EVALUACIÓN DE LA DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE EL MODELAMIENTO DE NICHO ECOLÓGICO

Bio/Sc Vol. 2 N° 1, pp. 1-13 ISSN 2412 – 2224 Depósito legal BNP 2014-13600 Facultad de Ciencias Biológicas, Universidad Nacional del Altiplano, Puno-Perú

Presentado: 20/08/2015 Aceptado: 02/10/2015

EVALUACIÓN DE LA DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE EL MODELAMIENTO DE NICHO ECOLÓGICO EVALUATION OF THE POTENTIAL DISTRIBUTION FOR QUEÑUA THROUGH ECOLOGICAL NICHE MODELING Jorge Fidel Flores Ari Estudiante de la Facultad de Ciencias biológicas, Universidad Nacional del Altiplano, Puno jorgefloresari@gmail.com RESUMEN La distribución potencial de las especies es un tema fundamental en el campo de la ecología aplicada, y recientes investigaciones, apoyado con softwares y algoritmos, hacen un esfuerzo en hacer predicciones acertadas en la distribución de las especies haciendo uso de los datos geográficos y mapas climáticos. Una de estas técnicas es el Modelamiento de Nicho Ecológico que se basa en los conceptos teóricos del nicho ecológico. La precisión de los modelos generados dependerá de la calidad de los mapas y la precisión de los datos de distribución. En esta investigación se realizó un mapa de distribución potencial de Polylepis spp., en toda el área geográfica del Perú, empleando el algoritmo Maxent versión 3.3.3k con 60 datos de distribución; y se utilizaron otros 62 datos de distribución para evaluar la predicción de los modelos generados. Se obtuvo resultados estadísticamente significativos en la evaluación. El resultado para el área bajo la curva de ROC fue AUC=0.898 para los datos de formación y AUC=0,893 para los datos de prueba.

De acuerdo al mapa generado, en los departamentos de Ancash, Huánuco, Cuzco y Puno existe una alta probabilidad de encontrar a la especie.

Palabras Clave: Maxent, modelado de nicho ecológico, modelos de distribución de especies.

ABSTRACT The potential distribution of species is a key issue in the field of applied ecology, and recent research, supported by software and algorithms; they make an effort to make accurate predictions in the distribution of species making use of geographic data and weather maps. One of these techniques is the Ecological Niche Modeling based on the theoretical concepts of ecological niche. The accuracy of the generated models will depend on the quality of the maps and the accuracy of the distribution data. In this study a map of potential distribution Polylepis spp was performed throughout the geographic area of Peru, using the algorithm Maxent version 3.3.3k 60 distribution data; 62 and other distribution data were used to assess prediction models generated.

Statistically significant results were obtained in the evaluation. The result for the area under the ROC curve was AUC = 0.898 for the forming data and AUC = 0.893 for test data. According to the generated map in the departments of Ancash, Huanuco, Cusco and Puno there is a high probability of finding the species.

Key Words: Maxent, ecological niche modeling, species distribution models.

1

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

INTRODUCCIÓN El nicho ecológico fundamental de una especie es determinante en su distribución.

Existen diversas interpretaciones de nichos ecológicos, en una se le define como el espacio multidimensional ecológico (MacArthur 1984), pero el más relevante para la presente investigación, es la contribución de Grinnell en 1917, que se centró en la conjunción de las condiciones ecológicas en el que una especie es capaz de mantener su población sin inmigración (Martínez 2010). Hutchinson en 1944 proporcionó la distinción valiosa entre el nicho fundamental, que es la gama de posibilidades teóricas, y el nicho realizado, que es el lugar que ocupa realmente dadas las interacciones con otras especies tales como la competencia (Hutchinson 1957; Peterson & Vieglais 2001). Aunque se puede argumentar que sólo el nicho realizado es observable en la naturaleza, mediante la verificación de las especies a través de toda su distribución geográfica. El nicho fundamental se define por las características primordiales como la fisiología, alimentación y comportamiento reproductivo (Peterson et al. 1999).

variables ambientales y algoritmos como Garp, Maxent, entre otros (Elith & Leathwick 2009) El algoritmo o método estadístico seleccionado pueden utilizar métodos basados en registros de presencia-ausencia, como GLM (Generalized linear models), GAM (Generalized additive models) (Guisan et al. 2002) y redes neuronales (Manel et al.

