencial, la especie Rosmarinus officinalis no ha tenido predicciones favorables en el sur de Portugal para la zona de proyecto, por lo que ha sido incorporada una nueva especie que la sustituya, concretamente por Lavandula stoechas.

4 2. METODOLOGÍA A continuación, se describe la metodología propuesta para el desarrollo de las distintas fases del trabajo Ámbito a analizar En relación con el ámbito a analizar, y puesto que son tres los países implicados (España, Portugal y Francia), se ha prestado particular atención a la distribución espacial de las especies, de manera que sean éstas las que incrementen o disminuyan las áreas a estudiar, sin que ello suponga tener que utilizar obligatoriamente regiones administrativas. De hecho, algunas de las especies objeto de estudio de este pliego tienen distribución en más de un país y han sido seleccionadas por más de un socio del proyecto Aplicaciones informáticas En relación con las aplicaciones informáticas, se utilizarán tres programas que son complementarios con información intercambiable. En primer lugar, se empleará Microsoft Excel para la limpieza y conversión de ficheros de base de datos en formato ascii de las citas de las especies que se obtengan de la plataforma GBIF ((Global Biodiversity Information Facility). 4 Por otro lado, se utilizará Quantum Gis como sistema de información geográfica para la captura, manejo y edición de información geográfica de las distintas variables biofísicas. Obtenidas las citas de especies y las variables ambientales, se creará el Modelo de Distribución de cada Especie (SDM) utilizando la aplicación de java MAXENT v3.3.3 ( que implementa el modelo de predicción de máxima entropía para obtener la distribución potencial de las especies. Por último, se ha empleado la aplicación Qgis para la creación de visores web que permitan el manejo de las citas conocidas y utilizadas en el modelo de las especies seleccionadas, y también las capas de predicción de la distribución de cada especie.

5 2.3. Variables bioclimáticas y ambientales Respecto a las variables bioclimáticas, se utilizarán, al menos, las 20 disponibles en el WorldClim - Global Climate Data, un banco de datos climáticos para la modelización ecológica y SIG, que cuenta con datos relativamente recientes y una resolución espacial de 30 segundo de grado (aproximadamente cuadrículas 1 x 1 km 2 ). Junto a estas 20 variables, será de especial interés disponer de otras variables ambientales para un análisis más exhaustivo. El conjunto de variables de las que se ha intentado obtener información es el que se muestra en el anejo 1 adjunto. Los números de estas variables se han respetado siempre a lo largo de todo este documento (textos, gráficos, cartografías, etc.), de manera que para el lector siempre exista una referencia unívoca entre número y variable Especies objeto del servicio Las nueve especies que formaran parte del proyecto son las siguientes: Lavandula viridis, Rosmarinus officinalis, Gentiana lutea, Chiliademus glutinosus (=Jasonia glutinosa), Rhodiola rosea, Arnica montana, Narcissus poeticus, Thymus zygis y Cistus ladanifer. En cuanto a las citas de las nueve especies objeto del servicio, éstas se obtendrán fundamentalmente de la plataforma GBIF (Global Biodiversity Information Facility). Esta organización intergubernamental cuenta con la participación de instituciones y organizaciones en las actividades de informatización y publicación de datos de biodiversidad. Entre las instituciones colaboradoras de la máxima fiabilidad destacan numerosas universidades de todo el mundo, centros experimentales de investigaciones científicas, jardines botánicos, organismos gubernamentales de estados y regiones responsables de la información ambiental, entre un largo etcétera. 5 No obstante, si alguna de las especies es rara o escasa en la zona, en algunos casos se han incorporado nuevas citas aportadas por los socios de este proyecto, que se han añadido a la capa de citas de cada especie. Se ha prestado atención a la calidad de los datos que se han obtenido de la plataforma, descartando aquellos que no ofrezcan resolución suficiente para las especificaciones de este trabajo, que deben ser de 1 x 1 km 2. No obstante, cuando el número de citas de una determinada especie es muy bajo (inferior a 100), entonces obligatoriamente hay que bajar esta exigencia y se han utilizado todas las citas que tengan una resolución inferior o igual a 10 x 10 km 2. Del banco de datos se han descargado la información de cada una de las especies seleccionadas. Ésta ha consistido en una tabla con un conjunto de atributos relativos a la situación e información general de la especie. La existencia de campos con la posición exacta de la presencia de cada uno de sus individuos ha permitido, a través de una herramienta de Sistemas de Información Geográfica,

