1

Mi Comunidad, Nuestra Tierra: Geografía para el Desarrollo Sostenible (MyCOE)

Taller: Introducción a Aplicaciones de Técnicas Espaciales para la

Conservación de la Biodiversidad Universidad Tecnológica de Panamá

Ciudad de Panamá. 28 de enero a 1ro de febrero, 2008

MODULO SOBRE TECNICAS GEOESPACIALES PARA LA PLANIFIACION

DE LA CONSERVACION DE LA BIODIVERSIDAD

Preparado por: C. Santiago López, M.A.

TABLA DE CONTENIDOS

Titulo Página OBJETIVOS DEL MODULO 1

General 1

Específicos 1

DISCUSION SOBRE LA PLANIFICACION

DE LA CONSERVACION DE BIODIVERSIDAD 2

Base Teórica 2

Base Técnica 3

Aplicaciones 5

APLICACION 5

Objetivos 5

Datos 6

Programas 6

Instrucciones 6

Productos 21

REFERENCIAS 21

1. OBJETIVOS DEL MODULO

General

Aprender conceptos y técnicas básicas de planificación para la conservación de la biodiversidad.

Específicos

• Familiarizarse con técnicas actuales de modelamiento espacial para la determinación de zonas prioritarias para la conservación de la biodiversidad.

• Ejercitarse en el uso combinado de sistemas de información geográfica (SIG) y sistemas multi-criterio de selección de áreas para la conservación.

2

2. DISCUSION SOBRE LA PLANIFICACION DE LA CONSERVACION DE

BIODIVERSIDAD

Base Teórica

El planeamiento sistemático para la conservación provee un marco para la identificación de prioridades para la conservación basado en información sobre la distribución de una serie de sustitutos (e.g. especies, tipos de vegetación) que representan la diversidad biológica de una área definida (Margules y Pressey, 2000; Ferrier, 2002). El objetivo de la planificación para la conservación es maximizar la representación de la biodiversidad mientras se optimiza la ubicación de recursos disponibles para ese propósito. Varios estudios de caso pueden iluminar y expandir las discusiones sobre como la ciencia de información geográfica (Goodchild, 2003) y otras técnicas geoespaciales pueden ser usadas para propósitos de planificación de la conservación de la biodiversidad, incluyendo las limitaciones de estas técnicas (Zhang y Goodchild, 2002). El proceso requiere la creación de bases de datos espaciales que describan cuantitativamente la variación geográfica de la biodiversidad y los niveles de protección y riesgo consistentemente a lo largo del área de estudio (Margules y Pressey, 2000). La definición de un grupo eficiente de aéreas de conservación es un problema complejo para el cual se han formulado algoritmos de selección múltiple de aéreas. Estos métodos incluyen sistemas basados en rangos de valores que integran criterios múltiples (e.g Pressey y Nicholls, 1989; Turpie, 1995; Sierra et al., 2002), algoritmos basados en complementariedad que evalúan como un lugar contribuye a la preservación de sustitutos previamente sub-representados (Kirkpatrick, 1983; Vane-Wright et al., 1991), y técnicas de optimización basados en criterios múltiples que incluyen características espaciales de los sitios resultantes (e.g. forma, tamaño) en el análisis (Possingham et al., 2000; Kelley et al., 2002; McDonnell et al., 2002).

Más recientemente, técnicas de modelamiento se han desarrollado para modelar los nichos ecológicos de especies mediante la correlación de un set de puntos conocidos de ocurrencia y un set de predictores ambientales. Algunas de estas técnicas incluyen modelos estadísticos formales (e.g. GAM, GLM). Esta relación modelada es proyectada en el espacio geográfico para estimar las distribuciones de especies (o probabilidades de distribución) en áreas no incluidas en la muestra original. Las distribuciones modeladas permiten hacer comparaciones espaciales consistentes entre distintos sitios, una precondición necesaria para la aplicación de cualquier método de selección de áreas (Ferrier, 2002; Williams et al., 2002).

El uso de datos históricos de colecciones para predecir distribuciones de especies presenta retos importantes ya que éstas han sido usualmente obtenidas en una forma oportunística, generalmente adquiridas de áreas relativamente accesibles. Además, los colectores tienden a enfocarse a la larga en áreas específicas (e.g. hotspots de diversidad o endemismo) donde ellos esperan encontrar datos taxonómicos. Estos sesgos espaciales y temporales pueden significar que todo el rango de condiciones ambientales sobre las cuales ocurren las especies no ha sido muestreado. Otro problema es que la mayoría de colecciones registran datos solo de lugares donde una especie ha sido encontrada, pero no de los lugares donde ha sido buscada pero no encontrada (Soberón y Peterson, 2005). Datos de solo presencia hacen difícil la aplicación de algunos modelos estadísticos (e.g. técnicas de regresión) que requiere información sobre presencia y ausencia para generar

3

predicciones precisas sobre la distribución de especies (Stockwell y Peters, 1999; Zaniewski et al., 2002; Soberón y Peterson, 2005).

Dentro de este contexto, el objetivo de este modulo es el de familiarizarse con técnicas actuales de modelamiento espacial para la determinación de zonas prioritarias para la conservación de la biodiversidad teniendo en cuenta las limitaciones de los datos y herramientas.

Base Técnica

GARP

Algoritmo Genético para la Predicción basada en Sets de Reglas (Genetic Algorithm for Rule Set Prediction (GARP) (Stockwell y Noble, 1992; Stockwell y Peters, 1999) http://www.nhm.ku.edu/desktopgarp/index.html). Este sistema se usa para el modelamiento de especies de animales o plantas usadas como sustitutos de biodiversidad global.