1999), o algoritmos basados únicamente en presencias como Bioclim, Domain, Enfa, Garp y Maxent. Los modelos basados únicamente en presencias, representan generalmente la distribución espacial del nicho ecológico fundamental de la especie, mientras que los basados en presenciaausencia indican de modo más aproximado la distribución del nicho ecológico efectivo (Zaniewski et al. 2002).

El modelado del nicho ecológico es un instrumento que nos permite analizar los factores ecológicos asociados a distintas poblaciones de determinada especie (Franklin 2010; Peterson et al. 2011), información que analizada por distintos tipos de algoritmos nos posibilita proyectar a nivel geográfico él área potencial que ocupa la especie (Martínez 2010). En estos modelos se evalúan cambios hipotéticos en la distribución de las especies asociados a cambios en sus hábitats dentro de áreas aptas para su presencia (Peterson et al.

2006).

Es en la década de los ochentas cuando comienzan a generarse las primeras aproximaciones predictivas a especies y comunidades (Guisan & Thuiller 2005). Box en 1981 es el primero en establecer un modelo global para la predicción de la distribución de los biomas (Pliscoff & Fuentes-Castillo 2011). Los australianos comenzaron con la modelación “bioclimática” para estudios entomológicos con Climex (Martínez 2010). Nix en 1986 establece los fundamentos para el algoritmo Bioclim, que se basa en operadores booleanos, que hasta el día de hoy es utilizado para generar modelos de distribución espacial de especies (Beaumont et al. 2005). Luego desarrollaron Domain y posteriormente Garp. Hoy en día existen cerca de 15 métodos para modelado de nicho, la mayoría de ellos de acceso libre (Peterson et al. 2011; Franklin 2010; Martínez 2010).

Con el inicio de la masividad de los Sistemas de Información Geográfica y la mayor disponibilidad de grandes bases de datos, comienzan a surgir distintas aproximaciones estadísticas y softwares que permiten determinar la distribución espacial de las especies y ecosistemas, basándose en datos de presencia/ausencia (Guisan & Zimmermann 2000; Guisan & Thuiller 2005). En estos métodos generalmente se utilizan datos de colecciones científicas de las especies de interés, capas digitales de las

Los modelos de nicho ecológico se usaron para estimar el riesgo de extinción de una especie. Por ejemplo, un estudio evaluó las características de distribución de la Sierra Madre Sparrow (Xenospiza baileyi), que tiene una distribución escasa y tal vez la disminución en el centro y oeste de México (Rojas-Soto et al. 2008). El estudio produjo las primeras estimaciones cuantitativas de la zona de distribución de la especie y se identificaron áreas para el trabajo de campo adicional en el oeste de México. Una 2

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

aplicación impresionante fue llevada a cabo por científicos de las agencias estatales en Australia que desarrollaron modelos y predicciones espaciales desde hace más de 4 000 especies de plantas vasculares, vertebrados y artrópodos terrestres que habitan sobre la base de más de un cuarto de un millón de registros de localización en 100 000 Km2 de región, realizando importantes avances conceptuales y metodológicos en el camino (Ferrier, Watson et al. 2002; Ferrier, Drielsma et al. 2002); mostrándonos cómo modelar la distribución de especies para apoyar la planificación regional de conservación de la biodiversidad.

Algunos estudios han comenzado a incorporar las ideas de modelado de nicho en el establecimiento de prioridades para las reintroducciones de especies (MartinezMeyer & Peterson 2006). En estos estudios, el investigador se aprovecha de la analogía entre reintroducciones e invasiones de especies (Bright & Smithson 2001). Es decir, el sitio de interés para la reintroducción se encuentra fuera del área ocupada en la actualidad, pero si está dentro del área potencial de distribución, entonces puede ser adecuado para reintroducciones, o incluso introducciones a sitios nuevos para la especie. Trabajos pioneros en el Perú estimaron el potencial de distribución de Polylepis sericea y P. besseri con resultados significativos (Zutta et al. 2012), Polylepis weberbaueri aparece desde el centro hasta el suroeste de Ecuador, en el noreste de Perú y poblaciones aisladas más al sur de la Cordillera Blanca y la zona de CuzcoApurimac.