6 generar una cobertura georeferenciada con la posición de cada una de las citas de cada especie Modelos de Distribución de Especies a partir de la aplicación MAXENT La generación de Modelos de Distribución de las Especies (SDMs) se han generado con la aplicación MAXENT, que en estos momentos es la mejor para obtener los SDMs partiendo exclusivamente de citas de presencia de la especie (Benito, B. et al, 2007; Conabio 2017). Este factor de utilizar citas de presencia es ineludible, ya que, por tiempo y extensión de los datos que se pretenden abarcar, no es posible realizar muestreos de ausencias de cada especie en el territorio (lo que llevaría años de muestreo), por lo que se han descartado otras aplicaciones que utilizan otros algoritmos de predicción que combinan citas de presencia y ausencia. De otra parte, MAXENT ofrece resultados que avalan la fiabilidad de las predicciones generando informes/imágenes que correlacionen especificidad y sensibilidad, la contribución de cada variable a la distribución de la especie, la probabilidad de presencia en cada una de las cuadrículas de estudio y, por último, el valor AUC (Area Under a Curve) que indica la capacidad de discriminación del modelo. Todo ello convierte a esta aplicación en la más utilizada en todos los ámbitos del conocimiento científico que incluye desde distribución potencial de especies de fauna y flora hasta la implantación de cultivos Visión general de la herramienta MAXENT Su fundamento se basa en un análisis de la máxima entropía. Las premisas que exige el desarrollo del proceso de modelización y, por tanto, la obtención de datos significativos, es utilizar coberturas con el mismo grado de resolución, idéntico sistema de coordenadas (WGS84) e igual ámbito de trabajo. Una vez puesto a punto el programa se procede a la introducción de los datos. Estos consisten por un lado en la inclusión del archivo que contenga las localidades de presencia (citas) de una especie, y por otro, las variables ambientales. A continuación, se ejecuta el programa MaxEnt. Con esta metodología se han generado para cada especie un modelo predictivo de la distribución potencial en la actualidad.

7 Ventana del programa MaxEnt durante su ejecución El resultado de este proceso informático se representa mediante un conjunto de gráficos y mapas que exponen la información relacionada con la extensión y distribución de la probabilidad de presencia de la especie, calidad del ajuste y la contribución de cada variable ambiental a dicha probabilidad. 7 En el ejemplo de la imagen superior, se usa un gradiente de color para indicar la probabilidad de presencia de la especie de acuerdo a las variables ambientales. El color rojo representa una alta probabilidad de condiciones adecuadas para la especie, el color verde indica las condiciones idóneas de aquellos lugares en los que existe presencia y, por último, el color azul indica zonas con una baja probabilidad de que exista. También presente en color blanco y morado las citas de la especie que el programa ha utilizado como puntos de testeo y puntos de entrenamiento para confeccionar el modelo.

8 Otros datos de interés obtenidos del procedimiento informático, son las gráficas que correlacionan Especificidad y Sensibilidad, que permiten interpretar el grado de fiabilidad de la predicción. La línea roja representa el ajuste del modelo a los datos de entrenamiento, siendo la auténtica prueba de la capacidad que tiene los modelos de predecir. La línea azul hace referencia a los datos de test o de prueba, mientras que la línea negra representa un ajuste teórico de una distribución al azar. Cuanto más alejada y por encima se encuentre la línea roja/azul de la negra, mejor es el modelo para predecir la presencia contenida en las muestras. Por debajo de la línea negra, el modelo no se ajustaría a la realidad y, por tanto, la predicción sería errónea. 8 Otro resultado de interés es el análisis de contribución de variables, que mide el grado de implicación de las variables ambientales en el modelo, de tal forma que se puede conocer cuáles de ellas contribuyen en mayor proporción a la predicción, de manera individualizada (Contribución) y en conjunción con las otras variables (Contribución global). Un ejemplo tipo podría ser el de la siguiente tabla: Variables Contribución Contribución global (%) (%) bio_6_anda series_anda bio_5_anda suelos prec_anda alt_anda bio_10_anda tmean_anda bio_12_anda bio_11_anda tmin30_anda 0 0

