Este documento presenta información sobre modelamientos de distribución de especies realizados para Puya raimondii, Camellia officinalis y Vicugna vicugna. Incluye detalles sobre la recolección de datos de presencia, variables ambientales utilizadas, herramientas de modelado como MaxEnt y evaluación de idoneidad de hábitat. Los resultados muestran las áreas ambientalmente adecuadas para cada especie en escenarios actuales.

1. Jiang et al. 2015 - China
wilderquispe163@gmail.com
+51 981485937
PYR Forest

2. Cambio climático y perdida de biodiversidad
http://www.faculty.luther.edu/~bernatzr/Courses/Sci123/comet/broadcastmet/climate/images_03.htm
INTRODUCIÓ

3. http://reporte.humboldt.org.co/biodiversidad/2016/cap2/205/index.html#seccion
3
Extinciones masivas de cumbre de montaña
Colwell et al., 2018
T°
P
T°
P
Migración
vertical

4. http://reporte.humboldt.org.co/biodiversidad/2016/cap2/205/index.html#seccion6

5. https://www.diarioelargentino.com.ar/noticias/163779/La-tala-de-%C3%A1rboles-y-el-da%C3%B1o-al-medio-ambiente

6. • Predicción de rango geográfico potencial para una especie.
• Caracteriza las condiciones ambientales adecuadas para la especie
• Ayuda en tomas de decisiones de forestación, restauración,
conservación frente al cambio climático.
• Ayuda en la prevención y control de plagas.
• Ayuda saber la historia geográfica de la especie.
¿Importancia de los modelamiento de distribución de especies?
¿Qué es un modelamiento de distribución de especies?

7. En Peligro (EN) según la IUCN

8. Área de estudio (BAM)
METODOLOG
Recolección de puntos de ocurrencia
Variables ambientales
Elección de modelo
Evaluación de idoneidad de habitad

9. #instalar librerías
#install.packages("jsonlite”,“dismo”)
library(jsonlite)
library(dismo)
Miespecie = gbif(“Puya", species=“raimondii*", geo=FALSE)
Miesp <- Miespecie
head(Miesp)
dim(Miesp)
Miespgeo <- subse(Miesp, !is.na(lon) & !is.na(lat))
dim(Miespgeo)
#guardar los datos
midatoSP<-data.frame(cbind(Miespgeo$lon, Miespgeo$lat))
colnames(midatoSP) = ("lon", "lat")
head(midatoSP)
write.csv(midatoSP,“Puyaraimondii.csv")
#GUARDADO...
Recolección de puntos de ocurrencia

10. Especie lon lat Fuente
Puya raimondii -73.995 -13.563 (DIEGO & CÁRDENAS, 2025)
Puya raimondii -76.257 -12.114 (Aquino et al., 2018)
Puya raimondii -77.867 -9.133 (Sgorbati et al., 2004)
Puya raimondii -71.862 -15.555 (Salazar & Villasante, 2012)
Puya raimondii -75.439 -12.233 Salidas a campo
Puya raimondii -75.702 -11.819 Salidas a campo
Puya raimondii -77.271 -9.880 Salidas a campo
Puya raimondii -77.867 -8.167 (Salinas, Arana, & Suni, 2007)
Puya raimondii -77.217 -9.650 (Salinas et al., 2007)
Puya raimondii -77.891 -9.084 (Vadillo, Suni, & Cano, 2004)
Puya raimondii -71.449 -14.950 (Vadillo, Suni, & Roca, 2007)
Puya raimondii -78.308 -8.340 (Vadillo et al., 2007)
Aquino, W., Condo, F., Romero, J., & Yllaconza, R. (2018).
DISTRIBUCIÓN GEOGRÁFICA Y POBLACIONAL DE PUYA
RAIMONDII HARMS EN EL DISTRITO DE HUAROCHIRÍ,
PROVINCIA DE HUAROCHIRÍ, LIMA, PERÚ. The Biologist(Lima),
16(1), 25–33.
DIEGO, J. A., & CÁRDENAS, K. S. C. (2025). “CAPACIDAD DE
ALMACENAMIENTO DE CARBONO EN UN BOSQUE JOVEN Y
MADURO DE Puya raimondii Harms, VILCASHUAMAN –
AYACUCHO.” Universidad Nacional del Centro del Perú. Retrieved
from http://repositorio.uncp.edu.pe/handle/UNCP/3493
Salazar, C. J., & Villasante, F. (2012). Distribución geográfica y situación
actual de Puya raimondii Harms en la Región de Arequipa - Perú. Quad.
Bot. Amb. Appl., 23, 31–39.
Salinas, L., Arana, C., & Suni, M. (2007). El néctar de especies de Puya
como recurso para picaflores Altoandinos de Ancash, Perú. Revista
Peruana de Biologia, 14(1), 129–134.
Sgorbati, S., Labra, M., Grugni, E., Barcaccia, G., Galasso, G., Boni, U., …
Scannerini, S. (2004). A survey of genetic diversity and reproductive
biology of Puya raimondii (Bromeliaceae), the endangered queen of the
Andes. Plant Biology, 6(2), 222–230. Vadillo, G., Suni, M., & Cano, A.
(2004). Viabilidad y germinación de semillas de Puya raimondii Harms
(Bromeliaceae). Revista Peruana de Biologia, 11(1), 71–78.
Vadillo, G., Suni, M., & Roca, W. (2007). EVALUACIÓN DE LA
DIVERSIDAD GENÉTICA Y MORFOLÓGICA DE Puya raimondii.
INRENA.

