Conservación de la biodiversidad bajo condiciones de cambio
climático
Julián Ramírez y Andy JarvisCentro Internacional de Agricultura Tropical, CIAT
• Breve sobre el cambio climático• Datos de entrada: biodiversidad• Datos de entrada: clima• Metodo de analisis• Aplicación y evaluacion del método• Cobertura actual de áreas protegidas• Que pasaría en un escenario futuro?• Qué debe hacerse? Cómo mejorar? Adaptar?• Conclusiones
Contenido
Cambio climático: la misma historia… cambios antropogénicos
llevan a cambios atmosféricos
• Crecimiento poblacional• Expansion agricola e
industrial• Tecnologias
ambientalmente no amigables
Aumento de gases de efecto
invernadero
RESULTARON EN
Breve sobre el cambio climatico
• Las temperaturas podrian incrementarse hasta en 6 oC en 2100
• Alta incertidumbre en proyecciones de precipitación
• 2020 limite de corto plazo para adaptación… impactos no muy severos esperados
• 2050 límite crítico para políticas de adaptación y mitigación
• Nichos de muchas especies podrían cambiar, y perder rango geográfico de distribución: plasticidad y resiliencia
Datos de entrada: biodiversidad
• La base de datos contiene 177,887,193 registros
• Registros Plantae son 44,706,505 (25,13%)
• 33,340,000 (74.5%) tienen coordinadas• Cuantas estan correctas y son confiables?• Cuantas nuevas georreferencias podrian
obtenerse?
ESTADO ACTUAL DELOS REGISTROS Plantae
Por que necesitamos datos de alta calidad y confiables?
• Para analizar los patrones de diversidad de especies a traves de diferentes regiones
• Entrenar y evaluar modelos de nicho ecologico
• Evaluar asuntos de conservacion (in-situ, ex-situ)
• Evaluar impactos y amenazas sobre la biodiversidad: degradacion de habitat,, deforestacion y… cambio climatico
• Entre otros…
Datos de entrada: biodiversidad• Como hacer los datos suficientemente
confiables? – Verificar coordenadas a diferentes niveles
• Estan los registros donde dicen estar?• Estan los registros dentro de las areas terrestres
(para especies terrestres solamente)• Estan los registros dentro del nicho ambiental de la
especie? • Registros marinos: no verificable
– Corregir referencias erroneas– Agregar referencias a aquellas que no tienen– Verificar con curadores y retroalimentar la base
de datos
Datos de entrada: biodiversidad
• Cómo hacer esto posible?– Scripts en Java– Datos espaciales: descriptores ambientales,
limites administrativos, limites maritimos de alta resolucion
– Algo de capacidad de procesamiento– Suficiente almacenamiento– Y… lo mas importante: Java geeks!
• Usando una muestra aleatoria de 950mil registros con coordenadas
• Estan los registros donde dicen estar?: verificacion de nivel de pais
Registros ubicados en fronteras nacionales
Imprecisiones encoordenadas
Que puede ser esto?
Records with null country: 58.051 6,11% of total Records with incorrect country: 6.918 0,72% of totalTotal excluded by country 64.969 6,83% of total
• Estan las plantas terrestres en la tierra?: Verificacion costera
Errores y mas errores
Records in the ocean: 9.866 1,03% of total Records near land (range 5km): 34.347 3,61% of totalRecords outside of mask: 369 0,04% of totalTotal excluded by mask 44.582 4.69% of total
No tan mal, despues de todo… estadisticas
• 44’706.505 registros para plantas• 33’340.008 (74,57%) con coordenadas• De estos
– 88.5% estan correctos geograficamente a dos niveles
– 6.8% tienen pais nulo o incorrecto (incl. plantas marinas)
– 4.7% estan cerca de las costas pero no en la tierra
Summary of errors or misrepresented data
TOTAL DE REGISTROS EVALUADOS: 950.000
Good records: 840.449 88.47% of total
Base de datos resultante
Proximos pasos• Solo nos toma 27 minutos para verificar 950,000
registros, 177millones seria 83 horas (3 ½ dias)• Identificar plantas terrestres y separarlas de plantas
