1 Introduccion

El leopardo de las nieves (Panthera uncia, Schreber 1775) es uno de los grandes felinos mas enigmaticos y menos estudiados del planeta. Conocido popularmente como el “fantasma de las montanas”, este magnifico carnivoro habita las escarpadas cadenas montanosas de Asia Central y del Sur, constituyendo una de las especies mas emblematicas de los ecosistemas alpinos de alta altitud.

1.1 Taxonomia y Clasificacion Sistematica

Taxonomicamente, la especie pertenece al orden Carnivora, familia Felidae y genero Panthera. Durante mucho tiempo fue clasificada en el genero monotipico Uncia como Uncia uncia; sin embargo, estudios filogeneticos moleculares posteriores revelaron que forma un grupo hermano con el tigre (Panthera tigris), con una divergencia genetica estimada entre 4,62 y 1,82 millones de anos atras, lo que justifica su inclusion en el genero Panthera. Actualmente se reconocen potencialmente tres subespecies:

P. u. uncia — Pamir y Tian Shan
P. u. irbis — Mongolia y Altai
P. u. uncioides — Himalaya y meseta tibetana

La validez taxonomica de estas subespecies sigue siendo objeto de debate cientifico.

1.2 Descripcion Morfologica

El leopardo de las nieves es un felino de tamano mediano a grande, con una longitud corporal entre 0,9 y 1,3 m, a lo que se suma una cola extraordinariamente larga (0,8-1,0 m) que utiliza como herramienta de equilibrio en terrenos abruptos y como abrigo termico durante el descanso. Los adultos pesan entre 22 y 55 kg, presentando un marcado dimorfismo sexual (machos ~30% mas pesados).

Su pelaje — el mas denso y largo entre todos los grandes felinos — es de color gris-blanquecino en la superficie dorsal y blanco puro en el vientre, con rosetas oscuras irregulares que proporcionan un camuflaje perfecto en paisajes rocosos nevados. Las patas robustas, con almohadillas plantares amplias y cubiertas de pelo, estan adaptadas para desplazarse sobre nieve profunda; sus fosas nasales ensanchadas facilitan la respiracion a baja presion de oxigeno.

1.3 Distribucion Geografica y Habitat

El area de distribucion abarca 12 paises de Asia: Afganistan, Butan, China, India, Kazajistan, Kirguistan, Mongolia, Nepal, Pakistan, Rusia, Tayikistan y Uzbekistan, cubriendo aproximadamente 2 millones de km2, con el 60% del habitat concentrado en China. Habita zonas alpinas y subalpinas entre los 3.000 y 5.500 m s.n.m. en verano, descendiendo a cotas de 1.800-3.000 m en invierno siguiendo a sus presas.

1.4 Ecologia Trofica y Comportamiento

Como depredador apex de los ecosistemas de alta montana, regula las poblaciones de ungulados silvestres como el bharal (Pseudois nayaur), el ibex siberiano (Capra sibirica) y el argali (Ovis ammon). Es un animal solitario y crepuscular-nocturno. Los territorios individuales varian entre 12 km2 (Nepal) y mas de 500 km2 (Mongolia). La reproduccion ocurre entre enero y marzo, con gestaciones de 90-105 dias y camadas de 2-3 cachorros.

1.5 Estado de Conservacion

Estado UICN: La especie esta catalogada como Vulnerable (VU) en la Lista Roja de la UICN desde 2017, con una poblacion global estimada entre 4.000 y 7.000 individuos maduros. Sus principales amenazas incluyen la caza furtiva, perdida y fragmentacion del habitat, disminucion de presas silvestres, retaliacion por depredacion de ganado y, a largo plazo, el cambio climatico — el cual podria reducir hasta el 30% del habitat disponible en el Himalaya durante este siglo.

2 Condiciones Ambientales Optimas Mensuales

La siguiente tabla presenta las condiciones ambientales optimas en el habitat de Panthera uncia a lo largo del ano, con base en estudios de telemetria, modelamiento de nicho ecologico y registros climaticos del Himalaya, meseta tibetana y cordilleras de Asia Central. Los valores reflejan los rangos tipicos en elevaciones de 3.000 a 4.500 m s.n.m.