GARP utiliza un método basado en inteligencia artificial para modelar el nicho ecológico de especies usando la ocurrencia de puntos y datos ambientales. La distribución de especies en el espacio ecológico es predicho usando un set de reglas de inferencia de la forma SI…ENTONCES (IF…THEN), y que implementa diferentes algoritmos como sobres ecológicos, regresión logística, y reglas categóricas. GARP divide la ocurrencia de puntos parejamente en datos de entrenamiento y de prueba, genera un set de reglas (basado en un set de entrenamiento), e implementa un algoritmo genético iterativo que evalúa la significancia y exactitud predictiva de las reglas. Para evaluar la exactitud predictiva de las reglas, GARP usa 1,250 puntos remuestreados (con remplazo) del set de datos de prueba y 1,250 puntos remuestreados (con remplazo) randómicamente de toda la región de estudio que proveen información de pseudo-ausencia.

Con cada iteración, GARP selecciona las mejores reglas, las recombina usando operadores que emulan procesos evolucionarios (e.g. cruzando reglas y mutando valores específicos), y genera a set redefinido de reglas predictivas. El proceso se detiene después de un número especificado de iteraciones. El set de reglas finales es proyectado en el espacio geográfico como una matriz de presencia y ausencia. Los modelos de distribución producidos de esta forma pueden ser validados usando un set independiente de ocurrencia de puntos muestreados del set original de datos, previo al proceso de modelamiento.

MAXENT

Maximum Entropy (Maxent) (http://www.cs.princeton.edu/~schapire/maxent/) es una aplicación desarrollada por Steven J. Phillips, Robert P. Anderson, y Robert E. Schapire para estimar la distribución probabilística objeto, como la distribución espacial de una especie, que es la más dispersa, más cercana a ser uniforme, y sujeta a constreñimientos como observaciones conocidas de una especie. Maxent usa la máxima entropía como marco para generalizar observaciones especificas de la presencia de una especie, y no requiere ni incorpora puntos de ausencia dentro del marco teórico.

Algunas de las ventajas de Maxent incluyen: 1) Requiere solo datos de presencia, en conjunto con variables ambientales. 2) Puede usar tanto datos continuos como categóricos y puede incorporar interacciones entre distintas variables. 3) Utiliza eficientes algoritmos que han sido desarrollados para garantizar convergencia en una optima

4

(entropía máxima) distribución probabilística. 4) La distribución probabilística de Maxent tiene una definición matemática concisa.

SPOT

Herramientas de Portafolio de Optimización Espacial (Spatial Portfolio Optimization Tools (SPOT) (Shoutis, 2003) http://conserveonline.org/workspaces/spot/). Es una herramienta generalizada para la selección de portafolios de conservación (grupos de áreas), usando un enfoque flexible para el diseño automático y eficiente de áreas alrededor de metas específicas de conservación. SPOT fue antecedido por la herramienta de planeación ecoregional SITES, desarrollada por la Universidad de California en Santa Bárbara para The Nature Conservancy (TNC). SPOT consiste en una interface de usuario en forma de extensión para ArcView 3.X y un motor central escrito en C++ y Ruby. La interface de usuario es utilizada para administrar la información de entrada o de salida, mientras que el programa central desarrolla la integración real del portafolio.

SPOT implementa un algoritmo denominado “Simulated annealing” para identificar sitios prioritarios de conservación. Este algoritmo es un proceso de optimización iterativo que emula el proceso de calentamiento de metales y vidrios y su enfriamiento lento consecutivo para obtener una estructura más resistente o robusta. Aplicado como una técnica estocástica global de búsqueda en la selección de áreas para la conservación, el proceso comienza con la generación aleatoria de un set de áreas. Luego, otros sitios son añadidos o removidos en iteraciones subsecuentes, y estos cambios son aceptados o rechazados en función del impacto en el valor de una función de costo objetivo que está siendo minimizada. La función de costo es una combinación lineal del largo del borde compartido entre sitios seleccionados y no seleccionados (multiplicado por un Modificador del Largo del Límite, MLL o BLM en inglés), la suma de costos base de los sitios seleccionados (que puede ser simplemente el área del sitio) y un costo de penalización por no cumplir los objetivos de conservación. En otras palabras:

costo(x) = base(x) + borde(x) + costo por incumplimiento(x) Inicialmente, todos los cambios son aceptados, incluso aquellos que incrementan el

valor de la función de costo para evitar quedar atrapado en el mínimo local. Con el avance del proceso, el algoritmo comienza a rechazar cambios que incrementan el valor de la función de costo. Al final, el algoritmo solamente acepta cambios que reducen la función de costo hasta que se detiene después de un número definido de iteraciones. La inclusión del largo del límite como un factor en la función de costo permite controlar la “compactación” del set resultante de sitios al cambiar el valor el parámetro BLM.

RESNET

Reserve Network (RESNET) (http://www.consnet.org/) es una aplicación que implementa variaciones de algoritmos presentados originalmente por Margules et al. (1988) para la planificación de reservas naturales de biodiversidad. Si una región se la divide en un set de lugares, estos algoritmos ordenan esos lugares de acuerdo con su contenido de biodiversidad. Los algoritmos implementados en Resnet asumen que un objetivo definitivo ha sido fijado en la forma de 1) representación adecuada de cada sustituto de biodiversidad, o sea que el número de sitios seleccionados en el cual el sustituto tiene que estar presente 2) máxima area permitida, o 3) máximo costo permitido para un set de lugares de conservación. El objetivo de los algoritmos es cumplir ese

5

objetivo eficientemente seleccionando pocos lugares lo más cercanos posible para cumplir con el objetivo de conservación (Pressey and Nicholls 1989).

Resnet se basa en tres principios básicos: 1) Rareza: primero, los sustitutos son ordenados inversamente de acuerdo a la

frecuencia de su ocurrencia en el set de datos. Luego, los lugares son ordenados de acuerdo a si ellos contienen el sustituto más raro, el siguiente más raro, y así sucesivamente, iterativamente.

2) Complementariedad: Los lugares son ordenados en base al número de sustitutos que no han cumplido con el nivel de representación del objetivo inicial.

3) Riqueza: los lugares son ordenados de acuerdo al número de sustitutos presentes. Riqueza es potencialmente usada solamente en una parte del algoritmo (al inicio). Esto refleja el hecho de que el uso de riqueza resulta en una ineficiente selección de lugares.

