Figura 7. Modelo de nicho ecológico

En general, para la aplicación de un modelo de distribución de especie se habrá de tener

en cuenta la incertidumbre propia al proceso de Modelación, teniendo para ello como

referentes factores como la complejidad y exactitud que se da a los modelos, también la

calidad de los datos ambientales, la fiabilidad y disponibilidad de los datos de presencia de

las especies, la limitación en los corredores ecológicos o barreras para la dispersión y la

competencia entre las especies por los mismos espacios geo-ambientales. Tal como Mateo

et al. (2011) anotan: “La naturaleza es compleja y heterogénea y no es razonable esperar que los modelos nos reflejen con precisión los mecanismos inherentes a un proceso

espacio-temporal tan complejo como es la distribución de las especies” (p.224).

En otras palabras, un modelo de distribución o nicho ecológico (Figura 7) es solo la

reducción de todas las complejidades biológicas y ambientales a las que está sujeta

determinada especie, así mismo, como de los factores que se desconocen de ellas,

obteniendo al final un producto cartográfico donde se representa la idoneidad de dicha

especie en un espacio geográfico y en función de una serie de variables (temperatura,

precipitación, altitud, suelos, etc.) determinadas para llevar a cabo tal estudio (Mateo et

al., 2011).

Figura 7. Modelo de nicho ecológico Fuente: Huerta (2015)

De acuerdo con Mateo et al. (2011), se pueden clasificar en tres las aproximaciones

metodológicas en el proceso de Modelación de distribución de especies.

a) Discriminante: Donde se requiere tener datos de presencia y ausencia para llevar a

cabo el árbol de clasificación. Entre estas técnicas están los árboles de clasificación,

técnicas de ordenación, redes neuronales, regresiones multivariadas adaptativas,

modelos lineales generalizados, modelos aditivos generalizados, regresión por

cuartiles, estadística bayesiana y máxima entropía.

b) Descriptiva: En este tipo de aproximación solo se requiere de datos de presencia.

Se pueden destacar: Deductivas, de envoltura geográficas, envolturas ambientales,

métodos de distancia matemática o algoritmo de máxima-esperanza.

c) Técnicas Mixtas: En general utilizadas para hacer un consenso entre varios modelos

propuestos.

Dada las posibilidades de aproximación anteriores es necesario entender el concepto

básico de los algoritmos que operan la modelación. A continuación, se presentan cuatro de

los algoritmos asociados a estas aproximaciones metodológicas. Se optó por ilustrar

especialmente aquellos algoritmos que solo requieren datos de presencia de la especie, y

que en sus resultados aportan información complementaria sobre el desempeño de los

datos dentro de la modelación, permitiendo con ello una mejor elección de los mejores

modelos obtenidos.

Bioclim

Es un algoritmo que encuentra el intervalo climático en el que se encuentran los puntos

para cada variable climática involucrada en el análisis calculando la media y desviación

típica, en relación al conjunto de puntos (de presencia). Adicional a esto, el usuario mismo

puede determinar los valores mínimos y máximos para cada variable (Illoldi y Escalante,

2008, p.8).

Domain

Es un algoritmo basado en una matriz de distancia punto a punto donde se usa un índice

de similitud para cada punto en el espacio geográfico respecto a los puntos de ocurrencia,

finalmente, “las zonas con las mejores condiciones de habitabilidad de la especie tendrán un numero alto (superior a 95). El resultado de la modelación es un mapa probabilístico” (Meteogalicia, 2011, p.4).

GARP

Básicamente es un método heurístico el cual “utiliza un algoritmo genético para la búsqueda de asociaciones entre variables ambientales y la ocurrencia conocida de las

especies, contrastándola con las características ambientales a lo largo de toda el área de estudio” (Illoldi y Escalante, 2008, p.8). A partir de lo anterior, se crean reglas que ayudan

a la descripción del nicho de la especie en cuestión. Finalmente, arroja un mapa combinado

de los mapas de predicción de varios ciclos de análisis.

Maxent

Es un algoritmo basado en el principio de máxima entropía combinado con estadística y

métodos bayesianos. Sus insumos básicos son puntos de presencia de la especie, variables

climáticas, de terreno o topográficas. Se basa en el principio de la máxima entropía que

“trata de encontrar la distribución de probabilidad más extendida, o más cercana a ser

uniforme, dadas ciertas restricciones que representan la información disponible e incompleta sobre el fenómeno o tema estudiado” (Meteogalicia, 2011, p.4). El objetivo

esencial de este algoritmo es la estimación de la distribución más uniforme de los datos de

ocurrencia en el área de estudio. Los productos son pronósticos continuos en una escala

de 0 a 100, donde el indicador dice sobre el grado de idoneidad de un lugar para

determinada especie.

Estudios como el de Benito de Pando y Peñas de Giles (2007) evidenciaron el desempeño

de Maxent frente a otros algoritmos de tipo clásico como Bioclim y The Genetic Algorithm

for Rule‐set Prediction (GARP), al momento de estimar distribución potencial de sitios

óptimos para una determinada especie. La robustez y aplicabilidad de Maxent permite