2010 uab ninyerola

C Canvis i en lla distribució di t ib ió d’espècies d espècies llenyoses davant escenaris climàtics de futur Miquel Ninyerola (miquel.ninyerola@uab.cat) Dep. Biologia Animal, Biologia Vegetal i Ecologia

VII Jornada CREAF-SCD-ICHN Boscos i Canvi Global: de la Recerca a la Gestió Adaptativa Novembre 2010

Tenim una elevada cobertura forestal...

...tant a Catalunya...

41% de bosc

Font: MCSC (CREAF)

17% de matollars

...com a la península Ibèrica

38% de bosc Font: reclassificat a partir de CORINE

I tenim raons per creure que el clima pot estar canviant...

B1 scenario (blue) A1B scenario (orange) A2 scenario (red) ( )

Dades observacionals i simulades de les anomalies de temperatura

Font: IPCC Fourth Assessment Report: Climate Change 2007

Estimacions de les projeccions climàtiques de l’IPCC aUAB9 partir de AOGCMs p • temperatures mitjanes anuals incrementaran més a Europa que la mitjana global • major escalfament hivernal al nord d’Europa i estival a la zona mediterrània • temperatures extremes d’estiu incrementaran més que les mitjanes estivals al sud i centre d’Europa p • precipitació anual incrementarà més al nord d’Europa i es reduirà a l’àrea mediterrània • risc de sequera estival incrementarà a l’Europa central i a la Mediterrània

Font: IPCC Fourth Assessment Report: Climate Change 2007

Diapositiva 6 UAB9

qualitatively consistent among models and qualitatively well understood in physical terms, substantial uncertainties remain.

Universitat Autònoma de Barcelona; 25/10/2010

TambĂŠ podem observar efectes sobre el territori

Carnicer et al. PNAS, in press

Existeix un increment de defoliaci贸 lligada al clima

Carnicer et al. PNAS, in press

Així doncs, quines eines tenim per avaluar l’impacte del CC sobre els boscs?

Models mecanístics basats en processos

Models estadístics basats en la teoria del nínxol ecològic

no tenen en compte processos però són acurats a grans escales

Teoria del nínxol ecòlogic

Nínxol fonamental (factors abiòtics)

Nínxol observat ((àrea de distribució)) Àrees sense barreres al moviment

Font: Soberon 2007, Ecology letters

Factors biòtics adients

Abies alba‌ un exemple qualsevol

Font: Lloret et al., 2009

Podem connectar l’espai geogràfic amb el del nínxol

Espai geogràfic

Espai multidimensional del nínxol UAB1

+

Presències observades Distribució potencial (esquerra) / Nínxol fonamental (dreta) Distribució real (esquerra) / Nínxol observat (dreta)

Diapositiva 12 UAB1

*Figure 2:* Illustration of the relationship between a hypothetical species’ distribution in geographical space and environmental space.

Geographical space refers to spatial location as commonly referenced using /x/ and /y/ coordinates. Environmental space refers to Hutchinson’s /n/-dimensional niche, illustrated here for simplicity in only two dimensions (defined by two environmental factors, e1 and /e2/). Crosses represent observed species occurrence records. Grey shading in geographical space represents the species’ /actual distribution/ (i.e. those areas that are truly occupied by the species). Notice that some areas of actual distribution may be unknown (e.g. area /A/ is occupied but the species has not been detected there). The grey area in environmental space represents that part of the niche that is occupied by the species: the /occupied niche/. Again, notice that the observed occurrence records may not identify the full extent of the occupied niche (e.g. the shaded area immediately around label /D/ does not include any known localities). The solid line in environmental space depicts the species’ /fundamental niche/, which represents the full range of abiotic conditions within which the species is viable. In geographical space, the solid lines depict areas with abiotic conditions that fall within the fundamental niche; this is the species’ /potential distribution/. Some regions of the potential distribution may not be inhabited by the species due to biotic interactions or dispersal limitations.

For example, area /B/ is environmentally suitable for the species, but is not part of the actual distribution, perhaps because the species has been unable to disperse across unsuitable environments to reach this area. Similarly, the non-shaded area around label /C/ is within the species’ potential distribution, but is not inhabited, perhaps due to competition from another species. Thus, the non-shaded area around label /E/ identifies those parts of the fundamental niche that are unoccupied, for example due to biotic interactions or geographical constraints on species dispersal.

