MODELIZACIÓN DEL RIESGO DE INVASIÓN POR...

MODELIZACIÓN DEL RIESGO DE INVASIÓN POR PLANTAS EXÓTICAS EN LA

PROVINCIA DE BARCELONA

AUTOR: ARROBA-BENÍTEZ, F. 1

DIRECTOR: PINO, J. 2

1. Máster en Teledetección y SIG, Universidad Autónoma de Barcelona. (UAB).

2. Centre de Recerca Ecològica i Aplicacions Forestals (CREAF).

RESUMEN

La modelización de la invasión de especies exóticas es un paso fundamental para la el manejo de especies

introducidas en una escala regional. Este estudio explora los factores asociados a la presencia y riqueza de

especies de plantas exóticas en la provincia de Barcelona. Las variables que se exploran en este estudio son

variables topográficas, climáticas y antrópicas. Para la construcción de los modelos se usó los GLM que son

una extensión de los modelos lineales que permiten usar distribuciones no normales de los errores. Para el

análisis de las variables se usó el software estadístico R, el que mostró significancia para las variables altitud,

distancia a carreteras y los hábitats antrópico, bosque planifolio, coníferas, matorral y roca.

Para la construcción de los mapas con los modelos se usó el software GIS MiraMon. Las imágenes raster de

los modelos resultantes de riqueza y presencia de especies de plantas exóticas, fueron sumadas con rasters de

los residuos del modelo que fueron obtenidos a partir de una interpolación a partir de puntos, usando el

método del inverso de la distancia, los raster resultantes fueron validados usando la prueba del error

cuadrático medio RMSE. Esta prueba mostró un RMSE de 1.15 para el modelo de riqueza y un 0.39 para el

modelo de presencia de especies exóticas en la provincia de Barcelona.

Palabras Clave: Modelización, Interpolación, GLM, RMSE

1. INTRODUCCIÓN

El conocimiento de la distribución de especies es

fundamental para entender su ecología. Idealmente

para modelizar la distribución de una especie, se

necesitaría un gran set de datos de presencias y

ausencias con una buena resolución. En la realidad

los datos son limitados a la ocurrencia de ciertas

especies, con información de presencia poco

extensa y a resoluciones bajas (Newbold, 2010;

Niamir et al., 2011).

Por cientos de años la ocurrencia de especies ha

sido registrada por historiadores naturales y

científicos en forma de especímenes de museos,

inventarios biológicos y literatura científica. Sin

embargo en las últimas tres décadas bajo el

esfuerzo humano y económico de muchas

organizaciones, se ha logrado digitalizar estos datos

en atlas digitales que ilustran la distribución de las

especies, y que son más o menos disponibles al

público (Funk y Richardson, 2002; Graham et al.,

2004; Suarez y Tsutsui, 2004; Franklin, 2009;

Robertson et al., 2010).

La creciente disponibilidad de datos de ocurrencia

de biodiversidad y de límites de áreas protegidas,

combinados con métodos de modelamiento de

distribución de especies, pueden potenciar

enormemente el análisis de la conservación de la

biodiversidad y ayudar a tomar acciones efectivas

para su preservación y protección (Franklin, 2009;

Peterson et al., 2010).

La investigación en biogeografía, macroecología y

planificación de la conservación están a menudo

basados en análisis de mapas de riqueza de

especies. El conocimiento de la distribución

Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 2

2

espacial de la biodiversidad a diferentes escalas es

un importante factor para su preservación

(Richardson y Whittaker, 2010). Los datos de

ocurrencia se acostumbra a mostrarlos en

imágenes como celdas y pueden tener distintos

tipos de georeferenciación. Los ejercicios de

modelamiento se realizan generalmente sobre una

base de celdas georeferenciadas (e.g. celdas UTM

de 1 por 1 km).

La propagación de especies exóticas, debida

principalmente a actividades humanas se ha

incrementado globalmente, generando problemas

ecológicos y económicos de diversa índole

(Andreu et al., 2006). La elaboración de mapas de

riesgo de especies exóticas representando su

potencial distribución es un paso necesario para su

efectivo manejo (Richardson y Whittaker, 2010;

Jiménez-Valverde et al., 2011). El uso de toda la

información disponible en inventarios y atlas, es

esencial para obtener modelos predictivos de su

distribución optimizando los limitados recursos

económicos existentes para su manejo (Marcer et

al., 2012; Nielsen et al., 2008).

En la última década se ha producido un importante

incremento en el desarrollo de herramientas y

técnicas enfocadas a la generación de modelos de

distribución de especies, gracias a la amplia

variedad de software especializados en SIG

(Sistemas de Información Geográfica) y

Teledetección, además de la gran difusión actual de

información espacial, permitiendo avanzar en los

procesos de comprensión de los patrones

espaciales de la biodiversidad. (Benito y Peñas,

2007).

Cataluña es una de las áreas con mayor

concentración de especies exóticas de España y la

Unión Europea (Ministerio de Medio Ambiente,

2011).

El elevado grado de presencia antropogénica en

sus costas, además de su bondadoso clima

mediterráneo, han favorecido la llegada y el

establecimiento de estas especies (Andreu et al.,

2012).

Con el objetivo de estandarizar y agrupar toda la

información relacionada con la invasión de

especies exóticas, el CREAF y el Servicio de

Biodiversidad y Protección de los Animales de la

Generalitat de Cataluña, están desarrollando el

Sistema de Información de Especies Exóticas de

Cataluña (EXOCAT), un proyecto que pretende

recopilar la mayor cantidad de datos posibles de la

distribución, procedencia, vía de entrada y estado

de invasión de especies exóticas en el territorio

catalán (Andreu et al., 2012).