Tabla 1. Condiciones ambientales optimas mensuales para Panthera uncia (3.000-4.500 m s.n.m.)
Mes	T Max (C)	T Min (C)	Precipitacion (mm)	Humedad Relativa (%)
Enero	-5 a -15	-20 a -30	5-15	40-60
Febrero	-3 a -12	-18 a -28	5-12	40-58
Marzo	0 a -8	-15 a -24	8-18	42-62
Abril	4 a -4	-10 a -18	10-25	45-65
Mayo	8 a 2	-5 a -12	15-35	50-68
Junio	12 a 6	-2 a -8	20-50	55-72
Julio	15 a 8	0 a -5	25-60	58-75
Agosto	14 a 7	-1 a -6	20-55	56-73
Septiembre	9 a 3	-5 a -12	12-30	48-67
Octubre	4 a -3	-10 a -18	8-20	44-63
Noviembre	-2 a -10	-15 a -24	5-15	40-60
Diciembre	-5 a -14	-18 a -28	4-12	38-58

Nota: Los valores de temperatura corresponden a rangos diurnos en zonas alpinas. La precipitacion incluye equivalente en agua de nieve. La humedad relativa puede ser mas baja en invierno durante periodos anticicloniclos.

3 Analisis Espacial de la Distribucion Climatica de Panthera uncia

Este capitulo presenta un analisis espacial basado en datos climaticos de alta resolucion para evaluar las zonas de habitat optimo del leopardo de las nieves en Nepal. El analisis integra tres variables: temperatura minima mensual, temperatura maxima mensual y precipitacion mensual, descargadas desde WorldClim v2.1 mediante el paquete geodata.

3.1 Metodologia

3.1.1 Paquetes utilizados

library(geodata)  # Descarga datos WorldClim
library(terra)    # Analisis raster
library(ggplot2)  # Graficos estaticos
library(leaflet)  # Mapa interactivo
library(knitr)    # Tablas

3.1.2 Criterios climaticos de aptitud

Tabla 2. Umbrales de aptitud climatica para Panthera uncia.
Variable climatica	Rango optimo	Justificacion ecologica
Temperatura minima mensual	-30 C a 0 C	Tolera temperaturas extremas; limite superior excluye zonas calidas no aptas
Temperatura maxima mensual	-15 C a 8 C	Rango de zonas alpinas; excluye valles calidos y planicies bajas
Precipitacion mensual	4 mm a 60 mm	Evita zonas aridas (<4 mm) y excesivamente humedas (>60 mm)

3.1.3 Descarga de datos WorldClim

ruta_datos <- file.path(tempdir(), "worldclim_nepal")
dir.create(ruta_datos, showWarnings = FALSE)

tmin <- worldclim_country(country = "Nepal", var = "tmin", path = ruta_datos)
tmax <- worldclim_country(country = "Nepal", var = "tmax", path = ruta_datos)
prec <- worldclim_country(country = "Nepal", var = "prec", path = ruta_datos)

meses <- c("Ene","Feb","Mar","Abr","May","Jun",
           "Jul","Ago","Sep","Oct","Nov","Dic")
names(tmin) <- meses
names(tmax) <- meses
names(prec) <- meses

cat("Capas tmin:", nlyr(tmin), "| tmax:", nlyr(tmax), "| prec:", nlyr(prec), "\n")

## Capas tmin: 12 | tmax: 12 | prec: 12

print(ext(tmin))

## SpatExtent : 80, 88.5, 26, 30.5 (xmin, xmax, ymin, ymax)

3.2 Analisis de Aptitud por Variable

Para cada variable se crea una mascara binaria mensual (1 = apto, 0 = no apto) y se suman los meses aptos por pixel (0 a 12).

# Funcion auxiliar: raster de una capa -> data.frame (x, y, valor)
raster_a_df <- function(r, nombre = "valor") {
  df <- as.data.frame(r, xy = TRUE)
  names(df)[3] <- nombre
  df[!is.na(df[[nombre]]), ]
}

3.2.1 Aptitud por temperatura minima

zona_apt_tmin <- tmin >= -30 & tmin <= 0
apt_tmin_suma <- sum(zona_apt_tmin)
names(apt_tmin_suma) <- "meses_aptos"

df_tmin <- raster_a_df(apt_tmin_suma, "meses_aptos")

ggplot(df_tmin, aes(x = x, y = y, fill = meses_aptos)) +
  geom_raster() +
  scale_fill_gradientn(
    colours = c("#f0f4f8","#4A90D9","#1A3A5C","#0a1a2e"),
    name    = "Meses\naptos",
    limits  = c(0, 12), breaks = c(0, 3, 6, 9, 12)
  ) +
  coord_equal() +
  labs(title    = "Aptitud por temperatura minima - Panthera uncia en Nepal",
       subtitle = "Rango optimo: -30 C a 0 C | Fuente: WorldClim v2.1",
       x = "Longitud", y = "Latitud") +
  theme_minimal(base_size = 12) +
  theme(plot.title    = element_text(face = "bold", color = "#1A3A5C", size = 13),
        plot.subtitle = element_text(color = "#666", size = 10))

Figura 1. Meses con temperatura minima optima (-30 a 0 C) para Panthera uncia en Nepal.

