Sistema Integrado de Monitoreo de Ecosistemas Forestales Corredores para Polinizadores - Áreas prioritarias para la Restauración

Sistema Integrado de Monitoreo de Ecosistemas Forestales Corredores para Polinizadores - Áreas prioritarias para la Restauración BORRADOR

ÍNDICE Índice... 2 1. Objetivo general... 3 2. Introducción... 3 2. Modelamiento de la distribución potencial... 5 2.1 Datos de localidades... 5 2.2 Datos ambientales... 6 2.3 Calibración de los modelos... 6 2.4 Corredores de mínimo costo... 7 3. Resultados... 8 3.1 Región de O Higgins... 8 3.2 Región de Biobío... 10 3.3 Región de los Ríos... 12 4. Discusión y Recomendaciones... 15 5. Literatura... 17 Anexo I... 19 Anexo II... 20 Anexo III... 22

1. OBJETIVO GENERAL A objeto de poder priorizar áreas y acciones de restauración de bosque nativo en el marco del proyecto SIMEF, se desarrolló una metodología para identificar corredores para polinizadores asociados al bosque nativo en las tres áreas piloto del SIMEF en el Cordón Cantillana Sur (Región de O Higgins), en los Nevados de Chillán (Región del Ñuble) y en Panguipulli (Región de Los Ríos). Mediante un modelo de distribución espacial, se identifican áreas que presentan condiciones ambientales favorables para polinizadores asociados al bosque nativo. A base de esta modelación se calculan corredores biológicos para polinizadores que permiten priorizar áreas donde concentrar las acciones de restauración en las áreas pilotos, con el fin de crear una red de corredores biológicos compuestos de bosque nativo que sirvan a polinizadores para su desplazamiento. 2. INTRODUCCIÓN La CBD (Convención de la Biodiversidad), durante la XIII reunión en diciembre 2016, adoptó la decisión de recomendar a los países miembros de la convención de promover hábitats amigables para polinizadores a través de la diversificación de hábitats productivos y a través de la conservación, el manejo y la restauración de hábitats naturales, con el fin de aumentar la extensión y la conectividad de hábitats para polinizadores. Se ha comprobado que la restauración de hábitats naturales mejora la polinización de flora nativa generando una interacción planta-polinizador mucho más generalizada con un alto nivel de redundancia funcional; es decir una interacción que se mantiene gracias a una gran variedad de especies diferentes, y por lo tanto menos susceptible a cambios ambientales y climáticos (Kaiser-Bunbury et al. 2017). En Chile hay una enorme variedad de especies polinizadoras. Según un reporte de la FAO, hay 203 especies directamente descritas como polinizadores de cultivos (FAO 2017). Pero no todos los polinizadores prestan el servicio de polinización en cultivos, sino que también en otros ecosistemas como por ejemplo el bosque nativo. A la fecha, Chile cuenta con más de 450 especies de abejas nativas, 256 especies de moscas, 14 especies de lepidópteros, 17 especies de escarabajos y 11 especies de picaflores registrados como polinizadores (FAO 2017). Estudios de proyección indican que hay muchísimas especies más de lo registrado actualmente que prestan el servicio de polinización en Chile.