A partir de los estudios realizados por el

EXOCAT se han detectado 939 especies exóticas

introducidas en Cataluña, de las cuales 65% son

plantas. Esto equivale a 588 especies de plantas, de

las cuales 63 ya están consideradas como invasoras,

lo que supone el 11% del total de especies

introducidas(Andreu et al., 2012). Sin embargo, no

existe en Cataluña ningún análisis detallado del

riesgo de invasión del territorio por plantas

exóticas. Los escasos modelos desarrollados

(Marcer et al., 2012) parten de datos bibliográficos

antiguos y solo han conseguido generar modelos a

una escala intermedia (1 km) con un grado de

incertidumbre notable

Objetivos

El objetivo principal del estudio es generar un

mapa de riesgo de invasión de plantas exóticas

para la provincia de Barcelona con mayor nivel de

detalle, partiendo de los datos de un muestreo

realizado dentro del proyecto EXOCAT .

2. ÁREA DE ESTUDIO

El área de estudio corresponde a la provincia de

Barcelona, con un área de 772437.5 ha, ubicada al

Noreste de la Península Ibérica. Se trata de una

región con una gran variabilidad de condiciones

medio ambientales, producto de su rica y variada

topografía. El rango altitudinal del área de estudio

va desde los 0 a los 2590 m.s.n.m (Figura 1).

Cataluña y la provincia de Barcelona en particular

están localizadas en regiones fitogeográficas

altamente influenciadas por la presencia de los

Pirineos y el mar Mediterráneo, lo que le confiere a

la zona un gradiente climático influenciado por su

topografía (Ninyerola et al., 2000).

La estructura del paisaje en la provincia de

Barcelona es altamente heterogénea. Los bosques

ocupan un alto porcentaje de territorio, pero

también existen grandes centros poblados, siendo

Barcelona la ciudad con mayor número de

habitantes de toda la provincia y de la Comunidad

Autónoma de Cataluña en general.


3

3. MATERIALES Y MÉTODOS

Muestreos de campo

El estudio partió de un muestreo de campo

realizado en 2012 en la provincia de Barcelona a

cargo del Equipo de biología de las invasiones del

CREAF, dentro del proyecto EXOCAT, que

realizó una prospección de las especies de plantas

exóticas presentes en los principales hábitats de la

provincia de Barcelona.

Esta prospección fue realizada mediante un

muestreo al azar estratificado por una serie de

grandes tipos de hábitat. En él se obtuvieron 658

puntos de muestreo, repartidos por toda el área de

estudio y por los diversos hábitats de forma

proporcional a su importancia en la provincia. En

cada punto de muestreo se anotaron datos de

presencia y abundancia (recubrimiento según la

escala de Braun-Blanquet) de las especies de

plantas exóticas presentes en una parcela de 5m de

radio. También se anotó información

complementaria del estado de conservación del

hábitat correspondiente a cada punto de muestreo

y del posible mecanismo de entrada de cada

especie exótica detectada.

En el continente Europeo, las especies exóticas

introducidas que han logrado establecerse se

clasifican en arqueófitas (especies introducidas

antes del año 1500 d.c.) y neófitas (especies

introducidas después del año 1500 d.c.). Este

estudio se ha limitado a las neófitas, debido a que

las arqueófitas son un grupo muy mal conocido

(Andreu et al., 2012), y por ello su modelización

conlleva una elevada incertidumbre.

Estos puntos de muestreo fueron colocados en

una capa de puntos georeferenciada, que contenía

todos los datos anteriormente mencionados.

Bases de datos

Se ordenaron los datos existentes y se crearon

nuevos campos en las bases de datos con el uso del

software Access (Microsoft office, 2007) donde

con scripts SQL (Structured Query Language) o

lenguaje de consulta estructurado, se crearon

nuevas tablas de estructura DBF's (tipos de

archivos ampliamente utilizados para el

almacenamiento de datos estructurados) que

contenían datos de riqueza como de presencia o

Figura 1. Área de estudio Provincia de Barcelona, proyección UTM 31 N Datum ED50


4

ausencia de plantas invasoras, para cada punto de

muestreo. Estas tablas se vincularon a una capa

estructurada de puntos de muestreo con el uso del

gestor de metadatos GEMM del software

MiraMon (Pons, 2004).

Las tablas DBF creadas contenían información

extra para cada punto de muestreo como: tipo de

hábitat asociado a cada muestreo, datos de las

variables explicadoras, y un campo aleatorio que

permitiría tomar puntos aleatoriamente escogidos

para la construcción y validación del modelo de

invasión de plantas exóticas.

Variables explicativas

El siguiente paso fue la selección de variables

potencialmente asociadas a la distribución de

especies exóticas en el área de estudio. Para ello se

realizó una selección de trabajos previos realizados

en la misma zona o sectores con influencia

mediterránea, y a partir de éstos se determinaron

variables ambientales, topológicas y de paisaje que

podrían influenciar la presencia de plantas

exóticas(Pino et al., 2005; Gassó et al., 2009). El

detalle de las variables se muestra en la Tabla 1.

Con el software GIS MiraMon (Pons, 2004) se

realizaron combinaciones analíticas de capas, para

construir un mapa de puntos que contuviera los

datos de todas las variables que se decidió usar

como predictores de la presencia y riqueza de

especies de plantas exóticas neófitas.

Por medio del software Excel (Microsoft office,

2007) se añadió un campo aleatorio a los 658

puntos de muestreo para con esto poder

seleccionar un 70% de los puntos para la creación

del modelo y el 30% restante para usarlos como

test del modelo.

