3. ¿Que son las capas bioclimáticas
proyectadas a futuro?
Datos 1950-2000 Proyección 2050
Promedio modelos
Escenario r.c.p. 4.5
Proyección 2050
Promedio modelos
Escenario r.c.p. 8.5
4. ¿Que es worldclim?
Portal de información bioclimática interpolada (capas SIG)
Usuales en CAPFITOGEN
Capas proyectadas a futuro
http://www.worldclim.org
5. ¿Que es un GCM?
Una representación numérica
del sistema climático basado en
las propiedades físicas, químicas
y biológicas de sus
componentes, sus interacciones
y procesos de
retroalimentación, y tomando
en cuenta todas o algunas de
sus propiedades conocidas.
El IPCC los define como…
6. ¿Que es un rcp?
GCM CCSM4
Resolución 30 seg
19 variables Bioclim
rcp 60
y se descargará un .tiff
comprimido en un .zip
aprox. 3.2 Gb
RCP 2.6 asume que las emisiones
anuales (medidas en equivalentes-
CO2) tendrán un pico entre 2010-
2020 y decaerán. Para RCP 4.5 las
emisiones tendrán un pico alrededor
de 2040, y declinarán. Para RCP 6.0,
el pico de emisiones estará sobre el
2080y declinará y el escenario RCP
8.5 corresponde a un escenario de
continuo crecimiento de emisiones a
lo largo del siglo XXI.
7. ¿Cómo trabaja Bfuture?
Portal worldclim
Descarga directa de capas por usuario,
seleccionando directamente en el portal
resolución, GCM, rcp y proyección
Bfuture descarga las capas
Definición de resolución,
GCM, rcp y proyección
Recorte por distribución
Recorte por límites
de un país
Carpeta “rdatamapsf”
Conversión de formato original
a formato CAPFITOGEN
Asignación nombre
de capas
Capas listas para ser usadas por Modela
Carpeta “rdatamapsf”
Bfuture
Bfuture
8. Modela
Obtiene modelos de distribución de especies
(SDM) individuales y ensamblados para
condiciones bioclimáticas de presente y futuro y
análisis FIGS por calibración
Modela
9. ¿Qué es un SDM?
Metodología por el cual podemos predecir la ocurrencia de una especie
en un sitio para el cual no contamos con información sobre la misma.
Distribución potencial
Variables más influyentes en la distribución
Modelos de Nicho Ecológico
Nicho Ecológico: Combinación de condiciones ecológicas
que permiten mantener la población sin
migración
Nicho Fundamental: condiciones posibles
Nicho Realizado: espacio realmente ocupado
Nicho fundamental
Nicho
realizado
Movilidad, dispersión, historia
11. Metodología… sencilla
Locali
dad
Altitud Precipitación
anual
Temperatura
anual
…
…
1 560 870 21 …
2 645 940 19 …
… … … … …
Aplicación del algoritmo del modelo
-GLM
-GAM
-Random forest
-MARS
-Máxima entropía (MAXENT)…
Proyección/Mapas de probabilidad de encontrar la especie
sobre zonas donde no se tiene información de presencias
Determinación de patrón
Proyección de patrón sobre predictores (capas)
Test set
Training set
Evaluadores de la exactitud de los modelos
Elección de los mejores modelos / ensamblaje
12. Presencias/ausencias reales
Presencias/pseudoausencias
PA-ELC PA-Random PA-Disk PA-SRE
Selección
Modelos
1. GLM
2. GBM
3. GAM
4. CTA
5. ANN
6. SER
7. FDA
8. MARS
9. RF
10. MAXENT
Capasecogeográficas
1950-2000Futuro(2050-2070)
Configuraciónespecíficademodelos
Tamañossetscalibración/test
Importancia
de variable
Númeroderepeticiones
Evaluación de
modelos
(AUC, TSS,
Kappa, etc.)
Resultado modelización
individual
(con sus repeticiones y
valores de evaluación)
Predicción
conjunta
(opcional)
Resultados y
evaluación
Mapas de
Distribución
Potencial
presente
Modelización
Proyección
Mapas de
Distribución
Potencial
futura
Predicción
conjuntada
(ensemble
forecasting)
