tesis doctoral ) y de sus plagas · de vicente santiago marco mancebón e ignacio pérez moreno,...

Yuliana Grisel García Martínez

Vicente Santiago Marco Mancebón, Daniel Jiménez García y Ignacio Pérez Moreno

Facultad de Ciencia y Tecnología

Agricultura y Alimentación

Título

Director/es

Facultad

Titulación

Departamento

TESIS DOCTORAL

Curso Académico

Impacto del cambio climático sobre la distribuciónpotencial de la vid (Vitis vinifera) y de sus plagas

asociadas Lobesia botrana y Eupoecilia ambiguella enEuropa

Autor/es

© El autor© Universidad de La Rioja, Servicio de Publicaciones, 2020

publicaciones.unirioja.esE-mail: [email protected]

Impacto del cambio climático sobre la distribución potencial de la vid (Vitisvinifera) y de sus plagas asociadas Lobesia botrana y Eupoecilia ambiguella

en Europa, tesis doctoral de Yuliana Grisel García Martínez, dirigida por Vicente SantiagoMarco Mancebón, Daniel Jiménez García y Ignacio Pérez Moreno (publicada por la

Universidad de La Rioja), se difunde bajo una Licencia Creative CommonsReconocimiento-NoComercial-SinObraDerivada 3.0 Unported.

Permisos que vayan más allá de lo cubierto por esta licencia pueden solicitarse a los titulares del copyright.

Impacto del cambio climático sobre la distribución potencial de

la vid (Vitis vinifera) y de sus plagas asociadas Lobesia botrana

y Eupoecilia ambiguella en Europa

Memoria presentada por:

M.C. Yuliana Grisel García Martínez

Para optar al título de Doctora por la Universidad de La Rioja

DIRECTORES DE TESIS:

Dr. Vicente Santiago Marco Mancebón

Dr. Daniel Jiménez García

Dr. Ignacio Pérez Moreno

La Rioja, Logroño, 2019

DEPARTAMENTO DE AGRICULTURA Y ALIMENTACIÓN


PROGRAMA DE DOCTORADO:

ENOLOGÍA, VITICULTURA Y SOSTENIBILIDAD



Para optar al título de Doctora por la Universidad de la Rioja

Impacto del cambio climático sobre la

distribución potencial de la vid (Vitis vinifera) y

de sus plagas asociadas Lobesia botrana y

Eupoecilia ambiguella en Europa

DIRECTORES DE TESIS:


Dr. Daniel Jiménez García

Dr. Ignacio Pérez Moreno

En Logroño a 7 de octubre de 2019


PROGRAMA DE DOCTORADO:

ENOLOGÍA, VITICULTURA Y SOSTENIBILIDAD

Impacto del cambio climático sobre la

distribución potencial de la vid (Vitis vinifera) y

de sus plagas asociadas Lobesia botrana y

Eupoecilia ambiguella en Europa



Para optar al título de Doctora por la Universidad de la Rioja

Fdo.: Yuliana Grisel García Martínez

V.º B.º del Director V.º B.º del Director

Dr. Ignacio Pérez Moreno Dr. Daniel Jiménez García

V.º B.º del Director


Agradecimientos

Agradecimientos

Esta tesis doctoral ha sido financiada con una beca doctoral al extranjero

(número de beca 284771), otorgada por el Consejo Nacional de Ciencia y

Tecnología (CONACYT), México. ¡Gracias México lindo y querido!

Agradezco al Centro de Agroecología y Ambiente. Instituto de Ciencias

de la Benemérita Universidad Autónoma de Puebla, México, por haber

permitido hacer mi estancia en esta institución, sobre todo a mi Director externo

el Dr. Daniel Jiménez García, quien me ha otorgado todo el conocimiento

metodológico actual sobre los Modelos de Nicho Ecológico y Sistemas de

Información Geográfica, con lo cual sin sus enseñanzas no podría haber

logrado la finalización de este proyecto, gracias por tu guía, tu apoyo, tu

tiempo, tus observaciones siempre tan certeras.

Por otra parte, quiero agradecer al Laboratorio de Protección de cultivos

del departamento de Agricultura y Alimentación, de la Universidad de la Rioja,

ya que la presente tesis doctoral se ha llevado a cabo en él, bajo la Dirección

de Vicente Santiago Marco Mancebón e Ignacio Pérez Moreno, gracias por sus

revisiones, comentarios y su tiempo.

De forma más personal quiero agradecer a mi amado esposo Luis J. G.

quien sin su apoyo en todos los aspectos, no podría haber continuado (nunca

has dejado que me rinda, siempre me has dado fortaleza y me has dado tu

hombro para apoyarme y continuar en esos tiempos tan difíciles, gracias, te

amo, sol de mi vida), perdón por tener que soportar mi carácter explosivo en

Agradecimientos

esos días. Gracias a mis hermosos angelitos Luis Daniel J. G., Jatzibe Taiyari

J.G. y Clio, y perdón por el tiempo de ausencia, sé que no lo he de poder

compensar (algún día espero lo comprendan), hijos, tengan siempre presente

que son mis pilares, el motor de mi vida, mi fortaleza, mi todo, los amo mis

bebes hermosos.

Agradezco a mis padres (J.F. Antonio G. A. y María Soledad M. A), por

darme el ser, especialmente a mi querida madre (sé que siempre estoy en tu

pensamiento y corazón). También mil gracias a don Dany J. V. y doña Ofelia

Bertha G. V., por considerarme como una hija más, por el apoyo moral y las

porras, sepan que ese cariño es correspondido (siempre han sido unos padres

para mí). También quiero, agradecer a Dany J. G. por el apoyo, por estar ahí,

escuchando, ser paño de lágrimas y por tus consejos, al igual Juan J. G.,

ambos tengan siempre presente que son mis grandes amigos, mis hermanos,

los quiero chicos ya habrá tiempo de echar relajo y convivir mucho más. Doña

Guadalupe Evangelina y Mina, gracias por cuidar a toda mi familia desde el

cielo.

Finalmente quiero agradecer a los amigos y compañeros del laboratorio

de Agricultura y Alimentación (Vicente, Nacho, Elena, María, Eduardo, Luz…),

mis demás amigos (Maribel, Ana, Carla, Miriam, María Luisa, Diana P…),

hermanos, primos, sobrinos y familia…

¡Mil Gracias!

Agradecimientos

Cultivemos la ciencia por sí misma, sin considerar por el momento las

aplicaciones. Estas llegan siempre, a veces tardan años, a veces, siglos.

Santiago Ramón y Cajal

Índice

Índice

i

Índice

Índice de contenidos……………………………………………………………………i

Índice de tablas………………………………………………………………………..iii

Índice de figuras……………………………………………………………………….iv

Resumen……………………………………………………………………………….ix

Summary……..………………………………………………………….……………xiv

1. Introducción………………………………………………………………………….1

1.1. Bibliografía…………….……………………………….………………….7

2. Objetivos……………………………………………………………………..…….13

2.1. Objetivo general…………………………………………………..……..13

2.2. Objetivos específicos…………………………………………………...13

3. Materiales y métodos…………………………………………………...…..…….15

3.1. Área de estudio…………………………………………………..……...15

3.2. Datos de ocurrencia de cada especie……………...…………………21

3.3. Datos ambientales de los puntos de ocurrencia……………………..22

3.4. Calibración de los modelos de nicho ecológico……………………...26

3.5. Evaluación de los modelos de nicho ecológico……………………...29

3.6. Análisis de Sistemas de Información Geográfica (GIS) ……………31

3.7. Interferencia de V. vinífera, L. botrana y E. ambiguella

con diferentes usos del suelo……………………………………….…32

3.8. Bibliografía…………………………………………………….…………34

4. Distribución potencial del cultivo de la vid en Europa ante el impacto del

cambio climático…………………………………..………………………………37

4.1. Introducción…………………………………..………………………….37

4.2. Resultados…………………………………..…………………………...40

4.3. Discusión…………………………………..…………………………….54

4.4. Conclusiones…………………………………..………………………...61

4.5. Bibliografía…………………………………..…………………………...64

Anexo 1…………………………………..……………………………………69

Índice

ii

5. Distribución potencial de Lobesia botrana en Europa ante el impacto del

cambio climático…………………………………..………………………………72

5.1. Introducción…………………………………..……………………….…72

5.1.1. Posición taxonómica…………………………………..….…..72

5.1.2. Distribución geográfica………………………………..…...…73

5.1.3. Biología, descripción y daños…………………………..……74

5.1.4. Lobesia botrana y cambio climático…………………………76

5.2. Resultados…………………………………..…………………………...81

5.3. Discusión…………………………………..…………………………….91

5.4. Conclusiones…………………………………..……………….………..99

5.5. Bibliografía………………………………………………………..…….102

Anexo 2…………………………………..…………………………………..108

6. Distribución potencial de Eupoecilia ambiguella en Europa ante el impacto

del cambio climático……………………………………………………….…….114

6.1. Introducción……………………………………………………....…….114

6.1.1. Posición taxonómica…………………………………..…….114

6.1.2. Distribución geográfica…………………………………..….115

6.1.3. Biología, descripción y daños………………………………116

6.1.4. Eupoecilia ambiguella y cambio climático………………...118

6.2. Resultados…………………………………..………………………….119

6.3. Discusión…………………………………..………………………..….128

6.4. Conclusiones…………………………………..……………………….132

6.5. Bibliografía…………………………………..………………………….135

Anexo 3…………………………………..…………………………………..137

7. Conclusiones generales……………………………..………………………….140

Índice

iii

Índice de tablas

Tabla 1. Variables bioclimáticas de WorldClim empleadas en el proceso de

modelado…………………………………………………………………...…23

Tabla 2. Modelos de circulación general (GCM) empleados para la proyección

a futuro de los modelos de nicho ecológico bajo los escenarios de

emisión RCP 4.5 y RCP 8.5…………………………………………………25

Tabla 3. Principales características de los escenarios de cambio climático RCP

4.5 y RCP 8.5. ………………………………………………………………..26

Tabla 4. Modelos de nicho ecológico de V. vinífera seleccionados en función de

los criterios de significancia, rendimiento y

complejidad……………………………………………………………………40

Tabla 5. Modelos de nicho ecológico para L. botrana seleccionados en función

de los criterios de significancia, rendimiento y complejidad……………..82

Tabla 6. Modelos de nicho ecológico de E. ambiguella seleccionados en

función de los criterios de significancia, rendimiento y

complejidad………………………………………………………………….120

Índice

iv

Índice de figuras

Figura 1. Regiones vitícolas de Europa productoras de vinos de calidad:

Denominación de Origen Protegida (PDO), Indicación Geográfica

Protegida (PGI) y Vinos con Indicación Geográfica (WGI)………………17

Figura 2. Región M (amarillo) y puntos de ocurrencia de Vitis vinifera en

Europa utilizados para generar su modelo de nicho ecológico (en rojo,

puntos de calibración; en verde, puntos de validación).…………………18

Figura 3. Región M (amarillo) y puntos de ocurrencia de Lobesia botrana en

Europa utilizados para generar su modelo de nicho ecológico (en rojo,

puntos de calibración; en verde, puntos de validación)………………….19

Figura 4. Región M (amarillo) y puntos de ocurrencia de Eupoecilia ambiguella

en Europa utilizados para generar su modelo de nicho ecológico (en rojo,

puntos de calibración; en verde, puntos de validación)………………….20

Figura 5. Proyección geográfica en Europa de las áreas de idoneidad

ambiental de V. vinífera en la situación climática presente, según su

modelo de nicho ecológico………………………………………………….42

Figura 6. Proyección geográfica en Europa de las áreas de incremento (verde),

persistencia (gris) y pérdida (rojo) de idoneidad ambiental de V. vinifera

previstas para el año 2050, según su modelo de nicho ecológico y los 22

GCM y considerando el escenario de emisión RCP 4.5. A mayor

intensidad del color, mayor número de GCM que coinciden en la misma

predicción……………………………………………………………………..43

Índice

v

Figura 7. Detalle de las áreas de pérdida de idoneidad ambiental de V. vinífera

en Portugal, España, Italia, Chipre y Grecia, previstas para el año 2050

según su modelo de nicho ecológico y considerando el escenario de

emisión RCP 4. 5.…………………………………………………………….44

Figura 8. Proyección geográfica en Europa de las áreas de incremento (verde),

persistencia (gris) y pérdida (rojo) de idoneidad ambiental de V. vinifera

previstas para el año 2050, según los 22 GCM y considerando el

escenario de emisión RCP 8.5. A mayor intensidad del color, mayor

número de GCM que coinciden en la misma predicción…………………45

Figura 9. Detalle de las áreas de pérdida de idoneidad ambiental de V. vinífera

en Portugal, España e Italia, previstas para el año 2050 según su

modelo de nicho ecológico y considerando el escenario de emisión RCP

8. 5.…………………………………………………………………………….46

Figura 10. Áreas de no hábitat, pérdida, incremento y persistencia de

idoneidad ambiental de V. vinífera en las regiones vitivinícolas europeas

productoras de vinos de calidad (PDO, PGI y WGI), previstas para el año

2050 y considerando los escenarios de emisión RCP 4.5.……………...48

Figura 11. Áreas de no hábitat, pérdida, incremento y persistencia de

idoneidad ambiental de V. vinífera en las regiones vitivinícolas europeas

productoras de vinos de calidad (PDO, PGI y WGI), previstas para el año

2050 y considerando los escenarios de emisión RCP 8.5.………..……49

Índice

vi

Figura 12. Superficie (km2) ocupada actualmente por diferentes usos del suelo

en las zonas en las que se pronostica persistencia e incremento de la

idoneidad ambiental de Vitis vinifera para el año 2050 bajo los

escenarios de emisión RCP 4.5 y RCP 8. 5............................................53

Figura 13. Distribución mundial de Lobesia botrana (según EPPO,

2019)…………………………………………………………………………..73

Figura 14. Distribución de los MNE para L. botrana según su significancia

estadística, determinada por la tasa de omisión (< 5%) y el criterio de

información de Akaike corregido (AICc)……………………………..…….82


ambiental de L. botrana en la situación climática presente, según su

modelo de nicho ecológico…..................................................................84

Figura 16. Proyección geográfica en Europa de las áreas de pérdida (rojo),

persistencia (gris) e incremento (verde) de idoneidad ambiental para L.

botrana previstas para el año 2050, según los 22 GCM y considerando el


número de GCM para los que el modelo de nicho coincide en la misma

predicción. En azul, la zona de distribución actual del viñedo (Corine,

2010)………………………………………………………………………......85

Índice

vii


persistencia (gris) e incremento (verde) de idoneidad ambiental de L.

botrana previstas para el año 2050, según los 22 GCM y considerando el


número de GCM para los que el modelo de nicho coincide en la misma

predicción. En azul, la zona de distribución actual del viñedo (Corine,

2010).……………………………………………………………………….....86

Figura 18. Superficie (km2) ocupada por diferentes usos del suelo en las zonas

en las que se pronostica persistencia e incremento de la idoneidad

ambiental para Lobesia botrana en el año 2050 bajo los escenarios de

emisión RCP 4.5 y RCP 8. 5.……………................................................90

Figura 19. Distribución mundial de Eupoecilia ambiguella (según EPPO,

2019)…………………………………………………………………………115

Figura 20. Distribución de los MNE de E. ambiguella según su significancia

estadística, determinada por la tasa de omisión (< 5%) y el Criterio de

Información de Akaike corregido (AICc)………………………………….120


ambiental de E. ambiguella en la situación climática presente, según su

modelo de nicho ecológico………………………………………………...122

Índice

viii


persistencia (gris) e incremento (verde) de idoneidad ambiental para E.

ambiguella previstas para el año 2050, según los 22 GCM y

considerando el escenario de emisión RCP 4.5. A mayor intensidad del

color, mayor número de GCM para los que el modelo de nicho coincide

en la misma predicción. En azul, la zona de distribución actual del viñedo

(Corine, 2010)…………………………………………………………….…124


persistencia (gris) e incremento (verde) de idoneidad ambiental para E.

ambiguella previstas para el año 2050, según los 22 GCM y

considerando el escenario de emisión RCP 8.5. A mayor intensidad del

color, mayor número de GCM para los que el modelo de nicho coincide

en la misma predicción. En azul, la zona dedistribución actual del viñedo

(Corine, 2010)……………………………………………………………….125

Figura 24. Superficie (km2) ocupada por diferentes usos del suelo en las zonas

en las que se pronostica persistencia e incremento de la idoneidad

ambiental para E. ambiguella para el año 2050, bajo los escenarios de

emisión RCP 4.5 y RCP 8.5……………………………………………….127

Resumen

ix

Resumen

El ser humano está provocando importantes transformaciones en la

Tierra, especialmente durante los últimos dos siglos. En este periodo de

tiempo, los impactos de dichas transformaciones se han hecho claramente

visibles a escala global. En concreto, durante el último siglo se ha registrado un

claro incremento de las emisiones de gases con efecto invernadero a la

atmósfera, lo que ha provocado un aumento en la temperatura media del

sistema climático del Planeta (calentamiento global), así como cambios

estadísticamente relevantes respecto a los patrones climáticos existentes

durante un largo período de tiempo anterior (cambio climático). A día de hoy, es

ampliamente reconocido que el cambio climático es uno de los principales

problemas ambientales que afronta el Planeta, entre otros motivos, por su

influencia directa sobre los sistemas naturales. Además, como resulta también

lógico, las tierras agrícolas están particularmente expuestas a las

modificaciones del clima, por lo que su disponibilidad y productividad son

especialmente sensibles a los efectos del cambio climático.

Europa es un espacio geográfico para el que hay indicios de que se está

calentando, incluso más rápido que muchas otras partes del mundo. Dentro de

Europa, las manifestaciones del cambio climático variarán según países y

sectores. Así, por ejemplo, tendrá lugar un mayor calentamiento en el sur

durante el verano y en el noreste durante el invierno, y las precipitaciones

anuales aumentarán en el norte y en grandes partes de Europa continental,

mientras que disminuirán en el sur. Por otra parte, la vid es uno de los

principales cultivos de este continente, en cuyo territorio tiene una enorme

repercusión económica, social, cultural y ambiental-paisajística. Por ello, la

Resumen

x

previsión de la distribución potencial del cultivo de la vid en el futuro se está

convirtiendo en una preocupación de gran calado. Además, resulta también de

mucho interés, predecir qué sucederá con sus plagas asociadas, ya que el

cambio climático influirá en importantes rasgos de su morfología, biología y

ecología, así como en su distribución geográfica futura. Estas previsiones

ayudarán a evaluar las plagas que podrían convertirse en el futuro en

auténticos problemas en algunas zonas geográficas concretas. Los

lepidópteros de la familia Tortricidae Lobesia botrana y Eupoecilia ambiguella,

comúnmente conocidos como polillas del racimo, son dos de las plagas más

importantes de la vid en Europa, por lo que requieren especial atención en este

contexto de cambio climático.

Ante toda esta situación descrita, en el presente trabajo se planteó el

objetivo de evaluar el impacto del cambio climático sobre la distribución de la

vid y de sus plagas asociadas L. botrana y E. ambiguella en Europa, mediante

los modelos de nicho ecológico (MNE) bajo los escenarios de cambio climático

RCP 4.5 y RCP 8.5, en el periodo de prospección “presente - año 2050”.

Para conseguir este objetivo, resulta especialmente útil la mencionada

aplicación de los MNE ya que estos modelos permiten explorar la distribución

potencial de los sitios adecuados para la supervivencia de las poblaciones de

una especie teniendo en cuenta las consecuencias del impacto del cambio

climático según diferentes escenarios. Para facilitar el modelado de nicho

ecológico se ha desarrollado un amplio espectro de métodos estadísticos e

implementaciones de software, entre los que se encuentran la Modelización de

Entropía Máxima (MaxEnt) y los Sistemas de Información Geográfica (GIS).

Resumen

xi

La aplicación de esta metodología en el presente trabajo ha permitido

obtener las variables bioclimáticas que aportan más a los modelos de nicho

ecológico, de cara a determinar las áreas de idoneidad ambiental de la vid y de

L. botrana y E. ambiguella en la actualidad en Europa y su distribución

potencial en el mismo continente en el año 2050.

En el caso de la vid, si bien los resultados predicen una persistencia de

las condiciones ambientales adecuadas para su cultivo en gran parte del

territorio europeo, también estiman notables pérdidas de superficie con

idoneidad ambiental en regiones europeas con climas cálidos, en concreto,

regiones pertenecientes a países mediterráneos (Portugal, España, Italia,

Grecia y Chipre). Por otro lado, se prevé un incremento notable de superficie

con idoneidad ambiental para el cultivo de la vid en algunas regiones del centro

y norte de Europa (Suiza y Austria, p). Además, el modelado señala a algunas

importantes regiones vitivinícolas productoras de vinos de calidad (PGI, PDO y

WGI) como muy vulnerables al cambio climático. Considerando el escenario de

emisión RCP 8.5, el uso del suelo principalmente implicado, tanto en las zonas

en las que se dará persistencia de idoneidad ambiental para el cultivo de la vid

como en aquéllas en las se producirá un incremento de la misma, es el de

“Cubierta arbustiva, abierta (15-40%)-cerrada (>40%), arbustos de hoja

perenne” mientras que no se observa un uso de suelo predominante en esas

zonas, considerando el escenario RCP 4.5. Además, en el presente trabajo se

ha encontrado que, en amplias zonas montañosas en las que actualmente

predomina la vegetación natural, se prevé que aumente la idoneidad ambiental

para el cultivo de la vid, de modo que la viticultura y la protección de los

Resumen

xii

recursos naturales serán realidades enfrentadas en estos espacios, hecho con

implicaciones sociales y ambientales muy sustanciales.

En el caso de L. botrana, las proyecciones para el año 2050 pronostican

una significativa persistencia de la idoneidad ambiental en regiones

vitivinícolas muy importantes de varios países europeos con relevancia

mundial en el sector, como Portugal, España e Italia. Por otro lado, se prevé la

aparición de zonas con incremento de idoneidad ambiental en 38 países, la

mayoría de ellos situados en el norte de Europa. En este sentido es

destacable que, según el escenario RCP 8.5, se esperan incrementos

significativos de idoneidad ambiental en regiones importantes en el sector

vitivinícola, como algunas de Alemania, Austria, República Checa y Suiza. Por

otro lado, los usos del suelo predominantes en las zonas con persistencia e

incremento de idoneidad ambiental para L. botrana favorecen el aumento de la

humedad relativa, pudiéndose evitar, así, mortalidades elevadas de sus etapas

de desarrollo especialmente sensibles a valores bajos de la misma. Finalmente,

indicar que la llegada de L. botrana a nuevas zonas en las que coincida la

idoneidad ambiental para ella y para la vid se estima muy probable, entre otros

motivos, porque la expansión de la plaga se ve facilitada al ser capaz de

alimentarse de la vid, pero también de un número significativo de otros

huéspedes alternativos.

Para E. ambiguella se prevé una estabilidad de las condiciones de

idoneidad ambiental en regiones de Europa con climas y/o microclimas

húmedos y en aquéllos en los que los incrementos de temperatura y los

descensos de las precipitaciones tendrán lugar de modo más amortiguado. Por

otro lado, se estima que las pérdidas de idoneidad ambiental para esta polilla

Resumen

xiii

se extenderán por la mayor parte de Europa, quedando restringida su área de

distribución a las regiones más septentrionales y a algunas zonas aisladas del

centro. Considerando solo los países en los que la viticultura constituye un

sector económicamente relevante y E. ambiguella es valorada como una plaga

clave (Alemania, Italia y Suiza), las predicciones señalan que los porcentajes

de incremento de superficie con idoneidad ambiental serán muy reducidos (≤

1% en el peor de los escenarios, RCP 8.5). Por otro lado, los usos del suelo

predominantes en las zonas implicadas en la persistencia e incremento de

idoneidad ambiental para esta polilla favorecen el aumento de la humedad

relativa, factor ambiental muy relevante para la supervivencia de la especie.

Por último, señalar que, como ocurría en el caso de L. botrana, E. ambiguella

es una especie polífaga, hecho que facilita su expansión geográfica. Así,

posiblemente, esta polilla constituirá una plaga clave en aquellas zonas en las

que se implante de forma novedosa el cultivo de la vid y en las que existan

condiciones ambientalmente idóneas para ella, aunque estas superficies serían

cuantitativamente mucho menores que en el caso de L. botrana.

En definitiva, las modificaciones que el cambio climático provocará sobre

las superficies con idoneidad ambiental para el cultivo de la vid y sus plagas

asociadas L. botrana y E. ambiguella en diferentes regiones europeas traerán

importantes consecuencias en los ámbitos económico, social, cultural y

ambiental-paisajístico. Por ello, el presente trabajo, y otros que se desarrollen

en la misma línea, podrían ser considerados para planificar estrategias de

actuación que se adelanten a esos problemas de modo que se puedan

alcanzar soluciones adecuadas en un contexto de Desarrollo Sostenible.

Summary

xiv

Summary

The human activity is causing important transformations on Earth,

especially during the last two centuries. In this period, the impacts of these

transformations have become plainly visible at global level. In particular, during

the last century there has been a marked increase of the release of greenhouse

gases into the atmosphere. This fact has caused an increase in the average

temperature of the global climate system (global warming), as well as

statistically significant changes regarding the pre-existing weather patterns

(climate change). To date, it is widely recognized that climate change is one of

the main environmental problems facing the Planet, not least because its direct

influence on natural systems. In addition, as it is known, agricultural lands are

particularly exposed to climate factors, so their availability and productivity are

especially sensitive to the effects of climate change.

There are indicators pointing to Europe is warming up, even faster than

many other parts of the world. In addition, within Europe, manifestations of

climate change will vary according to the countries and sectors of activity. For

example, a greater warming will take place in the south during the summer and

in the northeast during the winter, and the annual rainfall will increase in the

north and in large parts of continental Europe, while it will decrease in the south.

On the other hand, the vine is one of the main crops of this continent, having a

huge economic, social, cultural, environmental and landscape impact.

Therefore, the forecast of the potential distribution of vine growing in the future

is becoming a major concern. In addition, it is also of great interest to predict

what will happen with its associated pests, since climate change will influence

important features of its morphology, biology and ecology, as well as, its future

Summary

xv

geographical distribution. These forecasts will help assess the pests that could

become in future problems in some specific geographical areas. The commonly

known as grapevine moths, Lobesia botrana and Eupoecilia ambiguella

(Lepidoptera: Tortricidae), are two of the most important grapevine pests in

Europe, thus requiring special attention in this context of climate change.

Taking into account this situation, the objective of this study was to

assess the impact of climate change on the distribution of the vine and its

associated pests L. botrana and E. ambiguella in Europe, using the ecological

niche modeling (ENM) considering the representative concentration pathways

RCP 4.5 and RCP 8.5. The “present - 2050” period was considered.

The use of ENM is especially useful to achieve this objective because

they allow exploring the potential distribution of the appropriate locations for the

species survival under different climate change scenarios. In order to facilitate

the ecological niche modeling, a broad spectrum of statistical methods and

software implementations have been developed, including Maximum Entropy

Modeling (MaxEnt) and Geographic Information Systems (GIS).

The application of this methodology in the present work has allowed to

obtain the bioclimatic variables that contribute most to the ENM, in order to

establish the current European areas of environmental suitability for the vine

and L. botrana and E. ambiguella, and its potential distribution in 2050 in the

same continent.

In the case of the vine, the results predict a persistence of the suitable

environment for its cultivation in a large part of the European territory.

Nevertheless, they also estimate significant surface losses with environmental

Summary

xvi

suitability in European regions with hot climates, specifically, belonging regions

to Mediterranean countries (Portugal, Spain, Italy, Greece and Cyprus). On the

other hand, a significant increase of the surface with suitable environment for

the crop is expected in some regions of central and northern Europe

(Switzerland and Austria, for example). In addition, the models highlight some

important quality wine-growing regions (Protected Designation of Origin -PDO-,

Protected Geographical Indication -PGI- and Wines with Geographical

Indication -WGI-) as very vulnerable to climate change. Considering the RCP

8.5 scenario, the land cover mainly involved, both in areas that are currently

favorable and will still be favorable in the future, and in those that are currently

not favorable but would become favorable in the future is “Shrub Cover, closed-

open, evergreen”. By contrast, no predominant land cover is observed in these

areas, taking into account the RCP 4.5 scenario. In addition, it is expected to

increase the environmental suitability for the cultivation of the vine in large

mountainous areas where natural vegetation currently predominates. This way,

the viticulture and the protection of natural resources in these areas will be two

realities in conflict with substantial social and environmental implications.

The projection for the year 2050 predicts a persistence of the suitable

environment for L. botrana in important wine-growing regions of several

European countries with international relevance in the sector, such as Spain,

Portugal and Italy. On the other hand, the appearance of areas that are

currently not favorable but would become favorable in the future is expected in

38 countries, most of them located in northern Europe. It is noteworthy that,

according to the RCP 8.5 scenario, significant increases in environmental

suitability are expected in important regions in the wine sector, such as some in

Summary

xvii

Germany, Austria, the Czech Republic and Switzerland. On the other hand, the

predominant land covers in areas with persistence and increase of

environmental suitability for L. botrana are in favor of increasing the relative

humidity, thus avoiding high mortalities of the moth developmental stages

especially sensitive to low values. Finally, it is considered likely that L. botrana

reaches new areas, among other reasons, because the expansion of the pest is

facilitated by being able to feed on the vine, but also on a significant number of

other alternative hosts.

A persistence of the suitable environment for E. ambiguella is foreseen in

regions of Europe with humid climates and/or microclimates, and in those in

which temperature increases and precipitation decreases will take place in a

more attenuated way. On the other hand, losses of environmental suitability for

this moth are estimated throughout Europe, being restricted its distribution area

to the northernmost regions and some areas of the center. Taking into account

only the countries in which viticulture constitutes an economically relevant

sector and E. ambiguella is considered as a key pest (Germany, Italy and

Switzerland), very low percentages of increase of surface environmentally

suitable for the moth are predicted (≤ 1% in the worst scenario, RCP 8.5). On

the other hand, the predominant land covers in the zones involved in the

persistence and increase of environmental suitability for this species are in favor

of increasing the relative humidity, environmental factor very relevant for the

survival of the pest. Lastly, it should be noted that, as mentioned in the case of

L. botrana, E. ambiguella is a polyphagous species, a fact that facilitates its

geographical expansion. Thus, E. ambiguella will possibly constitute a key pest

in those areas where the vine is implanted in a novel way, and in which there

Summary

xviii

are environmentally sound conditions for the moth, although these surfaces

would be quantitatively much smaller than in the case of L. botrana.

Overall, the impacts that the climate change is having on the

environmental suitable areas for the vine and its associated pests L. botrana

and E. ambiguella in different European regions will have important economic,

social, cultural, environmental and landscape consequences. Therefore, the

present work, and others developed in the same line, could be considered to

better plan strategies that anticipate these problems, so that adequate solutions

can be reached in a context of Sustainable Development.

Introducción

Introducción

1

1. Introducción

A pesar de que los seres humanos están provocando transformaciones

en la Tierra durante milenios, ha sido durante los últimos dos siglos cuando los

impactos de las mismas se han hecho visibles a escala global (Steffen et al.,

2011 y 2015). Así, durante el último siglo se ha registrado un claro incremento

de las emisiones de gases con efecto invernadero a la atmósfera (el dióxido de

carbono, CO2, entre ellos) (Lambeck et al., 2014; Solomon et al., 2009), lo que

ha provocado un aumento en la temperatura media del sistema climático del

Planeta (calentamiento global), así como cambios estadísticamente relevantes

respecto a los patrones climáticos existentes durante un largo período de

tiempo anterior, hecho que se conoce como cambio climático (Schlott et al.,

2018). Este calentamiento global se ve ilustrado, por ejemplo, por el incremento

confirmado en la temperatura media global del aire desde la década de 1850

(Nistor, 2018). Esos aumentos de temperatura tienen una influencia directa

sobre los sistemas naturales, por lo que el calentamiento global es

ampliamente reconocido como uno de los principales problemas ambientales

que afronta el planeta (Zhai and Helman, 2019). Así por ejemplo, se está

observando un retroceso de los glaciares, entornos que resultan ser

especialmente sensibles frente a este calentamiento global (Dong et al., 2013;

Elfarrak et al., 2014; Nistor and Petcu, 2015; Xie et al., 2013).

Para finales del siglo actual, los escenarios climáticos previstos indican

un aumento en la temperatura de hasta 3 °C, así como una notable disminución

de la cantidad de precipitación en muchas regiones del planeta (IPCC, 2001;

Shaver et al., 2000). Según el último informe del Panel Intergubernamental del

Introducción

2

Cambio Climático (IPCC), bajo diferentes trayectorias de concentración

representativas (RCP) (ver más detalles sobre las RCP en materiales y

métodos), se espera un aumento de la temperatura global de entre 1 °C

(escenario menos severo) y 5 °C (escenario más severo) a lo largo del siglo

XXI (IPCC, 2013). Consecuentemente, el cambio climático, en combinación con

fenómenos ambientales que se ven inducidos, incluidos los que afectan a la

capa de hielo, el nivel del mar, la distribución de las especies o la ocurrencia de

eventos extremos, contribuye a generar transformaciones profundas en la

Tierra como sistema (IPCC, 2014).

La evidencia del cambio climático es inequívoca y las consecuencias

están siendo cada vez más evidentes en todo el mundo y en Europa en

particular (Croce et al., 2018), espacio geográfico que se está calentando más

rápido que muchas otras partes del mundo (Hernández-Morcillo et al., 2018).

Así, por ejemplo, durante la última década, la temperatura del suelo europeo ha

aumentado 0,3 °C (IPCC, 2013). Aunque todo el continente europeo se ve

afectado por el cambio climático, los impactos variarán según países y sectores

(Hernández-Morcillo et al., 2018). Según la Agencia Europea de Medio

Ambiente (EEA), para el periodo comprendido entre 2071 y 2100, comparado

con el periodo 1971-2000, se espera que las temperaturas medias anuales

aumenten entre 1 y 4,5 °C, considerando el escenario RCP 4.5, y entre 2,5 y

5,5 °C teniendo en cuenta el RCP 8.5, con un mayor calentamiento en el sur

durante el verano y en el noreste durante el invierno (EEA, 2017). Para ese

mismo periodo, se pronostica que, en el escenario RCP 4.5, las precipitaciones

anuales aumentarán hasta un 25% en el norte y en grandes partes de Europa

continental, mientras que disminuirán en la misma medida en el sur de Europa

Introducción

3

(Jacob et al., 2014). Como es lógico, las tierras agrícolas están particularmente

expuestas a la variabilidad climática, por lo que su disponibilidad y

productividad son especialmente sensibles al impacto del cambio climático

(Lobell et al., 2008; Vermeulen et al., 2012). A ello hay que añadir que la

estructura del sistema alimentario mundial actual es extremadamente frágil, de

modo que la seguridad alimentaria, incluso en las regiones prósperas, ya no

puede darse por sentada (Candel, 2014; IPCC, 2014).

La vid es uno de los principales cultivos de Europa. Según algunos

autores, el cambio climático impulsará modificaciones en la viticultura que

podrían tener un fuerte impacto en los ecosistemas mediterráneos,

amenazando incluso la persistencia de hábitats naturales en aquellas áreas en

las que la idoneidad para el cultivo de la vid es creciente, lo que puede conducir

a importantes conflictos relacionados con decisiones sobre los usos del suelo

(Sacchelli et al., 2017; Turner et al., 2010). Considerando esta situación, la

previsión de la distribución potencial del cultivo de la vid en el futuro se

convierte en una preocupación de gran calado (Sacchelli et al., 2017).

Las plagas asociadas a los cultivos también son organismos sensibles al

efecto del cambio climático. Por un lado, este influye de forma indirecta sobre

aquellas al modificar la redistribución espacial de los propios cultivos huésped,

mientras que, por otro, lo hace directamente al ser altamente dependientes de

las condiciones ambientales (Andrew et al., 2013; Björkman et al., 2011;

Nooten et al., 2014). De hecho, en este contexto, se prevé que muchas plagas

se conviertan en auténticos problemas alimentarios (Gregory et al., 2009). La

temperatura y otros factores abióticos asociados con el cambio climático

pueden modificar rasgos de las especies, como la velocidad de desarrollo, que

Introducción

4

será mayor y aumentará el voltinismo (Culler et al., 2015), la tasa de

oviposición (Puentes et al., 2015) o el tamaño corporal, que será más reducido

(Facey et al., 2014). También se podrán ver afectados rasgos específicos de

comportamiento (Bodlah et al., 2016; Gunderson y Leal, 2016). En el caso

concreto del cultivo de la vid, unas de las principales plagas que provocan

pérdidas económicas en la mayoría de las zonas vitícolas de Europa son los

lepidópteros de la familia Tortricidae Lobesia botrana (Denis & Schiffermüller,

1775) y Eupoecilia ambiguella (Hübner, 1796) (Thiéry and Moreau, 2005;

Thiéry et al., 2014), comúnmente conocidas como polillas el racimo, por lo que

requieren especial atención en este contexto de cambio climático.

El conocimiento, lo más detallado posible, de las predicciones

relacionadas con la distribución geográfica/ecológica de las especies es

fundamental para la conservación y el manejo de las poblaciones de dichas

especies (Funk and Richardson, 2002; Rushton et al., 2004), así como de los

espacios de especial interés ambiental (Ferrier, 2002;). Además, permite

establecer estrategias de adaptación y mitigación para mejorar la resiliencia,

concretamente, de los sistemas agrícolas afectados (Fraga et al., 2015). Estas

estrategias solo se podrán implementar adecuadamente si se dispone de

información específica del contexto que permita una toma de decisiones

efectiva para, con ello, avanzar hacia una agricultura climáticamente sostenible

(Lipper et al., 2014; Thornton and Herrero, 2014). Bajo estas consideraciones,

resulta especialmente útil la aplicación de los modelos de nicho ecológico

(MNE), ya que constituyen una herramienta que permite evaluar los factores

ambientales asociados a las poblaciones de una especie y sobre la que

influyen en distintos modos y grados. Esta información puede ser analizada por

Introducción

5

distintos tipos de algoritmos para proyectar a nivel geográfico el área potencial

que ocuparía la especie. El propósito del modelado del nicho ecológico es

identificar los sitios adecuados para la distribución potencial de las poblaciones

de una especie por medio de la identificación de sus requerimientos

ambientales (Peterson et al., 2011; Soberón and Nakamura, 2009). Por ello, se

puede convertir en una herramienta muy valiosa al permitir explorar esa

distribución potencial teniendo en cuenta las consecuencias del impacto del

cambio climático según diferentes escenarios. Este conocimiento, por ejemplo,

puede ser utilizado para la obtención de indicadores de gestión de respuesta

agrícola (Rosenzweig et al., 2013; Ruane et al., 2013). Para facilitar todo lo

anterior, se ha desarrollado un amplio espectro de métodos estadísticos e

implementaciones de software (Elith et al., 2006), entre los que se encuentran

la Modelización de Entropía Máxima (MaxEnt) (Phillips et al., 2006) y los

Sistemas de Información Geográfica (GIS).

Aunque estas herramientas proporcionan buenos resultados, para

conseguir un modelado más robusto deben ser considerados los aspectos

siguientes: eliminar, en lo posible, el sesgo de los datos de ocurrencia,

asegurar la independencia de los mismos (Warren and Seifert, 2011) y elegir

variables ambientales no correlacionadas y de crucial importancia al definir el

área accesible (M) para la especie, aspecto muy importante para calibrar el

modelo, ya que de ello depende el esfuerzo del modelado (Barve et al., 2011;

Saupe et al., 2012).

Hasta el momento, sólo unos pocos estudios de modelización han

considerado los efectos potenciales del cambio climático sobre un cultivo y sus

plagas o enfermedades asociadas como parte de la proyección de los impactos

Introducción

6

del cambio climático en la agricultura (Baker et al., 2005; Calonnec et al., 2008;

Gutiérrez et al., 2009; Ponti et al., 2009). La mayoría de las investigaciones se

han centrado en los efectos del cambio climático sobre la fisiología y fenología

de los cultivos (Caffarra and Eccel, 2011; Eccel et al., 2009) o de las plagas y

enfermedades (Estay et al., 2009; Salinari et al., 2006). Considerando todo lo

anterior, en el presente trabajo se han planteado los objetivo que se señalan

más adelante.