La construcción de cada capa de variables

explicativas, inició de una descarga web de las

capas raster, las que fueron estandarizadas en

cuanto a datum, proyección cartográfica, tamaño

de pixel, y marco de referencia. Para estas

transformaciones se usó el software MiraMon

(Pons, 2004). Para el cambio de proyección

cartográfica se usó la herramienta MiraMon

Camviprj, bajo el criterio de interpolación del

vecino más cercano, y dándole una resolución de

salida de 10m de tamaño de pixel.En el caso de las

capas raster que ya tenían el datum y sistema de

proyección cartográfica con el que se trabajaría

(UTM 31 N datum ED 50) se usó la herramienta

MiraMon Retalla (Pons, 2004) para hacer un

recorte de las capas al marco de referencia que se

emplearía en el estudio (provincia de Barcelona).

Cuando las capas estuvieron listas se realizó una

combinación analítica de capas, usando la

herramienta CombiCap de MiraMon (Pons, 2004)

donde se combinaron la capa con las variables y la

capa de puntos de muestreo.

Para la construcción de las capas de variables

topológicas como distancia a carreteras, distancia a

ríos, distancia a embalses y distancia al mar, se usó

la herramienta BufDist del MiraMon (Pons, 2004),

que generaría mapas de distancias de ríos,

carreteras y embalses a los puntos de muestreo de

plantas exóticas, el raster resultante se sometió a

una combinación analítica de capas con el fichero

de puntos de los muestreos.

En el caso de las variables de hábitat, se generaron

bufferes de 100 y 500 metros en zonas agrícolas y

zonas urbanas usando la herramienta de MiraMon

BufDist (Pons, 2004). Con la capa raster resultante

se realizó una combinación analítica de capas para

obtener un campo con los valores de esta variable.

Análisis estadístico

Para la realización del modelo se decidió usar

GLM's (GLM del inglés Generalized Linear

Models o Modelos Lineales Generalizados),

partiendo de la condición de que nuestra base de

datos ofrecía datos de riqueza y presencia/ausencia

de especies exóticas para cada uno de los puntos

de muestreo del área de estudio.

Los modelos lineales generalizados son una

extensión de los modelos lineales, que permiten

utilizar distribuciones no normales de los errores y

variancias no constantes. Los GLM ofrecen una

buena alternativa a la hora de tratar las variables de

respuesta cuando éstas no cumplen los supuestos

de los modelos normales.


5

Tabla 1. Base inicial de variables usadas con su correspondiente fuente.

Variables Fuente

Climáticas Temperatura media de las máximas Atlas climático digital de Cataluña

Temperatura media de las mínimas Temperatura media y amplitud térmica Precipitación Radiación solar Relieve Instituto cartográfico de Cataluña ICC Altitud Distancia a ríos Distancia a embalses

Distancia carreteras Distancia mar Paisaje Mapa de hábitats de Cataluña Cercanía a centros urbanos Buffer 100m Cercanía a centros urbanos Buffer 500m Cercanía a centros agrícolas Buffer 100m Cercanía a centros agrícolas Buffer 500m

Los supuestos generales son: que los errores se

distribuyan normalmente, que presenten una

varianza constante y que las variables de respuesta

se relacionen linealmente con las variables

independientes (Cayuela, 2010).

Se usó la técnica estadística GLM para analizar la

relación de presencia y riqueza de especies exóticas

neófitas con la de las variables predictoras.

Para analizar la riqueza de especies exóticas se

utilizó una distribución de Poisson que se usa

generalmente para representar datos de conteo.

Para analizar la presencia o ausencia de especies

exóticas se usó una distribución binomial, función

de gran utilidad para proporciones y datos de

presencia/ausencia donde la matriz binaria

corresponde a 0 o 1, 0 indicando ausencia y 1

indicando presencia (Cayuela, 2010; González-

Moreno et al., 2013). Los modelos basados en

datos de presencia y ausencia indican de modo más

aproximado la distribución de nicho ecológico

efectivo (Benito y Peñas, 2007).

Se analizó la correlación de las variables que se

usarían para la construcción del modelo, para

excluir las variables que presenten mucha

coliniearidad entre ellas, porque sería un problema

en capacidad predictiva del GLM que usamos para

la construcción del modelo (Pino et al., 2005).

Inferencia multimodelo

La inferencia multimodelo es un parámetro de

selección que nos permite identificar el mejor

modelo posible, de acuerdo con los datos.

Este estudio usó la inferencia multimodelo para

escoger el mejor modelo estimado por el software

estadístico empleado para el análisis, usando el

criterio de información de Akaike (Akaike

Information Criterion; AIC), que es un criterio

correcto para un amplio grupo de modelos

predictores. Este es un índice que evalúa tanto el

ajuste del modelo a los datos, como la complejidad

del modelo. El AIC resulta muy útil para comparar

modelos similares con distintos grados de

complejidad o modelos iguales.

Los análisis estadísticos fueron realizados en el

software R (R Development Core Team 2009).

Construcción del modelo

Para la construcción del los modelos de riqueza y

presencia de plantas exóticas se empleó la

calculadora raster de MiraMon (Pons, 2004),

donde se incluyeron las capas raster que mostraron

significación estadística.


6

Los rasters resultantes se transformaron con la

aplicación de funciones Antilogit para el modelo

de presencias y exponencial para el modelo de

riqueza.

En el caso de las capas raster pertenecientes a

hábitats se crearon rasters binarios de presencia y

ausencia antes de ser incluidas en la operación de

cálculo del software MiraMon. En la Figura 2. se

muestra un detalle de las capas de raster binarias

que se crearon para la construcción del modelo.

