48

Modelos de distribución de especies y su aplicación para la gestión de territorioDanilo Yánez Cajo BL. M.S.C.1

1. CLIRSEN, Componente Sistemas Productivos Agropecuarios y cobertura vegetal Natural; E-mail: danoyanez@hotmail.com

Un modelo es un esquema teórico de un sistema o de una realidad compleja, que se elabora para facilitar su comprensión y el estudio de su comportamiento en situaciones difíciles de observar en la realidad (RAE, 2011). La biodiversidad es un sistema complejo, ya que los elementos

que la conforman son organismos que tienen interacciones ecológicas difíciles de establecer con precisión, de ahí que la espacialización de la biodiversidad y sus aplicaciones representan un desafío en aras de plasmar la realidad de la forma más fiable.

Introducción

Se realizó un modelamiento de distribución de la especie Triatoma dimidiata, vector del mal de chagas, mediante la aplicación de cuatro técnicas de modelamiento ecológico: Regresión logística, DOMAIN, Bioclim y Maxent; los cuales fueron evaluadas con el uso del test estadístico AUC que determinó el modelo ecológico que más se ajusta a las aptitudes bioclimáticas de las áreas donde se distribuye la especie. Siendo la regresión logística la que presentó mayor especificidad (0,8), ésta fue utilizada para hacer una distribución de rangos con la finalidad de asignar valores categóricos y determinar la superficie con mayor idoneidad para la presencia de la especie. Además, se realizó una aplicación de este modelo para la gestión de territorio como una herramienta de la entomología médica, utilizando el sector geográfico con muy alta idoneidad como límite dentro del cual se encuentran los poblados rurales donde se debería realizar compañas de prevención para evitar una infección masiva de esta enfermedad.

Modeling was performed for the specie Triatoma dimidiata that transmit Chagas disease, through the application of four ecological modeling techniques: Logistic regression, DOMAIN, Bioclim and Maxent, which were evaluated using the statistical test AUC. The logistic regression showed the higher specificity (0.8) and was use to make a distribution of raster values in five categorical ranges, to determine the suitable area for the occurrence of the specie. This article also, shows the benefits of using this kind of tool to help in land management and medical entomology, through the use of geographical area with very high suitability as a limit within which are the rural villages where the government should undertake prevention to avoid massive infection of this disease.

49

En ecología, las técnicas estadísticas y los SIG se conjugan para conseguir interpretaciones que permitan tomar decisiones en la gestión de la biodiversidad, convirtiéndose en una herramienta para el diagnóstico y predicción de determinados incidentes.

Así, los modelamientos de distribución de especies, constituyen un elemento útil para estipular las áreas donde existe mayor probabilidad de que encontremos una especie determinada, dadas las aptitudes ecológicas del sector. En casos de epidemias, como las causadas por el microorganismo Trypanosoma cruzi, cuyo vector es Triatoma dimidiata, causantes del mal de chagas, este tipo de diagnóstico, es un instrumento que ayudará en la planificación para la prevención de la enfermedad, facilitando la gestión del territorio.

Metodología

Variables

Existen numerosas colecciones científicas, las cuales son la principal fuente de información primaria para empezar el modelamiento, se debe tener en cuenta que a mayor número de presencias, el modelo presentará menor riesgo de sesgo; para este trabajo se seleccionó la especie Triatoma dimidiata de la familia Triatominae que son los vectores del microorganismo Trypanosoma cruzi causante del mal de chagas, las ocurrencias de esta especie se adquirieron de muestreos de campo, bases de datos de un sistema distribuido como GBIF, información de instituciones

encargadas de la gestión de biodiversidad y registros de muestreos personales, dando un total de 69 registros.

Con esta tabla generamos la base de datos que contenga las coordenadas geográficas de la distribución de la especie, la cual se convierte en un shape de puntos utilizando ArcMap 9.3, con el objeto de no perder información valiosa; se utilizaron todos los puntos obtenidos para la distribución de la especie (Papes & Gaubert, 2007), al trabajar con los datos de sistemas distribuidos se carece de ausencias verdaderas, por lo cual es necesario generar ausencias al azar, estas se las conoce como Pseudo-ausencias. Para este trabajo fueron generadas con la extensión “HawthsTools” y la herramienta “Intersect point tool” de ArcMap 9.3, realizando una distribución uniforme sobre toda la superficie del Ecuador, evitando zonas tampón alrededor de cada presencia, se generaron 5000 pseudo-ausencias; los temas de puntos: presencias y pseudo-ausencias, tienen que formar un solo tema de puntos, esto se lo hace mediante una unión “merge”, lo que nos permite obtener un solo shape de puntos.