Introducción

7

1.2. Bibliografía

Andrew, N.R., Hill, S.J., Binns, M., Bahar, M.H., Ridley, E. V., Jung, M.-P., Fyfe, C., Yates, M., Khusro, M., 2013. Assessing insect responses to climate change: What are we testing for? Where should we be heading? PeerJ 1, e11. https://doi.org/10.7717/peerj.11

Baker, R.H.A., Sansford, C.E., Gioli, B., Miglietta, F., 2005. Combining a disease model with a crop phenology model to assess and map pest risk: Karnal bunt disease (Tilletia indica) of wheat in Europe, Plant Production Systems

Barve, N., Barve, V., Jiménez-Valverde, A., Lira-Noriega, A., Maher, S.P., Peterson, A.T., Soberón, J., Villalobos, F., 2011. The crucial role of the accessible area in ecological niche modeling and species distribution modeling. Ecol. Modell. 222, 1810–1819. https://doi.org/10.1016/J.ECOLMODEL.2011.02.011

Björkman, C., Bylund, H., Klapwijk, M.J., Kollberg, I., Schroeder, M., 2011. Insect pests in future forests: More severe problems? 2, 474–485. https://doi.org/10.3390/f2020474

Bodlah, M.A., Zhu, A.X., Liu, X.D., 2016. Host choice, settling and folding leaf behaviors of the larval rice leaf folder under heat stress. Bull. Entomol. Res. 106, 809–817. https://doi.org/10.1017/S0007485316000584

Caffarra, A., Eccel, E., 2011. Projecting the impacts of climate change on the phenology of grapevine in a mountain area. Aust. J. Grape Wine Res. 17, 52–61. https://doi.org/10.1111/j.1755-0238.2010.00118.x

Calonnec, A., Cartolaro, P., Naulin, J.-M., Bailey, D., Langlais, M., 2008. A host-pathogen simulation model: Powdery mildew of grapevine. Plant Pathol. 57, 493–508. https://doi.org/10.1111/j.1365-3059.2007.01783.x

Candel, J.J.L., 2014. Food security governance: A systematic literature review. Food Secur. 6, 585–601. https://doi.org/10.1007/s12571-014-0364-2

Croce, P., Formichi, P., Landi, F., Mercogliano, P., Bucchignani, E., Dosio, A., Dimova, S., 2018. The snow load in Europe and the climate change. Clim. Risk Manag. 20, 138–154. https://doi.org/10.1016/J.CRM.2018.03.001

Culler, L.E., Ayres, M.P., Virginia, R.A., 2015. In a warmer Arctic, mosquitoes avoid increased mortality from predators by growing faster. Proceedings. Biol. Sci. 282, 20151549. https://doi.org/10.1098/rspb.2015.1549

Dong, P., Wang, C., Ding, J., 2013. Estimating glacier volume loss using remotely sensed images, digital elevation data, and GIS modelling. Int. J. Remote Sens. 34, 8881–8892. https://doi.org/10.1080/01431161.2013.853893

Eccel, E., Rea, R., Caffarra, A., Crisci, A., 2009. Risk of spring frost to apple production under future climate scenarios: The role of phenological acclimation. Int. J. Biometeorol. 53, 273–286. https://doi.org/10.1007/s00484-009-0213-8

Introducción

8

EEA, 2017. Climate change, impacts and vulnerability in Europe 2016. Luxembourg

Elfarrak, H., Hakdaoui, M., Fikri, A., 2014. Development of vulnerability through the drastic method and geographic information system (GIS) (case groundwater of berrchid), Morocco. J. Geogr. Inf. Syst. 6, 45–58. https://doi.org/10.4236/jgis.2014.61006

Elith, J., H. Graham, C., P. Anderson, R., Dudík, M., Ferrier, S., Guisan, A., J. Hijmans, R., Huettmann, F., R. Leathwick, J., Lehmann, A., Li, J., G. Lohmann, L., A. Loiselle, B., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., McC. M. Overton, J., Townsend Peterson, A., J. Phillips, S., Richardson, K., Scachetti-Pereira, R., E. Schapire, R., Soberón, J., Williams, S., S. Wisz, M., E. Zimmermann, N., 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography (Cop.). 29, 129–151. https://doi.org/10.1111/j.2006.0906-7590.04596.x

Estay, S.A., Lima, M., Labra, F.A., 2009. Predicting insect pest status under climate change scenarios: combining experimental data and population dynamics modelling. J. Appl. Entomol. 133, 491–499. https://doi.org/10.1111/j.1439-0418.2008.01380.x

Facey, S.L., Ellsworth, D.S., Staley, J.T., Wright, D.J., Johnson, S.N., 2014. Upsetting the order: How climate and atmospheric change affects herbivore–enemy interactions. Curr. Opin. Insect Sci. 5, 66–74. https://doi.org/10.1016/J.COIS.2014.09.015

Ferrier, S., 2002. Mapping spatial pattern in biodiversity for regional conservation planning: where to from here? Syst. Biol. 51, 331–363. https://doi.org/10.1080/10635150252899806

Fraga, H., Santos, J.A., Moutinho-Pereira, J., Carlos, C., Silvestre, J., Eiras-Dias, J., Mota, T., Malheiro, A.A.C., 2015. Statistical modelling of grapevine phenology in Portuguese wine regions: Observed trends and climate change projections. J. Agric. Sci. 1–17. https://doi.org/10.1017/S0021859615000933

Funk, V.A., Richardson, K.S., 2002. Systematic data in biodiversity studies: use it or lose it. Syst. Biol. 51, 303–316. https://doi.org/10.1080/10635150252899789

Gregory, P.J., Johnson, S.N., Newton, A.C., Ingram, J.S.I., 2009. Integrating pests and pathogens into the climate change/food security debate. J. Exp. Bot. 60, 2827–2838. https://doi.org/10.1093/jxb/erp080

Gunderson, A.R., Leal, M., 2016. A conceptual framework for understanding thermal constraints on ectotherm activity with implications for predicting responses to global change. Ecol. Lett. 19, 111–120. https://doi.org/10.1111/ele.12552

Gutiérrez, A.P., Ponti, L., Cossu, Q.A., 2009. Effects of climate warming on olive and olive fly (Bactrocera oleae (Gmelin)) in California and Italy. Clim. Change 95, 195–217. https://doi.org/10.1007/s10584-008-9528-4

Introducción

9

Hernández-Morcillo, M., Burgess, P., Mirck, J., Pantera, A., Plieninger, T., 2018. Scanning agroforestry-based solutions for climate change mitigation and adaptation in Europe. Environ. Sci. Policy 80, 44–52. https://doi.org/10.1016/J.ENVSCI.2017.11.013

IPCC, 2014. Climate change 2014: Impacts adaptation and vulnerability. New York

IPCC, 2013. Climate Change 2013 The Physical Science Basis. Contribution of working group i to the fifth assessment report of the intergovernmental panel on climate change, Intergovernmental Panel on Climate Change. Cambridge University Press

IPCC, 2001. Climate change 2001: The scientific basis. Cambridge and New York

Jacob, D., Petersen, J., Eggert, B., Alias, A., Christensen, O.B., Bouwer, L.M., Braun, A., Colette, A., Déqué, M., Georgievski, G., Georgopoulou, E., Gobiet, A., Menut, L., Nikulin, G., Haensler, A., Hempelmann, N., Jones, C., Keuler, K., Kovats, S., Kröner, N., Kotlarski, S., Kriegsmann, A., Martin, E., van Meijgaard, E., Moseley, C., Pfeifer, S., Preuschmann, S., Radermacher, C., Radtke, K., Rechid, D., Rounsevell, M., Samuelsson, P., Somot, S., Soussana, J.-F., Teichmann, C., Valentini, R., Vautard, R., Weber, B., Yiou, P., 2014. EURO-CORDEX: New high-resolution climate change projections for European impact research. Reg. Environ. Chang. 14, 563–578. https://doi.org/10.1007/s10113-013-0499-2

Lambeck, K., Rouby, H., Purcell, A., Sun, Y., Sambridge, M., 2014. Sea level and global ice volumes from the last glacial maximum to the Holocene. Proc. Natl. Acad. Sci. 111, 15296–15303. https://doi.org/10.1073/pnas.1411762111

Lipper, L., Thornton, P., Campbell, B.M., Baedeker, T., Braimoh, A., Bwalya, M., Caron, P., Cattaneo, A., Garrity, D., Henry, K., Hottle, R., Jackson, L., Jarvis, A., Kossam, F., Mann, W., McCarthy, N., Meybeck, A., Neufeldt, H., Remington, T., Sen, P.T., Sessa, R., Shula, R., Tibu, A., Torquebiau, E.F., 2014. Climate-smart agriculture for food security. Nat. Clim. Chang. 4, 1068–1072. https://doi.org/10.1038/nclimate2437

Lobell, D.B., Burke, M.B., Tebaldi, C., Mastrandrea, M.D., Falcon, W.P., Naylor, R.L., 2008. Prioritizing climate change adaptation needs for food security in 2030. Science (80-. ). 319, 607–610. https://doi.org/10.1126/science.1152339

Nistor, M.-M., 2018. Climate change effect on groundwater resources in South East Europe during 21st century. Quat. Int. https://doi.org/10.1016/J.QUAINT.2018.05.019

Nistor, M., Petcu, M., 2015. Quantitative analysis of glaciers changes from Passage Canal based on GIS and satellite images, South Alaska. Appl. Ecol. Environ. Res. 13, 535–549. https://doi.org/10.15666/aeer/1302_535549

Introducción

10

Nooten, S.S., Andrew, N.R., Hughes, L., 2014. Potential impacts of climate change on insect communities: A transplant experiment. PLoS One 9, e85987. https://doi.org/10.1371/journal.pone.0085987

Peterson, A.T., Soberón, J., Martínez-Meyer, E., 2011. Ecological niches and geographic distributions, Princeton University Press

Phillips, S.J., Anderson, R.P., Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecol. Modell. 190, 231–259. https://doi.org/10.1016/J.ECOLMODEL.2005.03.026

Ponti, L., Cossu, Q.A., Gutiérrez, A.P., 2009. Climate warming effects on the Olea europea–Bactrocera oleae system in Mediterranean islands: Sardinia as an example. Glob. Chang. Biol. 15, 2874–2884. https://doi.org/10.1111/j.1365-2486.2009.01938.x

Puentes, A., Torp, M., Weih, M., Björkman, C., 2015. Direct effects of elevated temperature on a tri-trophic system: Salix, leaf beetles and predatory bugs. Arthropod. Plant. Interact. 9, 567–575. https://doi.org/10.1007/s11829-015-9401-0

Rosenzweig, C., Jones, J.W., Hatfield, J.L., Ruane, A.C., Boote, K.J., Thorburn, P., Antle, J.M., Nelson, G.C., Porter, C., Janssen, S., Asseng, S., Basso, B., Ewert, F., Wallach, D., Baigorria, G., Winter, J.M., 2013. The agricultural model intercomparison and improvement project (AgMIP): Protocols and pilot studies. Agric. For. Meteorol. 170, 166–182. https://doi.org/10.1016/J.AGRFORMET.2012.09.011

Ruane, A.C., Cecil, L.D., Horton, R.M., Gordón, R., McCollum, R., Brown, D., Killough, B., Goldberg, R., Greeley, A.P., Rosenzweig, C., 2013. Climate change impact uncertainties for maize in Panama: Farm information, climate projections, and yield sensitivities. Agric. For. Meteorol. 170, 132–145. https://doi.org/10.1016/J.AGRFORMET.2011.10.015

Rushton, S.P., Ormerod, S.J., Kerby, G., 2004. New paradigms for modelling species distributions? J. Appl. Ecol. 41, 193–200. https://doi.org/10.1111/j.0021-8901.2004.00903.x

Sacchelli, S., Fabbrizzi, S., Bertocci, M., Marone, E., Menghini, S., Bernetti, I., 2017. A mix-method model for adaptation to climate change in the agricultural sector: A case study for Italian wine farms. J. Clean. Prod. 166, 891–900. https://doi.org/10.1016/J.JCLEPRO.2017.08.095

Salinari, F., Giosuè, S., Tubiello, F., Rettori, A., Rossi, V., Spanna, F., Rosenzweig, C., Gullino, M.L., 2006. Downy mildew (Plasmopara viticola) epidemics on grapevine under climate change. Glob. Chang. Biol. 12, 1299–1307. https://doi.org/10.1111/j.1365-2486.2006.01175.x

Saupe, E.E., Barve, V., Myers, C.E., Soberón, J., Barve, N., Hensz, C.M., Peterson, A.T., Owens, H.L., Lira-Noriega, A., 2012. Variation in niche and distribution model performance: The need for a priori assessment of key causal factors. Ecol. Modell. 237–238, 11–22. https://doi.org/10.1016/J.ECOLMODEL.2012.04.001

Introducción

11

Schlott, M., Kies, A., Brown, T., Schramm, S., Greiner, M., 2018. The impact of climate change on a cost-optimal highly renewable European electricity network. Appl. Energy 230, 1645–1659. https://doi.org/10.1016/J.APENERGY.2018.09.084

Shaver, G.R., Canadell, J., Chapin, F.S., Gurevitch, J., Harte, J., Henry, G., Ineson, P., Jonasson, S., Melillo, J., Pitelka, L., Rustad, L., 2000. Global warming and terrestrial ecosystems: A conceptual framework for analysis. Bioscience 50, 871–882. https://doi.org/10.1641/0006-3568(2000)050[0871:gwatea]2.0.co;2

Soberón, J., Nakamura, M., 2009. Niches and distributional areas: concepts, methods, and assumptions. Proc. Natl. Acad. Sci. U. S. A. 106 Suppl, 19644–50. https://doi.org/10.1073/pnas.0901637106

Solomon, S., Plattner, G.-K., Knutti, R., Friedlingstein, P., 2009. Irreversible climate change due to carbon dioxide emissions. Proc. Natl. Acad. Sci. 106, 1704–1709. https://doi.org/10.1073/pnas.0812721106

Steffen, W., Persson, A., Deutsch, L., Zalasiewicz, J., Williams, M., Richardson, K., Crumley, C., Crutzen, P., Folke, C., Gordon, L., Molina, M., Ramanathan, V., Rockström, J., Scheffer, M., Schellnhuber, H.J., Svedin, U., 2011. The anthropocene: From global change to planetary stewardship. Ambio 40, 739–61. https://doi.org/10.1007/S13280-011-0185-X

Steffen, W., Richardson, K., Rockstrom, J., Cornell, S.E., Fetzer, I., Bennett, E.M., Biggs, R., Carpenter, S.R., de Vries, W., de Wit, C.A., Folke, C., Gerten, D., Heinke, J., Mace, G.M., Persson, L.M., Ramanathan, V., Reyers, B., Sorlin, S., 2015. Planetary boundaries: Guiding human development on a changing planet. Science (80-. ). 347, 1259855–1259855. https://doi.org/10.1126/science.1259855

Thiéry, D., Monceau, K., Moreau, J., 2014. Different emergence phenology of European grapevine moth (Lobesia botrana, Lepidoptera: Tortricidae) on six varieties of grapes. Bull. Entomol. Res. 104, 277–287. https://doi.org/10.1017/S000748531300031X

Thiéry, D., Moreau, J., 2005. Relative performance of European grapevine moth (Lobesia botrana) on grapes and other hosts. Oecologia 143, 548–557. https://doi.org/10.1007/s00442-005-0022-7

Thornton, P.K., Herrero, M., 2014. Climate change adaptation in mixed crop–livestock systems in developing countries. Glob. Food Sec. 3, 99–107. https://doi.org/10.1016/J.GFS.2014.02.002

Turner, W.R., Bradley, B.A., Estes, L.D., Hole, D.G., Oppenheimer, M., Wilcove, D.S., 2010. Climate change: helping nature survive the human response. Conserv. Lett. 3, 304–312. https://doi.org/10.1111/j.1755-263X.2010.00128.x

Introducción

12

Vermeulen, S.J., Aggarwal, P.K., Ainslie, A., Angelone, C., Campbell, B.M., Challinor, A.J., Hansen, J.W., Ingram, J.S.I., Jarvis, A., Kristjanson, P., Lau, C., Nelson, G.C., Thornton, P.K., Wollenberg, E., 2012. Options for support to agriculture and food security under climate change. Environ. Sci. Policy 15, 136–144. https://doi.org/10.1016/J.ENVSCI.2011.09.003

Warren, D.L., Seifert, S.N., 2011. Ecological niche modeling in Maxent: The importance of model complexity and the performance of model selection criteria. Ecol. Appl. 21, 335–342. https://doi.org/10.1890/10-1171.1

Xie, X., Li, Y.X., Li, R., Zhang, Y., Huo, Y., Bao, Y., Shen, S., 2013. Hyperspectral characteristics and growth monitoring of rice (Oryza sativa) under asymmetric warming. Int. J. Remote Sens. 34, 8449–8462. https://doi.org/10.1080/01431161.2013.843806

Zhai, Z.J., Helman, J.M., 2019. Implications of climate changes to building energy and design. Sustain. Cities Soc. 44, 511–519. https://doi.org/10.1016/J.SCS.2018.10.043

Objetivos

Objetivos

13

2. Objetivos

2.1. Objetivo general

Evaluar el impacto del cambio climático sobre la distribución de la vid

(Vitis vinifera) y de sus plagas asociadas Lobesia botrana y Eupoecilia

ambiguella en Europa, mediante los modelos de nicho ecológico.

2.2. Objetivos particulares

1. Obtener los porcentajes de Incremento (zonas donde no existen

condiciones ambientales idóneas y sí van a existir en el escenario futuro),

Pérdida (zonas donde sí existen condiciones ambientales idóneas y no van a

existir en el escenario futuro), No Hábitat (zonas donde no existen ni existirán

condiciones ambientales idóneas en el presente y en el escenario futuro,

respectivamente) y Persistencia (zonas donde sí existen condiciones

ambientales idóneas, tanto en el presente como en el escenario futuro) de

distribución potencial de Vitis vinifera y sus plagas asociadas Lobesia botrana y

Eupoecilia ambiguella en Europa, bajo los escenarios de cambio climático RCP

4.5 y RCP 8.5, en el periodo de prospección “presente - año 2050”.

2. Determinar las zonas de Europa que serán más vulnerables al

impacto del cambio climático en relación con la distribución futura de los

lugares adecuados para el cultivo de la vid, por alguno de los motivos

siguientes: 1) por pérdida de idoneidad ambiental, sobre todo, en zonas de

especial relevancia actual del cultivo y 2) por incremento de idoneidad

ambiental en espacios de especial interés ambiental o de cualquier otra índole.

Objetivos

14

3. Determinar las zonas de Europa que, consecuencia del impacto del

cambio climático sobre la distribución futura de los espacios con idoneidad

ambiental para Lobesia botrana y Eupoecilia ambiguella, el cultivo de la vid se

vería afectado por estas plagas.

Materiales y métodos


15

3. Materiales y métodos

3.1. Área de estudio

De los 7,4 millones de hectáreas de vid cultivadas en el año 2018 en el

mundo (OIV, 2019), el 37% se localizan en Europa. La observación de los

datos sobre la evolución de la superficie de vid cultivada en territorio europeo

en los últimos años, indica que ha tenido lugar una estabilización de la misma

en el continente en su conjunto y en grandes países vitícolas como España

(969.000 ha), Francia (789.000 ha), Italia (702.000 ha), Portugal (192.000 ha),

Rumanía (191.000 ha), Grecia (106.000 ha), Alemania (103.000 ha) o Suiza

(15.000 ha). Estas cifras tan importantes permiten comprender por qué el

cultivo de la vid ha sido tan significativo a la hora de dar forma a los paisajes

agrícolas de la cuenca mediterránea en particular, y de Europa en general

(Riquelme and Ramos, 2005).

Obviamente, también es un cultivo clave desde el punto de vista

socioeconómico. Baste señalar que la producción mundial de vino fue de 292,3

millones de hectolitros en 2018, destacando, por países, Italia con 54,8

millones de hectolitros, España con 44,4 y Francia con 41,9 (OIV, 2019). Por

otra parte, es importante mencionar que el 83% de la superficie vitícola

europea se destina a la producción de uva para la elaboración de vinos de

calidad, amparados en la Unión Europea (UE) bajo dos categorías:

Denominación de Origen Protegida (PDO) e Indicación Geográfica Protegida

(PGI). El resto de vinos europeos de calidad, producidos en países de este

continente pero que no pertenecen a la UE (países terceros), son denominados

por la propia Unión Europea como Vinos con Indicación Geográfica (WGI)


16

(Comisión Europea, 2019).

Para el presente trabajo se ha considerado Europa como área de

estudio, incluyendo la distribución conocida en este continente para las tres

especies objeto de estudio: V. vinifera, L. botrana y E. ambiguella. Para la

elaboración de los modelos de nicho ecológico de cada especie fue necesario

obtener datos de ocurrencia en Europa, es decir, lugares donde se conoce su

presencia, así como datos ambientales (bioclimáticos) de esos lugares, tal

como se detalla más adelante. Adicionalmente, se han tenido en cuenta las

regiones que conforman las denominaciones vitivinícolas productoras de vinos

de calidad (PDO, PGI y WGI) con el propósito de analizar el efecto particular

que tendrá en ellas el cambio climático, en relación con esas tres especies

(Figura 1).

17

Fig

ura

1

. R

eg

ione

s

vitiv

iníc

ola

s

de

Eu

rop

a

pro

du

cto

ras

de

vin

os

de

ca

lidad

: D

eno

min

ació

n

de

Orig

en

Pro

teg

ida

(PD

O),

Indic

ació

n G

eog

ráfica P

rote

gid

a (

PG

I) y

Vin

os c

on

In

dic

ació

n G

eog

ráfica

(W

GI)

.

18

Fig

ura

2. R

eg

ión M

y p

un

tos d

e o

curre

ncia

de V

itis v

inife

ra e

n E

uro

pa

utiliz

ado

s p

ara

ge

nera

r su

mo

de

lo d

e n

ich

o e

coló

gic

o (e

n

rojo

, punto

s d

e c

alib

ració

n; e

n v

erd

e, p

unto

s d

e v

alid

ació

n).

19

Fig

ura

3.

Reg

ión M

(am

arillo

) y p

un

tos d

e o

curr

encia

de L

ob

esia

botr

ana

en E

uro

pa u

tiliz

ado

s p

ara

ge

nera

r su

mo

de

lo d

e n

ich

o

ecoló

gic

o (

en r

ojo

, p

unto

s d

e c

alib

ració

n;

en v

erd

e,

punto

s d

e v

alid

ació

n).

20

Fig

ura

4. R

eg

ión M

(am

arillo

) y p

un

tos d

e o

curre

ncia

de

Eu

po

ecilia

am

big

uella

en E

uro

pa

utiliz

ado

s p

ara

ge

ne

rar s

u m

ode

lo d

e

nic

ho e

coló

gic

o (e

n ro

jo, p

un

tos d

e c

alib

ració

n; e

n v

erd

e, p

unto

s d

e v

alid

ació

n).


21

3.2. Datos de ocurrencia de cada especie

Los datos de ocurrencia utilizados para generar los modelos de nicho

ecológico de cada especie se obtuvieron a partir tres fuentes: 1) el portal Global

Biodiversity Information Facility (GBIF, 2017); 2) búsquedas en la literatura

científica que reporta la presencia de la especie; y 3) en el caso del viñedo, las

capas de usos del suelo disponibles en la base de datos creada por el proyecto

“Coordination of Information on the Environment” (CORINE Land Cover)

(AEMA, 1990). Cada dato registrado constaba de información sobre sus

coordenadas geográficas (latitud y longitud), país, región/departamento y

municipio.

La información así obtenida para cada especie se sometió a un proceso

de selección a fin de eliminar los datos recabados que pudieran ser erróneos

(georreferencia, identificación taxonómica, etc.). La georreferencia se verificó

empleando el programa informático Google Earth, con el fin de reducir los

sesgos de clasificación espacial en la calibración de los modelos (Owens et al.,

2013).

Dado que los datos ecológicos de una localidad pueden estar

condicionados por los de las localidades próximas, puede existir una cierta

dependencia espacial de los valores observados (autocorrelación). Así, la

presencia de una especie en un punto concreto puede estar condicionada por

la proximidad de poblaciones vecinas. Desde el punto de vista del análisis

estadístico, esto afecta al supuesto de independencia de las observaciones, y

dado que los modelos de nicho ecológico son modelos estadísticos, la

autocorrelación, tanto de las variables ambientales como de las ocurrencias,


22

puede comprometer su capacidad para hacer predicciones (Segurado et al.,

2006; Veloz, 2009). Para reducir la autocorrelación espacial, se consideró una

distancia mínima entre datos de 15 km, en el caso de la vid, y de 4,5 km, en el

caso de las dos especies plaga. Utilizando el paquete de software para

estudios espaciales de ecología, evolución y genética SDMToolbox de ArcGIS

(Brown, 2014), se discriminaron los puntos situados por debajo de la distancia

umbral, con lo que el número de datos de ocurrencia finalmente empleado fue

de 1621 para V. vinifera (Figura 2), 59 para L. botrana (Figura 3), y 269 para E.

ambiguella (Figura 4) (en estas tres figuras también se menciona la Región M,

de la que se habla más adelante en el apartado de calibración de los modelos

de nicho ecológico).

3.3. Datos ambientales de los puntos de ocurrencia

Los datos ambientales del presente (media del periodo 1970-2000) se

han obtenido a partir de la base de datos mundial WorldClim versión 1.4

(Hijmans et al., 2005). Se han considerado 15 variables bioclimáticas (Tabla 1)

de las 19 descritas por Busby (1991) y que son ofrecidos por la base de datos a

una resolución espacial aproximada de 5 Km (2.5 arcmin). Estas variables

bioclimáticas derivan de los valores mensuales de temperatura y precipitación,

constituyendo las variables biológicamente más significativas. Representan

tendencias anuales, estacionalidad y factores ambientales extremos o

limitantes. Han quedado excluidas las variables que combinan información de

precipitación y temperatura en la misma capa, dado que son consideradas

como artefactos por algunos autores (Escobar et al., 2014): BIO8 (temperatura

media del trimestre más húmedo), BIO9 (temperatura media del trimestre más


23

seco), BIO18 (precipitación del trimestre más cálido) y BIO19 (precipitación del

trimestre más frío).

Dado que la correlación entre las variables bioclimáticas es causa de

sesgos ambientales que afectan negativamente al calibrado de los modelos

(Araújo and Guisan, 2006; Wintle et al., 2005), se utilizó el test de Jacknife para

eliminar aquellas que menos aportan (Elith et al., 2011; Remya et al., 2015;

Yang et al., 2013). Este test tiene como función principal correr cada modelo

con cada variable por sí sola para medir el aporte particular de la variable y se

encuentra disponible en el programa informático MaxEnt, utilizado en el

modelado de nicho ecológico (ver más adelante).

Tabla 1. Variables bioclimáticas de WorldClim empleadas en el proceso de modelado.

Código Descripción

BIO1 Temperatura media anual

BIO2 Rango de temperaturas diurnas (Media mensual x [temperatura máxima - temperatura mínima])

BIO3 Isotermalidad ([BIO2/BIO7] x 100)

BIO4 Estacionalidad de la temperatura (desviación estándar x 100)

BIO5 Temperatura máxima del mes más cálido

BIO6 Temperatura mínima del mes más frío

BIO7 Rango anual de temperatura (BIO5 - BIO6)

BIO10 Temperatura media del trimestre más cálido

BIO11 Temperatura media del trimestre más frío

BIO12 Precipitación anual

BIO13 Precipitación del mes más húmedo

BIO14 Precipitación del mes más seco

BIO15 Estacionalidad de la precipitación (coeficiente de variación)

BIO16 Precipitación del trimestre más húmedo

BIO17 Precipitación del trimestre más seco


24

Para llevar a cabo la proyección a futuro (año 2050) de los modelos

finalmente seleccionados, se han utilizado los datos ambientales generados

para Europa por cada uno de los 22 modelos de circulación general (GCM)

actualmente disponibles (Tabla 2), bajo los dos escenarios de emisión

considerados (RCP 4.5 y RCP 8.5). Los GCM son modelos matemáticos que

predicen los procesos físicos en la atmósfera, océano, criósfera y superficie

terrestre, conformando la herramienta disponible más avanzada para simular la

respuesta de un sistema global frente al incremento de la concentración de

gases de efecto invernadero. Estos datos han sido descargados desde el portal

Climate Change, Agriculture and Food Security (CGIAR, 2014). En cuanto a las

Trayectorias de Concentración Representativas (RCP), se trata de diferentes

escenarios de emisión definidos por el IPCC de acuerdo a las tres

características siguientes:

1) Forzamiento radiativo (FR), que se expresa en W.m-2 y que se define

como la variación del flujo radiativo (la descendente menos la

ascendente) en la tropopausa o en la parte superior de la atmósfera,

debida a una variación del causante externo del cambio climático, por

ejemplo, una variación de la concentración de dióxido de carbono o de la

radiación solar. A los efectos del presente trabajo, el forzamiento

radiativo se define específicamente como la variación respecto de 1750

y denota un promedio global anual (IPCC, 2013). Oscila entre 2.6 y 8.5

W.m-2.

2) Aumento en la concentración de CO2 atmosférico ocurrido a partir de

1750.


25

3) Forzamiento radiativo debido a la emisión de aerosoles (EEA, 2017).

Tabla 2. Modelos de circulación general (GCM) empleados para la proyección a futuro

de los modelos de nicho ecológico bajo los escenarios de emisión RCP 4.5 y RCP 8.5.

Nº GCM Institución País

1 bnu_esm College of Global Change and Earth System Science, Beijing Normal University

China

2 cccma_canesm2 Canadian Centre for Climate Modelling and Analysis

Canadá

3 cesm1_bgc Climate Data at the National Center for Atmospheric Research

USA

4 cesm1_cam5 Climate Data at the National Center for Atmospheric Research

USA

5 csiro_access1_0 CSIRO Atmospheric Research, Australian Commonwealth Scientific

Australia

6 csiro_access1_3 CSIRO Atmospheric Research, Australian Commonwealth Scientific

Australia

7 gfdl_cm3 Geophysical Fluid Dynamics Laboratory USA

8 gfdl_esm2g Geophysical Fluid Dynamics Laboratory USA

9 gfdl_esm2m Geophysical Fluid Dynamics Laboratory USA

10 giss_e2_h_cc Goddard Institute for Space Studies USA

11 giss_e2_r Goddard Institute for Space Studies USA

12 inm_cm4 Institute for Numerical Mathematics Rusia

13 miroc_esm_chem

Japan Agency for Marine-Earth Science and Technology (JAMSTEC),Center for Climate System Research, Atmosphere and Ocean Research Institute (AORI), and National institute for Environmental Studies (NIES)

Japón

14 miroc_esm

Japan Agency for Marine-Earth Science and Technology (JAMSTEC),Center for Climate System Research, Atmosphere and Ocean Research Institute (AORI), and National institute for Environmental Studies (NIES)

Japón

15 miroc_miroc5

Atmosphere and Ocean Research institute (The University of Tokyo), National Institute for Environmental Studies, and Japan Agency for Marine-Earth Science and Technology

Japón

16 mohc_hadgem2_cc

Met Office Hadley Centre UK

17 mohc_hadgem2_es

Met Office Hadley Centre UK

18 mpi_esm_lr Max-Planck-Institute for Meteorology Alemania

19 mri_cgcm3 Meteorological Research Japón

20 ncar_ccsm4 National Center for Atmospheric Research-Model of the Community Climate System

USA

21 ncc_noresm1_m Norwegian Climate Centre (NCC) Noruega

22 nimr_hadgem2_ao NOAA Geophysical Fluid Dynamics Laboratory UK


26

En concreto, en el Quinto informe (AR5) del IPCC, se definieron los

escenarios 2.6, 4.5, 6.0 y 8.5. En el presente trabajo se consideraron el RCP

4.5 y el RCP 8.5 cuyas características principales se recogen en la Tabla 3.

Tabla 3. Principales características de los escenarios de cambio climático RCP 4.5 y

RCP 8.5.

Escenario de cambio climático

RCP* 4.5 RCP* 8.5

FR* 4.5 W.m-2 8.5 W.m-2

Tendencia del FR*

Estable en 2100

Creciente; se estabiliza aprox. en

12 W.m-2 en 2250

[CO2] en 2100

538 ppm

936 ppm

ΔT* (º C)

De 2016 a 2065

Media

1.4

2

Rango Probable

0.9-2.0

1.4-2.6

De 2065 A 2100

Media

1.8

3.7

Rango Probable

1.1-2.6

2.6-4.8

*RCP: Trayectoria de Concentración Representativa; FR: forzamiento radiativo; ΔT: cambio de temperatura superficial

media en º C.

3.4. Calibración de los modelos de nicho ecológico

La calibración tiene como objetivo la búsqueda de funciones más o

menos complejas que expliquen la relación entre los datos de ocurrencia y las

variables ambientales. Los modelos de nicho ecológico de cada especie fueron

calibrados para la situación actual (presente) empleando el concepto de región

M que permite visualizar las oportunidades y las limitaciones de movilidad de la


27

especie (Barve et al., 2011; Soberón and Nakamura, 2009). La región M se

define como el conjunto de áreas en las que la especie está o se supone que

podría estar presente, dado el conocimiento biológico que se tiene de ella y de

sus capacidades de dispersión, además de por no existir grandes barreras ni

discontinuidades ambientales que pudieran limitar su establecimiento. Los

datos de presencia conocida y los valores de las variables bioclimáticas

seleccionadas correspondientes a la región M se utilizaron para generar los

modelos de nicho ecológico potencial.

Los análisis de distribución potencial de cada especie se realizaron con

el algoritmo de máxima entropía implementado en el programa informático

MaxEnt versión 3.3.3k, que utiliza una técnica de aprendizaje para escoger los

modelos más consistentes a partir de la información disponible (Phillips et al.,

2006). En el contexto del presente trabajo, la entropía es un concepto derivado

de la teoría de la información que expresa cuánto de aleatorio es algo, es decir,

se trata de una medida de la aleatoriedad. Así, cuando en un conjunto de datos

todos sus elementos son equiprobables, la entropía es máxima. Aplicando de

manera práctica este concepto, se busca encontrar aquella distribución de

probabilidades que maximice la entropía, pero siempre considerando las

restricciones impuestas por la información disponible sobre la distribución

observada de la especie y las condiciones ambientales del área de estudio. El

programa MaxEnt modela la distribución geográfica de una especie utilizando

exclusivamente los puntos de ocurrencia y las variables bioclimáticas

asociadas a cada uno de esos puntos.

Para evaluar el rendimiento de los modelos es necesario disponer de

datos contra los que poder comparar sus pronósticos, por lo que los datos


28

obtenidos de cada especie se dividieron en dos grupos: 1) datos de calibración

o entrenamiento, utilizados para elaborar cada modelo; y 2) datos de

evaluación o prueba, empleados para realizar su respectiva validación (Araujo

et al., 2005). En el caso de la vid, el 60% de los datos se utilizaron en la

calibración y el 40% en la evaluación, mientras que para las dos especies

plaga, la partición de datos se realizó mediante un proceso aleatorio utilizando

el programa ArcGis (Figuras 2, 3 y 4).

Para poder obtener el mejor modelo de cada especie, se llevó a cabo la

parametrización del algoritmo de modelado realizando cambios en el

multiplicador de regularización (β), para el que se exploraron 9 valores distintos

(0.1, 0.3, 0.5, 0.7, 1, 3, 5, 7 y 10), y combinando 5 tipos de features o funciones

simples derivadas de variables ambientales (Phillips et al., 2006; Phillips and

Dudík, 2008), estas son:

1) Lineal (l = linear): las variables predictoras son continuas y se usan

coeficientes lineales de transformación para cada una de ellas.

2) Cuadrática (q = quadratic): utiliza el cuadrado de variables predictoras

continuas.

3) Producto (p = product): resultado del producto de variables predictoras

continuas y que permite establecer interacciones entre ellas.

4) Umbral (t = threshold): se aplica a variables ambientales continuas y

obtiene el valor 1 cuando la variable está por encima de un cierto valor

umbral y 0 en los otros casos, permitiendo, con ello, introducir el uso de

umbrales en las variables.

5) Bisagra (h = hinge): combina las funciones lineales y el empleo de


29

umbrales.

Las combinaciones de features a ser consideradas pueden ser

seleccionadas automáticamente por el algoritmo cuando se utiliza la opción

autofeatures, o bien manualmente por el usuario (Phillips and Dudík, 2008).

Para generar los modelos de las tres especies estudiadas en el presente

trabajo, se utilizaron las combinaciones l, q, p, t, h, lq, lp, lt, lh, qp, qt, qh, pt, ph,

th, lqp, lqh, lpt, lph, qpt, qph, qth, pth, pq, lqpt, lqph, lqth, lpth, lqpth.

3.5. Evaluación de los modelos de nicho ecológico

Evaluar o validar un modelo consiste en contrastar sus predicciones

respecto a los datos considerados de evaluación, es decir, valorar su

capacidad predictiva. Con el fin de obtener el modelo que mejor se ajusta a los

datos ambientales, cada uno de los múltiples modelos de cada especie

obtenidos mediante la parametrización en MaxEnt fue sometido a las siguientes

pruebas estadísticas:

1) Análisis ROC parcial (partial Receiver Operating Characteristic), para

evaluar la significancia del modelo (Peterson et al., 2008).

2) Análisis de las tasas de omisión, para evaluar el rendimiento del modelo

(Anderson et al., 2003).

3) Criterio de información de Akaike corregido (AICc), para valorar la

complejidad del modelo (Warren et al., 2010).

Los criterios de selección fueron los siguientes: 1) significancia: ROC

parcial con p < 0,05; 2) rendimiento: tasa de omisión < 5%; y 3) complejidad:

AICc con menor valor (es decir, el más simple). El proceso de evaluación de los


30

modelos se llevó a cabo mediante la herramienta informática Kuenm (Cobos et

al., 2018).

Una vez seleccionado el mejor modelo para cada especie, se llevaron a

cabo sus proyecciones a futuro (año 2050) mediante MaxEnt. Para ello, se

utilizaron los datos climáticos generados por cada uno de los 22 GCM bajo los

escenarios de emisión RCP 4.5 y RCP 8.5 en Europa, sin considerar las

opciones extrapolate (“extrapolar”) y do clamping (“sujeción”) que se

desactivaron para evitar extrapolaciones artificiales en los valores extremos de

las variables ecológicas (Elith et al., 2011). En este punto, merece la pena

recalcar que, por defecto, el programa informático MaxEnt proporciona

información mapeada sobre el efecto de la "sujeción" (clamping) del modelo, es

decir, el proceso mediante el cual las características están restringidas a

permanecer dentro del rango de valores en los datos de entrenamiento. Esto

identifica ubicaciones donde las predicciones son inciertas debido al método de

extrapolación, al mostrar dónde la fijación afecta sustancialmente al valor

predicho. MaxEnt, realiza dos tipos de "sujeción" durante el proceso de

proyección. En primer lugar, fija las capas ambientales: si una capa en el

directorio de proyección tiene valores que son mayores que el máximo de la

capa correspondiente utilizada durante el entrenamiento, esos valores se

reducen al máximo, y similarmente para valores por debajo del mínimo

correspondiente. En segundo lugar, las características también están

restringidas: si una característica derivada de las capas de proyección tiene un

valor mayor que su máximo en los datos de entrenamiento, se reduce al

máximo, y de manera similar para valores por debajo del mínimo

correspondiente. Ambas formas de sujeción ayudan a aliviar los problemas que


31

pueden surgir al hacer predicciones fuera del rango de datos utilizados en el

entrenamiento del modelo (Elith et al., 2011).

3.6. Análisis de Sistemas de Información Geográfica (GIS)

El modelo de nicho ecológico seleccionado para cada especie, así como

sus transferencias a futuro, fue proyectado al espacio geográfico con objeto de

obtener los mapas predictivos de distribución potencial en Europa en el

presente y en el año 2050. Cada pixel de los mapas predictivos fue binarizado,

asignando el valor 0 si la predicción indicaba que no había condiciones de

idoneidad ambiental para la especie y el valor 1 cuando sí las había, siendo el

umbral de omisión del 5%. Todos los mapas fueron procesados mediante el

programa informático SIG Idrisi versión 16 (Eastman, 2009). Para cada especie

se generaron 3 tipos de mapas: 1) mapa predictivo de zonas de idoneidad

ambiental en la situación actual; 2) mapa predictivo de distribución potencial de

la especie en el año 2050 bajo el escenario de emisión RCP 4.5; y 3) mapa

predictivo de distribución potencial de la especie en el año 2050 bajo el

escenario de emisión RCP 8.5.

Cada mapa predictivo de la situación en el año 2050 consta de 22 capas

superpuestas, que se corresponden con cada uno de los 22 GCM

considerados. Además, se utilizó el método de análisis de la diversidad alfa

(Whittaker, 1972) para conocer el número de GCM que coincidían en la

predicción en cada uno de los píxeles. Así, en cada pixel se pueden dar 4

situaciones posibles, que se asignan cuando el número de coincidencias de

CGM es igual o mayor a 15:


32

1) Incremento: áreas en las que se predice que aparecerán condiciones

de idoneidad ambiental para la especie y que actualmente no existen.

2) Pérdida: áreas en las que se predice que desaparecerán las

condiciones de idoneidad ambiental que actualmente sí existen.

3) Persistencia: áreas en las que se predice que se mantendrán las

condiciones de idoneidad ambiental que actualmente sí existen.

4) No hábitat: áreas en la que se predice que no aparecerán

condiciones de idoneidad ambiental y en las que actualmente

tampoco existen.

Cada una de estas situaciones se representa con un color distinto y la

intensidad del tono indica el número de CGM que coinciden en la misma

predicción en un mismo pixel, de forma que, a mayor intensidad, mayor número

de coincidencias y, por lo tanto, mayor probabilidad de que esa situación

ocurra.

3.7. Interferencia de V. vinífera, L. botrana y E. ambiguella con diferentes

usos del suelo

Para tener conocimiento sobre el espacio geográfico-ambiental que

podrían ocupar en el futuro V. vinífera, L. botrana y E. ambiguella se consultó la

cobertura de usos del suelo en Europa que proporciona la base de datos

generada por la “Global Vegetation Monitoring Unit” (GVM Unit) a través del

proyecto “Global Land Cover 2000” (GLC2000). Se trata de una base de datos

conformada a nivel mundial y que alude al año 2000 al ser considerado como

un año de referencia para evaluaciones ambientales de gran calado como las


33

llevadas a cabo en las Convenciones Internacionales de las Naciones Unidas

relacionadas con los Ecosistemas. Además, el proyecto se basa en el sistema

de clasificación de cobertura del suelo “FAO Land Cover Classification System”

(LCCS) el cual, a la vez que mantiene un enfoque de clasificación

estandarizado, considera descripciones de los tipos de cobertura llevadas a

cabo por expertos de las diferentes regiones (Comisión Europea, 2019). Se

tuvieron en cuenta las zonas de incremento y de persistencia de idoneidad

ambiental que, para las especies estudiadas en el presente trabajo, prevén los

modelos.


34

3.8. Bibliografía

AEMA. (1990). Agencia Europea de Medio Ambiente. Retrieved from https://www.eea.europa.eu/

Anderson, R. P., Lew, D., & Peterson, A. T. (2003). Evaluating predictive models of species’ distributions: criteria for selecting optimal models. Ecological Modelling, 162(3), 211–232. https://doi.org/10.1016/S0304-3800(02)00349-6

Araújo, M. B., & Guisan, A. (2006). Five (or so) challenges for species distribution modelling. Journal of Biogeography, 33(10), 1677–1688. https://doi.org/10.1111/j.1365-2699.2006.01584.x

Araujo, M. B., Pearson, R. G., Thuiller, W., & Erhard, M. (2005). Validation of species-climate impact models under climate change. Global Change Biology, 11(9), 1504–1513. https://doi.org/10.1111/j.1365-2486.2005.01000.x

Barve, N., Barve, V., Jiménez-Valverde, A., Lira-Noriega, A., Maher, S. P., Peterson, A. T., … Villalobos, F. (2011). The crucial role of the accessible area in ecological niche modeling and species distribution modeling. Ecological Modelling, 222(11), 1810–1819. https://doi.org/10.1016/J.ECOLMODEL.2011.02.011

Brown, J. L. (2014). SDMtoolbox: a python-based GIS toolkit for landscape genetic, biogeographic and species distribution model analyses. Methods in Ecology and Evolution, 5(7), 694–700. https://doi.org/10.1111/2041-210X.12200

Busby, J.R. (1991) Bioclim, a Bioclimatic Analysis and Prediction System. In: Margules, C.R. and Austin, M.P., Eds., Nature Conservation: Cost Effective Biological Surveys and Data Analysis, CSIRO, Canberra, 64-68

CGIAR. (2014). Climate change, agriculture and food security. Retrieved July 18, 2018, from http://www.ccafs-climate.org/

Cobos, M. E., Perterson, T., Osorio-Olvera, L., & Barve, N. (2018). kuenm: kuenm: A package for detailed calibration and construction of... in manubio13/ku.enm: A package for detailed calibration and construction of Maxent Ecological Niche Models. Retrieved January 18, 2019, from https://github.com/marlonecobos/kuenm

Comisión Europea (2019). Base de datos E-Bacchus. Retrieved September 13, 2019, from https://ec.europa.eu/agriculture/markets/wine/e-bacchus/index.cfm?language=ES

Comisión Europea (2019). Base de datos “Global Land Cover 2000”. Retrieved September 30, 2019, from https://forobs.jrc.ec.europa.eu/products/glc2000/glc2000.php

Eastman, J. . (2009). IDRISI 16: The Taiga. Clark University: Worcester, Massachusetts


35

EEA. (2017). Climate change, impacts and vulnerability in Europe 2016. Luxembourg

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. https://doi.org/10.1111/j.1472-4642.2010.00725.x

Escobar, L. E., Lira-Noriega, A., Medina-Vogel, G., & Townsend Peterson, A. (2014). Potential for spread of the white-nose fungus (Pseudogymnoascus destructans) in the Americas: Use of Maxent and NicheA to assure strict model transference. Geospatial Health, 9(1), 221. https://doi.org/10.4081/gh.2014.19

GBIF. (2017). Global biodiversity information facility. Retrieved January 18, 2019, from https://www.gbif.org/

Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G., & Jarvis, A. (2005). Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 25(15), 1965–1978. https://doi.org/10.1002/joc.1276

IPCC. (2013). Climate Change 2013 The Physical Science Basis. Contribution of working group i to the fifth assessment report of the intergovernmental panel on climate change. (I. P. on C. Change, Ed.), Intergovernmental Panel on Climate Change. Cambridge University Press

OIV. (2019). Aspectos de la coyuntura mundial. Retrieved July 17, 2019, from http://www.oiv.int/public/medias/6680/es-oiv-aspectos-de-la-coyuntura-mundial-2019.pdf

Owens, H. L., Campbell, L. P., Dornak, L. L., Saupe, E. E., Barve, N., Soberón, J., … Peterson, A. T. (2013). Constraints on interpretation of ecological niche models by limited environmental ranges on calibration areas. Ecological Modelling, 263, 10–18. https://doi.org/10.1016/J.ECOLMODEL.2013.04.011

Peterson, A. T., Papes, M., & Soberón, J. (2008). Rethinking receiver operating characteristic analysis applications in ecological niche modeling. Ecological Modelling, 213(1), 63–72. https://doi.org/10.1016/J.ECOLMODEL.2007.11.008

Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3–4), 231–259. https://doi.org/10.1016/J.ECOLMODEL.2005.03.026

Phillips, S. J., & Dudík, M. (2008). Modeling of species distributions with Maxent: New extensions and a comprehensive evaluation. Ecography, 31(2), 161–175. https://doi.org/10.1111/j.0906-7590.2008.5203.x

Remya, K., Ramachandran, A., & Jayakumar, S. (2015). Predicting the current and future suitable habitat distribution of Myristica dactyloides Gaertn. using MaxEnt model in the Eastern Ghats, India. Ecological Engineering, 82, 184–188. https://doi.org/10.1016/J.ECOLENG.2015.04.053


36

Riquelme, F. J. M., & Ramos, A. B. (2005). Land and water use management in vine growing by using geographic information systems in Castilla-La Mancha, Spain. Agricultural Water Management, 77(1–3), 82–95. https://doi.org/10.1016/J.AGWAT.2004.09.027

Segurado, P., Araujo, M. B., & Kunin, W. E. (2006). Consequences of spatial autocorrelation for niche-based models. Journal of Applied Ecology, 43(3), 433–444. https://doi.org/10.1111/j.1365-2664.2006.01162.x

Soberón, J., & Nakamura, M. (2009). Niches and distributional areas: concepts, methods, and assumptions. Proceedings of the National Academy of Sciences of the United States of America, 106 Suppl(Supplement 2), 19644–19650. https://doi.org/10.1073/pnas.0901637106

Veloz, S. D. (2009). Spatially autocorrelated sampling falsely inflates measures of accuracy for presence-only niche models. Journal of Biogeography, 36(12), 2290–2299. https://doi.org/10.1111/j.1365-2699.2009.02174.x

Warren, D. L., Glor, R. E., & Turelli, M. (2010). ENMTools: A toolbox for comparative studies of environmental niche models. Ecography, 33(3), 607–611. https://doi.org/10.1111/j.1600-0587.2009.06142.x

Whittaker, R. H. (1972). Evolution and measurement of species diversity. Taxon, 21(2/3), 213. https://doi.org/10.2307/1218190

Wintle, B. A., Elith, J., & Potts, J. M. (2005). Fauna habitat modelling and mapping: A review and case study in the Lower Hunter Central Coast region of NSW. Austral Ecology, 30(7), 719–738. https://doi.org/10.1111/j.1442-9993.2005.01514.x

Yang, X.-Q., Kushwaha, S. P. S., Saran, S., Xu, J., & Roy, P. S. (2013). Maxent modeling for predicting the potential distribution of medicinal plant, Justicia adhatoda L. in Lesser Himalayan foothills. Ecological Engineering, 51, 83–87. https://doi.org/10.1016/J.ECOLENG.2012.12.004

Distribución potencial del cultivo de la vid

Distribución potencial del cultivo de la vid en Europa

37

4. Distribución potencial del cultivo de la vid en Europa ante el impacto

del cambio climático

4.1. Introducción

De acuerdo con Hassler (2019), Vitis vinifera se ordena taxonómicamente

de la siguiente forma:

Reino: Plantae

Phyllum: Tracheophyta

Clase: Magnoliopsida

Orden: Vitales

Familia: Vitaceae

Género: Vitis

Especie: Vitis vinifera

La vid, V. vinífera, es uno de los cultivos perennes más antiguos e

importantes del mundo (FAO, 2016; Marsal et al., 2017). Las zonas originarias

de dicho cultivo se localizan en el sudoeste de Asia, la parte más septentrional

de África y el centro y sur de Europa (Arnold et al., 1998; Manen et al., 2003).

En la actualidad, su distribución incluye también otras áreas de Europa,

Australia, China, Turquía, el sur de África, Chile, Argentina, Brasil, México y

Estados Unidos (GBIF, 2019; OIV, 2017; Zecca et al., 2012). Las variedades

cultivadas fueron domesticadas a partir del ancestro silvestre V. vinifera ssp.

sylvestris. Independientemente del origen geográfico y de su manera de

expansión, el género Vitis sentó las bases de su rango de distribución actual al

final del último período glacial (~ 8000 a. C.) cuando el frío alteró la mayoría de

sus hábitats favorables en el hemisferio norte. En esa época, tuvo lugar su


38

desplazamiento hacia el sur, aunque esta no fue la única opción para su

supervivencia. Así, encontró refugios en ciertas áreas favorables, pero

aisladas, donde pudo sobrevivir de forma continua durante todo el período

glacial. En su desplazamiento por Europa y Asia occidental, estos movimientos

se vieron restringidos, en gran medida, por la presencia de las grandes

cadenas montañosas de los Pirineos, los Alpes, el Cáucaso y el Himalaya

(Jackson, 2014a).

En 2017 se cultivaron en el mundo 7,1 millones de hectáreas de vid

(Sardaro et al., 2017), siendo la producción mundial de uva, en ese mismo año,

de 73,3 millones de toneladas. La mayoría de esta producción se obtiene en

Europa (37%), Asia (34%) y América (19%) (OIV, 2018). La viticultura

tradicional europea es principalmente de secano (Montero-García et al., 2017).

Además, a nivel europeo existen fuertes regulaciones que controlan el cultivo

de la vid, dentro de las que se encuentran las indicaciones geográficas y las

denominaciones de origen, las cuales identifican a un producto como originario

de un determinado territorio y certifican el vínculo entre una determinada

calidad, reputación o característica del producto y su origen geográfico (Luykx

and van Ruth, 2008). En el caso de los vinos, estas designaciones son uno de

los parámetros más importantes a controlar para proteger la producción y el

origen de los productos (Moncayo et al., 2016). Además, los límites de las

regiones designadas, a menudo se corresponden con entornos con

características geológicas y/o geográficas específicas (Drivelos and Georgiou,

2012).