marinas (hecho!)• Plantas marinas no verificables• Usar un algoritmo de georreferenciación para (en
proceso):– Corregir georreferencias erradas– Incorporar nuevos datos de locación a lo que no tienen
latitud/longitud NULA• Interpretar limites administrativos de 2do y 3er nivel y
usarlos tambien• Implementar algorirtmo para verificacion ambiental
(hecho)
Datos de entrada: clima
• Linea base: 19 indices bioclimaticos a 20km de resolucion
• Clima futuro usando resultados de modelos de clima global (GCMs)– 18 modelos a 20km de resolucion– Para 2050s– Bajo el escenario A2– 19 indices bioclimaticos igual que para linea
base– Corrida control con promedio de todos los
modelos (preliminar)
Datos de entrada: clima… hay mas datos
– Diferentes periodos de tiempo: 2020, 2050, 2080– Otros escenarios de emision: A2, B2, A1B– Diferentes modelos: 7 a 20 GCMs dependiendo del
escenario y la epoca
http://gisweb.ciat.cgiar.org/GCMPage/home.html
Datos de entrada: clima… y continuamos trabajando
• Corridas de PRECIS para Sur América con diferentes condiciones de frontera– Validación– Pertinencia regional– Calibración
• Resultados del modelo de alta resolución del MRI
El metodo
• Maxima entropia como un algoritmo muy preciso para la modelación de nicho ecológico
• Seleccionar especies con10 or más puntos para cada una de 33,004 especies
• Solo una proyección futura• Dos escenarios de migración extremos
– Migración ilimitada– Migración nula
• Medidas de diversidad y pérdida de área– Por región y globalmente
• Dentro de las áreas protegidas• Total
Metodo de modelación
• Aplicar el algoritmo de maxima entropía– Macoubea guianensis Aubl.: alimentación de comunidades
indígenas en el Amazonas
Cosecha de datos de GBIF Construir el modelo de presencia
Proyectarlo hacia el futuro
NULL MIGRATION
UNLIMITEDMIGRATION
Potential habitatexpansion
NULL MIGRATION UNLIMITED MIGRATION
Estadísticas de validación• Porcentaje de datos de prueba
– Si NS <= 12 entonces TP = 0– Si 12 < NS <= 20 entonces TP = 15%– Si > 20 entonces TP = 20%
• Metricos de evaluación:– Desviación logística [-2*Ln(p)]– Diferencia media de cuadrados (RMSQD)– R-cuadrado (Pearson)– Area bajo la curva ROC (AUC)– Tasas de omision un umbral fijo (70%)
[PENDING]
Validacion –distribucion de muestreo
0
5
10
15
2 0
2 5
3 0
12 18 31 51 77 109
148
194
246
304
386
475
572
678
792
913
1043
1181
1328
1482
1699
1926
2164
2413
2673
2944
3225
3518
3821
4135
4622
5126
5646
6182
6734
7302
7887
8488
9105
9739
1103
812
370
1373
515
131
1656
118
023
1951
721
044
2260
337
000
Number of occurrences in the model
Per
cen
t o
f sp
ecie
s (%
)
ALL SAMPLES
0
5
10
15
2 0
2 5
3 0
3 5
11 17 30 50 76 108
147
193
245
303
385
474
571
677
791
912
1042
1181
1327
1532
1749
1976
2215
2464
2724
2994
3276
3568
3871
4186
4673
5176
5696
6232
6784
7353
7938
8539
9156
1042
311
722
1305
414
419
1581
617
245
1870
720
201
2172
823
288
3700
0
Number of occurrences in the model
Per
cen
t o
f sp
ecie
s (%
)
MUESTRAS DE ENTRENAMIENTO
0
10
2 0
3 0
4 0
5 0
6 0
1 7 20 40 66 98 137
183
235
293
375
464
561
667
781
902
1032
1170
1317
1522
1739
1966
2204
2453
2713
2984
3266
3558
3861
4175
4662
5166
5686
6221
6774
7342
7927
8528
9145
1041
211
711
1304
314
407
1580
417
233
1869
520
189
2171
623
275
3700
0
Number of occurrences in the model
Per
cen
t o
f sp
ecie
s (%
)
MUESTRAS DE PRUEBA
Validacion– desviacion logistica
• Mide la diferencia entre un ajuste logistico perfecto (Ln 1 = 0) y el ajuste del modelo (Ln p)
0
5
10
15
20
25
30
0.00
0.12
0.35
0.70
1.16
1.74
2.44
3.25
4.18
5.23
6.39
7.67
9.06
10.5
812
.20
13.9
415
.80
17.7
819
.87
22.0
824
.40
26.8
429
.40
32.0
734
.86
37.7
640
.78
43.9
247
.18
50.5
454
.03
57.6
361
.35
65.1
969
.14
73.2
077
.39
81.6
886
.10
90.6
395
.28
100.
0410
4.92
109.
9211
5.03
120.
2612
5.60
131.
