1
00:00:08,000 --> 00:00:11,970
[Orador 1]: Hola, en esta parte teórica hablaremos del
marco conceptual de los modelos de

2
00:00:11,970 --> 00:00:15,679
distribución de especies, de sus
componentes y de cómo se van a llevar a

3
00:00:15,679 --> 00:00:16,603
cabo.

4
00:00:16,803 --> 00:00:20,700
Empezaremos definiendo qué son los modelos
de distribución de especies, que como

5
00:00:20,700 --> 00:00:23,365
cualquier modelo son una simplificación de
la realidad.

6
00:00:23,565 --> 00:00:27,682
En este caso son una herramienta que
permite estimar la distribución geográfica

7
00:00:27,682 --> 00:00:30,903
de las especies mediante la
caracterización de las condiciones

8
00:00:30,903 --> 00:00:34,229
ambientales que son adecuadas para su
existencia y persistencia.

9
00:00:34,429 --> 00:00:37,010
Se fundamentan en la teoría de nicho
ecológico.

10
00:00:37,210 --> 00:00:41,557
El nicho ecológico es el conjunto de
condiciones ambientales en las que una

11
00:00:41,557 --> 00:00:44,672
especie puede persistir, denominado
espacio ambiental.

12
00:00:44,872 --> 00:00:49,376
Los modelos de hábitat se basan, por lo
tanto, en la comparación del espacio

13
00:00:49,376 --> 00:00:54,362
geográfico, es decir, las áreas en las que
se da una especie y el espacio ambiental,

14
00:00:54,362 --> 00:00:56,825
que son las condiciones en las que se da.

15
00:00:57,025 --> 00:01:01,577
Los modelos de distribución de especies
han experimentado un gran auge en los

16
00:01:01,577 --> 00:01:06,070
últimos años y están en pleno desarrollo y
expansión, usándose con múltiples

17
00:01:06,070 --> 00:01:07,040
propósitos.

18
00:01:07,240 --> 00:01:10,732
En la actualidad son considerados piezas
muy importantes en la gestión y

19
00:01:10,732 --> 00:01:11,962
conservación de especies.

20
00:01:12,162 --> 00:01:16,668
Algunos de sus usos más habituales son la
restauración ecológica en aspectos de

21
00:01:16,668 --> 00:01:21,175
traslocación y restauración de especies,
la identificación de riesgos debidos a

22
00:01:21,175 --> 00:01:25,913
especies invasoras, precisamente este será
el objetivo del caso práctico propuesto,

23
00:01:25,913 --> 00:01:30,246
también se usan para valorar el riesgo por
cambio climático y para diseñar y

24
00:01:30,246 --> 00:01:32,673
planificar espacios protegidos entre
otras.

25
00:01:32,873 --> 00:01:36,513
Los modelos más habituales son los
correlativos, que consisten en relacionar

26
00:01:36,513 --> 00:01:40,299
los puntos de ocurrencia de una especie
con una serie de variables ambientales.

27
00:01:40,499 --> 00:01:44,400
Esto permite identificar aquellos lugares
en los que se puede dar la existencia de

28
00:01:44,400 --> 00:01:46,664
la especie y los requerimientos para que
exista.

29
00:01:46,864 --> 00:01:49,846
En otras palabras, cómo tienen que ser
esas variables.

30
00:01:50,046 --> 00:01:53,972
La distribución obtenida puede ser
potencial, es decir, todos los lugares

31
00:01:53,972 --> 00:01:58,171
donde puede darse, o actual, si se tienen
en cuenta posibles limitaciones a su

32
00:01:58,171 --> 00:02:01,934
distribución, que la hacen no estar
presente en lugares potencialmente

33
00:02:01,934 --> 00:02:02,894
idúneos.

34
00:02:03,094 --> 00:02:08,530
Por ejemplo, la capacidad dispersiva,
posibles barreras, relaciones bióticas con

35
00:02:08,530 --> 00:02:12,700
otras especies, como competencia o
molestias antrópicas, etc.

36
00:02:12,900 --> 00:02:18,423
Dependiendo de nuestro objetivo será más
interesante usar una u otra.

37
00:02:18,911 --> 00:02:22,923
La modificación de la distribución de
especies lleva aparejada por tanto un

38
00:02:22,923 --> 00:02:26,014
proceso que se fundamenta en un marco
conceptual complejo.

39
00:02:26,214 --> 00:02:31,058
Este proceso consta de tres componentes
muy bien diferenciadas, los datos, el

40
00:02:31,058 --> 00:02:32,716
algoritmo y la predicción.

