Predictive habitat distribution models in ecology Part II

Transcrição

1 Predictive habitat distribution models in ecology Part II Guisan, A. ; Thuiller, W. 2005, Predicting species distribution: offering more than simple habitat. Ecology Letters, 8: Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution models in ecology. Ecological Modelling, 135:

2 2. Preparação dos Dados SDMs modelos empíricos que relacionam observações de campo a variáveis ambientais preditoras, baseados em superfícies de respostas derivadas estatística ou teoricamente. Dados das espécies: presença, presença-ausência, observações de abundância a partir de amostragem de campo aleatória ou estratificada, ou oportunistas coleções Preditores ambientais efeitos diretos ou indiretos: Fatores limitantes (reguladores): controlam eco-fisiologia (temp, água, solo) Distúrbios: perturbações (naturais ou antropogênicas) no ambiente Recursos: todos componentes assimiláveis (energia, nutrientes, água) Padrões espaciais diferenciados conforme a escala, hierarquicamente:

3 SDM fatores limitantes x escala Distribuição gradual grande extensão e resolução grosseira controle por reguladores climáticos Distribuição agrupada pequena área e resolução fina controle por distribuição agrupada de recursos (variação micro-topográfica ou fragmentação de habitat)

4 Preparação dos Dados Informação Ambiental Dados de campo, mapeamentos sistemáticos, sensoriamento remoto, e resultantes de modelagem em GIS DEM- importante pela correlação com outras variáveis, maior precisão, porém pode não ser de alto poder preditivo Gradiente topográfico pode ser usado para verificar correspondência entre atributos digitais e aqueles observados no campo Tarefa: Selecionar conjunto apropriado de dados para parametrizar o modelo??? Como selecionar variáveis preditoras???

5 As variáveis ambientais Como selecionar? Baseado no conhecimento do especialista do grupo exigências ambientais mínimas, seguindo princípios fisiológicos. Conhecimento do grupo Procedimentos estatísticos para seleção de variáveis explicativas stepwise para LS, GLMs e CCA Jackknife, etc.

6 As variáveis ambientais Comumente utilizadas escalas regionais(!) Climáticas Topográficas Solo SR...

7 Para facilitar SDMs... AMBDATA Variáveis Ambientais para Modelagem de Distribuição de Espécies Departamento de Processamento de Imagens DPI/INPE Grupo de Modelagem para Estudos da Biodiversidade Variáveis ambientais normalmente usadas para MDE Recorte BRASIL e Amazônia Legal Dados para download com referências/metadados Disponível em

8 Para facilitar SDMs... AMBDATA Variáveis Ambientais para Modelagem de Distribuição de Espécies Departamento de Processamento de Imagens DPI/INPE Grupo de Modelagem para Estudos da Biodiversidade Variáveis ambientais normalmente usadas para MDE Recorte BRASIL e Amazônia Legal Dados para download com referências/metadados Disponível em

9 3. Ajuste do Modelo Formulação do Modelo estatístico: Escolha de um algoritmo adequado para predizer um tipo de variável-resposta e estimar os coeficientes do modelo Escolha de uma abordagem estatística ótima para o contexto do modelo A maioria dos modelos estatísticos é específica para um tipo de variável-resposta e está associada a uma distribuição de probabilidade específica. Tem que testar se a variável (distr empírica) se comporta conforme a distribuição estatística

10 Ajuste do Modelo Regressões Generalizadas Relacionam uma variável-resposta a uma única (simples) ou uma combinação (múltipla) de variáveis ambientais (preditoras) Preditoras as var ambientais ou componentes ortogonais derivados (evitar multicolinearidade) de análise multivariada (PCs). Regressão clássica (RL) válida qdo variável resposta tem distr normal e variância não muda com a média (homocedasticidade)

11 Ajuste do Modelo Regressões Generalizadas GLMs modelos de regressão mais flexíveis var.resposta com outras distribuições e funções de variância não-constantes. Combinação de preditores está relacionadada var.resposta através de uma função link, que possibilita: Transformar para linearidade Manter as predições (var.resposta) dentro de um intervalo de valores coerentes Lida com distribuições Gaussiana, Poisson, Binomial ou Gamma com as funções identidade, logaritmica, logistica e inversa Se a resposta não tem uma relação linear com o preditor, pode-se incluir um termo transformador para o preditor Quando o modelo inclui termos de ordem maiores, é chamada de regressão polinomial Regressão polinomial de segunda ordem simula resposta unimodal simétrica De terceira ordem - simula respostas bimodais e com desvios, ou ambos Outras funções de transformação...

