Los modelos de nichos ecológicos son importante para una variedad de aplicaciones en ecología y conservación (Graham et al., 2004). Por ejemplo, intentan proveer de cartografía detallada de distribución relacionada con la dispersión de especies invasoras (Thuiller et al. 2005), impactos en el cambio climático(Thomas et al. 2004, Matsui et al. 2009), y patrones espaciales de diversidad de especies (Graham et al. 2006, Feldemeyer-Christe et al. 2007).
Figure 2. Potential distributions of Buxus balearica obtained by the application of MAXENT, MARS, GARP and ENVIRONMENTAL DISTANCE (ENV_DIST)
De esta forma, los modelos de nichos ecológicos han sido objeto de impresionante aumento de atención en los últimos años (Guisan & Zimmermann 2000, Soberón & Peterson 2004, Graham et al. 2004, Thomas et al. 2004, Araújo et al. 2005, Thuiller et al. 2005, Elith et al. 2006, Matsui et al. 2009), situándose esta técnica entre los nuevos enfoques emergentes relacionados con la ecología, la biogeografía y la biología de conservación.
El enfoque básico de estos modelos consiste en combinar un conjunto de acontecimientos conocidos junto con variables de predicción como las topográficas, climáticas, edáficas, biogeográficas y las obtenidas por teledetección. Los datos exactos de ocurrencia (presencia y ausencia) rara vez están disponibles, especialmente para especies raras o que habitan en localizaciones inaccesibles. Los modelos de correlación que utilizan registros de localizaciones con presencia y ausencia de especies para predicciones de hábitat son referidos como técnicas de discriminación, mientras que aquellos que usan solamente registros de presencia de especies son referidos como técnicas de perfil (Caithness 1995).
El objetivo de este trabajo es proporcionar una comparación entre los distintos algoritmos de modelado para estudiar la distribución del hábitat de una especie tan fragmentada como Buxus balearica Lam. mediante la evaluación de la capacidad de predicción de los diferentes modelos de distribución espacial a escala local.
Los modelos de predicción fueron evaluados basándose en 17 variables ambientales. Seis métodos fueron comparados: Multivariate adaptative regression spline (MARS); Maximum entropy approach to modelling species' distributions (MaxEnt); dos algoritmos genéricos basados en disimilitudes métricas ambientales, Bioclim, y Algorithm for Rule-set Prediction (GARP); y métodos de aprendizaje supervisado basados en clasificadores lineares generalizados (Support Vector Machines, SVMs). Como prueba de la capacidad predictiva de los modelos se usó el índice Kappa.
Resultados:
El poder predictivo fue mejor para MaxEnt, seguido de los modelos GARP.
El resto de los modelos probados obtuvieron valores menos precisos.
Al comparar el poder predictivo de MaxEnt, las variables climáticas son las que mostraron la mayor contribución de todas las variables ambientales.
Las variables con menos contribución fueron los modelos de aislamiento.
Un test de la sensibilidad de los modelos al reducir el número de variables obtuvo una exactitud por encima del 90 % al aplicar sólo 3 variables climáticas (precipitación primaveral, temperatura media del mes más cálido, y temperatura media del mes más frío).
Todos los algoritmos produjeron mapas que coincidían bien con la distribución conocida de las especies.
Referencias
Navarro-Cerrillo, R. M., Hernandez-Bermejo, J. E. & Hernandez-Clemente, R. (2011). Evaluating models to assess the distribution of Buxus balearica in southern Spain. APPLIED VEGETATION SCIENCE, 14(2), 256-267
Oyonarte, R. M. (2003). Aboveground phytomass models for mayor species in shrub ecosystems of western Andalusia.. Investigación Agraria. Sistemas y Recursos, 12 (3), 47-