Distribuição e riqueza de espécies arbóreas no Estado de Santa Catarina: modelos atuais e futuros

Transcrição

1 Distribuição e riqueza de espécies arbóreas no Estado de Santa Catarina: modelos atuais e futuros Ernestino Guarino (Embrapa Acre) Fernando S. Rocha (UFRGS) João André Jarenkow (UFRGS) + Equipe do laboratório de fitoecologia da UFRGS

2 Apresentação dividida em duas partes Teórica Objetivo do projeto Um pouco da teoria envolvida por trás dos métodos propostos Prática Exemplo com 3 espécies

3 Mas o que são modelos de distribuição de espécies? De forma simples, MDE é uma forma de extrapolar dados de ocorrência (0/1) no espaço e no tempo (Franklin 2009)

4 Mas o que são modelos de distribuição de espécies? Qualquer modelo estatístico ou conjunto de regras utilizado para descrever a relação empírica entre a ocorrência de uma espécie e um conjunto de variáveis ambientais (Elith & Leathwick 2009, Franklin 2009)

5 Mas o que são modelos de distribuição de espécies? Estes modelos tem como base a teoria do nicho hipervolumétrico de Hutchinson (1957) e representam quais os fatores controlam a distribuição das espécies na ausência de interações bióticas (nicho fundamental, Franklin 2009)

6 Por que modelar a distribuição das espécies? - Biogeografia; - Design de reservas e planejamento de ações de conservação; - Definição de áreas para reintrodução ou translocação de espécies; - Planejamento de expedições de coletas de germoplasma; - Risco de invasão de espécies; - Efeito de mudanças ambientais (uso do solo, do clima);

7

8

9

10 Além das mudanças climáticas, existe um outro fator importante a ser observado: mudanças no uso do solo geradas pelas alterações propostas pelo novo código florestal

11 Objetivos gerais da proposta Modelar a distribuição e a riqueza de espécies arbóreas e arborescentes no estado de Santa Catarina e predizer, para diferentes cenários legais e ambientais futuros, quais os impactos na distribuição e riqueza das espécies, indicando quais potencialmente aumentarão a ocorrência e quais a diminuirão, bem como quais zonas do Estado serão mais sensíveis a possíveis diminuições na riqueza.

12 Objetivos específicos da proposta (i) fundamentar a formulação da política florestal do estado; (ii) fornecer informações para o zoneamento econômicoecológico para a atividade florestal no estado; (iii) gerar informações para a atualização da lista das espécies vegetais ameaçadas de extinção e (iv) subsidiar a identificação e definição de áreas prioritárias para a conservação de ecossistemas e a recuperação de ecossistemas degradados.

13 Metas Meta 1: Vincular a produção oriunda deste projeto ao ensino de graduação e pós-graduação, inserindo ao longo do trabalho alunos de iniciação científica, mestrado e doutorado. (João André Jarenkow). 1 aluno de pós graduação envolvido (Márcio Verdi - PPG Botânica da UFRGS)

14 Metas Meta 2: Fornecer publicações científicas que permitam aos gestores estaduais obter subsídios para a definição e o estabelecimento de políticas públicas para a conservação e o manejo da flora catarinense. (toda a equipe)

15 Exemplos com os dados do IFFSC Modelamos a distribuição de três espécies: Araucaria angustifolia Dicksonia sellowiana Ocotea porosa

16 Unidades amostrais implantas no IFFSC (Vibrans et al. 2010)

17 Métodos - 19 variáveis bioclimáticas geradas por interpolação de dados de climáticos mensais -wolrdclim global climate data, x 0.93 km 2 = 0.86 km 2 resolução espacial (i.e., resolução máxima 18.6 x 18.6 km = 344 km 2 ) Localização das estações climáticas (

18 BIO1 = Annual Mean Temperature BIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp)) BIO3 = Isothermality (BIO2/BIO7) BIO4 = Temperature Seasonality (standard deviation *100) BIO5 = Max Temperature of Warmest Month BIO6 = Min Temperature of Coldest Month BIO7 = Temperature Annual Range BIO8 = Mean Temperature of Wettest Quarter BIO9 = Mean Temperature of Driest Quarter BIO10 = Mean Temperature of Warmest Quarter BIO11 = Mean Temperature of Coldest Quarter BIO12 = Annual Precipitation BIO13 = Precipitation of Wettest Month BIO14 = Precipitation of Driest Month BIO15 = Precipitation Seasonality (Coefficient of Variation) BIO16 = Precipitation of Wettest Quarter BIO17 = Precipitation of Driest Quarter BIO18 = Precipitation of Warmest Quarter BIO19 = Precipitation of Coldest Quarter

19 Programas utilizados Quantum GIS + GRASS ( R ( Atenção: Com exceção do Windows, todos os programas utilizados na execução do trabalho são livres, isso significa uma redução de gastos na execução e a não utilização de programas piratas.