12 Ajuste do Modelo Regressões Generalizadas GAMs - Regressão Alternativa baseadas em funções nãoparamétricas de suavização do preditor Médias-móveis, regressão ponderada pela localidade ou funções de densidade ponderadas localmente Modelo aditivo generalizado suaviza independentemente cada preditor e aditivamente calcula a var. resposta Smoothers Multidimensional - possíveis Modelos de regressão podem incorporar processos ecológicos dispersão ou conectividade

13 Ajuste do Modelo Técnicas de Classificação Árvores de classificação (qualitativa) e regressão (quantitativa), classificação baseada em regras, e class. Máxima Verossimilhança. Técnicas que associam uma classe da variável resposta (binomial ou multinomial) para cada combinação de preditores ambientais (nominais ou contínuos). Construídos a partir da inter-relação de regras simples deduzidas do conhecimento prévio sobre o fenômeno a ser modelado literatura, laboratório, etc.

14 Ajuste do Modelo Envelopes ambientais - comparam a atual distribuição de uma espécie com uma quantidade de variáveis climáticas, produzindo um envelope (hipercubo) que descreve a atuação das variáveis climáticas na variação de uma espécie ƒ Os parâmetros do envelope climático podem ser usados para para estimar mudanças potenciais na distribuição, subordinadas aos vários cenários de mudanças climáticas

15 Ajuste do Modelo Envelopes ambientais BIOCLIM cálculo de envelope mínimo retangular num espaço climático multi-dimensional HABITAT espaço mais restrito com envelopes convexo (convex hull). Resultados similares, classificação difere árvore de decisão dicotômica ou com muitos nós terminais DOMAIN baseado em métrica de similaridade ponto a ponto (medidas de distância multivariadas). Mais adequado quando dados disponíveis são limitados Environmental Distance (OM) - métricas de dissimilaridade ambiental. Gower e Distância Máxima == DOMAIN

16 Ajuste do Modelo Técnicas de Ordenação spp ou comunidades Maioria baseia-se em Análise de Correspondência Canônica Análise direta de gradiente onde os eixos de ordenação principais são combinações lineares dos descritores ambientais Baseia-se na média recíproca dos scores dos locais e das espécies Assume distr gaussina das spp, com limiar inf e sup de ocorrência e um ótimo ao longo do gradiente. Apropriado para conjunto de dados com muitas ausências. Método robusto. Análise de Redundância menos usada para simular distr de comunidades ou taxa ambientalmente dependente Limita-se a gradientes ambientais curtos (truncados)

17 Ajuste do Modelo Abordagem Bayesiana Combina uma probabilidade a priori de observar a sp ou comunidade com suas probabilidades condicionadas ao valor de cada preditor ambiental. Probabilidade condicional pode ser freq relativa da ocorrência de uma sp dentro de uma classe discreta de um preditor nominal. A P a priori pode ser baseada na literatura No mapeamento da vegetação a P a posteriori é calculada para cada unidade de vegetação, e a unidade com maior probabilidade é prevista para cada localidade candidata.

18 Ajuste do Modelo Redes Neurais Recurso promissor muitas referências para (ANN), poucas para predizer distr espacial de spp ou comunidades usando descritores biofísicos Mais poderoso que regressão múltipla para modelar relações não-lineares Problema classificação processo não-paramétrico ( black art ) Outras abordagens Modelos em SIG sobreposição de variáveis ambientais, medidas de variação, similaridade e regras para combinar probabilidades Análise de função discriminante

19 Ajuste do Modelo Outras abordagens ENFA Ecological Niche-factor analysis implementado no Biomapper, difere de CCA ou RDA por considerar uma sp a cada vez. Somente dados de presença (animais). Índice de marginalidade e tolerância situa o envelope ambiental da sp dentro de um envelope ambiental multidimensional definido pelo mapeamento de todas as unidades de estudo da área MONOMAX conjunto de algoritmos ajusta uma função monotônica de máxima verossimilhança através de processo iterativo Problema: probabilidade da var. resposta é obtida de no máx 2 preditores por vez Vantagem: nenhum pressuposto sobre a distr do dado, resíduo ou variância é necessário -> bom para análise exploratória

20 GARP GARP - Genetic Algorithm for Rule-set Production Um AG para predição da distribuição potencial de espécies biológicas a partir de dados raster ambientais e biológicos; Trabalha de forma automática e não-supervisionada; Robusto: testa diversas soluções e diversos modelos (regras); Maximiza a significância e a precisão de predição das regras. Ind. População inicial Fitness Cromossomos Cromossomos filhos pais Cromossomos Cromossomos (mutação) filhos Fitness População a geração Sorteio Indivíduo Indivíduo Ind. População inicial Fitness Source: Santa Catarina, 2006