41
00:02:32,916 --> 00:02:36,847
Cada componente presenta múltiples
opciones o alternativas como veremos más

42
00:02:36,847 --> 00:02:37,758
adelante.

43
00:02:37,958 --> 00:02:43,014
El proceso general consiste en asociar
matemática o estadísticamente los datos

44
00:02:43,014 --> 00:02:48,465
biológicos, en este caso ocurrencia de la
especie que es la variable dependiente con

45
00:02:48,465 --> 00:02:53,391
diferentes variables independientes que
describen las condiciones del medio.

46
00:02:53,591 --> 00:02:57,731
Esta relación se proyecta a todo el área
de estudio y se obtiene una predicción

47
00:02:57,731 --> 00:03:01,977
para cada lugar que suele representar la
probabilidad de existencia de la especie

48
00:03:01,977 --> 00:03:02,953
en este punto.

49
00:03:03,153 --> 00:03:09,418
entendida como su similitud ambiental con
los puntos donde existe la especie.

50
00:03:09,618 --> 00:03:14,357
Una parte de los datos de ocurrencia se
reserva para la validación del modelo, es

51
00:03:14,357 --> 00:03:17,083
decir, ver cómo de buenas son sus
predicciones.

52
00:03:17,283 --> 00:03:21,558
Tanto en la parte de datos como en la
parte de obtención final del modelo son de

53
00:03:21,558 --> 00:03:25,726
crucial importancia los sistemas de
información geográfica, ya que representan

54
00:03:25,726 --> 00:03:29,947
una herramienta indispensable tanto para
el tratamiento y gestión de datos como

55
00:03:29,947 --> 00:03:31,734
para su análisis y visualización.

56
00:03:31,934 --> 00:03:36,300
Vamos a ir viendo cada uno de estos
componentes de los modelos así como las

57
00:03:36,300 --> 00:03:41,139
diferentes alternativas existentes y sus
implicaciones en el desarrollo del modelo.

58
00:03:41,841 --> 00:03:45,804
La primera componente y de vital
importancia son los datos.

59
00:03:46,004 --> 00:03:50,159
Los modelos de distribución de especies
precisan de dos tipos de datos, los

60
00:03:50,159 --> 00:03:54,314
biológicos que describen la ocurrencia de
la especie y los ambientales para

61
00:03:54,314 --> 00:03:56,505
caracterizar las condiciones del medio.

62
00:03:56,705 --> 00:04:00,370
Nos centraremos primero en los datos
biológicos y en los aspectos y diferentes

63
00:04:00,370 --> 00:04:02,132
opciones que debemos tener en cuenta.

64
00:04:02,332 --> 00:04:06,918
La primera pregunta que surge es cuántos
datos precisamos para formular un modelo.

65
00:04:07,118 --> 00:04:10,636
Los datos tienen que ser suficientes ya
que van a tener una implicación directa en

66
00:04:10,636 --> 00:04:12,505
el número de variables que podemos
utilizar.

67
00:04:12,705 --> 00:04:16,502
En términos generales se precisan como
mínimo entre 10 y 50 observaciones

68
00:04:16,502 --> 00:04:20,670
totales, aunque hay autores que hablan de
al menos 5 observaciones por variable.

69
00:04:20,870 --> 00:04:25,083
Además, la muestra debe ser representativa
de todo el rango en el que está presente

70
00:04:25,083 --> 00:04:29,245
la especie y es necesario tener en cuenta
la hipótesis de equilibrio, es decir, si

71
00:04:29,245 --> 00:04:33,150
la especie está presente en todas las
zonas adecuadas y no presente en las no

72
00:04:33,150 --> 00:04:34,116
adecuadas.

73
00:04:34,316 --> 00:04:38,384
Otro aspecto importante es la fiabilidad
de los datos y esto está relacionado con

74
00:04:38,384 --> 00:04:39,302
su origen.

75
00:04:39,502 --> 00:04:44,171
Normalmente provienen de colecciones de
museos o recursos online, por lo que están

76
00:04:44,171 --> 00:04:48,091
sujetos a posibles errores de
georreferenciación, de identificación y

77
00:04:48,091 --> 00:04:52,357
tampoco sabemos de qué manera se han
tomado y por tanto el sesgo que pueden

78
00:04:52,357 --> 00:04:53,313
tener.

79
00:04:53,513 --> 00:04:58,934
Por último los datos de ocurrencia pueden
ser de dos tipos, solo presencias, este es

80
00:04:58,934 --> 00:05:03,702
el tipo de información que se dispone en
la mayoría de los casos, datos de

81
00:05:03,702 --> 00:05:08,863
presencia y ausencias y una tipología
intermedia que son los datos de presencias

82
00:05:08,863 --> 00:05:13,305
y pseudo ausencias generadas
aleatoriamente y denominadas background.

