Upload
andre-semensato
View
81
Download
54
Embed Size (px)
Citation preview
Modelagem de Distribuição Geográfica de Espécies
Programação do Curso
Aula teórica (hoje): Dados em biodiversidade Sistemas na Internet Nicho Ecológico de Espécie Modelagem de Distribuição Erros na Previsão: Omissão vs.
Sobreprevisão Dados Espaciais Escala dos Dados para Análise Algoritmos:
– BioClim – GARP
Aplicações Exemplos
Aula prática (amanhã): Introdução ao DesktopGarp Preparação dos dados Entrada dos dados Seleção de informação espacial
e ambiental Processamento e análise dos
resultados Outras aplicações:
– espécies invasoras– mudanças climáticas– projeção no tempo
Caracterização dos Dados sobre Biodiversidade
Dados primários: – coletas e observações:
o quê: espécie; onde: local da coleta; quando: data; quem: autor; como: método.
Dados secundários:– sumários, sínteses.
Basear análises e planejamentos em dados secundários é conveniente, mas...
Caracterização dos Dados sobre Biodiversidade
Basear análises e planejamentos em dados secundários é conveniente, mas...
Danifica a conexão vital entre o produto e os dados. O produto começa a degradar-se
Caracterização dos Dados sobre Biodiversidade
Degradação dos Dados e Produtos
Quase imediatamente, novas informações tornam-se disponíveis, taxonomias são refeitas, paisagens e padrões de uso de solo mudam, e os dados tornam-se menos significativos. Assim, a qualidade e o significado dos produtos, assim como dos dados em que se baseiam, começam a se degradar.
A afirmação é feita ...
“Espécie X está presente no Local Y”
Basear análises e planejamentos em dados secundários é conveniente, mas...
Danifica a conexão vital entre o produto e os dados. O produto começa a degradar-se
Não permite ao produto melhorar, crescer e evoluir com novos dados e de melhor qualidade
Caracterização dos Dados sobre Biodiversidade
O uso de dados primários, especialmente os pontos de ocorrência de espécies, resolve vários problemas:
– Aproveita a grande quantidade de dados para todas as regiões e espécies
– Permite a atualização e evolução dos produtos conforme os dados tornam-se melhores - o produto melhora com o tempo
– Permite uma variedade de análises quantitativas e sintéticas, abrindo novas possibilidades para o uso da informação sobre biodiversidade
Caracterização dos Dados sobre Biodiversidade
Pontos de ocorrência de espécies oferecem várias vantagens...
– Ocorrências de espécies são associadas a pontos específicos no espaço, permitindo a caracterização de necessidades ecológicas
– Ocorrências de espécies são associadas a pontos específicos no tempo, permitindo a avaliação de mudanças temporais
– Pontos de ocorrência são apropriados para uso em análises estatísticas e outros métodos quantitativos
– Torna desnecessário qualquer passo interpretativo intermediário no processo
Caracterização dos Dados sobre Biodiversidade
3 bilhões de espécimes e dados relacionados, de animais e plantas, espalhados por museus de história natural e herbários, além dos dados de observação
Descrevem cerca de 2 milhões de espécies
Representam 300 anos de exploração científica da biodiversidade do planeta
Biblioteca da Vida
Caracterização dos Dados sobre Biodiversidade
Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel
Acesso aos Dados Primários
Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel– Dados informatizados encontram-se em
sistemas operacionais heterogêneos, plataformas distintas, e sistema de gerenciamento de coleções diversos
Acesso aos Dados Primários
Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel– Dados informatizados encontram-se em
sistemas operacionais heterogêneos, plataformas distintas, e sistema de gerenciamento de coleções diversos
Amostragem em coleções são individualmente incompletas
Acesso aos Dados Primários
Paris Museu Britânico
Field MuseumKU - Museu de
HistóriaNatural
Coleções de Pássaros Mexicanos
“Museu Mundial” de Pássaros Mexicanos
Exemplo dos Pássaros Mexicanos
Dados integrados de 43 instituições
4 anos para construir o banco de dados
Ligação entre o banco de dados e o produto final é danificada
Coleção mais significante tinha apenas 16% dos dados
Exemplos de Sistemas na Internet
The Species Analyst – Iniciativa da América do Norte
ENHSIN - European Natural History Specimen Information Network
CONABIO - México
ERIN - Austrália
Rede de Coleções no Estado de São Paulo (FAPESP)