21 Maxent Distribuição de probabilidade potencial para toda área (soma dos pixels =1) Distr Prob? Elisangela S. C. Rodrigues, 2010

22 Maxent Dado (não tem significado) = 25 - pode ser armazenado no computador Informação (tem significado associado) temperatura = 25 (informação pode ser representada pelos dados) Media da temperatura maxima de fevereiro = 25 二月份的平均最高氣溫 = 25 (esta representação não nos traz informação) Conhecimento se nao souber o que é média, a informação nao faz sentido! (depende da experiência de cada um) Entropia é uma medida de desordem ou previsibilidade de um sistema. É uma medida de incerteza de um acontecimento. Observacoes inesperadas tem mais informação que observações esperadas Elisangela S. C. Rodrigues, 2010

23 Maxent É uma Medida da incerteza de informação do acontecimento de um evento; Mas se eu não tenho nenhuma ideia inicial, e um evento ocorre, a entropia é maior porque me traz mais informação! Está relacionada à probabilidade de ocorrência de um evento: Quanto maior a probabilidade de ocorrer um evento, menor a entropia. Se P for alta, nao vai ter info associada. Vai ser uma surpresa! Vai trazer informação! Entropia máxima: P uniforme (dado não viciado), Se o dado for viciado, a entropia vai ser menor, pq a P será maior. Incerteza surpresa informação (entropia no acontecimento de um evento, ou incerteza) Elisangela S. C. Rodrigues, 2010

24 Maxent Princípio da Entropia Máxima: Tendo-se varias distribuições de probabilidade possíveis deve-se escolher a distribuição de probabilidade cuja a entropia é máxima (mais dispersa ou próxima da uniforme) de acordo com algumas restrições. Entropia: quantidade de incerteza na ocorrência de algum evento. Associado a quantidade de informação transmitida no evento ( métrica ) Distr Prob? Tendo-se várias distribuições de probabilidade possíveis para aquele conjunto de pontos e camadas, deve-se selecionar aquela distribuição que transmita o maior quantidade de informação possível => Entropia Máxima Elisangela S. C. Rodrigues, 2010

25 Maxent Restrições => representam as evidências, ou seja, fatos conhecidos sobre o conjunto de dados de entrada, neste caso são as camadas ambientais.(features) X => região geográfica de interesse x1, x2,...,xn => ptos observados/registrados f1, f2,...,fn => features (valor da camada ou uma função do valor de entrada ) Tarefa: Tendo conjunto de pontos e de camadas, tem-se que encontrar a distribuição de probabilidade para este conjunto de dados: Restrições: Features, evidências (critério sobre os valores das camadas) Soma das prob = 1. n distribuições de probabilidade possíveis x1 x2 x4 x3 xn Elisangela S. C. Rodrigues, 2010

26 Maxent Existem várias distribuições de probabilidade que satisfazem todas as restrições. Quando isso acontece, o modelo é considerado consistente e dentre estes, tem-se que escolher aquele q tem a entropia máxima (p *) Encontrar os pesos para cd uma das features de forma q o resultado seja de Max entropia Do modelo, faz-se a projeção para a área, usando as variáveis ambientais x1 x2 x4 x3 O modelo expressa a adequação de cada célula da grade como uma função das variáveis ambientais daquela célula. Um valor alto desta função numa célula indica que ali existem condições favoráveis para a espécie. Predição de condições favoráveis xn

27 Ferramentas para modelagem R - modelos estatísticos (RL, GLM, GAM, ) openmodeller (Bioclim, climate space model, envelope score, environmental distance (várias métricas), GARP, SVM, maxent) DesktopGarp Maxent BioClim & Domain Biomapper Spatial Analysis in Macroecology

28 4. Calibração do Modelo Ajuste do modelo matemático que foi selecionado para um conjunto de dados específico Melhorar a concordância entre a saída do modelo e o conj dados Seleção de variável explicativa quais usar, estimar seus coeficientes Seleção de preditores: Arbitrária (não recomendada) Automática stepwise para LS, GLMs e CCA Seguindo princípios fisiológicos ou seguindo regras de shrinkage (encolhimento) N preditores < m/10 (m= total de observações ou, para resposta binárias, observações para a categoria de menor representatividade)

29 Calibração do Modelo Preditores considerar também as transformações (termos polinomiais, função beta, eixos ordenados difícil de explicar por não ter valor biológico associado) Melhor selecionar os gradientes diretos e de recursos para calibrar o modelo, para otimizar significado ecológico e interpretabilidade Transformação de variáveis curvas resposta da sp aos gradientes ambientais. Tendo uma forma modelo estatístico deverá reproduzir e formalizar esta forma. Estimativa de parâmetros disponível na maioria dos softs (SAS, S-Plus, SPSS, SYSTAT, etc) Ajuste => medida da redução da variância (ou do desvio no caso da estimativa por Máx. Ver.)