Otros usos de los modelos ecológicos de nicho son las proyecciones de los cambios climáticos. En el Estado de México se hicieron predicciones de los efectos del cambio climático en la distribución de 1 870 especies, (1 179 aves, 416 mamíferos y 175 mariposas) (Peterson et al. 2002), por ejemplo en Ortalis poliocephala se predijo que en las zonas de costa su distribución está intacta pero en el interior su distribución se verá muy afectada. En general el área habitable de todas las especies se reduciría en un 33.7% bajo un escenario conservativo (0.5% de CO2 por año), y un 29.7% bajo un escenario liberal (1% de CO2 liberado al

año), pero suponiendo que no haya dispersión se perderían más del 90% de las áreas.

Estudios similares se hicieron para las especies de aves de la familia Cracidae, también en México, bajo los modelos de circulación general proyectados para los próximos 50 años HadCM2, uno conservativo y otro menos conservativo (HHGSDX50 y HHGGAX50 respectivamente) y tomando en cuenta la dispersión de las especies. Las proyecciones para Crax rubra sugieren que su distribución declinaría un 3.3-7.1%, mientras que Oreophasis derbianus tendría una drástica reducción, declinaría en un 86.0-89.3% (Peterson et al. 2001). Otro estudio de la distribución de 162 especies de árboles en Cerrado (la sabana de vegetación del centro de Brasil que representa alrededor del 23% de la superficie del país) bajo los modelos de circulación general HadCM2 (HHGSDX50 y HHGGAX50) (Siqueira & Peterson 2003), se proyectaron que habrían pérdidas de más del 50% de prácticamente todas las especies.

Los modelos de nicho ecológico no solo hacen predicción de la distribución de especies, también nos proveen un acercamiento para el descubrimiento de especies desconocidas.

Un ejemplo interesante son las siete especies nuevas de camaleones descubiertas en Madagascar (Raxworthy et al. 2003). Los autores desarrollaron modelos de nicho para 11 especies de camaleón de 3 géneros distintos (Calumma, Brookesia y Furcifer), y estudios posteriores develaron especies alopátricas relacionadas en áreas inexploradas.

Las especies para este estudio son las distintas variedades de Queñua Polylepis spp.

Todas las especies de Polylepis pertenece a la tribu Sanguisorbeae y familia Rosaceae, que se caracteriza por una polinización anemófila y frutos secos (Kessler 2006). Son arbustos o árboles, algunos hasta 10 m de altura y comparten características morfológicas, que incluyen troncos rojos y torcidos, corteza delgada y exfoliante, y pequeñas hojas imparipinnadas (Zutta et al. 2012). Se encuentran a la altura de los Andes tropicales y subtropicales muchas veces formando bosques húmedos de montaña, tienen distintos rangos y ocupan diferentes hábitats en una variedad de ecosistemas en la 3

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

Cordillera Andina, desde el páramo al norte del Ecuador pasando por regiones húmedas y tibias de Bolivia hasta el norte de Chile y Argentina (Mendoza & Cano 2011). Aunque enfrentan una presión de pastoreo de ganado, fuego y la expansión de carreteras (Purcell & Brelsford 2004; Teich et al. 2005). Están categorizados como vulnerables debido a una reducción en el tamaño de la población de 20% en los últimos 10 años a causa de la fragmentación y recolección de madera (IUCN 2011), así como las aves endémicas que habitan en estos bosques (PalabralAguilera 2012).

El objetivo de este estudio fue predecir el área potencial de distribución de Polylepis spp. y calcular nivel de significancia mediante la evaluación al modelado del nicho ecológico con Maxent.

METODOLOGÍA Área de estudio El área geográfica pertenece completamente al país de Perú, al oeste de América del Sur. El océano Pacífico bordea su costa y limita con Ecuador y Colombia al norte, Brasil al este, y Bolivia y Chile al sureste. Su territorio se compone de diversos paisajes: los valles, las mesetas y las altas cumbres de los Andes se despliegan al oeste hacia la costa desértica y al este hacia la Amazonia. Es uno de los países de mayor diversidad biológica del mundo y de mayores recursos minerales.

Modelamiento de nicho Para predecir la distribución potencial de Polylepis spp. se elaboró el modelo de nicho ecológico utilizando Maxent (Phillips et al. 2006), un algoritmo de aprendizaje basado en la teoría de la máxima entropía que busca la distribución más uniforme posible, (disponible gratis en http://www.cs.princeton.edu/~schapire/maxe nt/). A partir de dicho algoritmo, se obtendrán los mapas de distribución geográfica potencial y las áreas más idoneas para su desarrollo, el mismo nos dará los resultados para la evaluación de los mapas generados.

