Modelamiento Nichos Ecologicos

Usemos responsablemente
nuestros bosques
M
O
D
E
L
A
M
I
E
N
T
O

e
s
p
a
c
i
a
l

d
e

N
I
C
H
O
S

E
C
O
L
G
I
C
O
S

p
a
r
a

l
a

e
v
a
l
u
a
c
i
n

d
e

p
r
e
s
e
n
c
i
a

d
e

E
S
P
E
C
I
E
S

F
O
R
E
S
T
A
L
E
S

M
A
D
E
R
A
B
L
E
S

e
n

l
a

A
M
A
Z
O
N
A

P
E
R
U
A
N
A
MODELAMIENTO espacial de NICHOS ECOLGICOS para la evaluacin de
presencia de ESPECIES FORESTALES MADERABLES en la AMAZONA PERUANA
Av. Javier Prado Oeste N 694 Magdalena del Mar
Central: 615 7373
www.osinfor.gob.pe
OSINFOR
en cumplimiento de sus funciones de
supervisin y fscalizacin de los recursos
forestales y de fauna silvestre, en ttulos habilitantes otorgados por el
estado a nivel nacional , georeferencia diversas especies forestales con
fnes de verifcar su aprovechamiento; este rduo trabajo se almacena
y gestona mediante nuestro Sistema de Informacin Geogrfca
de supervisiones forestales y de fauna silvestre, permitndonos
administrar un amplio registro de especies forestales distribuidos a
nivel nacional.
Nuestro Sistema de Informacin Geogrfca de supervisiones forestales,
nos proporciona informacin crtca de la diversidad presente en
determinadas reas geogrfcas y se pueden usar para varios fnes,
como evaluar el estado actual de conservacin de especies o priorizar
reas para su conservacin.
El modelamiento espacial de nichos ecolgicos para la evaluacin de
presencia de especies forestales, nos indica la idoneidad del ambiente
para el desarrollo de poblaciones de una especie, calculada a partr
de observaciones de campo y una serie de variables bioclimtcas que
actan como predictores; esto nos permite mejorar signifcatvamente
la comprensin y el monitoreo de la biodiversidad puesto que los
resultados obtenidos de los anlisis permiten formular estrategias
de intervencin mejor enfocadas e implementarlas de manera ms
efectva.
En la presente publicacin, se realiza el modelamiento de 18 especies
forestales de alto valor comercial de las regiones amaznicas del Per,
con la fnalidad de evaluar su distribucin y probabilidad de presencia
en base al nicho ecolgico determinado por sus variables bioclimtcas.
Esta publicacin se emite con la fnalidad de ampliar el conocimiento de
nuestra amazonia, para promover su conservacin y aprovechamiento
sostenible zonifcando su potencial maderable.
Rolando Navarro Gmez
Presidente Ejecutvo (e)
OSINFOR
CARTA DEL PRESIDENTE
EJECUTIVO
CRDITOS
SERIE TCNICA
N 4
Alta Direccin
Rolando Navarro Gmez Presidente Ejecutvo (e)
Mximo Salazar Rojas Secretario General (e)
Direcciones de Lnea
Emilio Alvarez Romero Director (e) de la Direccin de Supervisin de Concesiones
Forestales y de Fauna Silvestre
Danny Oswald Pealoza Macha Director (e) de la Direccin de Supervisin de Permisos y
Autorizaciones Forestales y de Fauna Silvestre
Revisin
Ildefonzo Riquelme Ciriaco Sub Director (e) de la Sub Direccin de Supervisin de
Concesiones Forestales y de Fauna Silvestre
David Blas Jaimes Sub Director (e) de la Sub Direccin de Supervisin de
Permisos y Autorizaciones Forestales y de Fauna Silvestre
Equipo Tcnico
Carlos Rafael Candia Dipaz Especialista SIG - DSCFFS
Johnn Kinny Janampa Felices Especialista SIG - DSPAFFS
Registro de proyecto editorial:
1ra Edicin
Tiraje: 1000 ejemplares
Impresin:
Punto & Grafa S.A.C.
Av. Del Ro 113, Pueblo Libre, Lima - Per
Tlef: 332-2328
Hecho el Depsito Legal en la Biblioteca Nacional del Per N 2013-08963
NDICE
RESUMEN
I. INTRODUCCIN 7
II. OBJETIVOS 8
2.1 Objetivos Generales
2.2 Objetivos Especficos
III. MARCO CONCEPTUAL 9
IV. ACTIVIDADES 21
4.1 Descripcin del rea de Estudio 21
4.2 Descripcin del Material Utilizado 22
4.3 Metodologa 22
V. RESULTADOS 28
5.1 Calycophyllum spruceanum (Capirona) 28
5.2 Virola sp. (Cumala) 30
5.3 Cedrelinga catenaeformis (Tornillo) 32
5.4 Dipteryx micrantha (Shihuahuaco) 34
5.5 Cedrela odorata (Cedro) 36
5.6 Chorisia integrifolia (Lupuna) 38
5.7 Copaifera sp. (Copaiba) 40
5.8 Hura crepitans (Catahua) 42
5.9 Aniba sp. (Moena) 44
5.10 Myroxylon balsamun (Estoraque) 46
5.11 Manilkara bidentata (Quinilla) 48
5.12 Amburana cearensis (Ishpingo) 50
5.13 Schizolobium sp. (Pashaco) 52
5.14 Simarouba amara (Marupa) 54
5.15 Brosimum sp. (Manchinga) 56
5.16 Swietenia macrophylla (Caoba) 58
5.17 Apuleia mollaris (Ana caspi) 60
5.19 Hymenaea sp. (Azcar huayo) 62
VI. CONCLUSIONES 64
VII. ANEXOS 65
VIII. REFERENCIAS BIBLIOGRFICAS 77
6
ORGANISMO DE SUPERVISIN DE LOS RECURSOS FORESTALES Y DE FAUNA SILVESTRE - OSINFOR
MODELAMIENTO ESPACIAL DE NICHOS ECOLGICOS PARA LA EVALUACIN DE PRESENCIA DE ESPECIES FORESTALES MADERABLES EN LA AMAZONA PERUANA
ABSTRACT
Being OSINFOR the natonal organizaton responsible for
supervising and monitoring the sustainable use, conservaton
of forest resources and wildlife and environmental services
from the peruvian forest in Authorizaton Certfcates granted
by the state through various forms of utlizaton (concessions,
permits and authorizatons).
In that sense, there are mechanisms to collect and record
informaton at the level of each individual in a representatve
sample, except cedar (Cedrela odorata) and mahogany
(Swietenia macrophylla), they are fully supervised; all of them
associated with a geographic and maintaining of the proper
zone, datum and system planar coordinate.
Also, environmental conditons, soil physical and chemical
propertes generate restrictons on the presence and
development of an individual (fowering, emergence,
maturaton, leaf drop and dormancy in faunas case).
Besides, we can`t forget to menton the desire of society to
exploit natural resources without letng recover naturally,
in order to avoid that its important to make a study of
forest complementary. For modeling of ecological niches, it
is necessary work in geographic coordinates (lattude and
longitude), because free sofware used have that kind of
restricton (DIVA GIS, MaxEnt).
The data used by the Missouri Botanical Garden allows us
to visualize the locaton in map by coordinates (lattude -
longitude) of collecton by species in Google Earth KML format.
Afer that, the informaton must be processed in ArcGIS
platorm. v10 using the applicaton Data Interoperability and
migrate from KML to shapefle format, with that way, we will
have all the informaton standardized in the same format.
Using WorldClim data allows us to collect 19 bioclimatc
variables (temperature and precipitaton) that are directly
related to the physiological aspects of growth of the species.
