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

(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) +

(2)

Apresentação dividida em duas partes

Teórica

Prática

Objetivo do projeto Um pouco da teoria envolvida por trás dos métodos propostos

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

(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

(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;

(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

(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

econômico-ecológico 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)

Modelamos a distribuição de três espécies:

Araucaria angustifolia

Dicksonia sellowiana

Ocotea porosa

(16)

(17)

Métodos

-

19 variáveis bioclimáticas geradas por interpolação de dados

de climáticos mensais

-wolrdclim global climate data,

www.worldclim.org

- 0.93 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 (http://www.worldclim.org/methods)

(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 (www.qgis.org) R (www.r-project.org)

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

(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

(23)

k subgrupos (folds, k=10)

Todas as parcelas (1000)

(24)

Conjunto de teste (k, n=100) Conjunto treino (k-1, n=900) Modelo ajustado (treino) Parâmetros de avaliação do conjunto treino Parâmetros de avaliação

do conjunto teste

Procedimento é repetido

10x

média ± DP média ± DP k subgrupos (folds, k=10) Todas as parcelas (1000)

(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)

Matriz de

confusão

P re d it a Observada + -+ a b - c d

(28)

a = Positivo verdadeiro b = Falso positivo c = Falso negativo d = Verdadeiro negativo P re d it a Observada + -+ a b - c d

(29)

a

(

a+c

)

Sensibilidade =

d

(

d+b

)

Especificidade =

P re d it a Observada + -+ a b - c d

(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: 0.875 ± 0.006 AUC test: 0.855 ± 0.057 ST training: 0.851 ± 0.033 ST test: 0.855 ± 0.077 SP training: 0.815 ± 0.024 SP test: 0.813 ±0.065 TSS training: 0.565 ± 0.035 TSS test: 0.585 ± 0.147

(32)

Coefficients:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 11.883334 4.809320 2.471 0.013477 * bio2_34 0.095157 0.027938 3.406 0.000659 *** bio4_34 -0.003961 0.001728 -2.292 0.021880 * bio8_34 -0.040751 0.009630 -4.231 2.32e-05 *** bio12_34 0.007719 0.005167 1.494 0.135194 bio13_34 -0.109458 0.048498 -2.257 0.024010 * bio15_34 0.246171 0.147996 1.663 0.096239 . ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 379.09 on 286 degrees of freedom Residual deviance: 242.02 on 280 degrees of freedom

Pseudo R2: 36.15%

AIC: 256.02

(33)

Dicksonia sellowiana minimum: 0.98 maximum: 0.99 AUC training: 0.843 ± 0.008 AUC test: 0.781 ± 0.076 ST training: 0.816 ± 0.033 ST test: 0.846 ± 0.126 SP training: 0.736 ± 0.033 SP test: 0.690 ± 0.166 TSS training: 0.509 ± 0.024 TSS test: 0.6125 ± 0.174

(34)

Coefficients:

(Intercept) 0.426614 3.743742 0.114 0.9093 bio1_34 -0.107484 0.013785 -7.797 6.34e-15 *** bio4_34 0.004979 0.001161 4.289 1.79e-05 *** bio13_34 0.014834 0.008560 1.733 0.0831 . ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Pseudo R2: 29.63%

AIC: 286.88

(35)

Ocotea porosa minimum: 0 maximum: 0.93 AUC training: 0.904 ± 0.0124 AUC test: 0.881 ± 0.099 ST training:0.777 ± 0.0316 ST test:0.843 ± 0.125 SP training: 0.922 ± 0.0146 SP test: 0.870 ± 0.151 TSS training:0.655 ± 0.045 TSS test: 0.711 ± 0.118

(36)

Coefficients:

(Intercept) 6.694679 4.322756 1.549 0.12145 bio1_34 -0.119920 0.024624 -4.870 1.12e-06 *** bio2_34 0.187987 0.028778 6.532 6.48e-11 *** bio12_34 -0.023852 0.007114 -3.353 0.00080 *** bio13_34 0.199317 0.065159 3.059 0.00222 ** bio15_34 -0.364078 0.194141 -1.875 0.06075 . ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Pseudo R2: 39.18%

AIC: 171.56

(37)

Como validar modelos transpostos no tempo?

Conjunto de previsões ou método de consenso

(38)

Agradecimentos

Lucia Sevegnani (FURB)

Alexander Vibrans (FURB)

André Luís de Gasper (FURB)

(39)

(40)