Aplicaciones

GARP ha sido utilizado por biólogos para la creación de modelos de distribución de aves (Peterson, 2001; Peterson et al., 2002a, c), roedores (Anderson et al., 2002a, b), y en análisis combinados de aves, mamíferos y mariposas (Peterson et al., 1999) o pájaros y mariposas (Peterson et al., 2000). GARP ha sido usado también en diferentes teorías en biogeografía (Peterson et al., 1999; Anderson et al., 2002a, b), para evaluar procesos colonizadores de especies invasoras (Peterson y Vieglas, 2001), para predecir daños en cultivos por pestes (Sánchez-Cordero y Martínez-Meyer, 2000), para evaluar los efectos de cambio climático en la distribución y esparcimiento de enfermedades infecciosas (Peterson y Shaw, 2003) y para generar información para la planificación de la conservación de la biodiversidad. (Anderson y Martínez-Meyer, 2004).

SPOT ha sido utilizado en el diseño de áreas funcionales para la conservación en Puerto Rico (Tuffly y Comer, 2005), para la identificación de prioridades para la conservación de la biodiversidad en la eco- región del pacifico ecuatorial (Peralvo et al., 2007), para la planificación eco-regional de reservas de biodiversidad en México (Bezaury-Creel, 2004) y Baja California y California del Sur (White et al., 2004).

3. APLICACION

Objetivos

El objetivo de este ejercicio es identificar zonas prioritarias para la conservación en una región de los Andes ecuatoriales usando modelos de distribución de especies como sustitutos de biodiversidad y un algoritmo formal para el establecimiento de áreas funcionales.

Datos En formato vector: En las carpetas DATOS/ESPECIES y DATOS/SHAPEFILE Chuquiraga_jussieui.shp Siphocampyl_giganteus.shp Vallea_stipularis.shp Mask.shp

6

En formato raster: En la carpeta DATOS/AMBIENTALES Annmaxxt.asc Annminit.asc Annpet.asc Annppe.asc Annpre.asc Disrios.asc Dtm.asc Mask.asc Messecos.asc Pendientes.asc Rangmaxmin.asc

Programas

ArcGIS, ArcView, Desktop Garp, Spot.

Instrucciones

• Generales En su computadora cree un directorio de trabajo. Por ejemplo: C:\TEMP\MODULO_CONSERVACION Copie las carpetas DATOS, PRGRAMAS, y SHAPEFILE dentro de esa carpeta.

• Instalación de software Para este módulo es necesario instalar los programas Desktop Garp y Spot. o Para instalar Desktop Garp hacer doble clic en el ejecutable

DesktopGarpSetup_1_1_6.exe que se encuentra la carpeta GARPINSTALL dentro de PROGRAMAS.

o Para instalar SPOT hacer doble clic en el ejecutable SPOTInstall.exe dentro de la carpeta SPOTINSTALL dentro de PROGRAMAS.

• Introducción sobre los datos

En general, la selección de especies objeto se basa en la identificación de especies con un alto valor intrínseco para la conservación, que representen la variación de las condiciones ecológicas en el área de estudio, y que exista suficiente ocurrencia de puntos de muestreo con coordenadas geográficas que permitan una predicción robusta de su distribución potencial.

Los datos sobre distribución de especies que se usarán en este ejercicio serán generados en GARP. Para la obtención de estos modelos se usarán catorce variables bioclimáticas y físicas. Una capa de información fue generada para cada una de estas variables en formato raster para ArcGIS. Una resolución de 500 m fue escogida como un nivel medio de resolución entre el modelo digital de terreno (DEM) usado para generar la variables de elevación (90 m) y la de los datos sobre uso y cobertura del suelo usados para identificar vegetación remanente (30 m), y la resolución mas gruesa usada para generar las variables bioclimáticas (18km). Todas las variables fueron proyectadas al sistema de coordenadas UTM17S con datum PSAD56.

7

Las variables bioclimáticas fueron derivadas de la base de datos Climatic Research Unit Climatologic Database: (CRU CL 2.0; http://www.cru.uea.ac.uk/~timm/data/index-table.html), un set de superficies climáticas generadas por New et al. (2002) con una resolución nominal de 18km usando promedios de estaciones meteorológicas alrededor del mundo para el periodo 1961 y 1990. De esa base de datos, las variables de temperatura media anual (ANNXT), precipitación media total anual (ANNPRE), y rango medio de temperatura diurna (RANGMAXMIN) fueron suavizadas a una resolución de 500 m usando Kriging. Las variables de temperatura media máxima (ANNMAXXT) y mínima (ANNMINIT) del día fueron calculadas como la temperatura media anual más y menos la mitad del rango de temperatura. Para calcular la relación entre precipitación y evapotranspiración potencial (ETP), estimaciones mensuales se hicieron usando el método de Thornthwaite (1948). Seguidamente, la proporción entre precipitación y ETP fue calculada como una proporción entre la media de precipitación total anual (ANNPRE) y la media ETP (ANNPET) para los 12 meses del año (ANNPPE). Una variable que describe el número de meses secos (MESSECOS) fue generada reclasifcando las proporciones mensuales entre precipitación y ETP en 1 (cuando ETP > precipitación) y 0 (cuando ETP < precipitación) y sumando las 12 capas binarias resultantes.

La variable de elevación fue generada usando el modelo de digital del terreno (MDT) producido por el satélite SRTM (Shuttle Radar Topographic Mission) con una resolución de 90 m (http://seamless.usgs.gov), resampleado a una resolución de 500 m (DTM). La variable pendiente (PENDIENTES) fue derivada del MDT. Finalmente una variable de distancias a ríos (DISTRIOS) fue generada en base a la cartografía hídrica de la región.

• Usando GARP Este sistema se usará para el modelamiento de especies de plantas usadas como sustitutos de biodiversidad global. GARP se encuentra en el menú de programas. En el menú Desktop Garp se encuentran dos módulos: Dataset Manager y Desktop Garp.

• Hacer clic en Dataset Manager. Este módulo nos permitirá seleccionar las variables ambientales que se usarán para la generación de los raster de distribución de especies.

