Se realiza la modelación del cultivo de Marañon en el departamento de Casanare, tomando como referencia fincas de este cultivo en algunas zonas del país. El modelo utilizado corresponde a Maxent (Phillips et al., 2006), el cual nos permite conocer mediante el uso de puntos de presencia y variables ambientales, las áreas más o menos idóneas para la especie, concepto conocido en Biogeografía como Nicho ecológico.

Nuestra zona de estudio corresponde a todo el municipio de Monterrey, más algunas zonas al norte y oriente del país de donde se tiene conocimiento de la existencia de cultivos de marañón. En el siguiente mapa se ilustran las presenncias del cultivo de marañón según nuestra base de datos.

Modelos de Distribución de Especies

Los Modelos de Distribución de Especies (SDM, por sus siglas en inglés Species Distribution Model), han surgido en respuesta a la necesidad de conocer el nicho ecológico de las especies, y así poder estimar el radio de acción de éstas en función de sus requerimientos ecológicos; dentro de estos modelos se encuentran: GLM (generalized linear models), GAM (generalized additive models) (Guisan Edwards, & Hastie, 2002), y redes neuronales (Manel, Dias & Ormerod, 1999), Bioclim (Busby, 1991), Domain (Carpenter, Gillison & Winter, 1993), ENFA (Ecological Niche Factor Analysis (Hirzel, Lay, Helfer, Randin y Guisan 2006), GARP (Stockwell y Peters, 1999), y MaxEnt (Phillips, Anderson & Schappire, 2006).

Estos últimos cuatro modelos están basados únicamente en presencias, los cualres representan generalmente la distribución espacial del nicho ecológico fundametal de la especie, mientras que los basados en presencia-ausencia indican de modo más aproximado a la distribución del nicho ecológico efectivo (Zaniewski, Lehmann & Overton, 2002; citado por Benito de Pando y Peñas de Giles, 2007).

En adición MaxEnt, ha demostrado un buen desempeño en comparación con otros algoritmos (Hernández, Grahan, Master & Deborah, 2006). De acuerdo con Elith et al. (2007) es posible realizar prediciones precisas con datos de solo presencia, que son contrastados con un conjunto de variables que describen las características ambientales de la zona de estudio.

Evaluación de Modelos de Distribución de Especies

La evaluación del resultado final de un modelo de distribución de especies y la comparación entre los diferentes métodos aplciables al problema, se realiza mediante estadísticos que miden el desempeño y la consistencia del modelo en cuanto a su capacidad de discriminar entre los datos de entrad y datos independientes de contraste.

Para evaluar la calidad de los modelos estadísticos, los indicadores más usados son ROC (Receiver Operating Characteristics) y AUC (Area Under the Curve), acompañados de métodos como validación cruzada, validación cruzada generalizada, bootstrapping, kappa de Cohen, análisis de correlación lineal, entre otras. La curva ROC es la representación gráfica de la capacidad discriminativa de un modelo para todos sus posibles puntos de corte, y necesita que los datos que se evalúan sean de presencia/pseudo-ausencia (o sólo ausencia en su defecto).

Derivado de este estadístico se encuentra el AUC o área bajo la curva; corresponde a la probabilidad de que, tomando al azar un par de casos, uno de presencia y otra ausencia, el modelo adjudique a la presencia un valor mayor de idoneidad o probabilidad, y esto para todos los posibles pares de muestra (Lobo, Jiménez-Valverde & Real, 2008). El valor del AUC está comprendido entre el valor cero y el valor unitario. Un valor de 1 indica que todos los casos se han clasificado correctamente y uno de 0.5 que el modelo no es diferente de clasificar los casos al azar; valores menores a 0.52, indican que el modelo es realmente malo, ya que clasifica erróneamennte más casos que el azar (Mateo, Felicísimo & Muñoz, 2011).

Variables ambientales

Las variables ambientales a usar en MaxEnt pueden ser de dos tipos: continunas o categóricas. Variables continuas coman valores reales los cuales corresponden con las medidas cuantificadas tales como altitud, precipitación anual y temperatura máxima; y las variables categóricas toman, sólo un limitado números de discretos, tales como el tipo de suelo, ecosistema, cobertura, entre otros (Phillips & Dudik, 2008).