30 Calibração do Modelo GLMs redução do desvio D 2 (equivalente ao R 2 do LS) D 2 = (desvio nulo desvio residual)/ Desvio nulo desvio nulo= desvio do modelo em relação ao intercepto desvio residual = desvio inexplicado após a inclusão de todas vars Modelo perfeito não tem desvio residual e D 2 = 1 D 2 ajustado (equivalente ao R 2 ajustado) D 2 adj= 1 [(n-1)/(n-p)] x [1 - D 2 ] (n de observações, p de parâmetros) D 2 ajustado permite comparar modelos com diferentes combinações de variáveis. Deve ser testado para um nível de significância, de acordo com o método escolhido para estimar os coeficientes. Para GLMs usa-se X 2 para testar a diferença das variâncias e teste t para testar se o coeficiente difere significativamente de zero.

31 Calibração do Modelo Métodos de classificação por árvores de decisão Modelo tenta prever o dado exatamente, e assim não precisa ajuste, pode fazer a avaliação do modelo após a calibração Árvores de regressão e classificação número de nós quase igual ao de obs. Modelo não é tem redução de complexidade. Pode ser feita redução de terminais, combinada com validação cruzada. Replicações seriam aconselhadas para evitar a aleatoriedade dos resultados Envelopes ambientais Ao invés de usar o mesmo conj de var ambientais para todas as spp (BIOCLIM), selecionar um sub-conjunto para usar no algoritmo CART Este sub-conj define o envelope multidimensional que melhor engloba a ocorrência das spp O modelo de HABITAT divide o envelope global em sub-envelopes de tamanhos variados A proporção de ocorrência da sp / total observações em cada sub-envelope dá uma medida do grau de pertinência de cada novo site para cada sub-envelope da sp. Para o DOMAIN há uma estimativa do grau de confiança para a classificação não é probabilístico tb.

32 Calibração do Modelo Métodos de ordenação ou análise de gradiente ou ordenação direta Como CCA semelhante à calibração da regressão linear critério de ajuste é minimizar a razão: Média da soma dos quad. da var entre spp / var da soma dos quad. total Variáveis selecionadas passo-a-passo Após a ordenação cada eixo pode ser testado para significância através de permutações de Monte-Carlo. (e segue...) Modelo Bayesiano Equivale a calcular a probabilidade condicional de estado multivariado de cada entidade considerada, dando os valores dos preditores ambientais Significância de cada variável é medida por análise de frequência X 2 - decidirá quais variáveis farão parte do modelo

33 Calibração do Modelo Funções discriminantes ou análise de gradiente ou ordenação direta Calibradas usando estatística Wilk s de ajuste medida equivalente ao R 2 para a regressão Durante a calibração do modelo a influência individual de cada observação pode ser avaliada graficamente LS e GLMs outliers, análise dos resíduos Método Jack-knife deixando sempre uma observação de fora a cada vez e observando o resultado do ajuste do modelo => valores de influência empírica para cada observação. Plotados em função do número de observações para detectar outliers

34 5.Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos)

35 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Distribuição de abundância mais provável (GLM ordinal)

36 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Abundância mais provável (GLM ordinal) Ocorrência predita métricas não probabilísticas (CCA) Distribuição potencial

37 Predições dos modelos Uma vez calibrado o modelo, pode-se predizer a distribuição potencial da sp (ou comunidade) Equivale a modelar seu habitat potencial => mapas de distr de habitat potencial, ou representação cartográfica de: Probabilidade de ocorrência ( GLMs logísticos) Abundância mais provável (GLM ordinal) Ocorrência prevista métricas não probabilísticas (CCA) Entidade mais provável (das análises hierárquicas)

38 Predições dos modelos Dificuldades de fazer modelagem diretamente em ambientes GIS Ausência dos procedimentos estatísticos para a modelagem e calibração Algumas opções são mais facilmente implementáveis (GLMs) As classificações baseadas em regras são as mais facilmente realizadas - de sobreposição de mapas com regras condicionais Alguns algoritmos de envelopes climáticos foram implementados com funcionalidades para visualização dos mapas Maioria são implementados através de macros TerraLib+OpenModeller

39 6. Avaliação dos modelos Validação medir a adequação entre o modelo predito e as observações de campo (~accuracy para RS) Mas Validação = análise lógica dos modelos, o que chamou de formulação do modelo teórico. Propõe termo avaliação não avalia se é V ou F, mas testa hipóteses e predição de padrões biológicos Avaliação medida de adequação, depende do objetivo do projeto e do domínio de aplicação do modelo