3.2.2 Aptitud por temperatura maxima

zona_apt_tmax <- tmax >= -15 & tmax <= 8
apt_tmax_suma <- sum(zona_apt_tmax)
names(apt_tmax_suma) <- "meses_aptos"

df_tmax <- raster_a_df(apt_tmax_suma, "meses_aptos")

ggplot(df_tmax, aes(x = x, y = y, fill = meses_aptos)) +
  geom_raster() +
  scale_fill_gradientn(
    colours = c("#f9f3e8","#E8A020","#8B4500","#3d1a00"),
    name    = "Meses\naptos",
    limits  = c(0, 12), breaks = c(0, 3, 6, 9, 12)
  ) +
  coord_equal() +
  labs(title    = "Aptitud por temperatura maxima - Panthera uncia en Nepal",
       subtitle = "Rango optimo: -15 C a 8 C | Fuente: WorldClim v2.1",
       x = "Longitud", y = "Latitud") +
  theme_minimal(base_size = 12) +
  theme(plot.title    = element_text(face = "bold", color = "#1A3A5C", size = 13),
        plot.subtitle = element_text(color = "#666", size = 10))

Figura 2. Meses con temperatura maxima optima (-15 a 8 C) para Panthera uncia en Nepal.

3.2.3 Aptitud por precipitacion

zona_apt_prec <- prec >= 4 & prec <= 60
apt_prec_suma <- sum(zona_apt_prec)
names(apt_prec_suma) <- "meses_aptos"

df_prec <- raster_a_df(apt_prec_suma, "meses_aptos")

ggplot(df_prec, aes(x = x, y = y, fill = meses_aptos)) +
  geom_raster() +
  scale_fill_gradientn(
    colours = c("#f0faf0","#52B788","#1B4332","#081c15"),
    name    = "Meses\naptos",
    limits  = c(0, 12), breaks = c(0, 3, 6, 9, 12)
  ) +
  coord_equal() +
  labs(title    = "Aptitud por precipitacion - Panthera uncia en Nepal",
       subtitle = "Rango optimo: 4-60 mm | Fuente: WorldClim v2.1",
       x = "Longitud", y = "Latitud") +
  theme_minimal(base_size = 12) +
  theme(plot.title    = element_text(face = "bold", color = "#1A3A5C", size = 13),
        plot.subtitle = element_text(color = "#666", size = 10))

Figura 3. Meses con precipitacion optima (4-60 mm) para Panthera uncia en Nepal.

3.3 Indice de Aptitud Climatica Global (IAC)

El IAC integra las tres variables mediante promedio simple normalizado a porcentaje (0-100%). Un valor de 100% indica condiciones optimas los 12 meses segun las tres variables simultaneamente.

\[IAC = \frac{A_{tmin} + A_{tmax} + A_{prec}}{3} \times \frac{100}{12}\]

IAC <- (apt_tmin_suma + apt_tmax_suma + apt_prec_suma) / 3 / 12 * 100
names(IAC) <- "IAC_pct"

df_IAC <- raster_a_df(IAC, "IAC_pct")

ggplot(df_IAC, aes(x = x, y = y, fill = IAC_pct)) +
  geom_raster() +
  scale_fill_gradientn(
    colours = c("#eeeeff","#6699cc","#2255aa","#003380","#ffcc00","#ff6600"),
    name    = "Aptitud\nclimatica (%)",
    limits  = c(0, 100),
    breaks  = seq(0, 100, 20),
    labels  = paste0(seq(0, 100, 20), "%")
  ) +
  coord_equal() +
  labs(title    = "Indice de Aptitud Climatica Global - Panthera uncia en Nepal",
       subtitle = "Promedio de tmin, tmax y precipitacion | WorldClim v2.1",
       x = "Longitud", y = "Latitud",
       caption  = "Valores >50%: habitat climaticamente idoneo | Valores >75%: alta calidad climatica") +
  theme_minimal(base_size = 12) +
  theme(plot.title        = element_text(face = "bold", color = "#1A3A5C", size = 13),
        plot.subtitle     = element_text(color = "#666", size = 10),
        plot.caption      = element_text(color = "#888", size = 9, face = "italic"),
        legend.key.height = unit(1.5, "cm"))

Figura 4. Indice de Aptitud Climatica Global (IAC) para Panthera uncia en Nepal. Las zonas de mayor valor corresponden al Himalaya.

