2016...debido al CC es la modelación de nicho ecológico (EN M), también conocido como modelado de...

Desarrollo de una metodología para modelardistribución potencial de nicho ecológico deespecies selectas bajo diferentes escenarios de

cambio climático

Reporte Final

Periférico Sur, No. 5000, Col.Insurgentes/Cuicuilco, Del. Coyoacán, México, D.F.C.P. 04530. Tel. +52 (55) 54246400. Fax. +52

(55) 54245404.www.inecc.gob.mx

2016

Adaptación alcambio climático

Preparado por:

Conservación Biológica y DesarrolloSocial, A. C.

Elaborado para:

Coordinación General de Adaptaciónal Cambio Climático

20 de octubre de 2016

de 100

DIRECTORIO

Dra. María Amparo Martínez ArroyoDirectora General del Instituto Nacional de Ecología y Cambio Climático

Dra. Ana Cecilia Conde ÁlvarezCoordinadora General de Adaptación al Cambio Climático

Dra. Margarita Caso ChávezDirectora de Vulnerabilidad y Adaptación Ecológica

Biól. Karina Santos del Prado GascaSubdirectora de Vulnerabilidad y Adaptación de Especies

ELABORACIÓN

CONBIODES, A.C.

Dr. Francisco Javier Botello López

COORDINACIÓN

Biól. Erwin Armando Martí FloresJefe de Departamento de Adaptación al Cambio Climático de las Especies y su Hábitat

Biól. Luisa Alejandra Domínguez ÁlvarezJefa de Departamento de Conservación de Especies Vulnerables

de 100

Conservación Biológica y Desarrollo Social, A. C.

INFORME FINAL

Desarrollo de una metodología para modelar distribución Potencial de nichoecológico de especies selectas bajo diferentes Escenarios de cambio climático.

20 de octubre de 2016, Ciudad de México

de 100

Reporte Final

DESARROLLO DE UNAMETODOLOGÍA PARAMODELARDISTRIBUCIÓNPOTENCIAL DE NICHOECOLÓGICO DEESPECIES SELECTASBAJO DIFERENTESESCENARIOS DECAMBIO CLIMÁTICO.

de 100

ContenidoResumen .................................................................................................................................................... 6

Summary .................................................................................................................................................... 71. Introducción.................................................................................................................................... 81.1. Cambio climático y biodiversidad. .............................................................................................. 81.2. Estrategias para aproximarse a los efectos potenciales del cambio climático en labiodiversidad........................................................................................................................................... 81.3. Escenarios de cambio climático. ................................................................................................. 9

2. Metodología........................................................................................................................................ 92.1. Descripción de los métodos........................................................................................................ 92.2. Obtención de datos................................................................................................................... 102.3. Limpieza y puesta a punto. ....................................................................................................... 10

2.3.1. Calidad de los datos de ocurrencias. ................................................................................ 102.4. Predictores. ............................................................................................................................... 112.5. Análisis de correlación de predictores...................................................................................... 132.6. Modelación. .............................................................................................................................. 132.7. Selección de modelos. .............................................................................................................. 152.8. Integración de áreas potenciales de interés para la conservación. ......................................... 15

3. Descripción de las fuentes de datos. ................................................................................................ 153.1. Ocurrencia de especies. ............................................................................................................ 153.2. Escenarios de cambio climático. ............................................................................................... 153.3. Variables bioclimáticas utilizadas. ............................................................................................ 16

3.3.1. Climatología base actual ................................................................................................... 163.3.2. Escenarios a futuro. .......................................................................................................... 16

3.4. Software.................................................................................................................................... 163.5. Criterios de selección de especies. ........................................................................................... 16

4. Resultados......................................................................................................................................... 224.1. Método semiautomatizado. ..................................................................................................... 224.2. Descripción de resultados de las modelaciones de distribución potencial. ............................. 23

4.2.1. Distribución actual. ........................................................................................................... 234.2.2. Distribución futura. ........................................................................................................... 25

4.3. Comparación de modelaciones. ............................................................................................... 385. Discusión. .......................................................................................................................................... 47

de 100

5.1. Análisis de lo observado en los mapas. .................................................................................... 475.2. Comparativa de las áreas de interés para la conservación. ..................................................... 47

6. Conclusiones. .................................................................................................................................... 617. Bibliografía. ....................................................................................................................................... 638. Anexos............................................................................................................................................... 65

de 100

Desarrollo de una metodología para modelar distribución Potencial de nichoecológico de especies selectas bajo diferentes Escenarios de cambio climático.

ResumenLos modelos de nicho ecológico están diseñados expresamente para predecir las áreaspotenciales de distribución de las especies extrapolando datos de distribución espacial ytemporal basados en un modelo estadístico. En el presente proyecto se planteó elaborar unametodología para modelación semiautomatizada para estandarizar la obtención de datosgeográficos de ocurrencia de especies, la limpieza de dichos datos y puesta a punto para laejecución de la modelación y proyección de distribución potencial de nicho ecológico, con lamenor interacción por parte del usuario. El proceso de modelado se llevó a cabo mediante unscript escrito en el lenguaje de programación estadístico R. El script permite el establecimiento

de un rango temporal mediante la delimitación por parte del usuario del año del o los registrosmás antiguos. La selección de la especie también debe ser especificada por el usuario, losdatos sobre ocurrencias se obtienen desde el repositorio de la Global Biodiversity InformationFacility (GBIF) y son solicitados y descargados de forma automática. Los datos descargados seconvierten a un objeto espacial a partir de las coordenadas geográficas asociadas a cadaocurrencia. El script realiza la detección y limpieza de los errores de ubicación espacial yvalores ambientales atípicos. Posteriormente el script une las 19 variables bioclimáticaspredictoras en un solo objeto y las enmascaran de acuerdo a los intereses de la investigación.El script hace una selección de ocurrencias para evaluar el desempeño se seleccionanautomáticamente de forma aleatoria en una proporción de 75/25. Finalmente se realiza lamodelación mediante el algoritmo MaxEnt implementado mediante la librería con tantasréplicas como el usuario haya introducido en la sección. Con el objeto de salida se evalúa eldesempeño del modelo y se proyecta al espacio geográfico actual ya sea a) a nivel ecorregióno b) todo el extent de los predictores. El resultado del análisis de evaluación contienediferentes parámetros que permiten transformar las proyecciones de los modelos en el espaciogeográfico de continuas a discretas.

de 100

Development of a methodology for modeling potential ecological niche distributionof selected species under different climate change scenarios.

Summary

Ecological niche models are used to calculate species potential distribution by extrapolation ofspatial and temporal distribution based on statistical models. The project´s main objective is to

develop a semi-automated methodology for modeling niche´s potential distribution, includingthe processes: collection of species occurrence geographical data, data cleansing and tuning,modeling implementation and future projection of ecological niche distribution. The modelingprocess is carried out using a script written in statistical programming language R. The scriptallows a temporal range setup (defining the oldest record to be considered). One species or agroup of them could be specified by user, this data are obtained from the repository of theGlobal Biodiversity Information Facility (GBIF) and are requested and downloaded in semi-automated way. Downloaded data is converted to a space object using the geographiccoordinates associated with each occurrence. The script performs error detection and cleanupon the spatial locations and the associated environmental values. Subsequently, the scriptbinds 19 bioclimatic predictor variables and the spatial-mask in a single object, according tothe research interests. The script selects an occurrences group to assess model performanceand finally, modeling is performed by the MaxEnt algorithm implemented by the library,developing as many replicas as the user settled. Performance is user evaluated and projectedto the selected geographical area either a) ecoregion level or b) whole extent of thepredictors. The evaluation analysis results, contains parameters that helps transform modelprojections in geographical space, from continuous to discrete representation.

de 100

1. Introducción.

1.1. Cambio climático y biodiversidad.

De acuerdo con el Grupo intergubernamental de expertos sobre el Cambio Climático (IPCC), elcambio climático (CC) es la variación del estado del clima identificable (por ejemplo, mediantepruebas estadísticas) en las variaciones del valor medio y/o en la variabilidad de suspropiedades, que persiste durante largos períodos de tiempo, generalmente decenios operíodos más largos. El CC puede deberse a procesos internos naturales o a forzamientosexternos tales como modulaciones de los ciclos solares, erupciones volcánicas o cambiosantropógenos persistentes de la composición de la atmósfera o del uso del suelo. LaConvención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), en su artículo1, define el CC como “cambio de clima atribuido directa o indirectamente a la actividadhumana que altera la composición de la atmósfera global y que se suma a la variabilidadnatural del clima observada durante períodos de tiempo comparables”. La CMNUCC diferencia,pues, entre el cambio climático atribuible a las actividades humanas que alteran lacomposición atmosférica y la variabilidad climática atribuible a causas naturales.

El CC constituye una de las principales amenazas para la biodiversidad; aunque lasestimaciones de sus efectos son variables y dependen de varios factores, en general lamayoría de los modelos sugieren consecuencias alarmantes, y los peores escenarios, tasas deextinción que calificarían como la sexta extinción masiva (Bellard et al., 2012).

1.2. Estrategias para aproximarse a los efectos potenciales del cambio climático en labiodiversidad.

La respuesta de las especies ante el CC pueden ser modificando sus patrones de abundancia odistribución, extinguiéndose o evolucionando (Holt 1990). El CC del siglo XX ha tenido unefecto directo en la distribución de una amplia gama de organismos (Beaumont et al., 2008).

Actualmente, el enfoque más usado para pronosticar cambios en la distribución de las especiesdebido al CC es la modelación de nicho ecológico (ENM), también conocido como modelado dedistribución de especies (SDM) (Martínez-Meyer 2012). Los modelos de nicho ecológico estándiseñados expresamente para predecir las áreas potenciales de distribución de las especies(Peterson et al., 2008). Éstos extrapolan los datos de distribución en el espacio y el tiempobasados en un modelo estadístico; se construyen mediante la observación de las ocurrenciasde las especies y las variables ambientales que se presume determinan su hábitat (Franklin yMiller, 2009) y deben ser capaces de generalizar la predicción más allá de los sitios para loscuales se dispone de datos (Meller et al., 2013).

de 100

En una revisión sistemática sobre las técnicas desarrolladas para incorporar al CC en lapriorización espacial para la conservación, Jones et al (2016) encontraron que lasaproximaciones más comunes son la utilización de pronósticos de la distribución de lasespecies, mediante modelaciones de nicho ecológico, para proteger el hábitat futuro oidentificar refugios climáticos.

1.3. Escenarios de cambio climático.

Los Escenarios de CC se definen como una representación plausible y en ocasionessimplificada del clima futuro, basada en un conjunto de relaciones climatológicas internamentecoherente, definido explícitamente para investigar las posibles consecuencias del cambioclimático antropógeno, y que puede introducirse en los modelos de impacto. Un escenario decambio climático es la diferencia entre un escenario climático y el clima actual (IPCC 2013). Deacuerdo al INECC estos escenarios no son pronósticos climáticos, ya que cada escenario esuna alternativa de cómo se puede comportar el clima futuro. Pueden basarse en: a) escenariosidealizados o b) simulaciones derivadas de modelos climáticos que incorporan asuncionessobre las concentraciones de gases de efecto invernadero en el futuro (Beaumont et al.,2008).

2. Metodología.

2.1. Descripción de los métodos.

La elaboración de los modelos consta de diferentes etapas y procesos que requieren ciertoconocimiento y experiencia en el manejo de sistemas de información geográfica, bases dedatos y conversión de archivos, así como de conocimiento biológico de la especie en cuestión.

La metodología para modelación semiautomatizada desarrollada en el presente proyectorepresenta una herramienta alternativa que permite estandarizar la obtención de datosgeográficos de ocurrencia de especies individuales o taxa completos, la limpieza de dichosdatos y su puesta a punto para la ejecución de la modelación y proyección de distribuciónpotencial de nicho ecológico, con la menor interacción por parte del usuario. El proceso esllevado a cabo mediante un script escrito en el lenguaje de programación estadístico R (R CoreTeam, 2014). Aunque pretende ser una herramienta que permita generar modelos yproyecciones de forma sencilla, es necesario tener en cuenta la parametrización y asuncionesintrínsecas, pues la simplicidad y la versatilidad de estas herramientas puede conducir a unuso no adecuado cuando no existe una comprensión clara de sus supuestos y capacidades(Martínez-Meyer 2012).

El script tiene dos opciones generales de modelado: a) de especies individuales y b) de taxacompletos. La interacción con el usuario es mediante una interfaz gráfica en la que se

de 100

requieren las siguientes entradas: a) nombre científico de la especie a modelar, b) númeromínimo de registros, c) año del registro más antiguo, d) opciones para generar el modelo: d’)Clip ecorregión(es), d’’) Clip ecorregión(es) y polígono convexo y d’’’) extent completo depredictores; e) número de réplicas, f) opciones para proyección actual: f’) a ecorregión(es) yf’’) extent completo de predictores; g) número de núcleos para procesamiento en paralelo y h)proyectar a escenarios de cambio climático. Para el caso de modelado de taxa completos, serequiere la introducción de: a) el nombre del taxón y b) la categoría taxonómica.

2.2. Obtención de datos.

Las ocurrencias se obtienen desde el repositorio de la Global Biodiversity Information Facility(GBIF). Los datos se solicitan y descargan de forma automática de acuerdo a las entradasproporcionadas por el usuario. La interacción entre el script y la interfaz de programación deaplicaciones (API) de GBIF se lleva a cabo mediante la librería rgbif (Chamberlain et al., 2015).Los argumentos de búsqueda limitan la descarga a máximo 200,000 registros por especie que:a) se encuentren dentro del territorio nacional y b) que cuenten con coordenadas geográficas.El script elimina los registros fósiles y detiene la ejecución si no se cuenta con el númeromínimo de ocurrencias establecidas por el usuario. También revisa si el dataframe descargadocontiene la columna “elevation” y de no ser así la añade, ya que es necesaria para el controlde calidad de los datos.