83
00:05:14,425 --> 00:05:17,826
Si nos centramos en las variables
ambientales, igualmente una de las

84
00:05:17,826 --> 00:05:21,432
primeras preguntas que nos hacemos es el
número de variables necesarias.

85
00:05:21,632 --> 00:05:26,573
Aquí tenemos que tener en cuenta el número
de puntos de ocurrencia de los que

86
00:05:26,573 --> 00:05:30,669
disponemos, como hemos visto
anteriormente, porque las variables

87
00:05:30,669 --> 00:05:32,490
consumen grados de libertad.

88
00:05:32,690 --> 00:05:36,525
Es también muy importante evitar la
casualidad y la colinearidad de las

89
00:05:36,525 --> 00:05:40,909
variables que introducimos en el modelo,
por lo que es recomendable aplicar algún

90
00:05:40,909 --> 00:05:44,745
método de selección de variables entre
todas las variables candidatas o

91
00:05:44,745 --> 00:05:46,992
potencialmente explicativas que tengamos.

92
00:05:47,192 --> 00:05:51,053
Otro aspecto es la extensión espacial y la
resolución de las variables.

93
00:05:51,253 --> 00:05:55,954
No es igual la resolución que necesitamos
para unas especies que para otras.

94
00:05:56,154 --> 00:06:00,927
Por ejemplo, un insecto y un carnívoro de
gran tamaño precisan de resoluciones muy

95
00:06:00,927 --> 00:06:01,875
diferentes.

96
00:06:02,075 --> 00:06:06,814
También hay que tener en cuenta el tamaño
del área de estudio, normalmente a mayor

97
00:06:06,814 --> 00:06:10,208
extensión menor resolución tendrán las
variables empleadas.

98
00:06:10,408 --> 00:06:13,630
Es importante resaltar que existen muchos
tipos de variables.

99
00:06:13,830 --> 00:06:18,279
Por lo que describen pueden ser
climáticas, topográficas, de cobertura del

100
00:06:18,279 --> 00:06:20,595
suelo, de interacciones bióticas, etc.

101
00:06:20,795 --> 00:06:24,157
Las variables además pueden ser directas o
indirectas.

102
00:06:24,357 --> 00:06:27,940
Debemos evitar estas últimas sobre todo si
queremos extrapolar un modelo.

103
00:06:28,140 --> 00:06:31,402
Por ejemplo, la altitud es una variable
indirecta.

104
00:06:31,602 --> 00:06:35,688
Las condiciones ligadas a la altitud en un
lugar no tienen por qué ser las mismas en

105
00:06:35,688 --> 00:06:36,612
otro lugar.

106
00:06:36,812 --> 00:06:41,512
Y por último las variables pueden ser
continuas, por ejemplo la temperatura, o

107
00:06:41,512 --> 00:06:44,137
categóricas, por ejemplo los usos del
suelo.

108
00:06:44,337 --> 00:06:49,295
En este caso debemos tener en cuenta que
cada categoría de la variable consume un

109
00:06:49,295 --> 00:06:52,581
grado de libertad, es decir, cuenta como
una variable.

110
00:06:53,005 --> 00:06:55,486
La segunda componente de los modelos son
los algoritmos.

111
00:06:55,706 --> 00:06:59,847
Estos son los encargados de identificar
las relaciones complejas de la ocurrencia

112
00:06:59,847 --> 00:07:03,730
de una especie en el espacio ambiental
multidimensional, para posteriormente

113
00:07:03,730 --> 00:07:07,819
utilizar esta relación para predecir la
idoneidad del territorio para albergar a

114
00:07:07,819 --> 00:07:08,819
una especie.

115
00:07:08,833 --> 00:07:13,086
Es importante conocer la gran variedad de
algoritmos existentes y cómo abordarlos

116
00:07:13,086 --> 00:07:17,233
para usar el más adecuado para nuestros
objetivos y para el tipo de información

117
00:07:17,233 --> 00:07:18,297
con la que contamos.

118
00:07:18,497 --> 00:07:21,579
A grosso modo, necesitamos saber en qué se
basan.

119
00:07:21,779 --> 00:07:26,110
Existen algoritmos basados en métodos
estadísticos como los modelos lineales

120
00:07:26,110 --> 00:07:30,847
generalizados, otros basados en técnicas
de Machine Learning como Maxen y las redes

121
00:07:30,847 --> 00:07:34,948
neuronales artificiales y otros en la
integración de distintas técnicas.