El modelamiento de corredores biológicos con modelos espaciales depende de una sola especie, entonces fue necesario elegir una especie como representante de los polinizadores asociados al bosque nativo que cumpla con ciertos requisitos. El polinizador representante para el presente estudio es el moscardón chileno Bombus dahlbomii por los siguientes motivos: (1) Porque es el único abejorro nativo del Centro-Sur de Chile (Aizen et al. 2002). (2) Porque su área de distribución llega de la Región de Valparaíso hasta Tierra del Fuego (MMA 2016), y por lo tanto cubre las tres áreas piloto del SIMEF. (3) Porque está fuertemente asociado al bosque nativo, es decir necesita el bosque nativo para su sobrevivencia. (4) Porque es una especie generalista asociada a un amplio espectro de flora abarcando 84 plantas (42 familias) de las cuales 75% corresponde a flora nativa y un 25% a flora exótica (Montalva et al. 2011, Smith-Ramírez et al. 2005). (5) Porque es una especie simpática, emblemática y de simple reconocimiento que facilitará su monitoreo a través del monitoreo participativo que está implementando el SIMEF actualmente en las áreas piloto. (5) Porque se encuentra en peligro de extinción y se estima que en los últimos 15 años B. dahlbomii desapareció en el 80% de las zonas donde habitaba antes (Montalva 2012, MMA 2016). No existen estudios sobre el hábitat de B. dahlbomii, pero hay evidencia que necesita sitios de nidificación, hibernación y forrajeo (alimentación). Requiere de nidos construidos previamente y abandonados por otros animales o cavidades preexistentes, que estén no arados y protegidos, lo cual suele ocurrir en áreas naturales o seminaturales. Para tener éxito en la fase de hibernación es clave la disponibilidad de alimento a fines de la temporada, ya que depende en parte de la cantidad de néctar y polen que ingieren los individuos antes de entrar en esta fase (Beekman et al. 1998). Es importante mencionar, que B. dahlbomii también se encuentra afectado por la presencia de endoparásitos que posiblemente llegaron a Chile desde Europa por individuos contagiados de B. terrestris, que se sigue importando anualmente para la polinización de tomate en invernaderos. Arbetman et al. (2012) reveló la presencia del endoparásito Apicystis bombi en poblaciones silvestres de B. dahlbomii, B. ruderatus y B. terrestris. El parásito A. bombi es un protozoo que causa la muerte prematura de las obreras, impidiendo la formación de nuevas colonias y poniendo al abejorro nativo en riesgo serio de su conservación (Montalva 2012).

2. MODELAMIENTO DE LA DISTRIBUCIÓN POTENCIAL Para el modelamiento de la distribución espacial se utilizó el programa MAXENT (Phillips et al. 2017) y herramientas especializadas para el análisis de modelos de distribución espacial en ArcGIS (Brown et al. 2017). Para poder desarrollar el modelo de distribución espacial, se necesitan datos de localidades (puntos georreferenciados) de B. dahlbomii y datos ambientales (compara con capítulo 2.2 sobre datos ambientales) de las tres regiones donde están ubicados las áreas pilotos. En base a estos datos, MAXENT modela la distribución potencial relativa de B. dahlbomii con máxima entropía según las restricciones derivadas de las condiciones ambientales encontradas en los puntos de ocurrencia de B. dahlbomii. Esta distribución potencial relativa sirve como base para calcular los corredores biológicos en una región. 2.1 DATOS DE LOCALIDADES Los datos de localidades georreferenciados de B. dahlbomii son bastante escasos en Chile. Las fuentes utilizadas para este estudio son la base de datos de biodiversidad GBIF (Global Biodiversity Information Facility) y la iniciativa de ciencia ciudadana Salvemos Nuestro Abejorro. Las localidades de B. dahlbomii no han sido inventariadas de manera planificada, sino que resultan ser de muestras de museos, estudios puntuales y de monitoreo participativo en el caso de los datos de la iniciativa Salvemos Nuestro Abejorro. Por eso es muy probable que las localidades demuestren una auto correlación espacial y que sean sujetas a un sesgo ambiental (Reddy & Dávalos 2003; Araújo & Guisan, 2006). Con el fin de disminuir el sesgo ambiental, se aplica un filtro espacial manteniendo el máximo número de localidades posibles con una distancia mínima de 10 km entre cada punto (Anderson & Raza 2010; Pearson et al. 2007). Aunque el valor de 10 km de distancia para el filtro espacial es arbitrario, los autores mencionados justifican ese valor por el tamaño que implica un modelamiento a nivel de región y por las heterogeneidades de los datos ambientales presentes dentro de una región modelada. En la Tabla 1 se encuentra el número de localidades de B. dahlbomii por región y por fuente antes y después de aplicar el filtro espacial.