2.3. Limpieza y puesta a punto.

2.3.1. Calidad de los datos de ocurrencias.

La calidad de los datos y la presencia de errores en bases de datos ambientales y sistemas deinformación geográfica suelen ser ignorados; muy a menudo, los datos son utilizadosdirectamente sin considerar estos errores dando lugar a resultados erróneos y decisionesambientales sub óptimas (Chapman, 2005a). Los datos albergados en la GBIF puedenpresentar diferentes errores; uno de los tipos más comunes es la localización o la posicióngeográfica de un registro en el espacio (Robertson et al., 2016). Otro tipo de error son losvalores ambientales atípicos, que son puntos en el espacio ambiental localizados lejos del restode los registros (Robertson et al., 2016). Ya que la correcta ubicación en el espacio geográficoy ambiental es crucial para determinar la viabilidad de las ocurrencias (Chapman, 2005b), esnecesario realizar un proceso de detección y limpieza de errores. El script realizaautomáticamente la limpieza de errores de localización y ambientales atípicos mediante lalibrería biogeo (Robertson 2016). El proceso de limpieza incluye la revisión de la altitudreportada y la real de las ocurrencias de acuerdo a su ubicación geográfica. Esta revisión sehace mediante un shapefile de la República Mexicana y el Continuo de Elevaciones Mexicano3.0 con resolución de 90 m; si la diferencia entre los dos valores es de más de 100 m, laocurrencia se toma como errónea.

de 100

Figura 1. Datos de ocurrencia crudos obtenidos de GBIF.

Figura 2. Datos de ocurrencia después del proceso de limpieza.

2.4. Predictores.

El script incorpora las 19 variables bioclimáticas de WorldClim 1.4 (Hijmans et al., 2005) comopredictores. El script une las 19 variables en un objeto RasterStack que se enmascara deacuerdo a la opción seleccionada por el usuario: a) a la o las ecorregiones en las que hayocurrencias, b) los segmentos de la o las ecorregiones con ocurrencias delimitados por unpolígono convexo o c) todo el extent de los predictores. Las ecorregiones corresponden a lasecorregiones terrestres propuestas por The Nature Conservancy.

de 100

Figura 3. Set de entrenamiento (en rojo) y de prueba (azul) de la rana Pachymedusadacnicolor y la variable bioclimática bio1enmascarada a las ecorregiones para las que hay

ocurrencias.

de 100

Figura 4. Set de entrenamiento (en rojo) y de prueba (azul) de la rana Pachymedusadacnicolor y la variable bioclimática bio1enmascarada a las ecorregiones para las que hay

ocurrencias.

2.5. Análisis de correlación de predictores.

Para utilizar un menor poder de cómputo y evitar posibles problemas de multicolinealidad, elusuario puede optar por utilizar únicamente los predictores que tienen una correlación menor0.7. Esta opción tiene mayor sentido si los predictores son enmascarados a las ecorregiones osegmentos de ecorregiones en las que hay ocurrencias.

2.6. Modelación.

Los modelos se generan mediante el algoritmo MaxEnt (Phillips et al., 2006) implementado enR mediante la librería dismo (Hijmans et al., 2015). MaxEnt permite modelar la distribución delas especies a partir de registros de solo presencia y es una de las herramientas más utilizadaspara este propósito.

de 100

La calidad de los modelos está determinada, entre otros factores, por el número deocurrencias disponibles (Hernández et al., 2006) y su prevalencia, es decir, la fracción del áreade estudio ocupada por la especie (Proosdij et al., 2016). Aunque el mínimo absoluto deocurrencias pude teóricamente ser de 3 y 13 para especies con distribución restringida yamplia respectivamente (Proosdij et al., 2016), una buena práctica es tomar con precaución, ypara fines exploratorios, a los modelos generados con menos de 30 registros (Wisz et al.,2008). El script permite al usuario establecer el mínimo número de registros que deben estardisponibles para generar los modelos.

Las ocurrencias para entrenar el modelo (train set) y para evaluar su desempeño (test set) seseleccionan automáticamente de forma aleatoria en una proporción de 75:25, dado el númerode predictores usados (Franklin y Miller, 2009).

Otro factor que influye en el desempeño de los modelos es la selección de laspseudoausencias (VanDerWal et al., 2009). Aunque comúnmente se clasifica a MaxEnt comoun algoritmo de solo presencias, en realidad necesita generar puntos “background” opseudoausencias para parametrizar el modelo. El script genera las pseudoausenciasseleccionado puntos al azar de los predictores de acuerdo al extent para modelar que se hayaseleccionado (i.e. Clip ecorregión(es), Clip ecorregión(es) y polígono convexo o Extentcompleto de predictores), excluyendo los puntos donde hay ocurrencias. El número depseudoausencias seleccionadas es 10 veces mayor que el número de ocurrencias disponibles(Chefaoui y Lobo 2008) hasta un máximo de 10,000, punto en el que el desempeño delmodelo se aproxima a la asíntota (Phillips and Dudík 2008).

Una vez evaluado el desempeño del modelo, se proyecta al espacio geográfico actual ya sea a:a) a nivel ecorregión o b) a todo el extent de los predictores. Si el usuario seleccionó laproyección bajo algún escenario de CC, ésta se realiza a todo el extent.

Comúnmente los modelos arrojan dos tipos de salidas: a) continuas, donde cada sitio tieneuna probabilidad de ser parte de la distribución o representa la idoneidad para la especie y b)discretas, donde los sitios se clasifican como dentro o fuera de la distribución de la especie(Liu et al., 2011). Para transformar las proyecciones continuas de los modelos a mapas dediscretos de presencia/ausencia es necesario seleccionar un umbral específico (Liu et al.,2005). El script calcula diferentes umbrales que permiten al usuario realizar estatransformación de las proyecciones en el espacio geográfico. Los umbrales son calculadosmediante la librería dismo (Hijmans et al., 2015) y son: a) el máximo valor de kappa, b) elmáximo valor de la suma de la sensibilidad y especificidad (spec_sens), c) el máximo valorpara el cual no hay errores de omisión (no_omission), d) el valor en el que la prevalenciamodelada se acerca más a la prevalencia observada (prevalence), e) el valor para el cual lasensibilidad y la especificidad son iguales (equal_sens_spec) y f) valor fijo de sensibilidad(sensitivty).

de 100

2.7. Selección de modelos.

Además de las arrojadas en el archivo de salida de MaxEnt, con el objeto de salida del scriptse calculan diferentes medidas que permiten evaluar el desempeño de los modelos: a) el áreabajo la curva característica operativa del receptor (AUC), b) el poder diagnóstico general(ODP), c) la tasa de clasificación correcta (CCR), d) la tasa de verdaderos positivos (TPR), e) latasa de verdaderos negativos (TNR), f) la tasa de falsos positivos (FPR), g) la tasa de falsosnegativos (FNR), h) el poder predictivo de positivos (PPP), i) el poder predictivo de negativos(NPP) y j) la tasa de clasificación errónea (MCR).

La selección de la medida de desempeño y los modelos se hace manualmente por parte delusuario. Los valores se encuentran almacenados en el objeto eval_model.

2.8. Integración de áreas potenciales de interés para la conservación.

La descripción de los métodos usados para identificar las áreas de interés para la conservaciónse describen en el punto 5.1

3. Descripción de las fuentes de datos.

3.1. Ocurrencia de especies.

Los datos sobre ocurrencias se obtienen desde el repositorio de la Global BiodiversityInformation Facility (GBIF). La Global Biodiversity Information Facility es una infraestructurade datos abierta, internacional y financiada por gobiernos que permite acceder a datos sobretodos los tipos de vida en la tierra a través de Internet. Provee acceso a más de 500 millonesde registros de más de 1.5 millones de especies colectados a lo largo de 300 años, lo que laconvierte en la mayor base de datos sobre biodiversidad en internet.

3.2. Escenarios de cambio climático.

Se incorporaron 12 escenarios de CC para la proyección de los modelos en el espaciogeográfico y el tiempo. Éstos fueron generados en el marco de la Actualización de losescenarios de cambio climático para estudios de impactos, vulnerabilidad y adaptación (UNAM,CCA, UNIATMOS - INECC).

1. GFDL_4.5_2015-20392. GFDL_4.5_2075-20993. GFDL_8.5_2015-2039

de 100

4. GFDL_8.5_2075-20995. MPI_ESM_4.5_2015-20396. MPI_ESM_4.5_2075-20997. MPI_ESM_8.5_2015-20398. MPI_ESM_8.5_2075-20999. REA_4.5_2015-203910. REA_4.5_2075-209911. REA_8.5_2015-203912. REA_8.5_2075-2099

La codificación de cada escenario está dada por el método o entidad que genera el modelo: a)Geophysical Fluid Dynamics Laboratory (GFDL), b) Max Planck Institute for Meteorology (MPI)y c) Reliability Ensemble Averaging (REA); el forzamiento radiativo: a) 4.5 y b) 8.5; y elhorizonte temporal: a) 2015-2039 (cercano) y b) 2075-2099 (lejano).

3.3. Variables bioclimáticas utilizadas.

3.3.1. Climatología base actual

Los predictores usados en la metodología de modelación son las 19 variables bioclimáticas deWorldClim 1.4 (Hijmans et al., 2005) generadas a partir de la climatología base de 1960 a1990.

3.3.2. Escenarios a futuro.

Los predictores (19 variables bioclimáticas) correspondientes a los diferentes escenarios decambio climático se generaron mediante la librería dismo (Hijmans et al., 2015), a partir de lastemperaturas máximas, mínimas y precipitación de la Actualización de los escenarios decambio climático para estudios de impactos, vulnerabilidad y adaptación (UNAM, CCA,UNIATMOS - INECC).

3.4. Software.

El script está escrito en el lenguaje y ambiente de programación estadístico de licencia libre(GNU GLP) R (R Core Team 2014) y puede ser ejecutado en sistemas operativos Linux y enWindows con algunas restricciones.

3.5. Criterios de selección de especies.

Para poner a prueba la herramienta desarrollada se realizó un ejercicio con 190 especies quela Dirección de Vulnerabilidad y Adaptación de los Ecosistemas del INECC seleccionó, de

de 100

acuerdo a criterios de distribución e inclusión en alguna categoría de riesgo de la Norma OficialMexicana NOM-059-SEMARNAT-2010.

Después de los procesos de obtención y limpieza de datos, la lista original se redujo a 103especies que contaron con al menos con 10 ocurrencias que no fueran registros de fósiles. Lasespecies son en su mayoría terrestres endémicas de las clases Amphibia, Aves, Mammalia yReptilia.

ClaseNo. de

especies

Ctaegoría NOM

A E P Pr

Amphibia 21 4 0 0 14

Aves 31 6 1 9 6

Mammalia 28 2 0 2 6

Reptilia 23 9 0 0 10

Tabla 1. Número de especies por clase y la categoría de riesgo de la NOM-059-SEMARNAT-2010 a la que pertenecen; el numero de especies puede no coincidir con la suma de las

categorías pues no todas las especies se encuantran listadas en este documento.

de 100

Figura 5. Proporción de clases y categorias de riesgo de la NOM-059-SEMARNAT-2010 de las103 especies.

Figura 6. Proporción de clases y el estatus de riesgo de la IUCN de las 103 especies.

