Diapositivas de una conferencia impartida en la UCLM sobre nuestros estudios sobre el papel del viento en la dispersión a larga distancia y en las trayectorias migratorias de aves oceánicas.
El viento, la dispersión a larga distancia y la migración
1. EL VIENTO, LA DISPERSIÓN Y LA MIGRACIÓN
Ángel M. Felicísimo
amfeli@unex.es
Ingeniería Cartográfica, Geodesia y Fotogrametría
Universidad de Extremadura
WINDDRIVESLONGDISTANCEDISPERSIONANDMIGRATION
3. naturaleza de la variable
el viento es un caso particular dentro del caso general de
movimiento de un fluido:
en cada momento y en cada punto del espacio hay un movimiento
a una velocidad y en una dirección
este movimiento no es constante y cambia en el ciclo siguiente
el viento debe interpretarse como una variable vectorial
un vector posee propiedades métricas y topológicas:
métricas: módulo (velocidad del viento) y acimut (dirección
respecto a un sistema de referencias)
topológicas: sentido (se define un nodo inicial y uno final)
5. los hechos
examinando las floras y faunas de diversos lugares del mundo
pueden observarse similitudes y diferencias
existen índices que pueden cuantificar la similitud basándose en la
coincidencia de especies y construir matrices de similaridad
estas matrices tienen vigencia en un dominio temporal concreto
D1
D2
D3
D4
D5
1.000
0.460 1.000
0.263 0.630 1.000
0.102 0.381 0.387 1.000
0.098 0.446 0.394 0.788 1.000
D1 D2 D3 D4 D5
6. Ortmann (1902) Tertiary Invertebrates.
Reports of the Princeton University Expedition to Patagonia , 1896-1899. Vol. IV. Palaeontology
los puentes continentales
7. las hipótesis
existen teorías que proponen mecanismos para describir las
actuales similitudes y diferencias en un contexto temporal
colonización
evolución (especiación)
en relación con áreas aisladas entre sí:
vicarianza: separación de un área única antigua y evolución
posterior las similitudes tienen relación con el tiempo de
separación
dispersión a larga distancia mediante el viento, corrientes… las
similitudes tendrán relación con la conectividad
teoría neutral: los procesos de especiación se producen al azar y la
dispersión posterior es también aleatoria y geográficamente
limitada la similaridad depende de la distancia geográfica
problema: no se ha hecho ninguna verificación experimental
8. vicarianza: el factor es el tiempo
G
A B C
tiempo
sim(A-C) = sim(B-C) < sim(A-B)
presente
separación (AB)/C
separación A/B
9. Geological Area Cladogram
Holarctic
N.South America
Africa
Madagascar
New Zealand
New Caledonia
S.South America
Australia
New Guinea
India
tiempo (millones de años)
Isabel Sanmartín & Fredrik Ronquist
Dept. Systematic Zoology,
Evolutionary Biology Centre, Uppsala University
110
121
135
160-180
80
84
30
30
35-52
160 140 120 100 80 60 40 20 0180
10. dispersión por vientos: la conectividad
la similitud será proporcional a la accesibilidad a través de los
campos de vientos y dependerá del sentido y de la velocidad
la accesibilidad no es simétrica
A
B
C
accesibilidad (AB) < accesibilidad (AC)
accesibilidad (CA) « accesibilidad (AC)
11. hipótesis neutral: la distancia
la similitud será inversamente proporcional a la distancia
geodésica
la accesibilidad depende sólo de la distancia y es una propiedad
simétrica
A
B
C
accesibilidad (AB) > accesibilidad (AC)
accesibilidad (BC) > accesibilidad (AC)
d(A-B)
d(B-C)
d(A-C)
acc(A-B) = 1/d(A-B)
14. el experimento: los sujetos
se construyen las matrices de similaridad florística para 4
grupos de plantas:
musgos
hepáticas
líquenes: organismos simbióticos de algas y hongos
helechos: pteridófitos
métodos de obtención de datos
búsqueda bibliográfica (publicaciones y herbarios)
peticiones a los investigadores especialistas en los grupos
más recientemente hemos añadido un grupo de
microinvertebrados: los tardígrados
briófitos
15. el experimento: los sujetos
musgos
hepáticas
helechos
líquenes
tardígrados
1919 grupos taxonómicos
16. el experimento: los lugares
Juan Fernández, Tierra del Fuego, Malvinas, Península Antártica, Orkney, Shetland, South