122
00:07:35,148 --> 00:07:39,276
Dependiendo de los métodos en los que se
basen estos algoritmos ofrecerán

123
00:07:39,276 --> 00:07:41,398
explicación o simplemente predicción.

124
00:07:41,598 --> 00:07:46,001
Otro aspecto importante es conocer qué
tipos de datos necesitan los algoritmos.

125
00:07:46,201 --> 00:07:51,310
Algunos solo presencias, por ejemplo
BioClimb, otros presencias e ausencias,

126
00:07:51,310 --> 00:07:55,953
por ejemplo los modelos aditivos
generalizados y los modelos lineales

127
00:07:55,953 --> 00:07:58,530
generalizados y las redes neuronales.

128
00:07:58,730 --> 00:08:04,222
Y otros que admiten presencias y
pseudoausencias o background, como Maxen.

129
00:08:04,422 --> 00:08:10,422
Así también es necesario conocer qué tipos
de variables usan, si admiten todo tipo de

130
00:08:10,422 --> 00:08:14,391
variables, continuas y categóricas o solo
continuas.

131
00:08:14,591 --> 00:08:18,968
Si es así, se precisará transformar la
variable categórica en una variable

132
00:08:18,968 --> 00:08:19,895
continua.

133
00:08:20,095 --> 00:08:25,203
Y por último, hay algoritmos que
proporcionan predicciones continuas, por

134
00:08:25,203 --> 00:08:30,711
ejemplo la probabilidad de existencia,
Maxen, y otros que originan predicciones

135
00:08:30,711 --> 00:08:34,086
binarias, es decir, si es hábitat o no
hábitat.

136
00:08:36,093 --> 00:08:39,708
Una vez desarrollado el modelo, como se
indicó con anterioridad, debemos saber

137
00:08:39,708 --> 00:08:42,714
cómo funciona realmente, es decir, qué
pasa con sus predicciones.

138
00:08:42,914 --> 00:08:47,676
Para ello se suele evaluar la proporción
de puntos clasificados correctamente, es

139
00:08:47,676 --> 00:08:50,195
decir, los aciertos y los errores que
produce.

140
00:08:50,395 --> 00:08:52,196
Esto se conoce como matriz de confusión.

141
00:08:52,396 --> 00:08:56,742
Se pueden cometer dos tipos de errores, de
comisión, que es clasificar una ausencia

142
00:08:56,742 --> 00:09:00,717
como presencia, y de omisión, que es
clasificar una presencia como ausencia.

143
00:09:00,917 --> 00:09:04,898
A partir de esto se pueden derivar
diferentes estadísticos.

144
00:09:05,098 --> 00:09:08,380
para evaluar la fiabilidad o capacidad
discriminativa del modelo.

145
00:09:08,580 --> 00:09:13,109
Algunos de estos estadísticos sirven
también para definir los valores umbral

146
00:09:13,109 --> 00:09:17,879
para convertir una predicción continua en
una binaria, hábitat por encima de ese

147
00:09:17,879 --> 00:09:19,752
umbral y no hábitat por debajo.

148
00:09:19,952 --> 00:09:23,809
Uno de los estadísticos más utilizados
para validar los modelos de distribución

149
00:09:23,809 --> 00:09:25,936
de especies es el Area Under the Road
Curve.

150
00:09:26,136 --> 00:09:29,118
A mayor valor de AUC, mayor capacidad
discriminativa.

151
00:09:29,318 --> 00:09:34,816
Se considera discriminación aceptable si
el valor del AUC es mayor de 0.7 y muy

152
00:09:34,816 --> 00:09:36,782
buena si es mayor de 0.9.

153
00:09:39,520 --> 00:09:43,164
Una vez conocemos los componentes de los
modelos, el siguiente paso es llevarlos a

154
00:09:43,164 --> 00:09:44,064
la práctica.

155
00:09:44,264 --> 00:09:47,864
Para ello se precisan de herramientas
software asistidas por sistemas de

156
00:09:47,864 --> 00:09:51,971
información geográfica que lleven a cabo
los procesos matemáticos de calibración y

157
00:09:51,971 --> 00:09:53,391
validación de estos modelos.

158
00:09:53,591 --> 00:09:55,773
Existen muchos y muy variados softwares.

159
00:09:55,973 --> 00:10:01,406
Algunos ejemplos son Biomod, Modeco, R y
en el que nos vamos a centrar para el

160
00:10:01,406 --> 00:10:04,439
ejercicio práctico de este módulo, Maxen.