Universitat Autònoma de Barcelona; 04/05/2010

I relacionar la teoria amb l’aplicació pràctica…

RÀSTERS DELS FACTORS ABIÒTICS (topo-climàtics)

DISTRIBUCIÓ ESPACIAL DELS TAXONS

NÍNXOL ECOLÒGIC

classificació

explicitació espacial: SIG CARTOGRAFIA DEL MODEL

superfície de resposta [0,1]

MAPA D D’IDONEITAT IDONEITAT

resposta binaria 0/1

determinació punt de tall

avaluació

Geoportals amb informaci贸 corol貌gica UAB10

INVENTARIS FORESTALS

GBIF BIOCAT

Diapositiva 14 UAB10

X +y però tambe abundancia!!!

Escales resolucio Els inventaris forestals tenen avantatges (georeferenciació precisa i disseny basat en un mostreig regular) i desavantatges (errors taxonòmics en la identificació d’espècies, i.e. Quercus).

Universitat Autònoma de Barcelona; 02/11/2010

Els principals factors topo-climàtics

Topogràfics

Models Digitals del Terreny: altitud (MDE), pendents i superfícies de fricció

Climàtics

Bàsics Temperatura mitjana / precipitació / radiació solar

Integradors Amplitud tèrmica / evapotranspiració potencial (ETP) / disponibilitat hídrica (ETP/P)

Substrat

Cartografia temàtica geològica / edafològica

Geoportals amb informació climàtica

L’exemple de la precipitació anual

-10°

-8°

-6°

-4°

-2°

0°

2°

42°

40°

anual (mm) AnualPrecipitación precipitation (mm) 22 >2200 20 2000 18 1800 16 1600 14 1400 12 1200

38°

10 1000 8800 6600 4<400

0 36°

250 50 km

I relacionar la teoria amb l’aplicació pràctica…

RÀSTERS DELS FACTORS ABIÒTICS (topo-climàtics)

DISTRIBUCIÓ ESPACIAL DELS TAXONS

NÍNXOL ECOLÒGIC

classificació

explicitació espacial: SIG CARTOGRAFIA DEL MODEL

superfície de resposta [0,1]

MAPA D D’IDONEITAT IDONEITAT

resposta binaria 0/1

determinació punt de tall

validació

UAB6

Diferents classificadors…diferents resultats En base a què, triem?

100 90

• De quin mostreig disposem?

• Quines característiques/història té la nostra espècie?

• Quina és la finalitat del nostre estudi?

% pèrudu ua d'idoneïtat

80 70 60

Q. ilex

50

P. halepensis P. sylvestris

40 30 20 10 0 ANN

CTA

GAM

GBM

GLM Models

Keenan et al., 2010 (Global Change Biology)

MARS

MDA

RF

SRE

Diapositiva 20 UAB6

perdua idoneitat boscos actuals Mostreig amb només registres de presència =distribució espacial del nínxol ecològic fonamental de la espècie Mostreig amb registres de presència-absència =distribució espacial del nínxol ecològic observat

1. Random Forest A machine-learning method – a combination of tree predictors such that each tree depends on the values of a random vector sampled independently and with the same distribution for all trees in the forest.

2. CTA (classification tree analysis) A classification method – a 50-fold cross-validation to select the best trade-off between the number of leaves of the tree and the explained deviance.

3. GBM (generalized boosting model) A machine-learning method – combines a boosting algorithm and a regression tree algorithm to construct an ‘ensemble’ of trees.

Ridgeway (1999) 4. MARS (multivariate adaptive regression splines) A nonparametric regression method, mixing CTA and GAM. Friedman (1991) 5. GAM (generalized additive model) A regression method, with 4 degrees of freedom and a stepwise procedure to select the most

Diapositiva 20 (continuaciĂłn) parsimonious model.

Hastie & Tibshirani (1990) 6. MDA (mixture discriminant analysis) A classification method â&#x20AC;&#x201C; based on mixture models. Hastie & Tibshirani (1990) 7. GLM (generalized linear model) A regression method, with polynomial terms for which a stepwise procedure is used to select the most significant variables.

McCullagh & Nelder (1989) 8. ANN (artificial neural networks) A machine-learning method, with the mean of three runs used to provide predictions and projections.

Ripley (1996) 9. SER (surface range envelope) A simple rectilinear envelope, that takes into account the whole range of conditions in which the species is present.

