Predictive habitat distribution models in ecology Part II

(1)

Predictive habitat distribution

models in ecology – Part II

Guisan, A. ; Thuiller, W. 2005, Predicting species

distribution: offering more than simple habitat. Ecology

Letters, 8:993-1009.

Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution models in ecology. Ecological Modelling, 135:147-186.

(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)

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)

SDM – fatores limitantes x escala

(4)



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

(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

(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

(9)



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)



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)



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)



Regressões Generalizadas

 GAMs - Regressão Alternativa – baseadas em funções

não-paramétricas 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)



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).

Ajuste do Modelo

 Construídos a partir da inter-relação de

regras simples deduzidas do conhecimento prévio sobre o

fenômeno a ser modelado – literatura, laboratório, etc.

(14)



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)



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

Ajuste do Modelo

 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)



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.

Ajuste do Modelo

 Análise de Redundância

 menos usada para simular distr de comunidades ou taxa ambientalmente dependente

 Limita-se a gradientes ambientais curtos (truncados)

(17)



Abordagem Bayesiana

 Combina uma probabilidade a priori de observar a sp ou comunidade

com suas probabilidades condicionadas ao valor de cada preditor

ambiental

.

Ajuste do Modelo

 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

(18)



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)



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

3 11 10 13 4 10 6 7 Fitness 11000000000000000001 10111010111000100101 10101000101001110110 11001110101011101101 00001000101000000100 11001010101010100101 00011000101010000010 11001000101000100100 População inicial 8 7 6 5 4 3 2 1 Ind. 3 11 10 13 4 10 6 7 Fitness 11000000000000000001 10111010111000100101 10101000101001110110 11001110101011101101 00001000101000000100 11001010101010100101 00011000101010000010 11001000101000100100 População inicial 8 7 6 5 4 3 2 1 Ind. 11001010101010100101 11001110101011101101 10101000101001110110 11001110101011101101 11001000101000100100 10111010111000100101 10101000101001110110 11001010101010100101 Cromossomos pais 3 5 6 5 1 7 6 3 Indivíduo 11001010101010100101 11001110101011101101 10101000101011101101 11001110101001110110 11001010111000100101 10111000101000100100 10101000101001100101 11001010101010110110 Cromossomos filhos 27 81 37 50 Sorteio 11001010101010100101 11001110101011101101 10101000101001110110 11001110101011101101 11001000101000100100 10111010111000100101 10101000101001110110 11001010101010100101 Cromossomos pais 3 5 6 5 1 7 6 3 Indivíduo 11001010101010100101 11001110101011101101 10101000101011101101 11001110101001110110 11001010111000100101 10111000101000100100 10101000101001100101 11001010101010110110 Cromossomos filhos 27 81 37 50 Sorteio 11001010101010100101 11001110101011101101 10101000101011101101 11001110101001110110 11001010111000100101 10111000101000100100 10101000101001100101 11001010101010110110 Cromossomos filhos 11001110101010100101 11001110101011101101 10101000101011101111 11001110101001110110 11001100101000100100 11111010111000100101 10101000101001110110 11101010101010000101 Cromossomos (mutação) 8 7 6 5 4 3 2 1 Indivíduo 11001010101010100101 11001110101011101101 10101000101011101101 11001110101001110110 11001010111000100101 10111000101000100100 10101000101001100101 11001010101010110110 Cromossomos filhos 11001110101010100101 11001110101011101101 10101000101011101111 11001110101001110110 11001100101000100100 11111010111000100101 10101000101001110110 11101010101010000101 Cromossomos (mutação) 8 7 6 5 4 3 2 1 Indivíduo 3 11 10 13 4 10 6 7 Fitness 11000000000000000001 10111010111000100101 10101000101001110110 11001110101011101101 00001000101000000100 11001010101010100101 00011000101010000010 11001000101000100100 População inicial 11001110101010100101 11001110101011101101 10101000101011101111 11001110101001110110 11001100101000100100 11111010111000100101 10101000101001110110 11101010101010000101 População 1a_geração 8 7 6 5 4 3 2 1 Ind. 11 13 12 12 8 12 10 10 Fitness 3 11 10 13 4 10 6 7 Fitness 11000000000000000001 10111010111000100101 10101000101001110110 11001110101011101101 00001000101000000100 11001010101010100101 00011000101010000010 11001000101000100100 População inicial 11001110101010100101 11001110101011101101 10101000101011101111 11001110101001110110 11001100101000100100 11111010111000100101 10101000101001110110 11101010101010000101 População 1a_geração 8 7 6 5 4 3 2 1 Ind. 11 13 12 12 8 12 10 10 Fitness

Source: Santa Catarina, 2006

 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.

(21)

Maxent

Distribuição de probabilidade potencial para toda área

(soma dos pixels =1)

Distr Prob ?

(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

(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)

(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”)

 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

Distr Prob ?