de 100

Especie Clase Dsitribución Categoría NOM Estatus IUCN

Abronia taeniata Reptilia endémica Pr VU

Aimophila notosticta Aves endémica Pr LC

Amazona finschi Aves endémica P EN

Ambystoma velasci Amphibia endémica Pr LC

Anas platyrhynchos Aves LC

Anolis nebuloides Reptilia endémica Pr LC

Apalone spinifera Reptilia no

endémica

Pr CR

Ardea herodias Aves LC

Aspidoscelis communis Reptilia endémica Pr LC

Aspidoscelis costata Reptilia endémica Pr

Barisia imbricata Reptilia endémica Pr LC

Bassariscus astutus Mammalia LC

Bolitoglossa platydactyla Amphibia endémica Pr NT

Campephilus imperialis Aves endémica E CR

Campylopterus excellens Aves endémica Pr LC

Chaetodipus baileyi Mammalia LC

Chaetodipus intermedius Mammalia LC

Chaetodipus penicillatus Mammalia LC

Chiropterotriton chiropterus Amphibia endémica Pr CR

Chiropterotriton chondrostega Amphibia endémica Pr EN

Chiropterotriton multidentatus Amphibia endémica Pr EN

Coluber mentovarius Reptilia LC

Conopsis biserialis Reptilia endémica A LC

Craugastor berkenbuschii Amphibia NT

Craugastor decoratus Amphibia endémica Pr VU

Crotalus ravus Reptilia endémica A LC

Cryptotis magna Mammalia endémica Pr VU

Cryptotis parva Mammalia LC

Cyanolyca mirabilis Aves endémica P VU

Cynanthus latirostris Aves LC

de 100


Cynomys mexicanus Mammalia endémica P EN

Dendrortyx barbatus Aves endémica P VU

Dendrortyx macroura Aves endémica A LC

Dipodomys merriami Mammalia LC

Dipodomys phillipsii Mammalia endémica Pr LC

Doricha eliza Aves endémica P NT

Duellmanohyla schmidtorum Amphibia endémica Pr VU

Eleutherodactylus

angustidigitorum

Amphibia endémica Pr VU

Eupherusa poliocerca Aves endémica A VU

Euptilotis neoxenus Aves endémica A NT

Forpus cyanopygius Aves endémica Pr NT

Geothlypis speciosa Aves endémica P EN

Glaucidium sanchezi Aves endémica P NT

Hyla plicata Amphibia endémica A LC

Hylorchilus sumichrasti Aves endémica A NT

Icterus spurius Aves LC

Incilius cristatus Amphibia CR

Junco phaeonotus Aves LC

Kinosternon integrum Reptilia endémica Pr LC

Kinosternon sonoriense Reptilia NT

Lampropeltis mexicana Reptilia endémica A LC

Lepus alleni Mammalia LC

Lepus californicus Mammalia LC

Lithobates brownorum Amphibia endémica Pr

Lithobates montezumae Amphibia endémica Pr LC

Lithobates neovolcanicus Amphibia endémica A NT

Lithobates pustulosus Amphibia LC

Lithobates sierramadrensis Amphibia endémica Pr VU

Melanotis caerulescens Aves LC

Micrathene whitneyi Aves LC

Microtus oaxacensis Mammalia endémica A EN

Microtus quasiater Mammalia endémica Pr NT

Nasua narica Mammalia LC

Neotoma albigula Mammalia LC

de 100


Neotoma phenax Mammalia endémica Pr NT

Nyctanassa violacea Aves LC

Nyctiphrynus mcleodii Aves endémica Pr LC

Odocoileus hemionus Mammalia LC

Oryzomys couesi Mammalia LC

Passerina rositae Aves endémica A NT

Peromyscus boylii Mammalia LC

Peromyscus eremicus Mammalia LC

Peromyscus leucopus Mammalia LC

Peromyscus maniculatus Mammalia LC

Peromyscus zarhynchus Mammalia endémica Pr VU

Peucaea sumichrasti Aves NT

Phrynosoma orbiculare Reptilia endémica A LC

Pituophis deppei Reptilia endémica A LC

Plectrohyla acanthodes Amphibia endémica Pr CR

Plestiodon lynxe Reptilia endémica Pr LC

Procyon lotor Mammalia LC

Progne sinaloae Aves endémica Pr VU

Pseudoeurycea juarezi Amphibia endémica A CR

Pseudoeurycea leprosa Amphibia endémica A VU

Rhynchopsitta terrisi Aves endémica P EN

Romerolagus diazi Mammalia endémica P EN

Salvadora bairdi Reptilia endémica Pr LC

Sceloporus ornatus Reptilia endémica A NT

Sceloporus serrifer Reptilia LC

Sciurus aberti Mammalia LC

Sciurus oculatus Mammalia endémica Pr LC

Spilogale pygmaea Mammalia endémica A VU

Spizella wortheni Aves endémica P EN

Tantilla rubra Reptilia endémica Pr LC

Thalurania ridgwayi Aves endémica A VU

Thamnophis melanogaster Reptilia endémica A EN

Thamnophis scalaris Reptilia endémica A LC

Thorius macdougalli Amphibia endémica Pr VU

Thorius pennatulus Amphibia endémica Pr CR

de 100


Tropidodipsas sartorii Reptilia LC

Uta stansburiana Reptilia endémica A LC

Vireo nelsoni Aves endémica Pr LC

Xenospiza baileyi Aves endémica P EN

Tabla 2. Lista de las 103 especies, su distribución y categoría de riesgo de acuerdo a la NOM-059-SEMARNAT-2010 y el estatus de la IUCN.

4. Resultados.

4.1. Método semiautomatizado.

La obtención de ocurrencias, limpieza y puesta a punto de los datos y la generación de losmodelos y proyecciones al espacio geográfico actuales y a los 12 escenarios de CC, se realizóde forma semiautomatizada mediante el script.

Existe una considerable incertidumbre asociada al proceso de modelado y proyección dedistribuciones potenciales bajo escenarios de CC. Éstas están influenciadas, entre otrosfactores, por el modelo climático seleccionado. El uso de escenarios de modelos climáticosalternativos puede producir resultados contrastantes, así como también el uso de sólo uno oun número limitado de modelos climáticos, muestreará una fracción desconocida de laincertidumbre en las condiciones futuras. Una medida para reducir la incertidumbre espromediar diferentes escenarios en lugar de generar múltiples proyecciones individualescuando el poder de cómputo u otros factores limitan la cantidad de proyecciones que puedenrealizarse. Esta aproximación tiene algunas desventajas, como la pérdida de variabilidad o lacreación de estados inexistentes (Beaumont et al., 2008).

Las áreas de interés para la conservación se definieron como aquellas en las que coinciden lasdistribuciones potenciales del mayor número de especies. Para identificarlas se transformaronlas proyecciones actuales de las 103 especies de continuas a proyecciones discretas depresencia-ausencia, utilizando como umbral el máximo de la especificidad y sensibilidad. Lasproyecciones discretas individuales se unieron en una sola proyección compuesta mediante lasuma de sus valores. El raster resultante se clasificó en siete clases mediante el método deruptura natural de Jenks. Cada clase representa un rango de especies cuya distribuciónpotencial coincide, de tal manera que la clase siete corresponde a zonas en las que coincidenlas distribuciones del mayor número de especies (i.e. de 31 – 43 especies).

Las 1,236 proyecciones continuas a futuro, correspondientes a 103 especies y 12 escenariosde CC, se transformaron a proyecciones discretas de presencia-ausencia. Las 103 proyeccionesdiscretas de cada escenario se unieron sumando sus valores para obtener una sola proyección

de 100

compuesta por escenario. Al igual que para las proyecciones actuales, las 12 proyecciones afuturo se clasificaron en siete clases para observar las áreas de coincidencia del mayor númerode especies (clase siete).

Para conocer las áreas geográficas en las que las distribuciones potenciales a futuro coincidenpara el mayor número de especies, se realizaron dos procesos de sobreposición cartográficade las celdas correspondientes a la clase siete de cada escenario compuesto: a) unión (AIC-U),que comprende la totalidad de las celdas de la clase siete de los escenarios compuestos y b)intersección (AIC-I), que incluye solo las celdas de la clase siete comunes para los 12escenarios compuestos.

4.2. Descripción de resultados de las modelaciones de distribución potencial.

4.2.1. Distribución actual.

El desempeño general de los modelos fue bueno de acuerdo a los valores de AUC y TSS(Allouche et al., 2006) calculados (Figura 7). La sobreposición de las proyecciones individuales(Figura 8) muestra que las áreas de interés para la conservación, en las que coinciden lasdistribuciones potenciales para un rango de 31 a 46 especies, se encuentran principalmente enlas provincias fisiográficas del Eje Neovolcánico, la Sierra Madre del Sur y la Mesa del Centro.

En áreas de las provincias Llanura Costera del Golfo Sur, la Llanura Costera del Golfo Norte, ylas Sierras y Llanuras del Norte es donde principalmente se encuentra la distribución potencialactual de menos especies (de 0 a 6).

de 100

Figura 7. Valores de desempeño de los modelos.

de 100

Figura 8. Clases de distribución potencial actual.

4.2.2. Distribución futura.

De manera general, las zonas geográficas en las que hay coincidencia de la mayor cantidad deespecies para los 12 escenarios de CC corresponden al Eje Neovolcánico y la Sierra Madre delSur. La figuras 9 a 20 muestran las proyecciones compuestas para cada escenario.

MPI_ESM 4.5 2075-2099 es el escenario que presenta la clase siete (de 26 a 38 especies) conmayor superficie (86,166.98 km2), mientras que el GFDL 8.5 2075-2099 es el que tiene lamenor área (25,650.6 km2) de esta clase.

de 100

Escenario km2 clase 7

GFDL_8.5_2075.2099 25,650.60

GFDL_8.5_2015.2039 39,945.05

REA_4.5_2075.2099 44,749.42

REA_4.5_2015.2039 48,699.05

GFDL_4.5_2075.2099 51,321.66

GFDL_4.5_2015.2039 58,342.85

MPI_ESM_8.5_2015.2039 63,034.02

MPI_ESM_4.5_2015.2039 63,827.64

REA_8.5_2075.2099 64,698.20

MPI_ESM_8.5_2075.2099 70,660.64

REA_8.5_2015.2039 85,259.16

MPI_ESM_4.5_2075.2099 86,166.98

Tabla 3. Área de la clase 7 de las proyecciones compuestas por escenario de CC.

de 100

Figura 9. Clases de distribución potencial bajo el escenario GFDL 4.5 2015-2039

de 100

Figura 10. Clases de distribución potencial bajo el escenario GFDL_4.5_2075.2099

de 100


de 100

Figura 13. Clases de distribución potencial bajo el escenario MPI_ESM_4.5_2015.2039

de 100


de 100

Figura 17. Clases de distribución potencial bajo el escenario REA_4.5_2015.2039

de 100


de 100


4.3. Comparación de modelaciones.

El área de distribución potencial varía para cada especie de acuerdo al escenario de CC. Elaumento o disminución de ésta, en función de la distribución potencial actual, por especie yescenario se muestra en la tabla 10. Aumento y disminución de la distribución potencial futuraen función de la actual de las 103 especies analizadas por escenario de CC.. De acuerdo a laproporción de especies cuya distribución aumenta o disminuye, el escenario más catastróficoes el GFDL 8.5 2075-2099, según el cual 75 especies disminuyen su distribución, mientras queel menos catastrófico es el MPI_ESM 4.5 2015-2039, para el cual 55 especies disminuyen sudistribución potencial.

de 100

Figura 21. Número de especies que disminuyen (-) y aumentan (+) su distribución potencialpor escenario de CC.

Las proyecciones realizadas indican que bajo el escenario GFDL 4.5 2075-2099 un mayornúmero de especies (18) reducen el 100% de su distribución potencial (Figura 23). De lasespecies que reducen el 100% de su distribución futura, las aves Campephilus imperialis,Campylopterus excellens, Euptilotis neoxenus y Vireo nelsoni; los mamíferos Chaetodipusintermedius, Cryptotis magna y Microtus quasiater; los anfibios Craugastor berkenbuschii,Craugastor decoratus, Eleutherodactylus angustidigitorum, Lithobates montezumae, Lithobatesneovolcanicus y el reptil Thamnophis melanogaster lo hacen consistentemente para los 12escenarios.

Hay especies cuya distribución potencial futura aumenta hasta más del 1,000% en relación ala actual; p.ej. el mamífero Neotoma phenax y el ave Progne sinaloae aumentan en 1,370.3%

de 100

y 1,441.6% bajo los escenarios GFDL 8.5 2075-2099 y MPI_ESM 8.5 2075-2099respectivamente.

Figura 22. Número de especies que disminuyen (en gris) y aumentan (en negro) sudistribución potencial por escenario de CC.

EscenarioNo. de especies

- +

GFDL_4.5_2015.2039 62 41

GFDL_4.5_2075.2099 70 33

GFDL_8.5_2015.2039 58 45

GFDL_8.5_2075.2099 75 28

MPI_ESM_4.5_2015.2039 55 48

de 100

Escenario No. de especies

MPI_ESM_4.5_2075.2099 64 39

MPI_ESM_8.5_2015.2039 56 47

MPI_ESM_8.5_2075.2099 67 36

REA_4.5_2015.2039 56 47

REA_4.5_2075.2099 58 45

REA_8.5_2015.2039 57 46

REA_8.5_2075.2099 65 38

Tabla 4. Número de especies que disminuyen (en gris) y aumentan (en negro) su distribuciónpotencial por escenario de CC.

Figura 23. Número de especies que reducen el 100% su distribución por escenario de CC.

de 100

Figura 24. Aumento y disminución en Km2 de la distribución potencial futura, en función de laactual, de las 103 especies analizadas por escenario de CC; los números arriba de las cajas

indican la cantidad de especies.

de 100

Figura 25. Porcentaje de aumento y disminución en de la distribución potencial futura, enfunción de la actual, de las 103 especies analizadas por escenario de CC; los números arribade las cajas indican la cantidad de especies. No se indican los valores extremos para efectos

de visualización.