9 Otra manera de evaluar o medir la bondad del modelo creado, es utilizar el valor AUC [Area Under a Receiver Operating Characteristic (ROC) Curve]. Este valor indica la capacidad de discriminación del modelo, y puede variar entre 0 y 1. Valores por debajo de 0,4 indicaría que el modelo obtenido no es mejor que uno realizado al azar y, por tanto, la predicción sería errónea o poco precisa. Por encima de 0,4 y menos de 0,7 corresponde a un modelo de baja precisión o escasa discriminación, y un valor superior a 0,7 se trata de un modelo de elevada precisión o alta discriminación. 9 Según la bibliografía consultada, el valor mínimo para ser consideradas válidas las predicciones de una determinada especie es 0,5, en condiciones naturales (silvestre). Además de estos parámetros, la aplicación MAXENT posee una serie de cálculos opcionales para conseguir gráficos de cómo influye cada una de las variables utilizadas en la predicción, tanto de manera individual como cuando se analiza de forma conjunta con el resto de variables. Ejemplo de la variable 11 analizada conjunta con el resto de variables (izquierda) y de manera individualizada (derecha) Este tipo de gráficos permite conocer los rangos en los que se mueve la especie analizada, por lo que puede ser muy útil para concretar y delimitar

10 ambientalmente las condiciones ecológicas que son más favorables para su desarrollo y orientar el cultivo de la planta (por ejemplo, si se conoce que las precipitaciones totales son X litros al año, para nuestra zona puede ser necesario incrementar con riego una cantidad Y para alcanzar esa cifra óptima). Pero el resultado final de mayor interés que la aplicación genera para el modelo de distribución de la especie es la salida gráfica logística, que al estar georreferenciada se puede incorporar a cualquier GIS. Un ejemplo de esta salida es la que puede verse en la figura adjunta. 10 Salida logística del modelo de distribución espacial de la especie Thymus zygis, con valores de probabilidad que oscilan entre 0 (tonos azulados) hasta 1 (tonos rojizos) Parámetros utilizados con MAXENT para el proyecto La aplicación MAXENT presenta un amplio número de parámetros que hacen variar los resultados de los modelos de predicción de las especies, a veces de manera muy significativa. Así, con una misma distribución de puntos de las especies junto con las mismas variables ambientales, es posible obtener muchos modelos distintos variando parámetros como porcentaje de puntos utilizados en los ensayos, amplitud, significación, número máximo de iteraciones, etc. Para intentar acotar esta variabilidad y garantizar la coherencia del modelo que la aplicación genera, se han cogido como referencia los valores de estos parámetros utilizados en publicaciones científicas sobre distribución de especies vegetales (pensemos que el Modelo de Máxima Entropía se aplica en disciplinas científicas tan distintas como la astronomía, meteorología o la economía) y, sobre todo, lo recomendado por los autores que crearon la aplicación MAXENT y la han desarrollado en otros trabajos científicos (Phillips, S.J. et al 2006; Elith, J. et al 2011). Estos valores fundamentales son:

