SERVIÇO “Cartografia de distribuição das espécies de ... · silvestres: gestÃo sustentÁvel...

SERVIÇO “Cartografia de distribuição das espécies de plantas aromáticas e medicinais selecionadas” no âmbito do projeto “VALORIZAÇÃO DAS PLANTAS AROMÁTICO-MEDICINAIS SILVESTRES: GESTÃO SUSTENTÁVEL DA BIODIVERSIDADE VEGETAL E DESENVOLVIMENTO SOCIOECONÓMICO DAS ZONAS RURAIS DO ESPAÇO SUDOE.”

[PROJETO FINANCIADO PELO FUNDO EUROPEU DE DESENVOLVIMENTO REGIONAL (FEDER), ATRAVÉS DO PROGRAMA DE COOPERAÇÃO TERRITORIAL DO ESPAÇO SUDOESTE EUROPEU (SUDOE)]

Setembro de 2017

Cartografia de distribuição das espécies de plantas aromáticas e medicinais selecionadas

3

Índice de conteúdos

1. INTRODUCCIÓN ................................................................................................................................................. 4

2. METODOLOGÍA .................................................................................................................................................. 5

2.1. Ámbito a analizar ........................................................................................................................................ 5 2.2. Aplicaciones informáticas ........................................................................................................................... 5 2.3. Variables bioclimáticas y ambientales ........................................................................................................ 6 2.4. Especies objeto del servicio ......................................................................................................................... 6 2.5. Modelos de Distribución de Especies a partir de la aplicación MAXENT..................................................... 7 2.5.1. Visión general de la herramienta MAXENT ................................................................................................. 7 2.5.2. Parámetros utilizados con MAXENT para el proyecto .............................................................................. 11 2.6. Procedimiento y reajustes de variables..................................................................................................... 12 2.7. Umbrales de AUC considerados para el proyecto ..................................................................................... 13

3. INCIDENCIAS Y REAJUSTES REALIZADOS ...........................................................................................................15

4. RESULTADOS ....................................................................................................................................................17

4.1. Fase de ensayo .......................................................................................................................................... 17 4.2. Fase definitiva ........................................................................................................................................... 22 4.2.1. Lavandula viridis ....................................................................................................................................... 23 4.2.2. Rosmarinus officinalis ............................................................................................................................... 24 4.2.3. Lavandula stoechas ................................................................................................................................... 25 4.2.4. Thymus zygis ............................................................................................................................................. 26 4.2.5. Cistus ladanifer ......................................................................................................................................... 27 4.2.6. Chiliademus glutinosus ............................................................................................................................. 28 4.2.7. Arnica montana ........................................................................................................................................ 29 4.2.8. Gentiana lutea .......................................................................................................................................... 30 4.2.9. Narcissus poeticus ..................................................................................................................................... 31 4.2.10. Rhodiola rosea...................................................................................................................................... 32

5. BIBLIOGRAFÍA Y ENLACES WEB .........................................................................................................................33

Anexos

Anexo 1. Lista de variáveis ambientais Anexo 2. Resultados gráficos dos modelos de distribuição espacial

Adendas eletrónicas Adenda 1. Resultados gráficos dos modelos de distribuição espacial Adenda 2. Visor cartográfico


4

1. INTRODUÇÃO

Os trabalhos desta assistência técnica inscrevem-se no âmbito do projeto europeu com número de referência SOE1/P5/P0474 e cujo título é «Avaliação das Plantas Aromático-Medicinais silvestres: Gestão sustentável da biodiversidade vegetal e desenvolvimento socioeconómico das zonas rurais do espaço SUDOE». Neste projeto participam, na sua parceria, as seguintes entidades:

Associação para o Estudo e Defesa do Património Natural e Cultural

do Concelho de Mértola (ADPM), Portugal.

Centre Tecnològic Forestal de Catalunya (CTFC), Espanha.

Fundación Espacios Naturales de Andalucía (Andanatura), Espanha.

Conservatoire botanique pyrénéen (CBNPMP), França.

Junta de Andalucía, Consejería de Medio Ambiente y Ordenación del

Territorio (CMAOT) Espanha.

Syndicat mixte Parc natural régional des Pyrénées catalanes (PNR

PC), França.

Centro de Excelência para a Valorização dos Recursos

Mediterrânicos, S.A. (CEVRM), Portugal.