• En Garp Dataset Manager ir a FILE y luego SAVE. Grabar el set de datos con el nombre “datos.dxl” (dxl es la extensión que usa Garp por default para este tipo de archivos).

• En el menú LOAD LAYERS seleccionar la opción FROM ASCII RASTER GRIDS. Seleccionar el raster ANNMAXXT dentro de la carpeta C:\home\DATOS\AMBIENTALES. El resto de capas de información se añadirán a la ventana seguidamente. El set de datos MASK es un archivo que contiene el área de estudio y es leído directamente por Garp. Todas las otras capas se cortaran espacialmente en base a las coordenadas y forma de este set.

NOTA1: Para añadir archivos: NO USAR EL ICONO “+” PUES PUEDE

OCASIONAR QUE EL PROGRAMA SE CIERRE.

8

NOTA2: Verificar que únicamente se encuentren los archivos .asc en la

carpeta de datos. Eliminar cualquier archivo en la carpeta DATOS que no

tenga la extensión .asc

• Guardar el archivo yendo a FILE� SAVE.

• Abrir el programa Desktop Garp. • Ir a FILE y guardar el proyecto como ESPECIE_1. • En el menú DATASETS seleccionar SCAN DIRECTORY y buscar el archivo

datos.dxl que se guardó en el paso anterior y contiene la lista de capas ambientales.

El panel de Capas Ambientales (Environmental Layers) permite al usuario definir las coberturas ambientales que se usarán como datos de entrada para la predicción. El algoritmo entonces tratará de correlacionar los datos de ocurrencia de especies a aquellos datos ambientales para la predicción final.

• En la sección ENVIRONMENTAL LAYERS de la ventana principal hacer un clic en el espacio DATASET y luego hacer otro clic en el espacio en

blanco que se despliega. NOTA 3: Este es otro problema de forma de GARP: el nombre del set de

datos no aparece en ese espacio aunque si es leído. El set de datos ambientales se desplegará. Revisar que todas las capas ambientales estén ahí.

9

El panel de Puntos de Datos de Especies (Species Data Points) maneja los datos de ocurrencia de especies. Abajo se muestran ejemplos de los tipos de datos que su pueden manejar, XLS o TXT.

Para éste ejercicio y por motivos prácticos y de tiempo, trabajaremos solamente con tres especies de plantas cuyos puntos de ocurrencia están en formato shapefile de ArcView: Chuquiragua jussieui, Vallea stipularis, y Siphocampyl giganteus,

• Para leer estos archivos, hacer clic en UPLOAD DATA POINTS. Aquí seleccionaremos el primer archivo de puntos de ocurrencia de la especie Chuquiragua jussieui. Seleccionar el archivo correspondiente cambiando el tipo de archivo a abrir a Point Shape File (.shp) y buscar el archivo dentro de C:\home\DATOS\ESPECIES.

• La siguiente ventana pregunta el nombre de la columna con el nombre de la especie. Hacer clic en GEN_ESP. Aquí se seleccionarán 132 puntos de presencia de esta especie.

10

En este mismo panel el usuario puede especificar dos parámetros que definen como los datos serán muestreados y usados. La primera opción permite al usuario especificar que porcentaje de puntos serán usados para el entrenamiento (i.e. construcción del modelo). Los puntos restantes se usarán para la validación del modelo. La segunda opción permite al usuario usar un número específico mínimo de puntos para usarlos como entrenamiento. Si ya se seleccionó un porcentaje en la primera opción, no es necesario especificar esta opción.

• En este ejercicio seleccionar 90% de los puntos para entrenamiento ya que no existen muchas observaciones. El 10% restante se usará para la validación.

En la sección de Parametros de Optimizacion (Optimization Parameter), el usuario puede especificar algunos parámetros que controlar el comportamiento general del algoritmo. El número de corridas de un experimento define cuantas veces cada paso será ejecutado dentro del experimento. Por ejemplo, para dos especies y 10 corridas (runs) por experimento, 20 corridas en total serán ejecutadas en el experimento: 10 para la primera especie y 10 para la segunda. El límite de convergencia define una condición para la terminación de las iteraciones dentro del algoritmo genético. Su comportamiento depende de cuán difícil o fácil es el problema. Los valores usuales varían entre 0.01 y 0.10. Si el parámetro se define como 0 entonces el algoritmo se detiene solo cuando el número de iteraciones es alcanzado.

Iteraciones Máximas (Max Iterations) establece otra condición de terminación para el algoritmo genético. Este hace que el algoritmo se detenga en una iteración específica incluso cuando el límite de convergencia no se ha alcanzado. Más iteraciones generalmente llevan a resultados mas estables. Valores usuales varían entre en 100 y 1000.

Las opciones sobre los tipos de reglas (Rule types) permiten al usuario especificar que algoritmo se usara para producir las reglas en el modelo de la especie. Para una

11

discusión completa sobre cada tipo de regla, por favor referirse al manual de David Stockwell, GARP Technical Manual and Users Guide que se encuentra en el internet. (http://www.nhm.ku.edu/desktopgarp/UsersManual.html).

La opción de Todas las combinaciones (All combinations) genera un grid para cada combinación de todas las reglas usadas. Por ejemplo, si range, logit, y atomic rules son seleccionadas, Garp creará grids donde solo esas reglas son usadas, luego una para las reglas range y logit, una para las reglas range y atomic, una para logit y atomic, y una para las tres reglas combinadas. Esto es útil para analizar el impacto de cada regla particular. Abajo de las reglas se indicará cuantas combinaciones se crearán y cuantas corridas se ejecutarán.

Para este ejercicio únicamente, se utilizarán todas las reglas para crear solamente 20 grids resultantes. En la práctica, será necesario utilizar entre 30-50 corridas para crear un modelo de distribución más robusto que pueda ser analizado/valorado estadísticamente. En la sección OPTIMIZATION PARAMETERS escribir/ingresar manualmente las

opciones que se describen a continuación:

NOTA 4: Es necesario escribir los valores en los espacios correspondientes y no

usar los defaults pues ocasionalmente genera errores en las corridas

• 20 Runs, 0.01 Convergence Limit, and 100 Max Iterations. En RULE TYPES

seleccionar todas las reglas ATOMIC, RANGE, NEGATED RANGE, LOGISTIC REGRESSION.

