Distribuição e riqueza de espécies arbóreas no Estado de Santa Catarina:

modelos atuais e futuros

Ernestino Guarino (Embrapa Acre)Fernando S. Rocha (UFRGS)

João André Jarenkow (UFRGS) +Equipe do laboratório de fitoecologia da UFRGS

Apresentação dividida em duas partes

Teórica Prática

Objetivo do projeto

Um pouco da teoria envolvida por trás

dos métodos propostos

Exemplo com3 espécies

Mas o que são modelos de distribuição de espécies?

De forma simples, MDE é uma forma de extrapolar dados de ocorrência (0/1)no espaço e no tempo (Franklin 2009)

Mas o que são modelos de distribuição de espécies?

Qualquer modelo estatístico ou conjunto de regras utilizado para descrever a relação empírica entre a ocorrência de uma espécie e um conjunto de variáveis

ambientais (Elith & Leathwick 2009, Franklin 2009)

Mas o que são modelos de distribuição de espécies?

Estes modelos tem como base a teoria do nicho hipervolumétrico de Hutchinson (1957) e representam quais os fatores controlam a distribuição das espécies na

ausência de interações bióticas (nicho fundamental, Franklin 2009)

Por que modelar a distribuição das espécies?

- Biogeografia;

- Design de reservas e planejamento de ações de conservação;

- Definição de áreas para reintrodução ou translocação deespécies;

- Planejamento de expedições de coletas de germoplasma;

- Risco de invasão de espécies;

- Efeito de mudanças ambientais (uso do solo, do clima);

http://en.wikipedia.org/wiki/File:Global_Temperature_Anomaly_1880-2010_%28Fig.A%29.gif

http://en.wikipedia.org/wiki/File:Global_Warming_Predictions_Map.jpg

Além das mudanças climáticas, existe um outro fator importante a ser observado: mudanças no uso do solo geradas pelas alterações propostas

pelo novo código florestal

Objetivos gerais da proposta

Modelar a distribuição e a riqueza de espéciesarbóreas e arborescentes no estado de SantaCatarina e predizer, para diferentes cenários legais eambientais futuros, quais os impactos na distribuiçãoe riqueza das espécies, indicando quaispotencialmente aumentarão a ocorrência e quais adiminuirão, bem como quais zonas do Estado serãomais sensíveis a possíveis diminuições na riqueza.

Objetivos específicos da proposta

(i) fundamentar a formulação da política florestal do estado;

(ii) fornecer informações para o zoneamento econômico-ecológico para a atividade florestal no estado;

(iii) gerar informações para a atualização da lista das espécies vegetais ameaçadas de extinção e

(iv) subsidiar a identificação e definição de áreas prioritárias para a conservação de ecossistemas e a recuperação de ecossistemas degradados.

Metas

Meta 1: Vincular a produção oriunda deste projeto ao ensino de graduação e pós-graduação, inserindo ao longo do trabalho alunos de iniciação científica, mestrado e doutorado. (João André Jarenkow).

1 aluno de pós graduação envolvido (Márcio Verdi - PPG Botânica da UFRGS)

Metas

Meta 2: Fornecer publicações científicas que permitam aos gestores estaduais obter subsídios para a definição e o estabelecimento de políticas públicas para a conservação e o manejo da flora catarinense. (toda a equipe)

Modelamos a distribuição de três espécies:

Araucaria angustifolia

Dicksonia sellowiana

Ocotea porosa

Exemplos com os dados do IFFSC

Unidades amostrais implantas no IFFSC (Vibrans et al. 2010)

Métodos

- 19 variáveis bioclimáticas geradas por interpolação de dados de climáticos mensais

-wolrdclim global climate data, www.worldclim.org

- 0.93 x 0.93 km2 = 0.86 km2 resolução espacial (i.e., resolução máxima 18.6 x 18.6 km = 344 km2)

Localização das estações climáticas (http://www.worldclim.org/methods)