Especie No. de escenarios Cambio

Abronia taeniata 12 -

Aimophila notosticta 4 +

Aimophila notosticta 8 -

Amazona finschi 12 +

Ambystoma velasci 12 -

Anas platyrhynchos 12 -

Anolis nebuloides 12 +

Apalone spinifera 12 +

de 100


Ardea herodias 12 +

Aspidoscelis communis 12 +

Aspidoscelis costata 7 +

Aspidoscelis costata 5 -

Barisia imbricata 12 -

Bassariscus astutus 12 -

Bolitoglossa platydactyla 12 -

Campephilus imperialis 12 -

Campylopterus excellens 12 -

Chaetodipus baileyi 12 +

Chaetodipus intermedius 12 -

Chaetodipus penicillatus 12 -

Chiropterotriton chiropterus 12 +

Chiropterotriton chondrostega 12 -

Chiropterotriton multidentatus 12 -

Coluber mentovarius 12 +

Conopsis biserialis 12 -

Craugastor berkenbuschii 12 -

Craugastor decoratus 12 -

Crotalus ravus 9 +

Crotalus ravus 3 -

Cryptotis magna 12 -

Cryptotis parva 12 +

Cyanolyca mirabilis 12 -

Cynanthus latirostris 12 +

Cynomys mexicanus 12 -

Dendrortyx barbatus 12 -

Dendrortyx macroura 12 -

Dipodomys merriami 12 -

Dipodomys phillipsii 11 +

Dipodomys phillipsii 1 -

Doricha eliza 11 +

Doricha eliza 1 -

Duellmanohyla schmidtorum 1 +

Duellmanohyla schmidtorum 11 -

de 100


Eleutherodactylus

angustidigitorum

12 -

Eupherusa poliocerca 11 +

Eupherusa poliocerca 1 -

Euptilotis neoxenus 12 -

Forpus cyanopygius 6 +

Forpus cyanopygius 6 -

Geothlypis speciosa 11 +

Geothlypis speciosa 1 -

Glaucidium sanchezi 12 -

Hyla plicata 12 -

Hylorchilus sumichrasti 12 -

Icterus spurius 12 +

Incilius cristatus 6 +

Incilius cristatus 6 -

Junco phaeonotus 11 +

Junco phaeonotus 1 -

Kinosternon integrum 12 +

Kinosternon sonoriense 12 -

Lampropeltis mexicana 5 +

Lampropeltis mexicana 7 -

Lepus alleni 12 -

Lepus californicus 12 -

Lithobates brownorum 12 +

Lithobates montezumae 12 -

Lithobates neovolcanicus 12 -

Lithobates pustulosus 7 +

Lithobates pustulosus 5 -

Lithobates sierramadrensis 11 +

Lithobates sierramadrensis 1 -

Melanotis caerulescens 7 +

Melanotis caerulescens 5 -

Micrathene whitneyi 12 +

Microtus oaxacensis 12 -

Microtus quasiater 12 -

de 100


Nasua narica 9 +

Nasua narica 3 -

Neotoma albigula 12 +

Neotoma phenax 12 +

Nyctanassa violacea 12 +

Nyctiphrynus mcleodii 10 +

Nyctiphrynus mcleodii 2 -

Odocoileus hemionus 12 -

Oryzomys couesi 12 +

Passerina rositae 12 -

Peromyscus boylii 8 +

Peromyscus boylii 4 -

Peromyscus eremicus 10 +

Peromyscus eremicus 2 -

Peromyscus leucopus 3 +

Peromyscus leucopus 9 -

Peromyscus maniculatus 12 -

Peromyscus zarhynchus 9 +

Peromyscus zarhynchus 3 -

Peucaea sumichrasti 12 +

Phrynosoma orbiculare 12 -

Pituophis deppei 1 +

Pituophis deppei 11 -

Plectrohyla acanthodes 12 -

Plestiodon lynxe 12 -

Procyon lotor 12 +

Progne sinaloae 12 +

Pseudoeurycea juarezi 12 -

Pseudoeurycea leprosa 6 +

Pseudoeurycea leprosa 6 -

Rhynchopsitta terrisi 12 -

Romerolagus diazi 12 -

Salvadora bairdi 12 +

Sceloporus ornatus 7 +

Sceloporus ornatus 5 -

de 100


Sceloporus serrifer 12 +

Sciurus aberti 2 +

Sciurus aberti 10 -

Sciurus oculatus 12 -

Spilogale pygmaea 12 -

Spizella wortheni 12 -

Tantilla rubra 10 +

Tantilla rubra 2 -

Thalurania ridgwayi 12 -

Thamnophis melanogaster 12 -

Thamnophis scalaris 12 -

Thorius macdougalli 12 -

Thorius pennatulus 12 -

Tropidodipsas sartorii 12 +

Uta stansburiana 12 +

Vireo nelsoni 12 -

Xenospiza baileyi 12 -

Tabla 5. Cantidad de escenarios de CC para los que aumenta o disminuya la distribuciónpotencial de las 103 especies analizadas.

5. Discusión.

5.1. Análisis de lo observado en los mapas.

Las proyecciones actuales y futuras indican que el Eje Neovolcánico y la Sierra Madre del Surson las provincias en las que coinciden las distribuciones potenciales más extensas ycompactas para una mayor cantidad de especies. Por el contrario, zonas del norte deChihuahua, Sonora y Tamaulipas representan áreas en las que potencialmente se distribuyenmáximo seis de las 103 especies analizadas.

5.2. Comparativa de las áreas de interés para la conservación.

El área correspondiente a las celdas de la clase siete, en las que coincide la distribuciónpotencial actual de 31 a 43 especies, se sobrepone con segmentos de 50 Áreas Naturales

de 100

Protegidas (ANP) (Figura 26). Las áreas de interés para la conservación a futuro, determinadaspor la unión (AIC-U) e intersección (AIC-I) de la clase siete de las 12 proyeccionescompuestas, difieren grandemente en su superficie, en los tipos de vegetación quecomprenden y la cantidad y superficie de ANP que intersectan.

Dentro del AIC-U se encuentran 93 tipos de vegetación (contando estados sucesiones) deacuerdo a la Carta de Uso de Suelo y Vegetación serie V del INEGI. El pastizal inducido y elbosque de pino-encino son las más extensas, con 14,840.2 y 11,950.7 km2 respectivamente.Coincide con los polígonos de 65 ANP, de las cuales, las principales por la superficieintersectada son el área de protección de recursos naturales C.A.D.N.R. 043 Estado de Nayarity la reserva de la biosfera Tehuacán-Cuicatlán.

El AIC-I comprende 35 tipos de vegetación. 484.73 km2 de ésta corresponden a vegetaciónsecundaria arbustiva de bosque de encino, que es la mejor representada. Intersecta 14 ANP;las que comprenden la mayor extensión son la reserva de la biosfera Tehuacán-Cuicatlán, con252.81 km2 y el parque nacional Iztaccíhuatl-Popocatépetl con 235.17 km2.

de 100

Figura 26. Clase 7 actual en relación a las ANP.

de 100

Figura 27. Intersección (en rojo) y unión (en verde) de las celdas clase 7 para los 12escenarios de CC en relación a las ANP.

de 100

Figura 28. Áreas de vegetación natural de la Intersección (en rojo) y unión (en verde) de lasceldas clase 7 para los 12 escenarios de CC.

de 100

Figura 29. Superficie de los diferentes tipos de vegetación intersectados por el AIC-U.

de 100

Tabla 6. Área por tipo de vegetación para el AIC-U.Id Tipo de vegetación km2

BC BOSQUE CULTIVADO 192.00

BS BOSQUE DE AYARÍN 6.80

BB BOSQUE DE CEDRO 17.00

BQ BOSQUE DE ENCINO 7,415.38

BQP BOSQUE DE ENCINO-PINO 3,654.15

MK BOSQUE DE MEZQUITE 20.84

BA BOSQUE DE OYAMEL 1,220.37

BP BOSQUE DE PINO 7,868.15

BPQ BOSQUE DE PINO-ENCINO 11,950.75

BJ BOSQUE DE TÁSCATE 380.23

BI BOSQUE INDUCIDO 2.13

BM BOSQUE MESÓFILO DE MONTAÑA 2,229.11

ML CHAPARRAL 447.06

H2O CUERPO DE AGUA 1,041.99

ADV DESPROVISTO DE VEGETACIÓN 32.55

VM MANGLAR 0.16

MC MATORRAL CRASICAULE 2,094.02

MDM MATORRAL DESÉRTICO MICRÓFILO 13.13

MDR MATORRAL DESÉRTICO ROSETÓFILO 1,777.27

MRC MATORRAL ROSETÓFILO COSTERO 2.57

MSC MATORRAL SARCOCAULE 101.76

MSM MATORRAL SUBMONTANO 622.97

MKX MEZQUITAL XERÓFILO 9.64

VPI PALMAR INDUCIDO 312.95

VPN PALMAR NATURAL 0.76

PC PASTIZAL CULTIVADO 486.55

PY PASTIZAL GIPSÓFILO 3.98

PH PASTIZAL HALÓFILO 324.42

PI PASTIZAL INDUCIDO 14,840.21

PN PASTIZAL NATURAL 1,955.68

P/E PAÍ S EXTRANJERO 4.76

VW PRADERA DE ALTA MONTAÑA 161.06

VS SABANA 0.02

VSI SABANOIDE 8.60

de 100


SAP SELVA ALTA PERENNIFOLIA 4.90

SBC SELVA BAJA CADUCIFOLIA 1,895.07

SBK SELVA BAJA ESPINOSA CADUCIFOLIA 0.05

SMC SELVA MEDIANA CADUCIFOLIA 55.36

SMS SELVA MEDIANA SUBCADUCIFOLIA 444.87

SMQ SELVA MEDIANA SUBPERENNIFOLIA 128.66

DV SIN VEGETACIÓN APARENTE 275.93

VT TULAR 46.37

VSa/BA VEGETACION SECUNDARIA ARBUSTIVA DE BOSQUE DE OYAMEL 110.66

VHH VEGETACIÓN HALÓFILA HIDRÓFILA 34.81

VH VEGETACIÓN HALÓFILA XERÓFILA 0.33

VSa/BS VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE AYARÍN 8.40

VSa/BQ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE ENCINO 11,366.05

VSa/BQP VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE ENCINO-PINO 2,352.41

VSa/MK VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE MEZQUITE 11.76

VSa/BP VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE PINO 2,833.22

VSa/BPQ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE PINO-ENCINO 4,905.36

VSa/BJ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE TÁSCATE 653.54

VSa/BM VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE MESÓFILO DE

MONTAÑA

472.49

VSa/ML VEGETACIÓN SECUNDARIA ARBUSTIVA DE CHAPARRAL 369.18

VSa/VM VEGETACIÓN SECUNDARIA ARBUSTIVA DE MANGLAR 0.38

VSa/MC VEGETACIÓN SECUNDARIA ARBUSTIVA DE MATORRAL CRASICAULE 782.34

VSa/MDM VEGETACIÓN SECUNDARIA ARBUSTIVA DE MATORRAL DESÉRTICO

MICRÓFILO

8.83

VSa/MDR VEGETACIÓN SECUNDARIA ARBUSTIVA DE MATORRAL DESÉRTICO

ROSETÓFILO

94.24

VSa/MSC VEGETACIÓN SECUNDARIA ARBUSTIVA DE MATORRAL SARCOCAULE 2.93

VSa/MSM VEGETACIÓN SECUNDARIA ARBUSTIVA DE MATORRAL SUBMONTANO 98.63

VSa/MKX VEGETACIÓN SECUNDARIA ARBUSTIVA DE MEZQUITAL XERÓFILO 24.93

VSa/PN VEGETACIÓN SECUNDARIA ARBUSTIVA DE PASTIZAL NATURAL 1,122.59

VSa/SAP VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA ALTA PERENNIFOLIA 49.98

VSa/SBC VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA BAJA CADUCIFOLIA 4,484.57

VSa/SBK VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA BAJA ESPINOSA 0.91

de 100


CADUCIFOLIA

VSa/SBS VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA BAJA SUBCADUCIFOLIA 0.47

VSa/SMC VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA MEDIANA CADUCIFOLIA 7.68

VSa/SMS VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA MEDIANA

SUBCADUCIFOLIA

417.30

VSa/SMQ VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA MEDIANA

SUBPERENNIFOLIA

27.77

VSA/BB VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE CEDRO 3.03

VSA/BQ VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE ENCINO 1,558.34

VSA/BQP VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE ENCINO-PINO 1,021.03

VSA/MK VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE MEZQUITE 7.81

VSA/BA VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE OYAMEL 122.47

VSA/BP VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE PINO 2,592.43

VSA/BPQ VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE PINO-ENCINO 4,032.66

VSA/BJ VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE TÍ SCATE 52.16

VSA/BM VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE MESÓFILO DE MONTAÑA 729.25

VSA/SAP VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA ALTA PERENNIFOLIA 62.30

VSA/SBC VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA BAJA CADUCIFOLIA 1,723.38

VSA/SBK VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA BAJA ESPINOSA

CADUCIFOLIA

0.37

VSA/SMC VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA MEDIANA CADUCIFOLIA 12.83

VSA/SMS VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA MEDIANA SUBCADUCIFOLIA 357.54

VSA/SMQ VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA MEDIANA SUBPERENNIFOLIA 196.48

VSh/BQ VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE DE ENCINO 26.76

VSh/BQP VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE DE ENCINO-PINO 39.60

VSh/BP VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE DE PINO 8.88

VSh/BPQ VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE DE PINO-ENCINO 30.13

VSh/BJ VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE DE TÍ SCATE 15.95

VSh/BM VEGETACIÓN SECUNDARIA HERBÁCEA DE BOSQUE MESÓFILO DE MONTAÑA 0.10

VSh/MC VEGETACIÓN SECUNDARIA HERBÁCEA DE MATORRAL CRASICAULE 11.38

VSh/MJ VEGETACIÓN SECUNDARIA HERBÁCEA DE MATORRAL DE CONIFERAS 0.63

VSh/SBC VEGETACIÓN SECUNDARIA HERBÁCEA DE SELVA BAJA CADUCIFOLIA 19.28

Tabla 7. Área por tipo de vegetación para el AIC-U.