La sección de capas de proyección (Projection layers) permite seleccionar datos

espaciales que se usarán en la proyección del experimento a otras regiones. Esta opción es muy útil para el análisis de especies invasivas. Para este ejercicio se dejará esta opción en blanco.

12

El panel o sección Output permite seleccionar el formato para los raster de salida y la carpeta que los contendrá. En este ejercicio seleccionar únicamente la opción Arc/Info Grids y ubicar una carpeta de salida para los raster de distribución de especies.

• Dentro de la carpeta usada para guardar los datos de salida se generará una

carpeta denominada grid00000.Renombrar esta carpeta con el nombre ESPECIE_1. Dentro de esta carpeta se encuentran los resultados de las 20 corridas. Cada corrida tendrá como nombre Task_00000n_0.

• Repetir los pasos anteriores para generar los modelos de distribución de

las otras dos especies de plantas. Los grids resultantes estarán en tres carpetas distintas (especie_1, especie_2, y especie_3) que representan la distribución espacial de las tres especies seleccionadas como sustitutos de biodiversidad global.

En ArcGIS: Para obtener un modelo de distribución más robusto para cada especie, sumaremos las 20 capas resultantes de cada especie. De aquí seleccionaremos aquellas celdas que hayan sido seleccionadas el 95% de casos (valor = 19).

• Abrir ArcGIS y activar la extensión Spatial Analyst. • Añadir en la vista las 20 distribuciones resultantes para la primera especie. • En el menú de Spatial Analyst seleccionar RASTER CALCULATOR. Hacer

una suma de las distribuciones.

• Guardar este archivo como SUM_SP1 haciendo clic derecho en el resultado

temporal del cálculo en la tabla de contenidos y seleccionando DATA� MAKE PERMENT (aquí se escogerá un nuevo nombre).

• Del resultado de la suma, seleccionar las celdas que tengan un valor de 19 o 20 dentro de RASTER CALCULATOR.

[sum_sp1] >= 19

13

• Guardar este raster como SEL_GTH19_SP1. • En el menú Spatial Analyst seleccionar CONVERT � RASTER TO

FEATURE para convertir SEL_GTH19_SP1 en formato vector (shapefile). Guardar este nuevo archivo con el nombre DIST_SP1.SHP. Este nuevo archivo de polígonos se usará para la selección de sitios de reserva de biodiversidad en la siguiente sección.

• Realizar este mismo procedimiento con los raster resultantes de las otras dos especies. Los shapefiles finales se denominarán: DIST_SP1.SHP, DIS_SP2.SHP, y DIS_SP3.SHP

• Seleccionar los polígonos que tengan como GRIDCODE = 1 y exportarlos como un nuevo shapeflie. Para esto es necesario hacer una consulta mediante la opción SELECT BY ATTRIBUTE desde el menú SELECTION. Una vez que se han seleccionado los polígonos hacer un clic derecho en el shapefile en la tabla de contenidos de la vista e ir a DATA� EXPORT DATA

• Realizar este mismo procedimiento con cada uno de los tres shapefiles

anteriores. Nombrar los nuevos shapefiles como OCC_SP1.SHP, OCC_SP2, y OCC_SPP3.

• Para crear un identificador único para cada especie editaremos el valor de la columna GRIDCODE de cada shapefile. Para esto hay que abrir la tabla de datos de la primera especie en la vista.

• Hacer clic derecho en el nombre de la columna GRIDCODE y seleccionar FIELD CALCULATOR. En la ventana de escritura ingresar 1 para la primera especie. Abrir la tabla de datos de la segunda especie e ingresar 2 en FIELD CALCULATOR. Ingresar tres para la tercera. Estos serán los identificadores únicos para cada una de las especies cuando se ejecuten los algoritmos de selección en SPOT.

14

• NOTA IMPORTANTE: Para tener una idea clara de la representación

espacial de los datos, abrir los modelos de distribución de las tres especies, los raster que contienen las variables ambientales, y los datos de puntos de ocurrencia de las tres especies en una vista de ArcGIS.

• Usando SPOT

SPOT intenta integrar un portafolio con el mínimo valor posible en una función de costo que agrupa las características deseables para un plan ecoregional. La función de costo de SPOT se deriva de las siguientes metas para un portafolio:

• El portafolio debe de minimizar el área requerida para representar adecuadamente los elementos de conservación.

• El portafolio debe de cumplir con las metas de los elementos de conservación establecidos para la región.

• La fragmentación debe de ser evitada; al escoger entre un área dispersa y una continúa con representación y tamaños similares, la continua es preferible.

Para encontrar un portafolio que reúna estos principios, la región es inicialmente dividida en pequeñas unidades conocidas como Unidades de Análisis. SPOT forma un portafolio por medio de la selección de unidades de análisis seleccionándolas como excluidas o incluidas en el portafolio. Las metas de conservación son especificadas para cada elemento de conservación y a cada unidad se le asigna la cantidad de cada elemento que esta contenga. Para considerar los tres principios, La función de costo es una suma de:

• Un Costo Base (Base Cost) para cada unidad de análisis incluida en el portafolio. Esto aumentará el valor de la función de costo mientras más unidades de análisis sean agregadas, motivando a SPOT a que encuentre soluciones que incluyan menos unidades.

• Un Costo por Incumplimiento (Shortfall Penalty), penalizando al portafolio al fallar en el cumplimiento de las metas. Por cada elemento que no cumpla las metas aumentará el valor de la función de costo.

15

• Costo de Borde (Boundary Cost) del portafolio. La manera en la que SPOT mide la fragmentación de un portafolio es por la longitud de sus bordes, y bordes más largos significan un valor más alto en la función de costo.

En ArcView: Para activar la extensión SPOT en ArcView 3.X, abrir una VISTA (VIEW) y

agregar en la misma (VIEW�ADD THEME) el shapefile denominado MASK.SHP que se encuentra en C:\home\DATOS\SHAPEFILE. Este shapefile definirá nuestra área de estudio.