11 Prevalencia por defecto (Default prevalence): 0,5, ya que valores inferiores no se consideran fiables en términos de probabilidad para predecir la distribución espacial de las especies. Iteraciones máximas (Maximum iterations): 1.000, cifra que se considera aceptable para conseguir valores representativos. Valores inferiores a éste pueden generar modelos de baja representatividad, mientras que valores muy superiores hacen muy lento e innecesario el procedimiento de cálculo informático. Límite de convergencia (Convergence threshold): 0, Valor regularizador (Regularization multiplier): 0,0001, factor que permite un ajuste espacial de los resultados más amplio en el modelo. Valores cercanos a 1 generarían distribuciones muy similares a la distribución espacial de la especie que se está analizando y, por tanto, con bajo nivel de predicción en áreas alejadas de la actual (que no es el objetivo de este proyecto, sino, todo lo contrario, obtener zonas donde podría implantarse la especie fuera de las áreas ya conocidas). Porcentaje de test aleatorio (Random test percentage): 50, pues se aconseja que dicho porcentaje sea elevado para obtener un modelo más fiable. Valores por debajo de 25 no se consideran muy fiables, mientras que el 50 seleccionado en nuestros test se estiman como bastante fiables en los resultados Procedimiento y reajustes de variables Como se ha apuntado previamente, la aplicación MAXENT presenta un amplio número de parámetros que hacen variar los resultados de los modelos de predicción de las especies, a veces de manera muy significativa. Por esta razón, y partiendo de los parámetros fijos que se han estandarizado como los más influyentes en el resultado final (ya expuestos en el apartado previo), el modelo que se quiere obtener necesita de ajustes en el uso de las variables, ya que éstas interfieren también de manera significativa. Dicho de otra forma, es necesario analizar los resultados de las variables porque no todas favorecen el objetivo de obtener un modelo válido al no tener relación alguna con lo que se observa en la realidad. De lo contrario, se podría caer en la tentación de utilizar un número infinito de variables para explicar la distribución de una especie, incluso de variables que no tuvieran nada que ver con ella. Por ejemplo, no tendría mucho sentido utilizar como variable el número de prendas de vestir de los habitantes de una región para conocer dónde vive una planta en ese territorio. Para hacer frente a esta circunstancia, que siempre está presente en cualquier predicción de este tipo, el programa MAXENT permite conocer no sólo cuánto contribuye cada variable de manera individualizada, sino también si su contribución es positiva o negativa para el modelo obtenido con el conjunto de variables. Para ello implementa entre sus resultados a la prueba Jackknife aplicada a los datos de test, en donde se analiza la ganancia con los datos de

12 muestra. A modo de ejemplo, en la gráfica adjunta los rangos representados en azul oscuro representan esa contribución individual de cada variable, y como se aprecia en la imagen, algunas de las barras se orientan hacia la izquierda (valores por debajo de 0) y otras lo hacen hacia la derecha (valores por encima de 0). 12 Según Phillips, S. (2006), una ganancia negativa de la prueba significa que el modelo es ligeramente peor que un modelo nulo (por ejemplo, una distribución uniforme), lo que se traduce en términos prácticos en que interfiere introduciendo ruido dentro del modelo y, por tanto, todas las variables con contribución negativa deben ser eliminadas de para obtener un modelo coherente. Por esta razón, una vez corrido el modelo para una determinada especie, se ha seguido el procedimiento de analizar la gráfica Jackknife y, si tras su inspección se ha detectado que alguna variable daba una ganancia negativa, dicha variable (o variables) han sido excluidas y se ha vuelto a correr la aplicación MAXENT sólo con las variables con valores de ganancia positiva. Siguiendo el ejemplo de la gráfica anterior para la especie Lavandula viridis, la segunda vez que se corrió el modelo en la aplicación informática sólo se utilizaron las variables con ganancia positiva, es decir, con la 2, 9, 10, 14, 15, 17, 18, 25 y 26. Metodológicamente y en la exposición de resultados, estas dos fases del trabajo han sido distinguidas como fase de ensayo para inspeccionar y comprobar la aportación del total de variables, y fase definitiva si fue necesario repetir la prueba al encontrar alguna variable con ganancia negativa Umbrales de AUC considerados para el proyecto Tal y como se ha apuntado en el apartado previo, el valor mínimo del parámetro AUC ha de ser 0.5 para que sean consideradas válidas las predicciones de una especie en estado silvestre. Pero para este trabajo se han tenido en cuenta