Universitat Autònoma de Barcelona; 03/11/2010

Els “ensamble forecasting” o les predicicons conjuntesUAB5 Consens de predicció entre distints models tot ponderant a partir de ll’exactitud exactitud de la validació creuada creuada.

Existeixen diferents marcs computacionals: BIOMOD, OpenModeller…

- Generalized linear model (GLM) - Generalized additive model (GAM) ( ) - Classification tree analysis (CTA) - Artificial neural networks (ANN) - Mixture discriminant analysis (MDA) - Multivariate adaptive regression splines (MARS) - Generalized boosting model (GBM) - Random Forest (RF) - Surface Range Envelope (SER)

Araujo and New 2007, TREE Thullier et al. 2009, Ecography

Diapositiva 21 UAB5

1. Random Forest A machine-learning method – a combination of tree predictors such that each tree depends on the values of a random vector sampled independently and with the same distribution for all trees in the forest.

2. CTA (classification tree analysis) A classification method – a 50-fold cross-validation to select the best trade-off between the number of leaves of the tree and the explained deviance.

3. GBM (generalized boosting model) A machine-learning method – combines a boosting algorithm and a regression tree algorithm to construct an ‘ensemble’ of trees.

Ridgeway (1999) 4. MARS (multivariate adaptive regression splines) A nonparametric regression method, mixing CTA and GAM. Friedman (1991) 5. GAM (generalized additive model) A regression method, with 4 degrees of freedom and a stepwise procedure to select the most parsimonious model.

Hastie & Tibshirani (1990) 6. MDA (mixture discriminant analysis) A classification method – based on mixture models. Hastie & Tibshirani (1990) 7. GLM (generalized linear model) A regression method, with polynomial terms for which a stepwise procedure is used to select the most significant variables.

McCullagh & Nelder (1989) 8. ANN (artificial neural networks) A machine-learning method, with the mean of three runs used to provide predictions and projections.

Ripley (1996) 9. SER (surface range envelope) A simple rectilinear envelope, that takes into account

I relacionar la teoria amb l’aplicació pràctica…

RÀSTERS DELS FACTORS ABIÒTICS (topo-climàtics)

DISTRIBUCIÓ ESPACIAL DELS TAXONS

NÍNXOL ECOLÒGIC

classificació

explicitació espacial: SIG CARTOGRAFIA DEL MODEL

superfície de resposta [0,1]

MAPA D D’IDONEITAT IDONEITAT

resposta binaria 0/1

determinació punt de tall

validació

Cartografia del model (superfície de probabilitat i mapa p binari)) i la seva validació

OBSERVAT

PREDIT

Presència

Absència

Presència

Absència

Veritable positiu (a)

Fals positiu (b)

Fals negatiu (c)

Veritable negatiu (d)

validació creuada

12 1.2

false positi positive e

false negative negati e

1 0.8 0.6 0.4 02 0.2 0

Optimitzant el punt de tall

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 cut point

1

Avantatges i limitacions dels models d’idoneïtat actuals

Ag grans escales,, la climatologia g és un factor molt important. p Per tant,, com més propera al pseudo-equilibri climàtic estigui una espècie, més ens aproparem al nínxol fonamental.

A escales més locals, les interaccions biòtiques (incloent-hi el maneig) prenen importància, però sovint ens falta informació per treballar en àmbits geogràfics grans.

Així doncs, aquest mètode és objectiu, acurat, espacialment explícit i útil per escales generals però li manca el refinament de les interaccions biòtiques quan b i baixem d’ d’escala l ((models d l híb híbrids?) id ?) És essencial partir d’informació de base de qualitat, sent la corologia un factor clau l ((resolució, l ió pseudo-absències, d b è i espècies è i poc estudiades) t di d )

I si volem saber la idoneïtat futura, què hem de fer? El cas de l’atles d’idoneïtat topo-climàtica de llenyoses

IFN3 Inventario Forestal Nacional

ACDPI (Atles Climàtic Digital) Escenari actual

Downscaling

GLM Generalized Linear Models projecció

Mapa d’idoneïtat

GCM (HadCm3) Hadley Center

Escenari A1FI

Escenari A2

Mapa d’idoneïtat

Mapa d’idoneïtat

Anàlisi de guanys/pèrdues en les parcel·les

Els escenaris de futur (temperatures mitjanes) January

February

March

April + d ยบC (A1FI) 14 21 28

May

June

July

August

36 43 50 57 65 72

September

October

Novembe r

Decembe r

79 86 93

Mean Current air temperature

(d ยบC) [-19, -4] [-3, 11] [12, 27] [28, 42] [43, 57] [58, 73] [74, 88] [89, 103] [104, 119] [120, 134] [135, 149] [150, 165] [166, 180] [181, 196]