3.3.1 Mapa interactivo del IAC

IAC_wgs <- project(IAC, "EPSG:4326")

pal_leaf <- colorNumeric(
  palette  = c("#eeeeff","#6699cc","#2255aa","#003380","#ffcc00","#ff6600"),
  domain   = c(0, 100),
  na.color = "transparent"
)

leaflet() |>
  addProviderTiles("Esri.WorldShadedRelief", group = "Relieve") |>
  addProviderTiles("OpenStreetMap",          group = "OpenStreetMap") |>
  addProviderTiles("Esri.WorldImagery",      group = "Satelite") |>
  addRasterImage(IAC_wgs, colors = pal_leaf, opacity = 0.8,
                 group = "Aptitud Climatica (%)") |>
  addLegend(pal = pal_leaf, values = c(0, 100),
            title = "Aptitud<br>climatica (%)",
            position = "bottomright",
            labFormat = labelFormat(suffix = "%")) |>
  addLayersControl(
    baseGroups    = c("Relieve", "OpenStreetMap", "Satelite"),
    overlayGroups = "Aptitud Climatica (%)",
    options       = layersControlOptions(collapsed = FALSE)
  )

Figura 5. Mapa interactivo del IAC. Use el zoom para explorar las zonas de mayor aptitud climatica en Nepal.

3.4 Estadisticas Resumen

val_tmin <- values(apt_tmin_suma, na.rm = TRUE)
val_tmax <- values(apt_tmax_suma, na.rm = TRUE)
val_prec <- values(apt_prec_suma, na.rm = TRUE)
val_IAC  <- values(IAC,           na.rm = TRUE)

n_valid    <- length(val_IAC)
res_km     <- res(tmin)[1] * 111
area_pixel <- res_km^2

cat_nula   <- sum(val_IAC == 0)
cat_baja   <- sum(val_IAC > 0  & val_IAC <= 25)
cat_media  <- sum(val_IAC > 25 & val_IAC <= 50)
cat_alta   <- sum(val_IAC > 50 & val_IAC <= 75)
cat_optima <- sum(val_IAC > 75)

resumen_df <- data.frame(
  Categoria  = c("Sin aptitud (0%)", "Aptitud baja (1-25%)",
                 "Aptitud media (26-50%)", "Aptitud alta (51-75%)",
                 "Aptitud optima (76-100%)"),
  N_pixeles  = c(cat_nula, cat_baja, cat_media, cat_alta, cat_optima),
  Area_km2   = round(c(cat_nula, cat_baja, cat_media,
                       cat_alta, cat_optima) * area_pixel),
  Porcentaje = paste0(round(c(cat_nula, cat_baja, cat_media,
                               cat_alta, cat_optima) / n_valid * 100, 1), "%")
)

kable(resumen_df,
      col.names = c("Categoria de aptitud", "N pixeles",
                    "Area aprox. (km2)", "% del territorio"),
      caption   = "Tabla 3. Distribucion del territorio de Nepal segun el IAC para Panthera uncia.")

Tabla 3. Distribucion del territorio de Nepal segun el IAC para Panthera uncia.
Categoria de aptitud	N pixeles	Area aprox. (km2)	% del territorio
Sin aptitud (0%)	0	0	0%
Aptitud baja (1-25%)	308784	264203	56.1%
Aptitud media (26-50%)	22433	19194	4.1%
Aptitud alta (51-75%)	116884	100009	21.2%
Aptitud optima (76-100%)	102699	87872	18.6%

Tabla 4. Estadisticas descriptivas de los indices de aptitud climatica.
Variable	Minimo	Media	Mediana	Maximo	Desv. Est.
Tmin (meses aptos)	0.0	4.1	0.0	12	4.81
Tmax (meses aptos)	0.0	3.0	0.0	12	3.86
Prec (meses aptos)	1.0	7.7	7.0	12	2.51
IAC (%)	5.6	41.3	19.4	100	29.86