• Dirigirse al menú EXTENSIONS dentro del menú FILE de la vista.

16

• Una vez que haya activado la extensión, se creará en la vista un nuevo menú denominado SPOT.

El siguiente paso consiste en definir las unidades de análisis con las que se va a trabajar. Las unidades de análisis pueden ser arbitrariamente creadas en tamaño y forma, dependiendo de las necesidades de los planificadores. En los planes ecoregionales de TNC, se han utilizado con mayor frecuencia hexágonos pequeños. La consideración primordial al escoger unidades de análisis, es el tamaño:

o Si las unidades son muy pequeñas, habrá tantas que la integración del portafolio será inaceptablemente lenta o fracasará en producir una respuesta robusta.

o Si las unidades son muy grandes, el análisis será demasiado general y fracasará en representar adecuadamente la realidad.

Es importante recordar que todo en SPOT está basado alrededor de las unidades de análisis: distribuciones de elementos u otra información espacial, no importa qué tan fina, es remuestreada hacia la unidad de análisis más cercana, así como la información en imágenes digitales es remuestreada al píxel más cercano. Las unidades de análisis constan de:

17

o Un identificador o Un costo base o El status de la celda (si son usadas o no al inicio del proceso) Cuando una unidad es incluida en el portafolio, su costo es agregado al valor total

de la función de costo. Este costo puede representar un área simple, o los planificadores pueden usar valores más sofisticados para hacer que algunas unidades sean preferidas sobre otras. Frecuentemente, índices de factibilidad de SIG son integradas en el costo base de una unidad. Cualquier cobetura puede ser usada como unidades de análisis, pero las coberturas de polígonos funcionarán mejor en la mayoría de los casos. La cobertura que se desee usar para las unidades de análisis debe de contar con:

o Un identificador numérico o Un campo con el tamaño de la unidad o Un campo con el costo base de la unidad para la función de costo. Para seleccionar una cobertura como unidades de análisis se puede usar el

comando CHOSEE ANALYSIS UNITS del menú de SPOT y se seleccionan los campos correctos a utilizar. En este ejercicio:

• Seleccionar la opción GENERATE HEXAGONS para crear las unidades de análisis. Los hexágonos son convenientes pues minimizan la proporción entre área y perímetro. Las mediciones de estas áreas estarán en las mismas unidades que las unidades del mapa. Las longitudes serán medidas en un equivalente lineal al área de la unidad (e.g. metros si el área está en metros cuadrados).

• Se pedirá que se escoja el tema a “hexagonizar”. Seleccionar el shapefile Mask.shp.

• A continuación se pedirá que se determine el tamaño del hexágono. Seleccionar la

tercera opción SPECIFY HEXAGON SIZE AS AREA.

18

• En este ejercicio se crearán unidades de análisis con un área de 25 km2. Esto generará alrededor de 4700 hexágonos que cubrirán el área de estudio.

Después de que las unidades de análisis han sido seleccionadas, los usuarios pueden cambiar el estatus de las unidades para el proceso de solidificación. Hay cuatro opciones:

1) Seleccionada (LOCKED IN): Las unidades seleccionadas serán incluidas en el portafolio. Ellas deben ser parte final de la solución, y de todas las soluciones durante el proceso.

2) No seleccionada (LOCKED OUT): Estas unidades seleccionadas no serán parte de ninguna solución. Eso se aplica generalmente cuando existen zonas existentes de reserva (i.e. parques nacionales, reservas ecológicas, etc).

3) Inicialmente dentro (INITIALLY IN): Las unidades estarán en el portafolio para la primera iteración, pero no están fija después de eso.

4) Inicialmente fuera (INITIALLY OUT): Las unidades seleccionadas no estarán en el portafolio en la primera iteración. Esto es el default en SPOT ( y en SITES) Para cambiar el estatus de algunas unidades, es posible seleccinarlas usando las herramientas de selección de ArcView y se utiliza el comando Seleccionar (lock) de las unidades de análisis.

• Para este ejercicio no se modificarán estas opciones. Seguidamente es necesario calcular la información sobre la longitud del borde y

definir los límites entre las unidades de análisis para crear la topología que permitirá a SPOT establecer las relaciones de contigüidad entre los hexágonos:

• Para esto, ir a SPOT � Calculate Boundaries y especificar el nombre del archivo que contendrá los limites y relaciones topológicas.

19

Creación de la lista de elementos de conservación

SPOT mantiene la lista de elementos en una tabla de ArcView. • Para crear un listado de elementos en blanco, utilice el comando CREATE

TARGE TABLE desde el menú SPOT. Para agregar nuevos elementos, simplemente agréguelos a la tabla en la ventana de tablas en ArcView . Si desea mantener la compatibilidad con SITES, se debe de asegurar de que no haya espacios en los nombres de los elementos.

• El valor del campo Tgt_id corresponde al mismo identificador de la especie que se ingreso en ArcGIS en el campo GRIDCODE.

• El campo Name contiene los nombres de las especies. • El valor del campo Goal es el área que se ha planteado como objetivo de

conservación. Para este ejercicio se ha planteado un objetivo del 10% para cada distribución. Los valores que se encuentran en esta tabla equivalen a esos porcentajes en unidades de área (m2).

• El campo Penfact contiene valores de un factor de penalización para cada especie. Este valor depende del criterio de los planificadores. En este ejercicio no se penalizará ninguna especie por lo que se utilizará la unidad como factor.

• El campo Minarea contiene el área mínima para la conservación si existiese algún criterio para determinar esta área. En este ejercicio el área mínima será 0.

También se puede crear o importar una tabla de elementos usando la herramienta de su elección, y utilice el comando CHOOSE INPUTS para seleccionarlo como la tabla de elementos. El apéndice A tiene información sobre la estructura necesaria. Esto da a los usuarios la libertad de mantener información en la lista de elementos y la planeación del proceso en una herramienta más conveniente como Excel y Access.