40 6. Avaliação dos modelos Duas abordagens gerais: Usar um conj de dados para calibrar o modelo e depois avaliá-lo por validação cruzada (CV) Técnicas de bootstrap - dois data set independentes, um para calibrar e outro para avaliar Primeiro passo - bootstrap e CV avaliam a estabilidade do modelo Segundo passo se tiver dados independentes a qualidade das predições do modelo pode ser avaliada

41 Avaliação dos modelos Jack-knife, validação cruzada e Bootstrap Jack Knife - Swiss penknife fácil de carregar (1958) abordagem genérica para testar hipóteses e calcular intervalos de confiança Computado deixando de fora uma observação por vez Cross-validation verificar a replicabilidade dos resultados. Hipótese - se o resultado é replicável ou simplesmente aleatório. Conhecido por usar parte das observações para ajustar o modelo e parte para testar o erro Simples computa para conj treinamento e computa o erro de predição com o de teste Dupla modelos para os dois conjuntos e ambas equações usadas para gerar a CV Multi CV- repete a dupla muitas vezes, selecionando sub-amostras aleatórias

42 Avaliação dos modelos Jack-knife, validação cruzada e Bootstrap Um conjunto de dados único para calibrar e avaliar Poucos dados (melhor usar JK ou bootstrap), ou quer usar todas as obs para calibrar neste caso não pode avaliar o modelo fora do intervalo de calibração. Bootstrap aborda o desvio da estimativa realizando reamostragens múltiplas com reposição, dentro do conj dados de calibração. Remove os desvios para obter uma estimativa unbiased. Bias diferença entre a estimativa do parâmetro e o valor real da população. Se a diferença entre o valor obtido e o corrigido para desvios é muito alta, a adequação do modelo deve ser questionada

43 Avaliação dos modelos Avaliação por conjunto de dados independente Dois conjuntos de dados independentes - calibrar e avaliar Abordagem split-sample um grande conjunto de dados é dividido para cada etapa Inapropriado para pequenos conj de dados Atraente quando se tem muitos dados CV ou bootstrap Se há dois conjuntos originais (amostragem e observacional) não misturar em uma mesma análise estatística: calibração e avaliação Interfere no desenho amostral, impedindo o ajuste adequado do modelo 1. Avaliar a predição com a mesma métrica de ajuste usada na calibração medir ajuste entre predito e do conj dados de avaliação. (LS calcular R 2 para valores preditos e valores de campo) 2. Usar qualquer medida discreta de associação entre o predito e o observado.

44 Métodos de avaliação Método de avaliação mais comum é a matriz de confusão Erro de comissão não são considerados erros do modelo Erros de omissão são graves Predito Real a b - c d Erros de omissão Erros de comissão Área mínima prevista - prever áreas com potencial de ocorrência as menores possíveis Iwashita, INPE

45 Métodos de avaliação Receiver operator characteristic (ROC-plot), gráfico de sensibilidade versus especificidade Sensibilidade é a probabilidade de um pixel x ser corretamente classificado como ocorrência Especificidade é a probabilidade de um pixel ser corretamente classificado como ausência Quanto mais próximo de 1 for a área sob a curva AUC, melhor o desempenho do modelo Iwashita, INPE

46 Métodos de avaliação Receiver operator characteristic (ROC-plot), gráfico de sensibilidade versus especificidade Sensibilidade é a probabilidade de um pixel x ser corretamente classificado como ocorrência Especificidade é a probabilidade de um pixel ser corretamente classificado como ausência Quanto mais próximo de 1 for a área sob a curva AUC, melhor o desempenho do modelo

47 All models are wrong but some are useful! (Box, 1979). Obrigada! (consultem e participem de nossas Referatas!

48 Referências Guisan, A. ; Thuiller, W. 2005, Predicting species distribution: offering more than simple habitat. Ecology Letters, 8: Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution models in ecology. Ecological Modelling, 135: Ambdata ( Referatas ( IWASHITA, F. Sensibilidade de modelos de distribuição de espécies a erros de posicionamento de dados de coleta p. (INPE TDI/1291). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, Disponível em: < Acesso em: 06 abr

49 Cenários para a Amazônia: Clima, Biodiversidade e Uso da Terra Meta 4. Modelagem Climática Regionalizada para Amazônia Modelagem da Distribuição Potencial das Palmeiras na Amazônia: Cenários Atuais e Futuros Reunião do Projeto Cenários INPA/Manaus 2012 Luciana S. Arasato Silvana Amaral 29 e 30 de outubro de

50 Meta 4 - Modelagem Climática Regionalizada para Amazônia Atividade 1: Aprimorar a modelagem de relações bioma-clima Atividade 2: Elaboração de Cenários Climáticos Futuros Regionalizados (Pedro Dias) CENÁRIOS PARA A AMAZÔNIA: USO DA TERRA, BIODIVERSIDADE E CLIMA Integrar ações e competências de três dos grandes programas de pesquisas do Ministério da Ciência e Tecnologia para a Amazônia e, assim, formar cenários mais completos que permitam ampliar o embasamento técnico-científico e o apoio à tomada de decisões em níveis estaduais e regionais na Amazônia incrementar e aprimorar as ações de disseminação dos conhecimentos gerados e de formação de recursos humanos qualificados nas áreas de atuação dos programas.