Los datos de distribución geográfica de Polylepis spp., se obtuvieron del GBIF (Global Biodiversity Information Facility) (http://www.gbif.org/). Estos datos están georreferenciados y solo se tomaron las muestras del interior del país. De todas las muestras se seleccionaron al azar 60 datos de distribución para la formación de los mapas de distribución (training), mientras que los otros 62 restantes se usaron como datos de prueba (testing), estos datos se ordenaron en formato CSV (comma-separated values) representando los datos en forma de tabla.

Las capas ambientales se obtuvieron de WorldClim (http://www.worldclim.org/current) contienen ambas capas de clima y ambientes remotamente sensoreadas producidas en los pasados cincuenta años. Worldclim es una base de datos de variables climáticas que se presenta en la forma de archivos raster, estos datos fueron generados por interpolación de datos promedios mensuales de más de 46 000 estaciones meteorológicas. Se utilizaron 19 variables bioclimáticas (Bio1-19) más la variable de altura, haciendo un total de 20 las variables o capas que se utilizaron para la generación de los modelos de nicho ecológico. El significado de cada variable se detalla a continuación: Bio1 = temperatura media Anual, Bio2 = promedio del rango diurno (promedio mensual (t máx - t min)), Bio3 = isotermalidad, Bio4 = estacionalidad de la temperatura, Bio5 = temperatura máxima de mes más caluroso, Bio6 = temperatura mínima de mes más frío, Bio7 = rango anual de temperatura, Bio8 = temperatura media de trimestre más húmedo, Bio9 = temperatura media de trimestre más seco, Bio10 = temperatura media de trimestre más caluroso, Bio11= temperatura media de trimestre más frío, Bio12 = precipitación anual, Bio13 = precipitación de mes más húmedo, Bio14 = precipitación de mes más seco, Bio15 = estacionalidad de la precipitación (coeficiente de variación), Bio16 = precipitación de trimestre más húmedo, Bio17 = precipitación de trimestre más seco, Bio18 = precipitación de trimestre más caluroso y Bio19 = precipitación de trimestre más frío. Cada una de ellas fueron recortadas (mediante un mapa vectorial de Perú) y convertidas en formato ASCII con ArcMap versión 10,1.

4

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

Las capas se ajustaron a 30” de tamaño de celda (aproximadamente 1 Km de resolución). Para generar los modelos se utilizará el 50% de los registros de presencia, Para la evaluación de los modelos se utilizarán el 50% restantes como muestra de prueba, buscando con esta división una significancia estadística para la evaluación.

Un modelo utilizable es el que anticipa la distribución del conjunto de registros independientes. Se generaron 10 modelos, seleccionándose el que presentaba menor error de omisión. Con la ayuda de ArcMap versión 10,1, se obtuvo un mapa compuesto (mapa de congruencias o aptitudes), en el cual el valor de cada celda (pixel) representa el número de modelos independientes que proyectaron presencia de la especie para la celda.

Para decidir la validación de un modelo y su interpretación se debe distinguir

entre áreas adecuadas (para la especie) de las inadecuadas, para establecer un umbral de decisión, por arriba del cual el modelo resultante es considerado como una predicción de presencia. Para este caso en el software Maxent se dejó en defecto un umbral de 10 (linear to lq).

RESULTADOS Las áreas con la probabilidad más alta de encontrar a la especie se encuentran en los departamentos de Ancash, Huánuco, Cuzco y Puno (zonas en rojo). Hay una distribución regular en Huancavelica, Cajamarca, Ayacucho y Apurímac (zonas de amarillo); y parcialmente en Junín, Pasco y Arequipa. En zonas costeras, el departamento de Piura, Ica, Tumbes y regiones de selva es donde se presentan las distribuciones más bajas (zonas en azul) (Figura 1).

5

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

Figura 1. Distribución potencial de Polylepis spp., utilizando el software Maxent. Las zonas en color rojo presentan la mayor probabilidad de encontrar a la especie, mientras que el azul representa la menor probabilidad.