Los evidentes cambios climáticos pasados, presentes y futuros, siguen

siendo una de las principales preocupaciones para el sector agrícola (García-


39

Ruiz et al., 2017; Prosdocimi et al., 2016; Rodrigo-Comino et al., 2018), incluido

el vitivinícola. El actual cambio climático tiene el potencial de modificar los

espacios físicos en los que se podrá practicar la viticultura ya que variará las

condiciones ambientales de los diferentes territorios. De este modo, se verán

amenazados hábitats nativos ubicados en áreas de creciente idoneidad (Turner

et al., 2010), lo que puede crear posibles conflictos en la conservación y usos

de suelo. Hasta el momento, no es mucho el trabajo que se ha llevado a cabo

para relacionar el cambio climático y su impacto sobre la productividad agrícola

en Europa con las consecuencias que ello tendrá en la investigación y la

política agraria (Olesen and Bindi, 2002). Algunos estudios previos han

evaluado el impacto del cambio climático sobre el cultivo de la vid en diferentes

partes de Europa, caso del llevado a cabo por Cortignani y Dono (2018)

referido al sur de Italia. Tales evaluaciones son necesarias para identificar las

necesidades de ajuste de las políticas agrícolas de modo que aborden

adecuadamente las consecuencias perjudiciales causadas por el cambio

climático en la industria del vino (Sacchelli et al., 2017, Olesen et al., 2011) a

través de mejorar la capacidad de recuperación de los sistemas agrícolas

(Fraga et al., 2015).

En todo este contexto, uno de los objetivos que se plantearon en el

presente trabajo fue el de evaluar la distribución potencial de la vid en Europa

bajo los escenarios de cambio climático RCP 4.5 y RCP 8.5 en el periodo de

prospección “presente-2050”, mediante el uso de modelos de nicho ecológico.


40

4.2. Resultados

Las variables bioclimáticas seleccionadas tras las pruebas de Jacknife

fueron: temperatura media anual (BIO1), isotermalidad (BIO3), temperatura

máxima del mes más cálido (BIO5), temperatura mínima del mes más frío

(BIO6), temperatura media del trimestre más cálido (Bio10) y temperatura

media del trimestre más frío (BIO11).

Se generaron un total de 46 modelos, de los cuáles sólo cinco cumplían

con todos los criterios de significancia, rendimiento y complejidad: los cinco

fueron significativos (p < 0.000), con tasas de omisión inferiores al 5%, y fueron

también los menos complejos de acuerdo al AICc. De ellos, el mejor modelo

fue el número 1, por ser el más simple de todos (Tabla 4).

Tabla 4. Modelos de nicho ecológico de V. vinífera seleccionados en función de los

criterios de significancia, rendimiento y complejidad.

Modelo

Features1 β2

Mean AUC3 ratio

Partial ROC4 OR5 AICc6

Delta AICc6

W AICc6 N7

1 set1 lqp 3 1.717 0 0.02

9 25142.721 1 0 5

2 set1 lqp 0.5 1.710 0 0.02

8 25157.322 1 0 6

3 set1 lqp 1 1.716 0 0.02

5 25159.041 1 0 7

4 set1 lqp 0.1 1.702 0 0.03

4 25159.895 1 0 6

5 set1 lqp 0.3 1.710 0 0.02

8 25165.282 1 0 7

En negrita, el mejor modelo; 1Combinaciones de features: l= lineal, q= cuadrática, p= producto; 2Multiplicador de regulación; 3Área bajo la curva ROC; 4Análisis ROC parcial; 5Tasa de omisión 5%; 6Criterio de información de Akaike corregido; 7Número de parámetros.

En la figura 5 se representa la zona de idoneidad ambiental de V.

vinifera en Europa en las condiciones climáticas presentes, de acuerdo con la


41

proyección geográfica de su MNE. Puede verse cómo dicha zona se extiende a

la mayor parte del territorio europeo, quedando fuera las regiones más

septentrionales del continente y las zonas correspondientes a las cadenas

montañosas.

Considerando las previsiones para el año 2050, las zonas de mayor

pérdida de idoneidad ambiental de V. vinífera en Europa, de acuerdo al

escenario RCP 4.5, se sitúan en la franja más meridional de la región

mediterránea (Portugal, España, Italia, Chipre y Grecia), mientras que las

zonas con mayor incremento o estabilidad se encuentran en el centro y norte

de Europa (Figura 6 y Figura 7).

Por su parte, bajo el escenario de emisión RCP 8.5 las pérdidas de

idoneidad ambiental se acentúan en la región mediterránea, destacando el

notable avance hacia el interior de la península ibérica y en el resto de países

de dicha región. De la misma forma que en el caso del escenario RCP 4.5, los

mayores incrementos se observan en el norte de Europa (Figura 8 y Figura 9).

42

Fig

ura

5. P

roye

cció

n g

eo

grá

fica e

n E

uro

pa d

e la

s á

reas d

e id

on

eid

ad

am

bie

nta

l de V

. vin

ífera

en la

situ

ació

n c

limá

tica p

rese

nte

, se

gú

n s

u m

ode

lo d

e n

icho

eco

lóg

ico.

43

Fig

ura

6.

Pro

ye

cció

n g

eo

grá

fica e

n E

uro

pa d

e l

as á

reas d

e i

ncre

me

nto

(ve

rde

), p

ers

iste

ncia

(g

ris)

y p

érd

ida (

rojo

) d

e i

don

eid

ad

am

bie

nta

l p

ara

V.

vin

ifera

pre

vis

tas p

ara

el

año 2

05

0,

seg

ún s

u m

ode

lo d

e n

ich

o e

coló

gic

o y

lo

s 2

2 G

CM

y c

onsid

era

nd

o e

l e

scen

ario

de e

mis

ión R

CP

4.5

. A

ma

yo

r in

ten

sid

ad d

el co

lor,

ma

yo

r n

úm

ero

de G

CM

qu

e c

oin

cid

en

en

la

mis

ma p

red

icció

n.

44

Figura 7. Detalle de las áreas de pérdida de idoneidad ambiental de V. vinífera en Portugal, España, Italia, Chipre y Grecia, previstas para el año 2050 según su modelo de nicho ecológico y considerando el escenario de emisión RCP 4.5.

45

Fig

ura

8.

Pro

ye

cció

n g

eo

grá

fica

en E

uro

pa

de las á

rea

s d

e in

cre

me

nto

(ve

rde

), p

ers

iste

ncia

(g

ris)

y p

érd

ida (

rojo

) d

e id

on

eid

ad

a

mb

ienta

l p

ara

V.

vin

ifera

pre

vis

tas p

ara

el

año

205

0,

seg

ún l

os 2

2 G

CM

y c

onsid

era

nd

o e

l esce

na

rio d

e e

mis

ión R

CP

8.5

. A

m

ayo

r in

ten

sid

ad

de

l co

lor,

ma

yo

r n

úm

ero

de G

CM

qu

e c

oin

cid

en

en la

mis

ma

pre

dic

ció

n.

46

Figura 9. Detalle de las áreas de pérdida de idoneidad ambiental de V. vinífera en Portugal, España, Italia y Grecia, previstas para el año 2050 según su modelo de nicho ecológico y considerando el escenario de emisión RCP 8.5.


47

Por otro lado, se analizó la forma en la que el cambio climático afectará

a diferentes regiones vitivinícolas europeas productoras de vinos de calidad y

dotadas de indicación geográfica (IGP, DOP y WGI), bajo los escenarios de

emisión RCP 4.5 y 8.5 (Figura 10, Figura 11 y Anexo 1).

En Europa se cultivan 2.7 millones de hectáreas de vid dentro de las

categorías PGI y PDO, con cuyas producciones se elaboran vinos de calidad

amparados por la UE, y 1.3 millones de hectáreas dentro de la categoría WGI

(Eurostat, 2018), con las que se elaboran vinos de calidad amparados por

terceros países. Las previsiones indican que una parte de esta superficie se

verá afectada por pérdidas de idoneidad ambiental para V. vinífera bajo el

escenario RCP 4.5, pérdidas que tienden a incrementarse cuando se considera

el escenario RCP 8.5.

En el Anexo 1 se recogen los resultados cuantitativos obtenidos para

cada país europeo y región vitivinícola productora de vinos de calidad (DOP,

IGP y WGI), relativos a incremento, pérdida y persistencia de superficie de

idoneidad ambiental para V. vinífera, así como a no hábitat, tanto para el

escenario RCP 4.5 como RCP 8.5. Únicamente aparecen aquellas regiones en

las que coinciden en su previsión 15 o más GCM y presentan un porcentaje

igual o superior al 30% en esos efectos.

48

Fig

ura

10. Á

reas d

e n

o h

áb

itat, p

érd

ida, in

cre

me

nto

y p

ers

iste

ncia

de id

on

eid

ad

am

bie

nta

l para

V. v

inífe

ra e

n la

s re

gio

ne

s

vitiv

iníc

ola

s e

uro

peas p

roducto

ras d

e v

inos d

e c

alid

ad (P

DO

, PG

I y W

GI), p

revis

tas p

ara

el a

ño 2

050 y

consid

era

ndo lo

s

escen

ario

s d

e e

mis

ión R

CP

4.5

.

49

Fig

ura

11.

Áre

as d

e n

o h

áb

ita

t, p

érd

ida,

incre

me

nto

y p

ers

iste

ncia

de i

don

eid

ad

am

bie

nta

l p

ara

V.

vin

ífera

en l

as r

eg

ione

s

vitiv

iníc

ola

s e

uro

pe

as p

rodu

cto

ras d

e v

inos d

e c

alid

ad

(P

DO

, P

GI

y W

GI)

, pre

vis

tas p

ara

el

añ

o 2

05

0 y

co

nsid

era

ndo

lo

s

escen

ario

s d

e e

mis

ión R

CP

8.5

.


50

Como datos más destacados, cabe señalar que dentro de las PGI de

Chipre, las regiones con mayor vulnerabilidad son Larnaca, Nicosia, Limasol y

Paphos, con una pérdida de superficie con idoneidad ambiental que varía entre

el 25,2% y el 85,2% considerando el escenario de emisión RCP 4.5, y entre el

15,1% y el 42%, bajo el RCP 8.5. Las PGI griegas se verían seriamente

afectadas por importantes pérdidas de superficie ambientalmente idónea,

especialmente Kos (68,5% en RCP 4.5), Mesogaias (94,2% y 76,5% para RCP

4.5 y RCP 8.5, respectivamente), Paiania (100% en RCP 8.5) y Spata (98,7% y

78% en RCP 4.5 y RCP 8.5, respectivamente). En el caso de Italia, las PGI

más afectadas estarían localizadas en la región de Calabria (destacando

Arghillá, Val di Neto y Valle del Crati, con pérdidas que podrían alcanzar el 68%

de la superficie idónea en el escenario más desfavorable) y en la isla de Sicilia

(siendo las más vulnerables Salemi, Fontanarrossa di Cerda y Valle de Belice,

que podrían llegar a perder hasta el 95% de superficie con idoneidad

ambiental, en algún caso). Las PGI de Portugal serían unas de las más

afectadas, tanto en el escenario RCP 4.5 como en el RCP 8.5, especialmente

Tejo (100% de pérdida en ambos escenarios), Lisboa (75% y 93,5%,

respectivamente), Setúbal (67% y 94%, respectivamente) y Algarve (37,4% y

61%, respectivamente). Por último, en España se observan pérdidas de

superficie con idoneidad ambiental en las PGI de Andalucía, especialmente en

Cádiz (78% en RCP 8.5) y Los Palacios (96% en RCP 4.5); y de las Islas

Baleares bajo el escenario RCP 8.5 (Ivissa: 60,4%; Isla de Menorca: 48%). En

todas estas zonas europeas, el incremento de superficie ambientalmente

idónea para el cultivo de la vid es nulo.


51

Respecto a las zonas productoras de vinos con PDO, la zona griega en

la que se prevé una mayor vulnerabilidad es Rhodes, con un 73% de pérdida

de superficie idónea. En Italia, las PDO vulnerables serían numerosas,

destacando las siguientes: en la región de Apulia, Melissano (97,3% de pérdida

bajo el RCP 8.5); en la región de Calabria, Greco di Bianco (76,1% y 100%

para RCP 4.5 y RCP 8.5, respectivamente); y en la región de Sicilia, Alcamo,

Santa Margherita di Belice, Erice, Marsala, Menfi, Salaparuta, Sciacca y

Siracusa (con porcentajes de pérdida de superficie con idoneidad que

oscilarían entre 59% y 98,4%). Portugal es, sin duda, uno de los países en los

que la previsión resulta ser más negativa. Así, la PDO Alentejo perdería un

73% de superficie idónea bajo el escenario RCP 8.5; en la región de Faro, las

PDO de Lagoa, Lagos y Portimão sufrirían pérdidas superiores al 80% en

ambos escenarios; la PDO de Óbidos perdería un 96,4% y la de Encostas

d’Aire un 76,3%, según el escenario RCP 8.5; en la región de Lisboa, la PDO

Alenquer disminuiría más de un 70% y la de Torres Vedras más de un 81%, en

el mejor de los casos; y en la región de Setúbal, las PDO Moscatel de Setúbal,

Palmela y Setúbal perderían porcentajes de superficie ambientalmente idónea

en los que predominan valores superiores al 90%. Finalmente, en España, las

PDO donde las previsiones son más negativas pertenecen a la Comunidad

Autónoma de Andalucía: Condado de Huelva (en torno al 80% de pérdida de

superficie con idoneidad en ambos escenarios de emisión), Jerez (44,6% en

RCP 4.5 y 60% en RCP 8.5), Lebrija (84,6% y 75% para RCP 4.5 y RCP 8.5,

respectivamente), Manzanilla-Sanlúcar de Barrameda (más del 96% de pérdida

en ambos escenarios), y Montilla-Moriles (50,3% en RCP 4.5 y 64% en RCP

8.5); y a la Comunidad Autónoma de Extremadura: Cava y Ribera del


52

Guadiana, con pérdidas del 67,4% y del 46%, respectivamente, en el escenario

RCP 8.5. En ninguna de estas PDO europeas se prevé un aumento de la

superficie con idoneidad ambiental para la vid.

En cuanto a las regiones WGI, algunos países se verán favorecidos al

no existir previsión de pérdida de superficie ambientalmente idónea y

aumentar, en alguna medida, la superficie adecuada para el cultivo. Este sería

el caso de Suiza, donde las WGI más beneficiadas serían Glarus y Ticino, con

un aumento de superficie idónea de un 12-21% y 13-14,3%, respectivamente.

En la figura 12 se representa la superficie ocupada por diferentes usos

del suelo en las zonas en las que se pronostica persistencia e incremento de la

idoneidad ambiental para V. vinifera bajo los escenarios de emisión RCP 4.5 y

RCP 8.5. Se observa que, considerando este último escenario, el uso del suelo

principalmente implicado es “Cubierta arbustiva, abierta (15-40%)-cerrada

(>40%), arbustos de hoja perenne”, tanto en el caso de persistencia de

superficie idónea como de incremento de la misma. Sin embargo, considerando

el escenario RCP 4.5 no se observa un uso de suelo predominante en esos

mismos casos.


53

Figura 12. Superficie (km2) ocupada actualmente por diferentes usos del suelo en las

zonas en las que se pronostica persistencia e incremento de la idoneidad ambiental de

Vitis vinifera para el año 2050 bajo los escenarios de emisión RCP 4.5 y RCP 8.5.

0 5000000 10000000

Cubierta arbórea, árboles dehoja ancha y caducifolios,

cerrada (>40%)


abierta (15-40%)

Cubierta arbórea, regularmenteinundada, agua dulce y agua

salobre

Cubierta arbórea, regularmenteinundada con variación diariadel nivel del agua, agua salina

Cubierta arbustiva, abierta (15-40%)-cerrada (>40%), arbustos

de hoja perenne

Cubierta arbórea, mezcla deárboles de hoja caduca y

perenne

Otros

Persistencia(RCP 8.5)


Incremento(RCP 8.5)

Incremento(RCP 4.5)

Km2


54

4.3. Discusión

Las pruebas de Jacknife permitieron establecer las variables

bioclimáticas que aportan más a los MNE, de cara a determinar las áreas de

idoneidad ambiental para la vid en la actualidad en Europa y su distribución

potencial en el mismo continente en el año 2050, bajo los escenarios de

cambio climático RCP 4.5 y RCP 8.5. Estas variables fueron la temperatura

media anual, la isotermalidad, la temperatura máxima del mes más cálido, la

temperatura mínima del mes más frío, la temperatura media del trimestre más

cálido y la temperatura media del trimestre más frío. Puede observarse que se

trata de variables bioclimáticas relativas a valores de la temperatura y a la

estacionalidad de la misma. De acuerdo con los datos obtenidos, tanto una

como otra tienden a incrementarse en los escenarios futuros, incluso en el caso

de las temperaturas frías (lo que conduce a inviernos más suaves). Diferentes

estudios llevados a cabo en Europa concuerdan con estos resultados al

mostrar proyecciones consistentes de aumento de temperatura y una fuerte

influencia de este hecho en la distribución futura del cultivo de la vid (Hannah et

al., 2013; Olesen et al., 2011; Ruml et al., 2012), por lo que la temperatura

parece ser el factor climático más importante para este cultivo (Ruml et al.,

2012).

Es muy importante señalar que, en la mayoría de los trabajos

desarrollados con MNE, se emplean solo entre uno y cuatro GCM, mientras

que en el presente estudio se han utilizado los 22 disponibles en la actualidad.

Hay que tener presente que estos modelos difieren, incluso, en elecciones

estructurales básicas y que, por ello, pueden arrojar diferentes resultados para

un mismo espacio físico (Murphy et al., 2007). De acuerdo con ello, en el


55

presente trabajo, los resultados muestran diferentes niveles de certidumbre en

las distintas regiones de Europa, en función del número de coincidencias en las

previsiones para 2050 llevadas a cabo con los 22 CGM, considerándose que el

nivel de certidumbre es significativo cuando el número de coincidencias está

entre 15 y 22 (Figuras 6 y 8). Por otro lado, Olesen et al., (2007) señalaron

además que, si bien existe esa incertidumbre generada al establecer los

escenarios de emisiones y aplicar los modelos climáticos, hay también una

incertidumbre asociada con las variaciones locales del clima y del suelo, así

como con las diferentes estrategias a implementar en la práctica para

amortiguar los efectos del cambio climático, enfatizando, por ello, la necesidad

de que los estudios de impacto consideren adecuadamente las condiciones

ambientales locales, así como la correcta adaptación de la gestión de los

cultivos agrícolas a los nuevos escenarios.

Los resultados obtenidos en el presente trabajo muestran que, en gran

parte del territorio europeo, se da una persistencia de las condiciones

ambientales adecuadas para el cultivo de la vid en los dos escenarios de

cambio climático considerados (RCP 4.5 y 8.5). Sin embargo, también se

observa que, para algunas regiones, se predicen importantes impactos, tanto

negativos (incrementos de pérdida de superficie con idoneidad ambiental),

especialmente en zonas localizadas en el área mediterránea: Portugal, España,

Italia, Grecia y Chipre, como positivos (incrementos de la superficie con

idoneidad ambiental), sobre todo en regiones del norte (Figuras 6 y 8). Otros

autores, trabajando con cultivos en general, han reportado resultados en los

que se prevé también un impacto variable geográficamente, señalando que

tanto la superficie con idoneidad ambiental como el rendimiento de los cultivos


56

disminuirán en las zonas más al sur y aumentarán en las zonas más frías del

norte de Europa (Audsley et al., 2006; Olesen et al., 2011). Por su parte,

Hannah et al., (2013) llevaron a cabo trabajos con vid y los escenarios RCP 4.5

y RCP 8.5, reportando que en las regiones francesas de Burdeos y del Valle

del Ródano, así como en La Toscana italiana disminuirá la superficie con

idoneidad ambiental; por otro lado, observaron que dicha superficie aumentará

en las regiones más septentrionales de Europa, coincidiendo con los resultados

del presente estudio.

Resulta de gran interés analizar la vulnerabilidad del cultivo de la vid,

concretamente en las regiones vitivinícolas PGI, PDO y WGI por su especial

importancia en Europa derivada, entre otras cosas, del hecho de que suponen

una poderosa herramienta para asegurar la autenticidad del vino que llega al

consumidor con el impacto social y económico que ello supone.

Como ocurría con el cultivo de la vid en su conjunto, según el presente

estudio, las regiones vitivinícolas productoras de vinos de calidad más

vulnerables son aquéllas ubicadas en países del sur de Europa (Figura 5,

Figura 6 y Anexo 1), dotadas de climas de tipo mediterráneo.

En el caso de Portugal, que ocupa el lugar número 11 en la producción

de vino a nivel mundial (OIV, 2018), se observa pérdida de superficie con

idoneidad ambiental en las PGI de Tejo, Algarve, Lisboa y Setúbal, y en las

PDO de Alentejo, Lagoa, Lagos, Portimão, Tavira, Óbidos y Encostas de Aire,

especialmente en el escenario RCP 8.5, estando mayoritariamente situadas, en

conjunto, en zonas costeras. Por su parte, Fraga et al. (2018) llegaron a

resultados diferentes, señalando que el cultivo de la vid está expuesto a fuertes


57

riesgos por el aumento de la temperatura y de periodos secos en Portugal, pero

sobre todo en las regiones de interior, en comparación con las más cercanas a

las costas, según el RCP 8.5. El motivo de estos resultados diferentes puede

deberse a que estos autores no llevaron a cabo los procesos de calibración de

los modelos (Barve et al., 2011), ni emplearon el concepto de zona accesible

(M). Estos mismos autores señalan que resulta fundamental para la

sostenibilidad tanto del medio ambiente como del sector vinícola portugués,

establecer medidas de adaptación adecuadas, oportunas y rentables (Fraga et

al., 2018).

Las PDO italianas de las regiones de Lombardía, Calabria y Sicilia se

verán muy afectadas bajo los dos escenarios de cambio climático

considerados. Especialmente destacable es la situación de las PDO situadas

en el sur de Sicilia donde el incremento de temperatura provocará una fuerte

pérdida de idoneidad ambiental. En este contexto, conviene recordar que se

trata de una isla particularmente árida con precipitaciones escasas, sobre todo

en el sur, siendo el norte y el este más frescos y menos propensos a la sequía

(Clarke, 2005).

En el caso de Grecia, los resultados del presente trabajo estiman que las

PGI Egeo y Kos y las PDO Cícladas y Rodas sufrirán una notable pérdida de

adecuación para el cultivo de la vid en el escenario RCP 4.5. Para otras

regiones vitivinícolas griegas también se estiman importantes pérdidas de

superficie con idoneidad ambiental para este cultivo considerando el escenario

RCP 8.5, que pueden llegar hasta el 100% de su superficie, caso de la PGI

Paiania. Georgopoulou et al. (2017) evaluaron el impacto del cambio climático

sobre diferentes cultivos importantes en Grecia, entre ellos la vid,


58

pronosticando una reducción en la producción anual, especialmente en uva

para la obtención de vinos sin indicación específica (más del 60%). Además,

estos autores reportaron que, frente a esta amenaza, algunas de las medidas

posibles de adaptación no eran aplicables debido a su elevado coste.

España, que a nivel mundial ocupa el primer lugar en superficie de vid

cultivada y el segundo en producción de vino (OIV, 2019), presenta una notable

vulnerabilidad respecto a este cultivo en diversas regiones vitícolas del sur. Así,

bajo el escenario de emisión RCP 4.5, destacan los valores obtenidos en

Andalucía para las PGI Cádiz y Los Palacios, y para las PDO Condado de

Huelva, Jerez, Lebrija, Manzanilla-Sanlúcar de Barrameda y Montilla-Moriles,

en las que la pérdida de idoneidad ambiental alcanzaría el 96% de su superficie

en el caso de Los Palacios y Manzanilla-Sanlúcar de Barrameda. La situación

en España se revela similar al considerar el escenario RCP 8.5, bajo el que

varias PGI de Andalucía (sobre todo, Cádiz y Bailén) y de las Islas Baleares

(Ivissa e Illa de Menorca) y otras PDO mayoritariamente de Andalucía

(Condado de Huelva, Jerez, Lebrija, Manzanilla, Manzanilla-Sanlúcar de

Barrameda y Montilla-Moriles), pero también de la Comunidad Valenciana (El

Terrerazo) y de Extremadura (Ribera del Guadiana y Cava) presentan altas

pérdidas de superficie con idoneidad ambiental para el cultivo. No es fácil

discernir cuáles de estas regiones vitivinícolas supone una importancia mayor,

pero es claro que algunas como la de Jerez, que se remonta a la época de los

fenicios alrededor del año 1100 a. C. (Consejo Regulador de los Vinos de Jerez

y Manzanilla, 2018), son de una relevancia notable tanto a nivel económico,

como cultural e histórico. En estudios anteriores, Moriondo et al. (2013) ya

reportaron vulnerabilidad ante el cambio climático en la PDO Ribera del


59

Guadiana, debido a incrementos de la temperatura y reducciones de la

precipitación bajo el modelo HadCM3 (GCM) y los escenarios A2 y B2 para los

periodos de prospección presente-2020 y presente-2050.

Resulta muy notable destacar que, de acuerdo con los resultados

obtenidos en el presente trabajo, se aprecia un incremento de superficie con

idoneidad ambiental para el cultivo de la vid en regiones del centro y norte de

Europa (en Austria y Suiza, concretamente) bajo los dos escenarios de cambio

climático considerados. Paralelamente a ello, Jackson (2014b) reportó que, en

el este de Francia, el límite de la producción comercial de vino se inclinará

hacia el norte, desde el Valle del Loira hasta el Valle del Rin y sus afluentes.

Por otra parte, diversos autores, como Olesen et al. (2011) han afirmado que

algunos cultivos que actualmente crecen principalmente en el sur de Europa

serán más adecuados en regiones más septentrionales y en zonas

meridionales, pero de mayor altitud. En el presente trabajo, se ha encontrado

que, en amplias zonas montañosas en las que actualmente predomina la

vegetación natural, aumentará la idoneidad ambiental para el cultivo de la vid

(en la figura 12 se representa la superficie ocupada por diferentes usos del

suelo en las zonas en las que se pronostica persistencia e incremento de la

idoneidad ambiental para V. vinifera bajo los escenarios de emisión RCP 4.5 y

RCP 8.5). De este modo, la viticultura y la protección de los recursos naturales

serán realidades enfrentadas en estos espacios, con profundas implicaciones

sociales y ambientales. En esta línea, Hannah et al. (2013) señalan que el

cultivo de la vid constituye una valiosa referencia para medir los impactos

indirectos del cambio climático sobre los ecosistemas, a través de su incidencia

directa sobre la agricultura, ya que la viticultura es sensible al clima y se


60

concentra en regiones climáticas mediterráneas que, además, son lugares

críticos para la biodiversidad mundial. Estos mismos autores señalan la

importancia clave de la realización de esfuerzos de adaptación y conservación

agrícola que se anticipen a estos posibles múltiples efectos indirectos (Hannah

et al., 2013), resultando en este sentido esenciales, los estudios detallados

sobre las predicciones de las distribuciones geográficas/ecológicas de las

especies, en este caso, de la vid. Por otro lado, es importante considerar que

cualquier planificación que se realice con el objetivo de anticipar soluciones a

los problemas futuros relacionados con el cultivo de la vid, tiene que tener en

cuenta el ámbito más local, entre otros motivos, porque las variedades

tradicionales elegidas y aceptadas al inicio del funcionamiento de las regiones

vitivinícolas reguladas pueden, en la situación futura, no poseer las

propiedades consideradas como óptimas (Pouget, 1988).

En definitiva, los MNE son una herramienta que permite establecer una

aproximación, en un contexto ambiental, de la distribución espacial futura de

las especies vivas (Merow et al., 2013; Peterson et al., 2011), entre ellas la vid.

Esta información reportada por los MNE debería ser tenida en cuenta en la

toma de decisiones cuando se elaboran programas de planificación de cara a

minimizar problemas futuros. Así, por ejemplo, los MNE proporcionan una base

predictiva para futuras y, a veces nuevas, inferencias relacionadas con la

biodiversidad y su distribución en el espacio, el tiempo y el medio ambiente

(Peterson et al., 2011), como sería el caso de las posibles interferencias entre

el propio cultivo de la vid y zonas geográficas de especial valor ambiental. Por

otro lado, no solamente es importante que se considere la información aportada

por los MNE en la toma de decisiones, sino que dicha información debe ser


61

conseguida de acuerdo a una evaluación rigurosa y consistente. En el presente

trabajo se ha obtenido la distribución potencial de la superficie con idoneidad

ambiental para el cultivo de vid en Europa para así, entre otras cosas,

determinar zonas con alta vulnerabilidad, habiendo prestado una especial

atención a la situación de las regiones vitivinícolas productoras de vinos de

calidad. Esta información puede servir de apoyo al establecimiento de

estrategias que se adelanten a los problemas relacionados con esos cambios

futuros.

4.4. Conclusiones

1. Las variables bioclimáticas que aportan más a los modelos de nicho

ecológico, de cara a determinar las áreas de idoneidad ambiental de la vid en la

actualidad en Europa y su distribución potencial en el mismo continente en el

año 2050, bajo los escenarios de cambio climático RCP 4.5 y RCP 8.5 son la

temperatura media anual, la isotermalidad, la temperatura máxima del mes más

cálido, la temperatura mínima del mes más frío, la temperatura media del

trimestre más cálido y la temperatura media del trimestre más frío, todas ellas,

relativas a valores de la temperatura y a la estacionalidad de la misma.

2. En los dos escenarios de cambio climático considerados, los modelos

predicen una persistencia de las condiciones ambientales adecuadas para el

cultivo de la vid en gran parte del territorio europeo.

3. Se prevé que el cambio climático provoque notables pérdidas de

superficie con idoneidad ambiental para el cultivo de la vid en regiones

europeas con climas cálidos. En concreto, considerando el escenario de


62

emisión RCP 4.5, estas pérdidas se extenderán por regiones pertenecientes a

países mediterráneos (Portugal, España, Italia, Grecia y Chipre) y teniendo en

cuenta el escenario de emisión más desfavorable (RCP 8.5), esta situación se

acentuará especialmente en Portugal, España e Italia.

4. Los modelos predicen un incremento de superficie con idoneidad

ambiental para el cultivo de la vid en algunas regiones del centro y norte de

Europa (en Suiza y Austria, concretamente) bajo los dos escenarios de cambio

climático RCP 4.5 y RCP 8.5.

5. Como ocurre con el cultivo de la vid en su conjunto, se estima que

importantes regiones vitivinícolas productoras de vinos de calidad (PGI, PDO y

WGI) son muy vulnerables al cambio climático, especialmente aquéllas

ubicadas en países del sur de Europa (Portugal, España, Italia, Grecia y

Chipre) y dotadas de clima de tipo mediterráneo.

6. Considerando el escenario de emisión RCP 8.5, el uso del suelo

principalmente implicado, tanto en las zonas en las que se dará persistencia de

idoneidad ambiental para el cultivo de la vid como en aquéllas en las se

producirá un incremento de la misma, es el de “Cubierta arbustiva, abierta (15-

40%)-cerrada (>40%), arbustos de hoja perenne”. Sin embargo, considerando

el escenario RCP 4.5 no se observa un uso de suelo predominante en esas

mismas zonas. Por otro lado, en el presente trabajo se ha encontrado que en

amplias zonas montañosas en las que actualmente predomina la vegetación

natural, se prevé que aumente la idoneidad ambiental para el cultivo de la vid,

de modo que la viticultura y la protección de los recursos naturales serán


63

realidades enfrentadas en estos espacios, con implicaciones sociales y

ambientales muy sustanciales.

7. Las modificaciones que el cambio climático provocará sobre las

superficies con idoneidad ambiental para el cultivo de la vid en diferentes

regiones europeas traerán importantes consecuencias en los ámbitos

económico, social, cultural y ambiental. Por ello, el presente trabajo, y otros que

se desarrollen en la misma línea, podrían ser considerados para planificar

estrategias de actuación que se adelanten a esos problemas de modo que se

puedan alcanzar soluciones adecuadas en un contexto de Desarrollo

Sostenible.


64

4.5. Bibliografía

Audsley, E., Pearn, K. R., Simota, C., Cojocaru, G., Koutsidou, E., Trnka, M., & Alexandrov, V. (2006). What can scenario modelling tell us about future European scale agricultural land use, and what not? Environmental Science & Policy, 9(2), 148–162. https://doi.org/10.1016/J.ENVSCI.2005.11.008

Barve, N., Barve, V., Jiménez-Valverde, A., Lira-Noriega, A., Maher, S. P.,

Peterson, A. T., … Villalobos, F. (2011). The crucial role of the accessible area in ecological niche modeling and species distribution modeling. Ecological Modelling, 222(11), 1810–1819. https://doi.org/10.1016/J.ECOLMODEL.2011.02.011

Arnold, C., Gillet, F., Gobat, J.M. (1998). Situation de Ia vigne sauvage Vitis

vinifera ssp. silvestris en Europe. Journal of Grapevine Research, 4, 159–170

Clarke, O. (2005). Atlas del vino (Blume). Barcelona Editorial: Blume Consejo Regulador de los Vinos de Jerez y Manzanilla (2018). Historia del

jerez. Retrieved February 1, 2019, from https://www.sherry.wine/es/marco-de-jerez/historia

Cortignani, R., & Dono, G. (2018). Agricultural policy and climate change: An

integrated assessment of the impacts on an agricultural area of Southern Italy. Environmental Science & Policy, 81, 26–35. https://doi.org/10.1016/J.ENVSCI.2017.12.003

Drivelos, S. A., & Georgiou, C. A. (2012). Multi-element and multi-isotope-ratio

analysis to determine the geographical origin of foods in the European Union. TrAC Trends in Analytical Chemistry, 40, 38–51. https://doi.org/10.1016/J.TRAC.2012.08.003

Eurostat. (2018). Vineyards in the EU - statistics. Retrieved February 1, 2019,

from https://ec.europa.eu/eurostat/statistics-explained/index.php/Vineyards_in_the_EU_-_statistics

FAO. (2016). Table and dried grapes. Food and agriculture organization of the

united nations Fraga, H., García de Cortázar Atauri, I., & Santos, J. . (2018). Viticultural

irrigation demands under climate change scenarios in Portugal. Agricultural Water Management, 196, 66–74. https://doi.org/10.1016/J.AGWAT.2017.10.023


65

Fraga, H., Santos, J. A., Moutinho-Pereira, J., Carlos, C., Silvestre, J., Eiras-Dias, J., … Malheiro, A. A. C. (2015). Statistical modelling of grapevine phenology in Portuguese wine regions: Observed trends and climate change projections. Journal of Agricultural Science, 1–17. https://doi.org/10.1017/S0021859615000933

García-Ruiz, J. M., Beguería, S., Lana-Renault, N., Nadal-Romero, E., & Cerdà,

A. (2017). Ongoing and emerging questions in water erosion studies. Land Degradation & Development, 28(1), 5–21. https://doi.org/10.1002/ldr.2641

GBIF. (2019). Vitis vinifera L. Retrieved June 21, 2019, from

https://www.gbif.org/species/5372392 Georgopoulou, E., Mirasgedis, S., Sarafidis, Y., Vitaliotou, M., Lalas, D. P.,

Theloudis, I., … Zavras, V. (2017). Climate change impacts and adaptation options for the Greek agriculture in 2021–2050: A monetary assessment. Climate Risk Management, 16, 164–182. https://doi.org/10.1016/J.CRM.2017.02.002

Hannah, L., Roehrdanz, P. R., Ikegami, M., Shepard, A. V, Shaw, M. R., Tabor,

G., … Hijmans, R. J. (2013). Climate change, wine, and conservation. Proceedings of the National Academy of Sciences of the United States of America, 110(17), 6907–6912. https://doi.org/10.1073/pnas.1210127110

Hassler M. (2019). World Plants: Synonymic Checklists of the Vascular Plants

of the World (version Nov 2018). In: Species 2000 & ITIS Catalogue of Life, 2019 Annual Checklist (Roskov Y., Ower G., Orrell T., Nicolson D., Bailly N., Kirk P.M., Bourgoin T., DeWalt R.E., Decock W., Nieukerken E. van, Zarucchi J., Penev L., eds.). Digital resource at www.catalogueoflife.org/annual-checklist/2019. Species 2000: Naturalis, Leiden, the Netherlands. ISSN 2405-884X

Jackson, R. S. (2014a). Grape species and varieties. Wine Science, 21–67.

https://doi.org/10.1016/B978-0-12-381468-5.00002-6 Jackson, R. S. (2014b). Wine laws, authentication and geography. Wine

Science, 761–829. https://doi.org/10.1016/B978-0-12-381468-5.00010-5 Luykx, D. M. A. M., & van Ruth, S. M. (2008). An overview of analytical methods

for determining the geographical origin of food products. Food Chemistry, 107(2), 897–911. https://doi.org/10.1016/J.FOODCHEM.2007.09.038

Manen, J.-F., Bouby, L., Dalnoki, O., Marinval, P., Turgay, M., & Schlumbaum,

A. (2003). Microsatellites from archaeological Vitis vinifera seeds allow a tentative assignment of the geographical origin of ancient cultivars. Journal of Archaeological Science, 30(6), 721–729. https://doi.org/10.1016/S0305-4403(02)00244-3


66

Marsal, G., Bota, J., Martorell, A., Canals, J. M., Zamora, F., & Fort, F. (2017). Local cultivars of Vitis vinifera L. in Spanish islands: Balearic Archipelago. Scientia Horticulturae, 226, 122–132. https://doi.org/10.1016/J.SCIENTA.2017.08.021

Merow, C., Smith, M. J., & Silander, J. A. (2013). A practical guide to MaxEnt

for modeling species’ distributions: What it does, and why inputs and settings matter. Ecography., 36(10), 1058–1069. https://doi.org/10.1111/j.1600-0587.2013.07872.x

Moncayo, S., Rosales, J. D., Izquierdo-Hornillos, R., Anzano, J., & Caceres, J.

O. (2016). Classification of red wine based on its protected designation of origin (PDO) using Laser-induced Breakdown Spectroscopy (LIBS). Talanta, 158, 185–191. https://doi.org/10.1016/J.TALANTA.2016.05.059

Montero-García, F., Brasa Ramos, A., Montero Riquelme, F., & Carsjens, G. J.

(2017). A territorial approach to assess the transition to trellis vineyards in special protection areas for steppe birds in Spain. Land Use Policy, 67, 27–37. https://doi.org/10.1016/J.LANDUSEPOL.2017.03.036

Moriondo, M., Jones, G. V., Bois, B., Dibari, C., Ferrise, R., Trombi, G., & Bindi,

M. (2013). Projected shifts of wine regions in response to climate change. Climatic Change, 119(3–4), 825–839. https://doi.org/10.1007/s10584-013-0739-y

Murphy, J. M., Booth, B. B. B., Collins, M., Harris, G. R., Sexton, D. M. H., &

Webb, M. J. (2007). A methodology for probabilistic predictions of regional climate change from perturbed physics ensembles. Philosophical Transactions. Series A, Mathematical, Physical, and Engineering Sciences, 365(1857), 1993–2028. https://doi.org/10.1098/rsta.2007.2077

OIV. (2017). Distribution of the world’s grapevine varieties. Retrieved June 21,

2019, from www.oiv.int OIV. (2018). Statistical report on world vitiviniculture. Retrieved February 1,

2019, from http://www.oiv.int/public/medias/6371/oiv-statistical-report-on-world-vitiviniculture-2018.pdf

OIV. (2019). Aspectos de la coyuntura mundial. Retrieved July 17, 2019, from

http://www.oiv.int/public/medias/6680/es-oiv-aspectos-de-la-coyuntura-mundial-2019.pdf

Olesen, J. E., & Bindi, M. (2002). Consequences of climate change for

European agricultural productivity, land use and policy. European Journal of Agronomy, 16(4), 239–262. https://doi.org/10.1016/S1161-0301(02)00004-7


67

Olesen, J. E., Carter, T. R., Díaz-Ambrona, C. H., Fronzek, S., Heidmann, T., Hickler, T., … Sykes, M. T. (2007). Uncertainties in projected impacts of climate change on European agriculture and terrestrial ecosystems based on scenarios from regional climate models. Climatic Change, 81(S1), 123–143. https://doi.org/10.1007/s10584-006-9216-1

Olesen, J. E., Trnka, M., Kersebaum, K. C., Skjelvåg, A. O., Seguin, B.,

Peltonen-Sainio, P., … Micale, F. (2011). Impacts and adaptation of European crop production systems to climate change. European Journal of Agronomy, 34(2), 96–112. https://doi.org/10.1016/J.EJA.2010.11.003

Peterson, A. T., Soberón, J., & Martínez-Meyer, E. (2011). Ecological niches

and geographic distributions. Princeton University Press Pouget R. (1988). L’encépagement des vignobles français d’appellation

d’Origine contrôlée: historique et possibilités d’évolution. Bull. O.I.V., 61, 185–195

Prosdocimi, M., Cerdà, A., & Tarolli, P. (2016). Soil water erosion on

Mediterranean vineyards: A review. CATENA, 141, 1–21. https://doi.org/10.1016/J.CATENA.2016.02.010

Rodrigo-Comino, J., Davis, J., Keesstra, S. D., & Cerdà, A. (2018). Updated

measurements in vineyards improves accuracy of soil erosion rates. Agronomy Journal, 110(1), 411. https://doi.org/10.2134/agronj2017.07.0414

Ruml, M., Vuković, A., Vujadinović, M., Djurdjević, V., Ranković-Vasić, Z.,

Atanacković, Z., … Petrović, N. (2012). On the use of regional climate models: Implications of climate change for viticulture in Serbia. Agricultural and Forest Meteorology, 158–159, 53–62. https://doi.org/10.1016/J.AGRFORMET.2012.02.004

Sacchelli, S., Fabbrizzi, S., Bertocci, M., Marone, E., Menghini, S., & Bernetti, I.

(2017). A mix-method model for adaptation to climate change in the agricultural sector: A case study for Italian wine farms. Journal of Cleaner Production, 166, 891–900. https://doi.org/10.1016/J.JCLEPRO.2017.08.095

Sardaro, R., Bozzo, F., Petrillo, F., & Fucilli, V. (2017). Measuring the financial

sustainability of vine landraces for better conservation programmes of Mediterranean agro-biodiversity. Land Use Policy, 68, 160–167. https://doi.org/10.1016/J.LANDUSEPOL.2017.07.045

Turner, W. R., Bradley, B. A., Estes, L. D., Hole, D. G., Oppenheimer, M., &

Wilcove, D. S. (2010). Climate change: helping nature survive the human response. Conservation Letters, 3(5), 304–312. https://doi.org/10.1111/j.1755-263X.2010.00128.x


68

Zecca, G., Abbott, J. R., Sun, W.-B., Spada, A., Sala, F., & Grassi, F. (2012). The timing and the mode of evolution of wild grapes (Vitis). Molecular Phylogenetics and Evolution, 62(2), 736–747. https://doi.org/10.1016/J.YMPEV.2011.11.015


69

Anexo 1

Superficie y porcentaje de no hábitat y de incremento, pérdida y persistencia de

idoneidad ambiental para V. vinifera en regiones europeas productoras de

vinos de calidad previstos por el MNE para el año 2050, considerando los

escenarios de cambio climático RCP 4.5 y RCP 8.5. Solo se especifican las

regiones en las que coinciden en su previsión 15 o más GCM y presentan un

porcentaje igual o superior al 30% en los efectos observados.

70

Tray

ecto

rias

de c

once

ntra

ción

repr

esen

tativ

as 4

.5 (R

CP

4.5)

País

/Reg

ión

Incr

emen

to (I

) Km

2I%

Pe

rdid

a (L

) Km

2L%

N

o H

abita

t (N

H) K

m2

NH

%

Pers

iste

ncia

(P) K

m2

P%To

tal_

Km

2Pa

ís/R

egió

nIn

crem

ento

(I) K

m2

I%

Perd

ida

(L) K

m2

L%

No

Hab

itat (

NH

) Km

2N

H%

Pe

rsis

tenc

ia (P

) Km

2P%

Tota

l_K

m2

Chi

pre

9029

.430

714

50.2

7378

.869

222

4117

988.

8037

7C

hipr

e54

18.3

2569

730

.144

46.6

5633

625

1798

8.80

377

Lárn

aca

PGI

Larn

aca

2545

.676

977

85.2

337.

2024

338

11.3

2986

.632

286

Larn

aca

PGI

Larn

aca

452.

1689

811

15.1

130.

6902

231

4.4

2986

.632

286

Lim

asol

PGI

Lim

asso

l98

2.35

4725

625

.225

90.5

1028

966

.439

00.4

5150

5Li

mas

sol

PGI

Lim

asso

l13

05.7

0131

233

.518

20.8

5104

247

3900

.451

505

Nic

osia

PGI

Nic

osia

4006

.600

975

5726

55.3

8089

3870

45.1

6936

3N

icos

iaPG

IN

icos

ia19

60.2

5050

528

1732

.860

673

2570

45.1

6936

3

Pafo

sPG

IPa

phos

1494

.798

037

3717

95.7

7560

944

.340

56.5

5061

5Pa

phos

PGI

Paph

os17

00.2

0489

942

762.

2543

979

1940

56.5

5061

5

Gre

cia

6004

.901

665

3.1

1767

4.64

709

910

48.4

8548

10.

513

6804

.499

570

1964

56.4

566

Gre

cia

2660

.517

037

1.4

2306

1.76

447

1247

9.82

9725

50.

211

2805

.242

757

.419

6456

.456

6

Egeo

4574

.301

322

3116

.884

1697

50.

140

74.8

5048

827

.514

824.

5181

8Eg

eo20

89.1

3038

14.1

2814

.346

183

1914

824.

5181

8

PGI

Aege

an42

76.7

7634

633

16.8

8416

975

0.1

3140

.520

687

2413

030.

4957

5PG

IAe

gean

1797

.130

936

1421

90.7

3659

117

1303

0.49

575

PGI

Kos

307.

8518

356

68.5

449.

4564

6PG

IKo

s 12

.804

7697

83

449.

4564

6

Átic

a22

29.0

0612

936

.220

35.3

9972

833

.161

52.3

1757

6Á

tica

2529

.337

556

41.1

1450

.814

996

2461

52.3

1757

6

PGI

Attic

a19

46.6

2672

634

2006

.916

178

3557

59.3

1321

2PG

IAt

tica

2220

.421

609

3914

35.9

9543

125

5759

.313

212

PGI

Mes

ogai

as13

0.52

0200

994

.22.