1. Amostragem existente é incompleta
2. Brancos na distribuição conhecidarepresentam ausência real ou simplesmente não-deteção
3. Não é possívelfazer a distinção entre as duas possibilidades sem dados adicionais
4. Inferência além dos limites dos dados reais se torna necessária
O Problema da Amostragem
Modelagem de Espécies
Ferramenta fundamental para inferência da distribuição de espécies selvagens
Baseada em dois princípios:– modelos do nicho ecológico (habitat)– previsão da localização geográfica da espécie
Nicho Ecológico de Espécie
É o conjunto de condições ecológicas com que as populações da espécie conseguem se manter
Precipitação
Tem
pera
tura
Modelo de nicho ecológico É definido como um
espaço n-dimensional:
Pontos de ocorrência georeferenciados
Coberturas geográficas resumindo dimensões ambientais como temperatura, precipitação, topografia, solos, geologia;
Usa de associações não-aleatórias entre pontos e coberturas para construir o modelo do nicho ecológico da espécie;
Projeta o modelo de volta nos mapas para prever a distribuição da espécie.
Modelagem de Distribuição
Geo
graf
ia
Eco
logi
a
Modelagem de Distribuição
Pontos de Ocorrência
Algoritmo
Precipitação
Tem
pera
tura
Modelo do Nicho Ecológico
Previsão daDistribuição
Nativa
distribução geográfica real
Erros na Previsão de Distribuição
Distribuição geográfica prevista
Erros na Previsão de Distribuição
distribução geográfica real
SobreprevisãoOmissão
Distribuição geográfica prevista
Erros na Previsão de Distribuição
Erros na Previsão de Distribuição
Dois tipos possíveis de erro na previsão:– Omissão: área ocupada não faz parte da
previsão– Sobreprevisão: previsão inclui área não
ocupada
Objetivo: Minimizar ambas formas de erro
Erros na Previsão de Distribuição
Erros na Previsão de Distribuição
Características dos erros na previsão:– Omissão: quase sempre é um erro no modelo
(má qualidade) ou no dado de ocorrência (identificação incorreta da espécie, erro no georeferenciamento)
– Sobreprevisão: pode ser tanto um problema do modelo quanto uma deficiência da amostragem dos dados de ocorrência. Impossível determinar qual a natureza do erro
Dados Espaciais Usados nas Análises
Variáveis importantes para a espécie Variáveis mais comuns:
– Clima: temperatura, precipitação, radiação solar, cobertura de nuvens, neve (!?), etc
– Relevo: DEM, elevação, fluxos, etc– Hidrografia– Cobertura Vegetal
Escala dos Dados para Análise
Compatibilizar a escala dos dados de ocorrência com os dados ambientais
Coleções Biológicas 10 a 1.000kmDados ambientais 1 a 100kmColetas com GPS ~100mBase do Biota ~100m
Limitação da Modelagem Devido ao Conceito de Nicho Ecológico de Espécies: Previsão da distribuição não leva em conta os fatores históricos
Em outras palavras, uma espécie pode não habitar uma região que apresente condições favoráveis à manutenção de populações pois nunca teve a chance de chegar até lá, devido a uma barreira geográfica, por exemplo
Modelagem de Distribuição
Algoritmos
BioClim (Bioclimatic Envelope)
GARP (Genetic Algorithm for Rule-set Production)
Regressão Logística Análise Multivariada
Pontos de ocorrência sobre acobertura geográfica , como
a precipitação
BioClim
Pontos de ocorrência sobre acobertura geográfica , como
a precipitação
Histograma da freqüência daocorrência dos pontos nas classes de precipitação
BioClim
Pontos de ocorrência sobre acobertura geográfica , como
a precipitação
Histograma da freqüência daocorrência dos pontos nas classes de precipitação
Distribuição é corrigida paraeliminar os registros marginais de habitat
BioClim
Pontos de ocorrência sobre acobertura geográfica , como
a precipitação
Histograma da freqüência daocorrência dos pontos nas classes de precipitação
Distribuição é corrigida paraeliminar os registros marginais de habitat
A distribuição é projetada no mapa
BioClim
Desenvolvido por David Stockwell, no San Diego Supercomputer Center
Tem a vantagem de utilizar múltiplos algoritmos (BIOCLIM, regressão logística)
Diferentes regras podem se aplicar a diferentes setores da distribuição da espécie
Usa um algoritmo genético para escolher as melhores regras
GARP - Algoritmo Genético para Previsão baseada em Conjunto de Regras
Divide o conjunto de pontos em training data set (para construir modelos) e test data set (para avaliação da eficácia do modelo)
Aplica um algoritmo ao training data set– BIOCLIM– regressão logística– análise de função determinante– etc.
