Herramientas

Bfuture, Modela y Mcompare

Mauricio Parra QuijanoConsultor FAOTratado Internacional sobre los Recursos FitogenéticosPara la Alimentación y la AgriculturaCoordinador Programa CAPFITOGEN

Bfuture

Descarga y adapta capas de información bioclimática proyectadas a futuro

Bfuture

¿Que son las capas bioclimáticas proyectadas a futuro?

Datos 1950-2000 Proyección 2050Promedio modelosEscenario r.c.p. 4.5

Proyección 2050Promedio modelosEscenario r.c.p. 8.5

¿Que es worldclim?

Portal de información bioclimática interpolada (capas SIG)

Usuales en CAPFITOGEN

Capas proyectadas a futuro

http://www.worldclim.org

¿Que es un GCM?

Una representación numérica del sistema climático basado en las propiedades físicas, químicas y biológicas de sus componentes, sus interacciones y procesos de retroalimentación, y tomando en cuenta todas o algunas de sus propiedades conocidas.

El IPCC los define como…

¿Que es un rcp?

GCM CCSM4Resolución 30 seg19 variables Bioclimrcp 60y se descargará un .tiffcomprimido en un .zipaprox. 3.2 Gb

RCP 2.6 asume que las emisiones anuales (medidas en equivalentes-CO2) tendrán un pico entre 2010-2020 y decaerán. Para RCP 4.5 las emisiones tendrán un pico alrededor de 2040, y declinarán. Para RCP 6.0, el pico de emisiones estará sobre el 2080y declinará y el escenario RCP 8.5 corresponde a un escenario de continuo crecimiento de emisiones a lo largo del siglo XXI.

¿Cómo trabaja Bfuture?Portal worldclim

Descarga directa de capas por usuario, seleccionando directamente en el portal

resolución, GCM, rcp y proyección

Bfuture descarga las capas

Definición de resolución, GCM, rcp y proyección

Recorte por distribuciónRecorte por límites

de un país

Carpeta “rdatamapsf”

Conversión de formato originala formato CAPFITOGEN

Asignación nombrede capas

Capas listas para ser usadas por Modela

Carpeta “rdatamapsf”

Bfuture

Bfuture

Modela

Obtiene modelos de distribución de especies (SDM) individuales y ensamblados para condiciones bioclimáticas de presente y futuro y análisis FIGS por calibración

Modela

¿Qué es un SDM?Metodología por el cual podemos predecir la ocurrencia de una especieen un sitio para el cual no contamos con información sobre la misma.

Distribución potencial

Variables más influyentes en la distribución

Modelos de Nicho Ecológico

Nicho Ecológico: Combinación de condiciones ecológicasque permiten mantener la población sinmigración

Nicho Fundamental: condiciones posiblesNicho Realizado: espacio realmente ocupado

Nicho fundamental

Nicho realizado

Movilidad, dispersión, historia

Metodología

Altitud

Localidad Altitud (msnm)

1 2100

2 650

3 430

4 1890

5 254

6 540

Extracción de información ambiental para cada localidad

Metodología… sencillaLocalidad

Altitud Precipitación anual

Temperatura anual

……

1 560 870 21 …

2 645 940 19 …

… … … … …

Aplicación del algoritmo del modelo-GLM-GAM

-Random forest-MARS

-Máxima entropía (MAXENT)…

Proyección/Mapas de probabilidad de encontrar la especiesobre zonas donde no se tiene información de presencias

Determinación de patrón

Proyección de patrón sobre predictores (capas)

Test set

Training set

Evaluadores de la exactitud de los modelos

Elección de los mejores modelos / ensamblaje

Presencias/ausencias reales

Presencias/pseudoausencias

PA-ELC PA-Random PA-Disk PA-SRE

SelecciónModelos

1. GLM2. GBM3. GAM4. CTA5. ANN6. SER7. FDA8. MARS9. RF10. MAXENT

Capas ecogeográficas

1950-2000Futuro (2050 - 2070)

Confi

gura

ción

esp

ecífi

ca d

e m

odel

os

Tam

años

sets

cal

ibra

ción

/ te

st

Importancia de variable

Núm

ero

de re

petic

ione

s

Evaluación de modelos

(AUC, TSS, Kappa, etc.)