Dentro do projeto inclui-se cronologicamente nas primeiras fases do mesmo, no grupo de trabalhos denominados como «GT N1: CARACTERIZAÇÃO E PLANIFICAÇÃO DAS PAM NAS REGIÕES SUDOE SOCIAIS DO PROJETO».

O objetivo principal da presente assistência é conhecer o modelo de

distribuição potencial de nove espécies de plantas aromáticas e medicinais previamente selecionadas pelos diferentes grupos de trabalho e que foram agrupados em quatro áreas geográficas. As áreas e espécies que foram objeto do

estudo e análise são:

Área geográfica Espécies

Sul de Portugal Lavandula viridis, Rosmarinus officinalis Catalunha Gentiana lutea, Jasonia glutinosa Midi- Pyréneé Gentiana lutea, Rhodiola rosea, Arnica montana,

Narcissus poeticus Andaluzia Thymus zygis, Cistus ladanifer Não obstante, após analisar os primeiros resultados dos modelos de

distribuição potencial, a espécie Rosmarinus officinalis não teve previsões favoráveis no Sul de Portugal para a zona do projeto, pelo que foi incorporada

uma nova espécie que a substitua, concretamente a Lavandula stoechas.


5

2. METODOLOGIA

De seguida, descreve-se a metodologia proposta para o desenvolvimento das diferentes fases do trabalho.

2.1. Âmbito a analisar

Em relação ao âmbito a analisar e uma vez que são três os países implicados (Espanha, Portugal e França), prestou-se particular atenção à distribuição espacial das espécies, de forma a que sejam estas as que

incrementem ou diminuam as áreas a estudar, sem que isso pressuponha ter de utilizar obrigatoriamente regiões administrativas.

De facto, algumas das espécies objeto de estudo deste caderno têm

distribuição em mais de um país e foram selecionadas por mais de um sócio do

projeto.

2.2. Aplicações informáticas

Em relação às aplicações informáticas, irão utilizar-se três programas que

são complementares com a troca de informações.

Em primeiro lugar, irá utilizar-se o Microsoft Excel para a limpeza e conversão de ficheiros de base de dados em formato ascii das referências das espécies que se obtenham da plataforma GBIF (Global Biodiversity Information

Facility).

Por outro lado, irá utilizar-se o Quantum Gis como sistema de informação

geográfica para a captura, manuseamento e edição de informação geográfica das distintas variáveis biofísicas.

Obtidas as referências de espécies e as variáveis ambientais, irá criar-se o Modelo de Distribuição de cada Espécie (SDM), utilizando a aplicação de java

MAXENT v3.3.3 (http://biodiversityinformatics.amnh.org/open_source/maxent/), que implementa o modelo de previsão de máxima entropia para obter a distribuição

potencial das espécies.

Por último, utilizou-se a aplicação Qgis para a criação de visualizadores web que permitam o manuseamento das referências conhecidas e utilizadas no modelo das espécies selecionadas e também as camadas de previsão da

distribuição de cada espécie.

http://biodiversityinformatics.amnh.org/open_source/maxent/


6

2.3. Variáveis bioclimáticas e ambientais

Em relação às variáveis bioclimáticas, irão utilizar-se, pelo menos, as 20 disponíveis na WorldClim - Global Climate Data, uma base de dados climáticos para a modelização ecológica e SIG, que conta com dados relativamente recentes

e uma resolução espacial de 30 segundos de grau (aproximadamente quadrículas de 1 x 1 km2).

Juntamente com estas 20 variáveis, irá ser de especial interesse dispor de

outras variáveis ambientais para uma análise mais exaustiva. O conjunto de

variáveis a partir das quais se tentou obter informação é o indicado no anexo 1 adjunto. Os números destas variáveis foram sempre respeitados ao longo de todo este documento (textos, gráficos, cartografias, etc.), de forma a que, para o leitor,

exista sempre uma referência unívoca entre número e variável.

2.4. Espécies objeto do serviço

As nove espécies que irão fazer parte do projeto são as seguintes:

Lavandula viridis, Rosmarinus officinalis, Gentiana lutea, Chiliademus glutinosus (=Jasonia glutinosa), Rhodiola rosea, Arnica montana, Narcissus poeticus, Thymus zygis e Cistus ladanifer.