Tabla 1: Localidades georreferenciadas de B. dahlbomii por fuente y por región Fuente O Higgins Biobío Los Ríos GBIF 9 48 20 Salvemos Nuestro Abejorro 16 40 31 Subtotal 25 88 51 Filtrado (10 km²) 16 29 23 Fuente 1: https://www.gbif.org (05.01.2018) Fuente 2: https://salvemosnuestroabejorro.wordpress.com (24.05.2018) Después de aplicar el filtro espacial de 10 km, quedan 16 localidades georreferenciadas en la Región de O Higgins, 29 localidades en la Región de Biobío y 23 localidades en la Región de Los Ríos. Estas localidades entran en el proceso de calibración del modelo y en la calculación de la distribución potencial y de los corredores para B. dahlbomii. 2.2 DATOS AMBIENTALES A parte de las localidades, se incluirán los siguientes datos ambientales: 19 variables de datos bioclimáticos para los años 1970-2000 con una resolución de 1 km². En el Anexo I hay una lista con todas las variables bioclimáticas (www.worldclim.org/version2) Modelo digital de elevación (DEM) de Chile con resolución de 60 m Capas con la cobertura de suelo (última actualización del Sistema de Información Territorial) La red vial no se incluyó por su efecto de sesgo ambiental que tiene la capa sobre el resultado de modelamiento (Reddy & Dávalos 2003; Araújo & Guisan, 2006). 2.3 CALIBRACIÓN DE LOS MODELOS Para medir el éxito predictivo de un modelo se deben utilizar datos independientes (datos de evaluación) que no han sido utilizados para desarrollar el modelo. Los datos para desarrollar un modelo se denominan datos de calibración. Idealmente, los datos de evaluación se recolectan independientemente, después de haber desarrollado el modelo. Sin embargo, en la mayoría de los casos se divide el total de los datos en dos grupos, uno para evaluar y uno para calibrar el modelo. Este procedimiento no es apto para un modelamiento con datos muy reducidos por el

número limitado que queda para evaluar y calibrar (Pearson et al. 2007). Por eso se aplicará un procedimiento denominado técnica jackknife que fue desarrollado y validado para modelamientos con muestreos reducidos con localidades < 25 (Pearson et al. 2007). La técnica jackknife (significado: dejar uno afuera ) se basa en un procedimiento en el cual se excluye una de todas las localidades disponibles a la vez y se desarrolla el modelo con n 1 localidades. Entonces, para n localidades de B. dahlbomii se construyen n modelos para la evaluación. Luego, se califica la eficiencia predictiva basada en la habilidad de cada modelo de pronosticar correctamente la localidad excluida de los datos. Para esto se aplica el umbral mínimo presente, que es el valor mínimo de las localidades incluidas en el modelo. A base de este umbral se averigua, si el modelo pronostica la localidad excluida como presente o no, y se registra la tasa de éxito (1 = presente, 0 = no presente). También se anota la proporción de área pronosticada por cada ejecución del modelo. La estadística de evaluación de los modelos es la siguiente (Pearson et al. 2007): D = X (1 P ) Con X = Tasa de éxito y P = Proporción de área pronosticada. Porque D depende del área proporcional pronosticado y de la tasa de éxito por cada modelo, no es posible identificar el valor de probabilidad p de una sola tabla, sino que de una suma de probabilidades exhaustiva de caso-a-caso. Para ese efecto Pearson et al. (2007) desarrollaron un programa que se utilizará para calcular el valor de probabilidad p. Para reducir los efectos de overfitting se utilizarán multiplicadores de regularización de 2.00 (Radosavljevic & Anderson 2014). 2.4 CORREDORES DE MÍNIMO COSTO A partir de la distribución potencial relativa de B. dahlbomii se calculan los corredores biológicos que conectan cada localidad, en donde se ha observado B. dahlbomii. Estos corredores se conocen como corredores de mínimo costo porque conectan las localidades buscando el trayecto de mínimo costo en términos de esfuerzo de desplazamiento para la especie en el espacio modelado (Concepto Least-Cost Corridors). Para calcular los corredores se utiliza un set de herramientas geoespaciales desarrolladas por Etherington (2011) y luego adaptadas por Brown (2014).