11. OpenLayers Plugin
Limpieza de datos
P. raimondii
Bing Maps
Google Maps

12. Limpieza de datos
C. officinalis
Google Maps

13. Variables ambientales
Datos
ambientales
Variable Descripción
BIO1 Temperatura promedio anual (°C)
BIO2 Rango medio diurno (temp max – temp min; promedio mensual) (°C)
BIO3 Isotermalidad (BIO1/BIO7) * 100 (°C)
BIO4 Estacionalidad en temperatura (SD × 100) (°C)
BIO5 Temperatura máxima del período más caliente (°C)
BIO6 Temperatura mínima del período más frío (°C)
BIO7 Rango anual de temperatura (BIO5-BIO6) (°C)
BIO8 Temperatura media en el trimestre más lluvioso (°C)
BIO9 Temperatura promedio en el trimestre más seco (°C)
BIO10 Temperatura promedio en el trimestre más caluroso (°C)
BIO11 Temperatura promedio en el trimestre más frío (°C)
BIO12 Precipitación anual (mm)
BIO13 Precipitación en el período más lluvioso (mm)
BIO14 Precipitación en el período más seco (mm)
BIO15 Estacionalidad de la precipitación (Coeficiente de variación)
BIO16 Precipitación en el trimestre más lluvioso (mm)
BIO17 Precipitación en el trimestre más seco (mm)
BIO18 Precipitación en el trimestre más caluroso (mm)
BIO19 Precipitación en el trimestre más frío (mm)
Actuales
1950-2000
http://www.worldclim.org/version1

14. #correlación de los de capas ambientales
#install.packages("readxl")
library(readxl) #importar datos excel
Puntos_BIO <- read_excel("Puntos BIO.xlsx")
dato<-Puntos_BIO[,4:22]
dato
cor_puya<-cor(dato)#solo números
cor_puya
write.csv(cor_puya,"Correlacion bio
puya.csv")#guardar
#corrplot para graficos de correlacion
#install.packages("corrplot")
library(corrplot)
corrplot(cor(cor_puya), tl.col = "black" ,
diag=F)
corrplot.mixed(cor(cor_puya), number.cex = .8,
tl.col = "black")
Correlación de las variables ambientales

15. •DOMAIN
•Generalized Linear Models (GLIMS)
•General Algebraic Models Systems (GAMS)
http://www.gams.com/Default.htm
•Bioclim
http://cres.anu.edu.au/outputs/anuclim/doc/bioclim.html
http://www.andra.fr/bioclim/
•Redes Neuronales (ANN - Artificial Neural Networks )
http://www.nd.com/neurosolutions/products/ns/whatisNN.html
•Árboles de Decisión (Random forest)
http://www.aaai.org/AITopics/html/trees.html
•Máxima entropía
http://biodiversityinformatics.amnh.org/open_source/maxent/
•Algoritmos Genéticos (GARP)
http://www.lifemapper.org/desktopgarp/
Herramientas
MDE
Elección de modelo

16. MaxEnt, es mejor que muchos otros modelos de distribución de especies con datos de
solo presencia (Elith et al., 2006, 2011; S. B. Phillips et al., 2006)
MaxEnt
Máxima Entropía

17. Datos
ambientales
AUC(0.959)
Proceso del modelado
10 Variables
32 Puntos de presencia
Idoneidad

18. Evaluación de idoneidad de habitad de P. raimondii
La idoneidad del hábitat
se compone de valores
que van de 0 a 1, donde
0 indica baja y 1 alta
idoneidad; sitios
ambientalmente
adecuados para la
especie (Merow, Smith,
& Silander, 2013; Yan et
al., 2017)
MaxEnt
shape
>0.75
(a) ausencia (0.00)
(b) bajo (<0.25)
(c) medio (0.25-0.50
(d) alto (0.50-0.75)
(e) muy alto (>0.75)

19. Bio5
(a) (b)
Bio17
Curva de respuesta de las variables de las variables bioclimáticas mas importantes en
el proceso de modelado de la distribución de P. raimondii (a) “Bio5” es temperatura
máxima del mes más caliente (b) “Bio17” es precipitación en el trimestre más seco.

20. Los espacios actuales
ambientalmente
adecuados para el
desarrollo de P. raimondii
están centradas para los
andes del Perú con una
extensión de 35371 km2
En escenarios actuales

21. En la actualidad las áreas
adecuadas para C.
officinalis es 141682 𝑘𝑚2
Distribución potencial actual de C. officinalis, en donde las
idoneidades de hábitat se indican como: ausencia (0.00), bajo
(<0.25), medio (0.25-0.50), alto (0.50-0.75) y muy alto (>0.75)

22. Distribución potencial
actual de V. vicugna en el
Perú

23. Gracias
…
+51 981485937
Síguenos en:
PYR Forest