3.5 Perfil Climatico Estacional en Zonas de Alta Aptitud

mascara_alta <- IAC > 50

tmin_alta <- mask(tmin, mascara_alta, maskvalues = FALSE)
tmax_alta <- mask(tmax, mascara_alta, maskvalues = FALSE)
prec_alta <- mask(prec, mascara_alta, maskvalues = FALSE)

prom_tmin <- global(tmin_alta, "mean", na.rm = TRUE)$mean
prom_tmax <- global(tmax_alta, "mean", na.rm = TRUE)$mean
prom_prec <- global(prec_alta, "mean", na.rm = TRUE)$mean

meses_ord <- factor(meses, levels = meses)

perfil_df <- data.frame(
  Mes      = rep(meses_ord, 3),
  Valor    = c(prom_tmin, prom_tmax, prom_prec),
  Variable = rep(c("Temperatura minima (C)",
                   "Temperatura maxima (C)",
                   "Precipitacion (mm)"), each = 12)
)

ggplot(perfil_df, aes(x = Mes, y = Valor, color = Variable, group = Variable)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3, aes(shape = Variable)) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "grey50") +
  scale_color_manual(values = c("#1A3A5C", "#E8A020", "#2E8A5C")) +
  scale_shape_manual(values = c(16, 17, 15)) +
  facet_wrap(~Variable, scales = "free_y", ncol = 1) +
  labs(title    = "Perfil climatico estacional — zonas de alta aptitud (IAC > 50%)",
       subtitle = "Promedios mensuales | Nepal | WorldClim v2.1",
       x = "Mes", y = "Valor promedio") +
  theme_minimal(base_size = 12) +
  theme(plot.title       = element_text(face = "bold", color = "#1A3A5C", size = 12),
        plot.subtitle    = element_text(color = "#666", size = 10),
        legend.position  = "none",
        strip.text       = element_text(face = "bold", color = "#1A3A5C"),
        strip.background = element_rect(fill = "#EAF2FB", color = NA),
        axis.text.x      = element_text(angle = 45, hjust = 1))

Figura 6. Perfil climatico estacional en pixeles con IAC > 50% para Panthera uncia en Nepal.

Nota metodologica: El analisis se realizo exclusivamente con variables climaticas. Un modelo de distribucion completo (MaxEnt o BioClim) requeriria ademas registros de presencia georeferenciados y variables topograficas. El IAC es un indice exploratorio basado en umbrales ecologicos documentados en la literatura.

4 Conclusiones Generales

4.1 Sintesis sobre la Biologia y Conservacion de Panthera uncia

El leopardo de las nieves representa uno de los felinos mas especializados del planeta, producto de millones de anos de adaptacion a condiciones climaticas extremas. Su morfologia unica — pelaje ultradenso, cola de gran longitud, patas ensanchadas y nariz adaptada a la altitud — refleja una presion selectiva intensa hacia la vida en entornos frios, rocosos y de baja presion atmosferica.

Su papel como depredador apex es ecologicamente insustituible: al regular las poblaciones de ungulados silvestres, previene la sobreutilizacion de la vegetacion alpina y mantiene la integridad funcional de ecosistemas que proveen servicios hidrologicos criticos a cientos de millones de personas rio abajo.

4.2 Hallazgos del Analisis Espacial

El analisis climatico basado en WorldClim v2.1 para Nepal permite extraer las siguientes conclusiones:

Restriccion altitudinal clara: Las zonas de mayor aptitud (IAC > 50%) se concentran en las areas de alta montana del Himalaya, consistente con el rango altitudinal documentado (3.000-5.500 m s.n.m.).
Temperatura minima como factor limitante primario: Es la variable que mas selectivamente delimita el habitat potencial, excluyendo zonas de baja altitud con inviernos calidos.
Estacionalidad marcada: El perfil estacional confirma veranos cortos y frescos (5-10 C) e inviernos extremadamente frios (-15 a -25 C), condiciones que moldearon las adaptaciones morfologicas y conductuales de la especie.
Habitat fragmentado: El territorio de alta aptitud esta fragmentado por valles profundos y versantes de exposicion sur, implicando barreras para la conectividad entre poblaciones.
Limitaciones del IAC: Su poder predictivo mejora al incorporar registros de presencia validados, variables topograficas, cobertura vegetal y presencia humana.