La fórmula utilizada para la construcción del

modelo, fue la de la regresión lineal (Figura 3)

donde Yt: es la variable explicada, X1-X2-X3.....Xp:

son las variables explicativas y β0- β1- β2.... βp: son

parámetros que miden la influencia de las variables

explicativas sobre la variable explicada.

Yt=β0+ β1X1+ β2X2+......+ βpXp+ε

Figura 3. Fórmula de ajuste lineal

Figura 2. Mapas binarios con tipos de hábitats

Bosques caducifolios (arriba) y Matorrales

(abajo) en la provincia de Barcelona.

Validación del modelo

Se llevó a cabo una primera validación del modelo

con el 30% de los puntos de muestreo, para validar

los modelos se usó la formula de RMSE que

calcula el error cuadrático medio de la muestra. Se

calcula mediante la raíz cuadrada de la media de las

diferencias cuadráticas entre el valor observado

( ) y el valor estimado (̂ ) de cada observación.

La formula se muestra en la figura 4.

RMSE (̂ ) = )ˆ(MSE = ))ˆ(( 2 E

Figura 4. Formula del Error cuadrático medio.

Construcción de modelo de residuos

Los residuos son las diferencias entre los valores

estimados por el modelo y los valores observados.

Se obtuvieron los residuos para el 70% de los

puntos de muestreo con el que se realizaron los

modelos iniciales de riqueza y presencia de

especies exóticas. Mediante manejo de bases de

datos se unieron estos residuos a los puntos de

muestreo en sendos campos de la base de datos.

Con estos campos de la capa de puntos se realizó

una serie de pruebas interpolación a partir de

puntos usando los métodos del inverso de la

distancia (IDW) probado con factores (1, 1.5, 2,

2.5, 3, 3.5, 4, ) y el método de Splines probado


7

con diferentes tensiones (10, 30, 40, 50, 60, 70,

100, 150), para generar una capa raster de residuos

de riqueza y presencia de especies invasoras.

La interpolación espacial es un proceso

matemático utilizado para predecir el valor de un

atributo en una localización precisa, a partir de

valores del atributo obtenidos en localizaciones

cercanas situadas al interior de la misma región de

estudio (Borrough y McDonnell, 1998).

Construcción de modelos finales

Para la construcción de los modelos finales se usó

la calculadora raster de MiraMon(Pons, 2004), en

esta se sumaron las capas raster del modelo inicial

y el modelo de residuos, como resultado

obtuvimos un raster con el modelo final de

presencia y de riqueza de plantas exóticas para la

provincia de Barcelona. Raster que tiene una

medida de pixel de 10m con sistema de proyección

UTM 31 Norte y datum ED50. En la Figura 5. se

puede ver el proceso utilizado para la elaboración

de los modelos.

Validación de los modelos finales

La validación de los modelos finales se realizó

usando la fórmula del RMSE (Figura 4) que usa los

valores obtenidos de los modelos finales y los

valores observados del muestreo. Se calcularon los

RMSE de los modelos riqueza y presencia de

plantas invasoras y de los puntos de test para los

dos modelos presencia y riqueza de especies

exóticas en la provincia de Barcelona finalmente

seleccionados.

4. RESULTADOS Y DISCUSIÓN

Muestreos de campo

En los 658 muestreos de campo se contabilizaron

un total de 81 especies de plantas exóticas neófitas

en la provincia de Barcelona. La especie con más

presencia en los muestreos fue Conyza sumatrensis

seguida por Amaranthus retroflexus y Aster squamatus.

En la Figura 6 se muestra un gráfico que muestra

las especies de plantas exóticas neófitas más

frecuentes en los muestreos.

Figura 5. Resumen del proceso de modelamiento de especies exóticas de la provincia de Barcelona.

El elevado número de especies invasoras en la

provincia de Barcelona y en Cataluña en general se

debe a algunos factores entre los que podemos

destacar el elevado grado de humanización del

paisaje y la bondad del clima mediterráneo, además

del gran porcentaje de intercambio de mercaderías

que se da en los puertos de esta región. Estudios

de características similares han mostrado elevados

picos de riqueza de plantas invasoras en el noreste

de Barcelona, así como en las costas de la

provincia de Tarragona (González-Moreno et al.,

2013; Andreu et al., 2012; Pino et al., 2005).

Figura 6. Especies invasoras con mayor

número de frecuencias en los muestreos.

Análisis estadístico

El test de GLM mostró significancia estadística

para algunas de las variables predictoras escogidas.

La prueba de GLM se realizó con las variables

explicativas que no mostraron correlación entre

ellas, ya que la colinealidad entre variables es un

factor a tener en cuenta puesto que puede añadir

información redundante al algoritmo de

modelización y puede generar resultados de difícil

interpretación por un problema de sobre ayuste del

modelo (Benito y Peñas, 2007).

De esta manera, para el análisis de presencia de

plantas exóticas se usaron las variables que se

muestran en negrillas en la Tabla 2, el análisis

estadístico mostró primero una prueba de chi-

cuadrado de Pearson, donde la altitud, la distancia

a carreteras y el hábitat presentaron significancia

estadística.

El análisis presentó tablas secundarias donde se

muestraron los coeficientes de las variables que

presentaron significación. Así, las variables altitud

(z = 5.036; p < 0.0001), distancia a carreteras (z =

-2.060; p < 0.039383) y los tipos hábitat de bosque

caducifolio, coníferas, matorral y rocas presentaron

significación estadística y fueron usadas para la

construcción del modelo.