Los modelos de distribución de especies se evalúan utilizando una muestra de prueba independiente y calcular los casos correctamente clasificados, los verdaderos positivos es cuando el modelo predice

presencia y ésta es confirmada por las presencias de la muestra de prueba y verdaderos negativos cuando el modelo predice ausencia y ésta es confirmada por las ausencias de la muestra de prueba. Luego 6

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

están los falsos positivos cuando el modelo predice presencia y la muestra indica ausencia (error de comisión), y falsos negativos cuando el modelo predice ausencia y la muestra indica presencia (error de omisión).

La Figura 02 muestra los resultados del área bajo la curva ROC (Receiver Operating Caracteristic Analysis) en las que se presenta la sensibilidad (omisión cero = 100% de sensibilidad) en función de los falsos positivos (error de comisión) para distintos puntos de corte (umbrales). Nótese

que la especificidad se define utilizando el área predicha, en lugar de la verdadera comisión. El parámetro para evaluar la bondad de la prueba es el AUC (área bajo la curva) que toma valores entre 1 (prueba perfecta) y 0.5 (prueba inútil). Esta área puede interpretarse como la probabilidad de que ante un par de puntos, uno con presencia y otro sin presencia (de la especie), los califique correctamente. El resultado obtenido fue AUC=0.898 para los datos de formación y AUC=0.893 para los datos de prueba, lo que significa que estadísticamente son superiores que el azar.

Figura 2. Área bajo la curva ROC en el mapa de distribución potencial de Polylepis spp. realizada con Maxent ver. 3, 3, 3k.

Con Maxent también se hizo pruebas estadísticas para la validación del modelo. En la Figura 3 se presenta una curva de omisión de datos de prueba (un 25% de puntos aleatorios) contra omisión de datos de

formación. En la gráfica se observa cómo el área predicha varía con la elección de un umbral acumulativo. Se busca que la omisión de prueba se ajuste a la omisión de formación.

7

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

Figura 3. Análisis de Omision/Comision en el mapa de distribución potencial de Polylepis spp. realizada con Maxent ver. 3, 3, 3k.

La Figura 4, muestra la evaluación de Jacknife para las variables climáticas más influyentes en la construcción del modelo de distribución de Polylepis spp. El color verde significa que se corre el modelo sin la variable que se quiere analizar, el color azul significa que se corre el modelo con solo la variable que se quiere analizar y el color rojo significa que se corre el modelo con todas las

variables. Las variables climáticas que tienen más influencia cuando se utilizan individualmente son la temperatura mínima del mes más frio = Bio6, temperatura media de trimestre más seco = Bio09 y temperatura media de trimestre más frío = Bio 11, ya que con sólo estas variables se logra explicar gran parte del modelo. La variable menos importante fue Bio3 (isotermalidad).

8

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

Figura 4. Evaluación de las variables de importancia en el mapa de distribución potencial de Polylepis spp., usando la prueba de Jackknife realizada con Maxent ver. 3,3,3k. Bio1 = temperatura media Anual, Bio2 = promedio del rango diurno (promedio mensual (t máx - t min)), Bio3 = isotermalidad, Bio4 = estacionalidad de la temperatura, Bio5 = temperatura máxima de mes más caluroso, Bio6 = temperatura mínima de mes más frío, Bio7 = rango anual de temperatura, Bio8 = temperatura media de trimestre más húmedo, Bio9 = temperatura media de trimestre más seco, Bio10 = temperatura media de trimestre más caluroso, Bio11= temperatura media de trimestre más frío, Bio12 = precipitación anual, Bio13 = precipitación de mes más húmedo, Bio14 = precipitación de mes más seco, Bio15 = estacionalidad de la precipitación (coeficiente de variación), Bio16 = precipitación de trimestre más húmedo, Bio17 = precipitación de trimestre más seco, Bio18 = precipitación de trimestre más caluroso y Bio19 = precipitación de trimestre más frío.

9

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

En el Cuadro 1 se muestran algunos umbrales comunes y las tasas de omisión correspondientes. Se muestran los valores de P para la hipótesis nula de que los puntos de prueba son predichas mejor que por una

predicción aleatoria con la misma área predicha fraccionada. El umbral de "Balance" minimiza 6 * taza de omisión de formación + 0,04 * umbral acumulativo + 1,6 * Área predicha fraccional.

Cuadro 1. Resumen de los resultados estadísticos obtenidos mediante probabilidades binomiales para Polylepis spp. realizado con Maxent ver. 3,3,3k.