Em relação às referências das nove espécies objeto do serviço, estas irão ser

obtidas fundamentalmente através da plataforma GBIF (Global Biodiversity Information Facility). Esta organização intergovernamental conta com a

participação de instituições e organizações nas atividades de informatização e publicação de dados de biodiversidade. Entre as instituições colaboradoras da

máxima fiabilidade, destacam-se inúmeras universidades de todo o mundo, centros experimentais de investigação científica, jardins botânicos, organismos governamentais de estados e regiões responsáveis pela informação ambiental,

entre muitos outros. Não obstante, se alguma das espécies é rara ou escassa na zona, em alguns

casos foram incorporadas novas referências fornecidas pelos sócios deste projeto, que foram acrescentadas à camada de referências de cada espécie.

Prestou-se atenção à qualidade dos dados que foram obtidos a partir da

plataforma, descartando aqueles que não ofereçam resolução suficiente para as

especificações deste trabalho, que devem ser de 1 x 1 km2. Não obstante, quando o número de referências de uma determinada espécie é muito baixo (inferior a 100), então obrigatoriamente é necessário baixar esta exigência e utilizaram-se

todas as referências com uma resolução inferior ou igual a 10 x 10 km2.

A informação de cada uma das espécies selecionadas foi descarregada da base de dados. Esta consistiu numa tabela com um conjunto de atributos relativos à situação e informação geral da espécie. A existência de campos com a

posição exata da presença de cada um dos seus indivíduos permitiu, através de


7

uma ferramenta de Sistemas de Informação Geográfica, gerar uma cobertura

georreferenciada com a posição de cada uma das referências de cada espécie.

2.5. Modelos de Distribuição de Espécies a partir da aplicação MAXENT

A geração de Modelos de Distribuição das Espécies (SDM) foi executada com a aplicação MAXENT, que atualmente é a melhor para obter os SDM

partindo exclusivamente das referências de presença da espécie (Benito, B. et al, 2007; Conabio 2017). Este fator de utilizar referências de presença é incontornável, já que, devido ao tempo e extensão dos dados que se pretendem

incluir, não é possível realizar amostras de ausências de cada espécie no território (o que levaria anos de amostras), pelo que se descartaram outras aplicações que utilizam outros algoritmos de previsão que combinam referências

de presença e ausência.

Por outro lado, a MAXENT oferece resultados que confirmam a fiabilidade das previsões, gerando relatórios/imagens que correlacionam especificidade e sensibilidade, o contributo de cada variável para a distribuição da espécie, a

probabilidade de presença em cada uma das quadrículas de estudo e, por último, o valor AUC (Area Under a Curve) que indica a capacidade de discriminação do

modelo. Tudo isso transforma esta aplicação na mais utilizada em todas as

vertentes do conhecimento científico que inclui desde a distribuição potencial de espécies de fauna e flora até à implantação de culturas.

2.5.1. Visão geral da ferramenta MAXENT

O seu fundamento baseia-se numa análise da entropia máxima. O desenvolvimento do processo de modelização e, portanto, a obtenção de dados

significativos, exigem a utilização de coberturas com o mesmo grau de resolução, sistema de coordenadas idêntico (WGS84) e âmbito de trabalho igual.

Uma vez preparado o programa, procede-se à introdução dos dados. Estes

consistem, por um lado, na inclusão do ficheiro que contenha as localidades de

presença (referências) de uma espécie e, por outro, as variáveis ambientais.

De seguida, executa-se o programa MaxEnt. Com esta metodologia, gerou-se para cada espécie um modelo de previsão da distribuição potencial na atualidade.


8

Janela do programa MaxEnt durante a sua execução

O resultado deste processo informático representa-se através de um conjunto de gráficos e mapas que expõem a informação relacionada com a

extensão e distribuição da probabilidade de presença da espécie, qualidade do ajuste e a contribuição de cada variável ambiental para a dita probabilidade.

No exemplo da imagem superior, utiliza-se um gradiente de cor para indicar a probabilidade de presença da espécie de acordo com as variáveis ambientais. A

cor vermelha representa uma elevada probabilidade de condições adequadas para a espécie, a cor verde indica as condições idóneas dos lugares nos quais existe

presença e, por último, a cor azul indica zonas com uma baixa probabilidade de que exista. Também presente na cor branco e roxa as referências da espécie que o programa utilizou como pontos de teste e pontos provisórios para elaborar o

modelo.


9

Outros dados de interesse obtidos através do procedimento informático são os gráficos que correlacionam Especificidade e Sensibilidade, que permitem

interpretar o grau de fiabilidade da previsão.