En la Tabla 2 se presenta un detalle de los valores

obtenidos para cada variable. En muchos casos los

modelos generados por GLM explican claramente

una alta proporción de la variancia. Esto se debe al

hecho de que los GLM, a través de una selección

gradual de predictores, permiten que se alcanse una

mayor precisión a la hora de predecir un nicho

ecológico especifico para una especie (Benito y

Peñas, 2007; Guisan et al., 1999).

La capacidad predictiva de los GLM en el

modelamiento de distribución geográfica de

especies, puede verse afectada cuando existe poca

frecuencia de una especie, entre el número total de

sitios de muestra (Guisan et al., 1999).

La alta correlación asociada a la variable de altitud

debe estar relacionada principalmente con las

características climatológicas de la costa

mediterránea. Las regiones altitudinalmente bajas

son más propicias para el crecimiento de plantas,

además de que existe una mayor influencia

antropogénica, que se ha comprobado, que es la

mayor causante de la dispersión de especies de

plantas exóticas. (Gassó et al., 2011, 2012;

González-Moreno et al., 2013).

El análisis de riqueza de especies exóticas mostró

similares características de significación estadística

en las variables analizadas. La única diferencia de

este análisis fue la significación de la variable

hábitat antrópico (z = 2.071; p < 0.05). El resto de

variables que presentaron significancia estadística,

fueron iguales que para el modelo de presencia de

especies exóticas, es decir, las variables altitud,

distancia a carreteras, hábitat bosque caducifolio,

bosque de coníferas, matorral y rocas son

predictores significativos del modelo.

En la Tabla 3 se muestra un detalle de resultados

obtenidos por el análisis.

Los modelos obtenidos presentaron índices AIC

de 369.15 para el modelo de presencia de exóticas

y de 1189.9 para el modelo de riqueza. Es

importante aclarar que el estudio mostró como

resultado del análisis muchos modelos, tomando

en cuenta el índice AIC se escogió el modelo que

más ajuste presentaba a los datos, en este caso

fueron los índices AIC más bajos.


9

El indice más bajo de AIC indica un mayor ajuste

del modelo a los datos y a la complejidad del

modelo (Cayuela, 2010).

Tabla 2. Resumen estadístico del modelo de presencia de plantas exóticas en la provincia de

Barcelona.

Niveles de significación : 0 '***' 0.001 '**' 0.01 '*' 0.05

Tabla 3. Resumen estadístico del modelo de riqueza de plantas exóticas en la provincia de

Barcelona.

Variable Estimación Error Est. Valor z Pr(>│z │) Significación

Intercepto 0.8878082 0.1231423 7.210 5.61e-13 ***

Altitud -0.0021121 0.0002525 -8.363 < 2e-16 ***

Dist_carreteras -0.0002359 0.0001135 -2.079 0.03761 * HÁBITAT/MARISMAS -0.2438742 0.1764517 -1.382 0.16694

HÁBITAT/AMBIENTES LITORALES

-0.1533133 0.1905523 -0.805 0.42107

HÁBITAT/ANTRÓPICO 0.2803080 0.1353593 2.071 0.03837 *

HÁBITAT/BOSQUE CADUCIFOLIO

-2.3589236 0.5139026 -4.590 4.43e-06 ***

HÁBITAT/BOSQUE DE RIBERA

0.2188204 0.1469744 1.489 0.13653

HÁBITAT/CONÍFERAS -2.0984082 0.3922765 -5.349 8.83e-08 ***

HÁBITAT/MATORRAL -2.6223062 0.4236864 -6.189 6.04e-10 ***

HÁBITAT/PRADERA -0.2754931 0.3060707 -0.900 0.36807

HÁBITAT/ROCA -2.9545432 1.0110578 -2.922 0.00348 **

Niveles de significación : 0 '***' 0.001 '**' 0.01 '*' 0.05

Construcción del modelo

Para la construcción del modelo se usó la

calculadora raster de MiraMon (Pons, 2004) con

los datos resultantes del análisis estadístico y las

capas raster de las variables que presentaron

influencia significativa en el modelo.

En el modelo de presencia se puede inferir que,

cuanto menor sea la presencia de rocas, matorrales,

coníferas y bosques caducifolios, y cuanto menor

sea la distancia a carreteras y menor sea la

elevación, mayor número de especies exóticas se

podrán encontrar en la provincia de Barcelona.

Este resultado destaca la importancia que tienen

los tipos de hábitats para la presencia de especies

exóticas, influenciando el establecimiento de

especies de plantas exóticas en estos tipos de

hábitat.