Mateo, Felicísimo & Muñoz (2011) aconsejan que las variables a utilizar como indicadores para la modelación en MaxEnt deben de cumplir simultáneamente con tres condiciones.

  1. Deben ser potencialmente explicativas, es decir, que tengan una relación potencial con la distribución de la especie, bien como factor limitante o como indicador a través de relaciones indirectas.

  2. Deben presentar una variabilidad significativa en la zona de estudio, es decir, que las variables tengan distintos datos dentro de un rango considerado, para que así exista una mejor distinción de sub-zonas en el área de estudio.

  3. Las variables deben ser independientes o, al menos, no estén excesivamente correlacionadas entre sí, espacialmente si se busca una interpretación biológica de los resultados.

Siguiendo con lo propio, para la modelación del cultivo de Marañón se utilizaron las variables bioclimáticas (Hijmans et al., 2013), las cuales son listadas a continuación.

Variables relacionadas con la temperatura

Variables relacionadas con la precipitación

Sin embargo, el modelamiento no se realizo haciendo uso de todas las variables ambientales, estás fueron evaluadas mediante un análisis de correlación múltiple, llamado VIF, esto con la finalidad de evitar tener variables redudantes en nuestro modelo, esto se amplia más en la siguiente sección.

Técnica estadística inferencial

Se encarga de analizar una muestra y así coincidir o inferir para toda la población objeto de estudio. Para ello es necesario que la muestra sea representativa, es decir; los individuos de la población tengan la misma posibilidad de ser seleccionados en la muestra y a su vez sean independientes entre si. Generalmente se estima a partir de la muestra algunos parámetros como la media, la desviación estándar, varianza y proporciones.

Factor de Inflación de la Varianza

La mayoría de las técnicas de modelación de nicho son sensibles al número de variables utilziadas y MaxEnt no es una excepción (Braunishc et al., 2013; Dorman, 2007, citado por Ramirez-Villegas et al., 2014), gran cantidad de predictores en MaxEnt pueden causar trade-of, y por tanto sesgar las respuestas (Warren & Seifer, 2011). Para reducir el número de variables características, se realizó el análisis de Factor de Inflación de la Varianza (VIF, por sus siglas en inglés) que ocnsiste en un análisis de regresión múltiple mediante el cual se estima cuáles son las variables menos co-líneales al interior del grupo, para así dejar solo aquellas variables menos parecidas entre ellas, las cuales deberán tener un VIF < 10 (Montgomery, Peck & Vining, 2006).

En este análisis se realizo la extracción de las variables bioclimáticas para las presencias del cultivo, con esto las variables que no se encuentran altamente correlacionadas entre sí, son listadas aquí:

Con lo cual, con estas variables se realizo la modelación del nicho ecológico del Marañón, se hizo un total de 7 repeticiones (validación cruzada), haciendo uso del 25% de datos para validación, y el restante 75% datos para entrenamiento.

Resultados de la modelación climática del Marañón

El resultado de la idoneidad es una capa raster que tiene valores de 0 a 1, entre más cercano el valor a cero este menos idoneidad hay, y entre más cercano se este al valor 1 significa una mayor idoneidad del cultivo.

Tal como se puede observar en el mapa anterior las zonas más idóneas para el marañón se ubican principalmente en el centro del municpio, veredas como Buenavista, Isimena, Garrabal, Meranao, Cano Rico y Tacuya, resultarían ser las áreas más acordes para el desarrollo de tal cultivo.

El desempeño del modelo resultó ser bueno, con un valor de área bajo la curva (AUC) de 0.82, lo que significa que los puntos siguen un patrón climático y no están distribuidos en el espacio al azar o de manera aleatoria.

Posibles productores de marañón

En Monterrey existe un grupo de posibles productores de Marañón, con lo cual en el siguiente mapa se ilustra la ubicación de estos productores.

Pendiente del terreno