de 100

Nombre Categoría km2

Barranca del Cupatitzio PN 3.40

Benito Juárez PN 26.83

Cañón del Río Blanco PN 174.50

Cañón del Sumidero PN 2.59

C.A.D.N.R. 001 Pabellón APRN 176.80

C.A.D.N.R. 026 Bajo Río San Juan APRN 260.87

C.A.D.N.R. 043 Estado de Nayarit APRN 3,651.94

Cerro de Garnica PN 6.34

Cerro de La Estrella PN 0.91

Cerro de la Silla MN 2.92

Chamela-Cuixmala RB 15.01

Ciénegas del Lerma APFyF 15.60

Cofre de Perote o Nauhcampatépetl PN 88.57

Corredor Biológico Chichinautzin APFyF 227.70

Cumbres del Ajusco PN 5.06

Desierto de los Leones PN 15.38

Desierto del Carmen o de Nixcongo PN 3.27

El Cimatario PN 19.11

El Histórico Coyoacán PN 0.33

El Jabalí APFyF 41.52

El Tepeyac PN 1.60

El Tepozteco PN 111.41

Gogorrón PN 2.81

Insurgente Miguel Hidalgo y Costilla PN 17.51

Insurgente José María Morelos PN 20.02

Isla Guadalupe RB 4.13

Islas del Golfo de California APFyF 39.10

Iztaccíhuatl-Popocatépetl PN 400.96

La Primavera APFyF 21.41

Lagunas de Zempoala PN 46.10

Lomas de Padierna PN 0.21

Los Mármoles PN 137.62

Los Remedios PN 0.10

La Montaña Malinche o Matlalcuéyatl PN 201.95

Meseta de Cacaxtla APFyF 26.14

de 100


Pico de Orizaba PN 169.24

Pico de Tancítaro APFyF 161.96

Rayón PN 0.12

Sierra de Álvarez APFyF 26.82

Sierra de Huautla RB 0.79

Sierra Gorda de Guanajuato RB 895.80

Sierra La Laguna RB 299.64

Volcán Nevado de Colima PN 65.63

Volcán Tacaná RB 40.75

Xicoténcatl PN 0.01

Yagul MN 4.80

Z.P.F. en los terrenos que se encuentran en los mpios. de La Concordia,… APRN 602.12

Z.P.F.V. la Cuenca Hidrográfica del Río Necaxa APRN 37.77

Nevado de Toluca APFyF 429.47

Sierra Gorda RB 512.54

Mariposa Monarca RB 456.21

Bosencheve PN 48.40

Boquerón de Tonalá APFyF 14.86

Cumbres de Monterrey PN 454.59

El Chico PN 26.54

El Potosí PN 16.52

El Triunfo RB 610.72

Islas Marías RB 39.10

La Sepultura RB 463.76

Barranca de Metztitlán RB 618.71

Sierra de Manantlán RB 864.38

Sierra de Quila APFyF 90.14

Tehuacán-Cuicatlán RB 3,079.32

Z.P.F.T.C.C. de los ríos Valle de Bravo, Malacatepec, Tilostoc y

Temascaltepec

APRN 482.52

Playa de Mismaloya SANT 0.17

Tabla 8. ANP intersectadas por el AIC-U.

de 100

Figura 30. Superficie de los diferentes tipos de vegetación intersectados por el AIC-I.

de 100

Id Tipo de vegetación km2

BC BOSQUE CULTIVADO 40.04

BB BOSQUE DE CEDRO 9.64

BQ BOSQUE DE ENCINO 137.35

BQP BOSQUE DE ENCINO-PINO 39.66

BA BOSQUE DE OYAMEL 144.61

BP BOSQUE DE PINO 230.31

BPQ BOSQUE DE PINO-ENCINO 119.71

BJ BOSQUE DE TÁSCATE 14.74

BM BOSQUE MESÓFILO DE MONTAÑA 6.96

ML CHAPARRAL 28.11

H2O CUERPO DE AGUA 1.08

MDR MATORRAL DESÉRTICO ROSETÓFILO 8.89

VPI PALMAR INDUCIDO 7.88

PI PASTIZAL INDUCIDO 385.89

P/E PAÍS EXTRANJERO 0.06

VW PRADERA DE ALTA MONTAÑA 69.55

SBC SELVA BAJA CADUCIFOLIA 17.42

DV SIN VEGETACIÓN APARENTE 40.61

VSa/BA VEGETACION SECUNDARIA ARBUSTIVA DE BOSQUE DE OYAMEL 5.79

VSa/BQ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE ENCINO 484.73

VSa/BQP VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE ENCINO-PINO 73.05

VSa/BP VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE PINO 109.67

VSa/BPQ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE PINO-ENCINO 78.03

VSa/BJ VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE DE TÁSCATE 12.08

VSa/BM VEGETACIÓN SECUNDARIA ARBUSTIVA DE BOSQUE MESÓFILO DE

MONTAÑA

0.19

VSa/ML VEGETACIÓN SECUNDARIA ARBUSTIVA DE CHAPARRAL 6.58

VSa/SBC VEGETACIÓN SECUNDARIA ARBUSTIVA DE SELVA BAJA CADUCIFOLIA 14.35

VSA/BB VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE CEDRO 0.72

VSA/BQ VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE ENCINO 182.12

VSA/BQP VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE ENCINO-PINO 113.51

VSA/BA VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE OYAMEL 28.24

VSA/BP VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE PINO 194.69

VSA/BPQ VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE DE PINO-ENCINO 155.87

VSA/BM VEGETACIÓN SECUNDARIA ARBÓREA DE BOSQUE MESÓFILO DE 0.10

de 100

Id Tipo de vegetación km2

MONTAÑA

VSA/SBC VEGETACIÓN SECUNDARIA ARBÓREA DE SELVA BAJA CADUCIFOLIA 2.35

Tabla 9. Área por tipo de vegetación para el AIC-I.


Benito Juárez PN 5.91

Cumbres del Ajusco PN 1.95

Desierto de los Leones PN 1.80

Insurgente Miguel Hidalgo y Costilla PN 1.71

Iztaccíhuatl-Popocatépetl PN 235.17

La Montaña Malinche o Matlalcuéyatl PN 39.97

Pico de Tancítaro APFyF 15.44

Volcán Tacaná RB 7.86

Yagul MN 0.43

Nevado de Toluca APFyF 205.95

Mariposa Monarca RB 80.00

Bosencheve PN 1.96

Tehuacán-Cuicatlán RB 252.81

Z.P.F.T.C.C. de los ríos Valle de Bravo, Malacatepec, Tilostoc y

Temascaltepec

APRN 0.59

Tabla 10. ANP intersectadas por el AIC-I.

de 100

Figura 31. Valores de altitud de las celdas de las AIC.

6. Conclusiones.

El script constituye una herramienta para modelar la distribución potencial de especies o taxacompletos de forma semiautomatizada que permite explorar patrones o tendencias generalesde una forma sencilla y que requiere una interacción mínima con el usuario. Los resultadosarrojados deben ser tomados con precaución y realizarse diferentes ejercicios ya que suexactitud depende de varios factores, como por ejemplo el umbral seleccionado paratransformar las proyecciones continuas. Dependiendo de la cantidad de especies y número deescenarios de CC a los que se desee proyectar los modelos, puede requerir un poder decómputo considerable.

De acuerdo a la cantidad de especies que disminuyen su área de distribución potencial, elescenario de CC más catastrófico es el GFDL 8.5 2075-2099. Las áreas de vegetación del EjeNeovolcánico y la Sierra Madre del Sur representan áreas de interés para la conservación dadala cantidad de especies endémicas o en resigo para las que coincide su distribución potencialactual y futura.

de 100

La distribución potencial futura de 4 aves, 3 mamíferos, 5 anfibios y un reptil se reduce a cerode forma consistente para los 12 escenarios de CC. Un caso que ejemplifica las posiblesimprecisiones de la herramienta, dada la poca interacción con el usuario, es el del carpinteroimperial Campephilus imperialis, que probablemente se encuentra extinto pero dada latemporalidad de los datos de ocurrencias, se puede proyectar su distribución potencial futura.

de 100

7. Bibliografía.

Allouche, O.; Tsoar, A. & Kadmon, R. (2006), 'Assessing the accuracy of species distributionmodels: prevalence, kappa and the true skill statistic (TSS)', Journal of applied ecology43(6), 1223--1232.

Beaumont, L. J.; Hughes, L. & Pitman, A. J. (2008), 'Why is the choice of future climatescenarios for species distribution modelling important?', Ecology letters 11(11), 1135--1146.

Bellard, C.; Bertelsmeier, C.; Leadley, P.; Thuiller, W. & Courchamp, F. (2012), 'Impacts ofclimate change on the future of biodiversity', Ecology letters 15(4), 365--377.

Chamberlain, S.; Ram, K.; Barve, V. & Mcglinn, D. (2015), 'rgbif: Interface to the Global'Biodiversity' Information Facility 'API'', R package version 0.8.6.

Chapman, A. D. (2005), 'principles and methods of data cleaning ﾖ primary species andspecies-occurrence data'.

Chapman, A. D. (2005), Principles of data quality, GBIF.

Chefaoui, R. M. & Lobo, J. M. (2008), 'Assessing the effects of pseudo-absences on predictivedistribution model performance', Ecological modelling 210(4), 478--486.

Franklin, J. & Miller, J. (2009), Mapping species distributions: spatial inference and prediction,Cambridge Univ Press.

Hernandez, P. A.; Graham, C. H.; Master, L. L. & Albert, D. L. (2006), 'The effect of samplesize and species characteristics on performance of different species distributionmodeling methods', Ecography 29(5), 773--785.

Hijmans, R. J.; Cameron, S. E.; Parra, J. L.; Jones, P. G. & Jarvis, A. (2005), 'Very highresolution interpolated climate surfaces for global land areas', International journal ofclimatology 25(15), 1965--1978.

Hijmans, R. J.; Phillips, S.; Leathwick, J. & Elith, J. (2015), 'dismo: Species DistributionModeling', R package version 1.0-12.

Holt, R. D. (1990), 'The microevolutionary consequences of climate change', Trends in Ecology& Evolution 5(9), 311--315.

Jones, K. R.; Watson, J. E. M.; Possingham, H. P. & Klein, C. J. (2016), 'Incorporating climatechange into spatial conservation prioritisation: A review', Biological Conservation 194,121--130.

Liu, C.; Berry, P. M.; Dawson, T. P. & Pearson, R. G. (2005), 'Selecting thresholds ofoccurrence in the prediction of species distributions', Ecography 28(3), 385--393.

de 100

Liu, C.; White, M. & Newell, G. (2011), 'Measuring and comparing the accuracy of speciesdistribution models with presence–absence data', Ecography 34(2), 232--243.

Martinez-Meyer, E. (2011), '4 Advances, Limitations, and Synergies in Predicting Changes inSpecies’ Distribution and Abundance', Ecological Consequences of Climate Change:Mechanisms, Conservation, and Management, 67.

Meller, L.; Cabeza, M.; Pironon, S.; Barbet-Massin, M.; Maiorano, L.; Georges, D. & Thuiller,W. (2013), 'Ensemble distribution models in conservation prioritization: from consensuspredictions to consensus reserve networks', Diversity and Distributions.

Peterson, A. T.; Papes, M. & Soberón, J. (2008), 'Rethinking receiver operating characteristicanalysis applications in ecological niche modeling', Ecological Modelling 213(1), 63--72.

Phillips, S. J. & Dudik, M. (2008), 'Modeling of species distributions with Maxent: newextensions and a comprehensive evaluation', Ecography 31(2), 161--175.

Phillips, S. J.; Anderson, R. P. & Schapire, R. E. (2006), 'Maximum entropy modeling of speciesgeographic distributions', Ecological modelling 190(3), 231--259.

Proosdij, A. S. J.; Sosef, M. S. M.; Wieringa, J. J. & Raes, N. (2015), 'Minimum requirednumber of specimen records to develop accurate species distribution models',Ecography.

Robertson, M. (2016), 'biogeo: Point Data Quality Assessment and Coordinate Conversion', Rpackage version 1.0.

Robertson, M. P.; Visser, V. & Hui, C. (2016), 'Biogeo: an R package for assessing andimproving data quality of occurrence record datasets', Ecography.

Team, R. C. (2014), 'R: A Language and Environment for Statistical Computing', R Foundationfor Statistical Computing, Vienna, Austria.

VanDerWal, J.; Shoo, L. P.; Graham, C. & Williams, S. E. (2009), 'Selecting pseudo-absencedata for presence-only distribution modeling: how far should you stray from what youknow?', ecological modelling 220(4), 589--594.