Resultado modelización individual

(con sus repeticiones yvalores de evaluación)

Predicción conjunta

(opcional)Resultados y

evaluación

Mapas de Distribución

Potencialpresente

Modelización

Proyección

Mapas de Distribución

Potencialfutura

Predicción conjuntada(ensemble forecasting)

Metodología… entrando en detalles

Resultado – mapa “crudo”

Resultado – mapa binario

Resultado – mapa futuro

Resultado – comparación mapas binarios

Muchas cosas a tener en cuenta para un SDM

1. Calidad de datos (presencias-presencias/ausencias)2. Datos de sólo presencia o presencia-ausencia

3. Algoritmo de modelización4. Selección (o no) de variables/predictores

5. Presente o presente-futuro

7. Modelo datos completos? Porcentaje train/test sets?8. Tipo de pseudoausencias (si es el caso)

6. Si futuro, GCM, rcp, proyección y resolución

Pseudo-ausencias

RANDOMSRE

DISK

ELC

Muchas cosas a tener en cuenta para un SDM

1. Calidad de datos (presencias-presencias/ausencias)2. Datos de sólo presencia o presencia-ausencia

3. Algoritmo de modelización4. Selección (o no) de variables/predictores

5. Presente o presente-futuro

7. Modelo datos completos? Porcentaje train/test sets?8. Tipo de pseudoausencias (si es el caso)9. No. y tamaño repeticiones pseudoausencias

6. Si futuro, GCM, rcp, proyección y resolución

10. Usar o no usar ajustes específicos para algoritmo 11. Deseo obtener la importancia de los predictores?

12. Re-escalar los mapas respuesta?

Muchas cosas a tener en cuenta para un SDM

13.¿Que evaluadores se usarán? 14. Modelos a proyectar, ¿todos? ¿mejor evaluados?

15. Valores de umbral para evaluador(es)16. ¿Deseo obtener mapas binarios?

17. ¿Deseo un mapa máscara para zonas “outlier”?

19. Cuáles modelos ensamblo, todos?, ¿mejor evaluados?20. Vía y tipo de ensamblaje

18. ¿Deseo ensamblar modelos?

21. ¿Re-evaluar el ensamblaje? ¿cual evaluador?22. ….23. ….

SDM son complejos y requieren entrenamiento

Cursos de formación/entrenamiento en modelos de distribución de especies, GBIFhttp://goo.gl/pzltwe

Familiarizarse con procesos sencillos como los que pueden realizarse en DIVA-GIS y practicar con DIVA y Maxent como se describe en

Leer revistas como Ecography, Ecological modelling, Diversity and distributions y otras de ámbito ecológico (ver carpeta “Modela” dentro de “Documentación_References”).

http://goo.gl/lfhL5J

FIGS - calibración

Algoritmo AUC Kappa Validación real en campo

Principal Component Regression (PCR)

0.69 0.40 ?

Partial Least Squares (PLS) 0.69 0.41 ?

Random Forest (RF) 0.70 0.42 ?

Support Vector Machines (SVM)

0.71 0.44 ?

Artificial Neural Networks (ANN)

0.71 0.44 ?

Y = b + X1 + X2 + X3Resistencia/Tolerancia

Variables ecogeográficas

(Banco: Colección trigo ICARDA – Rasgo: Roya del tallo (Puccinia gramini)Fuente: Bari et al., 2012. Focused identification of germplasm strategy (FIGS) detects wheat stem rust resistance linked to environmental variables. Genet Resour Crop Evol 59(7):1465-1481

Predicción en germoplasma no eval/caractGermoplasma eval/caract Patrón

Funcionamiento de Modela para FIGS

Para FIGS en Modela…

Necesitará una tabla para accesiones con el rasgo y otra sin el rasgo

Funcionará como un SDM para datos presencia/ausencia real

Sólo los algoritmos para presencia/ausencia estarán disponibles. Algunos métodos de modelización también apropiados para este tipo de procesos podrían no estar incluidos en Modela

Los resultados son:

1. El subset FIGS (na tabla con los pasaportes de las entradas seleccionadas) y

2. mapas que muestran áreas donde la probabilidad de encontrar plantas con el rasgo es más alta

Ejemplo resultados – Portugal Allium

Mcompare

Compara mapas de predicción para condiciones actuales y futuras obtenidos con Modela

Mcompare

Impacto cambio climático

Tomado de A. Jarvis et al. 2008. The effect of climate change on crop wild relatives. Agriculture, Ecosystems and Environment 126

¿Cómo clasificar el impacto?

Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación enAnálisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.

¿Cómo clasificar el impacto?

Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación enAnálisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.

¿Que hace Mcompare? Alta probabilidad

Baja probabilidad

Presente Futuro

Mcompare hace el mismo proceso

Presente

Futuro

Resultados de Mcompare - tablas Clasificación de las celdas

Clasificación de los sitios de presencia

Resultados de Mcompare - mapas

a) Mapa de predicción binaria condiciones presenteb) Mapa de predicción binaria condiciones futuroc) Mapa Mcompare de clasificación de escenarios

Resultados de Mcompare - mapas

1. Presente si ,futuro no (alto impacto)2. Ni presente ni futuro (fuera de nicho realizado)3. Presente si, futuro también (bajo impacto)4.Presente no, futuro si (nueva disponibilidad)

Resultados de Mcompare - mapas

1. Presente si ,futuro no (alto impacto)2. Ni presente ni futuro (fuera de nicho realizado)3. Presente si, futuro también (bajo impacto)4.Presente no, futuro si (nueva disponibilidad)