4214

1680

32

138.

5050

049

PGI

Mes

ogai

as

105.

9983

924

76.5

2.42

1416

803

213

8.50

5004

9

PGI

Paia

nia

32.9

0447

442

3985

.045

1649

7PG

IPa

iani

a 85

.045

1649

710

085

.045

1649

7

PGI

Pallin

i 0.

5459

7519

21.

126

.062

1327

953

.049

.135

8491

PGI

Pallin

i 24

.332

5741

349

.512

.398

1477

425

.249

.135

8491

PGI

Spa

118.

4087

521

98.4

120.

3183

447

PGI

Spat

a 93

.539

8159

378

120.

3183

447

Pelo

pone

so, G

reci

a

occi

dent

al y

las

isla

s

jóni

cas

542.

0399

963

1.2

4284

.338

618

9.2

18.6

0658

877

0.04

3141

0.26

9267

.446

591.

2753

7

Pelo

pone

so, G

reci

a

occi

dent

al y

las

isla

s

jóni

cas

74.4

5847

434

0.2

8762

.246

591

1937

.202

5416

50.

0826

045.

7408

356

4659

1.27

537

PGI

Cor

inth

14

4.97

2655

815

582.

6024

697

58.5

995.

4417

966

PGI

Cor

inth

35

3.94

8663

636

357.

0531

851

3699

5.44

1796

6

PGI

Mon

emva

sía

472.

5296

463

3261

9.97

0426

842

1490

.461

633

PGI

Mon

emva

sía

445.

2459

296

3041

6.87

0998

828

1490

.461

633

PGI

Zaky

ntho

s 30

2.30

0657

846

142.

0841

934

2265

9.19

5327

8PG

IZa

kynt

hos

18.5

7474

679

393

.864

6510

114

.265

9.19

5327

8

Italia

7867

.381

299

217

815.

2441

94

9329

.403

568

239

4827

.514

484

.246

8679

.761

Italia

7328

.461

124

221

250.

1259

24.

510

081.

3914

92.

236

8663

.956

679

4686

79.7

61

Cal

abria

4724

.201

643

1916

922.

0827

568

2494

7.30

924

Cal

abria

6261

.340

442

25.1

1435

6.57

065

57.5

2494

7.30

924

PGI

Argh

illá

365.

9523

635

2968

4.12

7793

854

1278

.450

764

PGI

Argh

illá46

2.92

8473

736

.245

7.78

6097

236

1278

.450

764

PGI

Cos

ta V

iola

106.

9357

975

49.1

99.0

2305

435

4521

7.80

1218

1PG

IC

osta

Vio

la71

.777

2444

133

217.

8012

181

PGI

Locr

ide

259.

0165

659

24.4

585.

1047

394

55.2

1060

.649

546

PGI

Argh

illá

410.

7101

217

3938

6.00

8852

836

.410

60.6

4954

6

PGI

Val d

i Net

o 72

6.32

5984

935

514.

9022

0825

2072

.850

941

PGI

Val d

i Net

o14

10.0

2942

568

284.

3339

298

1420

72.8

5094

1

PGI

Valda

mat

o 22

5.33

9777

840

314.

0606

836

55.2

569.

2208

044

PGI

Valda

mat

o30

4.58

6031

953

.523

7.05

4112

842

569.

2208

044

PGI

Valle

del

Cra

ti 34

.556

5878

624

.260

.875

8408

543

142.

9880

272

PGI

Valle

del

Cra

ti97

.407

3000

768

.142

.477

3548

230

142.

9880

272

PGI

Scilla

20

.924

6558

830

50.3

9560

956

72.1

69.9

0468

239

PGI

Scilla

49.7

8177

872

71.2

69.9

0468

239

PGI

Cal

abria

1352

.174

714

3315

73.9

6652

639

4063

.510

537

PGI

Cal

abria

2274

.951

231

56.0

1021

.651

495

25.1

4063

.510

537

Lom

bard

ía99

7.20

9227

5.4

1184

.104

137

6.5

1461

0.72

527

8018

313.

3588

9Lo

mba

rdia

981.

0796

945

5.4

1511

.518

199

8.3

1461

0.72

527

8018

313.

3588

9

PGI

Terra

zze

Ret

iche

di S

ondr

io21

1.14

3425

211

591.

8570

921

30.5

569.

9675

115

29.3

1942

.584

449

PGI

Terra

zze

Ret

iche

di S

ondr

io23

5.87

2242

812

.175

1.75

7945

839

569.

9675

115

29.3

1942

.584

449

Sici

lia86

33.1

8332

421

.118

.638

6283

60.

0526

770.

2842

365

.540

899.

2397

3Si

cilia

1029

0.74

294

25.2

18.6

3862

836

0.05

2166

5.94

7753

4089

9.23

973

PGI

Avol

a 36

.104

7849

30.4

62.3

2687

533

52.5

118.

7719

245

PGI

Avol

a 45

.182

5675

738

58.1

2517

298

4911

8.77

1924

5

PGI

Cam

arro

42

02.6

9552

535

.518

.638

6283

60.

261

31.6

2638

852

1184

8.03

462

PGI

Cam

arro

34

80.8

6502

529

18.6

3862

836

0.2

5050

.976

4143

1184

8.03

462

PGI

Sale

mi

127.

0275

0544

144.

7191

593

5029

1.52

9022

1PG

ISa

lem

i 21

9.43

8255

75.3

62.5

1964

622

21.4

291.

5290

221

PGI

Font

anar

ossa

di C

erda

66

.576

6125

395

5.65

4799

093

870

.349

2985

7PG

IFo

ntan

aros

sa d

i Cer

da

37.6

3201

487

53.5

70.3

4929

857

PGI

Valle

Bel

ice

324.

2496

831

5820

5.80

0443

537

557.

5174

20PG

IVa

lle B

elic

e 33

2.83

3198

759

.755

.087

3043

310

557.

5174

20

PGI

Terre

Sic

iliane

1319

2.53

491

2533

030.

2645

762

5327

8.92

459

PGI

Terre

Sic

iliane

3799

.159

078

751

25.4

6965

110

5327

8.92

459

Port

ugal

8836

.841

352

5293

.402

1564

50.

546

17.3

7153

827

1712

4.50

277

Port

ugal

1293

4.12

928

75.5

85.9

5890

291

0.5

2146

.071

864

12.5

1712

4.50

277

Évor

aPG

ITe

jo14

0.61

5226

470

.220

0.43

2755

5Év

ora

PGI

Tejo

188.

3538

175

9420

0.43

2755

5

Faro

PGI

Alga

rve

2317

.515

286

37.4

93.4

0215

645

1.5

2617

.204

846

42.3

6189

.978

114

Faro

PGI

Alga

rve

3758

.538

845

6185

.958

9029

11.

412

84.1

2966

2161

89.9

7811

4

Lisb

oa10

77.9

9283

575

127.

5311

206

914

44.5

9379

7Li

sboa

1350

.508

664

93.5

52.5

9278

731

414

44.5

9379

7

PGI

Lisb

oa10

74.8

3305

775

127.

5311

206

914

41.4

3402

PGI

Lisb

oa13

47.3

4888

693

.552

.592

7873

14

1441

.434

02

PGI

Tejo

3.15

9777

491

100

3.15

9777

491

PGI

Tejo

3.15

9777

491

100

3.15

9777

491

Setú

bal

PGI

Setú

bal

5441

.333

231

6767

8.22

2745

68.

381

34.0

8338

2Se

túba

lPG

ISe

túba

l76

11.1

4910

694

8134

.083

382

Espa

ña14

494.

4188

4.2

1396

8.20

135

4.1

478.

5660

578

0.1

2907

10.2

098

8534

3153

.658

1Es

paña

2761

.816

668

135

935.

6733

810

.522

0.26

5604

10.

124

0371

.988

370

3431

53.6

581

And

aluc

ía90

3.85

8827

72

1048

5.71

459

1897

.974

2816

30.

239

453.

8288

768

5829

0.21

855

And

aluc

ía17

9.09

0614

10.

314

879.

5908

525

.540

.817

6730

70.

128

591.

4321

649

.158

290.

2185

5

PGI

Bailé

n39

4.01

4766

823

.168

6.48

4879

540

.217

08.8

7246

3PG

IBa

ilén

921.

6314

126

5439

6.74

7402

123

.217

08.8

7246

3

PGI

Cád

iz24

63.6

9316

947

.510

05.7

1024

919

.451

82.1

0683

7PG

IC

ádiz

4024

.289

554

7824

9.84

3076

94.

851

82.1

0683

7

PGI

Cór

doba

5660

.365

195

27.4

1225

9.23

818

59.3

2065

9.07

87PG

IC

órdo

ba78

22.4

1172

438

6508

.878

154

31.5

2065

9.07

87

PGI

Los

Pala

cios

1862

.514

715

9619

46.8

9881

PGI

Los

Pala

cios

533.

7464

796

27.4

1946

.898

81

PGI

Torre

pero

gil

955.

0950

013

69.5

1373

.806

879

PGI

Torre

pero

gil

417.

4049

708

30.4

436.

6464

066

3213

73.8

0687

9

Extr

emad

ura

PGI

Extre

mad

ura

4057

.725

9574

5481

.377

826

Extr

emad

ura

PGI

Extre

mad

ura

2477

.160

375

45.2

1768

.855

6332

.354

81.3

7782

6

Isla

s B

alea

res

416.

5344

758

567

29.3

1092

980

8442

.730

226

Isla

s B

alea

res

859.

4511

224

10.2

4532

.034

916

5484

42.7

3022

6

PGI

Eivis

sa6.

0181

7654

931

.419

.149

7566

8PG

IEi

vissa

11.5

6912

109

60.4

19.1

4975

668

PGI

Isla

de

Men

orca

45.9

1087

1714

.312

9.81

5837

641

319.

9571

898

PGI

Isla

de

Men

orca

152.

3554

772

4831

9.95

7189

8

Aus

tria

1349

4.84

691

14.3

1386

9.24

806

1519

218.

6967

120

.394

466.

1584

4A

ustr

ia12

293.

2554

413

1442

5.24

504

15.3

1921

8.69

671

20.3

9446

6.15

844

Vora

rlber

gPD

OVo

rarlb

erg

1201

.178

408

21.5

1665

.254

622

3078

7.76

1773

214

.155

85.9

6879

9Vo

rarlb

erg

PDO

Vora

rlber

g69

8.21

3449

412

.512

35.7

3574

822

.178

7.76

1773

214

.155

85.9

6879

9

Gre

cia

182.

4842

276

1.3

3500

.297

669

2555

.209

4819

0.4

5316

.867

869

37.4

1421

6.40

793

Gre

cia

63.7

6105

686

0.4

1814

.747

829

1319

.334

8980

10.

141

98.8

5675

929

.514

216.

4079

3

Egeo

3347

.254

877

31.3

16.8

8416

975

0.2

3046

.209

619

28.5

1069

8.68

795

Egeo

1546

.662

699

14.5

2157

.016

005

20.2

1069

8.68

795

PDO

Cíc

lada

s10

59.7

6767

536

217.

8356

655

7.4

2954

.370

045

PDO

Cíc

lada

s53

1.83

5180

818

112.

3696

292

429

54.3

7004

5

PDO

Rho

des

1572

.376

691

7316

6.68

4382

68

2154

.622

892

PDO

Rho

des

307.

7252

017

14.3

54.0

0569

967

2.5

2154

.622

892

Tray

ecto

rias

de c

once

ntra

ción

repr

esen

tativ

as 8

.5 (R

CP

8.5)

C

cC

c

71

Tra

yect

oria

s de

con

cen

trac

ión

rep

rese

nta

tivas

4.5

(RC

P 4

.5)

Paí

s/R

egió

n

Incr

emen

to (I

) Km

2I%

P

erdi

da (L

) Km

2L%

N

o H

abita

t (N

H) K

m2

NH

%

Per

sist

enci

a (P

) Km

2P

%T

otal

_Km

2P

aís/

Reg

ión

Incr

emen

to (I

) Km

2I%

P

erdi

da (L

) Km

2L%

N

o H

abita

t (N

H) K

m2

NH

%

Per

sist

enci

a (P

) Km

2P

%T

otal

_Km

2

Tra

yect

oria

s de

con

cen

trac

ión

rep

rese

nta

tivas

8.5

(RC

P 8

.5)

C

cC

c

Italia

1124

5.32

43

1350

2.06

338

415

162.

5015

84

2963

39.6

056

7838

0181

.225

5Ita

lia97

39.3

0007

43

1456

3.55

636

415

541.

9002

14.

127

9218

.026

73.4

3801

81.2

255

Apu

lia57

2.23

2509

3.5

1476

2.29

329

91.5

1614

0.02

99A

pulia

66.0

0856

162

0.4

9621

.590

094

6016

140.

0299

PD

OM

atin

o29

.450

7187

766

44.6

3286

363

PD

OM

atin

o14

.750

5681

933

44.6

3286

363

PD

OM

elis

sano

0.02

1837

268

0.1

22.3

3679

15P

DO

Mel

issa

no21

.740

2339

497

.322

.336

7915

Cal

abri

a20

40.8

9652

417

9229

.896

015

75.1

1228

6.11

847

Cal

abri

a21

85.5

0477

218

7937

.372

282

6512

286.

1184

7

PD

OG

reco

di B

ianc

o35

.867

4533

76.1

47.1

0835

515

PD

OG

reco

di B

ianc

o46

.932

4356

610

047

.108

3551

5

PD

OS

avut

o24

2.56

5652

23.2

581.

7040

295

5610

43.9

3191

6P

DO

Sav

uto

390.

4821

093

3759

9.67

8490

757

.410

43.9

3191

6

PD

OLa

mez

ia T

erm

e 10

8.47

3166

141

139.

9098

251

5326

4.51

1598

2P

DO

Lam

ezia

Ter

me

128.

8283

269

4912

9.15

8313

849

264.

5115

982

Lom

bard

ía72

3.26

1040

210

.129

37.8

6009

841

1684

.449

221

23.4

7186

.698

992

Lom

bard

ia68

1.31

3935

39.

532

48.4

5519

345

.216

84.4

4922

123

.471

86.6

9899

2

PD

OS

forz

ato

di V

alte

llina

702.

5671

425

1129

37.8

6009

844

.512

06.8

2877

518

.365

99.9

7979

7P

DO

Sfo

rzat

o di

Val

tellin

a67

4.06

5579

210

.232

30.3

7388

549

1206

.828

775

18.3

6599

.979

797

Sic

ilia

8633

.183

324

21.1

18.6

3862

836

0.05

2677

0.28

423

65.5

4089

9.23

973

Sic

ilia

1029

0.74

294

25.2

18.6

3862

836

0.05

2166

5.94

7753

4089

9.23

973

PD

OA

lcam

o 14

0.27

7142

967

17.6

8407

531

8.4

210.

0678

174

PD

OA

lcam

o98

.411

5911

447

210.

0678

174

PD

OC

onte

ssa

Ent

ellin

a 70

.275

0184

733

145.

4281

747

6821

4.98

8400

9P

DO

Con

tess

a E

ntel

lina

97.3

5372

737

45.3

38.7

1923

615

1821

4.98

8400

9

PD

OR

iesi

14

.886

6764

714

.587

.831

9270

585

.510

2.71

8603

5P

DO

Rie

si

31.9

4616

091

31.1

48.5

5737

607

47.3

102.

7186

035

PD

OS

anta

Mar

gher

ita d

i Bel

ice

96.8

0337

846

90.5

14.6

0741

585

1410

6.92

5331

6P

DO

San

ta M

argh

erita

di B

elic

e 88

.027

9403

782

.313

.300

3830

312

.410

6.92

5331

6

PD

OE

rice

72.1

0280

672

930.

3835

2411

80.

577

.564

0351

1P

DO

Eric

e 40

.314

8862

452

77.5

6403

511

PD

OM

arsa

la

339.

3142

657

8838

6.93

6161

7P

DO

Mar

sala

241.

2015

923

62.3

386.

9361

617

PD

OM

enfi

119.

2098

782

65.3

44.4

0254

124

24.3

182.

4660

139

PD

OM

enfi

127.

9110

168

70.1

3.06

7685

151

218

2.46

6013

9

PD

OM

onre

ale

283.

9681

304

3449

8.86

8756

459

.384

1.18

9524

2P

DO

Mon

real

e 39

5.27

5233

547

319.

5609

646

3884

1.18

9524

2

PD

ON

oto

275.

0736

914

32.1

513.

7401

642

6085

6.07

5329

8P

DO

Not

o 33

0.29

4816

439

401.

1433

801

4785

6.07

5329

8

PD

OS

alap

arut

a 59

.627

1167

990

.30.

5012

7061

21

66.0

3970

318

PD

OS

alap

arut

a 64

.984

0594

98.4

66.0

3970

318

PD

OS

ambu

ca d

i Sic

ilia

32.7

9739

025

21.2

94.1

8778

211

6115

4.39

3154

PD

OS

ambu

ca d

i Sic

ilia

58.3

1205

509

3862

.653

1100

241

154.

3931

54

PD

OS

ciac

ca

226.

7635

115

73.6

61.7

3146

027

2030

8.11

7336

4P

DO

Sci

acca

18

1.45

0748

759

37.0

0722

263

1230

8.11

7336

4

PD

OS

iracu

sa

224.

2055

252

69.4

18.0

8219

708

632

3.14

5651

7P

DO

Sira

cusa

23

7.45

1155

673

.510

032

3.14

5651

7

PD

O

Sic

ily86

33.1

8332

421

.118

.638

6283

60.

0526

770.

2842

365

.540

899.

2397

3S

icili

aP

DO

Sic

ily10

290.

7429

425

.218

.638

6283

60.

0521

665.

9477

5340

899.

2397

3

PD

OV

ittor

ia

48.7

0402

417

17.1

155.

3215

695

5528

4.64

3357

PD

OV

ittor

ia

163.

4926

505

57.4

1.00

4767

740.

428

4.64

3357

Tre

nti

no-

Alt

o A

digi

o36

98.7

9785

113

5896

.777

853

2156

95.6

5929

120

2856

0.96

329

Tre

nti

no-

Alt

o A

digi

o36

58.1

4004

413

6173

.580

994

2256

95.6

5929

120

2856

0.96

329

PD

OTr

ento

359.

7538

068

1762

8.61

5254

529

.353

7.32

7599

2521

42.4

8815

2P

DO

Tren

to

321.

2018

299

14.3

584.

4839

906

3053

7.32

7599

2621

4248

.815

2

Por

tuga

l41

0.41

7616

11

7708

.393

271

1526

.852

7120

70.

135

582.

8975

869

.151

490.

1773

8P

ortu

gal

169.

0795

967

0.3

1438

4.88

614

281.

9906

1966

527

792.

0568

554

2142

.488

152

Bej

aP

DO

Ale

ntej

o48

.626

1736

41.

524

12.5

4342

476

.131

71.1

4616

4B

eja

PD

OA

lent

ejo

2301

.123

7673

147.

4358

783

531

71.1

4616

4

Faro

808.

9169

256

31.0

1556

.239

1860

2612

.397

11Fa

ro12

53.6

1578

248

772.

6309

873

3026

12.3

9711

PD

OLa

goa

112.

7179

245

81.4

138.

4820

985

PD

OLa

goa

112.

7600

387

81.4

138.

4820

985

PD

OLa

gos

323.

5337

559

97.2

332.

9567

284

PD

OLa

gos

327.

4441

4298

.333

2.95

6728

4

PD

OP

ortim

ão22

7.36

5835

480

.316

.674

8523

96

283.

2936

63P

DO

Por

timão

257.

9129

791

912.

2817

1995

91

283.

2936

63

PD

OTa

vira

52.8

7680

004

2315

1.07

7582

965

.423

0.87

6979

8P

DO

Tavi

ra10

8.61

2877

247

34.1

7582

017

1523

0.87

6979

8

Leir

ia30

9.00

6167

933

272.

1104

277

29.1

935.

4824

673

Leir

ia74

6.77

522

8044

.551

1265

35

935.

4824

673

PD

OÓ

bido

s22

3.55

4724

696

.423

1.85

7807

1P

DO

Óbi

dos

223.

6135

261

96.4

231.

8578

071

PD

OE

ncos

tas

d'A

ire85

.451

4433

313

252.

4448

0137

.267

8.80

6933

6P

DO

Enc

osta

s d'

Aire

518.

0095

941

76.3

24.8

8549

984

678.

8069

336

PD

OA

lcob

aça

5.15

2099

784

100

5.15

2099

784

Lisb

oa95

9.58

7932

967

.414

5.66

6596

310

.214

24.5

0925

1Li

sboa

1290

.266

4191

52.8

9798

964

414

24.5

0925

1

PD

OA

lenq

uer

364.

0852

611

7250

3.69

5520

3P

DO

Ale

nque

r48

8.70

9011

97.0

503.

6955

203

PD

OA

rrud

a32

.398

8568

925

.275

.920

9557

659

128.

6091

188

PD

OA

rrud

a56

.248

3407

644

39.6

5527

225

3112

8.60

9118

8

PD

OB

ucel

as1.

2003

7354

72.

118

.053

1521

432

.355

.952

2474

4P

DO

Buc

elas

55.9

5224

744

100

55.9

5224

744

PD

OC

olar

es18

.500

2878

934

0.08

2323

529

1.1

54.6

8673

67P

DO

Col

ares

17.9

5209

538

330.

3052

0233

71

54.6

8673

67

PD

OC

arca

velo

s3.

9589

6702

954

7.38

2032

621

PD

OTo

rres

Ved

ras

543.

4031

536

811.

4212

8069

20.

267

4.18

3594

7P

DO

Torr

es V

edra

s66

7.44

5748

599

674.

1835

947

Set

úbal

5441

.333

231

6767

8.22

2745

68.

381

34.0

8338

2S

etúb

al76

11.1

4910

694

8134

.083

382

PD

OM

osca

tel d

e S

etúb

al28

4.36

2970

995

.429

8.05

4164

1P

DO

Mos

cate

l de

Set

úbal

262.

5065

129

88.1

298.

0541

641

PD

OP

alm

ela

100

747.

2656

956

99.2

752.

9842

087

PD

OP

alm

ela

741.

9176

383

98.5

752.

9842

087

PD

OS

etúb

al44

09.7

0456

562

.367

8.22

2745

610

7083

.045

009

PD

OS

etúb

al66

06.7

2495

593

.370

83.0

4500

9

Esp

aña

1063

7.56

187

418

422.

4118

6.4

1338

.321

468

0.5

2333

71.4

392

8128

9684

.297

3E

spañ

a38

10.3

8979

81.

324

348.

3115

68.

478

5.20

2315

60.

321

8177

.475

675

.328

9684

.297

3

An

dalu

cía

784.

2298

378

1.5

1371

0.33

184

26.2

239.

5783

645

0.5

3027

6.13

869

5852

399.

9799

An

dalu

cía

174.

3102

251

0.3

1589

1.20

456

30.3

145.

9154

784

0.3

2297

7.27

7144

5239

9.97

99

PD

OC

onda

do d

e H

uelv

a37

29.2

9796

281

.164

.307

3515

71.

446

00.9

4743

5P

DO

Con

dado

de

Hue

lva

3705

.521

589

80.5

4600

.947

435

PD

OJe

rez-

Xér

ès-S

herr

y48

91.6

9867

444

.634

12.6

2015

431

1097

1.70

278

PD

OJe

rez-

Xér

ès-S

herr

y65

91.9

2475

260

1239

.229

505

1110

971.

7027

8

PD

OLe

brija

505.

1426

205

86.4

584.

6620

759

PD

OLe

brija

436.

9638

122

7558

4.66

2075

9

PD

OM

anza

nilla

-San

lúca

r de

Bar

ram

eda

496.

7286

866

9751

1.58

8330

9P

DO

Man

zani

lla-S

anlú

car d

e B

arra

med

a49

3.02

0410

296

.451

1.58

8330

9

PD

OM

ontil

la-M

orile

s22

90.8

4734

750

.311

67.0

0818

626

4553

.926

101

PD

OM

ontil

la-M

orile

s29

05.1

0570

864

197.

5558

205

4.3

4553

.926

101

Com

un

idad

Val

enci

ana

150.

7141

387

0.5

4530

.714

308

16.5

8.44

1740

424

0.03

1962

9.42

245

71.4

2750

7.45

797

Com

un

idad

Val

enci

ana

Com

unid

ad V

alen

cian

a9.

1213

5691

50.

0358

79.5

6848

421

.416

403.

8835

560

2750

7.45

797

PD

OE

l Ter

rera

zo77

.743

8654

81

1955

.821

973

198.

4417

4042

40.

164

92.3

2949

62.4

1040

6.33

02P

DO

El T

erre

razo

9.12

1356

915

0.1

3452

.513

687

33.2

5236

.762

0150

.310

406.

3302

Ext

rem

adu

ra40

57.7

2595

7454

81.3

7782

6E

xtre

mad

ura

2477

.160

375

45.2

1768

.855

6332

.354

81.3

7782

6

PD

OC

ava

268.

6114

626

100

268.

6114

626

PD

OC

ava

181.

0508

364

67.4

268.

6114

626

PD

OR

iber

a de

l Gua

dian

a38

42.8

0042

7352

66.4

5229

7P

DO

Rib

era

del G

uadi

ana

2477

.160

375

4715

53.9

301

3052

66.4

5229

7

Su

iza

1394

2.71

402

1719

371.

6856

323

.427

732.

5057

133

8289

2.45

666

Su

iza

1110

2.38

625

13.4

1772

0.16

057

21.4

2773

2.50

571

33.5

8289

2.45

666

Gla

rus

WG

IG

laru

s30

6.58

8155

321

520.

3519

578

35.1

267.

3107

816

1814

81.9

7886

5G

laru

sW

GI

Gla

rus

173.

1882

155

1249

4.94

9572

133

.426

7.31

0781

618

1481

.978

865

Gra

ubü

nde

nW

GI

Gra

ubün

den

1450

.657

045

9.7

8676

.250

909

5844

5.56

5023

314

950.

9596

4G

rau

bün

den

WG

I G

raub

ünde

n13

72.0

9034

19.

283

88.7

1360

756

.144

5.56

5023

314

950.

9596

4

Tic

ino

WG

ITi

cino

721.

9906

558

12.1

1766

.748

861

3021

16.9

4269

636

5958

.422

873

Tic

ino

WG

ITi

cino

501.

4198

673

8.4

1818

.489

6430

.521

16.9

4269

635

.559

58.4

2287

3

Uri

WG

IU

ri32

4.74

1506

314

.392

1.41

4284

740

.519

6.68

0041

39

2274

.766

693

Uri

WG

IU

ri29

4.10

2614

613

1054

.238

775

46.3

196.

6800

413

922

74.7

6669

3

Val

ais

WG

IV

alai

s94

7.18

8273

19

3587

.995

368

33.1

510.

7932

514

510

838.

1617

3V

alai

sW

GI

Val

ais

814.

3253

118

7.5

3136

.008

058

2951

0.79

3251

45

1083

8.16

173

100

100

100

100

Cc=

Cat

egor

ía d

e ca

lidad

, WG

I= v

ino

con

indi

caci

ón g

eogr

áfic

a, P

DO

= vi

no c

on d

enom

inac

ión

de o

rigen

pro

tegi

do, P

GI=

vin

o co

n in

dica

ción

de

orig

en p

rote

gido

, I%

=Por

cent

aje

de in

crem

ento

, L%

= P

orce

ntaj

e de

per

dida

, P%

= P

orce

ntaj

e de

Per

sist

enci

a, N

H%

= P

orce

ntaj

e de

No

Háb

itat,

Km

2= K

ilom

etro

s cu

adra

dos

Distribución potencial de Lobesia botrana

Distribución potencial de Lobesia botrana en Europa

72

5. Distribución potencial de Lobesia botrana en Europa ante el impacto

del cambio climático

5.1. Introducción

5.1.1. Posición taxonómica

De acuerdo con la información proporcionada por la base de datos

Fauna Europaea (Aarvik, 2013), Lobesia botrana (Denis & Schiffermüller, 1776)

se ordena taxonómicamente de la siguiente forma:

Reino Animalia

Subreino Eumetazoa

Phyllum: Arthropoda

Subphyllum: Hexapoda

Clase: Insecta

Orden: Lepidoptera

Superfamilia: Tortricoidea

Familia: Tortricidae

Subfamilia: Olethreutinae

Tribu: Lobesiini

Género: Lobesia

Subgénero: Lobesia

Especie: Lobesia (Lobesia) botrana

Sinonimias: Tortrix botrana Denis & Schiffermüller, 1775

Eudemis botrana (Denis & Schiffermüller, 1775)

Polychrosis botrana (Denis & Schiffermüller, 1775)

Lobesia (Lobesia) vitisana Jacquin, 1788


73

5.1.2. Distribución geográfica

L. botrana se distribuye por gran parte de Europa, norte de África,

Sudamérica, Oriente Próximo y Asia Central (EPPO, 2019) (Figura 13). Existen

registros en Etiopía, Eritrea y Kenia, pero se consideran accidentales (CABI,

2019). Aunque está presente en muchas regiones vitícolas, su importancia

económica se centra en los países del sur de Europa, especialmente en

Portugal, España, Francia, Italia, Grecia, y las islas de la cuenca mediterránea

(Ioriatti et al., 2012). En la última década ha ampliado su rango geográfico y se

ha citado en Chile, California (donde actualmente se considera erradicada) y

Argentina (Gonzalez, 2010; Varela et al., 2010).

Figura 13. Distribución mundial de Lobesia botrana (según EPPO, 2019).

Este insecto fue señalado por primera vez como plaga de la vid en

Austria, en el siglo XIX, y a partir de ahí se propagó por los viñedos de Europa,

por lo que su adaptación a la vid se considera relativamente reciente (Ruiz-

Castro, 1943). Actualmente, se conoce su presencia en 35 países europeos


74

(EPPO, 2019): Albania, Alemania, Armenia, Austria, Azerbaiyán, Bélgica,

Bielorrusia, Bulgaria, Croacia, Chipre, Dinamarca, Eslovaquia, Eslovenia,

España (incluyendo las islas Baleares), Francia (incluyendo la isla de Córcega),

Georgia, Grecia, Hungría, Italia (incluyendo las islas de Cerdeña y Sicilia),

Lituania, Luxemburgo, Macedonia, Malta, Moldavia, Montenegro, Polonia,

Portugal, Reino Unido, República Checa, Rumanía, Rusia (sureste), Serbia,

Suiza, Turquía y Ucrania.

5.1.3. Biología, descripción y daños

L. botrana es una especie polivoltina que puede desarrollar entre 2 y 4

generaciones anuales en el viñedo. En Alemania, Suiza, Austria y el norte de

Francia, habitualmente aparecen 2 generaciones, mientras que, en regiones

más cálidas, como el sur de Francia, Portugal, España, Italia y Grecia suelen

aparecer 3 generaciones e incluso una cuarta, parcial o completa, dependiendo

de la climatología del año (Ioriatti et al., 2012). Pasa el invierno en estado de

crisálida diapausante, envuelta en un capullo de seda y refugiada,

principalmente, en la corteza de las cepas. La crisálida es alargada, de color

castaño, y mide unos 4-6 mm de longitud. La diapausa está controlada por el

fotoperiodo e inducida en el huevo o la larva joven (Coscollá, 1997).

En primavera, al aumentar la temperatura, emergen los primeros adultos

de forma muy escalonada y prolongándose durante varias semanas. Los

adultos miden unos 6 mm de longitud y 11-13 mm de envergadura (Coscollá,

1997). El primer par de alas es jaspeado, con manchas de color marrón que

alternan con zonas azul grisáceas y otras claras, mientras que las alas


75

posteriores son grises y más claras hacia la base. Su vuelo es crepuscular

permaneciendo inactivos durante el día. Tras la fecundación, las hembras de la

primera generación depositan los huevos aisladamente sobre los racimos,

preferentemente sobre la corola de los botones florales. Los huevos son

ligeramente elípticos, de aspecto lenticular, y miden 0,6 x 0,7 mm (Ioriatti et al.,

2012). Al principio son de color amarillento pajizo, pero van tomando un

aspecto translúcido que permite observar el desarrollo embrionario, hasta la

eclosión.

La larva mide 1 mm al nacer y pasa por 5 estadios larvarios (L1-L5) a lo

largo de su desarrollo, llegando a alcanzar 11 mm en el último (Coscollá, 1997).

Las larvas de primer estadio poseen una cápsula cefálica negra, la cual las

hace fácilmente distinguibles del resto de estadios, que la tienen de color

castaño. Las orugas de la primera generación se alimentan de los botones

florales, que unen mediante hilos de seda formando glomérulos fácilmente

reconocibles. Al final del período larvario, tejen un capullo en cuyo interior se

transforman en crisálida. La mayoría de las crisálidas se localizan en repliegues

de las hojas de la planta. Al cabo de unos días aparecen los nuevos adultos.

Las hembras de las generaciones posteriores localizan la puesta sobre las

bayas de la vid, de las cuales se alimentarán después sus orugas (Coscollá,

1997).

L. botrana es un insecto fitófago generalista que se puede alimentar de

unas 40 especies de plantas, pertenecientes a 27 familias (Coscollá, 1997)

aunque se considera que su planta huésped original es el torvisco (Daphne

gnidium L., Thymelaeaceae) (Maher and Thiéry, 2006). Además, autores como

Thiéry and Moreau, (2005) reportan que huéspedes como el propio torvisco,


76

Olea europaea y Tanacetum vulgare proporcionan un mayor valor nutricional a

la polilla que especies de la familia Vitaceae como Vitis vinifera y la especie

salvaje Ampelopsis brevipedunculata.

En el caso de la vid, las larvas de 1ª generación destruyen botones

florales, flores e incluso frutos recién cuajados, pero estos daños no se

traducen en pérdidas económicas, salvo raras excepciones. Por su parte, las

larvas de generaciones posteriores atacan bayas verdes y maduras,

penetrando en ellas y alimentándose de su pulpa. Pueden, por ello, producir

pérdidas de cosecha, tanto cuantitativas (pérdidas en peso), como cualitativas

(pérdidas en calidad), siendo estas últimas más acusadas en uva de mesa. Sin

embargo, los daños más destructivos son los que producen de forma indirecta,

ya que los orificios que causa para penetrar en las bayas son la vía de entrada

de microorganismos responsables de las podredumbres de racimo,

especialmente Botrytis cinerea. Por ello, es considerada como plaga clave de

la vid en Europa central y en la mayoría de los países mediterráneos (Avidov

and Harpaz, 1969), provocando también graves daños en el norte de África y

en algunos países de Asia y América (He and Ainseba, 2014).

5.1.4. Lobesia botrana y cambio climático

Como se ha comentado en apartados anteriores, sobre todo durante el

último siglo, y como consecuencia de un claro incremento de las emisiones a la

atmósfera de gases con efecto invernadero (el dióxido de carbono, CO2, entre

ellos) (Lambeck et al., 2014; Solomon et al., 2009), se han producido cambios

estadísticamente relevantes respecto a los patrones climáticos existentes


77

durante un largo período de tiempo anterior, hecho que se conoce como

cambio climático (Schlott et al., 2018). Este cambio climático trae consigo, por

ejemplo, un incremento confirmado en la temperatura media global del aire,

desde la década de 1850 (Nistor, 2018). Estas variaciones de la temperatura (y

de otros factores abióticos también asociados con el cambio climático) afectan

a aspectos importantes de la morfología, biología y ecología de especies plaga

de los cultivos tales como la velocidad de desarrollo, que será mayor,

aumentando el voltinismo (Culler et al., 2015), la tasa de oviposición (Puentes

et al., 2015) o el tamaño corporal, que será más reducido (Facey et al., 2014).

También se ven afectados rasgos específicos del comportamiento (Bodlah et

al., 2016; Gunderson and Leal, 2016). Efectivamente, se ha observado que el

incremento de las temperaturas, como consecuencia del cambio climático,

provoca un aumento de la tasa de metabolismo de los insectos (lo que

aumenta su tasa de desarrollo), una reducción de la duración del ciclo biológico

(y con ello, un aumento en el número de generaciones por año) y un adelanto

en la aparición de la primera generación (Bale et al., 2002; Jönsson et al.,

2011; Stoeckli et al., 2012; Tobin et al., 2003). En lo que respecta a L. botrana,

se sabe que, como organismo poiquilotermo que es, manifiesta un aumento de

su tasa de desarrollo a medida que sube la temperatura, hasta que esta

alcanza la denominada temperatura óptima (Brière et al., 1999). Como

consecuencia de ello, se ha observado un adelanto significativo de su fenología

(de hasta más de 12 días) y un aumento del número de generaciones por año

en zonas españolas (Martín-Vertedor et al., 2010), con una tendencia similar en

otras regiones europeas, caso de algunas en Alemania (Reineke and Thiéry,

2016) y en Italia (Lena et al., 2013; Pavan et al., 2014). Estas variaciones en el


78

ciclo estacional de la polilla del racimo, junto con modificaciones también en el

de la vid, pueden provocar una asincronía entre las fenologías de plaga y

cultivo y traer importantes consecuencias en las interacciones entre ambos.

Entre ellas, cabría destacar el efecto negativo en la oviposición de la plaga

sobre el cultivo, ya que es bien conocida la influencia del estado fenológico de

la vid sobre el comportamiento y el ajuste del proceso de oviposición de L.

botrana (Maher et al., 2006; Torres-Vila et al., 1993). Muy importante también,

es el hecho de que se podría producir un cambio notable en los daños

ejercidos por la última generación de la plaga, en función de la aparición de

generaciones suyas más tardías y del adelanto de las fechas de vendimia

(Lena et al., 2013; Reineke and Thiéry, 2016).

Por otro lado, Gilioli et al., (2016) reportaron una relación positiva del

aumento de la temperatura (hasta sus valores óptimos) con diversos

parámetros biológicos de L. botrana y, consecuencia de ello, con su capacidad

de incremento poblacional. Además, se podría pensar que la llegada de

inviernos más suaves, también como consecuencia del cambio climático,

aumentaría la supervivencia de hibernación de la polilla del racimo, como ya se

ha observado en otros muchos insectos (Bale and Hayward, 2010). Sin

embargo, este efecto no parece que tenga importancia en el caso de L.

botrana, dado que es capaz de sobrevivir como pupa hibernante a muy bajas

temperaturas, no habiéndose observado, por ello, tasas de mortalidad

significativas por este motivo durante el periodo invernal (Andreadis et al.,

2005). Por el contrario, la posible llegada de estos inviernos más suaves y

húmedos puede resultar perjudicial para insectos que, como L. botrana,

hibernan en estado de pupa, al incrementarse la virulencia de bacterias y


79

hongos entomopatógenos que afectan a dicho estado de desarrollo (Bale and

Hayward, 2010). Por otro lado, en esta misma línea de análisis de los posibles

efectos del cambio climático sobre el control biológico por conservación de L.

botrana, diversos autores señalan que este fenómeno podría dar lugar a

hechos que modificarían en uno u otro sentido, la eficacia del mismo. Así, Iltis

et al., (2018) indican que unas condiciones climáticas más cálidas reducirían

la expresión de los mecanismos de defensa de L. botrana frente a los

parasitoides de sus larvas, aumentando, así, la eficiencia del control biológico

naturalmente ejercido por ellos en los viñedos. Sin embargo, Castex et al.,

(2018) reportan que, dada la complejidad de las relaciones entre los cultivos,

las plagas y sus enemigos naturales, es necesaria una investigación más

detallada del impacto del cambio climático sobre las relaciones tritróficas,

para poder determinar el efecto final sobre la eficacia del control biológico

natural.

Otro parámetro ambiental importante para L. botrana es la humedad

relativa. Así, en etapas de desarrollo especialmente sensibles por su

inmovilidad, se ha observado que valores extremos suyos pueden actuar

directamente como limitantes, causando una elevada mortalidad,

principalmente sobre huevos (Coscollá et al., 1986) y crisálidas (Torres-Vila et

al., 1993). Por ello, es esperable que variables bioclimáticas dependientes de la

humedad relativa puedan tener efectos importantes en la distribución potencial

futura de L. botrana y, por tanto, aportar más a los modelos que se establezcan

para predecir dicha distribución.

Por último, el cambio climático también afecta a las áreas de distribución

de las plagas de los cultivos (Sequeira and Mackauer, 1994; Trnka et al., 2007).


80

Todavía no son muchos los estudios de modelización que se han llevado a

cabo para predecir el impacto del cambio climático sobre la distribución

geográfica, bajo escenarios futuros, de los organismos perjudiciales de los

cultivos, en general, (Calonnec et al., 2008; Gutiérrez et al., 2009; Macfadyen et

al., 2018; Ponti et al., 2009), y de las plagas de la vid, y dentro de ellas L.

botrana, en particular. Sin embargo, poco a poco se van encontrando más

ejemplos de ello, incluso en el caso concreto de las propias plagas del viñedo,

como el llevado a cabo por Gutiérrez et al. (2008), y de la propia L. botrana,

caso de los desarrollados por Caffarra et al. (2012) y por Svobodova et al.,

2014. Estos últimos autores, utilizando una simulación de las condiciones

climáticas para el año 2055, plantearon la hipótesis de un cambio en el área de

distribución potencial de L. botrana en Europa, que suponía un avance de 11

grados de latitud hacia el norte (Svobodova et al., 2014). Además, teniendo en

cuenta el notable incremento en el comercio internacional acaecido en las

últimas décadas, y el hecho de que dicho comercio está considerado como el

factor que más influye en el desplazamiento a grandes distancias de las

especies vivas (Perrings et al., 2005; Thiéry et al., 2014), no es extraño

encontrar reportes sobre introducciones repentinas de plagas en regiones

geográficas donde no estaban presentes, caso de L. botrana en los viñedos de

California (Gutiérrez et al., 2012).

En vista de la situación descrita, para el presente estudio se planteó el

objetivo de evaluar el posible efecto del cambio climático sobre la distribución

potencial en Europa de L. botrana bajo los escenarios de emisión RCP 4.5 y

RCP 8.5, en el periodo de prospección presente-2050. Este conocimiento

resultará de gran utilidad, ya que proporciona información muy valiosa, entre


81

otras cosas, sobre cuáles son las zonas que mostrarán idoneidad ambiental

para el desarrollo potencial de L. botrana, conocimiento muy útil para planificar

estrategias eficaces de control con suficiente antelación, así como para la

creación de políticas de adaptación que prevengan las consecuencias

perjudiciales en el propio cultivo y sus industrias asociadas.

5.2. Resultados

Las variables bioclimáticas seleccionadas tras las pruebas de Jacknife

para mostrar los efectos individuales más importantes y, por tanto, aportar más

al modelo son: temperatura media anual (BIO1), temperatura máxima del mes

más cálido (BIO5), temperatura mínima del mes más frío (BIO6), temperatura

media del trimestre más cálido (BIO10), temperatura media del trimestre más

frío (BIO11) y precipitación del trimestre más húmedo (BIO16). Utilizando los

parámetros que suponen todas las combinaciones posibles entre los valores

del multiplicador de regularización β y los tipos de features (incluidas sus

propias combinaciones), se crearon 783 modelos de nicho candidatos. Todos

ellos fueron evaluados utilizando el análisis ROC parcial (p < 0.000) y,

finalmente, se obtuvieron 7 modelos con una tasa de omisión inferior al 5%,

siendo seleccionado el modelo más simple, de acuerdo al AICc (Tabla 5 y

Figura 14).


82

Tabla 5. Modelos de nicho ecológico para L. botrana seleccionados en función de los


Modelo

Features1 β2

Mean AUC3 ratio

Partial ROC4 OR5 AICc6

Delta AICc6

W AICc6 N7

1 set1 lqth 3 1.122 0 0.047 3253.512 9.1 0 7 2 set1 t 1 1.084 0 0.078 3245.593 1.1 0 15 3 set1 th 1 1.095 0 0.078 3248.344 3.9 0 16 4 set1 lt 1 1.109 0 0.093 3250.874 6.4 0 17 5 set1 lt 1 1.118 0 0.109 3244.417 0 0 32 6 set1 lqpt 1 1.114 0 0.109 3244.794 0.4 0 32 7 set1 lqpt 1 1.115 0 0.109 3244.809 0.4 0 32

En negrita, el mejor modelo; 1Combinaciones de features: l = lineal, q = cuadrática, p = producto; 2Multiplicador de regulación; 3Área bajo la curva ROC; 4Análisis ROC parcial; 5Tasa de omisión 5%; 6Criterio de Información de Akaike corregido; 7Número de parámetros.

Figura 14. Distribución de los MNE para L. botrana según su significancia estadística,

determinada por la tasa de omisión (< 5%) y el criterio de información de Akaike

corregido (AICc).


83

Para la situación climática presente, de acuerdo con los datos

ambientales del periodo 1970-2000, la proyección geográfica en Europa del

MNE seleccionado muestra que L. botrana encuentra condiciones

ambientalmente adecuadas en la zona mediterránea, así como en una parte

importante del resto del territorio Europeo (Figura. 15). Según el modelo, no

aparecen condiciones idóneas en algunos países en los que sí se han

registrado citas, concretamente en Bielorrusia y Lituania, aunque en ellas no se

aportan datos precisos de su presencia (Karsholt and Razowski, 1996).

Considerando las previsiones bajo los escenarios de emisión RCP 4.5 y

RCP 8.5 para el año 2050 (Figura 16 y Figura 17) la zona con mayor pérdida

de superficie con idoneidad ambiental será la región mediterránea (en países

como España, Italia, Grecia o Chipre), mientras que las zonas con mayor

incremento o estabilidad se localizarán en el norte y centro de Europa. Si se

compara la situación prevista por los dos escenarios considerados, se observa

que, en general, en el RCP 8.5 el incremento de superficie con idoneidad

ambiental es menor que en el RCP 4.5, aunque es mayor el porcentaje de

persistencia, lo que indica que, tanto considerando un escenario como el otro,

el insecto seguirá siendo una plaga a tener en cuenta en la mayoría de los

países en los que ahora está presente.

84

.

Fig

ura

15.