Avalia a eficácia do modelo, perguntando quando a omissão e a sobreprevisão são significantemente menores que num modelo aleatório
GARP
GARP
Pontos de ocorrência
Distribuiçãoprevista
Dimensõesambientais(coberturasgeográficas)
vegetaçãotemperaturaprecipitação
relevo
Regras do modelo GARP
IF elev1km=[95, 1200] AND geol1km=[1, 10] AND hum1km=[1, 8]mm AND rain1km=[1400, 2000]mm AND temp1km=[18, 25]mm AND veg1km=[7, 10]mmTHEN Taxon=PRESENT
IF elev1km=[250, 1000]mm AND hum1km=[3, 13]mm AND rain1km=[500, 2000]mm AND soil1km=[1, 16]mm AND temp1km=[16, 26]mmTHEN Taxon=BACKGROUND
IF geol1km=[1, 10]mm AND hum1km=[1, 8]mm AND rain1km=[1150, 2365]mmTHEN Taxon=PRESENT
Geo
graf
ia
Eco
logi
a
Possíveis Projeções
Pontos de Ocorrência
Algoritmo
Precipitação
Tem
pera
tura
Modelo do Nicho Ecológico
Previsão daDistribuição
Nativa
Projeção sobreClima Modificado
Projeçãosobre climaalterado
Previsão deInvasão
Projeção sobre outra região
Compreensão da distribuição de espécies raras e ameaçadas
Projeto de programas de re-introdução de espécies
Orientação para novos inventários
Aplicações
Aplicações
Projeto de planos de conservação da biodiversidade
Estudo de espécies invasoras
Estudo dos efeitos da mudança climática sobre a biodiversidade
Exemplos
Exemplo - Haplospiza rustica - Slaty Finch
Espécie Fantasma - Ela existe?
Distribuição Prevista do Slaty Finch
Redescoberta do “Slaty Finch” - 1995
Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)
1. Escolhem-se 20estados para testes
2. Plotar dados de ocorrência (fonte: US Breeding Bird Survey)3. Omitir dados dos 20 estados de teste
Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)
4. Modelar a distribuição potencial baseado nos dados da BBS
Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)
5. Testar a previsão:sobrepondo os dados da BBS para os 20 estados de teste
Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)
• Previsão aleatória: 252 pontos• 715 dos 741 pontos de teste previstos corretamente• Significância estatística P < 10-225
• Todos 34 pássaros testados com significância• Nenhuma excedeu 10-3
Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)
Apoio à Decisão: US Gap Analysis vs GARP
Mourning Warbler Testado em Maine
(com mais 30 outras espécies de
pássaros)
29 das 31 espécies: modelos do GARP significativamente melhores que os da metodologia GAP
Cinza = GapVerde = TSA + GARPPreto = BBS transectsVermelho = ocorrências documentadas
Apoio à Decisão: Endemismo nas Florestas do Sudoeste do México
• Distribuição de 16 aves endêmicas das florestas do SO mexicano• Previsão usando o Species Analyst + GARP a partir de dados de museus
Concentração primária deespécies endêmicas (12 espécies)
Concentração secundária (4 espécies)
Onde investir em conservação?