Muchos estudios han señalado que las

características relacionadas con el éxito de invasión

de especies exóticas son hábitat dependiente. De

esta manera las características de un hábitat en

particular, permitiría el establecimiento de especies

exóticas. Dado que este estudio no se adentra

mucho en las características específicas de las

especies invasoras, no podemos distinguir cuales

Variable Estimación Error Est. Valor z Pr(>│z │) Significación

Intercepto 1.6378663 0.6027831 2.717 0.006584 **

URB500 0.3111499 0.8888722 0.350 0.726301

AGR500 -0.2967120 0.7042809 -0.421 0.673538

Altitud -0.0034238 0.0006799 5.036 4.76e-07 ***

Dist_Epic 0.0001676 0.0001251 1.340 0.180380

Dist_carreteras -0.0006305 0.0003061 -2.060 0.039383 *

HABITAT/MARISMAS -0.8505677 0.4936068 -1.723 0.084858

HÁBITAT/AMBIENTES LITORALES

-0.7565967 0.6064952 -1.247 0.212218

HÁBITAT/ANTRÓPICO 0.4237576 0.5145078 0.824 0.410157

HÁBITAT/BOSQUE CADUCIFOLIO

-2.8203960 0.8279342 -3.407 0.000658 ***

HÁBITAT/BOSQUE DE RIBERA

-0.1936345 0.4407564 -0.439 0.660427

HÁBITAT/CONÍFERAS -2.7824995 0.7188918 -3.871 0.000109 ***

HÁBITAT/MATORRAL -3.5995918 0.8108796 -4.439 9.03e-06 ***

HÁBITAT/PRADERA -0.6844621 0.7258149 -0.943 0.345668

HÁBITAT/ROCA -2.4722111 1.0776140 -2.294 0.021782 *


10

son los factores que potenciarían o no la presencia

de exóticas en un tipo de hábitat especifico. En el

caso de las variables altitud y distancia a carreteras,

a menor altitud mayor cantidad de especies y la

distancia a carreteras de igual forma, la cercanía a la

carretera es un factor importante a la hora de

evaluar la dispersión de semillas por componentes

antropogénicos (Bartolomeus et al., 2012;

González-Moreno et al., 2012; Pino et al., 2005).

En el modelo de riqueza se puede inferir que

mientras menor sea la presencia de rocas,

matorrales, coníferas y bosques caducifolios y

cuanto mayor sea la presencia de zonas antrópicas

y menor la distancia a carreteras y menor

elevación, mayor será la riqueza de exóticas a la

provincia de Barcelona.

Algunos estudios han demostrado que se necesitan

alrededor de 150 años para que una especie neófita

alcance su rango máximo de distribución en un

país europeo (Gassó et al., 2012). Esta inferencia

puede tener efecto en presencia de exóticas

neófitas en los tipos de hábitat que mostraron

significancia estadística.

En el modelo de riqueza, se encontró una

correlación positiva con el hábitat antrópico,

donde muchas plantas exóticas se usan como

plantas ornamentales en parques y jardines, en este

modelo las variables de elevación y distancia a

carreteras fueron influyentes en el modelo, donde

por razones climáticas existe una mayor capacidad

de adaptación de cualquier tipo de planta a bajas

alturas y la distancia a carreteras por la fácil

dispersión de semillas que se da por este

medio(Gassó et al., 2011, 2012; González-Moreno

et al., 2013).

Validación del modelo

La prueba del error cuadrático medio mostró un

valor del RMSE para el modelo de riqueza de 1.05

y para el modelo de presencia de 0.27. El error

cuadrático es cercano a cero, lo que significa que

los valores observados en sucesivas muestras están

muy concentrados en torno a los valores

estimados, por lo tanto tienen poca variabilidad.

Sin embargo, los valores observados de presencia y

riqueza son bajos, lo que hace los modelos no sean

suficientemente fiables (Borrough y McDonnell,

1998; Jones y Vaughan, 2010).

Construcción de los modelos de residuos

De los dos métodos de interpolación empleados se

usó el del inverso de la distancia, debido a que este

presento los errores más bajos y menos artefactos.

El modelo de residuos escogido para la

construcción de los modelos finales fue el del

inverso de la distancia usando un factor de 1. El

raster generado de esta interpolación presentaba

menos artefactos producto de la interpolación y

menor RMSE que el resto de modelos generados.

El método del inverso de la distancia, determina

los valores de cada celda del raster a través de una

combinación ponderada linealmente de un

conjunto de puntos de muestra. Este método de

interpolación presupone, que la variable que se

representa cartográficamente disminuye su

influencia a mayor distancia desde su ubicación de

muestra (Borrough y McDonnell, 1998).

Construcción de los modelos finales

El modelo de riqueza muestra claramente una

mayor predominancia de exóticas en las zonas

costeras de la provincia, y en los centros poblados

como Barcelona, Badalona, las orillas del río

Llobregat y parte de la comarca de Maresme, la

fuerte asociación a este tipo de ambientes esta

evidentemente influenciada por las características

totográficas de la costa mediterránea, optimas para

el crecimiento de especies, además de ser un lugar

muy antropogenizado y con muchos centros

poblados a su alrededor, principales factores

involucrados en el establecimiento de especies

exóticas (Figura 8) (Pino et al., 2005; González-

Moreno et al., 2012; Gassó et al., 2011) . El

modelo de presencia de especies exóticas muestra

características similares al modelo de riqueza con la

diferencia que, es más marcada la presencia de

exóticas en diversos sectores de la provincia, los

sectores cercanos a la costa son los más distintivos

en términos de presencia, pero también los son las

grandes ciudades como Sabadell, Manresa y Vic.

En este modelo se puede notar también una clara

asociación de la presencia de especies exóticas a las

carreteras, uno de los medios de dispersión más

fuertes de este tipo de exóticas, debido

esencialmente al alto grado de influencia

antropogénica Figura 7.

Validación de los modelos Finales

El modelo de riqueza de especies exóticas mostró

un RMSE para los puntos del modelo de 0.78 y

1.15 para los puntos de test y el modelo de

presencia de especies exóticas mostró un RMSE


11

para los puntos del modelo de 0.38 y 0.39 para los

puntos de test.

Si bien la adición de los modelos de residuos no

ayudaron a que el RMSE bajara, esto puede

deberse a la heterogeneidad de las invasiones de

exóticas en la provincia, además de que en

principio la bondad de los modelos iniciales no es

muy baja.

5. CONCLUSIONES

Mediante este estudio se logró modelar la

presencia y riqueza de plantas exóticas neófitas

para la provincia de Barcelona a una escala de 10m

de tamaño de pixel.