Mean temperature increase

Els escenaris de futur (precipitaci贸)

Escenari A1f1 HadCm3 per a la temperatura mitjana de jjuliol (2050) ( ) Mitjana=25.7 °C Mín.=13.7 °C Màx.=32.5 °C 2322 cel·les Resolució espacial =252 km2

downscaling

Resolució espacial= 0.4 km2

Com realitzem el proc茅s de downscaling?

resoluci贸=252 km2

Clima actual GCM CRU 1950-2000

-

Clima projectat GCM H dCM3 (A1fi, HadCM3 (A1fi A2) 2050 2050-2080 2080

+ Clima actual interpolat ACDPI 1950 1950-1990 1990

Clima projectat (A1fi, A2) 2050-2080 2050 2080

resoluci贸=0.4 km2

Diferències entre els escenaris futurs i el clima actual

A1fi-ACDPI

mitjana

desv. estànd.

mínim

màxim

Precipitació anual (mm)

-111

36

-200

30

Temperatura mitjana anual (°C)

4.5

4.4

2.0

5.0

A2 ACDPI A2-ACDPI

mitjana

desv. desv estànd.

mínim

màxim

Precipitació anual (mm)

-95

29

-183

23

Temperatura mitjana anual (°C) ( C)

3.2

3.2

1.6

3.7

El servidor de mapes de l’Atles d’idoneïtat topoclimàtica de llenyoses y http://www.opengis.uab.es/IdoneitatPI/index.html

Analitzem els guanys i les pèrdues visualment

Q Quercus humilis h ili

Analitzem els guanys i les pèrdues quantitativament Suitability loss (>10%) Suitability gain (>10%)

+

-

Olea europaea Pinus halepensis Pinus halepensis Quercus suber Ceratonia siliqua Quercus ilex Quercus ilex Pinus pinea Pinus pinaster

Mediterranean Submediterranean Euro-Siberian Introduced

Juniperus thurifera J i Juniperus phoenicea h i Juniperus communis Quercus faginea Ilex aquifolium Pi Pinus sylvestris l t i Fagus sylvatica Pinus nigra Quercus pyrenaica Q Quercus petraea t Acer monspessulanum Acer campestris Juniperus oxycedrus Pi Pinus uncinata i Abies alba Quercus humilis Sorbus aria Corylus l avellana ll Betula pendula Acer opalus Acer pseudoplatanus Betula pubescens Castanea sativa

+

-

Decisió multicriteri: el cas del Parc Natural del Montnegre i el Corredor Quercus humilis, Quercus suber i Quercus petraea

Índex de coincidència 3

410

420

430

440

450

460

470

480

490

500

510

520

2 1

4640

0

4630

4620

4610

4600

4590

N

4580

1:760000 4570

N 1:227000

Quines millores podem introduir en breu?

Escenaris climàtics Millores intrínseques mitjançant models acoblats atmosphereocean-land Predicció conjunta d’escenaris futurs

Quines millores podem introduir en breu?

Incorporar el moviment Connectivitat + capacitat de dispersió i migració + capacitat de persistència - Dinàmica de poblacions actual - Dades paleo-palinològiques dels moviments en el passat

Biomove: Midgley et al. 2010, Ecography

Quines millores podem introduir en breu?

Models híbrids Incorporar aspectes fisiològicsfuncionals conjuntament amb la informació que ens proporciona el nínxol ecològic Incorporar els efectes de la fertilització per CO2 ja que aquest incrementa l’eficiència en l’ús de l’aigua…

Simulacions GOTILWA+ de la productivitat forestal (NPP) en parceles actuals del IFN3 Keenan et al., 2010 (Global Change Biology)

Algunes reflexions finals

Predicció incrementa incertesa i, per tant, cal valorar el compromís entre models simples-generalistes i models complexos.

Polítiques de conservació haurien de tenir en compte l’efecte del canvii climàtic? li àti ?

A grans trets, podem veure tendències que ens poden ajudar força a entendre com evolucionaran els boscs en un futur proper proper.

Cal ser conscients de que ens diuen els models i que no ens diuen.

El coneixement expert ha d’anar de bracet amb el model per tal d’efectuar una interpretació correcta.

Moltes gràcies per la vostra atenció!