Instrucciones generales. Este taller tiene tres módulos. En el Módulo 1 usted elige 10 especies de un país a su elección y completa los bloques marcados con >>> ESTUDIANTE. Los módulos 2 y 3 tienen datos incluidos y son completamente reproducibles sin modificaciones. Ejecute cada bloque en orden, analice los resultados y responda las preguntas de interpretación al final de cada sección.

1 Análisis de patrones de puntos y riqueza de especies

1.1 Contexto ecológico

Los patrones de puntos espaciales (point patterns) permiten analizar si las ocurrencias de una especie se distribuyen de forma aleatoria, agrupada o regular en el espacio. La intensidad \(\lambda(x,y)\) estima la densidad esperada de individuos por unidad de área en cada ubicación.

A partir de las intensidades individuales de múltiples especies podemos construir un mapa de riqueza estimada sumando rasters de presencia/ausencia, lo que es una aproximación espacial al concepto de acumulación de diversidad.

1.2 Elección de especies y país

Instrucción: Complete el bloque siguiente con sus 10 especies y el código ISO-2 de su país. Use nombres científicos válidos (Género + epíteto específico). Puede verificar nombres en gbif.org/species/search o usando name_backbone() en el Paso 2.

## País: CO
## Especies ingresadas:
##    1. Erato vulcanica
##    2. Impatiens balsamina
##    3. Taraxacum officinale
##    4. Lantana camara
##    5. Inga ornata
##    6. Heliconius clysonymus
##    7. Dione juno
##    8. Elzunia humboldtii
##    9. Leptophobia tovaria
##   10. Oleria onega

1.3 Verificación taxonómica en GBIF

Verificación taxonómica — backbone GBIF
ingresado aceptado rango confianza estado
Erato vulcanica Erato vulcanica SPECIES 99 OK
Impatiens balsamina Impatiens balsamina SPECIES 99 OK
Taraxacum officinale Taraxacum officinale SPECIES 98 OK
Lantana camara Lantana camara SPECIES 99 OK
Inga ornata Inga ornata SPECIES 99 OK
Heliconius clysonymus Heliconius clysonymus SPECIES 99 OK
Dione juno Dione juno SPECIES 99 OK
Elzunia humboldtii Elzunia humboldtii SPECIES 99 OK
Leptophobia tovaria Leptophobia tovaria SPECIES 99 OK
Oleria onega Oleria onega SPECIES 99 OK

Tabla de especies seleccionadas pertenecientes a la base de datos GBIF. Nombre de la especie seleccionadas, Nombre que GBIF reconoce como aceptado, Rango Species lo que indica que el reconocimiento es optimo, Confianza de qué tan seguro esta GBIF de alvergar esos datos, y estado “OK” que indica la validez a nivel de especie.

Acción: Si el estado es REVISAR o NO ENCONTRADO, corrija el nombre en el Paso 1 y vuelva a ejecutar este bloque. Continúe cuando todas las especies aparezcan en verde.

1.4 Descarga de ocurrencias desde GBIF

Registros de presencia descargados por especie
especie n_registros
Heliconius clysonymus 500
Lantana camara 500
Taraxacum officinale 500
Dione juno 435
Erato vulcanica 420
Inga ornata 288
Leptophobia tovaria 223
Impatiens balsamina 137
Elzunia humboldtii 132
Oleria onega 10 
## 
## Total de registros: 3145

Validación de datos sin problemas geoespaciales conocidosy con coordenadas validas. > Atención: Las especies con menos de 10 registros (marcadas en rojo) serán excluidas del análisis de patrones de puntos. Si varias especies tienen pocos registros, considere elegir otras con mayor cobertura en GBIF para su país.

1.5 Mapa de registros crudos

Registros de las 10 especies seleccionadas sobre la zona de muestreo; Colombia.

1.6 Construcción de la ventana espacial (owin)

El objeto owin (observation window) de spatstat define el área de estudio. La forma más robusta de construirlo es extraer directamente las coordenadas del polígono sf y pasarlas como lista de vértices, lo que evita el error “cannot interpret W as a window” que ocurre cuando as.owin() no puede interpretar el objeto Spatial de versiones recientes de sf.

## Ventana creada exitosamente
## Tipo: polygonal
## Rango X (lon): -79.03 – -66.88
## Rango Y (lat): -4.24 – 12.43

1.7 Análisis de patrones de puntos por especie

Se procesan los datos junto con el filtro del poligono y se filtan aquellos que no cumplen con el requisito

## 
## Especies procesadas exitosamente: 10 / 10

1.8 Visualización de densidades KDE

Inicialmente se obtuvieron registros de GBIF crudos, estos registros no tiene filtro por lo que pueden llegar a ser erroneos. Durante las realizacion de los mapas, se asigna un poligono con la forma de colombia en donde se filtran los datos cuyas coordenadas se encuentran dentro del poligono. Esto explicaria el porque los datos n para cada mapa es menor al número de ocurrencias extraidas de la base de datos GBIF. Panel de mapas que muestra la superficie de intensidad estimada, en donde el color amarillo o cercanos a este corresponden a una intensidad creciente. Los puntos blancos corresponden a los puntos originales de registro.