Finally, we will model the geographical distributon of species,
using only data from sites of species presence and they
bioclimatc variables. All associated to a statstcal model
based on the Maximum Entropy principle.
MODELAMIENTO ESPACIAL DE NICHOS ECOLOGICOS PARA
LA EVALUACION DE PRESENCIA DE ESPECIES FORESTALES
MADERABLES EN LA AMAZONA PERUANA
RESUMEN
Siendo el OSINFOR el encargado a nivel nacional, de supervisar
y fscalizar el aprovechamiento sostenible, la conservacin
de los recursos forestales y de fauna silvestre, as como de
los servicios ambientales provenientes del bosque en Ttulos
Habilitantes otorgados por el Estado a travs de diversas
modalidades de aprovechamiento (concesiones, permisos y
autorizaciones).
Es necesario desarrollar insumos y herramientas que
complementen adecuadamente los mecanismos de
recopilacin y registro de informacin a nivel de cada
individuo en una muestra representatva o como en el caso
del cedro y la caoba que son supervisados en su totalidad;
todo ello asociado a un mbito geogrfco y manteniendo el
adecuado huso, datum y sistema de coordenadas planas.
Para el modelamiento de nichos ecolgicos, es necesario que
nuestra cartografa se encuentre en coordenadas geogrfcas
(lattud y longitud), puesto que los sofware libres utlizados
tenen esa restriccin (DIVA GIS, MaxEnt).
Asimismo, este modelamiento nos permite visualizar la
localizacin mediante coordenadas geogrfcas (lattud
- longitud) de las colectas por especie o en todo caso en
formato KML de Google Earth.
La informacin recopilada de diferentes fuentes como en el
caso del Missouri Botanical Garden, deber ser procesado
en la plataforma ArcGIS v. 10 utlizando la aplicacin Data
Interoperability y migrar el formato KML a shapefle y as
tener toda la informacin estandarizada y depurada.
Adicionalmente, se utliz informacin de la Base de Datos
Mundial WorldClim descargada a travs de su pgina web en
formato rasterizado *.gri. Se recopil en total 19 variables
bioclimtcas (Temperatura y Precipitacin) que estn
relacionadas directamente con los aspectos fsiolgicos del
crecimiento de la especie y no tenen en cuenta el momento
en el que ocurri un estado especfco, es decir, no importa
si el mes ms caliente fue julio (hemisferio norte) o enero
(hemisferio sur).
El proceso del modelamiento se apoya en la plataforma
MaxEnt y como se mencion anteriormente, MaxEnt es
un programa que modela la distribucin geogrfca de las
especies, utlizando como datos slo los sitos de presencia
y las variables bioclimtcas asociadas a cada de ellos;
respaldados en un modelo estadstco basado en el principio
de Mxima entropa.
7
I. INTRODUCCIN
Si bien es cierto que la composicin de nuestros bosques
resulta ser tan complejo y heterogneo; su distribucin
obedece a factores fsico-ambientales que restringen,
estableciendo lmites naturales, su presencia en nuestro
territorio.
Es as, que el comportamiento de ciertas especies con respecto
a otras podran parecer casi sin sentdo, pero que en realidad
siguen un orden natural de adaptabilidad en escenarios tan
dinmicos y tan variables a la vez.
Esta investgacin pretende generar espacios de debate y
aportes, con un nico fn de desarrollar poltcas y fomentar
la toma de decisiones que busquen conservar y aprovechar
adecuadamente nuestros recursos naturales; para ello es
necesario formular estrategias de intervencin que generen
presencia del Estado.
Entendemos que a este nivel de investgacin, generamos
insumos para hacer frente al Cambio Climtco, si bien es
cierto, en estos ltmos aos las condiciones ambientales
han ido cambiando, esto ha repercutdo directamente en los
seres bitcos y abitcos. En lo bitco, el comportamiento,
desarrollo, adaptabilidad y permanencia en el tempo, ha sido
totalmente alterado, condenando en un tempo no muy lejano
a su extncin. Mientras que en lo abitco, la meteorizacin,
erosin y degradacin sobre el relieve o sustrato en el cual
se desarrollan las especies, sufrir modifcaciones en su
morfologa y composicin fsico - qumico.
Es evidente que el cambio climtco ha incidido en la variacin
del volumen de precipitaciones y de diferentes fuctuaciones
de temperaturas a nivel mundial, por ello, es necesario
incidir en la proteccin y uso racional de nuestros recursos
naturales, puesto que as aseguramos entre otros benefcios,
la captura y almacenamiento de CO2, la permanencia de una
gran farmacia natural y con ello, la contnuidad de la vida en
el planeta.
I. INTRODUCTION
While it is true that our forests compositon is complex
and heterogeneous, its distributon follows physical and
environmental factors that restrict its presence in our territory
within natural limits.
Thus the behavior of some species in relaton with others
follow a natural order of adaptability in dynamic scenarios
such as variable at a tme.
The main idea of this research is to promote the debate in
order to develop policies and take decisions to preserve
and exploit our natural resources adequately, for this is
necessary to formulate interventon strategies that generate
a government presence.
We understand that this level of research generates tools to
against world climate change, although, in this last years the
environmental conditons have been changed, they have been
afectng biotc and abiotc beings directly. In the biotc beings,
the behavior, development, adaptability and persistence over
tme, have been completely altered, putng some of them
endangered. While in the abiotc beings, the weathering
and erosion, degradaton of the relief or substrate in which
some species develop, sufer modifcaton in morphology and
physical - Chemical compositon.
Clearly world Climate Change has afected the amount of
rainfall and temperature scales in the world, so it is necessary
to focus on the protecton and use our resources adequately,
so that, we ensure the capture and storage of CO2, ensure
permanence of a natural pharmacy and life, among other
benefts.
8
II. OBJETIVOS
2.1. OBJETIVO GENERAL
Modelar los nichos ecolgicos de especies forestales para evaluar su presencia y distribucin espacial en la
amazona peruana.
2.2. OBJETIVOS ESPECFICOS
Acondicionar cartogrfcamente el registro de especies forestales y de informacin climtca.
Determinar la probabilidad de presencia de una especie en condiciones ptmas.
Cuantfcar el nivel de coincidencia de una especie frente a la probabilidad de presencia.