51 MODELAGEM DA DISTRIBUIÇÃO POTENCIAL DAS PALMEIRAS NA AMAZÔNIA: Cenários Atuais e Futuros

52 Objetivos 1) Selecionar o melhor conjunto de variáveis ambientais para descrever a distribuição das palmeiras na Amazônia, a partir dos MDEs, no cenário de clima atual; 2) Discutir a influência da mudança do clima na distribuição das palmeiras.

53 Objetivos específicos - Definir critérios para a escolha do conjunto de variáveis ambientais mínimas para a geração dos MDEs; - Gerar mapas de distribuição de ocorrência da espécie, baseado nos MDEs gerados; - Gerar um mapa que indique a riqueza (número de espécies) das palmeiras, considerando as espécies estudadas; - Realizar exercícios de modelagem de distribuição futura das palmeiras, com base nos MDEs de clima atual.

54 ALGORITMO Modelagem de distribuição potencial de espécies Pontos de ocorrência ou presença/ausência Posição geográfica Variáveis descritoras temperatura precipitação topografia MODELO de DISTRIBUIÇÃO de ESPÉCIES Distribuição Preditiva Arasato (2011)

55 Área de estudo Região da Amazônia Legal Brasileira

56 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Dados de presença de palmeiras Variáveis ambientais atuais Modelagem da distribuição de palmeiras em escala regional - Amazônia

57 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Maxent MDEs cenário atual

58 Dados de ocorrência Total: 2637 registros INSTITUTO DE BOTÂNICA Jardim Botânico de São Paulo espécies com ocorrência somente na Amazônia Legal do Brasil com mínimo de 10 ocorrências

59 Espécies modeladas 21 espécies Espécie número de ocorrências Mauritiella aculeata (Kunth) Burret 11 Mauritiella armata (Mart.) Burret 17 Attalea maripa (Aubl.) Mart. 10 Astrocaryum vulgare Mart. 10 Bactris concinna Mart. 10 Bactris elegans Barb.Rodr. 10 Bactris maraja Mart. 40 Bactris oligocarpa Barb.Rodr. 11 Barcella odora (Trail) Drude* 10 Socratea exorrhiza (Mart.) H. Wendl. 23 Chamaedorea pauciflora Mart. 18 Chamaedorea pinnatifrons (Jacq.) Oerst. 12 Euterpe oleracea Mart. 15 Euterpe precatoria Mart. 16 Geonoma brongniartii Mart. 16 Geonoma camana Trail 12 Geonoma deversa (Poit.) Kunth 45 Geonoma leptospadix Trail 15 Geonoma macrostachys Mart. 46 Geonoma maxima (Poit.) Kunth 32 Geonoma stricta (Poit.) Kunth 76

60 Variáveis ambientais CENÁRIO ATUAL Variáveis climáticas (67 variáveis): Bioclimáticas Precipitação Temperaturas: mínimas, médias e máximas

61 Variáveis ambientais Topografia: altitude declividade orientação de vertente distância vertical a drenagem mais próxima - HAND

62 Seleção das variáveis ambientais MDEs cenário atual 1) Geração de MDEs das palmeiras considerando todas as variáveis ambientais (71 variáveis) - Conjunto de teste e treino: Validação Cruzada

63 COM TODAS AS VARIÁVEIS AMBIENTAIS

64 Seleção das variáveis ambientais MDEs cenário atual Os critérios considerados para seleção das variáveis foram: 1) Variáveis apresentaram algum valor no teste de importância de permutação; 2) Variáveis apresentaram valores maiores que 1% na porcentagem de contribuição; 3) Entre as variáveis correlacionadas, escolheu-se a que apresentou maior importância no valor de permutação; 4) Variáveis importantes no teste de jackknife.