4.3 Implicaciones para la Conservacion

Recomendaciones clave:

Monitoreo continuo: Establecer redes de monitoreo climatico de largo plazo en las zonas de alta aptitud identificadas.
Corredores de conectividad: Identificar y proteger corredores biologicos entre parches de habitat de alta calidad.
Modelamiento futuro: Proyectar el IAC bajo escenarios CMIP6 (SSP2-4.5 y SSP5-8.5) para anticipar cambios en la distribucion.
Enfoque transfronterizo: Interpretar los resultados en el contexto del Snow Leopard Trust y el programa GSLEP.

El leopardo de las nieves enfrenta una confluencia de amenazas antropogenicas y climaticas sin precedentes. Solo mediante una integracion robusta de ecologia del paisaje, modelamiento espacial y politica internacional de conservacion sera posible garantizar la persistencia de esta especie en las cumbres de Asia.

5 Referencias Bibliograficas

McCarthy, T., Mallon, D., Jackson, R., Zahler, P. & McCarthy, K. (2017). Panthera uncia. The IUCN Red List of Threatened Species 2017: e.T22732A50664030. IUCN. — Evaluacion Vulnerable (VU); estimados poblacionales y amenazas globales.
Janecka, J. E., Jackson, R., Yuquang, Z., Diqiang, L., Munkhtsog, B., Buckley-Beason, V. & Murphy, W. J. (2008). Population monitoring of snow leopards using noninvasive collection of scat samples. Animal Conservation, 11(5), 401-411. — Monitoreo no invasivo; densidades y uso del habitat.
Forrest, J. L. et al. (2012). Conservation and climate change: Assessing the vulnerability of snow leopard habitat to treeline shift in the Himalaya. Biological Conservation, 150(1), 129-135. — Proyecciones de perdida de habitat (hasta 30%) bajo cambio climatico.
Ale, S. B., Yak, T. & Jackson, R. M. (2013). Prey preferences and seasonal diet of the snow leopard. En: Snow Leopards. Academic Press, pp. 213-224. — Ecologia trofica estacional; presas principales.
Johansson, O. et al. (2015). Snow leopard predation in a livestock dominated landscape in Mongolia. PLOS ONE, 10(5), e0128435. — Telemetria GPS; rangos territoriales y conflicto humano-fauna.
Li, J. et al. (2016). Defining the snow leopard’s place in the food web of Qilianshan, China. Oryx, 50(4), 670-676. — Rol como depredador apex.
Reddy, P. A. et al. (2012). Prey preferences and temporal changes in diet of the snow leopard in Hemis National Park, India. Mammalian Biology, 77(4), 247-252. — Variacion estacional de dieta.
Fick, S. E. & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302-4315. — Descripcion tecnica de WorldClim v2.1.
Hijmans, R. J. (2023). geodata: Download Geographic Data. R package v0.5-9. https://CRAN.R-project.org/package=geodata
Hijmans, R. J. (2023). terra: Spatial Data Analysis. R package v1.7-46. https://CRAN.R-project.org/package=terra

Documento generado con R 4.5.1 y RMarkdown. Fecha: 2026-03-20.

Distribucion Espacial de Panthera uncia (Schreber, 1775)

Ecologia, Condiciones Ambientales y Analisis Climatico basado en WorldClim

Maria Camila Chaves Raymond

20 de March de 2026

1 Introduccion

1.1 Taxonomia y Clasificacion Sistematica

1.2 Descripcion Morfologica

1.3 Distribucion Geografica y Habitat

1.4 Ecologia Trofica y Comportamiento

1.5 Estado de Conservacion

2 Condiciones Ambientales Optimas Mensuales

3 Analisis Espacial de la Distribucion Climatica de Panthera uncia

3.1 Metodologia

3.1.1 Paquetes utilizados

3.1.2 Criterios climaticos de aptitud

3.1.3 Descarga de datos WorldClim

3.2 Analisis de Aptitud por Variable

3.2.1 Aptitud por temperatura minima

3.2.2 Aptitud por temperatura maxima

3.2.3 Aptitud por precipitacion

3.3 Indice de Aptitud Climatica Global (IAC)

3.3.1 Mapa interactivo del IAC

3.4 Estadisticas Resumen

3.5 Perfil Climatico Estacional en Zonas de Alta Aptitud

4 Conclusiones Generales

4.1 Sintesis sobre la Biologia y Conservacion de Panthera uncia

4.2 Hallazgos del Analisis Espacial

4.3 Implicaciones para la Conservacion

5 Referencias Bibliograficas