3. RESULTADOS 3.1 REGIÓN DE O HIGGINS El modelo desarrollado pronostica la distribución potencial relativa de B. dahlbomii con una tasa de éxito de 62,5 % y es estadísticamente significante con un valor de probabilidad p < 0,05 (p = 0,006863). La distribución potencial relativa se presenta en porcentaje relativo entre 0 y 100 % en toda la región. El umbral mínimo presente del modelo final con todas las localidades incluidas es de 37,67 %, es decir que los valores mayores a 37,67 demuestran condiciones ambientales favorables para B. dahlbomii. En la Ilustración 1 se presenta el resultado de la distribución potencial relativa de B. dahlbomii en la región de O Higgins. Ilustración 1: Distribución potencial relativa de B. dahlbomii, Región de O'Higgins En la Ilustración 2 se presentan las zonas con condiciones ambientales favorables según el modelo desarrollado con un buffer de 500 m para B. dahlbomii en la Región de O Higgins.

Ilustración 2: Condiciones ambientales favorables, Región de O'Higgins En la Ilustración 3 y 4 se presentan los corredores de mínimo para B. dahlbomii en la región de O Higgins y en el área de acción del SIMEF Cantillana sur. Ilustración 3: Corredores de mínimo costo para B. dahlbomii, Región de O'Higgins

Ilustración 4: Corredores de mínimo costo para B. dahlbomii, Área de acción Cantillana sur 3.2 REGIÓN DE BIOBÍO Aunque existen datos de localidades en toda la región, el modelo regional no fue estadísticamente significante. Por eso fue necesario dividir los datos de localidades de B. dahlbomii según su ubicación en dos zonas diferentes, una zona costera y otra zona entre valle central y precordillera, donde está ubicado el área piloto de la región. El modelo desarrollado para la zona costera pronostica la distribución potencial relativa de B. dahlbomii con una tasa de éxito de 90,9% y es estadísticamente significante con un valor de probabilidad p < 0,05 (p = 0,000001). El modelo desarrollado para la zona del piloto pronostica la distribución potencial relativa de B. dahlbomii con una tasa de éxito de 85,7% y es estadísticamente significante con un valor de probabilidad p < 0,05 (p = 0,003293). La distribución potencial relativa se presenta en porcentaje relativo entre 0 y 100% en toda la región. El umbral mínimo presente del modelo costero es de 13,43% y del modelo piloto es de 40,32%, es decir que los valores mayores a estos demuestran condiciones ambientales favorables para B. dahlbomii. En las siguientes ilustraciones se presentan los resultados de la distribución potencial relativa y las zonas con condiciones ambientales favorables con un buffer de 500 m para B. dahlbomii en la zona costera y la zona del piloto de la Región de Biobío.

Ilustración 5: Distribución potencial relativa de B. dahlbomii, zona costera de la Región de Biobío Ilustración 6: Distribución potencial relativa de B. dahlbomii, zona piloto de la Región de Biobío Ilustración 7: Condiciones ambientales favorables, zona costera de la Región de Biobío Ilustración 8: Condiciones ambientales favorables, zona piloto de la Región de Biobío

En las ilustraciones 9 y 10 se presentan los corredores de mínimo costo en la Región de Biobío y Ñuble y en el área piloto de la actual Región del Ñuble. 3.3 REGIÓN DE LOS RÍOS El modelo desarrollado pronostica la distribución potencial relativa de B. dahlbomii con una tasa de éxito de 86,9% y es estadísticamente significante con un valor de probabilidad p < 0,05 (p = 0,000536). La distribución potencial relativa se presenta en porcentaje relativo entre 0 y 100% en toda la región. El umbral mínimo presente del modelo final con todas las localidades incluidas es de 15,71%, es decir que los valores mayores a 15,71 demuestran condiciones ambientales favorables para B. dahlbomii. En la Ilustración 9 se presenta el resultado de la distribución potencial relativa y en la Ilustración 10 las zonas con condiciones ambientales favorables según el modelo desarrollado con un buffer de 500 m para B. dahlbomii en la Región de Los Ríos.

Ilustración 9: Distribución potencial relativa de B. dahlbomii, Región de Los Ríos Ilustración 10: Condiciones ambientales favorables, Región de Los Ríos En las Ilustraciones 13 y 14 se presentan los corredores de mínimo costo para B. dahlbomii en la región de Los Ríos y en la comuna de Panguipulli respectivamente.