65 Espécies (ID) altitude declividade exposicao hand100 bio02 bio03 bio04 bio05 bio07 bio11 bio12 bio13 bio14 bio15 bio16 bio17 bio18 bio19 prec01 prec02 prec03 prec04 prec05 prec06 prec07 prec08 prec09 prec10 prec11 prec12 tmax01 tmax02 tmax03 tmax04 tmax05 tmax06 tmax07 tmax09 tmax10 tmax11 tmax12 tmean02 tmean05 tmean08 tmean09 tmean10 tmin01 tmin02 tmin03 tmin04 tmin05 tmin09 tmin11 tmin12 Variáveis ambientais cenário atual Variáveis ambientais 1 x x x x x x x x x x x 2 x x x x x x x x x 3 x x x x x x x x x x x x 4 x x x x x x x x x x 5 x x x x x x x x x x x x Cada espécie tem seu conjunto de variáveis ambientais 6 x x x x x x x x x x x x 7 x x x x x x x x x x x x x x x 8 x x x x x x x x x x x x 9 x x x x x x x x x 10 x x x x x x x x x x x x x 11 x x x x x x x x x x x x x x x 12 x x x x x x x x x x x x x x x x 13 x x x x x x x x x x 14 x x x x x x x x x x x x x x x 15 x x x x x x x x x x x x x x 16 x x x x x x x x x x x x 17 x x x x x x x x x x x x x x 18 x x x x x x x x x x x x x x 19 x x x x x x x x x x x x x x x x x 20 x x x x x x x x x x x x x x x x x 21 x x x x x x x x x x x x x x x x

66 MDE Total: 21 MDEs Mauritiella aculeata Modelagem da distribuição de palmeiras em escala regional - Amazônia

67 MDE Total: 21 MDEs Mauritiella aculeata MDEs descrevem a distribuição real das espécies? Henderson et al. (1995) Modelagem da distribuição de palmeiras em escala regional - Amazônia

68 Mapa de ocorrência MDE Mapa binário Barcella odora (Trail) Drude método LPT (Lowest presence threshold) (PEARSON et al., 2007) limiar = o menor valor de probabilidade entre os pontos de presença

69 Limiares de presença de espécie Espécie Limiar de presença da espécie Mauritiella aculeata (Kunth) Burret 0,431 Mauritiella armata (Mart.) Burret 0,196 Attalea maripa (Aubl.) Mart. 0,184 Astrocaryum vulgare Mart. 0,208 Bactris concinna Mart. 0,453 Bactris elegans Barb.Rodr. 0,298 Bactris maraja Mart. 0,167 Bactris oligocarpa Barb.Rodr. 0,524 Barcella odora (Trail) Drude 0,367 Socratea exorrhiza (Mart.) H. Wendl. 0,208 Chamaedorea pauciflora Mart. 0,234 Chamaedorea pinnatifrons (Jacq.) Oerst. 0,218 Euterpe oleracea Mart. 0,594 Euterpe precatoria Mart. 0,165 Geonoma brongniartii Mart. 0,259 Geonoma camana Trail 0,475 Geonoma deversa (Poit.) Kunth 0,117 Geonoma leptospadix Trail 0,104 Geonoma macrostachys Mart. 0,096 Geonoma maxima (Poit.) Kunth 0,106 Geonoma stricta (Poit.) Kunth 0,001

70 Sobreposição de mapas Mapa binário de ocorrência da espécie, baseado no MDE. Mapa de ocorrência da espécie de Henderson et al. (1995)

71 Sobreposição de mapas GEOREFERENCIADO

72 Sobreposição de mapas

73 Comparação dos mapas 21 espécies modeladas Adequado; Razoável; ou Inadequado.

74 Comparação dos mapas INADEQUADO

75 Comparação dos mapas Melhorar um pouco - RAZOÁVEL ausência presença

76 17 espécies Comparação dos mapas

77 Avaliação dos MDEs 21 espécies modeladas 2 espécies INADEQUADO Mauritiella aculeata (Kunth) Burret Bactris oligocarpa Barb.Rodr. 2 espécies RAZOÁVEL Geonoma stricta (Poit.) Kunth Mauritiella armata (Mart.) Burret 17 espécies ADEQUADO Astrocaryum vulgare Mart., Attalea maripa (Aubl.) Mart., Bactris concinna Mart., Bactris elegans Barb.Rodr., Bactris maraja Mart., Barcella odora (Trail) Drude, Chamaedorea pauciflora Mart., Chamaedorea pinnatifrons (Jacq.) Oerst., Euterpe oleracea Mart., Euterpe precatoria Mart., Geonoma brongniartii Mart., Geonoma camana Trail, Geonoma deversa (Poit.) Kunth, Geonoma leptospadix Trail, Geonoma macrostachys Mart., Geonoma maxima (Poit.) Kunth e Socratea exorrhiza (Mart.) H. Wendl.