0713
6.64
1000
.0
Logistic deviation of test data
Per
cen
t o
f sp
ecie
s (%
)
P LogDev Performance0.1 4.61 Very poor model performance0.2 3.22 Poor model performance0.3 2.41 Poor model performance0.4 1.83 Marginal model performance0.5 1.39 Marginal model performance0.6 1.02 Good model performance0.7 0.71 Good model performance0.8 0.45 Very good model performance0.9 0.21 Very good model performance1.0 0.00 Perfect model performance
Validacion – RMSQD
• Mide la distancia lineal (Euclidean distance) entre la prediccion y un ajuste perfecto (P = 1)
0
1
2
3
4
5
6
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.23
0.25
0.27
0.29
0.31
0.33
0.35
0.37
0.39
0.41
0.43
0.45
0.47
0.49
0.51
0.53
0.55
0.57
0.59
0.61
0.63
0.65
0.67
0.69
0.71
0.73
0.76
0.78
0.80
0.82
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.98
1.00
Root Mean Square Difference [RMSQD] of test data
Per
cen
t o
f sp
ecie
s (%
)
Validacion– Coeficiente de determinacion (R2)
• Mide el ajuste del modelo a los datos de prueba (presencias, P=1) y pseudo-ausencias (P=0.5)
0
2
4
6
8
10
12
14
16
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.48
0.50
0.52
0.55
0.57
0.59
0.61
0.63
0.65
0.67
0.69
0.71
0.73
0.75
0.77
0.79
0.81
0.83
0.85
0.87
0.89
0.91
0.93
0.95
0.97
0.99
Determination Coefficient [R2]
Per
cen
t o
f sp
ecie
s (%
)
Validacion – Area bajo la curva ROC
• Mide la capacidad del modelo para discriminar areas aptas y no aptas
0
5
10
15
2 0
2 5
0.85
770.
8700
0.88
000.
8900
0.90
000.
9050
0.91
000.
9150
0.92
000.
9250
0.93
000.
9350
0.94
000.
9450
0.95
000.
9550
0.96
000.
9650
0.97
000.
9750
0.98
000.
9850
0.99
000.
9910
0.99
200.
9930
0.99
400.
9950
0.99
550.
9960
0.99
650.
9970
0.99
720.
9974
0.99
760.
9978
0.99
800.
9982
0.99
840.
9986
0.99
880.
9990
0.99
910.
9992
0.99
930.
9994
0.99
950.
9996
0.99
971.
0000
Area under the ROC curve
Per
cen
t o
f sp
ecie
s (%
)
For 90% of the species, the AUC was above 0.99
Sumario: evaluacion
• Todos los calculos son estadisticamente significativos– Correlaciones muy fueres para (R2>0.75) 973 especies
(1.7%)– Correlaciones fuertes (0.5 < R2 < 0.75) para 2,782 especies
(4.9%)– Correlaciones medias (0.3 < R2 < 0.5) para 7,005
especies(12.3%)– Correlaciones debiles (0.15 < R2 < 0.3) para 12,985 especies
(22.7%)– R2<0.15 para 22,637 especies(39.6%)
• 50% de las especies mostro menos que 30% de diferencia lineal• 70% de las especies mostro 60% o mas de ajuste logistico• 90% de las especies mostraron AUC arriba de 0.99
Cobertura actual de areas protegidas
• Existen 84,488 areas protegidas • Cubren 13.8% de la superficie global (10%
nacional, 3.8% internacional)
Cobertura actual de areas protegidas
• En el Amazonas hay 882 areas protegidas
• Cubren 35.2% del area• En Colombia hay 277
areas protegidas– Cuantas funcionan bien?– Cuantas requieren
atención urgente?
Cobertura de areas protegidas por region (linea base)
0
1000
2000
3000
4000
5000
6000
0 1000 2000 3000 4000 5000
Maximum hotspot overall
Ma
xim
um
ho
tsp
ot
wit
hin
PA
s Complete representativeness
Average representativeness
UK
World
Mexico
US
South AfricaNorth Africa
Middle eastSaudi Arabia
West Africa
Brazil
Cobertura actual de la conservación in situ
La biodiversidad mundial está bien conservada… al menos en el papel
CURRENT
Resultados: Diversidad actual y futura
• Puntos importantes en Latinoamerica, Europa, Australasia y Africa Central
• Desplazamiento y perdida de nichos
MIGRACION NULAMIGRACION ILIMITADA
MIGRACION NULA
Resultados: cambios en riqueza de especie
• Migracion nula: perdidas en todos lados• Migracion ilimitada: esp. desplazamiento
MIGRACION ILIMITADA
Que pasa en cuencas importantes: Amazonas?