20 Métodos - Foi ajustado um modelo (GLM) para cada espécie, sendo que as variáveis preditoras mais significativas foram selecionada por meio do AIC (Akaike Information Criterion) baseado em um processo de escolha stepwise (ambas as direções); - Para evitar multicolinearidade variáveis ambientais com correlação de Pearson (r) 0.8 foram retiradas da análise

21 BIO1 = Annual Mean Temperature BIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp)) BIO4 = Temperature Seasonality (standard deviation *100) BIO8 = Mean Temperature of Wettest Quarter BIO9 = Mean Temperature of Driest Quarter BIO12 = Annual Precipitation BIO13 = Precipitation of Wettest Month BIO14 = Precipitation of Driest Month BIO15 = Precipitation Seasonality (Coefficient of Variation)

22 Métodos Validação: cross-validation, dividindo o conjunto de dados em dois: treino e teste. Esta divisão foi realizada utilizando o método k-fold. Neste método o conjunto de dados é particionado aleatoriamente em k subamostras, onde as k-1 subamostras são retidas para criar modelos de treino enquanto uma subamostra de tamanho k é retida para posteriormente testar os modelos, sendo este processo é repetido k vezes. Neste trabalho utilizamos k = 10.

23 Todas as parcelas (1000) k subgrupos (folds, k=10)

24 média ± DP Parâmetros de avaliação do conjunto treino k subgrupos (folds, k=10) Todas as parcelas (1000) Conjunto treino (k-1, n=900) Modelo ajustado (treino) Conjunto de teste (k, n=100) média ± DP Parâmetros de avaliação do conjunto teste Procedimento é repetido 10x

25 Métodos A partir desse conjunto de teste e de treino nos calculamos os seguintes parâmetros de avaliação dos modelos: - AUC (Area under the ROC curve): mede a capacidade do modelo discriminar presenças e ausências, seu valor varia de 0 1. Modelos com AUC 0.75 são considerados bons (Elith et al. 2006)

26 Métodos - Sensibilidade: é a proporção de presenças que são corretamente preditas. É posteriormente utilizada para calcular o erro de omissão (prever a ausência de uma espécie quando ela está presente) (Franklin 2009). - Especificidade: é a proporção de ausências observadas que são preditas corretamente. É posteriormente utilizada para calcular o erro de comissão (predizer a presença de uma espécie quando ela não está presente) (Franklin 2009).

27 Observada Predita a b - c d Matriz de confusão

28 Observada + - Predita + a b - c d a = Positivo verdadeiro b = Falso positivo c = Falso negativo d = Verdadeiro negativo

29 Observada + - Predita + a b - c d Especificidade Sensibilidade = da (d+b (a+c )

30 Métodos - TSS (True Skill Statistic): 1-(Sensitividade+Especificidade). Varia entre -1 e +1, sendo que zero, ou menos, indica baixa concordância entre dados observados e preditos (modelos não melhores do que o acaso), enquanto valores próximos a +1 indicam alta concordância (Allouche et al. 2006).

31 Araucaria angustifolia minimum: 0.37 maximum: 0.99 AUC training: ± AUC test: ± ST training: ± ST test: ± SP training: ± SP test: ±0.065 TSS training: ± TSS test: ± 0.147

32 Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) * bio2_ *** bio4_ * bio8_ e-05 *** bio12_ bio13_ * bio15_ Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 286 degrees of freedom Residual deviance: on 280 degrees of freedom PseudoR 2 : 36.15% AIC: Number of Fisher Scoring iterations: 6

33 Dicksonia sellowiana minimum: 0.98 maximum: 0.99 AUC training: ± AUC test: ± ST training: ± ST test: ± SP training: ± SP test: ± TSS training: ± TSS test: ± 0.174

34 Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) bio1_ e-15 *** bio4_ e-05 *** bio13_ Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 286 degrees of freedom Residual deviance: on 283 degrees of freedom Pseudo R 2 : 29.63% AIC: Number of Fisher Scoring iterations: 5

35 Ocotea porosa minimum: 0 maximum: 0.93 AUC training: ± AUC test: ± ST training:0.777 ± ST test:0.843 ± SP training: ± SP test: ± TSS training:0.655 ± TSS test: ± 0.118

36 Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) bio1_ e-06 *** bio2_ e-11 *** bio12_ *** bio13_ ** bio15_ Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 286 degrees of freedom Residual deviance: on 281 degrees of freedom Pseudo R 2 : 39.18% AIC: Number of Fisher Scoring iterations: 7

37 Como validar modelos transpostos no tempo? Conjunto de previsões ou método de consenso Thuiller et al (BIOMOD: a platform for ensemble forecasting of species distributions, Ecography 32: )

38 Agradecimentos Lucia Sevegnani (FURB) Alexander Vibrans (FURB) André Luís de Gasper (FURB)

39 Parceiros

40 Contatos Ernestino Guarino - esguarino@cpafac.embrapa.br Fernando S. Rocha - rocha1403@yahoo.com.br João André Jarenkow - jarenkow@portoweb.com.br