Georgia, Sandwich, Bouvet, Tristan da Cunha, Gough, Sudáfrica, Marion y Príncipe Eduardo,
Crozet, Kerguelen, Heard, New Amsterdam, St. Paul, Australia, Nueva Zelanda, Howe,
Kermadec, Norfolk, Macquarie, Chatham, Auckland, y Campbell
17. un ejemplo de datos: Grimmia
mapa basado en 12000 muestras con coordenadas geográficas: distribución preferentemente
holártica, con presencia en el trópico y hemisferio Sur en zonas montañosas
19. los datos de viento
el viento forma “caminos” por los que es posible conectar entre
sí lugares alejados en función de la distancia, velocidad, sentido
y conectividad de los flujos
el problema: los mapas
existentes no contienen la
información necesaria para
completar el análisis
20. la solución: QuikSCAT
satélite del JPL/NASA lanzado en
junio de 1999; orbita a 803 km de
altura con ciclos de 101 min
porta un escaterómetro (SeaWinds)
a 13.4 GHz con pulsos de 110 W
precisiones en la medida de viento:
velocidad 3-20 m/s (±2 m/s)
dirección: ±10º
resolución espacial: 25 km
datos gratuitos y disponibles en
Internet
http://podaac.jpl.nasa.gov/info/ftp.html
24. problemas: datos incompletos
aunque existe cobertura diaria, no se tienen datos de la
totalidad de la superficie marina
25. problemas: conectividad
los datos se suministran en una proyección “plate carrée”: no
existe continuidad espacial (topológica)
longitud (0º a 360º)
latitud(-90ºa90º)
26. problemas: conservación del acimut
latitude
longitude
‘plate carrée’ projection
γ
γ=45º
(true azimuth)
wind vector
X
UPS projection
local coordinate system
γ’
α γ’ = 75º
(UPS azimuth)
γ+α =
projected UPS
wind vector
(0,0) South Pole
Y,centralmeridian
X
UPS projection
local coordinate system
α
α=30º
(true North azimuth)
true North
vector
unprojected
wind vector
(0,0) South Pole
27. modelos de coste
modelo 8 de 27:
coste desde Bouvet
periodo 1-10/1/2001
se realizan análisis
de coste para cada
localidad en cada
periodo de 10 días
desde junio de 1999
a mayo de 2003:
3753 modelos de
coste
29. matrices de conectividad
los modelos de coste se traducen a matrices de accesibilidad:
cada modelo nos da una fila o columna de la matriz
tenemos una matriz de accesibilidad de 27x27 elementos para
cada uno de los 139 periodos de diez días
33. ¿qué significan los mapas?
la reducción de dimensiones que realizan PROXSCAL (SPSS
11) y métodos afines refleja las relaciones espaciales entre los
objetos en un espacio de referencia común
las distancias (o proximidades) a partir de las que se construyen
los mapas pueden ser distancias geodésicas, distancias
florísticas, distancias temporales...
una superposición perfecta entre dos mapas supone unas
mismas relaciones espaciales en los dos espacios de
referencia:
por ejemplo: similitud florística y distancias geodésicas
el ajuste entre mapas se calcula con el método de Procrustes
34. transformación de Procrustes
Procrustes es un método de superposición de mapas de objetos
C1
C2
C5
C3
C4
C1
C2
C5
C3
C4
MAPA 1: DISTANCIAS MAPA 2: TIEMPOS DE VIAJE
35. transformación de Procrustes
se busca el mejor ajuste mediante una transformación afín
para cada datos tendremos un vector de error
la bondad del ajuste es un estadístico relacionado con el error
cuadrático medio: m2 (si m2=0, el ajuste es perfecto)
C1
C2
C5
C3
C4
error del ajuste de C5
36. Procrustes: resultados
resultados de los ajustes con los mapas de similaridad florística:
probabilidad de error de tipo I (valor de P)
musgos (601 species)
hepáticas (461 species)
líquenes (597 species)
pteridofitos (192 species)
tardígrados (68 especies)
1999
0.007
0.004
0.003
0.004
0.019
2000
0.023
0.007
0.110
0.005
0.010
2001
0.032
0.018
0.118
0.012
0.014
2002
0.004
0.009
0.004
0.003
0.029
2003
0.008
0.043
0.013
0.010
0.040
0.112
0.062
0.260
0.003
0.048
conectividad por viento
proximidad
geográfica
Science, 304 (5674): 1144-1147
0.956
0.582
0.449
0.587
vicarianza
39. resumen: herramientas
lectura de datos en formato HDF y transformación a matrices
IDL (RSI, Inc.)