Apoio à Decisão: Endemismo nas Florestas do Sudoeste do México
Reservas ecológicasnão atingem a concentraçãosecundária
Apoio à Decisão: Endemismo nas Florestas do Sudoeste do México
Concentração primária deespécies endêmicas (12 espécies)
Concentração secundária (4 espécies)
Mudanças climáticas globais são uma realidade, envolvendo processos muito
complexos para serem chamados apenas de “aquecimento global”. As
suas conseqüências para a biodiversidade continuam sem avaliação e muito interesse.
Conseqüências das Mudanças Climáticas para a Biodiversidade
Metodologia de Análise
Adquirir dados de distribuição para muitas espécies (aves, mamíferos, borboletas ...)
Construir modelos ecológicos para cada espécie usando GARP baseados em camadas geográficas atuais
Prever e caracteriza a distribuição geográfica de cada espécie
Metodologia de Análise
Ajustar as camadas geográficas de acordo com projeções de modelos de mudança global em larga escala
Projetar as distribuições de cada espécie nas camadas geográficas ajustadas
Comparar e contrastar as distribuições correntes e projetadas considerando todas as espécies utilizadas
Temperatura Atual
Mudanças Projetadas na Temperatura
Precipitação Atual
Mudanças Projetadas na Precipitação
Pontos de Ocorrência de Atlapetes virenticeps
Atlapetes virenticeps:Modelo de nicho ecológico
0 r 0.50 0.99 28.55 0.35 0.504IF - Elev*0.26 r + Precip*0.19 r - Temp*0.10 rTHEN Taxon=BACKGROUND
4 r 0.53 0.86 23.58 0.51 0.314IF + Elev*0.32 r - Precip*0.19 r - Temp*0.10 rTHEN Taxon=PRESENT
1 r 0.49 0.91 26.32 0.39 0.122IF - Elev*0.02 r + Precip*0.28 r - Temp*0.30 rTHEN Taxon=BACKGROUND
3 m 0.49 0.85 23.73 0.44 0.028IF Elev=[1482,3360]r AND Precip=[ 1, 4]r AND Temp=[ 2, 4]rTHEN Taxon=PRESENT
6 d 0.49 0.86 20.90 0.33 0.019IF Elev=[1937,3241]rTHEN Taxon=PRESENT
2 d 0.49 0.85 23.78 0.44 0.013IF Elev=[ 0,2727]r AND Precip=[ 4, 9]rTHEN Taxon=BACKGROUND
5 d 0.48 0.83 22.11 0.41 0.000IF Elev=[1640,2866]r AND Precip=[ 1, 4]r AND Temp=[ 2, 5]rTHEN Taxon=PRESENT
Previsão de Distribuição Geográfica de Atlapetes virenticeps
0 r 0.50 0.99 28.55 0.35 0.504IF - Elev*0.26 r + Precip*0.19 r - Temp*0.10 rTHEN Taxon=BACKGROUND
4 r 0.53 0.86 23.58 0.51 0.314IF + Elev*0.32 r - Precip*0.19 r - Temp*0.10 rTHEN Taxon=PRESENT
1 r 0.49 0.91 26.32 0.39 0.122IF - Elev*0.02 r + Precip*0.28 r - Temp*0.30 rTHEN Taxon=BACKGROUND
3 m 0.49 0.85 23.73 0.44 0.028IF Elev=[1482,3360]r AND Precip=[ 1, 4]r AND Temp=[ 2, 4]rTHEN Taxon=PRESENT
6 d 0.49 0.86 20.90 0.33 0.019IF Elev=[1937,3241]rTHEN Taxon=PRESENT
2 d 0.49 0.85 23.78 0.44 0.013IF Elev=[ 0,2727]r AND Precip=[ 4, 9]rTHEN Taxon=BACKGROUND
5 d 0.48 0.83 22.11 0.41 0.000IF Elev=[1640,2866]r AND Precip=[ 1, 4]r AND Temp=[ 2, 5]rTHEN Taxon=PRESENT
Atlapetes virenticeps:Modelo de nicho ecológico
Modelo para Atlapetes virenticepsProjetado nas Camadas Ajustadas
Atlapetes virenticeps: Antes vs. Depois
Ortalis poliocephala:Antes vs. Depois
Oreophasis derbianus:Antes vs. Depois
Detalhes das Análises de Segunda Geração
Modelo de Circulação Geral HadCM2 – usando dois cenários:
– HHGSDX50 - 0.5%/ano CO2
– HHGGAX50 - 1%/ano CO2
– Resolução de 0.5 x 0.5 graus Seis camadas ambientais Três cenários de habilidade de dispersão 1600 espécies – aves, mamíferos, e 2 famílias de
borboletas
-100
-50
0
50
100