13 todos los valores de AUC que la aplicación genera en su modelo espacial, porque lo que se persigue es conocer las áreas donde la especie podría cultivarse, lo que se traduce en una menor exigencia en la probabilidad de presencia. Esto se justifica ecológicamente porque el hombre puede modificar de forma artificial las condiciones ecológicas en las que viviría la planta (por ejemplo, con abonado, riego, escardado para eliminar competencia con otras especies, enmiendas de suelo, uso de invernaderos, etc.), por lo que sería mayor la probabilidad de supervivencia de dicha especie respecto de las condiciones actuales del medio natural. Pero, hasta qué valor es razonable un valor de AUC para la implantación de cultivos para una determinada especie? La respuesta no es sencilla, pues según algunos autores (Phillips, S.J. et al 2006) se consideran con significación estadística valores de 0,01, por lo que a partir de ese umbral es factible la presencia de una especie, mientras que por debajo sería prácticamente imposible que al visitar un territorio encontráramos dicha especie. Este extremo, no obstante, no es válido desde el punto de vista económico, pues no parece razonable implantar una zona de cultivo en un lugar donde se sabe que las condiciones no son del todo favorables para dicha especie. Entonces? La solución parece que la han encontrado los ingenieros agrónomos y estudiosos del tema ajustándola a base de ensayo y error en la realidad. Tras la revisión de diversas publicaciones sobre distribución potencial de cultivos de algunas plantas (Olson, M. et al.; 2016; Perosa, M. et al. 2014; Ocampo, J., et al. 2012), al parecer dicho umbral se ha establecido por consenso en el percentil 10 de la AUC (valor 0.1) como un límite inferior por encima del cual es razonable realizar una inversión agrícola. 13 Siguiendo estas recomendaciones sobre los umbrales de AUC, desde este proyecto y de manera totalmente subjetiva, se propone la realización de la siguiente clasificación: Probabilidad inferior a 0,1 - Zonas no aptas para cultivo Probabilidad entre 0,1-0,2 - Zonas con importantes limitaciones Probabilidad entre 0,2-0,3 - Zonas muy poco favorables Probabilidad entre 0,3-0,4 - Zonas poco favorables Probabilidad entre 0,4-0,5 - Zonas favorables Probabilidad mayor a 0,5 - Zonas muy favorables

14 3. INCIDENCIAS Y REAJUSTES REALIZADOS Además de los reajustes aplicados por los resultados obtenidos en el test Jackknife de cada especie, ha habido otras incidencias relacionadas con el número de citas disponibles para cada taxón. Según los desarrolladores de la aplicación MAXENT, el número mínimo aceptable para poder ejecutar la aplicación y obtener unos resultados relativamente fiables es de 50, más aún si el porcentaje de prueba utilizado es alto (en nuestro caso puesto en el 50%). Tras la descarga de la información de citas de Gbif y su visualización con un GIS, este problema de bajo número de observaciones se ha presentado en todas las especies estudiadas, salvo las elegidas en Andalucía que son taxones bastante abundantes, y las de Portugal, que siendo escasas aún eran suficientes. Pero, además, se ha solventado también el caso de Chiliademus glutinosus (J. glutinosa), pues existían citas en el banco de datos de Cataluña, y se ha superado ampliamente la frontera de 50. Para el resto de especies, la única solución para conseguir un número de citas mínimamente aceptable ha sido incrementar la zona de estudio hasta áreas colindantes donde dicha cifra de observaciones superara ampliamente las 50 presencias. Esto ha sido especialmente inevitable para el caso de Rhodiola rosea, pues además de su rareza, muchas de las citas se ubicaban en Andorra y otras en la porción occidental del Sistema Pirenaico. Por esta razón, se ha creado una zona de estudio que incluye todo el Sistema Pirenaico, Cataluña, Andorra y la región francesa de Midi-Pyrèneén, en la que se han analizado, además de Rhodiola, a Gentiana lutea, Arnica montana y Narcissus poeticus. 14 Dado que la aplicación MAXENT necesita homogeneidad en todo el ámbito que analiza en relación con las variables que utiliza, en esta zona pirenaica sólo se han utilizado las variables climáticas y de altimetría (en total 20), ya que el resto de variables no ha sido posible homogeneizarlas por las diferencias existentes entre los países (Francia, Andorra y España). No obstante, los resultados para estas 4 especies pirenaicas son bastante buenos y con alta significación estadísticas, por lo que sus modelos parecen excelentes a pesar de esta incidencia. En resumen, se han utilizado 4 ámbitos diferentes para el análisis de las especies: 1. Andalucía, para Thymus zygis y Cistus ladanifer 2. Algarve + Alentejo sur, para Rosmarinus officinalis y Lavandula viridis 3. Cataluña, para Chiliademus glutinosus 4. Zona pirenaica, que incluye la región francesa de Occitania (Midi- Pyréneé +Languedoc-Rosellon) y parte de Nueva Aquitania, Andorra, y en España a Cataluña, parte de Aragón y de Navarra, para las especies Rhodiola rosea, Narcissus poeticus, Arnica montana y Gentiana lutea.

