Los Buenos y los Malos para las

transferencias de nicho ecológico

Angela Patricia Cuervo Robayo

Enrique Martínez-Meyer
Adolfo Navarro
Richard Pearson
 Introducción general
¿Cómo funcionan?

G
Aplicaciones
•Establecer prioridades de conservación

•Probar hipótesis biogeográficas

•Definir áreas de muestreo

 Incertidumbres de los modelos de nicho ecológico
Extrapolación en climas no análogos Sesgo en los datos

Williams et al. 2007 De Oliveira et al. 2006

Escenarios de cambio climático Variación en los resultados

IPPC 2001 Pearson et al. 2006

 Variación en los resultados Presente
Calibración

Presencias
Pearson et al. 2006

Pasado
(¿¿Reciente??)

Presencias Futuro
 Datos ambientales y de especies

Evaluación
Pseudo-ausecias
Presencias

Periodo I: (1910-1949) Periodo II: (1950-1979) Periodo III: (1980-2009)

Clima I: t1-1940 Clima II: t2-1970 Clima III: t3-2000

(1910-1949) (1950-1979) (1980-2009)

Transferencía
Calibración
Algoritmos

Perfil Presencia/pseudo-ausencia Presencia/entorno

• GAM*
• Bioclim* • GLM*
• Random Forest* • MaxEnt
Consenso • Boost regresion trees*
• Media de •GARP
todos

Pseudo-ausencias y Target Background Grupo: TGB _Phillips et al. 2009

entorno: non-overlapping background overlapping background

Variables climáticas
•Correlación de Pearson < 0.85 _Elith et al. 2006
•Tolerancias fisiológicas y disponibilidad de alimento_Crick 2004; Huntley et al. 2006
*DisMo R: http://cran.r-project.org/web/packages/dismo/index.html _ Hijmans y Elith 2011
Evaluación
i. Desempeño ii. Tasa de éxito
• Calibración y transferencia: •10th percentil presencias de
AUC _R Development Core Team entrenamiento
•Transferencias: •Umbral de presencias más bajo o
TSS Lowest presence threshold (LPT)

• Prueba binomial

Mejores algoritmos
1. Tasa de éxito (≥ 0.7; ≥ 0.8 y ≥ 0.9), significancia alta.
Dirección de modelado

2. 2± desviaciones de la mediana de las proporciones de área predicha

Evaluación
Especie: Auriparus flaviceps
Umbral mapa binario: 10th percentil
Mediana: 0.37
No. de Modelos: 5
1

0,95

0,9
Tasa de éxito

0,85 Bioclim GLM

MaxEnt
0,8
GAM
BRT
0,75
GARP

0.7 MeanAll
0,7
0,25 0,3 0,35 0,4 0,45 0,5
Proporción de área predicha
Evaluación
i. Desempeño ii. Tasa de éxito
• Calibración y transferencia: •10th percentil presencias de
AUC _R Development Core Team entrenamiento
•Transferencias: •Umbral de presencias más bajo o
TSS Lowest presence threshold (LPT)

• Prueba binomial

Mejores algoritmos
1. Tasa de éxito (≥ 0.7; ≥ 0.8 y ≥ 0.9), significancia alta.
Dirección de modelado

2. 2± desviaciones de la mediana de las proporciones de área predicha

≤ 6 = Fracasa
7 = Baja
Frecuencia de exitosos. 8 = Justa
9 = Buena
≥ 10 = Excelente
Resultados y Discusiones
1,0
Validación calibración 30%
0,9

0,8
Transferencias del nicho ecológico de Callipepla douglassi delt1t-1940
2-1979 a t3-2000

0,7
t2-1970
t3-2000
AUC promedio

0,6
AUCtest0.886 AUCtest0.942 AUCtest0.891
0,5

0,4

0,3

0,2

0,1

0,0
Bioclim GLM GAM RF BRT GARP MaxEnt Mean All
AUCtest0.897 1
AUCtest0.809 AUCtest0.955
Validación transferencias 100% 0,9

Forecast 0,8

Hindcast 0,7
AUC promedio

Mean 0,6

0,5

0,4
AUCtest0.949 AUCtest0.944
0,3

0,2

0,1

0
Bioclim GLM GAM RF BRT GARP MaxEnt Mean All
 Minimum training threshold
Resultados y Discusiones
0,6
Al transferir… BRT GAM
MaxEnt
0,5 Mean All
GARP
•Random forest: 0,4
Bioclim GLM

Bajo rendimiento. Predice menos

TSS
área. 0,3

0,2 Random Forest

•BRT, Random Forest y consenso:
0,1
Disminuyen su rendimiento con
un umbral más restrictivo. 0
0,0 0,1 0,2 0,3 0,4
Proporción del área predicha
•GLM y GARP mejoran con un
umbral más restrictivo. 10th percentil threshold
0,6
MaxEnt GLM
GAM
0,5 GARP
•MaxEnt y GAM mantienen Mean All BRT
Bioclim
0,4
valores altos de TSS con los dos
TSS

umbrales. 0,3

0,2
•Bioclim mantiene TSS
0,1 Random Forest

•No hubo diferencia entre la 0,0

0,0 0,1 0,2 0,3 0,4 0,5 0,6
dirección de predicción.
Proporción del área predicha
 Resultados y Discusiones
Maxent GLM
GAM
BRT
Garp Basados sólo en las presencias
Mean All
Bioclim (tasa de éxito)…
•Los algoritmos que predicen más área les
Celeus castaneus
va mejor.
Random Forest
•Random forest no predice bien, la
prediccion no fue significativa para 5
especies.

•Con un umbral bajo MaxEnt y GLM

tuvieron excelentes tasas de éxito.
Garp GLM
Maxent •La tasa de éxito disminuye conforme
GAM
Bioclim Icterus prosthemelas
aumenta el valor de umbral.
Mean All BRT

•Los algoritmos que sobre-ajustan no

predicen bien las presencias.

Random Forest •Todos los algoritmos fallaron por lo

menos una vez, principalmente en las .spp
 Resultados y Discusiones

Tabla 1. Número de veces en los que la proporción del área de 8 técnicas de modelado estaba dentro de dos
desviaciones (±) de la mediana.

Fracasa Baja Justa Buena Excelente

 Conclusión general

•A partir de los resultados de este trabajo es posible reconocer que no existe un

mejor algoritmo. Solo los que no son tan buenos: Random Forest o más estables:
MaxEnt y GAM.

•Se recomienda siempre utilizar más de un algoritmo para la estimación de los

nichos, y reportar tanto los resultados de forma consensada como la individual.