(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.

xn x1 x2 x3 x4 n distribuições de probabilidade possíveis 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 x1 x2 x3 x4 xn

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

 Do modelo, faz-se a projeção para a área,

usando as variáveis ambientais

http://www.cs.princeton.edu/~schapire/maxen t/

(27)

Ferramentas para modelagem

 R - modelos estatísticos (RL, GLM, GAM,…)

http://www.r-project.org/

 openModeller (Bioclim, climate space model, envelope score,

environmental distance (várias métricas), GARP, SVM, maxent)

http://openmodeller.sourceforge.net/

 DesktopGarp

http://www.nhm.ku.edu/desktopgarp/

 Maxent

http://www.cs.princeton.edu/~schapire/maxent/

 BioClim & Domain

http://www.diva-gis.org/

 Biomapper

http://www2.unil.ch/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 D2 (equivalente ao R2 do LS)

D2_{= (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 D2= 1  D2 ajustado (equivalente ao R2 ajustado)

D2_{adj= 1 – [(}_n_-1)/(_n_-_p_{)] x [1 -}_D2_]

(n de observações, p de parâmetros)

 D2 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

(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

(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 X2 -

(33)

Calibração do Modelo

 Funções discriminantes – ou análise de gradiente ou ordenação

direta

 Calibradas usando estatística Wilk´s



de ajuste – medida

equivalente ao R2 _{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.

(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

(35)

Predições dos modelos



Uma vez calibrado o modelo, pode-se predizer a

distribuição potencial da sp (ou comunidade)

logísticos)

 Distribuição de abundância mais

(36)

Predições dos modelos



Uma vez calibrado o modelo, pode-se predizer a

distribuição potencial da sp (ou comunidade)

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)

logísticos)

 Abundância mais provável (GLM

ordinal)

 Ocorrência prevista – métricas não

probabilísticas (CCA)

 Entidade mais provável (das análises

(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

(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

(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

(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

(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

re-amostragens 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

(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 R2

para valores preditos e valores de campo)

2. Usar qualquer medida discreta de associação entre o predito e o

(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

+

-+

a

b

-

c

d

Predito

Real

Erros de omissão Erros de omissão Erros de comissão Erros de comissão Iwashita, 2007 - INPE

 Área mínima prevista -

prever áreas com potencial de ocorrência as menores

(45)

Métodos de avaliação



Receiver operator characteristic (ROC-plot), gráfico de

sensibilidade versus especificidade

Iwashita, 2007 - INPE

 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

(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)

Obrigada!

(consultem e participem de nossas Referatas! www.dpi.inpe.br/referata)

“

All models are wrong

but some are useful!”

(48)

Referências

 Guisan, A. ; Thuiller, W. 2005, Predicting species distribution:

offering more than simple habitat. Ecology Letters, 8:993-1009.

 Guisan, A. ; Zimmermann. 2000, Predictive habitat distribution

models in ecology. Ecological Modelling, 135:147-186.  Ambdata (http://www.dpi.inpe.br/Ambdata/index.php)

 Referatas (http://www.dpi.inpe.br/referata/)

 IWASHITA, F. Sensibilidade de modelos de distribuição de espécies a erros de

posicionamento de dados de coleta. 2007. 103 p. (INPE-15174-TDI/1291).

Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2007. Disponível

em: <http://urlib.net/sid.inpe.br/mtc-m17@80/2007/06.13.12.04>. Acesso em: 06 abr. 2011.

(49)

Modelagem da Distribuição Potencial das Palmeiras

na Amazônia: Cenários Atuais e Futuros

Luciana S. Arasato Silvana Amaral

Reunião do Projeto Cenários – INPA/Manaus 29 e 30 de outubro de 2012

Cenários para a Amazônia:

Clima, Biodiversidade e Uso da Terra

Meta 4. Modelagem Climática Regionalizada para Amazônia

(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

(51)

MODELAGEM DA DISTRIBUIÇÃO POTENCIAL DAS

PALMEIRAS NA AMAZÔNIA:

(52)

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)

Modelagem de distribuição potencial de espécies

Arasato (2011) Pontos de ocorrência ou presença/ausência Posição geográfica Variáveis descritoras temperatura precipitação topografia MODELO de DISTRIBUIÇÃO de ESPÉCIES A L GO RIT M O Distribuição Preditiva

(55)

Área de estudo

Região da

Amazônia Legal Brasileira

(56)

Modelagem de distribuição potencial na Amazônia

Dados de presença de palmeiras Variáveis ambientais atuais 1ª etapa Cenário de Clima atual

(57)

Modelagem de distribuição potencial na Amazônia

MDEs cenário atual

Maxent

1ª etapa Cenário de Clima atual

(58)

Dados de ocorrência

 espécies com ocorrência somente na Amazônia Legal do Brasil

com mínimo de 10 ocorrências

INSTITUTO DE BOTÂNICA Jardim Botânico de São Paulo

Total: 2637 registros

(59)

Espécies modeladas

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

21

(60)

Variáveis ambientais

Variáveis climáticas (67 variáveis):

• Bioclimáticas

• Precipitação

• Temperaturas: mínimas, médias e máximas

http://www.worldclim.org/

(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)