III. MARCO CONCEPTUAL
3.1. Nicho Ecolgico
Joseph Grinnell:
Es la unidad de distribucin fnal, en la que cada especie est condicionada por sus limitaciones instntvas y
estructurales (1924) (the ultmate distributonal unit, within which each species is held by its structural and
instnctve limitatons(1924)).
Es decir, cada especie tene sus caracterstcas fsiolgicas, morfolgicas y de comportamiento, lo que hace posible
que ocupen determinados espacios ofrecidos por la naturaleza (el nicho es una caracterstca del medio no de
los organismos). Bajo este concepto, existen nichos vacios, vacantes y la exclusin compettva es la interaccin
principal, donde no existe un balance y una especie homloga ecolgicamente puede desplazar a la otra.
Los organismos que son equivalentes ecolgicos son parte del sustento de este concepto. Pues al existr
nichos similares en distntos lugares, estos son ocupados por organismos tambin similares en caracterstcas
morfolgicas, fsiolgicas y conductuales.
Charles Elton:
El nicho describe el estatus de un animal en su comunidad, indicando que hace y no solamente como se ve
El nicho de un animal es el lugar que ocupa en el ambiente bitco y su relacin con la comida y sus enemigos
(naturales).
Pone nfasis en la funcin de una especie dentro de una cadena alimentcia (carnvoros, herbvoros), mientras
que las condiciones abitcas no son tomadas en cuenta. Nuevamente bajo este concepto de la comunidad
bitca no de los organismos en s. Por lo que el nicho en teora no est restringido a una especie. Por tanto,
los organismos relacionados como equivalentes ecolgicos seran un indicio de nichos similares, aunque las
comunidades estuvieran en lugares muy alejados.
Segn G. Evelyn Hutchinson:
El termino nicho se defne como la suma de todos los factores que actan en un organismo; as el nicho se defne
como un hyperespacio n-dimensional (1944). Las variables pueden ser fsicas o biolgicas.