A linha vermelha representa o ajuste do modelo aos dados provisórios,

sendo o teste autêntico da capacidade de previsão que os modelos possuem. A linha azul faz referência aos dados de teste de prova, enquanto a linha preta representa um ajuste teórico de uma distribuição ao acaso. Quanto mais afastada

e por cima esteja a linha vermelha/azul da preta, melhor é o modelo para prever a presença contida nas amostras. Abaixo da linha preta, o modelo não se ajustaria à realidade e, portanto, a previsão seria errónea.

Outro resultado de interesse é a análise de contributo de variáveis, que

mede o grau de implicação das variáveis ambientais no modelo, pelo que se pode conhecer quais delas contribuem em maior proporção para a previsão, de forma individualizada (Contributo) e em conjunto com as outras variáveis (Contributo

global). Um exemplo tipo poderia ser o da seguinte tabela:

Variáveis Contributo

(%)

Contributo global

(%)

bio_6_anda 31.1 5.2

series_anda 15.9 18.9

bio_5_anda 15.7 18

solos 12.6 11.5

prec_anda 5.9 5.2

alt_anda 5 13.3

bio_10_anda 4.7 13.2

tmean_anda 3.3 0.8

bio_12_anda 3.2 5.7

bio_11_anda 2.5 8.2

tmin30_anda 0 0


10

Outra forma de avaliar ou medir a adequação do modelo criado é utilizar o

valor AUC [Area Under a Receiver Operating Characteristic (ROC) Curve]. Este valor indica a capacidade de discriminação do modelo e pode variar entre 0 e 1.

Valores abaixo de 0,4 indicariam que o modelo obtido não é melhor do que um realizado ao acaso e, portanto, a previsão seria «errónea» ou «pouco precisa». Acima de 0,4 e menos de 0,7 corresponde a um modelo de baixa precisão ou

escassa discriminação, sendo que um valor superior a 0,7 se trata de um modelo de elevada precisão ou elevada discriminação.

Segundo a bibliografia consultada, o valor mínimo para as previsões de

uma determinada espécie serem consideradas válidas é de 0,5 em condições

naturais (silvestre).

Para além destes parâmetros, a aplicação MAXENT possui uma série de cálculos opcionais para obter gráficos de como cada uma das variáveis utilizadas na previsão tem influência, tanto de forma individual, como quando analisada de

forma conjunta com o resto das variáveis.

Exemplo da variável 11 analisada em conjunto com o resto das variáveis (esquerda) e de forma individualizada (direita)

Este tipo de gráficos permite conhecer os intervalos nos quais a espécie

analisada se «move», pelo que pode ser muito útil para especificar e delimitar


11

ambientalmente as condições ecológicas que são mais favoráveis para o seu

desenvolvimento e orientar o cultivo da planta (por exemplo, caso se saiba que as precipitações totais são X litros por ano, para a nossa zona pode ser necessário

incrementar com rega uma quantidade Y para alcançar este número ótimo). Mas o resultado final de maior interesse que a aplicação gera para o modelo

de distribuição da espécie é o resultado gráfico logístico, que por estar georreferenciado, se pode incorporar em qualquer GIS. Um exemplo deste resultado é o que pode ver-se na figura em anexo.

Resultado logístico do modelo de distribuição espacial da espécie Thymus zygis, com valores de

probabilidade que oscilam entre 0 (tons azulados) até 1 (tons avermelhados).

2.5.2. Parâmetros utilizados com MAXENT para o projeto

A aplicação MAXENT apresenta um amplo número de parâmetros que fazem variar os resultados dos modelos de previsão das espécies, por vezes de

forma muito significativa. Assim, com uma mesma distribuição de pontos das espécies juntamente com as mesmas variáveis ambientais, é possível obter muitos modelos distintos fazendo variar parâmetros como percentagem de pontos

utilizados nos ensaios, amplitude, significado, número máximo de iterações, etc. Para tentar delimitar esta variabilidade e garantir a coerência do modelo

que a aplicação gera, foram recolhidos como referência os valores destes parâmetros utilizados em publicações científicas sobre distribuição de espécies

vegetais (pensemos que o Modelo de Máxima Entropia se aplica em disciplinas científicas tão distintas como a astronomia, meteorologia ou a economia) e, sobretudo, o recomendado pelos autores que criaram a aplicação MAXENT e que

a desenvolveram noutros trabalhos científicos (Phillips, S.J. et al 2006; Elith, J. et al 2011). Estes valores fundamentais são:


12

Prevalência por defeito (Default prevalence): 0,5, já que valores

inferiores não se consideram fiáveis em termos de probabilidade para

prever a distribuição espacial das espécies.