Importación de distribuciones de sustitutos de biodiversidad

SPOT puede importar distribuciones de elementos a partir de shapefiles de Arc-View. El shapefile puede contener la distribución de múltiples elementos, mientras estén identificados por algún identificador. (Si los IDs usados no coinciden con las listas de elementos objeto de SPOT, SPOT pedirá que se identifique el elemento al que corresponda a cada ID no reconocido).

• Añadir en la vista los shapefiles correspondientes a las distribuciones de las especies de plantas.

• Para importar una distribución, se utiliza el comando IMPORT DISTRIBUTION. SPOT pedirá:

• La cobertura a importar • El campo que contiene el identificador o ID. En este ejercicio el campo con el

ID de la especie corresponde al campo GRIDCODE del shapefile.

20

• Para cada ID encontrado en el archivo, SPOT preguntará a qué elemento (de la lista de elementos) corresponde. [Recordar que: Gridcode = 1 corresponde a la primera especie, gridcode = 2 a la segunda, y gridcode = 3 a la tercera.

• Para cada elemento, la cobertura puede reemplazar cualquier distribución existente o agregarse a la existente. Para este ejercicio seleccione que NO se remplacen las distribuciones existentes.

• Como debe de ser medido cada elemento durante la importación. SPOT automáticamente intersecará la distribución de sustitutos de la

biodiversidad con las unidades de análisis, realizará almacenamiento y la conversión a las unidades apropiadas.

• Hay varias formas de rastrear las distribuciones de elementos que SPOT soporta. El comportamiento del el almacenamiento de las distribuciones de elementos de SPOT depende de lo que se seleccione durante la importación:

• Área: SPOT calcula el área del elemento presente en cada unidad de análisis. Esta opción está disponible solo si tabla de distribución es de polígonos. Si no se reemplazan las distribuciones preexistentes, entonces la distribución importada será agregada a la ya existente.

• Cuenta: SPOT contara cada registro individual que ocurra en cada unidad de análisis. Esto es sumado a la información preexistente a menos que se le pida a SPOT que reemplace la distribución preexistente.

• Presencia / Ausencia: SPOT marcara cada unidad de análisis como que contiene o no cualquiera de los elementos.

• Como las distribuciones están en forma de polígonos entonces seleccione AREA. Las distribuciones son almacenadas en una tabla de ArcView, creadas la primera vez que usted importa un shapefile.

• En este ejercicio, importe las distribuciones de las tres especies que fueron creadas en Garp y editadas en ArcGIS (occ_sp2, occ_sp2, occ_sp3). Estos shapefiles deben estar en la tabla de contenidos de la vista en ArcView. Corriendo SPOT

• Una vez que las tablas de entrada y los shapefiles estén listos, se utiliza el comando de Run core para comenzar el proceso de Simulated annealing.

• SPOT pedirá un nombre de escenario, el numero de iteraciones y el valor del Modificador de de la longitud del límite. Una vez que estén establecidos los valores, hacer clic en GO.

21

• Para este ejerció se crearán cuatro escenarios.

Escenario BLM Iteraciones Corridas

1 4 10000 100 2 500 5000 100 3 4 1000 100 4 500 500 100

SPOT preguntará por la ubicación en donde las entradas deben de ser creadas y los resultados generados antes de correr el Motor. Antes de que el motor aparezca en pantalla, generará Costos de incumplimiento de elementos, así que habrá algunos segundos antes de que el núcleo aparezca.

Para comenzar el proceso de Simulated annealing, se hace clic en GO. SPOT comenzará a correr y la computadora parecerá atorada, pero el proceso de información se estará actualizando periódicamente (Cada cierto número de iteraciones).

Desplegando los resultados en pantalla. • Para desplegar la mejor solución como una cobertura espacial ir a SPOT �

LOAD SOLUTION y dirigirse a la carpeta donde se encuentran los resultados de cada escenario. En cada carpeta existen dos carpetas llamadas OUTPUTS e INPUTS.

• Seleccionar OVERALLBEST.TXT dentro de OUTPUTS e indicar el nombre para el nuevo shapefile que contendrá los resultados, por ejemplo: bestresult_1.shp. La creación del nuevo archivo tomará un tiempo. El resultado es un archivo de hexágonos con valores 0 y 1 que representan la mejor solución posible dentro de un determinado escenario. Las celdas con valor 0 son aquellas que quedarán fuera del portafolio de sitios. Las celdas con valor 1 son aquellas que se incluyen.

22

• Para desplegar la suma de las soluciones como una cobertura espacial ir a SPOT � LOAD A SUM SOLUTION.

• En la misma forma, seleccionar el archivo SUMMEDSO.TXT dentro de OUTPUTS e indicar el nombre para el nuevo shapefile que contendrá la suma de las corridas individuales. En la tabla de este archivo existe un campo denominado SUM_RESULT. Este campo indica cuantas veces ha sido seleccionada una celda en un determinado escenario. Este tipo de análisis permite obtener soluciones más robustas.

Productos

1. Generar 3 mapas con los modelos de distribución de las tres especies de plantas. 2. Generar 4 mapas con las sumas de las corridas para cada uno de los escenarios

con una leyenda que describa aquellos sitios que se recomendarían para la inclusión dentro de un sistema de áreas protegidas.

3. Generar 4 mapas con las mejores soluciones para cada uno de los escenarios con una explicación sobre las limitaciones de cada solución.

REFERENCIAS

Anderson, R.P., M. Gómez-Laverde, and A.T. Peterson. 2002a. Geographical distributions of spiny pocket mice in South America: insights from predictive models. Global Ecology & Biogeography 11:131-141.

Anderson, R.P., A.T. Peterson, and M. Gómez-Laverde. 2002b. Using niche-based GIS modeling to test geographic predictions of competitive exclusion and competitive release in South American pocket mice. Oikos 98:3-16.

Anderson, R.P. and E. Martínez-Meyer. 2004. Modeling species’ distributions for preliminary conservation assessments: an implementation with the spiny pocket mice (Heteromys) of Ecuador. Biological Conservation 116:167-179.