La utilización de los GLM, ha mostrado ser una de

las mejores técnicas para predecir la distribución de

especies cuando las muestras presentan

distribuciones no normales de los errores.

La composición del paisaje fue el factor

determinante para modelar la presencia y riqueza

de plantas exóticas en la provincia de Barcelona.

Las áreas de bosque caducifolio, bosque de

coníferas y matorrales cercana a carreteras y

centros poblados son altamente vulnerables a

invasiones de plantas.

El método de interpolación del inverso de la

distancia mostró ser el más fuerte para la

modelización de los residuos del modelo, por que

fue el que presentó errores más bajos y menor

cantidad de artefactos.

Las variables topográficas fueron importantes

predictores de los modelos de presencia y riqueza

de plantas exóticas en la provincia de Barcelona.

Otro factor que estaría influenciando la bondad del

los modelos generados son las transformaciones

logaritmicas empleadas para corregir los modelos

de presencia y riqueza.

La interpolación de los residuos no mejoró el

modelo, al contrario hizo que el RMSE

incremente, esto puede deberse a la

heterogeneidad de las invasiones.

Este estudio al igual que muchos otros realizados

en similares áreas de estudio, muestran que la

riqueza de especies neófitas está asociada a las

características topográficas y de tipo de hábitat.

Nuestros resultados refuerzan esta asociación.

La bondad de ajuste del modelo no es

especialmente alta 0.39 para el modelo de

presencia y 1.15 para el modelo de riqueza, esto se

debe probablemente a los modelos de error

utilizados, Binomial para el modelo de presencia y

Poisson para el modelo de riqueza

AGRADECIMIENTOS

Por el tiempo y la predisposición a colaborar con

la realización de este proyecto quiero agradecer al

grupo de análisis del paisaje del CREAF (Centro

de investigación Ecológica y Aplicaciones

Forestales), especialmente al Joan Pino subdirector

del CREAF y gestor de este proyecto, además a

Corina Basnou y Guillem Bagaria por su ayuda en

los pasos confusos del proyecto. Al gobierno de la

República del Ecuador por la beca otorgada para la

realización del Máster en Teledetección y Sistemas

de Información Geográfica.

Figura 7. Modelo de presencia de plantas exóticas en la provincia de Barcelona.


13

Figura 8. Modelo de riqueza de plantas exóticas en la provincia de Barcelona.

BIBLIOGRAFÍA

ANDREU, J. VILA, M. PINO, J. 2006.

Análisi preliminar de la percepció i la gestió de les invasions

vegetales en els espais naturals protegits de Catalunya.

Boletin Instituto Catalan de Historia Natural 74: 145-

164.

ANDREU, J. PINO, J. BASNOU, C.

GUARDIOLA, M. ORDOÑEZ, J. 2012.

Les espécies exótiques de Catalunya. Resum del proyecte

EXOCAT 2012. Generalitat de Catalunya.

Departament d' Agricultura, Ramaderia, Pesca,

Alimentació i Medi Natural.

ARGUELLES, L. GARCÍA, A. ORUETA, J.

ZILLETTI, B. 2006.

Especies exóticas invasoras: Diagnóstico y Bases para la

prevención y el manejo. Ministerio de Medio Ambiente.

Dirección General para la Biodiversidad. Madrid.

BARTOLOMEUS, I. SOL, D. PINO, J.

VICENTE, P. FONT, X. 2010.

Deconstructing the native-exotic richness relatioship in

plants. Global Ecology and Biogoagrphy 21: 524-533.

BENITO DE PANDO, B. PEÑAS DE GILES, J.

2007.

Aplicación de modelos de distribución de especies a la

conservación de la biodiversidad en el sureste de la península

Ibérica. Geo Focus (Artículos) 7: 100-119.

BORROUGH, P. MCDONNELL, R. 1998.

Principies of geographical information systems. Oxford

University Press Inc., New York.

CAYUELA, L. 2010.

Los modelos lineales generalizados. Ecolab. Centro

Andaluz de Medio Ambiente. Granada.

CHUVIECO E. 2010.

Teledección Ambiental. Editorial Planeta, S.A. Barcelona.

CHYTRY, M. PYSEK, P. WIDL, J. PINO, J.

MASKELL, L. VILA, M. 2009.

European map of alien plant invasions based on the

quantitative assessment across habitats. Diversity and

Distributions, 15: 98-107.

CHYTRY, M. WIDL, J. PYSEK, P. JAROSIK, V.

DENDONCKER, N. REGINSTER, I. PINO, J.

MASKELL, L. VILÁ, M. PERGL, J. KUHN, I.

SPANGENBERG, J. SETTELE, J. 2012.

Proyecting trends in plant invasions in Europe under

different scenarios of future land-use change. Global Ecology

and Biogeography 21: 75-87.

FRANKLIN, J. 2009.

Mapping species distributions: spatial inference and

prediction. Cambridge University Press, Cambridge, Uk.

FUNK, V.A. RICHARDSON, K.S 2002.

Systematic data in biodiversity studies: Use it or lose it.

Systematic Biology, 51(2): 303-316.

GASSÓ, N. PINO, J. FONT, X. VILA, M. 2012.

Regional context affects native and alien plant species

richness across habitat types. Applied Vegetation Science

15 (1): 4-13.

GASSÓ, N. THUILLER, W. PINO, J. VILÁ, M.

2012.

Potencial distribution range of invasive plant species in

Spain. NeoBiota 12: 25-40.

GASSÓ, N. SOL, D. PINO, J. DANA, E.

LLORET, F. SANZ-ELORZA, M. SOBRINO, E.

VILÁ, M. 2009.