Pro

ye

cció

n g

eog

ráfica e

n E

uro

pa d

e l

as á

reas d

e i

don

eid

ad

am

bie

nta

l p

ara

L.

botr

ana e

n l

a s

itu

ació

n c

limá

tica

pre

se

nte

, seg

ún

su m

ode

lo d

e n

ich

o e

coló

gic

o

85

Fig

ura

16. P

roye

cció

n g

eog

ráfic

a e

n E

uro

pa

de

las á

rea

s d

e p

érd

ida (ro

jo), p

ers

iste

ncia

(gris

) e in

cre

me

nto

(ve

rde

) de

id

on

eid

ad

am

bie

nta

l para

L. b

otra

na p

revis

tas p

ara

el a

ño 2

05

0, s

eg

ún lo

s 2

2 G

CM

y c

onsid

era

ndo

el e

scen

ario

de e

mis

ión

RC

P 4

.5. A

ma

yo

r inte

nsid

ad

del c

olo

r, ma

yo

r núm

ero

de G

CM

para

los q

ue e

l mo

de

lo d

e n

ich

o c

oin

cid

e e

n la

mis

ma

pre

dic

ció

n. E

n a

zu

l, la z

ona

de d

istrib

ució

n a

ctu

al d

el v

iñedo (C

orin

e, 2

01

0).

86

Fig

ura

17

. P

roye

cció

n g

eog

ráfica e

n E

uro

pa d

e l

as á

rea

s d

e p

érd

ida (

rojo

), p

ers

iste

ncia

(g

ris)

e i

ncre

me

nto

(ve

rde

) d

e

idon

eid

ad

am

bie

nta

l d

e L

. b

otr

ana p

revis

tas p

ara

el

año

205

0,

seg

ún l

os 2

2 G

CM

y c

onsid

era

nd

o e

l e

scen

ario

de e

mis

ión

R

CP

8.5

. A

ma

yo

r in

ten

sid

ad

del

co

lor,

ma

yo

r n

úm

ero

de G

CM

p

ara

lo

s q

ue e

l m

ode

lo d

e n

ich

o c

oin

cid

e e

n l

a m

ism

a

pre

dic

ció

n.

En a

zul, la z

ona d

e d

istr

ibució

n a

ctu

al del viñ

edo (

Corine,

2010).


87

En el Anexo 2 se detalla la previsión de superficie y porcentaje de no

hábitat, así como de incremento, pérdida y persistencia de idoneidad ambiental

para L. botrana en diferentes países y regiones de Europa para el año 2050,

bajo los escenarios de emisión RCP 4.5 y RCP 8.5. En dicho anexo, solo se

han considerado los países con regiones en las que coincide la previsión del

modelo de nicho ecológico para 15 o más GCM y presentan un porcentaje igual

o superior al 30% en esos efectos. A continuación, se señalan los datos más

destacados.

Según el escenario RCP 4.5, los mayores porcentajes de incremento de

superficie de idoneidad ambiental para L. botrana ocurrirán en los siguientes

países: Lituania (76%), Polonia (76%), Suiza (70%), Dinamarca (64%),

República Checa (64%) y Ucrania (59%). Por regiones, se producirá un

incremento de idoneidad del 100%, en las siguientes: Lake Sevan (Estonia);

Brest (Biolorrusia); Mauren, Ruggell y Schellenberg (Liechtenstein); Alyatus y

Kauno (Lituania); Balti, Donduseni, Drochia, Ocnita, Soldanesti y Soroca

(Moldavia); Lublin (Polonia); y Cherkasy, Khmelnytskyy, Rivne, Ternopil,

Vinnytsya, Volyn y Zhytomyr (Ucrania). Además, algunas de las regiones con

un porcentaje de incremento de superficie de idoneidad ambiental importante

(en algunos casos mayor del 50%) incluyen zonas vitícolas con denominación

de origen protegida (PDO) y con indicación geográfica protegida (PGI). Con

respecto a los porcentajes de pérdida de superficie con idoneidad ambiental, en

general, serán inferiores al 6%, salvo en los siguientes países: Portugal (47%),

Turquía (30%), Albania (12%), España (11%) e Italia (8%), sin que aparezcan

porcentajes significativos en ninguna región productora de vinos de calidad. En

general, a nivel de país, no se prevén para Europa elevados porcentajes de


88

superficie con persistencia ambiental, con solo cinco que superarán el 10%:

Azerbaiyán (35%), Turquía (21%), España (17%), Georgia (12%) e Italia (11%).

Sin embargo, sí se encuentran regiones concretas con porcentajes

significativos, como las ucranianas de Dnipropetrovsk (61%), Donetsk (42%) y

Kherson (46%), y la rusa de Chechenia (39,2%). Finalmente, también se

observan algunas regiones con estabilidad ambiental y que incluyen zonas

vitícolas con PDO (Extremadura, Madrid y Castilla-La Mancha en España;

Emilia-Romaña en Italia; y Braga, Oporto y Viseu en Portugal), con PGI

(Extremadura y Castilla-La Mancha en España; Emilia-Romaña en Italia; y

Braga, Oporto y Viseu en Portugal) y con WGI (Kakheti en Georgia).

Considerando el escenario de emisión RCP 8.5, los países en los que el

porcentaje de incremento de superficie con idoneidad ambiental se prevé

mayor son: Lituania (96%), Estonia (90%), Letonia (78%), Bielorrusia (71%),

Irlanda (54%), Dinamarca (52%) y Ucrania (47%). Si lo que se tiene en cuenta

son las regiones, se producirá un incremento de superficie con idoneidad del

100% en: Peipsi, Rapla y Viljandi (Estonia); Zemgale (Letonia); Marijampoles,

Panevezio, Taurages y Utenos (Lituania); y Kharkiv (Ucrania). En este

escenario, son más reducidos los porcentajes de superficie en los que se

predice un incremento de idoneidad ambiental, tanto para PDO como para PGI.

En relación con los porcentajes de superficie de pérdida de idoneidad

ambiental, los más altos se producirán en: Portugal (52%), Azerbaiyán (29%),

España (16%), Turquía (13%), Albania (12%) e Italia (7%). Solo en el caso de

Extremadura (España), que produce vinos con PDO y PGI, se prevé un

porcentaje importante de pérdida de superficie con idoneidad ambiental para L.

botrana (67%). A nivel de país, en solo dos de ellos se prevén porcentajes de


89

superficie en los que persista el ambiente idóneo para L. botrana, superiores al

13%: Macedonia (32%) y Turquía (56%). Sin embargo, como ocurría en el

escenario RCP 4.5, sí hay regiones concretas con porcentajes muy

importantes, incluso superiores al 90%, como la búlgara Pleven (96%).

Finalmente, también se observan, bajo el escenario RCP 8.5, algunas regiones

con una significativa estabilidad ambiental y que incluyen zonas vitícolas

productoras de vinos con PDO (Haskovo en Bulgaria; Obalno Kraska en

Eslovenia; Aragón, Extremadura, Madrid y Castilla-La Mancha en España;

Emilia-Romaña, Friuli-Venecia Julia, Lazio, Lombardía, Marche, Toscana y

Veneto en Italia; y Braga, Oporto y Viseu en Portugal); con PGI (Aragón,

Castilla-La Mancha y Extremadura en España, Emilia-Romaña, Friuli-Venecia

Julia, Lazio, Lombardía, Marche, Toscana y Veneto en Italia y Braga, Oporto y

Viseu en Portugal); y con WGI (Kakheti en Georgia).

Por último, en la figura 18 se muestra la superficie ocupada por

diferentes usos del suelo en las zonas en las que se pronostica persistencia e

incremento de la idoneidad ambiental para L. botrana bajo los dos escenarios

de emisión considerados en el presente trabajo. Puede observarse cómo en el

caso de persistencia de superficie con idoneidad ambiental, los usos del suelo

con mayor implicación son “Zonas cultivadas y gestionadas” y “Cubierta

arbórea, árboles con acículas y perennes”. Sin embargo, en el caso de

incremento de superficie con idoneidad ambiental, los usos del suelo más

abundantes son “Zonas cultivadas y gestionadas”, en el caso de RCP 4.5, y

“Cubierta arbustiva regularmente inundada y/o cubierta herbácea”, en el de

RCP 8.5.


90

Figura 18. Superficie (km2) ocupada por diferentes usos del suelo en las zonas en las

que se pronostica persistencia e incremento de la idoneidad ambiental para Lobesia

botrana en el año 2050 bajo los escenarios de emisión RCP 4.5 y RCP 8.5.

0 1000000 2000000


cerrada (>40%)

Cubierta arbórea, árbolescon acículas y perennes


perenne

Cubierta herbácea, cerrada(>40%)-abierta (15-40%)

Cubierta arbustivaregularmente inundada y/o

cubierta herbácea

Zonas cultivadas ygestionadas

Mosaico: Tierras de cultivo /cubierta arbórea / Otra

vegetación natural

Otros



Incremento(RCP 8.5)

Incremento(RCP 4.5)

Km2


91

5.3. Discusión

Diferentes autores han publicado estudios en los que se responsabiliza

al cambio climático de la alteración del comportamiento de algunas especies

de insectos, así como de algunos de sus parámetros biológicos y ecológicos.

En este sentido, en algunas plagas se han detectado aumentos de la tasa de

desarrollo, del voltinismo y de la capacidad de incremento poblacional, así

como adelantos fenológicos y salidas más tempranas del periodo de

hibernación (Chuine, 2010; Porter et al., 1991; White et al., 2003). Por otra

parte, existe una preocupación creciente relacionada con la modificación de la

distribución geográfica de estas plagas agrícolas, también como consecuencia

del cambio climático, y que supone, entre otras cosas, su expansión hacia

zonas situadas en latitudes y altitudes más altas (Porter et al., 1991). En este

contexto, las simulaciones que proporcionan los MNE permiten predecir esas

modificaciones para distintas especies en diferentes regiones agrícolas

(Kroschel et al., 2013). Estas predicciones suponen una información muy

valiosa, entre otras cosas, sobre cuáles son las zonas que mostrarán idoneidad

ambiental y que marcarán la distribución potencial de las principales plagas y

su posible interacción futura con los cultivos. Este conocimiento ayuda a

planificar estrategias eficaces de control, así como a crear políticas de

adaptación para prevenir con la antelación necesaria, las consecuencias

perjudiciales en los cultivos y en sus industrias asociadas (Sacchelli et al.,

2017).

A pesar de lo anterior, todavía no son muchos los estudios de

modelización que se han llevado a cabo para predecir el impacto del cambio

climático sobre la distribución geográfica de los organismos perjudiciales de los


92

cultivos, bajo escenarios futuros (Calonnec et al., 2008; Gutiérrez et al., 2009;

Macfadyen et al., 2018; Ponti et al., 2009). Sin embargo, es cierto que cada vez

se van encontrando más ejemplos de ello, incluso en el caso concreto de

plagas del viñedo, como el llevado a cabo por Gutiérrez et al. (2008), en el que

establecieron predicciones sobre la expansión futura de la cochinilla harinosa

de la vid, Planococcus ficus (Signoret) (Hemiptera: Pseudococcidae) y de tres

de sus más importantes enemigos naturales: el depredador Cryptolaemus

montrouzieri (Mulsant) (Coleoptera: Coccinellidae) y los dos parasitoides

Anagyrus pseudococci (Girault) (Hymenoptera: Encyrtidae) y Leptomastidea

abnormis (Girault, 1915) (Hymenoptera: Encyrtidae).

En el presente estudio, al utilizar el modelo de nicho ecológico para

analizar el impacto del cambio climático sobre la distribución geográfica de L.

botrana, se ha encontrado que las variables climáticas que condicionan la

persistencia y el incremento de zonas con idoneidad ambiental para esta

especie están relacionadas con el incremento de la temperatura, incluso en

épocas del año frías (BIO1, BIO5, BIO6, BIO10, BIO11), y con la variación de

la precipitación (BIO16). No es de extrañar que esto sea así, ya que, tal como

se ha adelantado en la introducción del presente apartado, el aumento de

temperatura afecta de forma notable a numerosos aspectos biológicos y

ecológicos de L. botrana, como organismo poiquilotermo que es, destacando el

aumento de su tasa de desarrollo hasta la temperatura óptima (Brière et al.,

1999), el adelanto significativo de su fenología (Lena et al., 2013; Martín-

Vertedor et al., 2010; Pavan et al., 2014; Reineke and Thiéry, 2016), el

aumento de su capacidad de incremento poblacional (Gilioli et al., 2016), o las

modificaciones en la eficacia de su control biológico natural (Castex et al.,


93

2018). Por otro lado, la humedad relativa (obviamente influida por la

precipitación) ha demostrado ser un parámetro ambiental importante para L.

botrana, sobre todo por influir en los niveles de mortalidad especialmente de

sus fases de desarrollo inmóviles como son la de huevo (Coscollá et al., 1986)

y la de pupa (Torres-Vila et al., 1993).

La información aportada por los MNE para el presente (a partir de los

datos climáticos del periodo 1970-2000) muestran que las zonas de idoneidad

ambiental para L. botrana aparecen en la región mediterránea (sur de Europa)

y en buena parte del resto del territorio europeo (Figura 15). Conviene destacar

que no en todas esas zonas es igual el comportamiento del insecto respecto al

voltinismo, ya que normalmente completa dos generaciones anuales en Europa

central y tres en el sur de Europa (Ioriatti et al., 2011), incluso en algunas

zonas vitícolas del sur puede aparecer una cuarta generación parcial en los

años más cálidos (Marchesini and Dalla Monta, 2003).

A nivel global europeo, las proyecciones del MNE al año 2050, de

acuerdo con los escenarios de cambio climático RCP 4.5 y RCP 8.5, arrojan

zonas de incremento de idoneidad ambiental de L. botrana en 38 países

(Anexo 2), la mayoría de ellos situados en el norte de Europa. En este

sentido, países como Irlanda, Suecia, Finlandia, Estonia y Letonia, así como

el centro y norte de la zona europea de Rusia, albergarían regiones

ambientalmente idóneas para el insecto. Esto concuerda con otros estudios

que estiman que para el año 2055 se espera que el límite norte de

distribución de L. botrana ascienda hasta 55º N (Svobodova et al., 2014)

(conviene señalar que estos autores utilizaron una metodología distinta a la

empleada en el presente trabajo; en concreto, tomaron en consideración los


94

dos escenarios de cambio climático A2 (alto) y B1 (bajo), y los cinco GCM

siguientes: MPEH5, CSMK3, IPCM4, GFCM21 y HADGEM). Por el contrario,

los cambios que se prevén en las regiones del sur de Europa son

consecuencia de la previsible llegada de condiciones climáticas menos

favorables para este insecto (incluidos incrementos extremos de temperatura y

reducción de la humedad relativa) que hacen que se esperen pérdidas de

idoneidad ambiental para el mismo, especialmente en los países de la cuenca

mediterránea (Figura 16, Figura 17 y Anexo 2), resultados coincidentes también

con los reportados por Svobodova et al. (2014).

Considerando la situación más concreta en países europeos con

relevancia mundial en el sector vitivinícola, cabe destacar que, en España, que

ocupa el primer lugar en superficie de vid cultivada y el segundo en

producción de vino (OIV, 2019), considerando el escenario de emisión RCP

4.5, se espera que se produzca persistencia de idoneidad ambiental para L.

botrana, principalmente, en las regiones vitícolas de Castilla-La Mancha y

Extremadura. La importancia de este hecho se refuerza con los resultados de

algunos estudios previos llevados a cabo en esta última Comunidad

Autónoma y que indican que, en los últimos años, se ha producido un

incremento de la temperatura media durante la primavera y el verano que ha

ocasionado la aparición de hasta cuatro generaciones anuales de este insecto

(Martín-Vertedor et al., 2010). En otros países del entorno, como Portugal que

según la OIV (2018) ocupa el lugar número 11 en la producción de vino a nivel

mundial), también se prevé persistencia de idoneidad ambiental, en regiones

vitivinícolas tan importantes como la de Oporto.


95

Bajo el mismo escenario RCP 4.5, se puede observar que se prevé un

incremento de superficie con idoneidad ambiental para L. botrana en 23 países,

de los que 14 producen vinos de calidad, siendo Francia uno de los más

destacados. Esta información es importante por la gran importancia de la

plaga es este país; así, hay estimaciones que indican que afecta a cientos de

miles de hectáreas, con un coste de cuatrocientos millones de euros al año

(Mezière and Gary, 2009). La región francesa productora de vinos de calidad

más vulnerable en este sentido es Auvergne. Otro país destacable que también

se verá afectado con incrementos de superficie con idoneidad ambiental para

L. botrana es Alemania, país que ocupa el noveno lugar mundial en

producción de vino (OIV, 2018), incluidas regiones con PDO como Baden-

Württemberg, cuyo clima es cálido con temperaturas casi mediterráneas

(BMWI, 2018), y otras con PGI como Schleswig-Holstein, que presenta un

clima con veranos parcialmente nublados e inviernos muy fríos

(Weatherspark, 2019). Cabe destacar también el caso de Rumanía, país en el

que se cultivan 191.000 ha de vid (OIV, 2019) y que presenta regiones con

PDO muy vulnerables como Mureș, Bacău y Bistrița-Năsăud.

Si lo que se considera es el escenario RCP 8.5, se observa persistencia

de idoneidad ambiental de L. botrana en trece países, de los cuales, cuatro

poseen regiones vitícolas productoras de vinos de calidad (Italia, España,

Portugal y Bosnia y Herzegovina). En Italia, primer país productor mundial de

vino y tercero en superficie de vid cultivada (OIV, 2019), esta persistencia de la

idoneidad ambiental es especialmente elevada en las regiones de Véneto,

Marche y Emilia Romaña, las tres en el norte del país y con zonas vitícolas

PDO y PGI. Caffarra et al. (2012) llevaron a cabo un estudio de modelización


96

del impacto del cambio climático sobre la interacción entre la vid y L. botrana

en regiones del norte de Italia, llegando a la conclusión de que el aumento de la

temperatura tendría un impacto perjudicial en el rendimiento del cultivo; sin

embargo, reportaron que dicho impacto negativo sería debido, sobre todo, a la

aparición de una mayor asincronía entre los estados fenológicos de la vid

menos afectados por las larvas de la polilla y la presencia de estas, y no tanto

por el aumento de la presión de la plaga derivado de la aparición de un mayor

número de generaciones, la última de las cuales sería menos perjudicial al

tener lugar también un adelanto de las fechas de vendimia. En el mismo

escenario climático RCP 8.5 se pronostica, también, la presencia de

importantes zonas de persistencia de idoneidad ambiental en España y

Portugal. Así, esta idoneidad se mantendrá estable en un porcentaje

considerable (≥ 30%) de la superficie ocupada por las comunidades autónomas

españolas de Aragón, Castilla - La Mancha, Castilla y León y Madrid; y por los

distritos portugueses de Braga, Oporto y Viseu. En estos territorios de ambos

países se localizan zonas vitivinícolas productoras de vinos de calidad. Del

mismo modo que se comentaba en el caso de Italia, resulta de gran interés

adelantar las posibles consecuencias de dicha estabilidad en zonas de tanta

importancia vitivinícola, en lo que respecta al efecto de un escenario con

temperaturas más elevadas sobre las interacciones plaga-cultivo y sus posibles

consecuencias. Parece claro, una vez más, que uno de los efectos será el

aumento del número de generaciones anuales de polilla, como de hecho ya

está sucediendo, por ejemplo, en la Denominación de Origen Bierzo en Castilla

y León (Armendáriz et al., 2008), si bien, como también se ha comentado ya,


97

aún queda por dilucidar el impacto que ello tendrá sobre los daños que la plaga

provocará en el cultivo.

Por otra parte, bajo el mismo escenario RCP 8.5, se esperan

incrementos importantes de superficie con idoneidad ambiental (≥ 30%) para

L. botrana en regiones vitícolas de 18 países. Por su importancia en el sector

vitivinícola destacan las regiones de Bayern (Alemania), Oberösterreich

(Austria) y Jihoceský (República Checa), así como las de Appenzell

Ausserrhoden, Appenzell Innerrhoden y Schaffhausen en Suiza.

Finalmente, es interesante conocer cuáles son los actuales usos del

suelo en las zonas en las que se pronostica un incremento de idoneidad

ambiental para L. botrana. Por un lado, ese conocimiento aporta información

sobre el espacio geográfico-ambiental que podría ocupar la especie. Por otro,

hay que recordar que se trata de un insecto fitófago generalista que se puede

alimentar de unas 40 especies de plantas, pertenecientes a 27 familias distintas

(Coscollá, 1997), algunas de las cuales resultan ser huéspedes alternativos,

incluso de mayor calidad que la propia vid (Thiéry and Moreau, 2005), por lo

que resulta muy probable la presencia de alguna de esas especies en las

zonas que tendrán en el futuro un ambiente idóneo para el desarrollo de la

polilla y que, de este modo, podrían actuar como refugio hasta la implantación

de cultivos de vid en sus proximidades. En el presente estudio se ha

determinado que los usos del suelo predominantes en las zonas con

incremento de idoneidad ambiental bajo el escenario RCP 4.5 corresponden a

“Zonas cultivadas y gestionadas”, mientras que en el escenario RCP 8.5

corresponden a “Cubierta arbustiva regularmente inundada y/o cubierta

herbácea”. En ambos casos, se trata de usos del suelo que favorecen el


98

aumento de la humedad relativa. Estos resultados se podrían explicar, al

menos en parte, considerando que, debido a los incrementos de temperatura

que tendrán lugar, L. botrana requerirá entornos que le puedan proporcionar la

humedad relativa mínima necesaria para evitar elevadas mortalidades de sus

etapas de desarrollo especialmente sensibles por su inmovilidad, mortalidades

que pueden resultar limitantes para la presencia de la especie (Coscollá et al.,

1986; Torres-Vila et al., 1993).

Diferentes autores como Dethier (1970), Southwood (1972) y Strong et

al. (1984) han señalado que las especies fitófagas se especializan sobre

plantas que son predecibles, abundantes y fáciles de encontrar. Por ello, no es

de extrañar que L. botrana sea una plaga que ha evolucionado hacia la

monofagia sobre la vid, aunque continúa alimentándose de otros huéspedes

alternativos (algunos de los cuales le proporcionan incluso, como ya se ha

comentado anteriormente, una mayor calidad nutricional) porque ello le supone

una ventaja para desenvolverse en paisajes vitícolas con diversidad vegetal

(Thiéry and Moreau, 2005), así como para su expansión geográfica y de este

modo, por ejemplo, llegar hasta nuevos viñedos cultivados en zonas donde

nunca antes habían estado presentes. Por todo ello, es muy probable que L.

botrana continúe siendo una plaga clave de la vid en escenarios futuros, tanto

en zonas donde persista la idoneidad ambiental para ambas especies, como en

aquéllas en las que dichas condiciones adecuadas aparezcan por vez primera

para alguna de ellas o para ambas a la vez. Por ello, el conocimiento recogido

en el presente trabajo sobre la futura distribución potencial de L. botrana y su

intersección con la de la vid utilizando los MNE, resulta esencial para poder

planificar estrategias eficaces de control con suficiente antelación, que


99

prevengan las consecuencias perjudiciales en el propio cultivo y sus industrias

asociadas.

5.4. Conclusiones


ecológico, de cara a determinar las áreas de idoneidad ambiental de Lobesia

botrana en la actualidad en Europa y su distribución potencial en el mismo

continente en el año 2050, bajo los escenarios de cambio climático RCP 4.5 y

RCP 8.5 están relacionadas con el incremento de la temperatura, incluso en

épocas del año frías (temperatura media anual, temperatura máxima del mes

más cálido, temperatura mínima del mes más frío, temperatura media del

trimestre más cálido y temperatura media del trimestre más frío) y con la

disminución de la precipitación (precipitación del trimestre más húmedo).

2. La información aportada por los modelos de nicho ecológico para el

presente muestran que las zonas de idoneidad ambiental para L. botrana en

Europa aparecen, principalmente, en la región mediterránea, pero también en

buena parte del resto del continente europeo

3. Considerando los escenarios de cambio climático RCP 4.5 y RCP

8.5, a nivel global europeo, las proyecciones para el año 2050 pronostican la

presencia de zonas con incremento de idoneidad ambiental para L. botrana

en 38 países, la mayoría de ellos situados en el norte de Europa, destacando

Irlanda, Suecia, Finlandia, Estonia y Letonia, así como Rusia en el centro y

norte de su zona europea. Además, según el escenario RCP 8.5, también se

esperan incrementos notables de superficie con idoneidad ambiental en

regiones importantes en el sector vitivinícola como Bayern en Alemania,


100

Oberösterreich en Austria, Jihoceský en la República Checa y Appenzell

Ausserrhoden, Appenzell Innerrhoden y Schaffhausen en Suiza.

4. En varios países europeos con relevancia mundial en el sector

vitivinícola, y considerando conjuntamente los resultados de los escenarios de

RCP 4.5 y RCP 8.5, se espera que se produzca una significativa persistencia

de idoneidad ambiental para L. botrana en regiones vitivinícolas tan

importantes como Véneto, Marche y Emilia Romaña en Italia, Oporto en

Portugal y Aragón, Castilla-La Mancha, Castilla y León, Extremadura y Madrid

en España.

5. Los usos del suelo predominantes en las zonas con persistencia e

incremento de idoneidad ambiental para L. botrana bajo el escenario RCP 4.5

corresponden a “Zonas cultivadas y gestionadas”, mientras que en el escenario

RCP 8.5 corresponden a “Cubierta arbustiva regularmente inundada y/o

cubierta herbácea”. En ambos casos, se trata de usos del suelo que favorecen

el aumento de la humedad relativa, pudiéndose evitar, así, mortalidades

elevadas de las etapas de desarrollo de la polilla especialmente sensibles a

valores bajos de dicha humedad relativa y que podrían resultar limitantes para

la presencia de la especie.

6. El hecho de que L. botrana, además de alimentarse de la vid, sea

también capaz de hacerlo de otros huéspedes alternativos facilitará su

expansión geográfica pudiendo, de este modo, llegar hasta nuevos viñedos

cultivados en zonas donde nunca antes habían estado presentes. Así, será

muy probable que esta especie continúe siendo una plaga clave de la vid en

escenarios futuros, tanto en zonas donde persista la idoneidad ambiental para


101

ambas especies, como en aquéllas en las que dichas condiciones adecuadas

aparezcan por vez primera para alguna de ellas o para ambas a la vez. Por

ello, el conocimiento sobre su futura distribución potencial y su intersección con

la de la vid utilizando los modelos de nicho ecológico, resulta esencial para

poder planificar estrategias eficaces de control con antelación suficiente.


102

5.5. Bibliografía

Aarvik, L, E. (2013). Fauna Europaea: Tortricidae. Retrieved August 5, 2019, from https://fauna-eu.org/

Andreadis, S. S., Milonas, P. G., & Savopoulou-Soultani, M. (2005). Cold hardiness of diapausing and non-diapausing pupae of the European grapevine moth, Lobesia botrana. Entomologia Experimentalis et Applicata, 117(2), 113–118. https://doi.org/10.1111/j.1570-7458.2005.00337.x

Armendáriz, A., Pérez-Sanz, G., Campillo, L., Miranda, J., & Juárez, S. (2008). La polilla del racimo de la vid (Lobesia botrana Den. y Schiff.) en nueve zonas vitivinícolas de Castilla y León años 2000 a 2006. Boletín de Sanidad Vegetal, 34(2), 305–315.

Avidov, Z., & Harpaz, I. (1969). Plant pests of Israel. Plant pests of Israel. (Israel Uni, Vol. 91). Jerusalem: Jerusalem, Israel Univs Pr.

Bale, J. S., & Hayward, S. A. L. (2010). Insect overwintering in a changing climate. The Journal of Experimental Biology, 213(6), 980–994. https://doi.org/10.1242/jeb.037911

Bale, J. S., Masters, G. J., Hodkinson, I. D., Awmack, C., Bezemer, T. M., Brown, V. K., … Whittaker, J. B. (2002). Herbivory in global climate change research: Direct effects of rising temperature on insect herbivores. Global Change Biology, 8(1), 1–16. https://doi.org/10.1046/j.1365-2486.2002.00451.x

BMWI. (2018). La comarca vitivinícola de Baden: Vinos de la mayor calidad. Retrieved May 22, 2019, from https://www.germany.travel/es/ciudades-turismo-cultural/comer-y-beber/vinos-alemanes/baden.html

Bodlah, M. A., Zhu, A. X., & Liu, X. D. (2016). Host choice, settling and folding leaf behaviors of the larval rice leaf folder under heat stress. Bulletin of Entomological Research, 106(6), 809–817. https://doi.org/10.1017/S0007485316000584

Brière, J.-F., Pracros, P., Le Roux, A.-Y., & Pierre, J.-S. (1999). A novel rate model of Temperature-Dependent development for arthropods. Environmental Entomology, 28(1), 22–29. https://doi.org/10.1093/ee/28.1.22

CABI. (2019). Lobesia botrana (European grapevine moth). https://doi.org/10.1016/j.cropro.2010.01.009

Caffarra, A., Rinaldi, M., Eccel, E., Rossi, V., & Pertot, I. (2012). Modelling the impact of climate change on the interaction between grapevine and its pests and pathogens: European grapevine moth and powdery mildew. Agriculture, Ecosystems & Environment, 148, 89–101. https://doi.org/10.1016/j.agee.2011.11.017


103

Calonnec, A., Cartolaro, P., Naulin, J.-M., Bailey, D., & Langlais, M. (2008). A host-pathogen simulation model: Powdery mildew of grapevine. Plant Pathology, 57(3), 493–508. https://doi.org/10.1111/j.1365-3059.2007.01783.x

Castex, V., Beniston, M., Calanca, P., Fleury, D., & Moreau, J. (2018). Pest management under climate change: The importance of understanding tritrophic relations. Science of The Total Environment, 616–617, 397–407. https://doi.org/10.1016/J.SCITOTENV.2017.11.027

Chuine, I. (2010). Why does phenology drive species distribution? Philosophical Transactions of the Royal Society B: Biological Sciences, 365(1555), 3149–3160. https://doi.org/10.1098/rstb.2010.0142

CORINE. (2010). Coordination of Information on the environment. Retrieved January 18, 2019, from https://land.copernicus.eu/pan-european/CORINE-land-cover

Coscollá, R. (1997). La polilla del racimo de la vid (Lobesia botrana Den. y Schiff.) (Generalita). Valencia: Generalitat Valenciana, Conselleria de Agricultura, Pesca y Alimentación.

Coscollá, R., Sánchez, J., & Beltrán, V. (1986). Estudio preliminar sobre mortalidad de huevos de Lobesia botrana Den. y Schiff. por efecto de altas temperaturas y bajas humedades relativas en laboratorio. Boletín de Sanidad Vegetal, 12, 3–7.

Culler, L. E., Ayres, M. P., & Virginia, R. A. (2015). In a warmer Arctic, mosquitoes avoid increased mortality from predators by growing faster. Proceedings. Biological Sciences, 282(1815), 20151549. https://doi.org/10.1098/rspb.2015.1549

Dethier V, G. (1970). Chemical interactions between plants and insect. In Chemical ecology (Sondheimer, p. 336). New York

EPPO (2019). Lobesia botrana. Retrieved May 6, 2019, from https://gd.eppo.int/taxon/POLYBO/distribution

Facey, S. L., Ellsworth, D. S., Staley, J. T., Wright, D. J., & Johnson, S. N. (2014). Upsetting the order: How climate and atmospheric change affects herbivore–enemy interactions. Current Opinion in Insect Science, 5, 66–74. https://doi.org/10.1016/J.COIS.2014.09.015

Gilioli, G., Pasquali, S., & Marchesini, E. (2016). A modelling framework for pest population dynamics and management: An application to the grape berry moth. Ecological Modelling, 320, 348–357. https://doi.org/10.1016/J.ECOLMODEL.2015.10.018

Gonzalez, M. (2010). Lobesia botrana: Polilla de la uva. Enología, 1–5.

Gunderson, A. R., & Leal, M. (2016). A conceptual framework for understanding thermal constraints on ectotherm activity with implications for predicting responses to global change. Ecology Letters, 19(2), 111–120. https://doi.org/10.1111/ele.12552


104

Gutiérrez, A. P., Ponti, L., Cooper, M. L., Gilioli, G., Baumgärtner, J., & Duso, C. (2012). Prospective analysis of the invasive potential of the European grapevine moth Lobesia botrana (Den. & Schiff.) in California. Agricultural and Forest Entomology, 14(3), 225–238. https://doi.org/10.1111/j.1461-9563.2011.00566.x

Gutiérrez, A. P., Ponti, L. & Cossu, Q. A. (2009). Effects of climate warming on olive and olive fly (Bactrocera oleae (Gmelin)) in California and Italy. Climatic Change, 95(1–2), 195–217. https://doi.org/10.1007/s10584-008-9528-4

Gutiérrez, A. P., Daane, K. M., Ponti, L., Walton, V. M., Ellis, C. K. (2008). Prospective evaluation of the biological control of vine mealybug: refuge effects and climate. Journal of Applied Ecology, 45, 524–536. https://doi.org/10.1111/j.1365-2664.2007.01356.x

He, Y., & Ainseba, B. (2014). Exact null controllability of the Lobesia botrana model with diffusion. Journal of Mathematical Analysis and Applications, 409(1), 530–543. https://doi.org/10.1016/J.JMAA.2013.07.020

Iltis, C., Martel, G., Thiéry, D., Moreau, J., & Louâpre, P. (2018). When warmer means weaker: High temperatures reduce behavioural and immune defences of the larvae of a major grapevine pest. Journal of Pest Science, 91(4), 1315–1326. https://doi.org/10.1007/s10340-018-0992-y

Ioriatti, C., Anfora, G., Tasin, M., De Cristofaro, A., Witzgall, P., & Lucchi, A. (2011). Chemical ecology and management of Lobesia botrana (Lepidoptera: Tortricidae). Journal of Economic Entomology, 104(4), 1125–1137. https://doi.org/10.1603/EC10443

Ioriatti, C., Lucchi, A., & Varela, L. G. (2012). Grape berry moths in western european vineyards and their recent movement into the new world. In N. J. Bostanian, C. Vincent, & R. Isaacs (Eds.), Arthropod management in vineyards: Pest, approaches, and future directions (pp. 339–359). Dordrecht: Springer Netherlands. https://doi.org/10.1007/978-94-007-4032-7_14

Jönsson, A. M., Harding, S., Krokene, P., Lange, H., Lindelöw, Å., Økland, B., … Schroeder, L. M. (2011). Modelling the potential impact of global warming on Ips typographus voltinism and reproductive diapause. Climatic Change, 109(3–4), 695–718. https://doi.org/10.1007/s10584-011-0038-4

Karsholt, O., & Razowski, J. (1996). The Lepidoptera of Europe : A distributional checklist (Hardback). Apollo Books.

Kroschel, J., Sporleder, M., Tonnang, H. E. Z., Juarez, H., Carhuapoma, P., Gonzales, J. C., & Simon, R. (2013). Predicting climate-change-caused changes in global temperature on potato tuber moth Phthorimaea operculella (Zeller) distribution and abundance using phenology modeling and GIS mapping. Agricultural and Forest Meteorology, 170, 228–241. https://doi.org/10.1016/J.AGRFORMET.2012.06.017


105

Lambeck, K., Rouby, H., Purcell, A., Sun, Y., & Sambridge, M. (2014). Sea level and global ice volumes from the last glacial maximum to the Holocene. Proceedings of the National Academy of Sciences, 111(43), 15296–15303. https://doi.org/10.1073/pnas.1411762111

Lena, B. Di, Giuliani, D., Sciarretta, A., Mazzocchetti, A., & Eccel, E. (2013). A climatic perspective of the presence of the european grapevine moth (Lobesia botrana Den. and Schiff) in the Abruzzo region, Italy. Italian Journal of Agrometeorology, 5, 1–15.

Macfadyen, S., McDonald, G., Hill, M.P., 2018. From species distributions to climate change adaptation: Knowledge gaps in managing invertebrate pests in broad-acre grain crops. Agric. Ecosyst. Environ. 253, 208–219. https://doi.org/10.1016/J.AGEE.2016.08.029

Maher, N., & Thiéry, D. (2006). Daphne gnidium, a possible native host plant of the European grapevine moth Lobesia botrana, stimulates its oviposition. Is a host shift relevant? Chemoecology, 16(3), 135–144. https://doi.org/10.1007/s00049-006-0339-7

Maher, N., Thiery, D., & Stadler, E. (2006). Oviposition by Lobesia botrana is stimulated by sugars detected by contact chemoreceptors. Physiological Entomology, 31(1), 14–22. https://doi.org/10.1111/j.1365-3032.2005.00476.x

Marchesini, E., & Dalla Monta, L. (2003). Nel Veneto quattro generazioni di tignoletta della vite. Verona.

Martín-Vertedor, D., Ferrero-García, J. J., & Torres-Vila, L. M. (2010). Global warming affects phenology and voltinism of Lobesia botrana in Spain. Agricultural and Forest Entomology, 12(2), 169–176. https://doi.org/10.1111/j.1461-9563.2009.00465.x

Mezière, D., & Gary, C. (2009). Ecophyto R&D. Vers des systèmes de cultures économes en produits phytosanitaires. Volet 1 : Analyse comparative de différents systèmes en viticulture (Institut N). París

Nistor, M.-M. (2018). Climate change effect on groundwater resources in South East Europe during 21st century. Quaternary International. https://doi.org/10.1016/J.QUAINT.2018.05.019

OIV. (2018). Statistical report on world vitiviniculture. Retrieved February 1, 2019, from http://www.oiv.int/public/medias/6371/oiv-statistical-report-on-world-vitiviniculture-2018.pdf

OIV. (2019). Aspectos de la coyuntura mundial. Retrieved July 17, 2019, from http://www.oiv.int/public/medias/6680/es-oiv-aspectos-de-la-coyuntura-mundial-2019.pdf

Pavan, F., Bigot, G., Cargnus, E., & Zandigiacomo, P. (2014). Influence of the carpophagous generations of the European grapevine moth Lobesia botrana on grape bunch rots. Phytoparasitica, 42(1), 61–69. https://doi.org/10.1007/s12600-013-0338-5


106

Perrings, C., Dehnen-Schmutz, K., Touza, J., & Williamson, M. (2005). How to manage biological invasions under globalization. Trends in Ecology & Evolution, 20(5), 212–215. https://doi.org/10.1016/J.TREE.2005.02.011

Ponti, L., Cossu, Q. A., & Gutiérrez, A. P. (2009). Climate warming effects on the Olea europaea–Bactrocera oleaesystem in Mediterranean islands: Sardinia as an example. Global Change Biology, 15(12), 2874–2884. https://doi.org/10.1111/j.1365-2486.2009.01938.x

Porter, J. H., Parry, M. L., & Carter, T. R. (1991). The potential effects of climatic change on agricultural insect pests. Agricultural and Forest Meteorology, 57(1–3), 221–240. https://doi.org/10.1016/0168-1923(91)90088-8

Puentes, A., Torp, M., Weih, M., & Björkman, C. (2015). Direct effects of elevated temperature on a tri-trophic system: Salix, leaf beetles and predatory bugs. Arthropod-Plant Interactions, 9(6), 567–575. https://doi.org/10.1007/s11829-015-9401-0

Reineke, A., & Thiéry, D. (2016). Grapevine insect pests and their natural enemies in the age of global warming. Journal of Pest Science, 89(2), 313–328. https://doi.org/10.1007/s10340-016-0761-8

Ruiz-Castro, A. (1943). Fauna entomológica de la vid en España. Estudio sistemático-biológico de las especies de mayor importancia económica. Instituto Español de Entomología. Madrid.

Sacchelli, S., Fabbrizzi, S., Bertocci, M., Marone, E., Menghini, S., & Bernetti, I. (2017). A mix-method model for adaptation to climate change in the agricultural sector: A case study for Italian wine farms. Journal of Cleaner Production, 166, 891–900. https://doi.org/10.1016/J.JCLEPRO.2017.08.095

Schlott, M., Kies, A., Brown, T., Schramm, S., & Greiner, M. (2018). The impact of climate change on a cost-optimal highly renewable European electricity network. Applied Energy, 230, 1645–1659. https://doi.org/10.1016/J.APENERGY.2018.09.084

Sequeira, R., & Mackauer, M. (1994). Variation in selected life-history parameters of the parasitoid wasp, Aphidius ervi: Influence of host developmental stage. Entomologia Experimentalis et Applicata, 71(1), 15–22. https://doi.org/10.1111/j.1570-7458.1994.tb01765.x

Solomon, S., Plattner, G.-K., Knutti, R., & Friedlingstein, P. (2009). Irreversible climate change due to carbon dioxide emissions. Proceedings of the National Academy of Sciences, 106(6), 1704–1709. https://doi.org/10.1073/pnas.0812721106

Southwood, T. R. E. (1972). The insect/plant relationship—an evolutionary perspective. Roy Entomol Soc London Symp, 3, 3–60.

Stoeckli, S., Hirschi, M., Spirig, C., Calanca, P., Rotach, M. W., & Samietz, J. (2012). Impact of climate change on voltinism and prospective diapause induction of a global pest insect – Cydia pomonella (L.). PLoS ONE, 7(4), e35723. https://doi.org/10.1371/journal.pone.0035723


107

Strong, D. R., Lawton, J. H., & Southwood, R. (1984). Insects on plants : Community patterns and mechanisms. Harvard University Press

Svobodova, E., Trnka, M., Dubrovsky, M., Semerádova, D., Eitzinger, J., Stepanek, P., & Zalud, Z. (2014). Determination of areas with the most significant shift in persistence of pests in Europe under climate change. Pest Management Science, 70(5), 708–715. https://doi.org/10.1002/ps.3622

Thiéry, D., Monceau, K., & Moreau, J. (2014). Different emergence phenology of European grapevine moth (Lobesia botrana, Lepidoptera: Tortricidae) on six varieties of grapes. Bulletin of Entomological Research, 104(3), 277–287. https://doi.org/10.1017/S000748531300031X

Thiéry, D., & Moreau, J. (2005). Relative performance of European grapevine moth (Lobesia botrana) on grapes and other hosts. Oecologia, 143(4), 548–557. https://doi.org/10.1007/s00442-005-0022-7

Tobin, P. C., Nagarkatti, S., & Saunders, M. C. (2003). Phenology of grape berry moth (Lepidoptera: Tortricidae) in cultivated grape at selected geographic locations. Environmental Entomology, 32(2), 340–346. https://doi.org/10.1603/0046-225X-32.2.340

Torres-Vila, L. M., Oustry, L., Schmitz, V., Roehrich J Stockel, R. Y., Torres-Vlla, L., & Roehrich Stockel, R. J. (1993). Acción de la humedad relativa y la fluctuación térmica sobre la crisálida no diapausante de la “polilla del racimo”, Lobesia botrana Den. y SchifF. (Lepidoptera: Tortricidae). Bol. San. Veg. Plagas, 19, 79–93.

Trnka, M., Muska, F., Semerádova, D., Dubrovsky, M., Kocmánkova, E., & Zalud, Z. (2007). European corn borer life stage model: Regional estimates of pest development and spatial distribution under present and future climate. Ecological Modelling, 207(2–4), 61–84. https://doi.org/10.1016/J.ECOLMODEL.2007.04.014

Varela, L. G., Smith, R. J., Cooper, M. L., & Hoenisch, R. W. (2010). European grapevine moth, Lobesia botrana.

Weatherspark. (2019). Clima promedio en Neustadt in Holstein, Alemania. Retrieved August 5, 2019, from https://es.weatherspark.com/y/68479/Clima-promedio-en-Neustadt-in-Holstein-Alemania-durante-todo-el-año

White, M. A., Brunsell, N., & Schwartz, M. D. (2003). Vegetation phenology in global change studies. In Phenology: An integrative environmental science (pp. 453–466). Dordrecht: Springer, Dordrecht. https://doi.org/10.1007/978-94-007-0632-3_28


108

Anexo 2

Superficie y porcentaje no hábitat y de incremento, pérdida y persistencia de

idoneidad ambiental para L. botrana en Europa previstos por el MNE para el

año 2050, considerando los escenarios de cambio climático RCP 4.5 y RCP

8.5. Solo se especifican aquellos países con regiones en las que el modelo

coincide para 15 o más GCM en su previsión y presentan un porcentaje igual o

superior al 30% en los efectos observados.

109

Cc

Paí

s/R

egió

nIn

crem

ento

Km

2I %

Pér

did

a_K

m2

L %

No

Hab

itat

Km

2N

H %

P

ersi

sten

cias

Km

2P

%T

ota

l Km

2P

aís/

Reg

ión

Incr

emen

to K

m2

I %P

érd

ida_

Km

2L

%N

o H

abit

at K

m2

NH

%

Per

sist

enci

as K

m2

P %

To

tal K

m2

Alb

ania

6472

.380

692

1362

22.9

7598

112

1253

.835

105

222

89.2

6287

34.

550

557.

3647

5A

lban

ia27

96.7

8914

658

84.6

9439

112

644.

4399

051

1.3

2517

.427

803

5.0

5055

7.36

475

WG

ID

ibër

1387

.309

127

3017

3.89

1774

54

19.5

2692

428

0.4

4659

.450

016

Dib

ër58

9.20

0570

313

69.1

2461

253

1.5

130.

1774

169

346

59.4

5001

6

Ale

man

ia26

7369

.87

3015

25.1

7729

40.

212

286.

2972

51

389.

1994

581

0.04

9057

87.0

233

Ale

man

ia12

1149

.888

613

4635

.941

233

0.5

268.

5680

868

0.03

9057

87.0

233

PD

OB

aden

-Wür

ttem

berg

3528

2.23

099

4323

66.7

6207

73

133.

0418

534

0.2

8199

1.71

988

Bad

en-W

ürtte

mbe

rg24

159.

9140

129

582.

4477

898

122

2.37

1677

10.

381

991.

7198

8

PD

OB

ayer

n96

725.

8489

5967

29.4

9468

14

1630

11.8

374

Bay

ern

6332

5.11

098

3935

07.2

4151

42.

222

.601

0579

50.

0116

3011

.837

4

Ren

ania

-Pal

atin

ado

1629

4.47

582

3431

.626

7260

40.

137

.407

0326

90.

147

705.

1321

Ren

ania

-Pal

atin

ado

2784

.141

233

647

705.

1321

PG

IS

chle

swig

-Hol

stei

n28

280.

3362

262

246.

1849

811

145

440.

9605

6S

chle

swig

-Hol

stei

n26

9.40

8061

145

440.

9605

6

Tur

ingi

a19

833.

6560

249

69.4

7403

546

0.2

4057

6.99

874

Tur

ingi

a84

25.0

6600

421

4057

6.99

874

Arm

enia

9844

.010

4119

9614

.923

211

1926

53.5

9179

75.

250

832.

2398

9A

rmen

ia53

35.7

2043

810

69.0

0682

461

0.1

1270

5.28

299

2542

89.6

2488

8.4

5083

2.23

989

Ere

ván

5.53

3707

171

123

7.39

7526

949

.248

2.70

1513

5E

revá

n2.

