WEBVTT

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.