161
00:10:05,687 --> 00:10:09,756
Maxen es un programa de uso general muy
utilizado en los últimos años que se

162
00:10:09,756 --> 00:10:13,879
descarga de manera gratuita en el link
proporcionado y tiene una interfaz muy

163
00:10:13,879 --> 00:10:14,829
sencilla.

164
00:10:15,029 --> 00:10:19,104
Maxen calcula la probabilidad de
ocurrencia de una especie de acuerdo al

165
00:10:19,104 --> 00:10:23,466
principio de máxima entropía, precisa de
datos de presencia y el mismo define

166
00:10:23,466 --> 00:10:25,131
pseudoausencias o background.

167
00:10:25,331 --> 00:10:29,367
Funciona con variables tanto continuas
como categóricas y la correlación de

168
00:10:29,367 --> 00:10:32,095
variables no supone un grave problema en
este caso.

169
00:10:32,295 --> 00:10:36,969
Maxen proporciona una predicción continua
con valores de 0 a 100, refiriéndose a la

170
00:10:36,969 --> 00:10:39,307
probabilidad de ocurrencia de la especie.

171
00:10:39,507 --> 00:10:44,733
Es un algoritmo que ha mostrado muy buenos
resultados con respecto a otros métodos.

172
00:10:46,117 --> 00:10:49,633
Para concluir la parte conceptual del
módulo y antes de pasar a poner en

173
00:10:49,633 --> 00:10:53,249
práctica un modelo de distribución de
especies, me gustaría incidir en las

174
00:10:53,249 --> 00:10:55,280
fortalezas y limitaciones de los modelos.

175
00:10:55,480 --> 00:11:00,304
En los últimos años, y debido a su gran
utilidad, han sido usados de manera

176
00:11:00,304 --> 00:11:02,782
extensiva, muchas veces hasta abusiva.

177
00:11:02,982 --> 00:11:07,646
Es necesario comprender que no se trata de
meter una serie de datos y obtener un mapa

178
00:11:07,646 --> 00:11:11,645
de colores, sino de ser capaces de
interpretar lo que significa ese mapa.

179
00:11:11,845 --> 00:11:15,801
Es imprescindible ser muy cautos y tener
siempre en cuenta que la calidad del

180
00:11:15,801 --> 00:11:19,758
modelo está estrechamente ligada a la
calidad de los datos de partida y la de

181
00:11:19,758 --> 00:11:21,529
las premisas con las que operamos.

182
00:11:21,729 --> 00:11:25,828
Hay que tener mucha precaución cuando los
modelos se extrapolan, es decir, se

183
00:11:25,828 --> 00:11:30,197
proyectan fuera del rango de valores donde
han sido calibrados, por ejemplo si los

184
00:11:30,197 --> 00:11:34,620
proyectamos en otro continente, debido a
la gran incertidumbre que puede existir en

185
00:11:34,620 --> 00:11:35,615
las predicciones.

186
00:11:35,815 --> 00:11:40,396
Y también hay que tener muy claro que el
mero hecho de usar técnicas complejas no

187
00:11:40,396 --> 00:11:42,802
es garantía de que el modelo sea correcto.

188
00:11:43,002 --> 00:11:46,871
Por lo tanto, es sumamente importante
tener en cuenta las asunciones y

189
00:11:46,871 --> 00:11:51,021
decisiones que se han tomado a lo largo de
todos los pasos que conllevan la

190
00:11:51,021 --> 00:11:53,489
modelización para interpretar los
resultados.

191
00:11:53,770 --> 00:11:57,921
Todos estos conceptos los aplicaremos en
la segunda parte del módulo, con un caso

192
00:11:57,921 --> 00:11:58,834
práctico.

193
00:11:59,034 --> 00:12:03,695
El caso práctico propuesto será
precisamente identificar el riesgo

194
00:12:03,695 --> 00:12:09,222
potencial de colonización en España de una
especie exótica invasora, Cortaderia

195
00:12:09,222 --> 00:12:13,284
selleana o hierba de la pampa, proveniente
de Sudamérica.

196
00:12:14,382 --> 00:12:18,544
Finalmente, podéis encontrar las
referencias citadas en las explicaciones.

197
00:12:18,744 --> 00:12:22,699
Como el propósito de este módulo no es
profundizar en conceptos teóricos

198
00:12:22,699 --> 00:12:26,989
tremendamente complejos y de los que
existe una amplia literatura, os dejo dos

199
00:12:26,989 --> 00:12:31,446
lecturas recomendadas que sintetizan los
aspectos conceptuales más importantes de

200
00:12:31,446 --> 00:12:35,625
la modelización de distribución de
especies, como documentos bases sobre los

201
00:12:35,625 --> 00:12:37,575
cuales podréis ampliar información.