Metodología… entrando en detalles
17. Muchas cosas a tener en cuenta para un SDM
1. Calidad de datos (presencias-presencias/ausencias)
2. Datos de sólo presencia o presencia-ausencia
3. Algoritmo de modelización
4. Selección (o no) de variables/predictores
5. Presente o presente-futuro
7. Modelo datos completos? Porcentaje train/test sets?
8. Tipo de pseudoausencias (si es el caso)
6. Si futuro, GCM, rcp, proyección y resolución
19. Muchas cosas a tener en cuenta para un SDM
1. Calidad de datos (presencias-presencias/ausencias)
2. Datos de sólo presencia o presencia-ausencia
3. Algoritmo de modelización
4. Selección (o no) de variables/predictores
5. Presente o presente-futuro
7. Modelo datos completos? Porcentaje train/test sets?
8. Tipo de pseudoausencias (si es el caso)
9. No. y tamaño repeticiones pseudoausencias
6. Si futuro, GCM, rcp, proyección y resolución
10. Usar o no usar ajustes específicos para algoritmo
11. Deseo obtener la importancia de los predictores?
12. Re-escalar los mapas respuesta?
20. Muchas cosas a tener en cuenta para un SDM
13.¿Que evaluadores se usarán?
14. Modelos a proyectar, ¿todos? ¿mejor evaluados?
15. Valores de umbral para evaluador(es)
16. ¿Deseo obtener mapas binarios?
17. ¿Deseo un mapa máscara para zonas “outlier”?
19. Cuáles modelos ensamblo, todos?, ¿mejor evaluados?
20. Vía y tipo de ensamblaje
18. ¿Deseo ensamblar modelos?
21. ¿Re-evaluar el ensamblaje? ¿cual evaluador?
22. ….
23. ….
21. SDM son complejos y requieren entrenamiento
Cursos de formación/entrenamiento en modelos de distribución de especies, GBIF
http://goo.gl/pzltwe
Familiarizarse con procesos sencillos como los que pueden realizarse en DIVA-GIS y
practicar con DIVA y Maxent como se describe en
Leer revistas como Ecography, Ecological modelling, Diversity and distributions y otras de
ámbito ecológico (ver carpeta “Modela” dentro de “Documentación_References”).
http://goo.gl/lfhL5J
22. FIGS - calibración
Algoritmo AUC Kappa Validación real en
campo
Principal Component
Regression (PCR)
0.69 0.40 ?
Partial Least Squares (PLS) 0.69 0.41 ?
Random Forest (RF) 0.70 0.42 ?
Support Vector Machines
(SVM)
0.71 0.44 ?
Artificial Neural Networks
(ANN)
0.71 0.44 ?
Y = b + X1 + X2 + X3Resistencia/
Tolerancia
Variables
ecogeográficas
(Banco: Colección trigo ICARDA – Rasgo: Roya del tallo (Puccinia gramini)
Fuente: Bari et al., 2012. Focused identification of germplasm strategy (FIGS) detects wheat stem rust resistance
linked to environmental variables. Genet Resour Crop Evol 59(7):1465-1481
Predicción en germoplasma no eval/caractGermoplasma eval/caract Patrón
24. Para FIGS en Modela…
Necesitará una tabla para accesiones con el rasgo y otra sin el rasgo
Funcionará como un SDM para datos presencia/ausencia real
Sólo los algoritmos para presencia/ausencia estarán disponibles. Algunos métodos de
modelización también apropiados para este tipo de procesos podrían no estar
incluidos en Modela
Los resultados son:
1. El subset FIGS (na tabla con los pasaportes de las entradas
seleccionadas) y
2. mapas que muestran áreas donde la probabilidad de encontrar
plantas con el rasgo es más alta
26. Mcompare
Compara mapas de predicción para condiciones
actuales y futuras obtenidos con Modela
Mcompare
27. Impacto cambio climático
Tomado de A. Jarvis et al. 2008. The effect of climate change on crop wild relatives. Agriculture, Ecosystems
and Environment 126
28. ¿Cómo clasificar el impacto?
Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación en
Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
29. ¿Cómo clasificar el impacto?
Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación en
Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
32. Resultados de Mcompare - tablas
Clasificación de las celdas
Clasificación de los sitios de presencia
33. Resultados de Mcompare - mapas
a) Mapa de predicción binaria condiciones presente
b) Mapa de predicción binaria condiciones futuro
c) Mapa Mcompare de clasificación de escenarios
34. Resultados de Mcompare - mapas
1. Presente si ,futuro no (alto impacto)
2. Ni presente ni futuro (fuera de nicho realizado)
3. Presente si, futuro también (bajo impacto)
4.Presente no, futuro si (nueva disponibilidad)
35. Resultados de Mcompare - mapas
1. Presente si ,futuro no (alto impacto)
2. Ni presente ni futuro (fuera de nicho realizado)
3. Presente si, futuro también (bajo impacto)
4.Presente no, futuro si (nueva disponibilidad)