1224

7585

90.

416

.315

3251

83

325.

2322

079

67.4

482.

7015

135

Geg

hark

unik

3489

.395

611

4020

71.7

5631

2487

63.5

9861

9G

egha

rkun

ik13

48.6

5937

115

1937

.088

134

22.1

8763

.598

619

Sev

an0.

8344

2810

810

00.

8344

2810

8S

evan

0.83

4428

108

Au

stri

a41

290.

5352

722

3801

3.14

897

2112

9.42

3570

30.

118

3719

.735

1A

ust

ria

3912

9.83

755

2134

135.

0617

719

22.0

7690

061

0.01

1837

19.7

351

PD

ON

iede

röst

erre

ich

1430

3.49

437

3318

20.0

6067

443

270.

7709

1N

iede

röst

erre

ich

9422

.191

458

2287

3.01

4766

12

4327

0.77

091

PD

OO

berö

ster

reic

h11

648.

0749

144

4615

.010

222

1722

.076

9006

10.

126

738.

4976

6O

berö

ster

reic

h12

534.

8976

547

2490

.687

417

9.3

22.0

7690

061

0.1

2673

8.49

766

Aze

rbai

jan

9015

.891

516

674

28.6

4667

535

76.4

1371

42

5122

8.12

879

3514

7830

.474

9A

zerb

aija

n37

33.3

1833

342

732.

3774

929

3712

.066

325

2.5

2097

9.67

491

14.2

1478

30.4

749

Abs

hero

n84

.930

6525

71

6478

.852

671

61.3

1057

6.12

12A

bshe

ron

18.5

6371

208

0.2

4265

.377

606

40.3

187.

5369

246

219

55.8

3438

918

.510

576.

1212

Ara

n41

15.5

8895

711

1679

9.24

441

45.1

3721

7.21

568

Ara

n20

938.

6285

856

.315

4.52

3628

80.

452

06.6

2134

114

3721

7.21

568

Gan

ja-Q

azak

h23

35.4

5533

411

1226

.786

025

636

9.68

1863

265

42.7

1132

931

.220

947.

5761

7G

anja

-Qaz

akh

428.

1290

619

282

00.6

6165

239

.128

4.40

0676

71.

418

95.9

3831

9.1

2094

7.57

617

Lank

aran

10.8

9009

980.

146

5.44

2733

75

103.

7051

405

153

79.1

6585

558

.592

02.8

7720

3La

nkar

an10

.890

0998

0.1

442.

7919

587

515

8.66

5717

12

3322

.555

5636

.192

02.8

7720

3

Sha

ki-Z

aqat

ala

918.

8679

903

625

6.91

9557

82

334.

0031

943

250

84.0

7010

533

.115

375.

2179

7S

haki

-Zaq

atal

a56

6.17

4201

440

31.4

1120

426

.236

7.60

2599

82.

413

21.8

4297

39

1537

5.21

797

Yuk

hari-

Kar

abak

h72

4.50

8249

16

108.

4158

451

153

31.5

8320

843

1249

2.44

984

Yuk

hari-

Kar

abak

h20

1.23

7083

32

1288

.009

945

10.3

16.0

2818

698

0.1

2052

.010

828

16.4

1249

2.44

984

Bie

lorr

usi

a26

7605

.396

446

1668

7.19

725

358

4045

.742

1B

ielo

rru

sia

4168

92.7

311

7158

4045

.742

1

Bre

st87

155.

3115

110

087

187.

1757

9B

rest

4499

3.26

999

5287

187.

1757

9

Hom

yel'

7451

0.68

524

7010

6814

.637

6H

omye

l'10

0005

.240

194

1068

14.6

376

Gro

dno

5919

2.47

6484

7083

4.31

625

Gro

dno

5699

4.92

8070

834.

3162

5

Min

sk43

498.

5693

838

123.

1544

335

0.1

1142

13.3

117

Min

sk10

1220

.437

989

1142

13.3

117

Bél

gic

a11

083.

8711

115

64.9

2297

936

0.1

706.

4884

744

122

.776

5127

80.

0376

057.

7831

8B

élg

ica

3080

.706

074

23.0

9832

059

7605

7.78

318

PG

I/PD

OW

allo

nie

1108

3.87

111

3270

6.48

8474

42

22.7

7651

278

0.1

3438

4.32

531

Wal

loni

e30

80.7

0607

923

.098

3205

90.

134

384.

3253

1

Bo

snia

y H

erze

go

vin

a27

220.

4892

128

492.

0685

832

0.5

3104

.248

635

311

13.1

3962

81.

198

980.

6635

1B

osn

ia y

Her

zeg

ovi

na

1427

3.53

057

1414

15.9

8161

91.

494

3.52

5517

51.

029

00.5

7900

73

9898

0.66

351

Brč

•ko10

14.3

4255

Brč

•ko32

8.44

1540

732

.410

14.3

4255

WG

IF

eder

ació

n de

Bos

nia

y H

erze

govi

na14

871.

8434

230

492.

0685

832

125

12.4

8409

85

939.

3858

464

1.9

4962

9.28

414

Fed

erac

ión

de B

osni

a y

Her

zego

vina

9297

.719

122

1912

76.0

6471

63

800.

9620

306

210

11.6

8709

82.

049

629.

2841

4

Bu

lgar

ia14

008.

1571

57

79.3

5222

505

0.04

536.

3671

632

0.3

585.

3538

206

0.3

2076

23.2

6B

ulg

aria

5233

.084

423

75.4

9221

548

0.04

677.

4281

435

0.3

4314

0.62

063

2120

7623

.26

PD

OH

asko

vo95

90.6

5900

9H

asko

vo33

31.3

8302

935

9590

.659

009

Mon

tana

228.

4354

813

11.2

3053

343

0.2

7242

.959

387

Mon

tana

140.

4349

158

238

39.8

4748

953

7242

.959

387

Ple

ven

8743

.646

618

Ple

ven

8386

.987

524

9687

43.6

4661

8

Plo

vdiv

1068

.602

167

983

.240

0152

31

19.7

2434

272

0.2

1152

0.68

459

Plo

vdiv

358.

0649

918

366

.154

4370

91

4458

.035

258

3911

520.

6845

9

Rus

e54

60.8

7927

Rus

e21

53.4

159

39.4

5460

.879

27

Sm

olya

n21

60.6

0709

536

39.3

3277

805

159

52.9

6208

4S

mol

yan

691.

1860

751

1259

52.9

6208

4

Sta

ra Z

agor

a77

8.33

7065

18

9256

.748

641

Sta

ra Z

agor

a20

7.55

8281

82

3162

.621

714

34.2

9256

.748

641

Vra

tsa

92.5

2952

031

7250

.994

512

Vra

tsa

50.6

2357

675

156

79.4

6173

778

.372

50.9

9451

2

Cro

acia

1066

2.37

159

2339

.275

364

214

38.4

8024

81

2987

.704

847

311

3933

.041

6C

roac

ia85

91.9

2978

48

1310

.891

049

1.2

449.

6771

128

0.4

1748

7.20

738

15.3

1139

33.0

416

Šib

enik

-Kni

n36

0.66

4493

96

86.8

2265

294

276

.607

2237

51

607.

3112

6111

5601

.946

195

Šib

enik

-Kni

n22

9.94

1886

453

.917

1945

21

2580

.929

958

46.1

5601

.946

195

Istr

ia25

6.72

5472

34

16.6

8408

947

0.3

865.

2429

445

1558

01.5

3074

8Is

tria

28.5

2277

392

0.5

4399

.309

415

7658

01.5

3074

8

Lika

-Sen

j53

48.4

3002

650

62.3

7687

495

190

5.55

1450

49

1061

6.65

363

Lika

-Sen

j52

00.4

6098

849

325.

8608

203

3.1

616.

5290

359

610

616.

6536

3

Vuk

ovar

sko-

Srij

emsk

a48

35.5

8039

4V

ukov

arsk

o-S

rijem

ska

2982

.813

024

6248

35.5

8039

4

Zad

arsk

a12

24.7

6708

617

330.

8292

073

577

.577

1763

41

52.4

7498

101

173

26.0

0992

7Z

adar

ska

546.

3531

046

729

.718

9440

30.

424

97.4

2275

834

.173

26.0

0992

7

Din

amar

ca87

905.

0220

464

1103

.260

217

128

98.6

3424

32

1372

88.9

08D

inam

arca

7137

0.85

078

5265

.472

8319

10.

0513

7288

.908

Aar

hus

1290

6.38

374

8714

809.

7736

9A

arhu

s57

38.8

5143

839

1480

9.77

369

PG

IB

ornh

olm

1508

.315

655

8417

93.3

0602

5B

ornh

olm

696.

5333

407

3917

93.3

0602

5

PG

IF

ioni

a90

70.7

3953

184

1074

3.41

84F

ioni

a90

1.67

3156

38

1074

3.41

84

Jutla

ndia

Sep

tent

riona

l16

455.

9452

479

2079

0.37

694

Jutla

ndia

Sep

tent

riona

l15

783.

0887

176

2079

0.37

694

Rib

e84

33.0

4684

585

62.2

3105

174

198

80.4

7873

6R

ibe

7985

.709

642

8198

80.4

7873

6

Rin

gkøb

ing

8429

.388

789

5327

82.3

7847

718

1580

7.63

615

Rin

gkøb

ing

1286

5.30

394

8165

.472

8319

10.

415

807.

6361

5

Jutla

ndia

del

sur

1074

0.11

225

9111

744.

3222

8Ju

tland

ia d

el s

ur70

26.5

7513

460

1174

4.32

228

Vej

le61

69.0

0351

166

9392

.181

883

Vej

le79

24.5

7218

184

9392

.181

883

Vib

org

8658

.960

178

6454

.024

7135

20.

413

539.

2219

1V

ibor

g12

322.

5575

291

1353

9.22

191

Esl

ova

qu

ia37

505.

1931

133

8204

.955

118

711

2330

.581

7E

slo

vaq

uia

1736

7.77

174

1538

73.2

4789

83.

411

2330

.581

7

Ban

ská

Bys

tric

a91

80.5

3572

842

1409

.240

257

621

734.

6031

7B

ansk

á B

ystr

ica

2253

.826

1710

627.

1004

047

321

734.

6031

7

Koš

ický

65

45.8

1127

142

531.

7466

925

315

493.

3072

7K

ošic

ký

2084

.060

749

1362

.507

9209

50.

415

493.

3072

7

Pre

šov

1018

1.77

368

4921

53.6

5630

610

2085

7.39

045

Pre

šov

6131

.543

444

2978

5.31

9142

94

2085

7.39

045

Tre

ncia

nsky

5718

.646

876

5546

.914

8366

40.

510

415.

9134

Tre

ncia

nsky

2017

.756

159

1910

.245

0306

90.

110

415.

9134

Esl

ove

nia

8511

.869

719

2112

.839

9857

10.

0334

21.1

0745

58

247.

7223

731

141

452.

3060

7E

slo

ven

ia44

09.2

0658

711

2937

.803

503

7.1

1260

.670

222

341

452.

3060

7

PD

OG

oris

ka

1622

.796

981

3468

1.95

5732

914

4720

.612

314

Gor

iska

47

2.81

7840

210

896.

0866

755

1943

6.40

3254

69.

247

20.6

1231

4

Kor

oška

1250

.697

781

5753

1.90

5417

824

2192

.207

561

Kor

oška

1012

.971

468

4624

7.06

5394

711

.321

92.2

0756

1

Not

ranj

sko-

kraš

ka12

37.3

5364

842

139.

4834

761

529

65.2

6793

1N

otra

njsk

o-kr

aška

286.

0603

5710

2965

.267

931

PD

OO

baln

o-kr

aška

48.5

5222

091

312

.839

9857

11

175.

8461

649.

119

25.8

5540

6O

baln

o-kr

aška

671.

0032

579

3519

25.8

5540

6

Tra

yect

orí

a d

e co

nce

ntr

ació

n r

epre

sen

tati

va 4

.5 (

Lo

bes

ia b

otr

ana

)T

raye

cto

ría

de

con

cen

trac

ión

rep

rese

nta

tiva

RC

P 8

.5 (

Lo

bes

ia b

otr

ana

)

110

CcPa

ís/Re

gión

Incre

ment

o Km2

I %Pé

rdid

a_Km

2L %

No H

abita

t Km2

NH %

Pe

rsist

encia

s Km2

P %

Tota

l Km2

País/

Regi

ónInc

reme

nto K

m2I %

Pérd

ida_

Km2

L %No

Hab

itat K

m2NH

%

Pers

isten

cias K

m2P

%To

tal K

m2

Tray

ecto

ría de

conc

entra

ción

repr

esen

tativ

a 4.5

(Lob

esia

botra

na)

Tray

ecto

ría de

conc

entra

ción

repr

esen

tativ

a RC

P 8.5

(Lob

esia

botra

na)

Est

on

ia12

853.

1066

68

1140

0.16

788

716

7482

.802

2E

sto

nia

1512

15.5

445

9016

7482

.802

2

Har

ju66

7.79

7943

34

1657

3.20

04H

arju

1513

6.98

713

9116

573.

2004

Hiiu

3064

.263

241

7938

55.4

2223

1H

iiu30

64.2

6324

179

3855

.422

231

Ida-

Viru

2411

.172

606

1912

589.

8171

9Id

a-V

iru12

150.

3295

297

1258

9.81

719

Järv

a12

36.5

5398

413

9803

.383

975

Järv

a82

22.9

5356

8498

03.3

8397

5

Jõge

va28

.417

6358

60.

396

10.8

7993

Jõge

va95

42.3

8935

9996

10.8

7993

Lään

e17

05.6

4433

1990

49.3

2514

Lään

e81

94.7

9825

991

9049

.325

14

Lään

e-V

iru36

70.4

9780

928

1328

8.37

749

Lään

e-V

iru90

98.6

7393

868

1328

8.37

749

Pär

nu11

5.49

0260

31

1743

6.74

4P

ärnu

1712

9.38

596

9817

436.

744

Põl

va47

1.63

4613

46

7697

.437

942

Põl

va68

87.4

1821

589

7697

.437

942

Pei

psi

11.5

6059

535

0.2

6501

.491

951

Pei

psi

6494

.513

299

100

6501

.491

951

Rap

la11

129.

9735

7R

apla

1112

9.97

357

100

1112

9.97

357

Saa

re79

67.7

0883

175

1065

3.27

109

Saa

re88

08.8

0495

683

1065

3.27

109

Tar

tu5.

5146

8652

60.

0511

805.

2714

4T

artu

1174

6.06

553

9911

805.

2714

4

Võr

u26

85.5

9299

834

7979

.882

99V

õru

5109

.420

882

6479

79.8

8299

Val

ga21

1.42

5007

43

7162

.364

539

Val

ga61

90.6

3247

686

7162

.364

539

Vilja

ndi

1234

5.95

835

Vilja

ndi

1230

8.93

464

100

1234

5.95

835

Esp

aña

2609

7.05

117

398

334.

6775

211

7450

.765

699

115

1218

.859

917

.486

8173

.441

6E

spañ

a10

239.

8641

21

1350

48.3

509

1666

90.1

1753

11

1996

23.9

477

23.0

8681

73.4

416

PG

I/PD

OA

ragó

n51

92.0

6847

86

574.

3409

905

152

86.4

0285

36.

284

947.

0412

2A

ragó

n14

94.8

8380

82

1482

.529

907

229

036.

3509

234

.284

947.

0412

2

PD

OC

astil

la y

Leó

n10

803.

8605

66

553.

6857

377

0.3

1369

2.16

789

8.1

1688

45.9

173

Cas

tilla

y L

eón

4433

.826

574

335

7.75

8024

50.

217

0.72

1736

10.

153

326.

6685

532

1688

45.9

173

PG

I/PD

OC

astil

la-L

a M

anch

a12

7.72

1805

10.

142

4.38

2247

80.

359

614.

0401

945

1334

41.1

028

Cas

tilla

-La

Man

cha

1376

7.01

188

1053

887.

1493

840

.413

3441

.102

8

PD

OC

omun

idad

de

Mad

rid26

0.78

9040

82

5104

.967

967

3713

844.

2101

6C

omun

idad

de

Mad

rid24

.192

8832

40.

212

2.80

9245

188

88.3

8381

464

.213

844.

2101

6

PG

I/PD

OE

xtre

mad

ura

69.6

0425

314

0.1

7826

.590

2811

3053

6.15

039

44.2

6914

3.03

975

Ext

rem

adur

a5.

8873

7854

70.

0146

354.

8958

267

8002

.323

223

11.6

6914

3.03

975

Fin

lan

dia

2882

03.7

401

4268

7184

.107

4F

inla

nd

ia83

264.

7833

312

4149

49.0

493

60.4

6871

84.1

074

Fin

land

ia m

erid

iona

l63

496.

6358

966

9694

0.93

888

Fin

land

ia m

erid

iona

l30

008.

6966

831

7641

.132

218

896

940.

9388

8

Fra

nci

a70

118.

0240

76

2753

.706

110.

211

240.

2410

21

4022

.890

653

0.3

1161

525.

715

Fra

nci

a37

500.

4873

314

77.8

2302

60.

184

40.5

2017

81

1895

3.38

269

211

6152

5.71

5

PG

IA

uver

nia

1578

3.02

361

3040

5.40

6577

120

.809

9551

60.

0453

400.

7380

5A

uver

nia

6878

.309

557

1362

.298

6304

80.

153

400.

7380

5

Geo

rgia

1719

6.45

727

1422

46.8

7694

32

9622

.551

58

1525

6.08

565

1212

6815

.514

4G

eorg

ia98

28.6

4789

98

7819

.097

046

610

327.

6744

48.

115

516.

3611

312

.212

6815

.514

4

WG

IK

akhe

ti10

97.0

1365

65

57.5

7323

617

0.3

437.

9849

281

273

39.0

6254

735

.520

664.

7061

6K

akhe

ti12

49.3

8557

26

2828

.506

683

1434

2.76

6437

72

5567

.167

3127

2066

4.70

616

Tbi

lisi

312.

9067

368

74.1

422.

3650

683

Tbi

lisi

184.

8122

264

4442

2.36

5068

3

Irlan

da

7589

.702

935

460

392.

7706

3119

4868

.051

6Irl

and

a10

5197

.089

154

3005

9.97

488

15.4

1948

68.0

516

Car

low

3.37

1288

257

0.1

262.

9031

916

927

72.7

2072

1C

arlo

w24

46.6

8846

588

26.6

4794

955

127

72.7

2072

1

Cav

an39

37.0

2049

370

5611

.503

862

Cav

an27

20.1

8541

4871

2.40

7855

813

5611

.503

862

Cla

re18

84.1

9612

921

452.

1087

624

590

59.3

7777

1C

lare

7423

.306

013

8248

.841

4964

40.

590

59.3

7777

1

Cor

k30

0.32

0412

81

3608

.451

7918

2035

5.18

616

Cor

k11

230.

6561

555

3168

.400

729

1620

355.

1861

6

Dub

lin49

.005

0524

22

34.6

6151

597

124

92.6

2774

8D

ublin

2147

.146

236

8632

.926

0622

71.

324

92.6

2774

8

Gal

way

1.66

5915

301

0.01

3073

.038

766

1817

536.

8013

9G

alw

ay10

526.

1081

160

687.

3957

333

417

536.

8013

9

Kild

are

101.

1633

408

250

05.6

4504

7K

ildar

e48

98.6

5758

798

5005

.645

047

Kilk

enny

458.

1171

288

884

7.13

9802

615

5480

.807

336

Kilk

enny

4799

.897

097

8854

80.8

0733

6

Laoi

s80

5.49

9125

618

4532

.248

441

Laoi

s38

18.4

8300

884

68.3

3150

225

1.5

4532

.248

441

Lim

eric

k26

29.1

5249

836

290.

6322

382

472

50.8

1499

3Li

mer

ick

6492

.245

982

9021

.033

8049

60.

372

50.8

1499

3

Long

ford

1024

.365

308

3231

61.2

1853

8Lo

ngfo

rd21

31.8

4688

367

3161

.218

538

Lout

h14

9.98

7849

26

2438

.869

528

Lout

h19

85.8

4122

581

25.0

3177

241

1.0

2438

.869

528

Mea

th42

5.94

3852

87

6269

.456

77M

eath

6033

.282

807

9662

69.4

5677

Mon

agha

n28

52.4

0233

875

3817

.290

634

Mon

agha

n22

63.8

7767

859

43.6

0494

209

1.1

3817

.290

634

Offa

ly40

2.43

3193

852

60.4

1913

4O

ffaly

4798

.691

684

9110

7.51

3881

52

5260

.419

134

Ros

com

mon

3973

.199

972

5572

67.6

2826

4R

osco

mm

on30

60.0

0838

142

71.1

8708

598

172

67.6

2826

4

Tip

pera

ry80

.575

0862

117

65.8

0981

615

1205

9.62

258

Tip

pera

ry10

500.

9698

787

161.

2715

948

1.3

1205

9.62

258

Wat

erfo

rd92

7.29

2029

919

548.

1507

203

1149

00.1

5317

8W

ater

ford

3789

.975

747

7721

9.49

7913

54.

549

00.1

5317

8

Wes

tmea

th95

0.63

9715

818

5327

.569

867

Wes

tmea

th44

87.8

4811

784

5327

.569

867

Wex

ford

1128

.861

278

1939

.710

1598

11

6014

.995

14W

exfo

rd54

57.4

0243

791

6014

.995

14

Wic

klow

127.

1461

159

218

53.3

4350

536

5209

.340

033

Wic

klow

2475

.982

587

4889

9.55

3272

217

.352

09.3

4003

3

Italia

2424

8.45

688

444

936.

3343

814

522.

0814

43

6170

1.78

233

1155

8956

.813

1Ita

lia11

383.

7222

92

4117

2.65

356

715

525.

0992

83

1407

28.4

433

25.2

5589

56.8

131

PG

I/PD

OE

milia

-Rom

aña

2275

.754

692

512

4.73

1939

0.3

101.

8884

659

0.2

1372

5.40

637

3243

354.

0535

5E

milia

-Rom

aña

362.

5522

386

121

.204

0608

70.

0526

617.

3387

361

.443

354.

0535

5

PG

I/PD

OF

riuli-

Ven

ecia

Jul

ia19

47.0

1600

212

18.8

6816

368

0.1

1768

.272

962

1174

.454

7143

20.

516

203.

8682

8F

riuli-

Ven

ecia

Jul

ia10

94.1

3190

37

1801

.728

846

11.1

4889

.578

798

30.2

1620

3.86

828

PG

I/PD

OLa

cio

862.

6448

935

311

91.5

5787

64

148.

5192

941

0.5

6230

.017

014

2031

095.

3242

9La

cio

205.

3370

817

139

81.7

5498

413

39.8

8543

717

0.1

9260

.143

444

3031

095.

3242

9

PG

I/PD

OLo

mba

rdia

3124

.541

813

621

53.3

2247

64

1832

.212

151

448

543.

9974

6Lo

mba

rdia

2132

.833

014

421

55.6

8387

14.

422

120.

5915

846

4854

3.99

746

PG

I/PD

OM

arca

s17

8.46

2526

21

295.

1097

005

291

.410

1481

71

1313

.870

093

7.2

1828

1.92

026

Mar

cas

107.

2394

319

18.

6459

4018

60.

0510

204.

6022

856

1828

1.92

026

PG

I/PD

OT

osca

na12

90.8

1100

13

273.

4665

685

124

5.06

2829

11

4568

.745

229

10.5

4354

2.81

969

Tos

cana

296.

9185

021

118

7.68

9152

30.

410

1.46

8640

90.

216

044.

1668

637

4354

2.81

969

PG

I/PD

OV

énet

o20

23.0

2049

16

184.

5213

743

122

10.3

8188

16

9341

.306

542

2636

522.

7636

9V

énet

o12

04.9

2170

73

2414

.437

009

721

846.

4848

760

3652

2.76

369

Let

on

ia45

600.

5348

321

1457

3.92

127

721

5375

.49

Let

on

ia16

8209

.345

578

2153

75.4

9

Kur

zem

e79

04.6

9508

917

1176

.024

914

345

311.

8962

1K

urze

me

4132

6.10

994

9145

311.

8962

1

Latg

ale

2013

.884

825

447

826.

6665

Latg

ale

2298

5.35

747

4847

826.

6665

Rig

a17

456.

1584

550

7.68

4103

596

0.02

3491

3.58

69R

iga

3381

5.26

383

9734

913.

5869

Vid

zem

e11

373.

9673

422

5204

3.85

179

Vid

zem

e34

944.

3463

467

5204

3.85

179

Zem

gale

2023

9.68

129

572.

3600

8664

50.

0135

279.

4885

9Z

emga

le35

138.

2679

210

035

279.

4885

9

111

CcPa

ís/Re

gión

Increm

ento

Km2

I %Pé

rdida

_Km2

L %No

Habit

at Km

2NH

%

Persi

stenc

ias Km

2P %

Total

Km2

País/

Regió

nInc

remen

to Km

2I %

Pérdi

da_K

m2L %

No Ha

bitat

Km2

NH %

Pe

rsiste

ncias

Km2

P %To

tal Km

2

Tray

ector

ía de

conc

entra

ción r

epres

entat

iva 4.

5 (Lo

besia

botra

na)

Tray

ector

ía de

conc

entra

ción r

epres

entat

iva R

CP 8.

5 (Lo

besia

botra

na)

Liec

hten

stei

n97

.662

0106

629

30.5

6012

131

933

5.49

6469

2Li

echt

enst

ein

43.6

5792

413

43.5

1265

146

1333

5.49

6469

2

Esch

en13

.772

2083

562

0.05

9727

782

0.3

22.0

9193

097

Esch

en2.

8903

3023

513

0.05

9727

782

0.3

22.0

9193

097

Mau

ren

16.5

2602

251

100

16.5

2602

251

Mau

ren

10.7

5406

8965

16.5

2602

251

Plan

ken

4.81

3494

504

362.

9967

8135

123

13.1

9342

608

Plan

ken

3.02

8578

748

232.

9967

8135

123

13.1

9342

608

Rug

gell

15.4

0991

064

100

15.4

0991

064

Rug

gell

7.36

6502

047

4815

.409

9106

4

Scha

an21

.492

7758

736

10.5

1059

325

1859

.796

6747

6Sc

haan

0.83

1547

852

111

.988

2630

520

59.7

9667

476

Sche

llenb

erg

7.85

8674

529

100

7.85

8674

529

Sche

llenb

erg

6.60

3008

0684

7.85

8674

529

Litu

ania

1511

50.1

778

7610

8.45

4541

30.

120

0114

.831

8Li

tuan

ia19

1824

.376

9620

0114

.831

8

Šau

liai

2602

8.46

749

9427

619.

9557

4 Š

aulia

i27

619.

9557

410

027

619.

9557

4

Alyt

aus

1641

6.02

488

100

1641

6.02

488

Alyt

aus

1481

5.28

071

9016

416.

0248

8

Kaun

as24

790.

4363

100

2483

6.09

184

Kaun

as24

558.

2669

599

2483

6.09

184

Klai

pedo

s52

98.2

9910

431

82.1

6275

357

0.5

1685

5.93

322

Klai

pedo

s12

995.

7273

577

1685

5.93

322

Mar

ijam

pole

s13

111.

2646

199

1324

3.27

417

Mar

ijam

pole

s13

243.

2741

710

013

243.

2741

7

Pane

vezi

o20

827.

3143

8424

852.

9281

9Pa

neve

zio

2485

2.92

819

100

2485

2.92

819

Taur

ages

8729

.712

197

7411

770.

6058

3Ta

urag

es11

770.

6058

310

011

770.

6058

3

Ute

nos

9210

.436

835

4221

874.

6510

6U

teno

s21

787.

7324

210

021

874.

6510

6

Viln

iaus

2325

9.92

315

7929

389.

0720

1Vi

lnia

us29

237.

4915

999

2938

9.07

201

Luxe

mbu

rgo

1832

.818

6130

6166

.459

439

Luxe

mbu

rgo

6166

.459

439

Die

kirc

h18

32.8

1861

6627

60.8

3827

8D

ieki

rch

100.

010

0.0

Mac

edon

ia96

42.2

8427

122

975.

6951

623

230

33.1

0969

96.

944

258.

8979

8M

aced

onia

4425

.798

155

1013

2.96

9161

90.

370

1.65

7845

21.

614

062.

2401

732

4425

8.89

798

Mac

edon

ia o

rient

al38

8.29

1521

85

26.9

5320

575

0.4

39.3

7537

455

0.5

7319

.212

008

Mac

edon

ia o

rient

al60

.120

4988

91

2171

.381

751

3073

19.2

1200

8

Skop

ie23

9.55

5227

77

14.5

7583

186

0.5

19.7

8957

107

132

10.7

7564

7Sk

opie

66.5

2239

071

250

.546

5285

212

08.7

5928

138

3210

.775

647

Mol

davi

a33

344.

5477

546

7301

1.81

982

Mol

davi

a52

59.0

6418

97

78.8

6346

271

0.1

7301

1.81

982

WG

IBa

lti21

9.35

0070

310

021

9.35

0070

3Ba

lti21

9.35

0070

3

Bric

eni

1921

.511

569

9919

46.8

8868

3Br

icen

i57

0.50

0465

2919

46.8

8868

3

WG

IC

alar

asi

1182

.376

104

7216

37.8

3830

4C

alar

asi

1637

.838

304

Don

duse

ni18

95.3

4089

100

1895

.340

89D

ondu

seni

1331

.637

406

7018

95.3

4089

Dro

chia

1685

.638

945

100

1685

.638

945

Dro

chia

151.

9498

633

916

85.6

3894

5

Edin

et19

68.7

0286

697

2025

.505

797

Edin

et10

83.2

1688

853

2025

.505

797

WG

IFa

lest

i22

96.2

8543

192

2484

.739

062

Fale

sti

2484

.739

062

Flor

esti

2421

.526

651

9824

59.8

5897

4Fl

ores

ti11

7.56

9140

55

2459

.858

974

Glo

deni

1714

.994

027

9917

31.5

8655

1G

lode

ni17

31.5

8655

1

WG

IN

ispo

reni

880.

9940

071

5017

53.7

8247

8N

ispo

reni

4.73

7179

104

0.3

1753

.782

478

Ocn

ita14

84.2

2644

710

014

84.2

2644

7O

cnita

1200

.547

262

8114

84.2

2644

7

WG

IO

rhei

1181

.094

564

5023

46.3

2306

6O

rhei

81.7

5547

585

323

46.3

2306

6

Rîș

cani

2259

.445

274

9822

95.4

3817

6R

îșca

ni28

0.04

3807

112

2295

.438

176

Rez

ina

1451

.904

1694

1545

.367

055

Rez

ina

75.6

2694

105

515

45.3

6705

5

WG

ISî

nger

ei19

98.5

9451

592

2170

.805

841

Sîng

erei

2170

.805

841

WG

ISo

ldan

esti

1226

.900

392

100

1226

.900

392

Sold

anes

ti88

.531

6730

67

1226

.900

392

Soro

ca18

88.6

1094

810

018

88.6

1094

8So

roca

139.

2141

283

718

88.6

1094

8

WG

ISt

rase

ni62

7.32

1011

942

1492

.030

395

Stra

seni

59.5

2170

764

414

92.0

3039

5

WG

ITe

lene

sti

808.

2436

513

9981

6.32

6087

8Te

lene

sti

1.61

8615

269

0.2

816.

3260

878

Tran

snis

tria

2732

.287

003

3675

54.1

4374

1Tr

ansn

istri

a68

.958

2973

51

7554

.143

741

WG

IU

nghe

ni92

3.24

7238

839

2396

.847

837

Ung

heni

2396

.847

837

Mon

tene

gro

9734

.115

729

3915

84.6

2521

76

2888

.473

496

1262

7.30

4089

52.

524

677.

3393

Mon

tene

gro

6138

.630

615

2559

4.31

7145

52

527.

6414

722.

161

0.16

2624

82.

524

677.

3393

Andr

ijevi

ca22

2.12

5094

842

161.

6237

762

3053

2.89

2365

6An

drije

vica

98.8

8174

441

192.

1381

4550

20.

453

2.89

2365

6

Bera

ne71

1.59

5419

557

129.

0297

324

1012

54.4

4580

5Be

rane

364.

6975

343

2915

.115

1103

71.

212

54.4

4580

5

Bije

lo P

olje

760.

6754

029

5114

87.6

1282

2Bi

jelo

Pol

je45

5.85

0600

431

1487

.612

822

Cet

iñe

631.

7499

869

3714

0.63

8151

48

98.1

0626

045

616

97.1

3137

2C

etiñ

e 33

.365

3648

92

51.1

0496

441

312

5.82

2370

87.

416

97.1

3137

2

Kola

šin

644.

0179

9742

361.

8135

631

2440

.196

0782

33

1533

.933

107

Kola

šin

499.

0320

644

3350

.032

9672

13.

339

.961

4038

72.

615

33.9

3310

7

Moj

kova

c31

6.33

4617

249

109.

1926

934

1764

8.83

4391

9M

ojko

vac

181.

2921

6328

18.9

4497

841

364

8.83

4391

9

Nik

šic

1907

.916

554

5234

8.60

4517

810

16.9

1505

547

0.5

3653

.979

551

Nik

šic

1026

.010

194

2813

.238

5600

30.

40.

7044

8246

30.

0236

53.9

7955

1

Plav

261.

6510

047

3419

2.01

8456

125

768.

3361

903

Plav

196.

7370

058

2664

.310

6845

58.

476

8.33

6190

3

Plje

vlja

1916

.129

888

7683

.770

3752

43

2510

.292

94Pl

jevlj

a11

51.1

1070

346

16.7

6562

227

125

10.2

9294

Pluž

ine

810.

7673

677

4725

8.32

0145

515

1723

.491

482

Pluž

ine

617.

4223

354

3615

1.58

3479

49

1723

.491

482

Rož

aje

437.

6205

883

6439

.117

7634

36

687.

5190

708

Rož

aje

343.

0537

3350

35.9

0254

919

5.2

687.

5190

708

Žabl

jak

158.

3637

285

2023

5.26

0647

929

806.

6849

137

Žabl

jak

321.

3529

287

4039

.382

9229

65

806.

6849

137

País

es B

ajos

5490

7.19

171

2817

84.9

0529

81

1936

77.4

103

País

es B

ajos

1936

77.4

103

PGI

Dre

nte

1242

5.77

525

8514

571.

6061

3D

rent

e14

571.

6061

3

PGI

Flev

olan

da29

33.2

3340

137

36.2

1844

256

0.5

7900

.973

929

Flev

olan

da79

00.9

7392

9

PGI

Fris

ia18

093.

6145

591

1978

5.65

723

Fris

ia19

785.

6572

3

PGI

Gro

ning

a 78

62.1

2513

458

140.

6682

018

113

549.

2181

2G

roni

nga

1354

9.21

812

PGI

Hol

anda

Sep

tent

riona

l80

98.2

6854

152

155.

5960

574

115

509.

9105

Hol

anda

Sep

tent

riona

l15

509.

9105

112

Cc

País

/Reg

ión

Incr

emen

to K

m2

I %Pé

rdid

a_K

m2

L %

No

Hab

itat K

m2

NH

%

Pers

iste

ncia

s K

m2

P %

Tota

l Km

2Pa

ís/R

egió

nIn

crem

ento

Km

2I %

Pérd

ida_

Km

2L

%N

o H

abita

t Km

2N

H %

Pe

rsis

tenc

ias

Km

2P

%To

tal K

m2

Tray

ecto

ría d

e co

ncen

trac

ión

repr

esen

tativ

a 4.

5 (L

obes

ia b

otra

na)

Tray

ecto

ría d

e co

ncen

trac

ión

repr

esen

tativ

a R

CP

8.5

(Lob

esia

bot

rana

)

Po

lon

ia6

24

81

1.8

56

76

64

9.7

14

17

50

.17

28

8.6

99

39

11

25

.31

34

51

86

0.0

03

82

59

14

.36

94

Po

lon

ia1

64

68

2.5

11

22

02

15

4.5

74

29

30

.38

25

91

4.3

69

4

Gra

n P

olo

nia

24

58

5.3

97

76

31

78

86

7.9

80

52

Gra

n P

olo

nia

12

.78

27

03

08

0.0

27

88

67

.98

05

2

Vo

ivo

dato

de

Cuy

avi

a y

Po

me

rani

a4

75

01

.03

25

59

74

89

21

.07

01

1V

oiv

oda

to d

e C

uya

via

y P

om

era

nia

24

8.0

40

46

47

14

89

21

.07

01

1

Ló

dz4

42

62

.73

24

93

47

75

0.1

44

11

Ló

dz3

6.6

92

73

83

40

.14

77

50

.14

41

1

Vo

ivo

dato

de

Pe

que

ña

Po

loni

a2

75

38

.91

85

57

52

44

4.3

40

04

17

36

51

3.2

39

01

Vo

ivo

dato

de

Pe

que

ña

Po

loni

a9

30

9.9

85

73

25

11

18

.82

73

25

3.1

36

51

3.2

39

01

Vo

ivo

dato

de

Ba

ja S

ilesi

a2

71

97

.69

89

85

61

48

1.4

66

80

33

48

88

6.8

74

87

Vo

ivo

dato

de

Ba

ja S

ilesi

a7

78

2.0

43

43

71

65

38

.79

49

89

41

.14

88

86

.87

48

7

Lub

lin6

26

76

.82

45

11

00

62

67

6.8

24

51

Lub

lin3

01

1.0

88

98

95

62

67

6.8

24

51

Ma

sovi

an

92

41

1.3

38

47

99

93

29

0.3

38

59

Ma

sovi

an

23

03

1.3

77

33

25

93

29

0.3

38

59

Opo

le1

04

19

.91

09

84

62

25

23

.04

59

3O

pole

24

.12

86

46

66

0.1

22

52

3.0

45

93

Po

dla

chia

n5

94

82

.84

40

79

96

01

18

.78

06

4P

odl

ach

ian

24

44

5.9

04

99

41

60

11

8.7

80

64

Po

me

rani

an

44

71

4.4

50

24

84

21

1.9

41

64

01

0.4

52

99

6.5

05

47

Po

me

rani

an

25

39

0.6

16

22

48

52

99

6.5

05

47

Sile

sia

25

81

1.8

82

42

87

67

3.7

52

33

19

22

95

33

.95

96

9S

ilesi

a2

26

6.5

07

58

28

36

5.6

42

44

94

1.2

29

53

3.9

59

69

Sub

carp

ath

ian

30

99

8.9

63

33

73

26

89

.14

02

15

64

27

54

.56

83

1S

ubca

rpa

thia

n1

21

92

.14

57

62

91

31

.30

95

28

90

.34

27

54

.56

83

1

Sw

ieto

krzy

skie

27

37

9.7

40

24

94

29

05

3.9

50

12

Sw

ieto

krzy

skie

75

25

.32

82

98

26

29

05

3.9

50

12

Vo

ivo

dato

de

Va

rmia

y M

asu

ria

64

84

9.8

50

68

95

68

28

5.8

48

Vo

ivo

dato

de

Va

rmia

y M

asu

ria

41

49

1.9

05

71

61

68

28

5.8

48

Vo

ivo

dato

de

Po

me

rani

a O

ccid

ent

al

34

31

5.4

90

05

51

43

7.7

72

53

49

12

5.3

13

45

18

60

.04

66

72

0.9

41

54

Vo

ivo

dato

de

Po

me

rani

a O

ccid

ent

al

79

13

.96

26

52

12

66

72

0.9

41

54

Po

rtu

ga

l9

68

.34

62

84

71

71

89

2.2

40

61

47

49

86

.21

31

76

31

29

04

.44

65

8.4

15

45

00

.51

1P

ort

ug

al

16

90

.74

98

44

18

10

35

.31

17

85

24

32

4.9

34

13

33

16

00

0.6

46

73

10

.41

54

50

0.5

11

PG

I/PD

OB

raga

75

.46

68

84

06

22

50

.65

70

50

75

28

4.4

64

90

46

61

31

2.5

58

83

12

7.3

48

14

.44

30

69

Bra

ga2

09

.36

43

04

54

10

84

.55

80

02

23

26

7.8

75

39

51

62

30

6.3

04

66

54

84

81

4.4

43

06

9

PG

I/PD

OP

ort

o1

9.5

07

34

24

50

.51

88

.14

18

85

15

13

4.9

71

92

38

31

45

3.0

44

88

53

54

10

6.0

45

14

1P

ort

o1

9.5

07

34

24

50

.51

19

7.2

60

86

92

91

36

.77

35

54

13

.31

20

3.1

25

97

92

9.3

41

06

.04

51

41

PG

I/PD

OV

ise

u2

74

.44

22

94

63

19

.43

26

90

40

.22

30

9.1

72

73

62

6.5

87

17

.17

59

92

Vis

eu

10

3.7

56

78

75

11

26

1.4

13

23

31

44

29

1.5

32

54

14

9.2

87

17

.17

59

92

Re

pu

bli

ca

Ch

ec

a1

20

70

0.6

47

46

48

63

6.0

53

83

65

18

76

83

.27

73

Re

pu

bli

ca

Ch

ec

a6

97

36

.01

92

33

73

36

1.0

94

23

92

18

76

83

.27

73

PD

OÚ

stí n

ad

La

bem

76

93

.27

98

31

58

15

43

.84

08

79

12

13

20

6.2

96

42

Úst

í na

d L

abe

m3

46

8.5

79

83

32

62

16

.73

31

12

42

13

20

6.2

96

42

Jiho

cesk

ý 1

69

13

.47

33

73

12

11

.35

22

32

52

32

21

.35

47

3Ji

hoce

ský

83

86

.66

86

43

62

29

.69

82

07

91

23

22

1.3

54

73

PD

OJi

hom

ora

vský

5

09

4.3

40

00

63

11

65

37

.02

44

2Ji

hom

ora

vský

1

61

0.0

27

60

61

01

65

37

.02

44

2

Ka

rlova

rský

4

73

8.6

41

55

85

71

44

9.7

92

44

11

88

27

6.6

44

67

5K

arlo

vars

ký

57

32

.49

97

54

69

43

6.0

87

31

07

5.3

82

76

.64

46

75

Krá

lové

hra

deck

ý 8

59

3.9

27

70

37

39

21

.66

29

73

98

11

82

6.8

83

11

Krá

lové

hra

deck

ý 4

88

2.6

00

85

14

17

92

.99

74

99

76

.71

18

26

.88

31

1

Re

gió

n de

Vys

oči

na1

55

59

.15

74

49

42

2.6

78

73

83

10

.11

65

77

.09

56

5R

egi

ón

de V

yso

čina

11

62

2.6

30

15

70

16

57

7.0

95

65

Lib

ere

cký

44

98

.94

51

14

58

11

04

.09

48

51

14

78

03

.48

88

32

Lib

ere

cký

22

29

.30

23

63

29

38

9.0

09

41

19

57

80

3.4

88

83

2

Mo

ravs

kosl

ezs

ký

95

19

.48

48

88

74

57

3.5

40

58

57

41

28

79

.67

53

7M

ora

vsko

sle

zský

4

56

5.1

33

13

13

53

68

.78

57

47

23

12

87

9.6

75

37

Olo

mo

ucký

7

35

1.3

12

18

66

16

24

.19

53

37

65

12

06

9.1

39

37

Olo

mo

ucký

4

14

1.1

95

42

43

44

93

.76

23

18

74

.11

20

69

.13

93

7

Pa

rdub

ice

96

72

.84

53

81

90

10

5.0

55

43

72

11

07

13

.89

41

6P

ard

ubic

e4

94

7.3

96

86

24

67

5.9

45

92

71

51

10

71

3.8

94

16

Pils

en

15

83

7.1

04

97

88

97

9.2

30

83

96

51

79

27

.47

96

2P

ilse

n1

23

04

.25

01

66

93

35

.47

36

45

52

17

92

7.4

79

62

Str

edo

cesk

ý 9

67

7.2

13

59

63

72

61

07

.53

19

7S

tre

doce

ský

39

88

.48

61

67

15

26

10

7.5

31

97

Zlín

ský

55

50

.92

14

16

59

10

0.6

09

52

09

19

35

3.9

28

81

6Z

línsk

ý1

85

7.2

48

29

22

02

2.6

01

05

79

50

.29

35

3.9

28

81

6

Ru

ma

nia

14

82

69

.59

65

30

86

.28

87

35

19

0.0

22

06

81

.52

67

84

11

94

.29

70

53

0.2

48

97

71

.73

05

Ru

ma

nia

73

08

4.3

05

15

94

35

.07

47

63

24

01

86

.40

09

48

.24

89

77

1.7

30

5

PD

OA

lba

62

64

.83

38

14

48

30

9.0

35

78

88

21

29

74

.17

75

7A

lba

25

42

.37

55

18

20

15

7.8

87

64

81

1.2

12

97

4.1

77

57

Arg

eș

43

83

.14

07

24

32

77

4.0

42

12

76

13

62

5.2

55

6A

rge

ș2

05

1.2

86

61

61

51

09

1.3

75

29

98

13

62

5.2

55

6

PD

OB

acă

u8

84

8.0

22

99

86

45

76

.19

43

40

34

13

88

1.0

98

93

Ba

cău

22

94

.52

69

21

71

95

.72

29

65

51

.41

38

81

.09

89

3

PD

OB

istr

ița-N

ăsă

ud7

05

3.7

60

98

56

11

46

4.9

74

26

51

31

15

71

.96

79

2B

istr

ița-N

ăsă

ud5

02

0.8

60

43

54

35

76

.75

11

40

55

11

57

1.9

67

92

Bo

toșa

ni1

08

95

.09

92

59

91

10

33

.02

95

5B

oto

șani

79

8.3

11

98

42

71

10

33

.02

95

5

Bra

șov

87

24

.40

19

26

79

80

6.7

83

10

09

71

09

84

.56

49

4B

rașo

v7

08

8.1

78

27

36

53

46

.04

61

17

23

.21

09

84

.56

49

4

Buc

hare

st4

71

.90

12

21

5B

ucha

rest

17

2.8

25

41

33

74

71

.90

12

21

5

Ca

raș-

Se

veri

n5

06

1.9

07

93

30

39

1.1

42

47

48

22

0.9

65

01

22

70

.11

70

69

.83

35

8C

ara

ș-S

eve

rin

22

56

.86

96

67

13

45

4.1

35

92

45

31

.32

73

16

95

50

.01

17

06

9.8

33

58

Clu

j9

58

8.2

83

60

56

84

73

.38

00

07

13

14

19

5.8

98

24

Clu

j1

60

2.3

31

42

81

11

12

.42

20

83

41

14

19

5.8

98

24

Co

vasn

a4

64

0.2

07

47

61

81

2.4

40

20

58

11

76

41

.90

32

78

Co

vasn

a4

75

0.7

17

66

86

22

91

.68

77

73

54

76

41

.90

32

78

PD

OD

olj

14

33

8.9

41

67

Do

lj1

05

52

.56

04

77

41

43

38

.94

16

7

Giu

rgiu

68

61

.16

63

44

Giu

rgiu

44

78

.99

13

01

65

.36

86

1.1

66

34

4

Ha

rghi

ta5

21

7.9

33

45

73

73

33

3.7

11

93

32

41

40

10

.85

01

2H

arg

hita

74

12

.77

45

65

53

67

8.9

47

49

66

51

40

10

.85

01

2

Hun

edo

ara

50

54

.91

75

83

55

61

.89

33

27

74

14

45

7.2

73

04

Hun

edo

ara

15

94

.14

12

17

11

31

8.5

05

67

78

2.2

14

45

7.2

73

04

PD

OIa

și7

37

4.5

91

61

96

21

18

19

.30

85

7Ia

și6

18

.69

98

71

95

11

81

9.3

08

57

Ma

ram

ure

ș6

96

8.4

17

08

95

01

65

0.9

70

91

61

21

38

52

.41

41

Ma

ram

ure

ș3

19

5.7

11

00

42

37

51

.48

40

48

35

.41

38

52

.41

41

PD

OM

ure

ș1

08

52

.30

62

77

71

19

0.3

84

13

78

14

17

6.0

37

28

Mur

eș

55

40

.11

76

46

39

48

3.1

06

09

17

3.4

14

17

6.0

37

28

Ne

am

ț8

05

8.7

47

39

36

48

66

.67

61

53

67

12

60

5.0

52

12

Ne

am

ț4

25

4.0

37

09

13

41

16

.86

60

22

11

26

05

.05

21

2

Olt

10

70

3.1

56

36

Olt

66

80

.18

10

96

62

.41

07

03

.15

63

6

Sib

iu9

24

8.0

75

07

98

34

72

.41

24

70

54

11

16

1.7

73

84

Sib

iu2

36

2.4

68

18

42

13

29

.26

26

40

83

11

16

1.7

73

84

Suc

ea

va8

09

2.6

99

60

94

33

47

4.5

21

99

31

91

87

07

.50

87

1S

uce

ava

10

63

3.0

36

17

57

84

3.6

07

65

66

4.5

18

70

7.5

08

71

Te

leo

rma

n1

11

61

.26

33

7T

ele

orm

an

94

43

.19

80

04

85

11

16

1.2

63

37

PD

OV

ranc

ea

33

36

.34

66

33

34

49

5.4

46

17

16

59

95

3.3

49

2V

ranc

ea

11

74

.17

51

93

12

10

6.9

55

22

94

1.1

99

53

.34

92

Ru

sia

11

98

05

.03

81

51

7.8

49

26

43

0.0

03

18

56

05

3.9

16

11

15

75

21

.53

04

1.0

16

31

59

80

.86

Ru

sia

24

97

70

.09

08

22

60

1.0

37

62

90

.02

31

86

54

6.5

28

19

.52

20

37

2.4

08

91

.41

63

15

98

0.8

6

Be

lgo

rod

18

38

.24

36

53

76

50

.81

63

11

70

38

7.5

66

26

Be

lgo

rod

29

05

4.7

06

67

41

70

38

7.5

66

26

Bry

ans

k1

56

5.1

25

31

22

95

8.8

34

78

63

93

86

6.4

96

49

Bry

ans

k2

97

02

.95

02

53

29

38

66

.49

64

9

Che

che

nia

23

22

.09

50

29

85

24

.39

90

51

92

11

16

8.0

24

32

39

.22

84

85

.94

49

8C

hech

eni

a2

23

5.0

49

32

88

88

8.9

94

94

15

3.1

10

42

3.7

43

54

37

28

48

5.9

44

98

St.