Para obtener las variables independientes se utilizaron las 19 variables bioclimáticas generadas por el proyecto WordClim, cada una de estas variables corresponde a datos de clima (Tabla 1) con un formato raster con una resolución espacial de 1 Km. Las capas raster de las variables climáticas fueron intersecadas con los temas de puntos de cada presencia y pseudo-ausencia, mediante lo cual se obtiene una tabla de atributos con los datos de las 19 variables de cada píxel donde se intersecó el punto “intersect point tool” (Tabla 2).

50

Tabla 1. Variables bioclimáticas utilizadas para el modelamiento ecológico

Tabla 2. Segmento de tabla de atributos con las presencias y pseudo-ausencias intersecadas sobre las variables climáticas

CÓDIGO VARIABLE

BIO1 Temperatura media anualBIO2 Rango medio diurno (Media de la (max temp - min temp) mensual)BIO3 Isotermicidad (BIO2/BIO7) (x 100)BIO4 Estacionalidad de la temperatura (desviación estándar x 100)BIO5 Temperatura máxima del mes más cálidoBIO6 Temperatura mínima del mes más fríoBIO7 Rango anual de temperaturas (BIO5-BIO6)BIO8 Temperatura media del trimestre más húmedoBIO9 Temperatura media del trimestre más seco

BIO10 Temperatura media del trimestre más cálidoBIO11 Temperatura media del trimestre más fríoBIO12 Precipitación anualBIO13 Precipitación del mes más húmedoBIO14 Precipitación del mes más secoBIO15 Estacionalidad de la precipitación (como coeficiente de variación)BIO16 Precipitación del trimestre más húmedoBIO17 Precipitación del trimestre más secoBIO18 Precipitación del trimestre más cálidoBIO19 Precipitación del trimestre más frío

Latitude longitude pre aus

bio 19

bio 18

bio 17

bio 16

bio 15

bio 14

bio 13

bio 12

bio 11

bio 10

bio 9 bio 8 bio 7

-2,26713 -70,516403 0 620 730 607 997 20 169 337 3109 252 263 254 259 104

4,28812 -74,425102 0 616 496 283 616 38 82 247 1798 219 229 225 219 107

2,21925 -76,191002 0 422 443 335 506 19 96 185 1725 128 133 132 131 111

-0,393558 -76,867401 0 773 883 718 1024 16 201 373 3396 241 252 243 244 112

2,88157 -70,471703 0 1064 271 255 1104 47 47 389 2813 256 278 273 258 124

2,6755 -72,885201 0 986 216 216 1008 49 28 356 2580 262 291 291 268 134

4,4762 -76,037399 0 314 304 191 379 35 56 154 1136 233 242 239 240 131

0,546854 -79,063599 0 352 1093 351 1119 50 99 404 2727 240 251 240 251 103

4,64876 -72,391701 0 958 118 76 991 64 4 356 2332 255 281 277 258 132

6,19747 -70,280296 0 933 276 58 933 67 8 340 2079 259 281 275 259 128

Para generar cualquier tipo de modelamiento ecológico se realiza un análisis del comportamiento de los datos; en este caso se llevo a cabo procedimientos: estadísticos descriptivos, test normalidad, valores atípicos y correlación, con la

ayuda del programa estadístico SPSS v 18. Una vez que se cuenta con estos valores, se puede empezar la construcción de los modelos potenciales para la distribución de la especie. Para este trabajo se emplearon cuatro técnicas:

Métodos de modelado ecológico

51

Para comparar la capacidad predictiva de los modelos y de cada uno de los métodos aplicados, se usó el test estadístico AUC (Area Under the Curve) a partir de la curva ROC (Receiver Operating Characteristics)

(Hanley & McNeil, 1982), éste permite evaluar las ocurrencias de Triatoma dimidiata, intersecadas correctamente con las capas, para realizar la curva ROC se utilizó el paquete estadístico SPSS v.18.

Evaluación de los modelos

Es muy adecuada para el modelado ecológico puesto que necesita de presencias y ausencias, lo que la convierte en una variable dicotómica. El resultado está comprendido entre 0 (incompatible) y 1 (idóneo). Este modelo logístico expresa la probabilidad de presencia, P(i), como:

1/(1+exp-(constante x valor x capa (+-según corresponda valor x segunda capa, etc.)

Para realizar este modelo se utiliza el software SPSS v. 18 y ArcMap 9.3

Es una técnica que usa la distancia de Gower como índice de similaridad ambiental entre cada píxel y el sitio más próximo en el que está presente la especie (Carpenter et al., 1993), sólo se necesita presencias para correr este modelo.

Para la elaboración de este modelo hacemos uso del Software Diva-GIS v. 5.2

Este modelo consiste en encontrar una regla para identificar áreas con clima similar a los lugares de la presencia de la especie, se usan 19 variables climáticas para determinar la distribución potencial de una especie, pero se pueden usar variables no climáticas como: tipo de suelo y cobertura vegetal natural. La distribución potencial se identifica interpolando las variables climáticas, lo que da como resultado gráfico un mapa binario.