BIO1 = Annual Mean TemperatureBIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp))BIO3 = Isothermality (BIO2/BIO7)BIO4 = Temperature Seasonality (standard deviation *100)BIO5 = Max Temperature of Warmest MonthBIO6 = Min Temperature of Coldest MonthBIO7 = Temperature Annual RangeBIO8 = Mean Temperature of Wettest QuarterBIO9 = Mean Temperature of Driest QuarterBIO10 = Mean Temperature of Warmest QuarterBIO11 = Mean Temperature of Coldest QuarterBIO12 = Annual PrecipitationBIO13 = Precipitation of Wettest MonthBIO14 = Precipitation of Driest MonthBIO15 = Precipitation Seasonality (Coefficient of Variation)BIO16 = Precipitation of Wettest QuarterBIO17 = Precipitation of Driest QuarterBIO18 = Precipitation of Warmest QuarterBIO19 = Precipitation of Coldest Quarter

Programas utilizados

Quantum GIS + GRASS (www.qgis.org) R (www.r-project.org)

Atenção: Com exceção do Windows , todos os programas utilizados na execução do trabalho são livres, isso significa uma redução de gastos na execução e a não utilização de programas “piratas”.

Métodos

- Foi ajustado um modelo (GLM) para cada espécie, sendo que as variáveis preditoras mais significativas foram selecionada por meio do AIC (Akaike Information Criterion) baseado em um processo de escolha stepwise (ambas as direções);

- Para evitar multicolinearidade variáveis ambientais com correlação de Pearson (r) ≥ 0.8 foram retiradas da análise

BIO1 = Annual Mean TemperatureBIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp))

BIO4 = Temperature Seasonality (standard deviation *100)

BIO8 = Mean Temperature of Wettest QuarterBIO9 = Mean Temperature of Driest Quarter

BIO12 = Annual PrecipitationBIO13 = Precipitation of Wettest MonthBIO14 = Precipitation of Driest MonthBIO15 = Precipitation Seasonality (Coefficient of Variation)

Métodos

Validação: cross-validation, dividindo o conjunto de dados em dois: treino e teste .

Esta divisão foi realizada utilizando o método k-fold. Neste método o conjunto de dados é particionado aleatoriamente em ksubamostras, onde as k-1 subamostras são retidas para criar modelos de treino enquanto uma subamostra de tamanho k é retida para posteriormente testar os modelos, sendo este processo é repetido k vezes. Neste trabalho utilizamos k = 10.

k subgrupos (folds, k=10)

Todas as parcelas(1000)

Conjunto de teste (k, n=100)

Conjunto treino(k-1, n=900)

Modelo ajustado(treino)

Parâmetros de avaliaçãodo conjunto treino

Parâmetros de avaliaçãodo conjunto teste Procedimento é repetido

10x

média ± DP

média ± DP

k subgrupos (folds, k=10)

Todas as parcelas(1000)

Métodos

A partir desse conjunto de teste e de treino nos calculamosos seguintes parâmetros de avaliação dos modelos:

- AUC (Area under the ROC curve):mede a capacidade do modelo discriminar presenças eausências, seu valor varia de 0 – 1. Modelos com AUC ≥

0.75 são considerados bons (Elith et al. 2006)

Métodos

- Sensibilidade:é a proporção de presenças que são corretamentepreditas. É posteriormente utilizada para calcular o erro deomissão (prever a ausência de umaespécie quando ela está presente) (Franklin 2009).

- Especificidade:é a proporção de ausências observadas que são preditascorretamente. É posteriormente utilizada para calcular oerro de comissão (predizer apresença de uma espécie quando ela não está presente)(Franklin 2009).