Ilustración 11: Corredores de mínimo costo para B. dahlbomii, Región de Los Ríos Ilustración 12: Corredores de mínimo costo para B. dahlbomii, Comuna de Panguipulli

4. DISCUSIÓN Y RECOMENDACIONES Los modelos de distribución potencial relativa y los corredores biológicos desarrollados representan los corredores de mínimo costo en términos de desplazamiento para la especie B. dahlbomii. Estos corredores sirven para acercarse a las necesidades de desplazamiento de B. dahlbomii y de numerosas especies de polinizadores asociados al bosque nativo en las regiones de O Higgins, de Biobío y de Los Ríos. Todos los modelos son altamente significantes estadísticamente y presentan tasas de éxito de pronóstico entre 62% y 90%, no obstante, el aumento del número de observaciones en la base de datos de localidades de B. dahlbomii podría mejorar las predicciones. Un aumento de datos de localidades facilita el desarrollo de modelos de distribución y de corredores más locales. También es posible aumentar las observaciones para otras especies que sean de interés. Una buena alternativa puede ser un muestreo sistemático ejecutado por las iniciativas de monitoreo participativo que se están desarrollando en el marco del SIMEF para mejorar la base de datos de B. dahlbomii u otros polinizadores en las áreas de acción del SIMEF. Debido a que los corredores sirven para el desplazamiento de polinizadores asociados al bosque nativo, recomendamos que las iniciativas de restauración, sea o no en el marco del SIMEF, deberían idealmente concentrarse en las áreas de los corredores planteadas. En el Anexo III se incluyen tablas con la flora arbórea y arbustiva nativa asociada a B. dahlbomii en la región de O Higgins, de Bio-Bío y de Los Ríos. Como ya se ha mencionado, B. dahlbomii es una especie generalista con un espectro amplio de flora nativa asociada, es por esto que una restauración de bosque nativo con especies recomendadas para B. dahlbomii (tablas del Anexo III) puede servir también para muchas otras especies de polinizadores más especializados, incluyendo la abeja melífera. En conclusión, según los resultados del presente estudio recomendamos los siguientes pasos: 1. Utilizar los corredores planteados -en forma orientativa- para concentrar el esfuerzo de acciones de restauración en la generación de corredores de bosque nativo que faciliten el desplazamiento de numerosos polinizadores asociados a estos ecosistemas. 2. Considerar los arbustos y árboles del Anexo III para asegurar una restauración de una vegetación nativa que favorezca un amplio espectro tanto de polinizadores generalistas como especializados.

3. Mejorar la base de datos de observaciones de especies polinizadores, B. dahlbomii u otras especies que sean de interés de la comunidad involucrada, a través del monitoreo participativo que se está desarrollando en el marco del SIMEF. 4. Generar modelos de distribución potencial relativa y corredores más locales para otras especies, una vez mejorada la base de datos de observaciones de especies polinizadores.

5. LITERATURA Abrahamovich, A. H., Díaz, N. B., Morrone, J. J. (2004) Distributional patterns of the neotropical and andean species of the genus Bombus (Hymenoptera: Apidae). Acta Zoológica Mexicana, 20, 99-117. Abrahamovich, A. H., Díaz, N. B., Lucia, M. (2005) Las especies del género Bombus Latreille en Argentina (Hymenoptera: Apidae). Estudio Taxonómico y Claves Para su Identificación. Neotropical Entomology, 34 (2), 235-250. Aizen, M. A., Vázquez, D. P., Smith-Ramírez, C. (2002) Historia natural y conservación de los mutualismos planta-animal del bosque templado de Sudamérica austral. Revista Chilena de Historia Natural, 75 (1), 79-97. Anderson, R. P. & Raza, A. (2010) The effect of the extent of the study region on GIS models of species geographic distributions and estimates of niche evolution: preliminary tests with montane rodents (genus Nephelomys) in Venezuela. Journal of Biogeography, 37, 1378-1393. Araújo, M. B. & Guisan, A. (2006) Five (or so) challenges for species distribution modelling. Journal of Biogeography, 33, 1677-1688. Arbetman, M. P., Meeus, I., Morales, C. L., Aizen, M. A., Smagghe, G. (2012) Alien parasite hitchhikes to Patagonia on invasive bumblebee. Biological invasions. Biological Invasions, 15 (3), 489-494. Beekman, M., Van Stratum, P. & Lingeman, R. (1998) Diapause survival and post-diapause performance in bumblebee queens (Bombus terrestris). Entomologia Experimentalis et Applicata, 89, 207-214. Brown, J. L., Bennett, J. & French, C. M. (2017) SDMtoolbox: the next generation python based GIS toolkit for landscape genetic, biogeographic and species distribution model analyses. PeerJ, 5, e4095, https://doi.org/10.7717/peerj.4095. Brown, J. L. (2014) SDMtoolbox: a python based GIS toolkit for landscape genetic, biogeographic and species distribution model analyses. Methods in Ecology and Evolution, 5, 694-700. Chan, L. M., Brown, J. L. & Yoder, A. D. (2011) Integrating statistical genetic and geospatial methods brings new power to phylogeography. Molecular Phylogenetics and Evolution, 59 (2), 523-537. Etherington, T. R. (2011) Python based GIS tools for landscape genetics: visualising genetic relatedness and measuring landscape connectivity. Methods in Ecology and Evolution, 2 (1), 52-55. FAO (2017) Estado del arte del servicio ecosistémico de la polinización en Chile, Paraguay y Perú 2017. FAO, Santiago, Chile. 118 pp. Global Biodiversity Information Facility (01/05/2018). GBIF Occurrence Download: doi:10.15468/dl.8ygzka, Accessed via GBIF.org. Global Biodiversity Information Facility (01/08/2018). GBIF Occurrence Download: doi:10.15468/dl.2oo5l7, Accessed via GBIF.org