Pe

ters

burg

20

20

.26

82

13

25

80

95

.45

77

81

St.

Pe

ters

burg

57

61

.66

93

99

71

80

95

.45

77

81

Ka

linin

gra

d3

93

85

.63

90

79

74

04

44

.91

62

Ka

linin

gra

d3

10

74

.84

15

87

74

04

44

.91

62

Kra

sno

dar

39

04

.40

96

16

34

49

.55

15

76

40

.35

92

.71

38

13

20

.41

85

95

.24

47

12

.11

54

23

6.3

12

4K

rasn

oda

r1

17

1.5

96

65

41

71

.92

57

51

17

0.0

55

46

.33

16

49

10

.47

55

13

.93

66

54

91

54

23

6.3

12

4

Ro

sto

v4

30

84

.56

78

71

96

8.2

97

68

79

0.0

35

58

66

.66

62

54

89

55

.11

39

12

22

22

66

6.2

73

7R

ost

ov

72

47

1.1

51

23

33

19

30

.64

97

71

4.3

54

95

9.8

01

67

25

22

26

66

.27

37

Sta

vro

pol'

29

51

.45

32

09

21

00

08

.34

70

67

50

99

9.6

12

31

38

.11

33

77

8.3

19

5S

tavr

opo

l'2

08

3.4

45

77

52

12

43

.87

26

49

11

47

23

.73

05

81

16

34

36

.61

36

94

7.4

13

37

78

.31

95

Gra

d B

eo

gra

d6

42

8.2

44

91

5G

rad

Be

ogr

ad

45

61

.93

15

35

71

64

28

.24

49

15

Jabl

ani

cki

36

7.7

79

84

95

75

20

0.2

64

46

7Ja

bla

nick

i4

2.2

66

88

41

91

18

25

.85

56

44

35

.15

20

0.2

64

46

7

Južn

o-B

ack

i8

29

7.4

36

56

9Ju

žno

-Ba

cki

53

65

.01

69

88

65

82

97

.43

65

69

Južn

o-B

ana

tski

87

73

.09

75

66

Južn

o-B

ana

tski

48

24

.66

79

78

55

87

73

.09

75

66

Ra

ška

31

71

.29

77

62

43

10

3.6

69

03

59

14

0.3

36

30

13

31

73

33

.09

51

56

Ra

ška

10

38

.91

21

78

14

12

.82

27

98

97

0.2

73

33

.09

51

56

Sre

dnje

-Ba

nats

ki6

91

3.2

86

22

6S

redn

je-B

ana

tski

47

66

.28

32

26

96

91

3.2

86

22

6

Sre

msk

i6

97

9.6

34

66

7S

rem

ski

38

03

.60

96

78

54

.56

97

9.6

34

66

7

Zla

tibo

rski

71

15

.81

28

08

61

20

.15

40

08

42

0.2

9.5

37

28

14

94

0.1

11

71

1.5

75

97

Zla

tibo

rski

36

25

.62

04

25

31

9.5

37

28

14

94

0.1

11

71

1.5

75

97

113

Cc

Paí

s/R

egió

nIn

crem

ento

Km

2I %

Pér

dida

_Km

2L

%N

o H

abit

at K

m2

NH

%

Per

sist

enci

as K

m2

P %

Tot

al K

m2

Paí

s/R

egió

nIn

crem

ento

Km

2I %

Pér

dida

_Km

2L

%N

o H

abit

at K

m2

NH

%

Per

sist

enci

as K

m2

P %

Tot

al K

m2

Tra

yect

oría

de

con

cen

trac

ión

rep

rese

nta

tiva

4.5

(Lob

esia

bot

rana

)T

raye

ctor

ía d

e co

nce

ntr

ació

n r

epre

sen

tati

va R

CP

8.5

(Lo

besi

a bo

tran

a)

Su

ec

ia3

40

35

3.6

61

51

61

59

8.1

09

09

90

.11

30

47

3.5

11

76

32

8.6

08

04

82

0.0

22

17

73

15

.43

Su

ec

ia2

41

04

1.5

48

41

12

09

61

6.2

07

51

02

17

73

15

.43

Jönk

öpi

ng3

10

78

.61

23

81

66

.88

71

92

65

0.2

38

19

1.4

61

68

Jönk

öpi

ng3

28

27

.11

70

48

63

81

91

.46

16

8

Ka

lma

r2

41

06

.39

41

16

14

98

.66

76

65

82

39

42

7.9

40

34

Ka

lma

r1

35

.68

25

40

90

39

42

7.9

40

34

Öst

erg

ötla

nd3

82

08

.74

56

98

62

66

.08

72

85

34

44

33

.19

69

5Ö

ste

rgö

tland

31

56

.48

30

75

74

44

33

.19

69

5

Ore

bro

26

13

1.0

49

58

70

19

15

.15

08

31

53

70

70

.47

05

8O

rebr

o1

20

58

.81

59

73

38

2.2

12

44

32

50

.23

70

70

.47

05

8

Sö

derm

anl

and

23

47

7.5

29

78

89

55

.73

31

74

31

0.2

26

52

6.7

32

23

Sö

derm

anl

and

26

52

6.7

32

23

Esc

ani

a2

70

60

.99

15

87

61

39

.29

34

69

40

.43

28

.60

80

48

21

35

83

4.0

83

32

Esc

ani

a5

84

4.5

98

99

41

63

58

34

.08

33

2

Est

oco

lmo

15

42

3.0

29

24

56

45

7.4

39

51

72

22

76

92

.25

02

6E

sto

colm

o2

8.1

38

60

16

82

76

92

.25

02

6

Upp

sala

19

39

3.1

83

57

66

29

46

9.1

66

83

Upp

sala

17

90

9.1

61

46

12

94

69

.16

68

3

Vä

rmla

nd1

72

17

.76

01

32

03

52

90

.78

73

54

18

62

13

.78

33

8V

ärm

land

31

52

7.8

43

05

37

16

40

4.5

14

98

19

86

21

3.7

83

38

Vä

stm

anl

and

17

47

1.0

80

53

64

49

.62

26

08

11

0.2

27

22

0.6

53

1V

äst

ma

nla

nd1

59

80

.04

44

15

92

72

20

.65

31

Vä

stra

Gö

tala

nd4

96

68

.10

71

14

61

72

57

.33

91

21

61

07

03

0.1

93

6V

äst

ra G

öta

land

68

56

8.1

85

98

64

11

6.4

06

64

72

0.1

10

70

30

.19

36

Su

iza

51

76

5.7

80

57

70

21

83

9.1

04

97

29

42

.63

46

29

79

0.1

74

38

3.5

69

03

Su

iza

26

54

3.3

69

33

61

69

81

.62

42

52

37

43

83

.56

90

3

WG

IA

ppe

nze

ll R

oda

s E

xte

rio

res

10

6.1

32

68

55

20

16

3.6

03

62

31

31

53

3.5

46

87

62

App

enz

ell

Ro

das

Ext

eri

ore

s3

82

.98

21

14

27

24

6.8

68

80

30

99

53

3.5

46

87

62

WG

IA

ppe

nze

ll R

oda

s In

teri

ore

s2

.33

67

50

62

61

20

1.3

40

00

58

54

37

3.8

33

42

99

App

enz

ell

Ro

das

Inte

rio

res

16

8.3

34

24

13

45

68

.42

48

76

74

18

.33

73

.83

34

29

9

WG

IB

ase

l-La

ndsc

haft

59

3.8

52

07

65

54

11

07

.21

67

99

Ba

sel-L

and

scha

ft1

13

.18

70

79

71

01

10

7.2

16

79

9

WG

IB

ern

41

45

.46

28

53

33

19

31

.79

54

71

51

27

05

.96

46

8B

ern

29

11

.01

66

43

23

17

34

.72

11

95

14

12

70

5.9

64

68

WG

IF

ribo

urg

20

40

.02

55

53

57

45

4.2

81

14

59

13

35

68

.07

32

11

Fri

bour

g9

21

.51

96

62

82

64

49

.39

94

36

91

33

56

8.0

73

21

1

WG

IJu

ra9

90

.06

80

95

25

51

89

.48

24

02

61

01

80

7.5

80

90

8Ju

ra5

81

.56

60

16

73

20

.30

14

49

40

20

.02

18

07

.58

09

08

Luc

ern

e2

29

7.0

43

53

17

03

17

.35

46

36

10

32

79

.00

92

7L

uce

rne

12

25

.77

38

72

37

18

0.0

74

75

75

.53

27

9.0

09

27

WG

IN

idw

ald

en

32

7.9

84

06

72

58

70

.88

02

42

95

12

56

7.0

42

53

25

Nid

wa

lde

n3

5.0

83

96

83

56

65

.44

37

71

81

1.5

56

7.0

42

53

25

WG

IS

an

Ga

lo2

00

7.8

96

75

24

77

64

.58

66

14

71

84

31

4.6

07

37

Sa

n G

alo

16

08

.52

53

91

37

37

2.2

74

17

79

43

14

.60

73

7

WG

IS

cha

ffha

use

n5

56

.56

75

23

58

96

22

.30

19

46

3S

cha

ffha

use

n2

45

.75

47

95

39

62

2.3

01

94

63

WG

IS

ole

ura

89

5.3

31

93

54

52

13

0.2

79

51

29

81

70

8.6

16

26

4S

ole

ura

50

7.5

46

16

38

30

66

.70

08

69

09

41

70

8.6

16

26

4

WG

IT

hurg

au

14

98

.20

13

81

67

22

22

.10

64

29

Thu

rga

u6

3.4

43

78

26

13

22

22

.10

64

29

WG

IZ

üri

ch3

36

8.3

70

05

98

97

3.7

60

07

35

92

37

82

.09

75

59

Zü

rich

87

0.8

05

53

45

23

37

82

.09

75

59

Zug

32

4.9

05

73

53

63

77

.33

64

74

81

15

51

8.0

45

47

68

Zug

31

4.6

22

90

22

61

7.6

81

70

65

25

1.5

51

8.0

45

47

68

Tu

rqu

ia1

76

71

2.2

14

52

62

05

40

9.1

75

23

01

55

86

0.3

77

62

31

40

55

1.3

06

52

16

83

91

2.8

91

5T

urq

uia

11

73

66

.99

29

17

85

82

9.0

87

95

13

19

22

59

.12

94

28

.13

83

79

2.7

32

56

.16

83

91

2.8

91

5

Aks

ara

y8

7.2

01

07

97

91

13

49

.96

08

51

11

12

38

3.0

04

97

Aks

ara

y1

68

.44

26

68

21

70

53

.90

91

38

57

12

38

3.0

04

97

Ba

ybur

t1

48

7.2

69

90

22

62

56

2.9

79

01

54

45

80

3.5

09

48

Ba

ybur

t1

75

3.8

27

25

73

01

16

1.6

10

23

22

07

.63

66

54

52

80

.15

80

3.5

09

48

Ça

nakk

ale

14

6.8

45

53

54

12

09

.98

41

15

71

.31

66

43

.44

45

9Ç

ana

kka

le1

9.0

27

18

98

20

.15

54

8.3

56

41

83

3.3

16

64

3.4

44

59

De

nizl

i3

6.9

71

61

28

20

.29

78

.28

97

86

15

34

.59

47

42

91

73

76

.26

22

5D

eni

zli

13

49

.22

50

67

87

70

1.3

58

03

44

.31

73

76

.26

22

5

Edi

rne

10

80

7.5

04

6E

dirn

e5

59

7.1

24

89

85

21

08

07

.50

46

Ela

zığ

24

1.3

72

76

73

22

72

5.6

45

85

18

97

8.8

88

83

35

65

48

3.6

04

80

93

6.1

15

19

6.5

78

42

Ela

zığ

16

.81

86

06

32

0.1

60

27

.93

68

59

40

16

85

.19

50

94

11

.11

27

4.3

38

21

88

.41

51

96

.57

84

2

Erz

inca

n4

69

4.7

20

45

24

27

06

.23

03

77

14

23

23

.85

95

81

21

94

22

.77

1E

rzin

can

64

07

.77

01

35

33

93

.73

36

82

57

0.5

22

85

.46

98

99

12

52

32

.16

83

49

27

19

42

2.7

71

Gü

mü

sha

ne3

44

5.9

75

71

93

02

49

4.8

92

55

82

21

13

50

.67

40

7G

üm

üsh

ane

16

22

.47

57

14

18

23

.79

29

75

16

.11

13

50

.67

40

7

Est

am

bul

25

4.9

26

64

04

38

36

4.7

78

63

5E

sta

mbu

l3

94

5.3

99

51

14

7.2

83

64

.77

86

35

Ka

hra

ma

nma

raş

34

38

.94

01

51

53

46

1.3

87

27

11

57

91

.40

79

25

63

27

13

.69

94

31

12

23

32

8.3

98

34

Ka

hra

ma

nma

raş

38

21

.54

07

54

16

13

59

.08

83

51

66

75

.71

88

76

83

70

78

.46

14

13

0.3

23

32

8.3

98

34

Kin

kka

le1

76

.09

70

32

22

.27

89

3.0

51

60

6K

inkk

ale

39

78

.80

82

65

0.4

78

93

.05

16

06

Ko

cae

li1

9.3

37

19

79

30

.39

6.3

67

18

84

91

70

42

.66

87

25

Ko

cae

li2

46

8.1

89

46

13

57

04

2.6

68

72

5

Ko

nya

79

3.3

56

62

95

15

7.2

80

21

21

20

.17

01

5.1

82

01

71

16

58

11

.95

09

6K

ony

a1

53

.54

06

62

90

.21

23

.90

03

69

70

.22

06

64

.43

38

13

1.4

65

81

1.9

50

96

Ma

laty

a2

17

1.5

32

62

81

22

65

0.6

36

17

81

41

41

.26

00

46

11

71

38

.33

92

23

8.1

18

72

9.9

69

84

Ma

laty

a1

88

8.8

96

71

10

25

86

.94

04

64

14

57

.52

53

84

69

0.3

75

98

.84

79

42

41

18

72

9.9

69

84

Tun

celi

30

73

.26

36

91

23

14

3.9

15

74

41

17

60

.87

30

10

86

47

06

.99

37

96

35

.21

33

62

.16

77

6T

unce

li2

37

5.6

64

27

51

81

18

4.4

76

64

39

75

3.9

81

31

75

63

54

9.1

23

82

12

71

33

62

.16

77

6

Usa

k1

6.4

36

16

35

30

.21

27

.84

85

43

42

80

17

.96

47

47

Usa

k4

18

3.7

31

11

45

2.2

80

17

.96

47

47

Ya

lova

11

23

.87

68

58

Ya

lova

56

5.5

38

24

97

50

.31

12

3.8

76

85

8

Uc

ran

ia8

18

03

1.3

21

45

97

75

.73

87

05

0.1

14

83

0.0

81

12

11

35

08

2.4

47

81

01

39

66

87

.65

8U

cra

nia

65

40

96

.09

49

47

23

33

.09

64

12

0.2

15

69

21

.20

49

11

.21

39

66

87

.65

8

Che

rka

sy4

89

72

.89

72

91

00

48

97

2.8

97

29

Che

rka

sy2

81

18

.68

62

95

74

89

72

.89

72

9

Che

rnih

iv7

19

22

.73

22

58

78

28

88

.84

55

7C

hern

ihiv

78

37

1.2

48

68

95

82

88

8.8

45

57

Che

rniv

tsi

16

00

7.9

99

98

87

10

98

.28

28

96

61

84

20

.51

34

8C

hern

ivts

i7

49

8.6

00

97

84

15

1.7

76

74

26

90

.31

84

20

.51

34

8

Dni

pro

petr

ovs

k1

00

07

.90

86

81

44

33

21

.36

59

76

17

14

69

.60

05

3D

nipr

ope

tro

vsk

10

00

7.9

08

68

14

37

83

3.0

69

38

53

71

46

9.6

00

53

Do

nets

k1

19

44

.34

58

72

02

48

51

.06

08

84

25

93

18

.74

78

9D

one

tsk

32

23

7.7

77

33

54

26

70

4.4

72

17

45

59

31

8.7

47

89

WG

IIv

ano

-Fra

nkiv

sk2

24

50

.18

46

47

14

03

4.2

09

63

91

33

15

48

.81

58

Iva

no-F

rank

ivsk

57

09

.28

11

29

18

11

18

.03

40

51

3.5

31

54

8.8

15

8

Kha

rkiv

31

29

7.0

82

14

24

2.3

68

30

20

40

.17

45

61

.31

36

2K

hark

iv7

41

96

.65

44

81

00

42

.36

83

02

04

0.1

74

56

1.3

13

62

Khe

rso

n1

91

.12

60

77

30

.32

52

33

.13

04

84

65

48

92

.72

20

8K

hers

on

18

22

6.1

80

56

33

.25

48

92

.72

20

8

Khm

eln

ytsk

yy4

90

08

.94

42

61

00

49

00

8.9

44

26

Khm

eln

ytsk

yy4

49

89

.68

07

89

24

90

08

.94

42

6

Kie

v6

86

20

.99

15

71

00

68

62

0.9

91

57

Kie

v4

03

94

.71

55

95

96

86

20

.99

15

7

Kie

v2

04

2.1

85

02

81

00

20

42

.18

50

28

Kie

v6

63

.64

47

79

32

20

42

.18

50

28

Kir

ovo

hra

d4

28

03

.35

03

47

61

31

68

.78

50

52

3.5

56

03

6.0

68

46

Kir

ovo

hra

d4

12

94

.11

91

87

41

22

34

.56

28

52

25

60

36

.06

84

6

Luh

ans

k2

89

6.0

73

70

35

40

66

.37

62

92

63

85

.05

74

89

71

62

62

6.0

82

71

Luh

ans

k4

84

16

.02

81

87

73

85

.05

74

89

70

.66

26

26

.08

27

1

Lvi

v4

49

18

.82

99

38

71

06

9.0

87

38

32

51

68

0.9

19

27

Lvi

v8

39

0.2

52

51

61

9.2

35

94

66

80

.04

51

68

0.9

19

27

Myk

ola

yiv

22

64

.44

10

52

45

9.2

80

21

56

80

.11

27

56

.70

95

32

55

15

66

.56

51

9M

yko

layi

v2

22

8.9

00

00

24

23

78

2.0

71

05

46

.15

15

66

.56

51

9

Ode

sa1

26

02

.81

42

41

81

13

.62

61

81

60

.28

4.6

31

39

24

10

.17

12

01

.82

01

4O

desa

54

61

.62

87

88

30

39

.90

80

38

4.3

71

20

1.8

20

14

Po

ltava

66

22

0.8

26

89

62

61

2.4

03

89

64

68

87

8.5

88

58

Po

ltava

52

51

9.5

28

37

62

59

7.9

27

39

84

68

87

8.5

88

58

Riv

ne5

07

22

.73

97

31

00

50

72

2.7

39

73

Riv

ne1

13

51

.06

77

92

25

07

22

.73

97

3

Se

vast

opo

l1

8.5

67

64

29

91

16

25

.42

42

72

Se

vast

opo

l1

7.4

15

89

71

71

16

25

.42

42

72

Sum

y3

28

99

.72

11

55

55

99

47

.44

34

1S

umy

54

58

7.7

52

08

91

59

94

7.4

43

41

Te

rno

pil

32

73

4.5

05

72

10

03

27

34

.50

57

2T

ern

opi

l5

03

3.5

26

13

41

53

27

34

.50

57

2

Tra

nsca

rpa

thia

97

26

.90

72

36

34

45

00

.33

15

69

16

28

84

1.6

11

88

Tra

nsca

rpa

thia

64

52

.96

06

32

21

14

4.0

49

67

24

28

84

1.6

11

88

Vin

nyts

ya6

13

11

.67

90

91

00

10

0.0

61

31

1.6

79

09

Vin

nyts

ya4

22

77

.59

46

76

96

13

11

.67

90

9

Vo

lyn

51

51

5.8

20

11

10

05

15

15

.82

01

1V

oly

n5

15

15

.82

01

1

Za

pori

zhzh

ya3

2.6

99

05

66

40

.11

24

93

.02

63

62

1.3

58

74

7.5

11

07

Za

pori

zhzh

ya3

20

54

.72

08

55

55

87

47

.51

10

7

Zhy

tom

yr7

43

76

.90

87

91

00

74

47

0.3

13

37

Zhy

tom

yr5

33

42

.05

15

37

27

44

70

.31

33

7

Re

ino

Un

ido

19

21

96

.49

39

27

13

95

.20

42

97

0.2

13

43

85

.85

16

19

12

8.9

89

51

43

0.0

27

15

99

1.7

51

Re

ino

Un

ido

15

56

33

.96

13

22

83

64

4.8

29

34

12

46

.92

48

10

98

0.0

17

15

99

1.7

51

Ingl

ate

rra

17

65

25

.48

11

50

13

56

.46

61

45

0.4

25

35

1.3

28

78

75

8.2

50

00

82

70

.02

35

34

15

.86

31

Ingl

ate

rra

96

06

9.5

45

22

27

97

47

.93

16

77

32

3.4

11

24

90

20

.01

35

34

15

.86

31

PG

I/PD

OG

ale

s1

56

71

.01

28

42

83

8.7

38

15

16

11

10

24

.47

27

72

07

0.7

39

50

60

20

.15

58

97

.26

34

7G

ale

s2

37

78

.50

27

34

31

08

49

.38

76

51

9.4

23

.51

35

61

96

0.0

45

58

97

.26

34

7

10

01

00

10

01

00

10

01

00

Cc=

Cat

egor

ía d

e ca

lidad

, W

GI=

vin

o co

n in

dica

ción

geo

gráf

ica,

PD

O=

vin

o co

n de

nom

inac

ión

de o

rige

n pr

oteg

ido,

PG

I= v

ino

con

indi

caci

ón d

e or

igen

pro

tegi

do,

I%=

Por

cent

aje

de in

crem

ento

, L

%=

Por

cent

aje

de p

erdi

da,

P%

= P

orce

ntaj

e de

Per

sist

enci

a, N

H%

= P

orce

ntaj

e de

No

Háb

itat,

Km

2 = K

ilom

etro

s cu

adra

dos

Distribución potencial de E. ambiguella

Distribución potencial de Eupoecilia ambiguella en Europa

114

6. Distribución potencial de Eupoecilia ambiguella en Europa ante el

impacto del cambio climático

6.1. Introducción

6.1.1. Posición taxonómica

De acuerdo con la información proporcionada por la base de datos

Fauna Europaea (Aarvik, 2013), Eupoecilia ambiguella (Hübner, 1796) se

ordena taxonómicamente de la siguiente forma:

Reino Animalia

Subreino Eumetazoa

Phyllum: Arthropoda

Subphyllum: Hexapoda

Clase: Insecta

Orden: Lepidoptera

Superfamilia: Tortricoidea

Familia: Tortricidae

Subfamilia: Tortricinae

Tribu: Cochylini

Género: Eupoecilia

Especie: Eupoecilia ambiguella

Sinonimias: Tinea ambiguella Hübner, 1796

Cochylis ambiguella (Hübner, 1796)

Clysia ambiguella (Hübner, 1796)


115

6.1.2. Distribución geográfica

Se trata de un insecto que se extiende en un área más septentrional que

L. botrana, con una amplia superficie de distribución que se va desde el Reino

Unido hasta Japón y desde el Mediterráneo hasta los países escandinavos

(EPPO, 2019) (Figura 19). Fue introducido de forma accidental en Brasil.

Figura 19. Distribución mundial de Eupoecilia ambiguella (según EPPO, 2019).

En la década de 1920 se consideraba la principal plaga del racimo de la

vid en Europa, pero fue reemplazada gradualmente por L. botrana en muchos

países. Este cambio se inició desde la cuenca mediterránea hacia el norte y

actualmente se pueden observar poblaciones simpátricas de ambas especies

en viñedos de Rumanía (Björkman et al., 2011), Suiza, Austria y el sur de

Alemania (Ioriatti et al., 2012). En Europa, se cita su presencia en 34 países

(Aarvik, L, 2013; EPPO, 2019; İren and Ahned, 1973): Albania, Alemania,

Armenia, Austria, Azerbaiyán, Bélgica, Bulgaria, Dinamarca, Eslovaquia,

España, Finlandia, Francia, Georgia, Grecia, Hungría, Italia (incluyendo


116

Cerdeña y Sicilia), Letonia, Lituania, Luxemburgo, Macedonia del Norte,

Moldavia, Noruega, Países Bajos, Polonia, Portugal, Reino Unido, República

Checa, Rumanía, Rusia (zona europea), Serbia, Suecia, Suiza, Turquía y

Ucrania.

6.1.3. Biología, descripción y daños

E. ambiguella y L. botrana presentan una biología muy similar, pero sus

preferencias climáticas son ligeramente diferentes. Por encima de los 20ºC la

actividad de ambas especies es alta, pero el rango óptimo de humedad relativa

es de 40-70% para L. botrana y por encima del 70% para E. ambiguella

(Roehrich and Boller, 1991). Por ello, E. ambiguella prefiere climas frescos y

húmedos, mientras que L. botrana está más adaptada a condiciones cálidas y

secas (Bournier, 1977). E. ambiguella también es una especie polivoltina, pero

tiene un desarrollo más lento, por lo que normalmente solo aparecen 2

generaciones al año en viñedo, aunque en algunas zonas de Francia e Italia se

ha observado una tercera generación (Ioriatti et al., 2012). La diapausa también

está inducida por el fotoperiodo, pero la larva de ultimo estadio permanece

durante varios meses en estado de prepupa antes de convertirse en crisálida

(Roehrich and Boller, 1991). Por lo demás, ambas polillas tienen costumbres

análogas (Coscollá, 1997).

Los adultos de esta polilla miden 6-7 mm de longitud y tienen una

envergadura de 12-15 mm. Las alas anteriores son castaño-amarillentas y

están cruzadas por una banda mediana, ancha y de color castaño oscuro,

mientras que las posteriores son grisáceas. La forma del huevo es similar a la

del huevo de L. botrana y su tamaño, de 0,6 x 0,8 mm. Al principio es de color


117

amarillo pajizo, pero a medida que avanza su desarrollo aparecen manchas de

color anaranjado. La larva neonata mide en torno a 1 mm de longitud y tiene la

cápsula cefálica de color castaño. Al igual que L. botrana, pasa por 5 estadios

larvarios (L1-L5). En el estado L5 alcanza los 12 mm y la cabeza es de color

negro (Ioriatti et al., 2011). Por último, las crisálidas son de color castaño claro,

miden de 6 a 7 mm de longitud y se encuentran protegidas por un capullo de

seda que incorpora diferentes cuerpos extraños (Ruiz-Castro, 1943).

E. ambiguella es un insecto polífago que se alimenta, principalmente, de

los botones florales y las bayas de la vid (Rusch et al., 2015), pero que puede

desarrollarse en otras plantas como Acer campestre, Frangula alnus, Hedera

helix, Lonicera periclymenum y especies de los géneros Cornus,

Eleutherococcus, Ligustrum, Prunus, Ribes, Viburnum (Gilligan and Epstein,

2014) y Clematis (Thiéry, 2008) siendo, por tanto, una especie polífaga.

Comparte varias plantas huésped con L. botrana, pero al contrario de lo que

ocurre con ésta, se tiende a considerar a la vid como el huésped original de E.

ambiguella (Ioriatti et al., 2012).

Este insecto presenta 2 o 3 generaciones por año, dependiendo de las

condiciones climáticas de cada región y a menudo coexiste con L. botrana en

viñedos situados en zonas septentrionales con una higrometría intermedia, ya

que la baja humedad es un factor letal para los huevos de E. ambiguella

(Vogelweith et al., 2014). Los daños que esta polilla ocasiona sobre la vid son

del mismo tipo que los producidos por L. botrana (Coscollá, 1997), de modo

que está considerada también como otra de las principales plagas europeas de

este cultivo (Thiéry et al., 2014; Thiéry and Moreau, 2005).


118

6.1.4. Eupoecilia ambiguella y cambio climático

Tal como se comentaba en el apartado correspondiente a L. botrana, la

elevación de las temperaturas y la modificación de otros factores abióticos

como consecuencia del cambio climático están afectando a atributos clave de

la morfología, biología y ecología de las especies plaga, así como a la

distribución geográfica de las mismas. En el caso de E. ambiguella, los

estudios que existen al respecto son más bien escasos. De ellos, cabe

destacar el llevado a cabo por Reineke and Thiéry (2016), quienes reportaron

que en el año 2014, la emergencia de los adultos de la primera generación se

adelantó unos 11 días con respecto a la ocurrida 31 años antes, observando

una estrecha correlación entre esta aparición más temprana de los adultos en

campo con las temperaturas del invierno y principio de la primavera (que

mostraban una tendencia ascendente). Como consecuencia de esa

emergencia más temprana, la plaga dispone de un período más prolongado de

tiempo para interactuar con su planta huésped, dado que la vid también

responde al cambio climático de una manera similar, por ejemplo, adelantando

los procesos de brotación y floración (Schultz and Jones, 2010). Por otro lado,

Thiéry et al., (2018) mencionaron como posibilidad, que el efecto del aumento

del voltinismo de E. ambiguella (como consecuencia de la subida de las

temperaturas) sobre los daños de la plaga en el cultivo estaría modulado por la

fenología de la variedad de vid cultivada, de modo que afectaría más a las

variedades más tardías que a las más tempranas ya que estas podrían estar

vendimiadas cuando apareciese la última generación de la plaga. Estos

mismos autores señalan que, en un escenario de aumento de las temperaturas,

se produciría un incremento de la función inmune de las plagas de la vid, E.


119

ambiguella entre ellas, elevando, de este modo, su capacidad para resistir a los

enemigos naturales.

Dada la importancia de esta plaga para el cultivo de la vid, parece

conveniente analizar el posible efecto del cambio climático sobre su distribución

potencial en el futuro, bajo los escenarios RCP 4.5 y RCP 8.5, empleando

MNE.

6.2. Resultados

Según las pruebas de Jacknife, las variables bioclimáticas seleccionadas

por mostrar los efectos individuales más importantes y, por tanto, aportar más

al modelo fueron: temperatura media anual (BIO1), rango de temperaturas

diurnas (BIO2), temperatura mínima del mes más frío (BIO6) y precipitación

anual (BIO12). Utilizando los parámetros que suponen todas las combinaciones

posibles entre los valores del multiplicador de regularización β y los tipos de

features (incluidas sus propias combinaciones), se crearon 522 modelos de

nicho ecológico candidatos, de los que 456 fueron significativos de acuerdo a la

prueba ROC parcial (p < 0.000). De entre ellos, 5 modelos obtuvieron una tasa

de omisión inferior al 5% (Tabla 6), siendo seleccionado el modelo 1 por ser el

más simple, de acuerdo al AICc (Tabla 6 y Figura 20).


120

Tabla 6. Modelos de nicho ecológico de E. ambiguella seleccionados en función de los


Model

Features1

β2 Mean

AUC3_ratio Partial_ ROC4

Omission rate5 (OR)

5% AICc6 Delta AICc6 W_AICc6 N7

1 Set2 lt 10 1.107 0 0.041 4087.017 70.3 0 4

2 Set2 lh 10 1.105 0 0.041 4094.986 78.3 0 6

3 Set2 l 10 1.107 0 0.041 4102.302 85.6 0 3

4 Set2 t 7 1.142 0 0 4158.389 141.7 0 6

5 Set2 t 10 1.080 0 0 4197.129 180.4 0 4 En negrita, el mejor modelo; 1Combinaciones de features: l= lineal, t= t threshold), h= hinge; 2β Regularization multiplier: 3,0.5, 1, 0.1 y 0.3; 3Area Under ROC curve; 4Análisis Partial Receiver Operating Characteristic; 5Omission Rate 5%; 6Criterio de Información de Akaike; 7Número de parámetros.

Figura 20. Distribución de los MNE de E. ambiguella según su significancia

estadística, determinada por la tasa de omisión (< 5%) y el Criterio de Información de

Akaike corregido (AICc).


121

Para la situación climática presente (de acuerdo con los datos del

periodo 1970 a 2000) la proyección geográfica del MNE muestra que E.

ambiguella encuentra condiciones ambientalmente adecuadas en el centro y

norte de Europa y en algunas regiones aisladas del sur (Figura 21). Esto

coincidiría en gran medida con la distribución conocida del insecto, aunque hay

algunos países en los que se cita su presencia y, sin embargo, no aparecen

condiciones idóneas. Sería el caso de Grecia, aunque Aarvik (2013) considera

que no está presente, Armenia, Azerbaiyán o Georgia. También ocurre el caso

contrario, es decir, países ambientalmente idóneos en los que no se conoce su

presencia, como Irlanda, aunque en este caso hay que tener en cuenta su

condición de isla.

122

Fig

ura

21.

Pro

ye

cció

n g

eo

grá

fica

en E

uro

pa d

e la

s á

reas d

e id

on

eid

ad

am

bie

nta

l d

e E

. a

mb

igue

lla e

n la

situ

ació

n c

limática

pre

se

nte

, seg

ún

su m

ode

lo d

e n

ich

o e

coló

gic

o.


123

Considerando los escenarios futuros RCP 4.5 y RCP 8.5 para el año

2050, en ambos casos las predicciones muestran una fuerte pérdida de

superficie de idoneidad ambiental en el sur y en toda la franja meridional de la

mitad norte de Europa (algo más acusada en el escenario RCP 8.5), salvo en

determinadas regiones del centro y del norte, donde se produciría un

incremento de la superficie con condiciones idóneas (Figura 22 y Figura 23).

En el Anexo 3 se detalla la previsión de superficie y el porcentaje de

superficie previsto, para el año 2050, de no hábitat y de incremento, pérdida y

persistencia de idoneidad ambiental para E. ambiguella en diferentes países y

regiones de Europa, bajo los escenarios RCP 4.5 y RCP 8.5. Al igual que en

las dos especies anteriores, solo se han considerado aquellos países con

regiones en las que coinciden las predicciones para 15 o más GCM y

presentan un porcentaje igual o superior al 30% en esos efectos. Algunos de

los datos más destacables se comentan a continuación.

Según el escenario de emisión RCP 4.5, los mayores porcentajes de

incremento de superficie ambientalmente idónea para E. ambiguella se

producirán en la península escandinava: Finlandia (15%), Suecia (15%) y

Noruega (5%). Por regiones, se prevén incrementos superiores al 30% en

Lapland (Finlandia) y Norrbotten (Suecia). Por su parte, los mayores

porcentajes de pérdida de superficie con idoneidad ambiental se producirán en

Alemania (22%), Suiza (20%) y Ucrania (18%), mientras que por regiones, las

mayores pérdidas se esperan en Hessen (Alemania) y en Appenzell-

Ausserrhoden, Zürich y Zug (Suiza), todas superiores al 30%.

124

Fig

ura

22.

Pro

ye

cció

n g

eo

grá

fica

en

Eu

ropa

de la

s á

rea

s d

e p

érd

ida (

rojo

), p

ers

iste

ncia

(g

ris)

e in

cre

me

nto

(ve

rde

) d

e id

on

eid

ad

am

bie

nta

l p

ara

E.

am

big

uella

pre

vis

tas p

ara

el añ

o 2

05

0,

seg

ún lo

s 2

2 G

CM

y c

onsid

era

nd

o e

l e

scen

ario

de e

mis

ión R

CP

4.5

. A

m

ayo

r in

ten

sid

ad d

el co

lor,

ma

yo

r n

úm

ero

de G

CM

para

lo

s q

ue e

l m

ode

lo d

e n

ich

o c

oin

cid

e e

n la

mis

ma

pre

dic

ció

n.

En

azu

l, la

zo

na

de d

istr

ibució

n a

ctu

al d

el viñ

edo (

Co

rine

, 2

01

0).

125

Fig

ura

23. P

roye

cció

n g

eo

grá

fica

en E

uro

pa

de la

s á

reas d

e p

érd

ida (ro

jo), p

ers

iste

ncia

(gris

) e in

cre

me

nto

(ve

rde

) de id

on

eid

ad

a

mb

ienta

l para

E. a

mb

igue

lla p

revis

tas p

ara

el a

ño

205

0, s

eg

ún lo

s 2

2 G

CM

y c

onsid

era

nd

o e

l esce

na

rio d

e e

mis

ión R

CP

8.5

. A

ma

yo

r inte

nsid

ad d

el c

olo

r, ma

yo

r núm

ero

de G

CM

para

los q

ue e

l mo

de

lo d

e n

ich

o c

oin

cid

e e

n la

mis

ma

pre

dic

ció

n. E

n a

zu

l, la

zo

na

de d

istrib

ució

n a

ctu

al d

el v

iñed

o (C

orin

e, 2

010).


126

Si se considera el escenario RCP 8.5, de nuevo la península

escandinava obtiene los mayores porcentajes de incremento de superficie con

idoneidad ambiental: Finlandia (13%), Suecia (18%) y Noruega (5%), mientras

que por regiones superan nuevamente el 30% de incremento Lapland

(Finlandia) y Norrbotten (Suecia). En cuanto a la pérdida de superficie

ambientalmente idónea, en general, el efecto será algo superior al obtenido

considerando el escenario RCP 4.5, siendo los países más afectados Alemania

(39,3%), Ucrania (35%), Suiza (28,4%), Polonia (25,4%), Países Bajos (23%),

Irlanda (17,3%) y Reino Unido (15%). Las regiones que perderán más de un

30% de superficie idónea son: Mecklengburg-Vorpommern (Alemania); Lódz

(Polonia); Appenzell-Ausserrhoden, Bern, Lucerne, Zürich y Zug (Suiza); y

Donets’k y Luhans’k (Ucrania).

En la figura 24 se muestra la superficie ocupada por diferentes usos del

suelo en las zonas en las que se pronostica persistencia e incremento de la

idoneidad ambiental para E. ambiguella bajo los dos escenarios de emisión

considerados (RCP 4.5 y RCO 8.5). Para ambos escenarios, la mayor

persistencia de idoneidad ambiental se espera en zonas de “Cubierta arbustiva,

abierta (15-40%)-cerrada (>40%), arbustos de hoja perenne”, sobre todo en el

caso de RCP 4.5. Sin embargo, los mayores aumentos de superficie con

idoneidad ambiental se prevén en zonas de “Cubierta arbórea, regularmente

inundada con variación diaria del nivel del agua, agua salina” y “Cubierta

arbórea, árboles con acículas y perennes”.


127

Figura 24. Superficie (km2) ocupada por diferentes usos del suelo en las zonas en las

que se pronostica persistencia e incremento de la idoneidad ambiental para E.

ambiguella para el año 2050, bajo los escenarios de emisión RCP 4.5 y RCP 8.5.

0 400000 800000


cerrada (>40%)


abierta (15-40%)

Cubierta arbórea, árbolescon acículas y perennes

Cubierta arbórea,regularmente inundada convariación diaria del nivel del

agua, agua salina

Cubierta arbustiva, abierta(15-40%)-cerrada (>40%),arbustos de hoja perenne


perenne

Cubierta arbórea,regularmente inundada,

agua dulce y agua salobre

OtrosPersistencia(RCP 8.5)


Incremento(RCP 8.5)

Incremento(RCP 4.5)

Km2


128

6.3. Discusión

En la discusión del apartado anterior sobre L. botrana, ya se han

comentado los posibles efectos del cambio climático sobre la etología, biología

y ecología de los insectos, así como la importancia de los MNE como

herramienta predictiva y el interés de esas predicciones para la planificación de

estrategias de control, por lo que no se volverá de nuevo sobre ello.

En el presente estudio se ha encontrado que las principales variables

bioclimáticas que determinan las condiciones de idoneidad ambiental para E.

ambiguella están relacionadas con las temperaturas medias anuales,

temperaturas diurnas y temperaturas mínimas de la época invernal, así como

con la precipitación anual. Esto parece lógico si se atiende a razones similares

a las expuestas en el caso de L. botrana.

La aplicación del MNE de E. ambiguella utilizando los datos climáticos

del presente (media del periodo 1970-2000) indica que las zonas de idoneidad

ambiental para este insecto en Europa se localizan en la mitad septentrional y

en áreas aisladas localizadas en el sur (Figura 21), lo que coincide en buena

medida con los registros conocidos de esta especie. Al igual que ocurre en el

caso de L. botrana, no en todas las regiones el insecto se comporta de igual

forma con respecto a su voltinismo, ya que en algunas zonas de Francia e Italia

se han observado tres generaciones, cuando lo normal es que solo aparezcan

dos (Ioriatti et al., 2012), tal como se ha comentado en la introducción de este

apartado.

Es conocido que los cambios en las condiciones climáticas pueden

alterar los rangos de distribución de los insectos, siendo las tolerancias


129

térmicas las que a menudo determinan la distribución geográfica de las

especies (Overgaard et al., 2014) y en algunos casos también la falta de

humedad (Willmer, 1982). De acuerdo con las previsiones aportadas en el

presente estudio, para el año 2050 se producirán pérdidas de idoneidad

ambiental para E. ambiguella en la mayor parte de Europa, quedando su área

de distribución restringida a las regiones más septentrionales y a algunas

zonas aisladas del centro. La explicación de este hecho hay que buscarla en

las exigencias climáticas de la especie y en la evolución de variables climáticas

como la temperatura y la humedad en el continente europeo. Así, para Europa

se prevé un incremento de la temperatura (sobre todo en la región

mediterránea, con aumentos superiores a la propia media europea, pero

también en el norte, con subidas mayores a la media del planeta, y en Europa

central y oriental con ascensos de las temperaturas máximas) y una reducción

de las precipitaciones (sobre todo, de las anuales en la región mediterránea y

de las estivales en Europa central y oriental) (AEMA, 1990). Estas situaciones

parecen, a priori, negativas para E. ambiguella, ya que esta especie prefiere

climas frescos y húmedos (Bournier, 1977). En este sentido, especialmente

significativa puede ser la humedad relativa, ya que las condiciones secas

constituyen un importante factor de mortalidad de sus huevos (Vogelweith et

al., 2014). Además, las previsiones también indican que las zonas en las que

desaparezcan las condiciones de idoneidad ambiental de E. ambiguella serán

ocupadas por la otra polilla del racimo, L. botrana, que prefiere ambientes más

cálidos y secos (Bournier, 1977; Roehrich and Boller, 1991). El modelo también

prevé condiciones de estabilidad ambiental para E. ambiguella en países y

regiones con climas y/o microclimas húmedos y en aquéllos en los que podrían


130

tener lugar incrementos de temperatura y descensos de las precipitaciones de

modo más amortiguado o, incluso, en los que se incrementarían las

precipitaciones. Finalmente, aparecerán, incluso, nuevas zonas

ambientalmente idóneas en latitudes superiores, caso, por ejemplo, del noreste

de la península escandinava.