Wisz, M. S.; Hijmans, R. J.; Li, J.; Peterson, A. T.; Graham, C. H. & Guisan, A. (2008), 'Effectsof sample size on the performance of species distribution models', Diversity andDistributions 14(5), 763--773.

de 100

8. Anexos

Especie Escenario km2 Cambio %

Abronia taeniata GFDL_4.5_2015.2039 20,394.45 - 91.24




Abronia taeniata MPI_ESM_4.5_2015.2039 22,028.54 - 90.54




Abronia taeniata REA_4.5_2015.2039 35,700.07 - 84.66




Aimophila notosticta GFDL_4.5_2015.2039 38,609.77 - 23.72




Aimophila notosticta MPI_ESM_4.5_2015.2039 43,298.53 - 14.46

Aimophila notosticta MPI_ESM_4.5_2075.2099 53,536.66 + 5.76

Aimophila notosticta MPI_ESM_8.5_2015.2039 62,546.47 + 23.56

Aimophila notosticta MPI_ESM_8.5_2075.2099 47,512.08 - 6.14

Aimophila notosticta REA_4.5_2015.2039 57,543.31 + 13.68

Aimophila notosticta REA_4.5_2075.2099 55,122.31 + 8.90

Aimophila notosticta REA_8.5_2015.2039 50,441.31 - 0.35

Aimophila notosticta REA_8.5_2075.2099 46,500.08 - 8.14

Amazona finschi GFDL_4.5_2015.2039 365,494.43 + 129.84




Amazona finschi MPI_ESM_4.5_2015.2039 429,157.69 + 169.88




de 100


Amazona finschi REA_4.5_2015.2039 429,053.78 + 169.81




Ambystoma velasci GFDL_4.5_2015.2039 53,863.62 - 81.72




Ambystoma velasci MPI_ESM_4.5_2015.2039 66,923.45 - 77.29




Ambystoma velasci REA_4.5_2015.2039 68,740.64 - 76.67




Anas platyrhynchos GFDL_4.5_2015.2039 412,538.04 - 22.26




Anas platyrhynchos MPI_ESM_4.5_2015.2039 499,397.36 - 5.89




Anas platyrhynchos REA_4.5_2015.2039 475,395.18 - 10.41




Anolis nebuloides GFDL_4.5_2015.2039 477,409.28 + 145.47




Anolis nebuloides MPI_ESM_4.5_2015.2039 384,157.85 + 97.52



de 100



Anolis nebuloides REA_4.5_2015.2039 447,384.46 + 130.03




Apalone spinifera GFDL_4.5_2015.2039 373,485.23 + 290.46




Apalone spinifera MPI_ESM_4.5_2015.2039 207,268.65 + 116.69




Apalone spinifera REA_4.5_2015.2039 321,644.30 + 236.26




Ardea herodias GFDL_4.5_2015.2039 1,564,922.56 + 42.39




Ardea herodias MPI_ESM_4.5_2015.2039 1,372,087.05 + 24.84




Ardea herodias REA_4.5_2015.2039 1,505,274.26 + 36.96




Aspidoscelis communis GFDL_4.5_2015.2039 215,654.78 + 193.43




Aspidoscelis communis MPI_ESM_4.5_2015.2039 301,090.18 + 309.68


de 100




Aspidoscelis communis REA_4.5_2015.2039 273,255.02 + 271.81




Aspidoscelis costata GFDL_4.5_2015.2039 424,724.71 + 6.26

Aspidoscelis costata GFDL_4.5_2075.2099 344,639.10 - 13.77

Aspidoscelis costata GFDL_8.5_2015.2039 488,728.57 + 22.28

Aspidoscelis costata GFDL_8.5_2075.2099 317,743.52 - 20.50

Aspidoscelis costata MPI_ESM_4.5_2015.2039 420,724.29 + 5.26

Aspidoscelis costata MPI_ESM_4.5_2075.2099 261,673.20 - 34.53



Aspidoscelis costata REA_4.5_2015.2039 431,607.27 + 7.98




Barisia imbricata GFDL_4.5_2015.2039 1,819.84 - 99.36

Barisia imbricata GFDL_4.5_2075.2099 34.28 - 99.99

Barisia imbricata GFDL_8.5_2015.2039 2,537.09 - 99.11

Barisia imbricata GFDL_8.5_2075.2099 54.74 - 99.98

Barisia imbricata MPI_ESM_4.5_2015.2039 8,917.10 - 96.86

Barisia imbricata MPI_ESM_4.5_2075.2099 99.20 - 99.97

Barisia imbricata MPI_ESM_8.5_2015.2039 3,003.81 - 98.94

Barisia imbricata MPI_ESM_8.5_2075.2099 132.46 - 99.95

Barisia imbricata REA_4.5_2015.2039 7,342.76 - 97.41



Barisia imbricata REA_8.5_2075.2099 299.65 - 99.89

Bassariscus astutus GFDL_4.5_2015.2039 671,881.16 - 3.41




Bassariscus astutus MPI_ESM_4.5_2015.2039 441,039.69 - 36.60

de 100





Bassariscus astutus REA_4.5_2015.2039 594,233.01 - 14.58




Bolitoglossa platydactyla GFDL_4.5_2015.2039 110.50 - 99.71




Bolitoglossa platydactyla MPI_ESM_4.5_2015.2039 224.92 - 99.41




Bolitoglossa platydactyla REA_4.5_2015.2039 652.38 - 98.28




Campephilus imperialis GFDL_4.5_2015.2039 0.00 - 100.00




Campephilus imperialis MPI_ESM_4.5_2015.2039 0.00 - 100.00




Campephilus imperialis REA_4.5_2015.2039 0.00 - 100.00




Campylopterus excellens GFDL_4.5_2015.2039 0.00 - 100.00




de 100


Campylopterus excellens MPI_ESM_4.5_2015.2039 0.00 - 100.00




Campylopterus excellens REA_4.5_2015.2039 0.00 - 100.00




Chaetodipus baileyi GFDL_4.5_2015.2039 143,589.55 + 186.31




Chaetodipus baileyi MPI_ESM_4.5_2015.2039 150,316.39 + 199.73




Chaetodipus baileyi REA_4.5_2015.2039 147,187.42 + 193.49




Chaetodipus intermedius GFDL_4.5_2015.2039 0.00 - 100.00




Chaetodipus intermedius MPI_ESM_4.5_2015.2039 0.00 - 100.00




Chaetodipus intermedius REA_4.5_2015.2039 0.00 - 100.00




Chaetodipus penicillatus GFDL_4.5_2015.2039 72,271.80 - 81.69



de 100



Chaetodipus penicillatus MPI_ESM_4.5_2015.2039 162,482.78 - 58.83




Chaetodipus penicillatus REA_4.5_2015.2039 108,262.53 - 72.57




Chiropterotriton chiropterus GFDL_4.5_2015.2039 356,088.60 + 471.39




Chiropterotriton chiropterus MPI_ESM_4.5_2015.2039 321,746.28 + 416.28




Chiropterotriton chiropterus REA_4.5_2015.2039 379,591.68 + 509.10




Chiropterotriton chondrostega GFDL_4.5_2015.2039 0.88 - 100.00




Chiropterotriton chondrostega MPI_ESM_4.5_2015.2039 67.82 - 99.98




Chiropterotriton chondrostega REA_4.5_2015.2039 22.95 - 99.99




Chiropterotriton multidentatus GFDL_4.5_2015.2039 16,431.71 - 98.79


de 100




Chiropterotriton multidentatus MPI_ESM_4.5_2015.2039 86,090.73 - 93.68




Chiropterotriton multidentatus REA_4.5_2015.2039 47,615.62 - 96.51




Coluber mentovarius GFDL_4.5_2015.2039 639,109.90 + 93.75




Coluber mentovarius MPI_ESM_4.5_2015.2039 627,308.23 + 90.17




Coluber mentovarius REA_4.5_2015.2039 652,927.47 + 97.93




Conopsis biserialis GFDL_4.5_2015.2039 8,439.68 - 92.09



Conopsis biserialis GFDL_8.5_2075.2099 166.49 - 99.84

Conopsis biserialis MPI_ESM_4.5_2015.2039 29,303.77 - 72.53



Conopsis biserialis MPI_ESM_8.5_2075.2099 666.46 - 99.38

Conopsis biserialis REA_4.5_2015.2039 22,953.47 - 78.48




Craugastor berkenbuschii GFDL_4.5_2015.2039 0.00 - 100.00

de 100





Craugastor berkenbuschii MPI_ESM_4.5_2015.2039 0.00 - 100.00




Craugastor berkenbuschii REA_4.5_2015.2039 0.00 - 100.00




Craugastor decoratus GFDL_4.5_2015.2039 0.00 - 100.00




Craugastor decoratus MPI_ESM_4.5_2015.2039 0.00 - 100.00




Craugastor decoratus REA_4.5_2015.2039 0.00 - 100.00




Crotalus ravus GFDL_4.5_2015.2039 72,281.06 + 85.65

Crotalus ravus GFDL_4.5_2075.2099 35,721.07 - 8.25

Crotalus ravus GFDL_8.5_2015.2039 64,663.45 + 66.08

Crotalus ravus GFDL_8.5_2075.2099 2,961.23 - 92.39

Crotalus ravus MPI_ESM_4.5_2015.2039 80,593.43 + 107.00



Crotalus ravus MPI_ESM_8.5_2075.2099 36,337.16 - 6.67

Crotalus ravus REA_4.5_2015.2039 85,737.17 + 120.21




de 100


Cryptotis magna GFDL_4.5_2015.2039 0.00 - 100.00




Cryptotis magna MPI_ESM_4.5_2015.2039 0.00 - 100.00




Cryptotis magna REA_4.5_2015.2039 0.00 - 100.00




Cryptotis parva GFDL_4.5_2015.2039 676,987.44 + 152.12




Cryptotis parva MPI_ESM_4.5_2015.2039 454,672.76 + 69.33




Cryptotis parva REA_4.5_2015.2039 576,031.39 + 114.52




Cyanolyca mirabilis GFDL_4.5_2015.2039 58,750.35 - 43.82




Cyanolyca mirabilis MPI_ESM_4.5_2015.2039 84,833.14 - 18.87




Cyanolyca mirabilis REA_4.5_2015.2039 59,114.41 - 43.47



de 100



Cynanthus latirostris GFDL_4.5_2015.2039 1,134,011.14 + 90.59




Cynanthus latirostris MPI_ESM_4.5_2015.2039 987,142.62 + 65.90

Cynanthus latirostris MPI_ESM_4.5_2075.2099 1,115,464.27 + 87.47



Cynanthus latirostris REA_4.5_2015.2039 1,160,095.19 + 94.97




Cynomys mexicanus GFDL_4.5_2015.2039 0.00 - 100.00


Cynomys mexicanus GFDL_8.5_2015.2039 1,192.64 - 98.43


Cynomys mexicanus MPI_ESM_4.5_2015.2039 17,956.12 - 76.42

Cynomys mexicanus MPI_ESM_4.5_2075.2099 0.00 - 100.00

Cynomys mexicanus MPI_ESM_8.5_2015.2039 22,908.02 - 69.92

Cynomys mexicanus MPI_ESM_8.5_2075.2099 0.00 - 100.00

Cynomys mexicanus REA_4.5_2015.2039 3,249.47 - 95.73

Cynomys mexicanus REA_4.5_2075.2099 896.02 - 98.82

Cynomys mexicanus REA_8.5_2015.2039 4,855.50 - 93.62

Cynomys mexicanus REA_8.5_2075.2099 0.00 - 100.00

Dendrortyx barbatus GFDL_4.5_2015.2039 173.48 - 99.01




Dendrortyx barbatus MPI_ESM_4.5_2015.2039 377.35 - 97.85




Dendrortyx barbatus REA_4.5_2015.2039 365.95 - 97.91


de 100




Dendrortyx macroura GFDL_4.5_2015.2039 35,071.80 - 46.34




Dendrortyx macroura MPI_ESM_4.5_2015.2039 49,686.63 - 23.98




Dendrortyx macroura REA_4.5_2015.2039 44,193.49 - 32.38




Dipodomys merriami GFDL_4.5_2015.2039 532,704.10 - 21.71




Dipodomys merriami MPI_ESM_4.5_2015.2039 608,921.08 - 10.51




Dipodomys merriami REA_4.5_2015.2039 586,796.42 - 13.76




Dipodomys phillipsii GFDL_4.5_2015.2039 338,929.56 + 69.62



Dipodomys phillipsii GFDL_8.5_2075.2099 191,973.09 - 3.92

Dipodomys phillipsii MPI_ESM_4.5_2015.2039 342,999.65 + 71.66




Dipodomys phillipsii REA_4.5_2015.2039 364,288.82 + 82.31

de 100





Doricha eliza GFDL_4.5_2015.2039 18,092.13 - 12.90

Doricha eliza GFDL_4.5_2075.2099 22,333.21 + 7.52



Doricha eliza MPI_ESM_4.5_2015.2039 56,134.80 + 170.25




Doricha eliza REA_4.5_2015.2039 55,400.02 + 166.71




Duellmanohyla schmidtorum GFDL_4.5_2015.2039 146,829.61 - 10.31




Duellmanohyla schmidtorum MPI_ESM_4.5_2015.2039 157,332.99 - 3.89


Duellmanohyla schmidtorum MPI_ESM_8.5_2015.2039 168,354.59 + 2.84


Duellmanohyla schmidtorum REA_4.5_2015.2039 142,765.68 - 12.79




Eleutherodactylus

angustidigitorum

GFDL_4.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

GFDL_4.5_2075.2099

0.00

- 100.00

Eleutherodactylus

angustidigitorum

GFDL_8.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

GFDL_8.5_2075.2099

0.00

- 100.00

de 100


Eleutherodactylus

angustidigitorum

MPI_ESM_4.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

MPI_ESM_4.5_2075.2099

0.00

- 100.00

Eleutherodactylus

angustidigitorum