Interações máximas (maximum iterations): 1000, número que se

considera aceitável para conseguir valores representativos. Valores

inferiores a este podem gerar modelos de baixa representatividade,

enquanto que valores muito superiores tornam o procedimento de cálculo

informático muito lento e desnecessário.

Limite de convergência (Convergence threshold): 0,00001.

Valor regularizador (Regularization multiplier): 0,0001, fator que

permite um ajuste espacial dos resultados mais amplos no modelo. Valores

próximos de 1 iriam gerar distribuições muito semelhantes à distribuição

espacial da espécie que se está a analisar e, portanto, com baixo nível de

previsão em áreas afastadas da atual (que não é o objetivo deste projeto,

mas sim, pelo contrário, obter zonas onde poderia implantar-se a espécie

fora das áreas já conhecidas).

Percentagem de teste aleatório (Random test percentage): 50, pois

aconselha-se que a dita percentagem seja elevada para obter um modelo

mais fiável. Valores abaixo de 25 não se consideram muito fiáveis,

enquanto que o 50 selecionado nos nossos testes estima-se como bastante

fiável nos resultados.

2.6. Procedimento e reajustes de variáveis

Como indicado anteriormente, a aplicação MAXENT apresenta um amplo número de parâmetros que fazem variar os resultados dos modelos de previsão das espécies, por vezes de forma muito significativa. Por este motivo, e partindo

dos parâmetros fixos que se padronizaram como os mais influentes no resultado final (já expostos no ponto anterior), o modelo que se deseja obter necessita de

ajustes na utilização das variáveis, já que estas interferem também de forma significativa. Dito de outra forma, é necessário analisar os resultados das variáveis porque nem todas favorecem o objetivo de obtenção de um modelo

válido ao não terem relação alguma com o que se observa na realidade. Pelo contrário, poder-se-ia cair na tentação de utilizar um número infinito

de variáveis para explicar a distribuição de uma espécie, mesmo de variáveis que

não tivessem nada a ver com ela. Por exemplo, não iria fazer muito sentido utilizar como variável o «número de artigos de vestuário dos habitantes» de uma

região para conhecer onde vive uma planta nesse território. Para fazer face a esta circunstância, que está sempre presente em qualquer

previsão deste tipo, o programa MAXENT permite conhecer, não só quanto contribui cada variável de forma individualizada, mas também se o seu contributo é positivo ou negativo para o modelo obtido com o conjunto de

variáveis. Para isso, implementa entre os seus resultados o teste «Jackknife» aplicado aos dados de teste, onde se analisa o ganho com os dados de amostra. A

modo de exemplo, no gráfico adjunto os intervalos representados a azul-escuro


13

representam esse contributo individual de cada variável, e como se aprecia na

imagem, algumas das barras orientam-se para a esquerda (valores abaixo de 0) e outras fazem-no para a direita (valores acima de 0).

De acordo com Phillips, S. (2006), um ganho negativo do este significa que o modelo é ligeiramente pior do que um modelo nulo (por exemplo, uma distribuição uniforme), o que se traduz em termos práticos no facto de interferir

introduzindo ruído dentro do modelo e, portanto, todas as variáveis com contributo negativo devem ser eliminadas para obter um modelo coerente.

Por este motivo, uma vez corrido o modelo para uma determinada espécie, seguiu-se o procedimento de analisar o gráfico Jackknife e, se após a sua

inspeção, se detetou que alguma variável dava um ganho negativo, essa variável (ou variáveis) foi excluída e voltou-se a correr a aplicação MAXENT apenas com as variáveis com valores de ganho positivo. Seguindo o exemplo do gráfico anterior

para a espécie Lavandula viridis, a segunda vez que se correu o modelo na aplicação informática, só se utilizaram as variáveis com ganho positivo, ou seja,

com a 2, 9, 10, 14, 15, 17, 18, 25 e 26. Metodologicamente e na exposição de resultados, estas duas fases do

trabalho foram distinguidas como «fase de ensaio» para inspecionar e verificar o contributo do total de variáveis, e «fase definitiva» caso tenha sido necessário

repetir o teste ao encontrar alguma variável com ganho negativo.