15 Cartográficamente los ámbitos de proyecto son los que se exponen en la figura adjunta. 15

16 4. RESULTADOS 4.1. Fase de ensayo En la zona de proyecto pirenaica las gráficas de ganancia de Jackknife muestra que en la mayor parte de las especies apenas hay variables que den resultados negativos. En el caso de Narcissus poeticus, solamente la variable 15 es la que ofrece ganancias negativas, por lo que ha sido necesario rehacer una nueva modelización. 16 No es el caso de Rhodiola rosea, Gentiana lutea y Arnica montana, (véanse gráficos siguientes) en los que todas las variables ofrecen ganancias positivas, por lo que dichas modelizaciones se han considerado como las definitivas.

17 17

18 En la zona de proyecto de Cataluña, la única especie analizada para este ámbito (Chiliademus glutinosus) muestra que hay resultados negativos para la variable 26 (litología), por lo que ha sido necesario realizar una nueva ejecución de la aplicación sin ella. 18 En el caso de la zona de proyecto de Bajo Alentejo y Algarve, ambas especies (Lavandula viridis y Rosmarinus officinalis) muestran que hay resultados

19 negativos para numerosas variables, por lo que ha sido necesario realizar nuevas ejecuciones de la aplicación sin ellas. 19

20 Por último, en la zona de proyecto de Andalucía las gráficas de ganancia de Jackknife muestran que para las dos especies (Cistus ladanifer y Thymus zygis) no hay variables que den resultados negativos, por lo que se consideran definitivos. 20

21 4.2. Fase definitiva Una vez identificadas las especies en la que ha sido necesario repetir la modelización excluyendo las variables con ganancia negativa, se han obtenido los resultados definitivos, incluyendo también los gráficos de modelización de cada una de las variables empleadas. Estos resultados están disponibles en el directorio adjunto a esta memoria (véase fichero comprimido SDM_SSPP.ZIP). La aplicación MAXENT los ofrece en formato web (html), por lo que pueden ser consultados pinchando con el ratón sobre cada una de las especies. Por ejemplo, para ver los resultados de la especie Arnica montana, basta con hacer doble clic sobre el fichero Arnica_montana.html se obtendrá una imagen como la siguiente: 21 Como resultados resumen de los que se han obtenido para cada especie, a continuación, se exponen el mapa de aptitud para el cultivo utilizando los intervalos de probabilidad de presencia descritos en la metodología, y también el gráfico de sensibilidad-especificidad para obtener una referencia de la bondad de la predicción del modelo.