• Cambio climatico no discrimina areas protegidas o no protegidas
ACTUAL 2050s %cambio
Resultados: cambios en regiones del mundo
• Cambios en riqueza de especies bajo los dos escenarios de migración
-1000
-800
-600
-400
-200
0
200
400
Ru
ssia
Sa
ud
i Ara
bia
Re
st o
f Ce
ntr
al A
sia
Ind
on
esi
a
Ch
ina
Ca
na
da
Mid
dle
Ea
st
No
rth
Afr
ica
Jap
an
Ind
ia
Re
st o
f So
uth
Asi
a
So
uth
Afr
ica
Re
st o
f Ea
st A
sia
Po
lan
d
Wo
rld
We
st A
fric
a
So
uth
ern
an
d E
ast
Afr
ica
US
Au
stra
lia
Eu
rop
e
So
uth
Ko
rea
Re
st o
f Au
stra
lasi
a
So
uth
Am
eri
ca
Me
xico
Italy
Bra
zil
Ca
rib
be
an
Ge
rma
ny
UK
Ce
ntr
al A
me
rica
Fra
nce
Null migration
Unlimited migration
Resultados: conservacion in situ bajo condiciones de cc
• No importa si se escoge el mejor escenario de ‘adaptacion’ (migracion ilimitada), se esperan negativos en la mayoria de las regiones
-800
-600
-400
-200
0
200
0 20 40 60 80 100 120
Percent of area with loss within PAs [UM]
Ch
an
ge
in s
pe
cie
s r
ich
ne
ss
wit
hin
P
As
[U
M]
Caribbean
Central America
France
Germany
Australia
ItalyMexico
South AmericaEurope West Africa
South KoreaBrazilMiddle EastUS
Results: in situ conservation under the context of CC
• Cambios esperados dentro de areas protegidas (PAs) a veces ocurren en margen mas amplio que en areas no-protegidas
-1000
-800
-600
-400
-200
0
-1000 -800 -600 -400 -200 0
Change in species richness [NM]
Ch
ang
e in
sp
ecie
s ri
chn
ess
wit
hin
Pas
[N
M]
South America
Central America
France
Australasia
Germany
CaribbeanBrazil
US
Globe
-800
-600
-400
-200
0
200
400
-800 -600 -400 -200 0 200 400
Change in species richness [NM]
Ch
ang
e in
sp
ecie
s ri
chn
ess
wit
hin
Pas
[N
M]
France
Central America
Germany Caribbean
South Korea
MIGRACION NULA
MIGRACION ILIMITADA
Our protected areas not prepared to conserve biodiversity in 2050
Results: in situ conservation under the context of CC
• Perdida de cobertura en el sistema de PAs
• Perdida de habitats para muchas especies
-30
-20
-10
0
10
20
30
40
-1000 -800 -600 -400 -200 0
Change in species richness within PAs [NM]
Ch
ang
e in
rep
rese
nta
tivi
ty [
NM
] (%
)
Saudi Arabia
Middle East
Central Asia
North Africa
CentraAmerica France Germany
Caribbean
Mexico
Europe
SouthAmerica
Globe
MIGRACION NULA
-40
-20
0
20
40
60
80
100
120
140
160
-800 -600 -400 -200 0 200
Change in species richness w ithin PAs [UM]
Ch
ang
e in
rep
rese
nta
tivi
ty [
UM
] (%
)Saudi Arabia
Middle East
CentralAmerica
France
Italy
MexicoGermany
Caribbean
Central Asia
China
MIGRACION ILIMITADA
(+)RPT(-)DIV
(-)RPT(-)DIV
(+)RPT(-)DIV
(+)RPT(+)DIV
(+)RPT(-)DIV
(-)RPT(+)DIV
Proximos pasos… rigor cientifico
• Se requiere una aproximacion mas detallada– Resultados individuales por GCM (POR QUE??)– Otros escenarios de emisiones y politicas– Todas las especies de GBIF con correcciones
taxonomicas y geograficas– Otras epocas: 2020s, 2030s, 2040s…– Mas validacion de modelos de nicho ecologico– Migracion intermedia y por tipo de plantas– Medir tasas de extincion dentro de areas protegidas
BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1
T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G
GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES
MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3
BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1
T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G
GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES
MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3
Que debe hacerse? Y cuando?
• Compilar los datos disponibles, evaluar su calidad y mejorar si es posible
• Ningún método es una panacea, todos requieren refinarse
• Evaluar la amenaza por el cambio climático para un contexto específico: Colombia
• Diversidad genética al interior de una especie debe considerarse para estrategias de conservación
• Prioridad sobre especies útiles para agricultura, pero no descartar las especies “inútiles”
• DEFINIR ESTRATEGIA DE CONSERVACION NACIONAL y VERIFICAR QUE FUNCIONA
Conclusiones• Las areas protegidas funcionan con el clima actual… al
menos en el papel• Bajo condiciones futuras, sin embargo, las APs no
conservan la biodiversidad efectivamente, incluso asumiendo migración ilimitada
• Eficiencia en uso de recursos para areas protegidas? Especies amenazadas reconocidas?
• La conservación in situ debe orientarse bajo el contexto de cambio climático– Areas a fortalecer (más control)– Areas a expandir– Areas a ser re-ubicadas (si ocurre migración)
• Agricultura eco-eficiente es clave para equilibrio de agroecosistemas
• Involucrar datos nacionales, incluir fauna… y ecosistemas marinos