-100 -80 -60 -40 -20 0 20 40 60 80 100
HHGSDX50
HH
GG
AX
50
Universal dispersalNo dispersalContiguous areas
0
1
2
3
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
HHGGAX50
HHGSDX50
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Fre
quen
cy
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Percent change in area
Universal
Área Contíguas
Sem Dispersão
Dispersão Universal
0
1
2
3
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
HHGGAX50
HHGSDX50
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Fre
quen
cy
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Percent change in area
Universal
Contiguous areas
Sem Dispersão
Dispersão Universal
Áreas Contíguas
0
1
2
3
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
HHGGAX50
HHGSDX50
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Fre
quen
cy
0
1
2
3
4
5
-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100
Percent change in area
Dispersão Limitada
Dispersão Universal
Áreas Contíguas
Todas as 1600 espécies analisadas
0
20
40
60
80
100
120
140
160
180
200
0 20 40 60 80 100 120 140 160 180 200DX
AX
Universal dispersal
No dispersal
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80 90 100
DX
AX ?
Colonizaçãoe Extinção
Borboletas do CanadáRiqueza de Espécies Atual
HGAX 2020
HGAX 2050
HSDX 2020
HSDX 2050
Comparação da Riqueza Máxima:Atual com HSDX 2020
Atual
2020
A Biodiversidade e asMudanças Climáticas Globais
A mudança no clima nos próximos 50 anos envolverá complexas reorganizações de condições ambientais
Espera-se que as conseqüências para espécies animais e vegetais sejam sérias, envolvendo reduções drásticas para muitas espécies, e a extinção para outras
Invasive Species
Impacto sobre sistemas e recursos naturais
Impacto sobre agroecosistemas
Causa a extinção de espécies nativas
Solução Atual: Reativa
Detecção da espécie invasora após a invasão
Abordagem de combate somente espécie por espécie
Abordagens não têm contexto teóricoAbordagens de combate são
completamente reativas
Nova Solução – Metodologia Uso de bancos de dados distribuídos para
obter dados sobre a distribuição nativa ou introduzida
Uso do GARP ou BioClim para modelar o nicho ecológico de invasores em potencial
Projetar os modelos ecológicos às áreas de invasão em potencial
Avaliar o risco e localizar áreas críticas para combate às invasões
Geo
graf
ia
Eco
logi
a
Espécies Invasoras
Pontos de Ocorrência
Algoritmo
Precipitação
Tem
pera
tura
Modelo do Nicho Ecológico
Previsão daDistribuição
Nativa
Previsão deInvasão
Projeção sobre outra região
Largemouth Bass
No Japão?
Pontos de Ocorrência na América do Norte, a partir de dados da FishNet (2437 registros)
Distribuição Potencial Prevista para a América do Norte
Mapa-Mundi I
Mapa-Mundi II
Distribuição Prevista no Japão
Previsão do Ratão do Banhado na América do Norte
Pontos de Distribuição Nativa
Modelo de Distribução Nativa
P < 0.03em todos
os modelos
Projeção na América do Norte
Glassy-winged SharpshooterHomolodisca coagulata
Pontos Conhecidos – Distribuição Nativa
Modelo GARP inferido a partir dos pontos
Distribução Nativa – Mudanças Climáticas
Projeção na Califórnia
Testes do Model de Previsão
Distribuição na Califórniacom Mudanças Climáticas
Distribuição Potencial na America do Sul
Distribuição Potencial na Europa