Hilty, J. A., Lidicker, W. Z. & Merenlender, A. M. (2006) Corridor Ecology: the science and practice of linking landscapes for biodiversity conservation. Island Press, Washington, USA. 345 pp. Kaiser-Bunbury, C., Mougal, J., Whittington, A. E., Valentin, T., Gabriel, R., Olesen, J. M. & N. Blüthgen (2017) Ecosystem restoration strengthens pollination network resilience and function. Nature, 542, 223-227. MICRA. Mariposas de Chile según áreas ecológicas Valle Central de O Higgins y Región de Los Ríos. Available from URL: http://www.micra.cl/#!/buscador/areas-ecologicas. Accessed on 01/22/2018. MMA (2016) Bombus dahlbomii (Guérin-Meneville 1835). Ficha de antecedentes de especies, DS 18 MMA 2016 (12mo proceso RCE). Montalva, J., Dudley, L. S., Arroyo, M. T. K., Retamales, H., & Abrahamovich, A. H. (2011) Geographic distribution and associated flora of native and introduced bumblebees (Bombus spp.) in Chile. Journal of Apicultural Research, 50 (1), 11-21. Montalva, J. (2012) La difícil situación del abejorro más austral del mundo (Bombus dahlbomii Guérin- Méneville, 1835). Boletín de Biodiversidad de Chile, 7, 1-3. Pearson, R. G., Raxworthy, C. J., Nakamura, M., Peterson, A. T. (2007) Predicting species distributions from small numbers of occurrence records: a test case using cryptic geckos in Madagascar. Journal of Biogeography, 34, 102-117. Phillips, S. J. (2017) A Brief Tutorial on Maxent. Lessons in Conservation, 3, 108-135. Phillips, S. J., Anderson, R. P., Dudik, M., Schapire, R. E. & Blair, M. E. (2017) Opening the black box: an open-source release of Maxent. Ecography, 40, 87-893. Phillips, S.J. & Dudik, M. (2008) Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography, 31, 161-175. Radosavljevic, A. & Anderson, R. P. (2014) Making better MAXENT models of species distributions: complexity, overfitting and evaluation. Journal of Biogeography, 41, 629-643. Reddy, S. & Dávalos, L. (2003) Geographical sampling bias and its implications for conservation priorities in Africa. Journal of Biogeography, 30, 1719-1727. Scheldeman, X. & van Zonneveld, M. (2011) Manual de Capacitación en Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity International, Roma, Italia. 186 pp. Smith-Ramírez, C., Martinez, P., Nuñez, M., González, C. & J.J. Armesto (2005) Diversity, flower visitation frequency and generalism of pollinators in temperate rain forests of Chiloé Island. Chile Botanical Journal of the Linnean Society, 147, 399-416. West, A., Kumar, S., Brown, C.S., Stohlgren, T.J. & Bromberg, J. (2016) Field validation of an invasive species Maxent model. Ecological Informatics, 36, 126-134.