2.7. Limites de AUC considerados para o projeto

Tal como se referiu no ponto anterior, o valor mínimo do parâmetro AUC

deve ser 0.5 para que as previsões de uma espécie em estado silvestre sejam consideradas válidas. Mas para este trabalho foram tidos em conta todos os valores de AUC que a aplicação gera no seu modelo espacial, porque o objetivo é


14

conhecer as áreas onde a espécie poderia ser cultivada, o que se traduz numa

menor exigência na probabilidade de presença.

Isto justifica-se ecologicamente porque o Homem pode modificar de forma artificial as condições ecológicas nas quais a planta iria viver (por exemplo, com fertilizante, rega, terreno acidentado para eliminar concorrência com outras

espécies, modificações de solo, utilização de estufas, etc.) pelo que seria maior a probabilidade de sobrevivência dessa espécie em relação às condições atuais do meio ambiente.

Mas, até que valor é razoável um valor de AUC para a implantação de

cultivos para uma determinada espécie? A resposta não é simples, pois segundo alguns autores (Phillips, S.J. et al 2006) consideram-se com significado estatístico valores de 0,01, pelo que a partir desse limite, a presença de uma espécie é viável,

enquanto que abaixo seria praticamente impossível visitarmos um território e encontrarmos essa espécie. Este extremo, não obstante, não é «válido» do ponto

de vista económico, pois não parece razoável implantar uma zona de cultivo num local onde se sabe que as condições não são de todo favoráveis para a dita espécie.

Então? A solução parece ter sido «encontrada» pelos engenheiros

agrónomos e estudiosos do tema, ajustando-a com base em teste e erro na

realidade. Após a revisão de diversas publicações sobre distribuição potencial de cultivos de algumas plantas (Olson, M. et al.; 2016; Perosa, M. et al. 2014;

Ocampo, J., et al. 2012), parece que o dito limite se estabeleceu por consenso no percentil 10 da AUC (valor 0.1) como um limite inferior acima do qual é razoável realizar um investimento agrícola.

Seguindo estas recomendações sobre os limites de AUC, a partir deste

projeto e de forma totalmente subjetiva, propõe-se a realização da seguinte classificação:

Probabilidade inferior a 0,1 - Zonas não aptas para cultivo

Probabilidade entre 0,1 - 0,2 - Zonas com importantes limitações

Probabilidade entre 0,2 - 0,3 - Zonas muito pouco favoráveis

Probabilidade entre 0,3 - 0,4 - Zonas pouco favoráveis

Probabilidade entre 0,4 - 0,5 - Zonas favoráveis

Probabilidade maior de 0,5 - Zonas muito favoráveis


15

3. INCIDENTES E REAJUSTES REALIZADOS

Para além dos reajustes aplicados devido aos resultados obtidos no teste

Jackknife de cada espécie, houve outros incidentes relacionados com o número de referências disponíveis para cada táxon.

De acordo com os programadores da aplicação MAXENT, o número mínimo aceitável para poder executar a aplicação e obter resultados relativamente fiáveis é de 50, mais ainda se a percentagem de teste utilizada é alta (no nosso caso,

posto em 50%).

Após a descarga da informação de referências de Gbif e da sua visualização com um GIS, este problema de baixo número de observações apresentou-se em todas as espécies estudadas, exceto as escolhidas na Andaluzia que são táxones

bastante abundantes, e as de Portugal, que sendo escassas, ainda eram suficientes. Mas, para além disso, resolveu-se também o caso Chiliademos glutinosus (J. glutinosa), pois existiam referências na base de dados da Catalunha, e superou-se amplamente a fronteira de 50.

Para o resto das espécies, a única solução para conseguir um número de referências minimamente aceitável foi incrementar a zona de estudo até áreas

limítrofes onde o dito número de observações supera amplamente as 50 presenças. Isto foi especialmente inevitável para o caso da Rhodiola rosea, pois além da sua raridade, muitas das referências localizavam-se em Andorra e outras

na parte ocidental do Sistema Pirenaico. Por este motivo, criou-se uma zona de estudo que inclui todo o Sistema Pirenaico, Catalunha, Andorra e a região

francesa de Midi-Pyrèneén, na qual se analizaram, para além da Rhodiola, a Gentiana lutea, Arnica montana e Narcissus poeticus.

Dado que a aplicação MAXENT necessita de homogeneidade em todo o

âmbito que analisa em relação com as variáveis que utiliza, nesta zona pirenaica

só se utilizaram as variáveis climáticas e de altimetria (no total, 20), já que o resto das variáveis não foi possível ser homogeneizado devido às diferenças existentes

entre países (França, Andorra e Espanha). Não obstante, os resultados para estas 4 espécies dos Pirenéus são bastante bons e com alto significado estatístico, pelo que os seus modelos parecem excelentes, apesar deste incidente.