MPI_ESM_8.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

MPI_ESM_8.5_2075.2099

0.00

- 100.00

Eleutherodactylus

angustidigitorum

REA_4.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

REA_4.5_2075.2099

0.00

- 100.00

Eleutherodactylus

angustidigitorum

REA_8.5_2015.2039

0.00

- 100.00

Eleutherodactylus

angustidigitorum

REA_8.5_2075.2099

0.00

- 100.00

Eupherusa poliocerca GFDL_4.5_2015.2039 99,211.51 + 35.08



Eupherusa poliocerca GFDL_8.5_2075.2099 68,805.59 - 6.32

Eupherusa poliocerca MPI_ESM_4.5_2015.2039 88,779.94 + 20.88




Eupherusa poliocerca REA_4.5_2015.2039 113,477.49 + 54.50




Euptilotis neoxenus GFDL_4.5_2015.2039 0.00 - 100.00




Euptilotis neoxenus MPI_ESM_4.5_2015.2039 0.00 - 100.00



de 100



Euptilotis neoxenus REA_4.5_2015.2039 0.00 - 100.00




Forpus cyanopygius GFDL_4.5_2015.2039 36,102.42 - 32.02




Forpus cyanopygius MPI_ESM_4.5_2015.2039 92,375.70 + 73.95



Forpus cyanopygius MPI_ESM_8.5_2075.2099 35,658.88 - 32.85

Forpus cyanopygius REA_4.5_2015.2039 72,133.78 + 35.83



Forpus cyanopygius REA_8.5_2075.2099 35,401.93 - 33.34

Geothlypis speciosa GFDL_4.5_2015.2039 135,824.19 + 294.84



Geothlypis speciosa GFDL_8.5_2075.2099 16,844.59 - 51.03

Geothlypis speciosa MPI_ESM_4.5_2015.2039 94,412.90 + 174.46




Geothlypis speciosa REA_4.5_2015.2039 162,151.22 + 371.38




Glaucidium sanchezi GFDL_4.5_2015.2039 0.88 - 99.99




Glaucidium sanchezi MPI_ESM_4.5_2015.2039 0.00 - 100.00


de 100




Glaucidium sanchezi REA_4.5_2015.2039 1.76 - 99.99




Hyla plicata GFDL_4.5_2015.2039 0.00 - 100.00




Hyla plicata MPI_ESM_4.5_2015.2039 0.00 - 100.00




Hyla plicata REA_4.5_2015.2039 387.96 - 99.77

Hyla plicata REA_4.5_2075.2099 12.96 - 99.99

Hyla plicata REA_8.5_2015.2039 487.61 - 99.71

Hyla plicata REA_8.5_2075.2099 0.82 - 100.00

Hylorchilus sumichrasti GFDL_4.5_2015.2039 29,252.08 - 48.79




Hylorchilus sumichrasti MPI_ESM_4.5_2015.2039 25,972.81 - 54.53




Hylorchilus sumichrasti REA_4.5_2015.2039 31,713.44 - 44.48




Icterus spurius GFDL_4.5_2015.2039 950,223.99 + 60.00




Icterus spurius MPI_ESM_4.5_2015.2039 969,258.33 + 63.21

de 100





Icterus spurius REA_4.5_2015.2039 968,256.09 + 63.04

Icterus spurius REA_4.5_2075.2099 1,001,937.48 + 68.71



Incilius cristatus GFDL_4.5_2015.2039 60,832.21 + 21.08

Incilius cristatus GFDL_4.5_2075.2099 38,856.66 - 22.66

Incilius cristatus GFDL_8.5_2015.2039 60,203.38 + 19.82

Incilius cristatus GFDL_8.5_2075.2099 27,022.02 - 46.22

Incilius cristatus MPI_ESM_4.5_2015.2039 60,256.15 + 19.93

Incilius cristatus MPI_ESM_4.5_2075.2099 42,626.75 - 15.16

Incilius cristatus MPI_ESM_8.5_2015.2039 58,098.78 + 15.64

Incilius cristatus MPI_ESM_8.5_2075.2099 20,042.47 - 60.11

Incilius cristatus REA_4.5_2015.2039 59,176.46 + 17.78

Incilius cristatus REA_4.5_2075.2099 44,986.46 - 10.46

Incilius cristatus REA_8.5_2015.2039 59,299.90 + 18.03

Incilius cristatus REA_8.5_2075.2099 27,489.13 - 45.29

Junco phaeonotus GFDL_4.5_2015.2039 202,610.72 + 64.75



Junco phaeonotus GFDL_8.5_2075.2099 81,399.58 - 33.81

Junco phaeonotus MPI_ESM_4.5_2015.2039 277,770.80 + 125.87




Junco phaeonotus REA_4.5_2015.2039 290,393.33 + 136.13




Kinosternon integrum GFDL_4.5_2015.2039 756,404.68 + 45.94




de 100


Kinosternon integrum MPI_ESM_4.5_2015.2039 713,747.48 + 37.71




Kinosternon integrum REA_4.5_2015.2039 834,723.98 + 61.05




Kinosternon sonoriense GFDL_4.5_2015.2039 290,352.53 - 11.83




Kinosternon sonoriense MPI_ESM_4.5_2015.2039 85,200.27 - 74.13




Kinosternon sonoriense REA_4.5_2015.2039 173,213.66 - 47.40




Lampropeltis mexicana GFDL_4.5_2015.2039 212,972.81 - 8.51


Lampropeltis mexicana GFDL_8.5_2015.2039 273,426.29 + 17.46


Lampropeltis mexicana MPI_ESM_4.5_2015.2039 259,062.01 + 11.29

Lampropeltis mexicana MPI_ESM_4.5_2075.2099 158,629.10 - 31.85

Lampropeltis mexicana MPI_ESM_8.5_2015.2039 263,428.30 + 13.17

Lampropeltis mexicana MPI_ESM_8.5_2075.2099 70,423.08 - 69.75

Lampropeltis mexicana REA_4.5_2015.2039 282,379.01 + 21.31

Lampropeltis mexicana REA_4.5_2075.2099 203,551.92 - 12.55

Lampropeltis mexicana REA_8.5_2015.2039 273,166.49 + 17.35

Lampropeltis mexicana REA_8.5_2075.2099 83,439.62 - 64.15

Lepus alleni GFDL_4.5_2015.2039 1,913.26 - 99.38



de 100


Lepus alleni GFDL_8.5_2075.2099 165.10 - 99.95

Lepus alleni MPI_ESM_4.5_2015.2039 3,313.37 - 98.93



Lepus alleni MPI_ESM_8.5_2075.2099 276.23 - 99.91

Lepus alleni REA_4.5_2015.2039 413.17 - 99.87

Lepus alleni REA_4.5_2075.2099 331.01 - 99.89

Lepus alleni REA_8.5_2015.2039 285.38 - 99.91

Lepus alleni REA_8.5_2075.2099 204.40 - 99.93

Lepus californicus GFDL_4.5_2015.2039 611,618.83 - 35.37




Lepus californicus MPI_ESM_4.5_2015.2039 693,433.90 - 26.73




Lepus californicus REA_4.5_2015.2039 595,268.79 - 37.10




Lithobates brownorum GFDL_4.5_2015.2039 393,720.67 + 94.57




Lithobates brownorum MPI_ESM_4.5_2015.2039 411,108.32 + 103.16




Lithobates brownorum REA_4.5_2015.2039 379,237.04 + 87.41




Lithobates montezumae GFDL_4.5_2015.2039 0.00 - 100.00


de 100




Lithobates montezumae MPI_ESM_4.5_2015.2039 0.00 - 100.00




Lithobates montezumae REA_4.5_2015.2039 0.00 - 100.00




Lithobates neovolcanicus GFDL_4.5_2015.2039 0.00 - 100.00




Lithobates neovolcanicus MPI_ESM_4.5_2015.2039 0.00 - 100.00




Lithobates neovolcanicus REA_4.5_2015.2039 0.00 - 100.00




Lithobates pustulosus GFDL_4.5_2015.2039 209,302.76 + 19.95

Lithobates pustulosus GFDL_4.5_2075.2099 69,267.06 - 60.30

Lithobates pustulosus GFDL_8.5_2015.2039 250,378.03 + 43.49

Lithobates pustulosus GFDL_8.5_2075.2099 80,367.28 - 53.94

Lithobates pustulosus MPI_ESM_4.5_2015.2039 326,071.44 + 86.87

Lithobates pustulosus MPI_ESM_4.5_2075.2099 89,007.97 - 48.99

Lithobates pustulosus MPI_ESM_8.5_2015.2039 226,199.51 + 29.63

Lithobates pustulosus MPI_ESM_8.5_2075.2099 44,347.28 - 74.59

Lithobates pustulosus REA_4.5_2015.2039 257,719.70 + 47.69



Lithobates pustulosus REA_8.5_2075.2099 92,577.11 - 46.95

Lithobates sierramadrensis GFDL_4.5_2015.2039 128,482.79 + 50.15

de 100





Lithobates sierramadrensis MPI_ESM_4.5_2015.2039 98,758.38 + 15.41

Lithobates sierramadrensis MPI_ESM_4.5_2075.2099 83,644.94 - 2.25



Lithobates sierramadrensis REA_4.5_2015.2039 102,699.91 + 20.02




Melanotis caerulescens GFDL_4.5_2015.2039 442,841.53 - 3.84


Melanotis caerulescens GFDL_8.5_2015.2039 483,610.06 + 5.02


Melanotis caerulescens MPI_ESM_4.5_2015.2039 514,893.31 + 11.81



Melanotis caerulescens MPI_ESM_8.5_2075.2099 353,026.61 - 23.34

Melanotis caerulescens REA_4.5_2015.2039 512,441.17 + 11.28



Melanotis caerulescens REA_8.5_2075.2099 369,148.47 - 19.84

Micrathene whitneyi GFDL_4.5_2015.2039 503,436.92 + 89.65




Micrathene whitneyi MPI_ESM_4.5_2015.2039 477,491.74 + 79.88




Micrathene whitneyi REA_4.5_2015.2039 520,862.59 + 96.22




de 100


Microtus oaxacensis GFDL_4.5_2015.2039 20,693.20 - 45.55




Microtus oaxacensis MPI_ESM_4.5_2015.2039 17,425.53 - 54.15




Microtus oaxacensis REA_4.5_2015.2039 21,619.24 - 43.12




Microtus quasiater GFDL_4.5_2015.2039 0.00 - 100.00




Microtus quasiater MPI_ESM_4.5_2015.2039 0.00 - 100.00




Microtus quasiater REA_4.5_2015.2039 0.00 - 100.00




Nasua narica GFDL_4.5_2015.2039 687,335.69 + 4.70

Nasua narica GFDL_4.5_2075.2099 584,837.41 - 10.91

Nasua narica GFDL_8.5_2015.2039 730,467.12 + 11.27

Nasua narica GFDL_8.5_2075.2099 628,689.61 - 4.23

Nasua narica MPI_ESM_4.5_2015.2039 756,442.71 + 15.23

Nasua narica MPI_ESM_4.5_2075.2099 576,196.98 - 12.23



Nasua narica REA_4.5_2015.2039 832,028.79 + 26.74

Nasua narica REA_4.5_2075.2099 776,283.24 + 18.25

Nasua narica REA_8.5_2015.2039 862,462.47 + 31.38

de 100


Nasua narica REA_8.5_2075.2099 742,447.64 + 13.10

Neotoma albigula GFDL_4.5_2015.2039 957,859.38 + 1.71

Neotoma albigula GFDL_4.5_2075.2099 1,000,042.99 + 6.19



Neotoma albigula MPI_ESM_4.5_2015.2039 974,436.02 + 3.47



Neotoma albigula MPI_ESM_8.5_2075.2099 1,043,716.26 + 10.82

Neotoma albigula REA_4.5_2015.2039 1,031,708.47 + 9.55




Neotoma phenax GFDL_4.5_2015.2039 98,276.23 + 138.91




Neotoma phenax MPI_ESM_4.5_2015.2039 60,715.50 + 47.60




Neotoma phenax REA_4.5_2015.2039 101,731.63 + 147.31




Nyctanassa violacea GFDL_4.5_2015.2039 585,328.96 + 78.14




Nyctanassa violacea MPI_ESM_4.5_2015.2039 593,430.88 + 80.60




Nyctanassa violacea REA_4.5_2015.2039 611,613.14 + 86.14


de 100




Nyctiphrynus mcleodii GFDL_4.5_2015.2039 508,689.67 + 20.15

Nyctiphrynus mcleodii GFDL_4.5_2075.2099 413,310.59 - 2.38

Nyctiphrynus mcleodii GFDL_8.5_2015.2039 449,426.33 + 6.15

Nyctiphrynus mcleodii GFDL_8.5_2075.2099 302,344.50 - 28.59

Nyctiphrynus mcleodii MPI_ESM_4.5_2015.2039 459,123.19 + 8.44




Nyctiphrynus mcleodii REA_4.5_2015.2039 543,613.79 + 28.40




Odocoileus hemionus GFDL_4.5_2015.2039 4,142.28 - 98.52




Odocoileus hemionus MPI_ESM_4.5_2015.2039 1,849.50 - 99.34




Odocoileus hemionus REA_4.5_2015.2039 8,246.53 - 97.06



Odocoileus hemionus REA_8.5_2075.2099 512.08 - 99.82

Oryzomys couesi GFDL_4.5_2015.2039 1,146,341.88 + 74.56



Oryzomys couesi GFDL_8.5_2075.2099 970,216.69 + 47.74

Oryzomys couesi MPI_ESM_4.5_2015.2039 1,337,679.70 + 103.70




Oryzomys couesi REA_4.5_2015.2039 1,317,659.91 + 100.65

de 100





Passerina rositae GFDL_4.5_2015.2039 25,850.80 - 10.24




Passerina rositae MPI_ESM_4.5_2015.2039 24,633.86 - 14.46




Passerina rositae REA_4.5_2015.2039 22,620.78 - 21.45




Peromyscus boylii GFDL_4.5_2015.2039 937,568.07 + 15.07

Peromyscus boylii GFDL_4.5_2075.2099 699,256.41 - 14.18

Peromyscus boylii GFDL_8.5_2015.2039 1,172,160.47 + 43.87

Peromyscus boylii GFDL_8.5_2075.2099 546,547.97 - 32.92