(63)

COM TODAS

AS VARIÁVEIS

(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;

(65)

Variáveis Variáveis ambientais al ti tu de de cl iv id ad e ex po si cao han d1 00 bi o0 2 bi o0 3 bi o0 4 bi o0 5 bi o0 7 bi o1 1 bi o1 2 bi o1 3 bi o1 4 bi o1 5 bi o1 6 bi o1 7 bi o1 8 bi o1 9 pr ec 01 pr ec 02 pr ec 03 pr ec 04 pr ec 05 pr ec 06 pr ec 07 pr ec 08 pr ec 09 pr ec 10 pr ec 11 pr ec 12 tm ax 01 tm ax 02 tm ax 03 tm ax 04 tm ax 05 tm ax 06 tm ax 07 tm ax 09 tm ax 10 tm ax 11 tm ax 12 tm ean 02 tm ean 05 tm ean 08 tm ean 09 tm ea n1 0 tm in 01 tm in 02 tm in 03 tm in 04 tm in 05 tm in 09 tm in 11 tm in 12 Es p éci es (I D ) 1 x x x x x 2 x x x 3 x x x x 4 x x 5 x x 6 x x x x x 7 x x x x 8 x x x 9 x x x 10 x x x x x x x 11 x x x x 12 x x x x 13 x x x x 14 x x x x x x 15 x x x x 16 x x x x x 17 x x x x x x x 18 x x x x x x 19 x x x x x x 20 x x x x x x x x 21 x x x x x x x ambientais – cenário atual

x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x

Cada espécie  tem seu conjunto de variáveis ambientais

(66)

MDE

Mauritiella aculeata

Total: 21 MDEs

(67)

MDE

Mauritiella aculeata Total: 21 MDEs

MDEs descrevem a

distribuição real

das espécies?

Henderson et al. (1995)

(68)

Mapa de ocorrência

método LPT (Lowest presence threshold)

(PEARSON et al., 2007)

limiar = o menor valor de probabilidade entre os pontos de presença

MDE

Barcella odora (Trail) Drude

Mapa binário

(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

(72)

(73)

Comparação dos mapas

21 espécies

modeladas

 Adequado;  Razoável; ou  Inadequado.

(74)

Comparação dos mapas

(75)

Comparação dos mapas

 Melhorar um pouco - RAZOÁVEL

ausência presença

(76)

Comparação dos mapas

17 espécies

(77)

Avaliação dos MDEs

21 espécies

modeladas

2 espécies – RAZOÁVEL

Geonoma stricta (Poit.) Kunth

Mauritiella armata (Mart.) Burret

2 espécies – INADEQUADO

Mauritiella aculeata (Kunth) Burret

Bactris oligocarpa Barb.Rodr.

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 Mapa da riqueza de palmeiras Mapas binários de ocorrência das palmeiras

(80)

Modelagem de distribuição potencial na Amazônia

Maxent

1ª etapa Cenário de Clima atual

(81)

Modelagem de distribuição potencial na Amazônia

Maxent

2ª etapa Cenário de Clima futuro Variáveis ambientais futuros

?

? ?

MDEs cenário 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



Variáveis adequadas para o presente 

Projeção futura

Clima Futuro –WordClim Variáveis

• Método Delta;

• cenário SRES A2A

• HadCM3

• América do Sul

• período de 2050.

B. odora: bio15, bio4, bio7,

declividade, prec1, prec5, tmax4, tmax7, tmean2

C. pauciflora: bio15, bio16, bio18, 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

Clima Futuro –WordClim Variáveis

• Método Delta;

• cenário SRES A2A;

• HadCM3;

• América do Sul

• período de 2050.

B. odora: bio15, bio4, bio7,

declividade, prec1, prec5, tmax4, tmax7, tmean2

C. pauciflora: bio15, bio16, bio18, bio19, bio4, declividade,

exposição, hand50, prec11, prec2, prec7, tmax1, tmax5, tmin9.

http://www.ccafs-climate.org/data/

(85)

Modelagem – Barcella odora

Resultados:

(86)

Modelagem – Predição – B. odora

Resultados:

avg max median min stddev

(87)

Modelagem – Predição – B. odora

Resultados:

B.odora

:

- Preferência por solos mais úmidos (mal drenados); -Tipicamente presente ao norte do rio Amazonas;

- 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:

(89)

Modelagem – Predição – C. pauciflora

(90)

Modelagem – Predição – C. pauciflora

treino _AUC teste

C. pauciflora

:

- Exclusiva de terras baixas da Bacia Amazônica, em florestas de várzea da Colômbia, Equador, Peru e Brasil;

- 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 de simulação por MDE teria seu nicho 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

 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.

Efeito dos cenários de MC sobre biodiversidade usando MDE

(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)

(94)

Família Arecaceae

(Palmae)

As mais características da flora tropical

Brasil: ~ 36 gêneros e 195 espécies (Giulietti et al, 2005)

buriti pupunha A gro m un d o