Resumindo, utilizaram-se 4 âmbitos diferentes para a análise das espécies:

1. Andaluzia, para Thymus zygis e Cistus ladanifer 2. Algarve + Alentejo sul, para Rosmarinus officinalis e Lavandula viridis

3. Catalunha, para Chiliademus glutinosus 4. Zona pirenaica, que inclui a região francesa da Occitânia (Midi- Pyréneé

+Languedoc-Rosellon) e parte da Nova Aquitânia, Andorra, e em Espanha, a Catalunha, parte de Aragão e de Navarra, para as espécies Rhodiola rosea, Narcissus poeticus, Arnica montana e Gentiana lutea.


16

Cartograficamente, os âmbitos do projeto são os expostos na figura

adjunta.


17

4. RESULTADOS

4.1. Fase de ensaio

Na zona de projeto pirenaica, os gráficos de ganho de Jackknife mostram que na maior parte das espécies existem apenas variáveis que dão resultados negativos.

No caso da Narcissus poeticus, apenas a variável 15 é a que oferece ganhos

negativos, pelo que foi necessário refazer uma nova modelização.

Não é o caso da Rhodiola rosea, Gentiana lutea e Arnica montana, (vejam-se gráficos seguintes) nos quais todas as variáveis oferecem ganhos positivos, pelo

que as ditas modelizações foram consideradas como as definitivas.


18


19

Na zona de projeto da Catalunha, a única espécie analisada para este

âmbito (Chiliademus glutinosus) mostra que existem resultados negativos para a variável 26 (litologia), pelo que foi necessário realizar uma nova execução da

aplicação sem ela.

No caso da zona de projeto do Baixo Alentejo e Algarve, ambas as

espécies (Lavandula viridis e Rosmarinus officinalis) mostram que existem


20

resultados negativos para numerosas variáveis, pelo que foi necessário realizar

novas execuções para a aplicação sem elas.

Por último, na zona de projeto da Andaluzia, os gráficos de ganho de

Jackknife mostram que para as duas espécies (Cistus ladanifer e Thymus zygis)


21

não existem variáveis que dêem resultados negativos, pelo que se consideram

definitivos.


22

4.2. Fase definitiva

Uma vez identificadas as espécies nas quais foi necessário repetir a

modelização excluindo as variáveis com ganho negativo, obtiveram-se os resultados definitivos, incluindo também os gráficos de modelização de cada uma das variáveis utilizadas. Estes resultados estão disponíveis no diretório adjunto a

esta memória (consulte o ficheiro comprimido SDM_SSPP.ZIP). A aplicação MAXENT oferece-os em formato online (html), pelo que podem ser consultados

clicando com o rato sobre cada uma das espécies. Por exemplo, para ver os resultados da espécie Arnica montana, basta fazer duplo clique sobre o ficheiro “Arnica_montana.html”, obtendo-se uma imagem como a seguinte:

Como resultados resumo dos que se obtiveram para cada espécie, de seguida

expõe-se o mapa de aptidão para o cultivo utilizando os intervalos de probabilidade de presença descritos na metodologia, e também o gráfico de sensibilidade-especificidade para obter uma referência de adequação da previsão

do modelo.


23

4.2.1. Lavandula viridis


24

4.2.2. Rosmarinus officinalis


25

4.2.3. Lavandula stoechas


26

4.2.4. Thymus zygis


27

4.2.5. Cistus ladanifer


28

4.2.6. Chiliademus glutinosus


29

4.2.7. Arnica montana


30

4.2.8. Gentiana lutea


31

4.2.9. Narcissus poeticus


32

4.2.10. Rhodiola rosea


33

5. BIBLIOGRAFIA E HIPERLIGAÇÕES

Araújo, M. B., & New, M. (2007). Ensemble forecasting of species distributions.

Trends in ecology & evolution, 22(1), 42-47. Ávila Coria, R., Villavicencio García, R., & Ruiz Corral, J. A. (2014). Distribución

potencial de Pinus herrerae Martínez en el occidente del estado de Jalisco. Revista mexicana de ciencias forestales, 5(24), 92-109.

Barry, S., & Elith, J. (2006). Error and uncertainty in habitat models. Journal of Applied Ecology, 43(3), 413-423.