Si se consideran los países en los que la viticultura constituye un sector

económicamente importante y E. ambiguella es valorada como una plaga clave

(Alemania, Francia, Italia y Suiza), las predicciones señalan que los porcentajes

de incremento de superficie con idoneidad ambiental serán anecdóticos (≤ 1%

en el peor de los escenarios, RCP 8.5). Por otro lado, las mayores pérdidas

porcentuales de superficie ambientalmente idónea se darán en Alemania con

valores del 22 y 39,3% y Suiza, del 20 y 28,4% %, en los dos casos, para los

escenarios de emisión RCP 4.5 y RCP 8.5, respectivamente. Si a estos datos

se unen los previstos con respecto a la persistencia de superficie con idoneidad

ambiental, en donde solo destacan Alemania (8-23 %) y Suiza (14,2-18%),

parece que, en el futuro, esta plaga reducirá su importancia económica global

en estos países. Cuando el interés se centra en las regiones vitivinícolas

productoras de vinos de calidad (PGI, PDO y WGI), se observa que las

previsiones parecen no afectar de forma importante, ya que los porcentajes de

incremento de superficie con idoneidad ambiental no superan el 3% en ninguno

de los dos escenarios de emisión considerados. Es más, en algunas regiones

se prevén reducciones de los valores porcentuales de la superficie

ambientalmente idónea superiores al 15%, destacando la PDO alemana de

Hessen (33,1% y 60,1%, bajo los escenarios RCP 4.5 y RCP 8.5,

respectivamente) y las WGI suizas de Appenzell Ausserrhonde (41% y 57%


131

bajo los escenarios RCP 4.5 y RCP 8.5, respectivamente) y Zürich (46% y

84,4% bajo los escenarios RCP 4.5 y RCP 8.5, respectivamente). Se puede

deducir, de acuerdo a estos datos, que la exposición del cultivo a esta plaga se

verá reducida en todas estas regiones. No obstante, se prevé que el espacio

que deje esta plaga, tanto a nivel nacional como regional, será ocupado por la

otra especie de polilla del racimo, L. botrana, que provoca en el cultivo daños

similares (Coscollá, 1997), por lo que simplemente se verá sustituida una plaga

por otra con los mismo efectos.

Al igual que en el caso de L. botrana, conocer los actuales usos del

suelo en las zonas en las que se pronostica incremento de idoneidad ambiental

de E. ambiguella es interesante para analizar el impacto de dicho incremento, a

través de la información que aporta sobre el espacio geográfico/ambiental que

podría ocupar la plaga. Al tratarse de una especie polífaga, es muy probable la

presencia de alguna sus plantas hospedadoras en esas nuevas zonas, lo que

podría suponer un refugio para el insecto hasta la implantación de viñedos en

sus proximidades. En este sentido, para ambos escenarios de emisión se prevé

que los usos del suelo predominantes en las zonas con incremento de

idoneidad ambiental son “Cubierta arbórea, regularmente inundada con

variación diaria del nivel del agua, agua salina” y “Cubierta arbórea, árboles con

acículas y perennes”. Por su parte, la mayor persistencia de idoneidad

ambiental se espera en zonas de “Cubierta arbustiva, abierta (15-40%)-cerrada

(>40%), arbustos de hoja perenne”, especialmente en el caso del escenario

más favorable (RCP 4.5). Como ya se ha comentado en la introducción de este

apartado, se considera que la planta huésped original de E. ambiguella es V.

vinífera (Ioriatti et al., 2012) y que se ha adaptado a consumir otros huéspedes.


132

Esto supone una estrategia evolutiva positiva, ya que, en ausencia de la vid,

puede subsistir desarrollándose sobre otras plantas favoreciendo, con ello, su

expansión geográfica. Por ello, posiblemente, E. ambiguella constituirá una

plaga clave en aquellas zonas en las que se implante de forma novedosa el

cultivo de la vid y en las que existan condiciones ambientalmente idóneas para

la plaga.

6.4. Conclusiones

1. Las variables bioclimáticas que más aportan a los modelos de nicho

ecológico, de cara a determinar las áreas de idoneidad ambiental de Eupoecilia

ambiguella en la actualidad en Europa y su distribución potencial en el mismo

continente en el año 2050, bajo los escenarios de cambio climático RCP 4.5 y

RCP 8.5 están relacionadas, al igual que ocurría con Lobesia botrana, con el

incremento de la temperatura, incluso en épocas del año frías (temperatura

media anual, temperatura mínima del mes más frío y rango de temperaturas

diurnas) y con las variaciones en la precipitación (precipitación anual).

2. La aplicación de los modelos de nicho ecológico utilizando los datos

climáticos del presente (media del periodo 1970-2000) indica que las zonas de

idoneidad ambiental para E. ambiguella en Europa se localizan en la mitad

septentrional y en áreas aisladas localizadas en el sur, lo que coincide en

buena medida, con los registros conocidos de esta especie.

3. Se prevé una estabilidad de las condiciones de idoneidad ambiental

para E. ambiguella en regiones de Europa con climas y/o microclimas húmedos


133

y con aquéllos en los que los incrementos de temperatura y los descensos de

las precipitaciones tendrán lugar de modo más amortiguado.

4. De acuerdo con las previsiones aportadas en el presente estudio, para

el año 2050 se producirán pérdidas de idoneidad ambiental para E. ambiguella

en la mayor parte de Europa, quedando su área de distribución restringida a las

regiones más septentrionales y a algunas zonas aisladas del centro. Es

importante señalar que las previsiones también indican que las zonas en las

que desaparezcan las condiciones de idoneidad ambiental para E. ambiguella

serán ocupadas por L. botrana, polilla que prefiere ambientes más cálidos y

secos.

5. Si se consideran los países en los que la viticultura constituye un

sector económicamente importante y E. ambiguella es valorada como una

plaga clave (Alemania, Italia y Suiza), las predicciones señalan que los

porcentajes de incremento de superficie con idoneidad ambiental serán muy

reducidos (≤ 1% en el peor de los escenarios, RCP 8.5).

6. Para los dos escenarios de emisión considerados, se prevé que los

usos del suelo predominantes en las zonas implicadas en el incremento de

idoneidad ambiental para E. ambiguella serán “Cubierta arbórea, regularmente

inundada con variación diaria del nivel del agua, agua salina” y “Cubierta

arbórea, árboles con acículas y perennes”. Por su parte, la mayor persistencia

de idoneidad ambiental se espera en zonas de “Cubierta arbustiva, abierta (15-

40%)-cerrada (>40%), arbustos de hoja perenne”, especialmente en el caso del

escenario más favorable (RCP 4.5). En ambos casos, se trata de usos del


134

suelo que favorecen el aumento de la humedad relativa, factor ambiental muy

relevante para la supervivencia de la especie.

7. Como ocurría en el caso de L. botrana, E. ambiguella es una especie

polífaga, hecho que facilita su expansión geográfica. Así, posiblemente, esta

polilla constituirá una plaga clave en aquellas zonas en las que se implante de

forma novedosa el cultivo de la vid y en las que existan condiciones

ambientalmente idóneas para la plaga, aunque estas superficies serían

cuantitativamente mucho menores que en el caso de L. botrana. Al igual que se

afirmaba para esta última especie, el conocimiento sobre la futura distribución

potencial de E. ambiguella y su intersección con la de la vid utilizando los

modelos de nicho ecológico, resulta esencial para poder planificar estrategias

eficaces de control con antelación suficiente.


135

6.5. Bibliografía

Aarvik, L, E. (2013). Fauna Europaea: Tortricidae. Retrieved August 5, 2019, from https://fauna-eu.org/

AEMA (1990). Agencia Europea de Medio Ambiente. Retrieved from https://www.eea.europa.eu/es/pressroom/infografia/el-clima-europeo-esta-cambiando/view

Björkman, C., Bylund, H., Klapwijk, M. J., Kollberg, I., & Schroeder, M. (2011). Insect pests in future forests: More severe problems?, 2, 474–485. https://doi.org/10.3390/f2020474

Bournier, A. (1977). Grape insects. Annual Review of Entomology, 22(1), 355–376. https://doi.org/10.1146/annurev.en.22.010177.002035

CORINE. (2010). Coordination of Information on the environment. Retrieved January 18, 2019, from https://land.copernicus.eu/pan-european/CORINE-land-cover

Coscollá, R. (1997). La polilla del racimo de la vid (Lobesia botrana Den. y Schiff.) (Generalita). Valencia: Generalitat Valenciana, Conselleria de Agricultura, Pesca y Alimentación.

EPPO (2019). Eupoecilia ambiguella. Retrieved May 6, 2019, from https://gd.eppo.int/taxon/CLYSAM/distribution

Gilligan, & Epstein. (2014). Tortricids of agricultural importance. Retrieved January 18, 2019, from http://idtools.org/id/leps/tortai/Eupoecilia_ambiguella.htm

Ioriatti, C., Anfora, G., Tasin, M., De Cristofaro, A., Witzgall, P., & Lucchi, A. (2011). Chemical ecology and management of Lobesia botrana (Lepidoptera: Tortricidae). Journal of Economic Entomology, 104(4), 1125–1137. https://doi.org/10.1603/EC10443

Ioriatti, C., Lucchi, A., & Varela, L. G. (2012). Grape berry moths in western european vineyards and their recent movement into the new world. In N. J. Bostanian, C. Vincent, & R. Isaacs (Eds.), Arthropod management in vineyards: Pest, approaches, and future directions (pp. 339–359). Dordrecht: Springer Netherlands. https://doi.org/10.1007/978-94-007-4032-7_14

İren, Z., & Ahned, M. K. (1973). The microlepidoptera and deciduous fruit pests of Turkey. Bitki Koruma Bülteni, 1–96.

Overgaard, J., Kearney, M. R., & Hoffmann, A. A. (2014). Sensitivity to thermal extremes in Australian Drosophila implies similar impacts of climate change on the distribution of widespread and tropical species. Global Change Biology, 20(6), 1738–1750. https://doi.org/10.1111/gcb.12521

Reineke, A., & Thiéry, D. (2016). Grapevine insect pests and their natural enemies in the age of global warming. Journal of Pest Science, 89(2), 313–328. https://doi.org/10.1007/s10340-016-0761-8


136

Roehrich, R., Boller, E. (1991). Tortricids in vineyards. In L.P.S. van der Geest H.H. Evenhuis (Ed.), Tortricid pests (Elsevier, pp. 507–5014). Elsevier.

Ruiz-Castro, A. (1943). Fauna entomológica de la vid en España. Estudio sistemático-biológico de las especies de mayor importancia económica. Instituto Español de Entomología. Madrid

Rusch, A., Delbac, L., Muneret, L., & Thiéry, D. (2015). Organic farming and host density affect parasitism rates of tortricid moths in vineyards. Agriculture, Ecosystems & Environment, 214, 46–53. https://doi.org/10.1016/J.AGEE.2015.08.019

Schultz, H. R., & Jones, G. V. (2010). Climate induced historic and future changes in viticulture. Journal of Wine Research, 21(2–3), 137–145. https://doi.org/10.1080/09571264.2010.530098

Thiéry, D. (2008). Les Tordeuses nuisibles à la vigne. Retrieved January 18, 2019, from https://www.researchgate.net/publication/270896903_Les_Tordeuses_nuisibles_a_la_vigne

Thiéry, D., Louâpre, P., Muneret, L., Rusch, A., Sentenac, G., Vogelweith, F., … Moreau, J. (2018). Biological protection against grape berry moths. A review. Agronomy for Sustainable Development, 38(2), 15. https://doi.org/10.1007/s13593-018-0493-7

Thiéry, D., Monceau, K., & Moreau, J. (2014). Different emergence phenology of European grapevine moth (Lobesia botrana, Lepidoptera: Tortricidae) on six varieties of grapes. Bulletin of Entomological Research, 104(3), 277–287. https://doi.org/10.1017/S000748531300031X

Thiéry, D., & Moreau, J. (2005). Relative performance of European grapevine moth (Lobesia botrana) on grapes and other hosts. Oecologia, 143(4), 548–557. https://doi.org/10.1007/s00442-005-0022-7

Vogelweith, F., Thiéry, D., Moret, Y., Colin, E., Motreuil, S., & Moreau, J. (2014). Defense strategies used by two sympatric vineyard moth pests. Journal of Insect Physiology, 64, 54–61. https://doi.org/10.1016/J.JINSPHYS.2014.03.009

Vogelweith, F., Thiéry, D., Quaglietti, B., Moret, Y., & Moreau, J. (2011). Host plant variation plastically impacts different traits of the immune system of a phytophagous insect. Functional Ecology, 25(6), 1241–1247. https://doi.org/10.1111/j.1365-2435.2011.01911.x

Willmer, P.G., 1982. Microclimate and the environmental physiology of insects. Adv. In Insect Phys. 16, 1–57. https://doi.org/10.1016/S0065-2806(08)60151-4


137

Anexo 3

Superficie y porcentaje de no hábitat y de incremento, pérdida, y

persistencia de idoneidad ambiental para E. ambiguella en Europa previstos

por el MNE para el año 2050, considerando los escenarios de cambio climático

RCP 4.5 y RCP 8.5. Solo se especifican aquellos países con regiones en las

que coincide la previsión con 15 o más GCM y presentan un porcentaje igual o

superior al 30% en los efectos observados.

138

Cc

Paí

s/R

egió

n (C

/R)

Incr

emen

to (I

) Km

2I %

Per

dida

(L) K

m2

L %

No

Hab

itat

(NH

) Km

2N

H%

Per

sist

enci

a (P

) Km

2P

%T

otal

C/R

Km

2P

aís/

Reg

ión

(C/R

)In

crem

ento

(I) K

m2

I %P

erdi

da (L

) Km

2L

%N

o H

abit

at (N

H) K

m2

NH

%P

ersi

sten

cia

(P) K

m2

P %

Tot

al C

/R K

m2

Ale

man

ia19

5330

.125

822

9741

6.15

138

1120

4810

.604

123

9057

87.0

233

Ale

man

ia35

6396

.522

439

.336

089.

6846

14

6885

8.29

251

890

5787

.023

3

PD

OH

esse

1727

0.87

719

33.1

5690

.491

605

1181

41.3

3067

816

5221

7.56

518

Hes

se31

369.

0192

860

.147

84.2

9466

9.2

1581

.896

759

352

217.

5651

8

Mec

klem

burg

o-P

omer

ania

Occ

iden

tal

5509

6.79

471

8465

767.

4524

4M

eckl

embu

rgo-

Pom

eran

ia O

ccid

enta

l18

9.94

6829

20.

311

228.

7612

917

.165

767.

4524

4

Saj

onia

222.

2384

228

0.5

1562

2.62

359

3446

502.

5663

8S

ajon

ia71

06.9

7263

415

.374

51.0

0490

516

4650

2.56

638

PG

IS

chle

swig

-Hol

stei

n0.

8947

5040

50.

0019

6929

888.

1446

666

4544

0.96

056

Sch

lesw

ig-H

olst

ein

1315

.077

622

329

513.

6390

665

4544

0.96

056

An

dorr

a10

1.26

5293

512

.520

9.86

9046

626

808.

3810

877

An

dorr

a97

.505

6675

112

.144

4.92

8199

555

808.

3810

877

Can

illo12

4.46

4295

761

205.

5875

7C

anillo

147.

3272

269

7220

5.58

757

Enc

amp

2.22

4990

531

1.8

16.3

7414

731

1312

6.54

5698

2E

ncam

p2.

2249

9053

11.

810

6.36

5409

8412

6.54

5698

2

Esc

alde

s-E

ngor

dany

18.2

3045

669

2185

.590

1892

9E

scal

des-

Eng

orda

ny85

.590

1894

510

085

.590

1892

9

Ord

ino

25.0

6243

251

17.1

2.79

8409

251

214

6.37

0238

Ord

ino

25.0

6243

251

17.1

55.9

4300

937

3814

6.37

0238

San

Jul

ián

de L

oria

28.0

1767

754

23.4

40.5

1176

765

3411

9.69

6820

5S

an J

uliá

n de

Lor

ia24

.258

0515

720

.347

.929

6481

640

119.

6968

205

Au

stri

a10

57.6

6923

20.

648

07.1

4923

62.

661

917.

6491

434

4673

.726

189

2.5

1837

19.7

351

Au

stri

a74

9.98

5362

10.

436

34.5

2696

42

3978

7.02

356

2211

103.

6846

36

1837

19.7

351

PD

OTi

rol

799.

7165

566

313

74.1

5272

85.

124

52.8

8379

49

3391

.269

141

12.5

2720

4.00

229

Tiro

l57

2.44

0371

62

1155

.281

969

414

45.4

5762

65

8509

.871

827

3127

204.

0022

9

PD

OV

orar

lber

g21

.704

8309

80.

439

3.51

0127

37

976.

4276

426

1742

5.25

6486

77.

655

85.9

6879

9V

orar

lber

g30

0.86

0158

95

129.

9182

762

1621

.028

991

2955

85.9

6879

9

Bie

lorr

usi

a 31

2010

.617

353

.458

4045

.742

1B

ielo

rru

sia

3035

30.3

852

5840

45.7

421

Gro

dno

2985

2.99

709

42.1

7083

4.31

625

Gro

dno

2803

1.38

459

4070

834.

3162

5

Mog

uilo

v50

458.

2859

861

.482

157.

0247

2M

ogui

lov

7947

6.10

692

9782

157.

0247

2

Min

sk63

840.

5806

955

.911

4213

.311

7M

insk

9910

1.95

4987

1142

13.3

117

Vite

bsk

5302

4.32

1943

.212

2839

.276

1V

itebs

k61

903.

9884

450

1228

39.2

761

Din

amar

ca29

546.

4150

121

.513

7288

.908

Din

amar

ca11

3662

.543

983

1372

88.9

08

Aar

hus

1102

.681

964

714

809.

7736

9A

arhu

s11

971.

5117

581

PG

IB

ornh

olm

159.

2764

389

917

93.3

0602

5B

ornh

olm

1489

.359

029

8317

93.3

0602

5

Cop

enha

gue

2557

.478

994

8231

16.9

6819

3C

open

hagu

e95

7.24

6441

3131

16.9

6819

3

Fred

erik

sbor

g21

85.7

3835

363

3450

.086

98Fr

eder

iksb

org

2733

.362

611

7934

50.0

8698

PG

IFi

onia

2762

.254

384

2610

743.

4184

Fion

ia90

04.5

7186

284

1074

3.41

84

Jutla

ndia

Sep

tent

riona

l18

543.

1809

389

2079

0.37

694

Rib

e12

16.7

3378

812

9880

.478

736

Rib

e93

06.9

0940

394

9880

.478

736

Rin

gkøb

ing

37.3

4715

485

0.2

1580

7.63

615

Rin

gkøb

ing

1478

1.59

933

9415

807.

6361

5

Ros

kild

e23

75.4

7323

296

2466

.678

692

Ros

kild

e12

66.5

5587

651

2466

.678

692

Jutla

ndia

Sep

tent

riona

l14

08.5

0117

512

1174

4.32

228

Jutla

ndia

Sep

tent

riona

l10

313.

1069

988

1174

4.32

228

Sto

rstrø

mm

en76

45.2

6266

174

1037

1.38

829

Sto

rstrø

mm

en62

91.7

4295

161

1037

1.38

829

Vej

le67

90.8

3974

872

9392

.181

883

Ves

tsjæ

lland

8095

.666

862

8693

83.0

6982

3V

ests

jælla

nd79

82.6

1249

185

9383

.069

823

Vib

org

1222

9.94

454

9013

539.

2219

1

Fin

lan

dia

2738

48.9

746

1513

4493

.306

47

105.

9388

040.

0118

2429

6.17

1Fi

nla

ndi

a22

9338

.061

1333

794.

8133

82

1824

296.

171

Lapo

nia

2278

82.2

554

33.2

1344

93.3

064

2010

5.93

8804

0.02

6871

84.1

074

Lapo

nia

2198

51.7

7432

3379

4.81

338

568

7184

.107

4

Oul

u45

966.

7192

814

3381

48.3

157

Oul

u94

86.2

8706

93

3381

48.3

157

Irlan

da17

073.

0222

39

22.5

7585

730.

0164

027.

0523

233

1948

68.0

516

Irlan

da33

769.

7566

417

.376

851.

9133

739

1948

68.0

516

May

o13

5.88

8958

522

.575

8573

9379

.235

851

5816

214.

7909

May

o11

89.6

5223

17.

377

28.0

9426

948

1621

4.79

09

Car

low

2106

.706

972

7627

72.7

2072

1C

arlo

w24

.233

2526

51

675.

7756

701

2427

72.7

2072

1

Cav

an68

.987

6778

91

5611

.503

862

Cav

an41

01.2

0254

973

5611

.503

862

Don

egal

7253

.893

084

4914

752.

0889

4D

oneg

al22

8.27

5967

81.

561

01.8

0632

641

1475

2.08

894

Dub

lín89

4.29

7195

636

2492

.627

748

Dub

lín61

1.16

4895

524

.523

5.41

6716

69

2492

.627

748

Gal

way

259.

4332

375

9702

.852

0855

1753

6.80

139

Gal

way

1331

.688

981

864

56.2

7897

3717

536.

8013

9

Kild

are

3177

.119

781

6350

05.6

4504

7K

ildar

e32

86.6

6045

266

5005

.645

047

Kilk

enny

66.8

7591

027

123

29.4

2308

643

5480

.807

336

Kilk

enny

801.

4344

202

1519

40.4

7296

335

5480

.807

336

Laoi

s78

8.42

2826

417

4532

.248

441

Laoi

s38

14.4

9598

684

4532

.248

441

Leitr

im11

09.4

0459

325

4471

.358

704

Leitr

im26

75.7

2617

460

4471

.358

704

Long

ford

140.

7413

522

431

61.2

1853

8Lo

ngfo

rd0.

2028

4882

10.

0129

87.6

2956

795

3161

.218

538

Lout

h17

44.1

8445

7224

38.8

6952

8Lo

uth

582.

5576

688

2424

38.8

6952

8

Mea

th44

04.3

7571

370

6269

.456

77M

eath

3940

.198

825

6362

69.4

5677

Mon

agha

n33

1.86

1585

49

3817

.290

634

Mon

agha

n26

48.0

9890

169

3817

.290

634

Offa

ly16

33.1

4495

831

5260

.419

134

Offa

ly49

13.3

9346

893

5260

.419

134

Ros

com

mon

2111

.972

235

2972

67.6

2826

4R

osco

mm

on67

25.9

6073

593

7267

.628

264

Slig

o15

78.6

5797

329

5489

.351

85S

ligo

3485

.081

225

6354

89.3

5185

Tipp

erar

y71

.396

3362

61

5912

.047

914

4912

059.

6225

8Ti

pper

ary

1972

.133

214

16.4

3336

.863

409

2812

059.

6225

8

Wes

tmea

th15

2.41

5765

33

5327

.569

867

Wes

tmea

th53

27.5

6986

710

053

27.5

6986

7

Wic

klow

97.4

8806

794

213

43.6

6069

126

5209

.340

033

Wic

klow

460.

5849

226

917

07.1

7370

833

5209

.340

033

Italia

607.

7583

332

0.1

2059

7.13

904

468

85.8

5858

21.

216

617.

6709

23

5589

56.8

131

Italia

526.

7283

919

0.1

1576

9.49

358

323

37.5

6490

10.

417

518.

8682

73

5589

56.8

131

PD

OTr

entin

o-A

lto A

digi

o27

3.11

8903

71

2162

.889

511

815

86.0

1315

96

3383

.456

979

1228

560.

9632

9Tr

entin

o-A

lto A

digi

o23

6.14

3716

51

1668

.469

948

660

9.54

3735

89.

141

53.8

1846

814

.528

560.

9632

9

PD

OV

alle

de

Aos

ta38

.446

8136

71

399.

9118

409

611

5.18

5478

72

2796

.146

442

6658

.937

373

Val

le d

e A

osta

46.7

0530

931

469.

7720

616

742

.063

2148

80.

630

56.9

4910

846

6658

.937

373

Tra

yect

oria

de

con

cen

trac

ión

rep

rese

nta

tiva

4.5

(RC

P 4

.5)

Tra

yect

oría

de

con

cen

trac

ión

rep

rese

nta

tiva

8.5

(RC

P 8

.5)

139

Cc

Pa

ís/R

eg

ión

(C

/R)

Inc

rem

en

to (

I) K

m2

I %P

erd

ida

(L

) K

m2

L %

No

Ha

bit

at

(NH

) K

m2

NH

%P

ers

iste

nc

ia (

P)

Km

2P

%T

ota

l C

/R K

m2

Pa

ís/R

eg

ión

(C

/R)

Inc

rem

en

to (

I) K

m2

I %P

erd

ida (

L)

Km

2L

%N

o H

ab

ita

t (N

H)

Km

2N

H%

Pe

rsis

ten

cia

(P

) K

m2

P %

To

tal

C/R

Km

2

Tra

yec

tori

a d

e c

on

ce

ntr

ac

ión

re

pre

se

nta

tiv

a 4

.5 (

RC

P 4

.5)

Tra

yecto

ría d

e c

on

ce

ntr

ac

ión

rep

res

en

tati

va

8.5

(R

CP

8.5

)

Lie

ch

ten

ste

in1

0.0

91

21

57

93

92

.09

30

60

78

27

15

.55

01

61

75

33

5.4

96

46

92

Lie

ch

ten

ste

in5

.61

86

64

47

81

.71

23

.73

18

02

73

73

35

.49

64

69

2

Ba

lze

rs5

.61

86

64

47

81

2.5

9.0

69

49

64

28

20

.21

0.0

80

73

54

52

2.5

44

.89

52

17

89

Ba

lze

rs5

.61

86

64

47

81

2.5

13

.34

90

98

86

30

44

.89

52

17

89

Pla

nke

n7

.25

90

93

14

95

51

3.1

93

42

60

8

Scha

an

24

.64

42

78

47

41

.21

.52

24

95

08

82

.55

9.7

96

67

47

6S

cha

an

18

.32

20

52

71

31

59

.79

66

74

76

Tri

ese

nbe

rg4

7.5

01

53

00

37

56

3.6

00

01

93

3

Va

lduz

8.4

86

39

35

29

24

1.7

62

42

80

75

53

5.8

02

88

46

1V

ald

uz

22

.19

92

84

75

62

35

.80

28

84

61

Lit

ua

nia

25

.18

48

06

14

0.0

11

05

54

6.2

14

65

32

00

11

4.8

31

8L

itu

an

ia5

0.2

67

52

03

10

85

26

.69

57

54

20

01

14

.83

18

Aly

tus

25

.18

48

06

14

0.2

54

64

.23

89

77

33

16

41

6.0

24

88

Aly

tus

50

.26

75

20

30

.32

79

4.4

81

05

81

71

64

16

.02

48

8

Ka

una

s1

87

15

.55

97

75

.42

48

36

.09

18

4K

auna

s2

30

54

.03

70

39

32

48

36

.09

18

4

Kla

ipė

da

3.2

31

60

11

69

0.0

21

68

55

.93

32

2K

laip

ėda

50

39

.64

65

71

30

16

85

5.9

33

22

Ma

rija

mpo

lė5

45

9.1

93

88

24

1.2

13

24

3.2

74

17

Ma

rija

mpo

lė1

31

06

.16

77

69

91

32

43

.27

41

7

Pa

ne

vėžy

s1

75

70

.55

50

37

12

48

52

.92

81

9 P

ane

vėžy

s1

56

64

.72

63

86

32

48

52

.92

81

9

Ta

ura

gë

64

21

.38

28

55

55

11

77

0.6

05

83

Ta

ura

gë

60

87

.55

09

32

52

11

77

0.6

05

83

Ute

na

21

82

0.2

67

95

10

02

18

74

.65

10

6U

tena

15

70

5.0

16

57

22

18

74

.65

10

6

Viln

a2

69

91

.11

71

99

22

93

89

.07

20

1V

ilna

22

82

7.2

12

52

78

29

38

9.0

72

01

No

rue

ga

91

59

8.5

84

09

53

81

5.3

81

94

90

.21

41

78

2.3

64

78

67

95

7.0

88

58

41

78

38

39

.31

6N

oru

eg

a8

21

69

.56

14

65

60

48

.01

04

72

0.3

63

10

6.7

96

08

3.5

11

12

84

.78

58

61

78

38

39

.31

6

Ho

rda

land

32

71

.70

71

19

5.2

50

44

.33

76

46

16

32

08

.73

73

1H

ord

ala

nd

49

84

.39

81

22

0.3

68

75

.47

29

53

11

63

20

8.7

37

31

Oppla

nd

25

52

.21

14

43

22

10

59

.39

16

19

10

93

40

.59

44

Oppla

nd

58

08

.65

82

62

5.3

28

38

2.6

80

58

26

10

93

40

.59

44

Ro

ga

land

26

3.6

55

18

69

11

04

82

.46

18

73

03

50

11

.82

84

3R

oga

land

28

.80

07

19

92

32

0.7

38

10

41

11

74

26

.52

24

85

03

50

11

.82

84

3

Pa

íse

s B

ajo

s1

59

57

.26

12

98

.28

12

13

.75

51

34

21

93

67

7.4

10

3P

aís

es

Ba

jos

43

94

0.1

74

52

23

29

67

.06

31

14

21

93

67

7.4

10

3

PG

ID

rente

14

57

1.6

06

13

10

01

45

71

.60

61

3D

rente

41

6.5

76

64

75

31

45

71

.60

61

3

PG

IF

levo

landa

76

83

.86

96

53

97

79

00

.97

39

29

PG

IF

risia

17

96

5.9

87

94

91

19

78

5.6

57

23

Fri

sia

37

9.5

09

96

56

21

97

85

.65

72

3

PG

IG

üe

ldre

s5

04

6.2

27

64

21

92

69

80

.94

48

3G

üe

ldre

s7

28

7.9

58

10

82

72

69

80

.94

48

3

PG

IG

ronin

ga

1

33

61

.14

54

39

91

35

49

.21

81

2G

ronin

ga

2

17

0.9

76

50

11

61

35

49

.21

81

2

PG

IH

ola

nda

Se

pte

ntr

iona

l1

30

53

.77

82

88

41

55

09

.91

05

PG

IO

veri

jsse

l7

44

8.8

63

68

94

11

81

54

.73

93

2

PG

IU

tre

cht

13

63

.52

81

13

18

76

35

.26

23

16

Po

lon

ia4

7.5

49

89

15

50

.01

79

63

3.4

58

89

10

20

56

6.4

44

98

2.5

31

77

15

.90

56

38

.58

25

91

4.3

69

4P

olo

nia

20

99

31

.34

37

25

.49

24

9.2

53

49

1.1

14

65

20

.78

21

18

82

59

14

.36

94

Vo

ivo

da

to d

e K

uya

via

-Po

me

rania

12

50

.09

72

73

32

88

66

.28

49

65

94

89

21

.07

01

1V

oiv

oda

to d

e K

uya

via

-Po

me

rania

47

.26

15

18

41

0.1

42

25

.83

57

22

94

89

21

.07

01

1

Ló

dz

38

67

.77

70

56

45

90

.84

97

94

10

17

08

8.9

48

75

36

47

75

0.1

44

11

Ló

dz

19

02

7.2

89

92

40

47

75

0.1

44

11

Lublin

30

26

2.2

85

31

48

.36

26

76

.82

45

1L

ublin

15

97

2.9

62

85

25

.56

26

76

.82

45

1

Ma

so

via

n4

7.5

49

89

15

50

.05

80

75

3.7

59

32

87

93

29

0.3

38

59

Ma

so

via

n5

61

.58

46

58

12

46

.68

91

97

0.3

45

70

.55

53

83

59

32

90

.33

85

9

Po

dla

chia

n5

13

68

.43

08

85

.46

01

18

.78

06

4P

odla

chia

n1

96

.95

06

13

60

.32

50

77

.97

93

54

26

01

18

.78

06

4

Po

me

rania

n3

22

8.2

50

12

96

.15

29

96

.50

54

73

06

26

.33

24

58

52

99

6.5

05

47

Vo

ivo

da

to d

e V

arm

ia y

Ma

suri

a1

86

37

.14

61

52

7.3

68

28

5.8

48

Vo

ivo

da

to d

e V

arm

ia y

Ma

suri

a5

37

41

.53

55

77

96

82

85

.84

8

Vo

ivo

da

to d

e P

om

era

nia

Occid

enta

l3

48

34

.84

01

25

2.2

66

72

0.9

41

54

Vo

ivo

da

to d

e P

om

era

nia

Occid

enta

l5

55

.52

37

67

10

.82

14

55

.78

66

63

26

67

20

.94

15

4

Su

ec

ia3

21

12

2.3

43

11

53

54

58

.32

51

22

72

88

5.6

34

64

3.3

21

77

31

5.4

3S

ue

cia

38

45

66

.82

39

18

24

8.0

96

01

05

0.0

00

13

00

09

1.2

85

21

42

17

73

15

.43

Ostr

ogo

tia1

78

3.0

95

89

14

.04

44

33

.19

69

5O

str

ogo

tia1

30

71

.23

50

52

9.4

44

43

3.1

96

95

Ble

kinge

10

69

.69

04

86

11

.19

63

4.2

64

58

2B

leki

nge

77

35

.74

74

81

80

.39

63

4.2

64

58

2

Da

larn

a1

80

64

.03

47

61

4.1

12

83

25

.16

16

Da

larn

a3

0.4

22

68

73

80

.02

52

78

9.8

62

74

1.1

12

83

25

.16

16

Go

tland

22

.77

67

29

68

0.2

10

97

9.9

54

11

Go

tland

92

98

.74

71

17

85

10

97

9.9

54

11

19

12

0.7

03

9H

alla

nd

16

.12

11

58

20

.19

00

1.8

42

68

54

7.1

19

12

0.7

03

9

Jö

nkö

pin

g2

90

6.6

01

78

68

38

19

1.4

61

68

Jö

nkö

pin

g2

25

10

.12

04

15

93

81

91

.46

16

8

Ka

lma

r9

52

.97

01

77

12

.41

51

09

.21

94

83

8.3

39

42

7.9

40

34

Ka

lma

r7

27

.79

17

40

32

24

28

2.1

76

23

62

39

42

7.9

40

34

No

rrbo

tte

n2

50

88

7.5

98

23

6.4

34

07

2.5

65

46

56

84

1.0

99

00

11

68

84

81

.50

17

No

rrbo

tte

n2

83

84

6.7

29

34

1.2

24

8.0

96

01

05

0.0

00

43

29

6.3

28

09

70

.56

88

48

1.5

01

7

Ore

bro

78

.84

05

74

77

0.2

37

07

0.4

70

58

Ore

bro

29

02

4.6

73

66

78

.33

70

70

.47

05

8

Esca

nia

49

81

.95

91

03

14

35

83

4.0

83

32

Esca

nia

27

80

7.0

56

36

78

35

83

4.0

83

32

Esto

co

lmo

46

.58

04

96

27

0.2

20

6.8

69

81

81

0.7

27

69

2.2

50

26

Esto

co

lmo

46

.57

08

02

30

.21

96

10

.49

73

77

12

76

92

.25

02

6

Vä

ste

rbo

tte

n6

69

80

.59

69

62

0.5

13

85

.75

96

58

0.4

17

56

6.9

95

66

5.4

32

63

77

.61

3V

äste

rbo

tte

n9

51

87

.33

78

12

9.2

46

04

.51

84

27

1.4

32

63

77

.61

3

Vä

str

a G

öta

land

41

94

.22

65

84

41

07

03

0.1

93

6V

ästr

a G

öta

land

38

42

1.9

17

75

36

10

70

30

.19

36

Su

iza

16

7.4

53

74

27

0.2

17

43

2.8

80

01

20

62

32

.35

67

62

7.1

12

45

5.3

33

52

14

.28

77

19

.00

70

9S

uiz

a6

43

.57

36

05

61

24

88

4.4

75

19

28

.48

17

.65

81

25

20

.91

55

87

.68

37

11

88

77

19

.00

70

9

WG

IA

ppe

nze

ll R

oda

s E

xte

rio

res

15

5.0

33

82

14

41

81

.49

05

23

25

22

93

.66

78

58

06

25

.13

73

.83

34

29

9A

ppe

nze

ll R

oda

s E

xte

rio

res

30

3.7

06

17

53

57

53

3.5

46

87

62

WG

IA

ppe

nze

ll R

oda

s Inte

rio

res

72

.69

16

77

54

19

34

.40

15

03

92

9.2

56

.14

46

04

14

15

37

3.8

33

42

99

Appe

nze

ll R

oda

s Inte

rio

res

87

.08

69

29

25

23

.31

.96

78

85

46

20

.55

8.4

34

23

99

71

63

73

.83

34

29

9

WG

IB

ern

41

.80

04

67

68

0.3

28

04

.53

71

31

22

47

7.0

23

38

02

3.8

26

06

.99

58

66

20

.51

27

05

.96

46

8B

ern

14

3.7

17

72

59

13

94

5.8

41

10

73

1.1

58

.56

19

09

94

0.5

34

09

.19

68

22

71

27

05

.96

46

8

WG

IG

lari

s

71

.61

65

51

89

51

43

.24

40

51

41

01

48

1.9

78

86

5G

lari

s

14

2.3

36

75

11

03

15

.01

66

55

22

11

48

1.9

78

86

5

WG

IG

riso

ne

s4

6.5

46

97

44

80

.34

89

.54

62

53

83

16

7.4

83

33

43

1.1

17

17

.51

11

65

11

.51

49

50

.95

96

4G

riso

ne

s9

.66

36

46

83

50

.16

99

.76

78

13

45

17

84

.76

21

78

12

14

95

0.9

59

64

WG

IL

uce

rna

49

8.3

98

66

01

15

82

6.0

61

48

72

25

.23

27

9.0

09

27

Luce

rna

15

60

.10

85

73

48

73

8.1

95

47

79

23

32

79

.00

92

7

Obw

ald

en

55

.88

55

54

03

57

7.4

91

98

25

77

.51

02

9.4

95

68

6O

bw

ald

en

15

4.9

60

29

34

15

.14

93

.76

49

46

64

81

02

9.4

95

68

6

WG

IS

an G

alo

88

5.4

73

07

71

21

64

5.1

40

52

54

15

52

8.1

34

08

86

12

.24

31

4.6

07

37

Sa

n G

alo

18

41

.53

60

06

43

51

.14

14

34

14

10

.24

99

.85

69

29

71

24

31

4.6

07

37

WG

IS

chw

yz2

06

.20

45

57

91

16

02

.14

41

36

33

1.5

19

10

.50

10

68

Schw

yz3

69

.15

93

40

31

9.3

10

27

.59

77

22

54

19

10

.50

10

68

WG

IT

esin

o5

30

.42

20

11

39

4.7

06

84

42

57

0.1

77

1.6

94

12

28

13

59

58

.42

28

73

Te

sin

o4

79

.84

90

20

98

.11

04

1.3

00

44

61

75

95

8.4

22

87

3

WG

IU

ri1

05

.81

02

62

35

13

9.4

53

60

56

6.1

22

74

.76

66

93

Uri

14

7.5

29

97

25

6.5

44

6.1

36

81

42

20

22

74

.76

66

93

WG

IV

ala

is7

9.1

06

30

05

80

.74

50

.15

45

54

64

29

0.4

55

99

29

32

72

2.7

43

31

72

5.1

10

83

8.1

61

73

Va

lais

49

9.2

39

46

11

51

30

.08

41

69

14

73

6.1

83

20

14

41

08

38

.16

17

3

WG

IZ

üri

ch

17

36

.96

75

92

46

51

9.3

65

07

79

14

37

82

.09

75

59

Zü

rich

31

93

.84

32

19

84

.41

.87

74

20

18

10

.05

37

82

.09

75

59

Zug

16

6.9

34

78

58

32

31

9.8

57

56

76

25

18

.04

54

76

8Z

ug

16

7.4

24

73

09

32

.31

19

.25

85

79

23

51

8.0

45

47

68

Uc

ran

ia4

3.9

86

23

42

20

.00

32

45

75

7.8

97

41

81

01

50

5.1

78

77

.32

37

23

9.4

63

71

71

39

66

87

.65

8U

cra

nia

43

.98

70

04

30

.00

34

90

52

2.0

98

13

53

78

43

.48

63

83

35

00

5.4

33

66

31

39

66

87

.65

8

Che

rnih

iv3

25

0.3

31

56

94

64

64

.36

63

08

83

00

65

.49

78

36

82

88

8.8

45

57

Che

rnih

iv8

92

1.1

81

51

31

16

46

4.3

66

30

88

13

28

3.9

36

62

16

82

88

8.8

45

57

WG

IC

rim

ea

35

43

.75

87

91

71

84

.99

83

52

0.3

10

68

.63

24

58

25

30

34

.98

76

Cri

me

a2

36

7.3

38

02

54

69

6.1

55

10

36

23

53

03

4.9

87

6

Do

ne

tsk

73

12

.32

00

41

22

36

10

.84

58

84

05

93

18

.74

78

9D

one

tsk

34

57

1.7

35

71

58

59

31

8.7

47

89

Kha

rkiv

70

95

1.1

95

76

95

74

56

1.3

13

62

Kha

rkiv

40

07

.16

05

18

53

02

2.0

09

24

47

45

61

.31

36

2

Luga

nsk

29

42

.40

70

07

51

31

7.6

87

37

82

34

49

0.5

70

99

55

62

62

6.0

82

71

Luga

nsk

20

91

1.7

90

19

33

15

38

.78

96

92

62

62

6.0

82

71

Sum

y1

62

8.6

19

14

53

23

87

4.6

90

25

40

59

94

7.4

43

41

Sum

y5

76

9.4

31

53

21

01

67

49

.77

79

22

85

99

47

.44

34

1

Re

ino

Un

ido

43

25

4.4

32

29

62

3.0

49

37

05

0.0

03

11

68

98

.87

03

16

71

59

91

.75

1R

ein

o U

nid

o1

04

81

5.8

28

11

52

3.0

49

37

05

0.0

03

10

06

83

.61

14

71

59

91

.75

1

PG

IIn

gla

terr

a3

93

71

.19

98

36

90

89

5.6

07

56

26

35

34

15

.86

31

Ingla

terr

a9

63

75

.96

29

27

52

49

3.4

65

14

15

35

34

15

.86

31

Irla

nda

de

l No

rte

38

70

.55

02

25

94

21

51

.42

36

81

62

56

.65

80

43

94

21

51

.42

36

8

PD

OG

ale

s3

77

1.1

19

48

67

12

23

7.0

81

32

25

58

97

.26

34

7G

ale

s8

30

1.7

50

71

51

51

00

17

84

6.3

69

75

32

55

89

7.2

63

47

10

01

00

10

01

00

10

01

00

10

01

00

10

0

Cc

= C

atg

orí

a c

alid

ad, W

GI=

vin

o c

on in

dic

ació

n g

eo

grá

fica

, P

DO

= v

ino

co

n d

eno

min

ació

n d

e o

rige

n p

rote

gid

o, P

GI=

vin

o c

on in

dic

ació

n d

e o

rige

n p

rote

gid

o, I%

=P

orc

enta

je d

e in

cre

me

nto

, L

%=

Po

rce

nta

je d

e p

erd

ida

, P

%=

Po

rce

nta

je d

e P

ers

iste

ncia

, N

H%

= P

orc

enta

je d

e N

o H

ábita

t, K

m2=

Kilo

me

tro

s c

ua

dra

do

s

Conclusiones generales

Conclusión general

140

7. Conclusiones generales


ecológico para la vid, L. botrana y E. ambiguella dependen de valores de la

temperatura. Además, en el caso de las dos plagas, también son importantes

algunas variables dependientes de la precipitación.

2. En los dos escenarios de cambio climático considerados, los modelos

predicen una persistencia de las condiciones ambientales adecuadas para el

cultivo de la vid y para la presencia de L. botrana en gran parte del territorio

europeo. Sin embargo, para E. ambiguella la estabilidad de las condiciones de

idoneidad ambiental se prevé solo para las regiones de Europa con climas y/o

microclimas húmedos y con aquéllos en los que los incrementos de

temperatura y los descensos de las precipitaciones se produzcan de modo más

amortiguado.

3. Considerando los dos escenarios de cambio climático RCP 4.5 y

RCP 8.5, los modelos de nicho ecológico predicen importantes incrementos de

superficie con idoneidad ambiental tanto para el cultivo de la vid como para la

presencia de L. botrana en regiones del centro y norte de Europa (en el caso

de la polilla y según el escenario RCP 8.5, incluyendo regiones importantes

en el sector vitivinícola de Alemania, Austria, República Checa y Suiza),

mientras que en el caso de E. ambiguella, los porcentajes de incremento de

superficie con idoneidad ambiental serán más reducidos (≤ 1% en el peor de

los escenarios, RCP 8.5, si se consideran los países en los que la viticultura

constituye un sector económicamente importante y esta polilla es valorada

como una plaga clave).

Conclusión general

141

4. Se prevén notables pérdidas de superficie con idoneidad ambiental

para el cultivo de la vid en regiones europeas con climas cálidos y con muy

importantes regiones vitivinícolas productoras de vinos de calidad (Portugal,

España, Italia, Grecia y Chipre). También se pronostican pérdidas de idoneidad

ambiental para E. ambiguella en la mayor parte de Europa, quedando su área

de distribución restringida a las regiones más septentrionales y a algunas

zonas aisladas del centro. Las previsiones también indican que muchas de las

zonas en las que desaparezcan las condiciones de idoneidad ambiental para E.

ambiguella serán ocupadas por L. botrana, polilla que prefiere ambientes más

cálidos y secos.

5. Considerando los usos del suelo implicados en las zonas en las que

se dará persistencia e incremento de idoneidad ambiental para el cultivo de la

vid y el hecho de que en amplias zonas montañosas en las que actualmente

predomina la vegetación natural, se prevé también que aumente dicha

idoneidad es esperable que la viticultura y la protección de los recursos

naturales sean en el futuro realidades enfrentadas en estos espacios, con

profundas implicaciones sociales y ambientales.

6. Los usos del suelo predominantes en las zonas con persistencia e

incremento de idoneidad ambiental para L. botrana y E. ambiguella, en

términos generales, favorecen el aumento de la humedad relativa, factor

ambiental muy relevante para la supervivencia de las dos especies, sobre todo

de la última.

7. Las modificaciones que el cambio climático provocará sobre las

superficies con idoneidad ambiental para el cultivo de la vid y para la presencia

Conclusión general

142

de L. botrana y E. ambiguella en diferentes regiones europeas plantearán

importantes problemas en los ámbitos económico, social, cultural y ambiental.

Trabajos como el presente aportan información valiosa que, en un contexto de

Desarrollo Sostenible, puede contribuir a buscar soluciones que atajen, con la

antelación necesaria, dichos problemas.

tesis doctoral ) y de sus plagas · de vicente santiago marco mancebón e ignacio pérez moreno,...

Documents