ANEXO I Tabla 2: Las 19 variables bioclimáticas de WorldClim BIO1 Temperatura promedio anual BIO2 Rango medio diurno (temp max temp min; promedio mensual) BIO3 Isotermalidad (BIO1/BIO7) * 100 BIO4 BIO5 BIO6 BIO7 BIO8 BIO9 BIO10 BIO11 BIO12 BIO13 BIO14 BIO15 BIO16 BIO17 BIO18 BIO19 Estacionalidad en temperatura (coeficiente de variación) Temperatura máxima del período más caliente Temperatura mínima del período más frío Rango anual de temperatura (BIO5-BIO6) Temperatura media en el trimestre más lluvioso Temperatura promedio en el trimestre más seco Temperatura promedio en el trimestre más caluroso Temperatura promedio en el trimestre más frío Precipitación anual Precipitación en el período más lluvioso Precipitación en el período más seco Estacionalidad de la precipitación (Coeficiente de variación) Precipitación en el trimestre más lluvioso Precipitación en el trimestre más seco Precipitación en el trimestre más caluroso Precipitación en el trimestre más frío Fuente: www.worldclim.org

ANEXO II Tabla 3: Resultados del Proceso de Calibración del Modelo, Región de O'Higgins Ejecución LPT (acumulativo) FPA Tasa de éxito 1 35.16 0.330 0 2 44.51 0.291 1 3 38.83 0.337 1 4 44.01 0.285 1 5 41.91 0.284 1 6 30.29 0.408 1 7 40.75 0.318 1 8 38.56 0.339 1 9 22.34 0.510 1 10 43.08 0.300 1 11 18.29 0.532 0 12 33.63 0.346 0 13 38.11 0.293 0 14 21.68 0.497 0 15 37.17 0.295 0 16 41.47 0.296 1 LPT (Lowest Presence Threshold) Umbral mínimo presente; FPA (Fractional Predicted Area) Proporción del área pronosticada Tabla 4: Resultados del Proceso de Calibración del Modelo de la zona costera, Región de Bio-Bío Ejecución LPT (acumulativo) FPA Tasa de éxito 1 17.51 0.278 1 2 14.82 0.316 1 3 11.97 0.338 1 4 12.48 0.339 1 5 12.20 0.358 1 6 13.75 0.329 1 7 12.52 0.345 1 8 13.33 0.328 1 9 12.93 0.345 1 10 13.29 0.329 1 11 13.34 0.322 1 12 12.86 0.343 1 13 14.71 0.306 1 14 13.08 0.326 1 15 13.25 0.334 1 16 14.55 0.303 1 17 11.88 0.356 1 18 9.84 0.350 0 19 11.57 0.352 1 20 10.31 0.346 0 21 10.18 0.364 1 22 14.88 0.313 1 LPT (Lowest Presence Threshold) Umbral mínimo presente; FPA (Fractional Predicted Area) Proporción del área pronosticado

Tabla 5: Resultados del Proceso de Calibración del Modelo de la zona piloto, Región de Bio-Bío Ejecución LPT (acumulativo) FPA Tasa de éxito 1 40.02 0.273 0 2 40.58 0.297 1 3 40.19 0.297 1 4 41.82 0.295 1 5 41.50 0.295 1 6 42.09 0.295 1 7 40.49 0.297 1 LPT (Lowest Presence Threshold) Umbral mínimo presente; FPA (Fractional Predicted Area) Proporción del área pronosticado Tabla 6: Resultados del Proceso de Calibración del Modelo, Región de Los Ríos Ejecución LPT (acumulativo) FPA Tasa de éxito 1 10.25 0.599 1 2 18.82 0.464 0 3 14.77 0.522 1 4 16.12 0.520 1 5 15.14 0.537 1 6 10.28 0.617 1 7 17.56 0.501 1 8 13.49 0.536 1 9 16.88 0.519 1 10 17.48 0.510 1 11 17.12 0.510 1 12 16.00 0.533 1 13 15.94 0.532 1 14 16.44 0.522 1 15 14.94 0.526 1 16 18.20 0.497 1 17 10.44 0.572 0 18 20.44 0.436 0 19 15.07 0.522 1 20 16.91 0.510 1 21 16.71 0.514 1 22 10.69 0.590 1 23 16.05 0.518 1 LPT (Lowest Presence Threshold) Umbral mínimo presente; FPA (Fractional Predicted Area) Proporción del área pronosticado