Umbral Umbral de acumulativo logística 1.000

0.025

5.000

0.101

10.000

0.196

2.942

0.057

9.099

0.183

26.626

0.367

21.927

0.331

22.853

0.340

8.940

0.180

2.942

0.057

8.909

0.179

Descripción

Área fraccional Tasa omisión Tasa de omisión predicha de formación de prueba

Valor acumulado fijo 1 Valor acumulado fijo 5 Valor acumulado fijo 10 Presencia mínima de la formación 10 percentil de la formación de presencia Igualdad en la formación en la sensibilidad y especificidad La sensibilidad de formación Máximo más la especificidad Sensibilidad de la prueba de Igualdad y especificidad Sensibilidad de la prueba máxima de más especificidad Equilibrio omisión formación, área predicha y el valor umbral Equiparar la entropía de las distribuciones de umbral y originales

DISCUSIONES Usando una metodología similar, Zutta et al. (2012) encontraron una área potencial de distribución parecida para Polylepis weberbaueri con casi el 70% en los

Valor P

0.679

0.000

0.000

3.16E-08

0.429

0.051

0.000

5.51E-17

0.331

0.102

0.048

1,5E-25

0.522

0.000

0.000

2.48E-11

0.344

0.085

0.048

4.11E-21

0.186

0.186

0.258

9.76E-27

0.216

0.136

0.177

1.91E-28

0.210

0.153

0.210

1.40E-26

0.347

0.085

0.016

3.01E-23

0.522

0.000

0.000

2.48E-11

0.348

0.068

0.016

3.41E-23

Andes centrales del Perú, en la Cordillera Blanca y Cordillera Huayhuash. Mendoza & Cano (2011) afirman que hay abundante riqueza de las especies de Polylepis en los departamentos de Cusco, seguido por Ayacucho, Ancash, Junín, Lima, Apurímac y 10

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

Puno. Los que tienen menos diversidad son los departamentos de Amazonas y Piura.

Además no encontraron ninguna especie en los departamentos de Tumbes e Ica de la costa peruana; así como en Loreto, Ucayali y Madre de Dios de la Amazonía peruana, resultados similares a los mapas generados en este trabajo.

Los mapas generados con Maxent representan el área potencial de distribución de Polylepis spp., no obstante el área de distribución real se encuentra afectada por actividades humanas como tala, pastoreo, quemas, construcción de caminos, minerías, entre otros (Purcell & Brelsford 2004); así como con el establecimiento de áreas de cultivo que sin duda se intensificó desde la Conquista. Se calcula que un 98% de los bosques de Polylepis han desaparecido en el Perú, mientras que en la Cordillera Occidental de Bolivia aún permanece alrededor del 50% de estos bosques (Fjeldså & Kessler 1996). Como consecuencia de la destrucción de la gran mayoría de los bosques de Polylepis, es difícil establecer con certeza su distribución natural, o los factores ecológicos que los determinan. Sin embargo el uso de las técnicas de modelamiento usadas será de ayuda para futuras investigaciones.

Las variables climáticas que tienen más influencia son la temperatura mínima del mes más frio = Bio6, temperatura media de trimestre más seco = Bio09 y temperatura media de trimestre más frío = Bio 11. Debido a su localización a grandes elevaciones en los Andes, los bosques de Polylepis están sujetos a amplias fluctuaciones de temperatura, comúnmente entre día y las heladas durante las noches. A altitudes por encima de los 4000 msnm la gran mayoría de estas especies muestra adaptaciones a temperaturas bajas (Goldstein et al. 1994). Estas pueden ser morfológicas como se dan en las gruesas cortezas de Polylepis y fisiológicas como su resistencia al congelamiento. Su crecimiento vegetativo tiene lugar sobre todo en la época húmeda y relativamente caliente, mientras que la floración ocurre principalmente en la época seca y fría.

CONCLUSIONES El desarrollo de nuevas tecnologías y técnicas avanzadas como el Modelamiento de Nicho Ecológico nos permite hacer predicciones del espacio geográfico apropiado en que habita una especie. El software Maxent es uno de los más apropiados para este propósito logrando hacer predicciones con resultados significativos. Lo que puede ser de gran ayuda para las investigaciones y planes estratégico en la conservación de especies.