Al igual que DOMAIN, para generar este modelo utilizamos el Software Diva-GIS v. 5.2

Es una técnica que genera internamente pseudo-ausencias, la función es encontrar la distribución que más uniforme posible, (probabilidad de máxima entropía) para la especie estudiada, lo que trata de representar este modelo es la idoneidad de la especie para ser encontrada en un determinado píxel, mas no, como la probabilidad absoluta de encontrarlo dentro del mismo.

Para generar nuestro modelo utilizamos el software Maxent 1.8.2.

1. Regresión logística

2. DOMAIN

3. Bioclim

4. Maxent

52

La distribución de Triatoma dimidiata se caracteriza por estar presente en zonas tropicales, en especial en zonas de la región amazónica, razón por la cual nuestros modelos tienen que corresponder a esa lógica de registros, los cuatro modelos nos

determinan superficies de idoneidad que se encuentran dentro de la región amazónica; como se mencionó en la metodología, se utilizaron cuatro técnicas de modelado ecológico, las cuales se las representa en el siguiente gráfico:

Cabe mencionar que para trabajar los modelos y utilizarlos como una herramienta para la gestión del territorio, se necesita introducir el ráster generado en Diva-GIS y Maxent al ArcMap 9.3, para esto se usa el archivo ascii generado por los dos software

mencionados; estos archivos por lo general están denominados de la siguiente manera “nombre asignado.asc”, una vez ingresado se puede trabajar y editar el archivo según los objetivos que se hayan planteado.

Resultados

A B

C D

GRÁFICO 1. Modelos obtenidos mediante el uso de las cuatro técnicas aplicadas A) Regresión logística; B) DOMAIN; C) Bioclimático; D) Maxent

53

GRÁFICO 2. Modelos obtenidos mediante las cuatro técnicas, vistos desde ArcMap 9.3

Para conseguir evaluar el alcance de predicción de la distribución potencial de la especie mediante el uso de los modelos, se realizó Análisis AUC, el cual se encuentra dentro de los rangos de 0,5 y 1. Un valor de 0,5 equivale a una clasificación al azar, mientras que un valor de 1 indica un ajuste perfecto (Fielding & Bell, 1997).

El modelo de mayor valor fue el de regresión logística (0,8); seguido por el modelo de

Máxima entropía (0,7); DOMAIN (0,5) y Bioclim (0,2); por tanto, el modelo que expresa una mayor probabilidad de encontrar la especie es el de regresión logística, siendo el más idóneo para trabajar en los planes de prevención de la enfermedad causada por Triatoma dimidiata. Además, se lo puede aplicar con fines de estudios biológicos o de zoonosis.

Evaluación de modelos

54

Tipo Modelo

Max_tr

regre_t

tr_bio1

tr_dom

Modelos Triatoma cruziROC Curve

1,0

0,8

0,6

0,4

0,2

0,00,0 0,2 0,4 0,6 0,8 1,0

1 - Specificity

Sen

siti

vity

Diagonal segments are produced by ties.

GRÁFICO 3. Curva ROC, donde nos expresa los valores de la evaluación de cada una de las técnicas de modelamiento ecológico.

VALUE0 - 16

16.000000001 - 35

35.000000001 - 51

51.000000001 - 67

67.000000001 - 100

GRÁFICO 4. Rangos numéricos de para determinar la idoneidad de la distribución de la especie del modelo de regresión logística.

Modelo AUC

Maxent 0,7

Regression Logística 0,8

Bioclim 0,2

DOMAIN 0,5

En el contexto de haber establecido a la regresión logística como modelo más efectivo para predecir la distribución de la especie, se utilizó el mismo para determinar el área idónea para la presencia de la especie, se empleó rangos numéricos del raster

distribuidos en quintiles, obteniéndose cinco rangos categóricos. En función de la perspectiva del investigador, los objetivos del proyecto o de la biología de la especie, estos rangos pueden variar y hay que asignarlos de la manera más adecuada.

Idoneidad

55

Tabla 3. Asignación de categorías a cada rango de distribución

Rangos Categórico

0-16 Muy baja17-35 Baja36-51 Media52-67 Alta

68-100 Muy alta

Esta asignación categórica permitirá determinar las superficies donde existe la mayor idoneidad para la distribución de la especie en el modelo de regresión logística, en este caso el rango de 68 a 100 representado con color rojo, nos indica que existe una muy alta idoneidad para la presencia de la especie.

Existen 105 especies de triatominos que son vectores del microorganismo Trypanosoma cruzi, que es el mayor responsable de los casos del mal de chagas (Abad y Aguilar, 2003). La transmisión vectorial es responsable del 80% de nuevos casos de infección humana por Trypanosoma cruzi, ya que entre 165.000 y 170.000 personas son seropositivas en el Ecuador, e incluso muchos de estos casos la desconocen.