Matriz de confusão

Predita

Observada

+ -

+ a b

- c d

a = Positivo verdadeirob = Falso positivoc = Falso negativo

d = Verdadeiro negativo

Predita

Observada

+ -

+ a b

- c d

a(a+c )

Sensibilidade = d

(d+b )Especificidade =

Predita

Observada

+ -

+ a b

- c d

Métodos

- TSS (True Skill Statistic):1-(Sensitividade+Especificidade). Varia entre -1 e +1, sendo que zero, ou menos, indica baixa concordância entre dados observados epreditos (modelos não melhores do que o acaso), enquanto valores próximos a +1 indicam alta concordância (Allouche et al. 2006).

Araucaria angustifoliaminimum: 0.37maximum: 0.99 AUC training: 0.875 ± 0.006AUC test: 0.855 ± 0.057ST training: 0.851 ± 0.033ST test: 0.855 ± 0.077SP training: 0.815 ± 0.024SP test: 0.813 ±0.065TSS training: 0.565 ± 0.035TSS test: 0.585 ± 0.147

Coefficients:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 11.883334 4.809320 2.471 0.013477 *

bio2_34 0.095157 0.027938 3.406 0.000659 ***

bio4_34 -0.003961 0.001728 -2.292 0.021880 *

bio8_34 -0.040751 0.009630 -4.231 2.32e-05 ***

bio12_34 0.007719 0.005167 1.494 0.135194

bio13_34 -0.109458 0.048498 -2.257 0.024010 *

bio15_34 0.246171 0.147996 1.663 0.096239 .

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 379.09 on 286 degrees of freedom

Residual deviance: 242.02 on 280 degrees of freedom

Pseudo R2: 36.15%

AIC: 256.02

Number of Fisher Scoring iterations: 6

Dicksonia sellowianaminimum: 0.98maximum: 0.99AUC training: 0.843 ± 0.008AUC test: 0.781 ± 0.076ST training: 0.816 ± 0.033ST test: 0.846 ± 0.126SP training: 0.736 ± 0.033SP test: 0.690 ± 0.166TSS training: 0.509 ± 0.024TSS test: 0.6125 ± 0.174

Coefficients:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 0.426614 3.743742 0.114 0.9093

bio1_34 -0.107484 0.013785 -7.797 6.34e-15 ***

bio4_34 0.004979 0.001161 4.289 1.79e-05 ***

bio13_34 0.014834 0.008560 1.733 0.0831 .

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 396.33 on 286 degrees of freedom

Residual deviance: 278.88 on 283 degrees of freedom

Pseudo R2: 29.63%

AIC: 286.88

Number of Fisher Scoring iterations: 5

Ocotea porosaminimum: 0maximum: 0.93 AUC training: 0.904 ± 0.0124AUC test: 0.881 ± 0.099ST training:0.777 ± 0.0316ST test:0.843 ± 0.125SP training: 0.922 ± 0.0146SP test: 0.870 ± 0.151TSS training:0.655 ± 0.045TSS test: 0.711 ± 0.118

Coefficients:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 6.694679 4.322756 1.549 0.12145

bio1_34 -0.119920 0.024624 -4.870 1.12e-06 ***

bio2_34 0.187987 0.028778 6.532 6.48e-11 ***

bio12_34 -0.023852 0.007114 -3.353 0.00080 ***

bio13_34 0.199317 0.065159 3.059 0.00222 **

bio15_34 -0.364078 0.194141 -1.875 0.06075 .

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 262.34 on 286 degrees of freedom

Residual deviance: 159.56 on 281 degrees of freedom

Pseudo R2: 39.18%

AIC: 171.56

Number of Fisher Scoring iterations: 7

Como validar modelos transpostos no tempo?

Conjunto de previsões ou método de consenso

Thuiller et al. 2009 (BIOMOD: a platform for ensemble forecasting of species distributions, Ecography 32: 369-373)

Agradecimentos

Lucia Sevegnani (FURB)Alexander Vibrans (FURB)

André Luís de Gasper (FURB)

Parceiros

Contatos

Ernestino Guarino - esguarino@cpafac.embrapa.brFernando S. Rocha - rocha1403@yahoo.com.br

João André Jarenkow - jarenkow@portoweb.com.br