22 Lavandula viridis 22

23 Rosmarinus officinalis 23

24 Lavandula stoechas 24

25 Thymus zygis 25

26 Cistus ladanifer 26

27 Chiliademus glutinosus 27

28 Arnica montana 28

29 Gentiana lutea 29

30 Narcissus poeticus 30

31 Rhodiola rosea 31

32 5. BIBLIOGRAFÍA Y ENLACES WEB Araújo, M. B., & New, M. (2007). Ensemble forecasting of species distributions. Trends in ecology & evolution, 22(1), Ávila Coria, R., Villavicencio García, R., & Ruiz Corral, J. A. (2014). Distribución potencial de Pinus herrerae Martínez en el occidente del estado de Jalisco. Revista mexicana de ciencias forestales, 5(24), Barry, S., & Elith, J. (2006). Error and uncertainty in habitat models. Journal of Applied Ecology, 43(3), Benito, B., Peñas, J. (2007). Aplicación de modelos de distribución de especies a la conservación de la biodiversidad en el sureste de la Península Ibérica. GeoFocus (Artículos), nº 7, p , ISSN: Conabio [Comisión Nacional de Biodiversidad] (2017). Nichos y Áreas de Distribución. Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E., & Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and distributions, 17(1), Fidel-Flores-Ari, J. (2015) Evaluación de la distribución potencial de Queñua mediante el modelamiento de nicho ecológico. Bioscience, 2 (1), Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental conservation, 24(01), Liras, E. (2008). Funcionamiento, interfaz y formato de los datos en Maxent: réplica del IV taller de modelización de nichos ecológicos (en línea). Almería, ES. Consultado 05 ene Mateo, R. G., FELICÍSIMO, Á. M., & Muñoz, J. (2011). Modelos de distribución de especies: Una revisión sintética. Revista chilena de historia natural, 84(2), Olson, M. E., & Alvarado-Cárdenas, L. O. (2016). Dónde cultivar el árbol milagro, Moringa oleifera, en México? Un análisis de su distribución potencial. Revista Mexicana de Biodiversidad, 87(3), Ocampo, J., Posada, P., Medina, J., Jarvis, A. (2012). Zonificación agroecológica y efecto del cambio climático en el cultivo de maracuyá en Colombia. Conference: 58th ISTH Annual Meeting Interamerican Society for Tropical Horticulture, At Lima, Peru, Volume: 58.

33 Perosa, M., Rojas, F., Villagra, P., Tognelli, M. F., Carrara, R., & Alvarez, J. A. (2014). Distribución potencial de los bosques de Prosopis fexuosa en la Provincia Biogeográfica del Monte (Argentina). Ecología austral, 24(2), Peterson, A. T. (2007). Why not WhyWhere: the need for more complex models of simpler environmental spaces. ecological modelling, 203(3), Phillips, S. (2006). Una Breve Guía Didáctica sobre MaxEnt. Online [URL] cs. princeton. edu/~ schapire/maxent/tutorial/tutorial-in-spanish. doc (Accessed on 4 June 2008). Phillips, S.J., Dudík, M., Schapire, R.E., A maximum entropy approach to species distribution modeling. In: Proceedings of the 21st International Conference on Machine Learning,ACMPress, New York, pp Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological modelling, 190(3), Phillips, S. J., Dudík, M., Elith, J., Graham, C. H., Lehmann, A., Leathwick, J., & Ferrier, S. (2009). Sample selection bias and presence only distribution models: implications for background and pseudo absence data. Ecological Applications, 19(1), Plasencia-Vázquez, A. H., Escalona-Segura, G., & Esparza-Olguín, L. G. (2014). Modelación de la distribución geográfica potencial de dos especies de psitácidos neotropicales utilizando variables climáticas y topográficas. Acta zoológica mexicana, 30(3), Plata, S., Manuel, V., Fassaert, C. N., Current, M., Fassaert, D., Prins, C.,... & Offen, K. H. (2013). Distribución potencial y conocimiento local de la nutria neotropical (Lontra longicaudis) en la cuenca del río San Juan, Costa Rica (No. Thesis S235o). CATIE, Turrialba (Costa Rica). Scheldeman, X., & Van Zonneveld, M. (2011). Manual de capacitación en análisis espacial de diversidad y distribución de plantas. Bioversity International, Young, A. G., Boyle, T., Brown, T., & Clarke, G. M. (2008). Bioinformática para la conservación de la flora. trees, 95, Young, N., Carter, L., & Evangelista, P. (2011). A MaxEnt model v3.3.3 e tutorial (ArcGIS v10). Fort Collins, Colorado.