Las estrategias de prevención deben incluir tres componentes: control de la transmisión vectorial, tamizaje de donaciones de sangre y atención a personas infectadas, para evitar una crisis epidemiológica en los sectores rurales; esta es una tarea que requiere una planificación muy minuciosa, ya que en ausencia de vacunas y de tratamientos eficaces en estas zonas, las acciones preventivas dependen de forma crucial del control de las poblaciones infectadas. En este marco, se destaca la importancia

de la cartografía generada mediante un modelamiento de la presencia de especies vectores de enfermedades, como el que se ha desarrollado a lo largo de este trabajo para la especie Triatoma dimidiata.

Para este procedimiento se utiliza la superficie con una muy alta idoneidad para la distribución de Triatoma dimidiata. Para facilidad de uso de las superficies determinadas por el modelo, es mejor transformar el raster a vector mediante la herramienta “spatial analyst”, “convert”, “ráster to feature”, obteniéndose cinco superficies con la asignación categórica asignada; después de esto, se inserta el shape de puntos del tema “poblados”, estableciéndose cuáles son los poblados ubicados dentro de la superficie de muy alta idoneidad, donde los planificadores del ámbito de la salud deberían hacer las campañas de prevención y evitar una epidemia de mal de chagas.

Aplicación del modelo como herramienta en la gestión de territorio

GRÁFICO 5. Segmento de tabla de atributos con los nombres de los poblados rurales donde se debe realizar compañas de prevención para el mal de chagas

56

Discusión

La técnica de regresión logística demostró ser la que más se apega a la realidad a la hora de predecir la distribución de la especie estudiada, en base a las aptitudes bioclimáticas. En este caso, se siguió la estrategia de modelizar la distribución de una sola especie (Triatoma dimidiata), por ser la mayor responsable de la incidencia del mal de chagas en el Ecuador, por considerarlo más realista que los modelos a nivel de comunidad, ya que existen trabajos donde se agrupan varios modelos para determinar la distribución de varias especies de un mismo género. (Guisan & Zimmermann, 2000).

Los modelos ecológicos deben generarse a partir de las variables ambientales apropiadas (Ottaviani et al., 2004). Es probable que un modelo de distribución pueda presentar algún tipo de sesgo a causa de no elegir las variables significativas para el tema de estudio o por el desconocimiento de la biología de la especie. En el presente trabajo se utilizó 19 variables bioclimáticas de Worldclim, derivadas de temperatura y precipitación, acopladas a un modelo digital de terreno (MDT) de 90 m de resolución; adicionalmente a esto se destaca la evaluación del test AUC, que dio un valor significativo de confianza al modelo.

Existen varias formas de planificar la salud pública, muchas de estas sostenidas en criterios como: zonas de incidencia de la enfermedad y donde se han realizado estudios de zoonosis, pero no se ha logrado ubicar sectores espaciales donde en realidad se distribuyen las especies vectores de enfermedades, o de igual manera zonas de aptitudes donde podría estar presente la misma, razón por la cual es evidente la necesidad de utilizar los modelamientos de especies vectores de enfermedades para determinar las zonas de idoneidad, donde se debe planificar estrategias de prevención.

Conclusión

Los modelamientos ecológicos se han convertido en una herramienta muy útil al momento de realizar planificaciones sobre estudios biológicos, ya que optimizan el tiempo y la disposición de recursos; además, se evidenció la utilidad del modelo para aplicarlo en la planificación del territorio, específicamente en la gestión de la salud pública, y con esto brindar seguridad y un buen vivir a la población que habita estas áreas.

57

� ABAD, R., S. AGUILLAR. 2007. Familia Triatominae vectores del mal de chagas en el Ecuador. Ministerio de salud Pública del Ecuador

� CARPENTER, S., R, CARACO., D. CORRELL., W. HOWARTH., N. SHARPLEY., H. SMITH. 1993. Nonpoint pollution of surface waters with phosphorus and nitrogen. Ecological Applications 8:559-568.

� FIELDING, A., H. BELL. 1997. Review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation, 24(1): 38-49

� HANLEY, H., N, MCNEIL. 1982. Calculation of the Standard Error of the Area under the Curve (AUC) and of the difference between two AUCs.

� GUISAN, A., N, ZIMMERMANN. 2000. Predictive habitat distribution models in ecology. Ecological Modelling. 135: 147–186

� PAPES, M., C GAUBERT. 2001. Modelling ecological niches from low numbers of occurrences: assessment of the conservation status of poorly known viverrids (Mammalia, Carnivora) across two continents. Diversity and distributions. 12(2): 125-136

� REAL ACADEMIA ESPAÑOLA, 2011. Diccionario de la Lengua Española. Vigésima segunda ed. Madrid. s.p.

Referencias Bibliográficas