Peromyscus boylii MPI_ESM_4.5_2015.2039 1,285,226.57 + 57.74



Peromyscus boylii MPI_ESM_8.5_2075.2099 575,752.01 - 29.33

Peromyscus boylii REA_4.5_2015.2039 1,037,637.95 + 27.36

Peromyscus boylii REA_4.5_2075.2099 826,926.28 + 1.49

Peromyscus boylii REA_8.5_2015.2039 1,050,753.85 + 28.97

Peromyscus boylii REA_8.5_2075.2099 507,618.61 - 37.70

Peromyscus eremicus GFDL_4.5_2015.2039 851,972.35 + 9.12

Peromyscus eremicus GFDL_4.5_2075.2099 774,854.75 - 0.75

Peromyscus eremicus GFDL_8.5_2015.2039 784,097.47 + 0.43

Peromyscus eremicus GFDL_8.5_2075.2099 720,324.43 - 7.74

Peromyscus eremicus MPI_ESM_4.5_2015.2039 816,021.37 + 4.52




de 100


Peromyscus eremicus REA_4.5_2015.2039 850,296.77 + 8.91




Peromyscus leucopus GFDL_4.5_2015.2039 472,091.83 - 12.65




Peromyscus leucopus MPI_ESM_4.5_2015.2039 482,790.48 - 10.67




Peromyscus leucopus REA_4.5_2015.2039 646,816.82 + 19.68



Peromyscus leucopus REA_8.5_2075.2099 406,436.06 - 24.79

Peromyscus maniculatus GFDL_4.5_2015.2039 814,546.62 - 7.38




Peromyscus maniculatus MPI_ESM_4.5_2015.2039 846,156.35 - 3.78




Peromyscus maniculatus REA_4.5_2015.2039 855,458.45 - 2.73




Peromyscus zarhynchus GFDL_4.5_2015.2039 26,183.52 + 112.90



Peromyscus zarhynchus GFDL_8.5_2075.2099 9,334.46 - 24.10

Peromyscus zarhynchus MPI_ESM_4.5_2015.2039 29,581.15 + 140.53



de 100


Peromyscus zarhynchus MPI_ESM_8.5_2075.2099 2,733.04 - 77.78

Peromyscus zarhynchus REA_4.5_2015.2039 29,887.75 + 143.02



Peromyscus zarhynchus REA_8.5_2075.2099 9,007.14 - 26.76

Peucaea sumichrasti GFDL_4.5_2015.2039 9,013.24 + 32.76




Peucaea sumichrasti MPI_ESM_4.5_2015.2039 12,399.61 + 82.64




Peucaea sumichrasti REA_4.5_2015.2039 19,851.79 + 192.40




Phrynosoma orbiculare GFDL_4.5_2015.2039 30,073.95 - 92.04




Phrynosoma orbiculare MPI_ESM_4.5_2015.2039 188,903.16 - 50.00




Phrynosoma orbiculare REA_4.5_2015.2039 109,620.16 - 70.98




Pituophis deppei GFDL_4.5_2015.2039 154,890.67 - 26.83




Pituophis deppei MPI_ESM_4.5_2015.2039 216,964.52 + 2.49

Pituophis deppei MPI_ESM_4.5_2075.2099 149,223.92 - 29.51

de 100




Pituophis deppei REA_4.5_2015.2039 207,878.58 - 1.80




Plectrohyla acanthodes GFDL_4.5_2015.2039 9,704.69 - 89.67




Plectrohyla acanthodes MPI_ESM_4.5_2015.2039 14,129.88 - 84.95



Plectrohyla acanthodes MPI_ESM_8.5_2075.2099 422.78 - 99.55

Plectrohyla acanthodes REA_4.5_2015.2039 11,726.03 - 87.51




Plestiodon lynxe GFDL_4.5_2015.2039 82,828.16 - 66.94




Plestiodon lynxe MPI_ESM_4.5_2015.2039 85,132.58 - 66.02




Plestiodon lynxe REA_4.5_2015.2039 95,981.08 - 61.69




Procyon lotor GFDL_4.5_2015.2039 1,718,590.15 + 68.74




Procyon lotor MPI_ESM_4.5_2015.2039 1,713,729.17 + 68.26

de 100





Procyon lotor REA_4.5_2015.2039 1,699,580.00 + 66.87




Progne sinaloae GFDL_4.5_2015.2039 179,561.18 + 587.15




Progne sinaloae MPI_ESM_4.5_2015.2039 143,675.35 + 449.82




Progne sinaloae REA_4.5_2015.2039 138,025.83 + 428.20




Pseudoeurycea juarezi GFDL_4.5_2015.2039 724.27 - 99.05




Pseudoeurycea juarezi MPI_ESM_4.5_2015.2039 1,525.61 - 98.00

Pseudoeurycea juarezi MPI_ESM_4.5_2075.2099 695.06 - 99.09

Pseudoeurycea juarezi MPI_ESM_8.5_2015.2039 1,675.14 - 97.81

Pseudoeurycea juarezi MPI_ESM_8.5_2075.2099 118.57 - 99.84

Pseudoeurycea juarezi REA_4.5_2015.2039 1,374.68 - 98.20

Pseudoeurycea juarezi REA_4.5_2075.2099 506.50 - 99.34

Pseudoeurycea juarezi REA_8.5_2015.2039 1,172.78 - 98.46

Pseudoeurycea juarezi REA_8.5_2075.2099 106.63 - 99.86

Pseudoeurycea leprosa GFDL_4.5_2015.2039 10,015.52 + 2.02

Pseudoeurycea leprosa GFDL_4.5_2075.2099 3,854.26 - 60.74

Pseudoeurycea leprosa GFDL_8.5_2015.2039 14,373.13 + 46.41

Pseudoeurycea leprosa GFDL_8.5_2075.2099 1,074.60 - 89.05

de 100


Pseudoeurycea leprosa MPI_ESM_4.5_2015.2039 22,669.76 + 130.92

Pseudoeurycea leprosa MPI_ESM_4.5_2075.2099 6,008.08 - 38.80

Pseudoeurycea leprosa MPI_ESM_8.5_2015.2039 17,493.29 + 78.19

Pseudoeurycea leprosa MPI_ESM_8.5_2075.2099 825.37 - 91.59

Pseudoeurycea leprosa REA_4.5_2015.2039 18,169.78 + 85.08

Pseudoeurycea leprosa REA_4.5_2075.2099 8,460.79 - 13.82

Pseudoeurycea leprosa REA_8.5_2015.2039 17,097.07 + 74.16

Pseudoeurycea leprosa REA_8.5_2075.2099 2,212.99 - 77.46

Rhynchopsitta terrisi GFDL_4.5_2015.2039 1,837.43 - 97.46

Rhynchopsitta terrisi GFDL_4.5_2075.2099 225.71 - 99.69

Rhynchopsitta terrisi GFDL_8.5_2015.2039 4,217.32 - 94.17

Rhynchopsitta terrisi GFDL_8.5_2075.2099 146.60 - 99.80

Rhynchopsitta terrisi MPI_ESM_4.5_2015.2039 15,472.96 - 78.62



Rhynchopsitta terrisi MPI_ESM_8.5_2075.2099 560.21 - 99.23

Rhynchopsitta terrisi REA_4.5_2015.2039 11,949.07 - 83.49




Romerolagus diazi GFDL_4.5_2015.2039 14,836.61 - 67.47



Romerolagus diazi GFDL_8.5_2075.2099 0.00 - 100.00

Romerolagus diazi MPI_ESM_4.5_2015.2039 4,944.92 - 89.16

Romerolagus diazi MPI_ESM_4.5_2075.2099 708.78 - 98.45

Romerolagus diazi MPI_ESM_8.5_2015.2039 3,477.58 - 92.37

Romerolagus diazi MPI_ESM_8.5_2075.2099 75.83 - 99.83

Romerolagus diazi REA_4.5_2015.2039 15,089.12 - 66.91




Salvadora bairdi GFDL_4.5_2015.2039 745,182.99 + 171.43



de 100



Salvadora bairdi MPI_ESM_4.5_2015.2039 760,005.28 + 176.83




Salvadora bairdi REA_4.5_2015.2039 765,763.06 + 178.92




Sceloporus ornatus GFDL_4.5_2015.2039 319,190.69 - 11.88

Sceloporus ornatus GFDL_4.5_2075.2099 417,390.30 + 15.23

Sceloporus ornatus GFDL_8.5_2015.2039 278,602.41 - 23.09

Sceloporus ornatus GFDL_8.5_2075.2099 371,532.73 + 2.57

Sceloporus ornatus MPI_ESM_4.5_2015.2039 363,522.73 + 0.36

Sceloporus ornatus MPI_ESM_4.5_2075.2099 337,809.71 - 6.74



Sceloporus ornatus REA_4.5_2015.2039 354,241.65 - 2.20

Sceloporus ornatus REA_4.5_2075.2099 369,487.52 + 2.01

Sceloporus ornatus REA_8.5_2015.2039 340,612.06 - 5.97

Sceloporus ornatus REA_8.5_2075.2099 385,615.15 + 6.46

Sceloporus serrifer GFDL_4.5_2015.2039 202,978.63 + 454.48




Sceloporus serrifer MPI_ESM_4.5_2015.2039 311,208.95 + 750.13




Sceloporus serrifer REA_4.5_2015.2039 300,854.99 + 721.85




Sciurus aberti GFDL_4.5_2015.2039 107,464.49 - 0.69


de 100


Sciurus aberti GFDL_8.5_2015.2039 129,500.71 + 19.68


Sciurus aberti MPI_ESM_4.5_2015.2039 111,266.08 + 2.83

Sciurus aberti MPI_ESM_4.5_2075.2099 94,104.55 - 13.03



Sciurus aberti REA_4.5_2015.2039 106,835.05 - 1.27




Sciurus oculatus GFDL_4.5_2015.2039 210,493.40 - 33.12




Sciurus oculatus MPI_ESM_4.5_2015.2039 238,303.54 - 24.29




Sciurus oculatus REA_4.5_2015.2039 234,067.81 - 25.63




Spilogale pygmaea GFDL_4.5_2015.2039 105,823.26 - 60.64




Spilogale pygmaea MPI_ESM_4.5_2015.2039 111,027.93 - 58.71




Spilogale pygmaea REA_4.5_2015.2039 130,061.22 - 51.63




Spizella wortheni GFDL_4.5_2015.2039 0.00 - 100.00

de 100



Spizella wortheni GFDL_8.5_2015.2039 3,882.38 - 93.61


Spizella wortheni MPI_ESM_4.5_2015.2039 28,431.40 - 53.23



Spizella wortheni MPI_ESM_8.5_2075.2099 221.70 - 99.64

Spizella wortheni REA_4.5_2015.2039 3,305.51 - 94.56



Spizella wortheni REA_8.5_2075.2099 0.00 - 100.00

Tantilla rubra GFDL_4.5_2015.2039 711,453.99 + 21.73

Tantilla rubra GFDL_4.5_2075.2099 523,061.96 - 10.51

Tantilla rubra GFDL_8.5_2015.2039 728,138.90 + 24.58

Tantilla rubra GFDL_8.5_2075.2099 466,822.22 - 20.13

Tantilla rubra MPI_ESM_4.5_2015.2039 752,485.20 + 28.75




Tantilla rubra REA_4.5_2015.2039 786,354.29 + 34.54




Thalurania ridgwayi GFDL_4.5_2015.2039 59,513.58 - 58.64




Thalurania ridgwayi MPI_ESM_4.5_2015.2039 58,059.79 - 59.65




Thalurania ridgwayi REA_4.5_2015.2039 61,225.72 - 57.45




de 100


Thamnophis melanogaster GFDL_4.5_2015.2039 0.00 - 100.00




Thamnophis melanogaster MPI_ESM_4.5_2015.2039 0.00 - 100.00




Thamnophis melanogaster REA_4.5_2015.2039 0.00 - 100.00




Thamnophis scalaris GFDL_4.5_2015.2039 39,903.12 - 41.77




Thamnophis scalaris MPI_ESM_4.5_2015.2039 62,791.88 - 8.37




Thamnophis scalaris REA_4.5_2015.2039 57,156.98 - 16.59




Thorius macdougalli GFDL_4.5_2015.2039 1,275.77 - 61.64

Thorius macdougalli GFDL_4.5_2075.2099 337.69 - 89.85

Thorius macdougalli GFDL_8.5_2015.2039 1,652.32 - 50.32

Thorius macdougalli GFDL_8.5_2075.2099 147.65 - 95.56

Thorius macdougalli MPI_ESM_4.5_2015.2039 2,467.87 - 25.80



Thorius macdougalli MPI_ESM_8.5_2075.2099 384.77 - 88.43

Thorius macdougalli REA_4.5_2015.2039 2,157.23 - 35.14



de 100


Thorius macdougalli REA_8.5_2075.2099 332.03 - 90.02

Thorius pennatulus GFDL_4.5_2015.2039 35,918.13 - 67.73




Thorius pennatulus MPI_ESM_4.5_2015.2039 35,018.73 - 68.53




Thorius pennatulus REA_4.5_2015.2039 39,135.83 - 64.84




Tropidodipsas sartorii GFDL_4.5_2015.2039 707,748.50 + 123.17




Tropidodipsas sartorii MPI_ESM_4.5_2015.2039 851,901.49 + 168.62




Tropidodipsas sartorii REA_4.5_2015.2039 845,629.26 + 166.64




Uta stansburiana GFDL_4.5_2015.2039 435,946.86 + 108.35




Uta stansburiana MPI_ESM_4.5_2015.2039 354,103.32 + 69.24




Uta stansburiana REA_4.5_2015.2039 398,622.68 + 90.52


de 100




Vireo nelsoni GFDL_4.5_2015.2039 0.00 - 100.00




Vireo nelsoni MPI_ESM_4.5_2015.2039 0.00 - 100.00




Vireo nelsoni REA_4.5_2015.2039 0.00 - 100.00




Xenospiza baileyi GFDL_4.5_2015.2039 462.61 - 78.64




Xenospiza baileyi MPI_ESM_4.5_2015.2039 420.37 - 80.59




Xenospiza baileyi REA_4.5_2015.2039 574.34 - 73.48




Tabla 11. Aumento y disminución de la distribución potencial futura en función de la actual delas 103 especies analizadas por escenario de CC.

2016...debido al CC es la modelación de nicho ecológico (EN M), también conocido como modelado de...

Documents

Transcript of 2016...debido al CC es la modelación de nicho ecológico (EN M), también conocido como modelado de...