78 Soma dos mapas de ocorrência Indicação de riqueza de nicho ecológico das palmeiras Mapas binários de ocorrência das palmeiras Mapa da riqueza de palmeiras

79 Soma dos mapas de ocorrência Indicação de riqueza de nicho ecológico das palmeiras Mapas binários de ocorrência das palmeiras Mapa da riqueza de palmeiras

80 Modelagem de distribuição potencial na Amazônia 1ª etapa Cenário de Clima atual Maxent MDEs cenário atual

81 Modelagem de distribuição potencial na Amazônia Variáveis ambientais futuros Maxent MDEs cenário atual MDEs cenário futuro??? 2ª etapa Cenário de Clima futuro

82 E se o clima muda?? Simulação com as condições climáticas provenientes de cenários de mudanças futuro.? Contribuir para o entendimento das influências das mudanças do clima na região em relação os limites do nicho ecológico para a sobrevivência das palmeiras.

83 Exercício de Modelagem - Predição Espécies com MDE e mapas validados pela literatura: Barcella odora e Chamaedorea pauciflora Barcella odora Variáveis adequadas para o presente Método Delta; Projeção futura cenário SRES A2A HadCM3 Clima América Futuro do Sul WordClim período de B. odora: bio15, bio4, bio7, declividade, prec1, prec5, tmax4, tmax7, tmean2 C. pauciflora: bio15, bio16, bio18, Variáveis bio19, bio4, declividade, exposição, hand50, prec11, prec2, prec7, tmax1, tmax5, tmin9.

84 Exercício de Modelagem - Predição Maxent Validação Cruzada: 10 (B. odora) e 15 (C. pauciflora) runs América do Sul AMBDATA (30 arcsec) Variáveis topográficas mesmas do presente Método Delta; cenário SRES A2A; Clima HadCM3; Futuro WordClim América do Sul período de Chamaedorea pauciflora B. odora: bio15, bio4, bio7, declividade, prec1, prec5, tmax4, tmax7, tmean2 Variáveis C. pauciflora: bio15, bio16, bio18, bio19, bio4, declividade, exposição, hand50, prec11, prec2, prec7, tmax1, tmax5, tmin9.

85 Modelagem Barcella odora Resultados: Barcella odora

86 Modelagem Predição B. odora Resultados: avg max median min stddev treino AUC teste

87 Modelagem Predição B. odora Resultados: B.odora: - Preferência por solos mais úmidos (mal drenados); -Tipicamente presente ao norte do rio Amazonas; avg max median min stddev - Relacionada às regiões de baixa altitude umidade do solo e temperatura; - Cenário predito de mudanças climáticas favorável pelo exercício de simulação por MDE teria seu nicho ecológico potencial aumentado!!!

88 Modelagem Chamaedorea pauciflora Resultados: Chamaedorea pauciflora

89 Modelagem Predição C. pauciflora avg max median min stddev treino AUC teste

90 Modelagem Predição C. pauciflora C. pauciflora: - Exclusiva de terras baixas da Bacia Amazônica, em florestas de várzea da Colômbia, Equador, Peru e Brasil; avg max median min stddev - Oeste da Amazônia BR - restrita ao Acre); - simulação indica que ficará restrita às areas dos Andes e no sul do BR (condições semelhantes) improvável! - Cenário predito de mudanças climáticas desfavorável pelo exercício treino de simulação por MDE AUC teria seu nicho teste ecológico potencial muito reduzido na Amazônia!!!

91 Comentários Finais - Banco de dados de ocorrência com localização e identificação revisados; - identificar um conjunto de variáveis ambientais específico para a modelagem de nicho ecológico de cada espécie de palmeira estudada; - Resultados compatíveis com as áreas de ocorrência descrita por Henderson et al. (1995) - Critérios para banco de dados, seleção de variáveis, e validação dos resultados são críticos para construção de distribuição atual

92 Considerações finais Efeito dos cenários de MC sobre biodiversidade usando MDE Factível, útil PORÉM dependente de conhecimento das variáveis condicionantes de distribuição atual (modelagem tempo presente) simulação de respostas a MC futuras depende do conhecimento / descrição do processo atual.?

93 Considerações Continuidade: - Seleção de cenários de MC discussão junto aos pares - Reproduzir modelagem preditiva para todas as espécies cujos modelos atuais foram consistentes - Inferência de impacto sobre a distribuição do padrão de riqueza - Estudar dispersão do grupo/ das espécies em relação à paisagem possibilidade de migração e.g. áreas de floresta existentes (desmatamento) - Ampliação do banco de dados família Palmae Amazônica

94 Agromundo Família Arecaceae (Palmae) As mais características da flora tropical Brasil: ~ 36 gêneros e 195 espécies (Giulietti et al, 2005) Obrigada! buriti pupunha