Bezaury-Creel, J.E. 2004. Las Áreas Naturales Protegidas Costeras y Marinas de México. In: Rivera-Arriaga, E., G. Villalobos-Zapata, F. Rosado-May, and I. Azuz-Adeath, (eds) El Manejo Costero en México, Parte III Protección de la Zona

Costera, Universidad Autónoma de Campeche. SEMARNAT, CETYS-Universidad, Universidad de Quintana Roo. 654 pp.

Ferrier, S. 2002. Mapping spatial pattern in biodiversity for regional conservation planning: where to from here? Systematic Biology 51:331-363.

Goodchild, M.F. 2003. Geographic Information Science and systems for environmental management. Annual Review of Environment & Resources 28:493-519.

Kelley, C., J. Garson, A. Aggarwal, and S. Sarkar. 2002. Place prioritization for biodiversity reserve network design: a comparison of the SITES and ResNet software packages for coverage and efficiency. Diversity & Distributions 8:297-306.

Kirkpatrick, J.B.1983. An iterative method for establishing priorities for the selection of nature reserves: an example from Tasmania. Biological Conservation 25:127-134.

Margules, C.R. and R.L. Pressey. 2000. Systematic conservation planning. Nature 405:243-253.

23

McDonnell, M., H.P. Possingham, I.R. Ball, and E.A. Cousins. 2002. Mathematical methods for spatially cohesive reserve design. Environmental Modeling &

Assessment 7:107-114. New, M., D. Lister., M. Hulme, and I. Makin. 2002. A high-resolution data set of surface

climate over global land areas. Climate Research 21:1-25. Peralvo, M., R. Sierra, K.R. Young, and C. Uloa-Uloa. 2007. Identification of

biodiversity conservation priorities using predictive modeling: an application for the equatorial pacific region of South America. Biodiversity Conservation 16:2649-2675.

Peterson, A.T. 2001. Predicting species’ geographic distributions based on ecological niche modeling. Condor 103:599-605.

Peterson, A.T., L.G. Ball, and K.C. Cohoon. 2002a. Predicting distributions of Mexican birds using ecological niche modeling methods. Ibis 144:E27-E32.

Peterson, A.T., D.R.B. Stockwell, and D.A. Kluza. 2002c. Distributional prediction based on ecological niche modeling of primary occurrence data. In: Scott, J.M., P.J. Heglund, and M.L. Morrison (eds) Predicting Species Occurrences: Issues of Scale

and Accuracy. Washington, DC: Island Press, pp 617-623. Peterson, A.T. and J. Shaw. 2003. Lutzomyia vectors for cutaneous leishmaniasis in

Southern Brazil: ecological niche models, predicted geographic distributions, and climate change effects. International Journal of Parasitology 33:919-931.

Peterson, A.T. and D.A. Vieglais. 2001. Predicting species invasions using ecological niche modeling. BioScience 51:363-371.

Peterson, A.T., S.L. Egbert, V. Sánchez-Cordero, and K.P. Price. 2000. Geographic analysis of conservation priority: endemic birds and mammals in Veracruz, Mexico. Biological Conservation 93:85-94.

Peterson, A.T., J. Soberón, and V. Sánchez-Cordero. 1999. Conservatism of ecological niches in evolutionary time. Science 285:1265-1267.

Possingham, H., I. Ball, and S. Andelman. 2000. Mathematical methods for identifying representative reserve networks. In: Fersona, S. and M. Burgman (eds) Quantitative

Methods for Conservation Biology. New York: Springer-Verlag, pp 291-305. Pressey, R.L. and A.O. Nicholls. 1989. Efficiency in conservation evaluation: scoring

versus iterative approaches. Biological Conservation 50:199-218. Sánchez-Cordero, V. and E. Martínez-Meyer. 2000. Museum specimen data predict crop

damage by tropical rodents. Proceedings of the National Academy of Sciences 97:7074-7077.

Shoutis, D. 2003. SPOT: The Spatial Portfolio Optimization Tool. Washington, DC: The Nature Conservancy. 55 pp.

Sierra, R., F. Campos, and J. Chamberlin. 2002. Assessing biodiversity conservation priorities: ecosystem risk and representativeness in continental Ecuador. Landscape and Urban Planning 59:95-110.

Soberón, J. and A.T. Peterson. 2005. Interpretation of models of fundamental ecological niches and species’ distributional areas. Biodiversity Information 2:1-10.

Stockwell, D.R.B. and I.R. Noble. 1992. Induction of sets of rules from animal distribution data: a robust and informative method of analysis. Mathematics &

Computers in Simulation 33:385-390.

24

Stockwell, D.R.B. and D.P. Peters. 1999. The GARP modeling system: Problems and solutions to automated spatial prediction. International Journal of Geographic

Information Systems 13:143-158. Thornthwaite, C.W. 1948. An approach toward a rational classification of climate.

Geographical Review 38:55-94. Tuffly, M.F. and P.J. Comer. 2005. Generating Conservation Scenarios for Puerto Rico.

http://gis.esri.com/library/userconf/proc05/papers/pap1931.pdf. Turpie, J.K. 1995. Prioritizing South African estuaries for conservation: a practical

example using waterbirds. Biological Conservation 74:175-185. Vane-Wright, R.I., C.J. Humphries, and P.H. Williams. 1991. What to protect?

Systematics and the agony of choice. Biological Conservation 55:235-254. White, M.D., J.A. Stallcup, K. Comer, M..A. Vargas, J.M. Beltran-Abaunza, F. Ochoa,

and S. Morrison (forthcoming). Designing and establishing conservation areas in the Baja California--Southern California border region. Presented at the Border Institute VI conference in Rio Rico, AZ. April 26-28, 2004.

Williams, P.H., C.R. Margules, and D.W. Hilbert. 2002. Data requirements and data sources for biodiversity priority area selection. Journal of Biosciences 27:327-338.

Zaniewski, A.E., A. Lehmann, and J.M. Overton. 2002. Predicting species spatial distributions using presence-only data: a case study of native New Zealand ferns. Ecological Modeling 157:261-280.

Zhang, J. and M.F. Goodchild. 2002. Uncertainty in geographical information. Taylor and Francis, London.