Post on 11-Apr-2017
Herramientas
Bfuture, Modela y Mcompare
Mauricio Parra QuijanoConsultor FAOTratado Internacional sobre los Recursos FitogenéticosPara la Alimentación y la AgriculturaCoordinador Programa CAPFITOGEN
Bfuture
Descarga y adapta capas de información bioclimática proyectadas a futuro
Bfuture
¿Que son las capas bioclimáticas proyectadas a futuro?
Datos 1950-2000 Proyección 2050Promedio modelosEscenario r.c.p. 4.5
Proyección 2050Promedio modelosEscenario r.c.p. 8.5
¿Que es worldclim?
Portal de información bioclimática interpolada (capas SIG)
Usuales en CAPFITOGEN
Capas proyectadas a futuro
http://www.worldclim.org
¿Que es un GCM?
Una representación numérica del sistema climático basado en las propiedades físicas, químicas y biológicas de sus componentes, sus interacciones y procesos de retroalimentación, y tomando en cuenta todas o algunas de sus propiedades conocidas.
El IPCC los define como…
¿Que es un rcp?
GCM CCSM4Resolución 30 seg19 variables Bioclimrcp 60y se descargará un .tiffcomprimido en un .zipaprox. 3.2 Gb
RCP 2.6 asume que las emisiones anuales (medidas en equivalentes-CO2) tendrán un pico entre 2010-2020 y decaerán. Para RCP 4.5 las emisiones tendrán un pico alrededor de 2040, y declinarán. Para RCP 6.0, el pico de emisiones estará sobre el 2080y declinará y el escenario RCP 8.5 corresponde a un escenario de continuo crecimiento de emisiones a lo largo del siglo XXI.
¿Cómo trabaja Bfuture?Portal worldclim
Descarga directa de capas por usuario, seleccionando directamente en el portal
resolución, GCM, rcp y proyección
Bfuture descarga las capas
Definición de resolución, GCM, rcp y proyección
Recorte por distribuciónRecorte por límites
de un país
Carpeta “rdatamapsf”
Conversión de formato originala formato CAPFITOGEN
Asignación nombrede capas
Capas listas para ser usadas por Modela
Carpeta “rdatamapsf”
Bfuture
Bfuture
Modela
Obtiene modelos de distribución de especies (SDM) individuales y ensamblados para condiciones bioclimáticas de presente y futuro y análisis FIGS por calibración
Modela
¿Qué es un SDM?Metodología por el cual podemos predecir la ocurrencia de una especieen un sitio para el cual no contamos con información sobre la misma.
Distribución potencial
Variables más influyentes en la distribución
Modelos de Nicho Ecológico
Nicho Ecológico: Combinación de condiciones ecológicasque permiten mantener la población sinmigración
Nicho Fundamental: condiciones posiblesNicho Realizado: espacio realmente ocupado
Nicho fundamental
Nicho realizado
Movilidad, dispersión, historia
Metodología
Altitud
Localidad Altitud (msnm)
1 2100
2 650
3 430
4 1890
5 254
6 540
Extracción de información ambiental para cada localidad
Metodología… sencillaLocalidad
Altitud Precipitación anual
Temperatura anual
……
1 560 870 21 …
2 645 940 19 …
… … … … …
Aplicación del algoritmo del modelo-GLM-GAM
-Random forest-MARS
-Máxima entropía (MAXENT)…
Proyección/Mapas de probabilidad de encontrar la especiesobre zonas donde no se tiene información de presencias
Determinación de patrón
Proyección de patrón sobre predictores (capas)
Test set
Training set
Evaluadores de la exactitud de los modelos
Elección de los mejores modelos / ensamblaje
Presencias/ausencias reales
Presencias/pseudoausencias
PA-ELC PA-Random PA-Disk PA-SRE
SelecciónModelos
1. GLM2. GBM3. GAM4. CTA5. ANN6. SER7. FDA8. MARS9. RF10. MAXENT
Capas ecogeográficas
1950-2000Futuro (2050 - 2070)
Confi
gura
ción
esp
ecífi
ca d
e m
odel
os
Tam
años
sets
cal
ibra
ción
/ te
st
Importancia de variable
Núm
ero
de re
petic
ione
s
Evaluación de modelos
(AUC, TSS, Kappa, etc.)