Benito, B., Peñas, J. (2007). Aplicación de modelos de distribución de especies a la conservación de la biodiversidad en el sureste de la Península Ibérica.

GeoFocus (Artigos), nº 7, p. 100-119, ISSN: 1578-5157.

Conabio [Comisión Nacional de Biodiversidad] (2017). Nichos y Áreas de Distribución. http://nicho.conabio.gob.mx/

Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E., & Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and distributions, 17(1), 43-57.

Fidel-Flores-Ari, J. (2015) Evaluación de la distribución potencial de Queñua

mediante el modelamiento de nicho ecológico. Bioscience, 2 (1), 1-16. Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of

prediction errors in conservation presence/absence models. Environmental conservation, 24(01), 38-49.

Liras, E. (2008). Funcionamiento, interfaz y formato de los datos en Maxent: réplica del IV taller de modelización de nichos ecológicos (en línea). Almería, ES.

Consultado 05 ene. 2013. Mateo, R. G., FELICÍSIMO, Á. M., & Muñoz, J. (2011). Modelos de distribución de

especies: Una revisión sintética. Revista chilena de historia natural, 84(2), 217-240.

Olson, M. E., & Alvarado-Cárdenas, L. O. (2016). ¿Dónde cultivar el árbol milagro, Moringa oleifera, en México? Un análisis de su distribución potencial.

Revista Mexicana de Biodiversidad, 87(3), 1089-1102. Ocampo, J., Posada, P., Medina, J., Jarvis, A. (2012). Zonificación agroecológica y

efecto del cambio climático en el cultivo de maracuyá en Colombia. Conferência: 58th ISTH Annual Meeting Interamerican Society for Tropical Horticulture, At

Lima, Peru, Volume: 58.

http://nicho.conabio.gob.mx/


34

Perosa, M., Rojas, F., Villagra, P., Tognelli, M. F., Carrara, R., & Alvarez, J. A.

(2014). Distribución potencial de los bosques de Prosopis fexuosa en la Provincia Biogeográfica del Monte (Argentina). Ecología austral, 24(2), 238-248.

Peterson, A. T. (2007). Why not WhyWhere: the need for more complex models of simpler environmental spaces. ecological modelling, 203(3), 527-530.

Phillips, S. (2006). Una Breve Guía Didáctica sobre MaxEnt. Online [URL] http://www. cs. princeton. edu/~ schapire/maxent/tutorial/tutorial-in-spanish.

doc (Accessed on 4 June 2008).

Phillips, S.J., Dudík, M., Schapire, R.E., 2004. A maximum entropy approach to species distribution modeling. In: Proceedings of the 21st International Conference on Machine Learning,ACMPress, New York, pp. 655–662.

Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy

modeling of species geographic distributions. Ecological modelling, 190(3), 231-259.

Phillips, S. J., Dudík, M., Elith, J., Graham, C. H., Lehmann, A., Leathwick, J., & Ferrier, S. (2009). Sample selection bias and presence‐ only distribution models: implications for background and pseudo‐ absence data. Ecological Applications,

19(1), 181-197.

Plasencia-Vázquez, A. H., Escalona-Segura, G., & Esparza-Olguín, L. G. (2014). Modelación de la distribución geográfica potencial de dos especies de psitácidos neotropicales utilizando variables climáticas y topográficas. Acta zoológica

mexicana, 30(3), 471-490.

Plata, S., Manuel, V., Fassaert, C. N., Current, M., Fassaert, D., Prins, C., ... & Offen, K. H. (2013). Distribución potencial y conocimiento local de la nutria neotropical (Lontra longicaudis) en la cuenca del río San Juan, Costa Rica (No.

Thesis S235o). CATIE, Turrialba (Costa Rica). Scheldeman, X., & Van Zonneveld, M. (2011). Manual de capacitación en análisis

espacial de diversidad y distribución de plantas. Bioversity International, 1-186.

Young, A. G., Boyle, T., Brown, T., & Clarke, G. M. (2008). Bioinformática para la conservación de la flora. trees, 95, 246-254.

Young, N., Carter, L., & Evangelista, P. (2011). A MaxEnt model v3.3.3 e tutorial (ArcGIS v10). Fort Collins, Colorado.

SERVIÇO “Cartografia de distribuição das espécies de ... · silvestres: gestÃo sustentÁvel...

Documents

Transcript of SERVIÇO “Cartografia de distribuição das espécies de ... · silvestres: gestÃo sustentÁvel...