proceso de datos de viento y análisis de coste
ArcInfo, AML, ArcView (ESRI)
análisis estadístico: series de Mantel
MS Excel 2000 (Microsoft), PopTools (Hood, 2004)
análisis estadístico: escalamiento multidimensional (PROXSCAL)
SPSS 11.5 (SPSS, Inc.)
análisis estadístico: transformación de Procustes y test de significación
PROTEST (Jackson, 1995)
40. trabajamos para ampliar el estudio a otros grupos: hongos,
insectos, aves, plantas vasculares, etc.
queremos utilizar datos moleculares sobre poblaciones
(logísticamente difícil y extremadamente caro)
para validar los resultados obtenidos estamos repitiendo el
estudio con varios grupos de animales, vegetales y hongos en
un área diferente: Macaronesia
en el estudio de Macaronesia incluiremos datos tanto de
presencia/ausencia como moleculares, que aquí son más
fáciles de conseguir
extensión del estudio
45. Datos de tiempo y luz
La duración del día nos indica la latitud (función de la fecha)
imposible en días nublados
La hora de orto y ocaso nos indica la longitud (desfase horario)
el reloj lleva siempre hora estándar
46.
47.
48.
49. Métodos de análisis
Se individualiza la ruta de cada pardela y se etiqueta cada punto con
su localización y su fecha.
Del QuikSCAT se extraen los vientos para toda la zona para cada día
implicado en las trayectorias.
Se calculan los caminos de mínimo coste para llegar desde Canarias a
Sudáfrica en cada día en que los diferentes pájaros están de viaje.
Se construye un mapa equivalente al mostrado anteriormente con la
concentración de rutas óptimas.
¿Se parecen los dos grupos de rutas? Hay que responder a esta
pregunta estimando de alguna forma la significación estadística de su
similitud.
50.
51. Test de similaridad y significación
Se traza la ruta real media y la ruta de mínimo coste media siguiendo
las zonas de máxima densidad.
Se calcula el área entre estas dos líneas, S(0); este área sería nula si
ambas líneas coincidieran.
Se trazan 10000 rutas alternativas de forma más o menos aleatoria.
Se calculan las áreas entre cada una de estas rutas y la ruta óptima,
S(1) a S(10000).
Se ordenan las 10001 áreas de menor a mayor y se localiza la posición
de S(0) en el conjunto. Esa posición nos da el valor de P .
En nuestro caso, P=0.001: sólo en un caso por cada mil se encontraría
por azar una trayectoria real tan cercana o más a la óptima.
52. Para finalizar
las pardelas saben a
dónde deben llegar y
eligen una ruta
globalmente óptima
localmente, las pardelas
no toman el camino
local óptimo.
Plos ONE, 3(8): e2928. doi:10.1371/journal.pone.0002928
¿Cómo saben las pardelas dónde
está su meta?
¿Cómo saben que no deben ir por
un camino muy diferente al del
óptimo global?
¿Cómo tienen "almacenada" la
ruta?
¿La aprenden?
53.
54. Ángel M. Felicísimo, amfeli@unex.es
Jesús Muñoz, jmunoz@rjb.csic.es
Jacob González-Solís, jgsolis@ub.edu
WINDDRIVESLONGDISTANCEDISPERSIONANDMIGRATION