Por ejemplo en los bosques de Polylepis puede incluir el uso sostenible de la biodiversidad de estos ecosistemas, como el mercado limitado de orquídeas y otras plantas, y el ecoturismo, en particular la observación de aves, que puede ser conectados con un circuito de sitios arqueológicos para promover la conservación de ambos.

Según los resultados obtenidos las áreas de mayor probabilidad de distribución se encuentra en el departamento de Ancash, Apurímac, Cuzco y Puno (zonas en rojo) que son lugares andinos y altiplánicos, mientras que las áreas de menor probabilidad (zonas en azul) ocupan casi por completo los departamentos de Madre de Dios, Ucayali, Loreto; que son zonas selváticas; además de Piura, Tumbes, Lambayeque e Ica, que son lugares costeros. Su confiabilidad se demostró con la validación que expuso la buena precisión del modelo.

Por consiguiente, estas áreas con alta probabilidad de presencia muestran donde se debe buscar las poblaciones silvestres.

Se mostró que la especie parece desarrollarse mejor en climas alto andinos y de sierra. Conociendo mejor la ecología de Polylepis spp. y las áreas potenciales para su desarrollo se podrá diseñar planes para la conservación de esta especie.

LITERATURA CITADA BEAUMONT, L.J.; HUGHES, L. & POULSEN, M. 2005. Predicting species distributions: use of climatic parameters in BIOCLIM and its impact on predictions of species’ current and future distributions.

Ecological Modelling, 186(2):251–270.

11

DISTRIBUCIÓN POTENCIAL DE QUEÑUA MEDIANTE MODELAMIENTO DE NICHO ECOLÓGICO Enero – Junio, 2015

BRIGHT, P.W. & SMITHSON, T.J. 2001.

Biological invasions provide a framework for reintroductions: selecting areas in England for pine marten releases. Biodiversity and Conservation, 10(8), pp.1247–1265.

ELITH, J. & LEATHWICK, J.R. 2009.

Species Distribution Models: Ecological Explanation and Prediction Across Space and Time. Annual Review of Ecology, Evolution, and Systematics, 40:677–697.

FERRIER, S. WATSON; G. PEARCE, J. & DRIELSMA, M. 2002. Extended statistical approaches to modelling spatial pattern in biodiversity in northeast New South Wales. I. Specieslevel modelling. Biodiversity and Conservation, 11:2275–2307.

FERRIER, S.; DRIELSMA, M.; MANION, G. & WATSON, G. 2002. Extended statistical approaches to modelling spatial pattern in biodiversity in northeast New South Wales. II. Community-level modelling.

Biodiversity and Conservation, 11, pp.2309–2338.

FRANKLIN, J. 2010. Mapping species distributions: spatial inference and prediction, Cambridge University Press.

GUISAN, A.; EDWARDS, T. & HASTIE, T. 2002.

Generalized linear and generalized additive models in studies of species distributions: setting the scene. Ecological modelling, 157.

GUISAN, A. & THUILLER, W. 2005.

Predicting species distribution: offering more than simple habitat models.

Ecology Letters, 8:993–1009.

GUISAN, A. & ZIMMERMANN, N.E. 2000. Predictive habitat distribution models in ecology.

Ecological Modelling, 135:147–186.

HUTCHINSON, G.E. 1957. Concluding Remarks. Yale University, 415–427.

KESSLER, M., 2006. Bosques de Polylepis.

En MORAES R.; ØLLGAARD, B.; KVIST, P.; BORCHSENIUS, B. & BALSLEV, H. Botánica Económica de los Andes Centrales. Universidad Mayor de San Andrés, La Paz, pp. 110120.

MACARTHUR, R.H. 1984. Geographical Ecology: Patterns in the Distribution of Species, Princeton University Press.

MANEL, S.; DIAS, J. & ORMEROD, S. 1999. Comparing discriminant analysis, neural networks and logistic regression for predicting species distributions: a case study with a Himalayan river bird.

Ecological modelling, 120(2-3):337– 347.

MARTÍNEZ, N. 2010. Apuntes sobre modelación de nichos ecológicos UNAM. MARTINEZ-MEYER, E. & PETERSON, A.T. 2006. Conservatism of ecological niche characteristics in North American plant species over the Pleistocene-toRecent transition.

Journal of Biogeography, 33:1779–1789.

MENDOZA, W. & CANO, A. 2011.