Exploring species attributes and site characteristics to assess

plant invasions in Spain. Diversity and Distributions 15:

50-58.

GONZALES-MORENO, P. PINO, J.

CARRERAS, D. BASNOU, C. FERNÁNDEZ-

REBOLLAR, I. VILÁ, M. 2013.

Quantifying the landscape influence on plant invasions in

Mediterranean coastal habitats. Landscape Ecology 28 (5):

891-903.


15

GONZALES-MORENO, P. PINO, J. GASSÓ,

N. VILÁ, M. 2012.

Landscape context modulates alien plant invasion in

Mediterranean forest edges.

GRAHAM, C. FERRIER, S. HUETTMAN, F.

MORITZ, C. PETERSON,A. 2004.

New developments in museum-based informatics and

applications in biodiversity analysis. Trends in Ecology &

Evolution 19(9): 497-503.

GUISAN, A. WEISS, S. WEISS, A. 1999.

GML versus CCA spatial modeling of plants species

distribution. Plant Ecology 143: 107-122.

JIMENES-VALVERDE, A. LIRA-NORIEGA,

A. PETERSON, A. SOBERÓN, J. 2011.

Marshalling existing biodiversity data to evaluate

biodiversity status and trends in planning exercises.

Ecological Research, 25: 947-957.

JONES, H. VAUGHAN, R. 2010.

Remote sensing of vegetation (Principies, techniques and

aplications). Oxford University Press Inc., New York.

MARCER, A. PINO, J. PONS, X. BROTONS, L.

2012.

Modelling invasive alien species distributions from digital

biodiversity atlases. Model upscaling as a means of

reconciling data at differents scales. Diversity and

Distributions, 18: 1177-11.

MINISTERIO DE MEDIO AMBIENTE,

MEDIO RURAL Y MARINO. 2011.

Plan de control y eliminación de especies vegetales invasoras

de sistemas dunares. Dirección general de Sostenibilidad de

la costa y del mar. Ref 28/5101.

NEWBOLD, T. 2010.

Applications and limitations of museum data for

conservation and ecology, with particular attention to species

distribution models. Progress in Physical Geography

34(1):3-22.

NIAMIR, A. SKIDMORE, A. TOXOPEUS, A.

2011.

Finessing atlas data for species distribution models.

Diversity and Distributions, 14(2): 307-317.

NIELSEN, C. HARTVIG, P. KOLLMANN, J.

2008.

Predicting the distribution of the invasive alien Heracleum

mantegazzianum at two different spatial scales. Diversity

and Distributions, 14(2): 307-317.

NINYEROLA, M., PONS, X., ROURE, J.M.,

2000.

A methodological approach of climatological modelling of air

temperature and precipitation through GIS techniques.

International Journal of Climatology 20, 1823–1841.

PETERSON, A. KNAPP, S. GURALNICK, R.

SOBERÓN, J. HOLDEL, M. 2010.

The big questions for biodiversity informatics. Systematics

and Biodiversity 8(2): 159-168.

PINO, J. FONT, X. CARBÓ, J. JOVÉ, M.

PALLARÉS, L. 2005.

Large-Scale correlates of alien plant invasion in Catalonia

(NE of Spain). Biological Conservation 122: 339-350.

PONS, X. 2004.

MiraMon. Sistema de Información Geográfica y software de

Teledetección. Centre de Recerca Ecològica i Aplicacions

Forestals, CREAF. Bellaterra, España.

RICHARDSON, D. WHITTAKER, R. 2010.

Conservation biogeography - foundations, concepts and

challenges. Diversity and Distributions, 16(3): 313-320.

ROBERTSON, D. CUMMING, G. ERASMUS,

B. 2010.

Getting the most out of atlas data. Diversity and

Distributions 16(3): 363-375.

STOHLGREN, T. PYSEK, P. KARTESZ, J.

NISHINO, M. PAUCHARD, A. WINTER, M.

PINO, J. RICHARDSON, D. WILSON, J.

MURRAY, B. PHILLIPS, M. MING-YANG, L.

CELESTI-GRAPOW, L. FONT, X. 2011.

Widespread plant species: natives versus aliens in our

changing word. Biological Invasions 13: 1631-1944.


16

SUAREZ, A. TSUTSUI, N. 2004.

The value of museum collections for research and society.

BioScience, 54(1): 66-74.

VILA, M. VALLADARES, F. TRAVESET, A.

SANTAMARÍA, L. CASTRO, P. 2008.

Invasiones biológicas. Colección Divulgación. Madrid.

Anexos

RMSE de los mapas de residuos de los modelos de presencia de especies exóticas. IDW

SPLINES

Tensión RMSE

10 9726,9154

30 8,447983186 40 0,85754759 50 0,63187357 60 0,61771037 70 0,61060725 100 0,61040558 150 0,61005769 RMSE de los mapas de residuos de los modelos de riqueza de especies exóticas. IDW

Factor RMSE

1 0,00725494 1.5 0,00763461 2 2.5 9,80511E-05 3 2,5662E-05 3.5 7,15131E-06 4 2,09127E-06 SPLINES

Tensión RMSE

10 11332,7642 30 23,059861 40 1,84271285 50 0,18973183 60 0,05607771 70 0,03529321 100 0,01650301 150 0,01330086

Factor RMSE

1 0,60800198 1.5 0,60819762

2 0,60856498 2.5 0,60898715 3 0,60899904 3.5 0,60900195

4 0,60900273

MODELIZACIÓN DEL RIESGO DE INVASIÓN POR...

Documents

Transcript of MODELIZACIÓN DEL RIESGO DE INVASIÓN POR...