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

j.r.villegas@cgiar.org