Diversidad del género Polylepis (Rosaceae, Sanguisorbeae) en los Andes peruanos. Revista Perú Biología, 18(2):197–200.

PALABRAL-AGUILERA, N.A. 2012.

Evaluación del programa de conservación de los bosques de queñua (Polylepis pepei) en comunidades altoandinas de Bolivia: un análisis bajo el enfoque ecosistémico para mejorar su gestión. Universidad Internacional de Andalucia.

PETERSON, A.; SOBERÓN, J. & SÁNCHEZ-CORDERO, V. 1999.

Conservatism of ecological niches in evolutionary time. Science, 285:1265– 1267.

PETERSON, A.; SOBERÓN, J.; PEARSON, R.; ANDERSON, R.; MARTÍNEZ12

J. FIDEL Bio/Sc Vol. 2, N° 1, pp. 1 - 13

MEYER, E.; NAKAMURA, M. & .ARAÚJO, M. 2011. Ecological Niches and Geographic Distributions, Princeton University Press. Pp 328.

PURCELL, J. & BRELSFORD, A. 2004.

Reassessing the causes of decline of Polylepis, a tropical subalpine forest.

Ecotropica, 10:155–158.

PETERSON, A.; SÁNCHES-CORDERO, V.; SOBERÓN, J.; BARTLEY, J.; BUDDEMEIER, R.; NAVARROSIGÜENZA, A. 2001. Effects of global climate change on geographic distributions of Mexican Cracidae.

Ecological Modelling, 144:21–30.

RAXWORTHY, C. J.; MARTINEZ-MEYER E.; HORNING, N.; NUSSBAUM, R.A.; SCHNEIDER, G. E.; ORTEGAHUERTA, M. A. & TOWNSEND, P.A. 2003. Predicting distributions of known and unknown reptile species in Madagascar. Nature, 426(6968):837– 41.

PETERSON, A.; ORTEGA-HUERTA, M. A.; BARTLEY J.; SÁNCHEZCORDERO, V. & STOCKWELL, D. 2002. Future projections for Mexican faunas under global climate change scenarios. Nature, 416:164–166.

PETERSON, A. T.; SÁNCHEZ-CORDERO, V.; MARTÍNEZ-MEYER, E.; NAVARRO-SIGÜENZA, A. G. 2006.

Tracking population extirpations via melding ecological niche modeling with land-cover information. Ecological Modelling, 195(3-4):229–236.

PETERSON, A.T. & VIEGLAIS, D.A., 2001. Predicting Species Invasions Using Ecological Niche Modeling: New Approaches from Bioinformatics Attack a Pressing Problem. BioScience, 51(5):363–371.

PHILLIPS, S.J.; ANDERSON, R.P. & SCHAPIRE, R.E. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190:231–259.

PLISCOFF, P. & FUENTES-CASTILLO, T. 2011. Modelación de la distribución de especies y ecosistemas en el tiempo y en el espacio: una revisión de las nuevas herramientas y enfoques disponibles. Revista de GeografÍa Norte Grande, 79:61–79.

ROJAS-SOTO, O.R., MARTÍNEZ, E. & NAVARRO-SIGUENZA, A.G. 2008.

Modeling distributions of disjunct populations of the Sierra Madre Sparrow. J. Field Ornithol., 79(3):245– 253.

SIQUEIRA, M.F. DE & PETERSON, A.T. 2003. Consequences of Global Climate Change for Geographic Distributions of Cerrado Tree Species.

Biota Neotropica, 3(2):1–14.

TEICH, I, CINGOLANI, A., RENISON, D., HENSEN, I., GIORGIS, M. 2005. Do domestic herbivores retard Polylepis australis Bitt. woodland recovery in the mountains of Córdoba, Argentina?

Forest Ecology and Management, 219(2-3), pp.229–241.

ZANIEWSKI, A., LEHMANN, A. & OVERTON, J. 2002. Predicting species spatial distributions using presence-only data: a case study of native New Zealand ferns. Ecological modelling, 157:261–280.

ZUTTA, B.; RUNDEL, P.; SAATCHI, S.; CASANA, J.; GAU, P.; SOTO, A.; VELAZCO, Y. & BUERMANN, W. 2012. Prediciendo la distribución de Polylepis: bosques Andinos vulnerables y cada vez más importantes. Rev. Per. Biol., 19:205–212.

13