Resultado modelización individual
(con sus repeticiones yvalores de evaluación)
Predicción conjunta
(opcional)Resultados y
evaluación
Mapas de Distribución
Potencialpresente
Modelización
Proyección
Mapas de Distribución
Potencialfutura
Predicción conjuntada(ensemble forecasting)
Metodología… entrando en detalles
Resultado – mapa “crudo”
Resultado – mapa binario
Resultado – mapa futuro
Resultado – comparación mapas binarios
Muchas cosas a tener en cuenta para un SDM
1. Calidad de datos (presencias-presencias/ausencias)2. Datos de sólo presencia o presencia-ausencia
3. Algoritmo de modelización4. Selección (o no) de variables/predictores
5. Presente o presente-futuro
7. Modelo datos completos? Porcentaje train/test sets?8. Tipo de pseudoausencias (si es el caso)
6. Si futuro, GCM, rcp, proyección y resolución
Pseudo-ausencias
RANDOMSRE
DISK
ELC
Muchas cosas a tener en cuenta para un SDM
1. Calidad de datos (presencias-presencias/ausencias)2. Datos de sólo presencia o presencia-ausencia
3. Algoritmo de modelización4. Selección (o no) de variables/predictores
5. Presente o presente-futuro
7. Modelo datos completos? Porcentaje train/test sets?8. Tipo de pseudoausencias (si es el caso)9. No. y tamaño repeticiones pseudoausencias
6. Si futuro, GCM, rcp, proyección y resolución
10. Usar o no usar ajustes específicos para algoritmo 11. Deseo obtener la importancia de los predictores?
12. Re-escalar los mapas respuesta?
Muchas cosas a tener en cuenta para un SDM
13.¿Que evaluadores se usarán? 14. Modelos a proyectar, ¿todos? ¿mejor evaluados?
15. Valores de umbral para evaluador(es)16. ¿Deseo obtener mapas binarios?
17. ¿Deseo un mapa máscara para zonas “outlier”?
19. Cuáles modelos ensamblo, todos?, ¿mejor evaluados?20. Vía y tipo de ensamblaje
18. ¿Deseo ensamblar modelos?
21. ¿Re-evaluar el ensamblaje? ¿cual evaluador?22. ….23. ….
SDM son complejos y requieren entrenamiento
Cursos de formación/entrenamiento en modelos de distribución de especies, GBIFhttp://goo.gl/pzltwe
Familiarizarse con procesos sencillos como los que pueden realizarse en DIVA-GIS y practicar con DIVA y Maxent como se describe en
Leer revistas como Ecography, Ecological modelling, Diversity and distributions y otras de ámbito ecológico (ver carpeta “Modela” dentro de “Documentación_References”).
http://goo.gl/lfhL5J
FIGS - calibración
Algoritmo AUC Kappa Validación real en campo
Principal Component Regression (PCR)
0.69 0.40 ?
Partial Least Squares (PLS) 0.69 0.41 ?
Random Forest (RF) 0.70 0.42 ?
Support Vector Machines (SVM)
0.71 0.44 ?
Artificial Neural Networks (ANN)
0.71 0.44 ?
Y = b + X1 + X2 + X3Resistencia/Tolerancia
Variables ecogeográficas
(Banco: Colección trigo ICARDA – Rasgo: Roya del tallo (Puccinia gramini)Fuente: Bari et al., 2012. Focused identification of germplasm strategy (FIGS) detects wheat stem rust resistance linked to environmental variables. Genet Resour Crop Evol 59(7):1465-1481
Predicción en germoplasma no eval/caractGermoplasma eval/caract Patrón
Funcionamiento de Modela para FIGS
Para FIGS en Modela…
Necesitará una tabla para accesiones con el rasgo y otra sin el rasgo
Funcionará como un SDM para datos presencia/ausencia real
Sólo los algoritmos para presencia/ausencia estarán disponibles. Algunos métodos de modelización también apropiados para este tipo de procesos podrían no estar incluidos en Modela
Los resultados son:
1. El subset FIGS (na tabla con los pasaportes de las entradas seleccionadas) y
2. mapas que muestran áreas donde la probabilidad de encontrar plantas con el rasgo es más alta
Ejemplo resultados – Portugal Allium
Mcompare
Compara mapas de predicción para condiciones actuales y futuras obtenidos con Modela
Mcompare
Impacto cambio climático
Tomado de A. Jarvis et al. 2008. The effect of climate change on crop wild relatives. Agriculture, Ecosystems and Environment 126
¿Cómo clasificar el impacto?
Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación enAnálisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
¿Cómo clasificar el impacto?
Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación enAnálisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
¿Que hace Mcompare? Alta probabilidad
Baja probabilidad
Presente Futuro
Mcompare hace el mismo proceso
Presente
Futuro
Resultados de Mcompare - tablas Clasificación de las celdas
Clasificación de los sitios de presencia
Resultados de Mcompare - mapas
a) Mapa de predicción binaria condiciones presenteb) Mapa de predicción binaria condiciones futuroc) Mapa Mcompare de clasificación de escenarios
Resultados de Mcompare - mapas
1. Presente si ,futuro no (alto impacto)2. Ni presente ni futuro (fuera de nicho realizado)3. Presente si, futuro también (bajo impacto)4.Presente no, futuro si (nueva disponibilidad)
Resultados de Mcompare - mapas
1. Presente si ,futuro no (alto impacto)2. Ni presente ni futuro (fuera de nicho realizado)3. Presente si, futuro también (bajo impacto)4.Presente no, futuro si (nueva disponibilidad)