ANEXO III Tabla 7: Flora nativa asociada a B. dahlbomii, zona Cantillana sur, Región de O Higgins Nombre científico Nombre común Categoría Aristotelia chilensis Maqui Árbol Azara celastrina Lilén Arbusto Chuquiraga oppositifolia Hierba blanca Arbusto Crinodendron patagua Patagua Árbol Eryngium paniculatum Cortadera Arbusto Escallonia revouta Lun Árbol Escallonia pulverulenta Corontillo Arbusto Fuchsia magellanica Chilco Arbusto Hydrangea serratifolia Canelilla Arbusto Lithraea caustica Litre Árbol Myrceugenia exsucca Pitrilla Árbol Otholobium glandulosum Culén Arbusto Peumus boldus Boldo Árbol Quillaja saponaria Quillay Árbol Satureja gilliesii Menta de árbol Arbusto Schinus latifolius Molle Árbol Senecio bustillosianus Senecio Arbusto Senecio eruciformis Senecio de cordillera Arbusto Senna candolleana Alcaparra Arbusto Solanum crispum Tomatillo Arbusto

Tabla 8: Flora nativa asociada a B. dahlbomii, zona piloto, Región de Bio-Bío Nombre científico Nombre común Categoría Aristotelia chilensis Maqui Árbol Azara celastrina Lilén Arbusto Buddleja globosa Matico Arbusto Crinodendron patagua Patagua Árbol Desfontainia spinosa Taique/ Trau-trau Arbusto Embothrium coccineum Notro Árbol Eryngium paniculatum Cortadera Arbusto Escallonia revouta Lun Árbol Escallonia pulverulenta Corontillo Arbusto Fuchsia magellanica Chilco Arbusto Gaultheria insana Hued-hued Arbusto Gaultheria phillyreafolia Chaura común Arbusto Gevuina avellana Avellano Árbol Hydrangea serratifolia Canelilla Arbusto Lithraea caustica Litre Árbol Luma apiculata Arrayán Árbol Otholobium glandulosum Culén Arbusto Peumus boldus Boldo Árbol Quillaja saponaria Quillay Árbol Rhaphithamnus spinosus Arrayán macho Arbusto Satureja gilliesii Menta de árbol Arbusto Sophora microphylla Pelú Árbol Ugni candollei Murta Arbusto Ugni molinae Murta Arbusto

Tabla 9: Flora nativa asociada a B. dahlbomii, comuna de Panguipulli, Región de Los Ríos Nombre científico Nombre común Categoría Amomyrtus luma Luma Árbol Amomyrtus meli Meli Árbol Aristotelia chilensis Maqui Árbol Buddleja globosa Matico Arbusto Caldcluvia paniculata Tiaca Árbol Crinodendron hookerianum Chaquihue Arbusto Desfontainia spinosa Taique/ Trau-trau Arbusto Embothrium coccineum Notro Árbol Eryngium paniculatum Cortadera Arbusto Escallonia revouta Lun Árbol Escallonia pulverulenta Corontillo Arbusto Eucryphia cordifolia Ulmo Árbol Fuchsia magellanica Chilco Arbusto Gaultheria insana Hued-hued Arbusto Gaultheria phillyreafolia Chaura común Arbusto Gevuina avellana Avellano Árbol Hydrangea serratifolia Canelilla Arbusto Lithraea caustica Litre Árbol Luma apiculata Arrayán Árbol Myrceugenia exsucca Pitrilla Árbol Myrceugenia planipes Pitra Arbusto Otholobium glandulosum Culén Arbusto Ovidia pillopillo Pillo-pillo Arbusto Peumus boldus Boldo Árbol Rhaphithamnus spinosus Arrayán macho Arbusto Sophora microphylla Pelú Árbol Tepualia stipularis Tepú Árbol Ugni candollei Murta Arbusto Ugni molinae Murta Arbusto