1.9 Datos estadisticos de intensidad estimada

Estadísticos de intensidad estimada λ̂(x,y) por especie
Especie n λ media λ máximo λ p75
Dione juno 347 3.848750 20.103514 5.940643
Elzunia humboldtii 88 1.001249 5.767572 1.671186
Erato vulcanica 355 4.004903 25.783844 6.660567
Heliconius clysonymus 444 4.904294 35.436361 5.972878
Impatiens balsamina 122 1.338131 5.577315 2.529802
Inga ornata 196 2.226496 16.333879 2.571100
Lantana camara 415 4.610706 23.560725 7.165432
Leptophobia tovaria 92 1.018889 4.742870 1.663694
Oleria onega 9 0.076362 5.955482 0.050194
Taraxacum officinale 412 4.547156 59.185485 2.811919

Resumen de la superficie KDE de cada especie. Para cada una se extrae todos los valores positivos de intensidad del raster

1.10 Riqueza estimada por álgebra de rasters

La riqueza en cada celda se define como:

\[R(x,y) = \sum_{i=1}^{S} \mathbf{1}\left[\hat{\lambda}_i(x,y) > p_{50,i}\right]\]

donde \(p_{50,i}\) es la mediana de la intensidad estimada para la especie \(i\). Una especie “ocupa” una celda si su densidad local supera la mediana de su distribución de densidad.

1.11 Riqueza estimada de especies

## Riqueza mínima: 0
## Riqueza máxima: 10 especies
## [1] "riqueza"

Mapa de riqueza estimada, en donde las zonas mas claras representan centros de alta ocurrencia para las especies seleccionadas.

Distribución de riqueza estimada” es un histograma que muestra cuántas celdas de un mapa (raster) tienen una determinada cantidad de especies coexistiendo en el mismo lugar

1.11.1 Preguntas de interpretación

  1. ¿Qué especies presentaron mayor intensidad máxima \(\hat{\lambda}_{max}\)? ¿Podría deberse a la ecología de la especie o al esfuerzo de muestreo?

R/ Las especies que presentaron mayor intensidad o λ̂, son Taraxacum officinale con λ̂ =59.185485; Lantana camara λ̂ =23.560725 y Heliconius clysonymus con λ̂ =35.436361, otra muy notable es Erato vulcanica con λ̂ =25.783844. Esta intensidad dependeria del comportamiento de la especies mas que todo.Por ejemplo:diente de leon cuyo nombre cientifico es Taraxacum officinale, en colombia es una especie naturalizada muy comun en zonas andinas. Tiene un comportamiento cosmopolito, lo que explicaria su intensidad. Por otro lado, Lantana camara es reconocida como una especie invasora. El CABI la describe como un arbusto invasor importante a nivl global, con impactos sobre la biodiversidad.

Mazumder et al., (2021) indican que una intensidad alta puede reflejar tanto la ecología real de una especiemuy extendida o invasora, como sesgo de muestreo.

  1. ¿Los hot-spots del mapa de riqueza coinciden con áreas de alta biodiversidad conocidas en su país?

R/ Si, los hot-spots se estarían encontrando en zonas de alta biodiversidad,entre estos se podrian encontrar el choco-Biogeografico o la cordillera de los andes, la Amazonia y la orinoquia. Mayers et al., 2000. describe a los hotspots como sitios de alta biodiversidad los cuales presentan mayor peligro por perdida.

  1. ¿Qué limitaciones tiene usar registros de GBIF para análisis de patrones de puntos?

R/ Los registros de GBIF tienen varias limitaciones para análisis de patrones de puntos. En primer lugar, no provienen de un muestreo sistemático, sino de fuentes heterogéneas como colecciones biológicas, observaciones oportunistas, literatura y ciencia ciudadana. En segundo lugar, suelen presentar sesgo espacial, porque los registros se concentran en áreas de fácil acceso, por ejemplo cerca de carreteras o centros poblados. En tercer lugar, hay sesgos taxonómicos y temporales, ya que algunos grupos y periodos están mucho mejor representados que otros. Finalmente, también pueden existir errores o incertidumbre en la georreferenciación y en la identificación taxonómica, lo que afecta la interpretación espacial.

  1. ¿Cómo cambiaría el mapa si usara sigma = 0.3 en lugar de su valor actual? ¿Y si usara sigma = 3.0? R/ El parametro “sigma” es el ancho de karnel gaussiano (KDE) el cual tiene variables de longitud y latitud. Controla el suavizado por lo que si hablamos de un valor menor a 1 como 0.3, el estimado de especies que esperamos encontrar en un punto se vuelve demasiado especifico, por lo que los mapas se verian en su mayoria oscuros, menos en los puntos de registro. Mientras que, si el sigma toma un valor mayor, mostrará que la vanda es menos especifica, mostrando una estimación mas general confundiendo al lector (Nosotros) indicando que toda un area contaria como un hotspot.

Bibliografia:

Mazumder, L., & Kesseli, R. (2021). Population structure, seasonal genotypic differentiation, and clonal diversity of weedy dandelions in three Boston area populations (Taraxacum sp.). Ecology and Evolution, 11, 10926–10935. https://doi.org/10.1002/ece3.7870.

Myers, N., Mittermeier, R. A., Mittermeier, C. G., da Fonseca, G. A. B., & Kent, J. (2000). Biodiversity hotspots for conservation priorities. Nature, 403(6772), 853–858. https://doi.org/10.1038/35002501

Speed, J. D. M., Bendiksby, M., Finstad, A. G., Hassel, K., Kolstad, A. L., & Prestø, T. (2018). Contrasting spatial, temporal and environmental patterns in observation- and specimen-based species occurrence data. PLOS ONE, 13(5), e0196417. https://doi.org/10.1371/journal.pone.0196417