Conceptos clave de Nicho Ecolgico
Nicho fundamental:
Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia
de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.
Nicho realizado/efectvo (realized):
Es un subconjunto del nicho fundamental en el cual las especies estn restringidas debido a sus interacciones
interespecfcas. De manera menos compleja, es el espacio ecolgico y geogrfco donde la especie vive. Para
Sobern y Nakamura (2009), este concepto tene una leve pero fundamental diferencia: el Nicho realizado (RN)
es la parte del nicho Potencial que las especies realmente usaran, despus de tomar en cuenta los efectos de
competdores y depredadores.
9
Bajo este modelo el nicho ecolgico comprende:
1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se consttuye por el desempeo de una especie medido en trminos de adecuacin.
Figura N 1: Espacio Ecolgico
Precipitacin
Temperatura
Espacio
ecolgico
PPT
MAX
PPT
MIN
T
MIN
T
MAX
Conceptos clave de Nicho Ecolgico
Nicho fundamental:
Son todos los aspectos (variables) del espacio o hipervolumen en donde se desarrolla una especie, en la ausencia
de otras especies. En pocas palabras, es el ambiente donde la especie puede vivir.
Nicho realizado/efectvo (realized):
Es un subconjunto del nicho fundamental en el cual las especies estn restringidas debido a sus interacciones
interespecfcas. De manera menos compleja, es el espacio ecolgico y geogrfco donde la especie vive. Para
Sobern y Nakamura (2009), este concepto tene una leve pero fundamental diferencia: el Nicho realizado (RN)
es la parte del nicho Potencial que las especies realmente usaran, despus de tomar en cuenta los efectos de
competdores y depredadores.
Bajo este modelo el nicho ecolgico comprende:
1- Una propiedad de la especie y no del medio ambiente.
2- Un espacio que evoluciona.
3- Su estructura se consttuye por el desempeo de una especie medido en trminos de adecuacin.
Figura N 2: Esquema de Nicho Fundamental
Temperatura
Nicho fundamental
Nicho
realizado
10
Figura N 3: Nicho Ecolgico
Crtcas al concepto de Nicho (enumeradas por Martnez-Meyer)
Falta de una adecuada hiptesis nula y rigor estadstco
La competencia no es necesariamente el proceso clave en ecologa (complementando esto, creo que en
general es difcil demostrar competencia realmente pero esto es algo que los demgrafos saben mejor).
Uso ambiguo y confuso del trmino nicho.
Otros conceptos importantes:
Amplitud de nicho (Niche breath): La variedad de recursos (hbitats) utlizados por la especie.
Partcin de nicho (Niche parttoning): El grado de uso diferencial de las especies para que coexistan.
Solapamiento de nicho (Niche overlap): El uso mutuo de recursos por diferentes especies.
Ensamble de nicho (Niche assembly): Colonizacin y organizacin de las especies en un Nuevo o abandonado
nicho.
Un concepto reformulado de nicho:
Chase and Leibold (2003): El nicho de una especie es la descripcin del conjunto de condiciones ambientales
que permiten satsfacer sus requisitos mnimos de dicha especie, para que la tasa de natalidad de la poblacin
local sea mayor igual que su tasa de mortalidad, junto con el conjunto de impactos per cpita de esa especie en
estas condiciones ambientales.
Modelado de Nicho Ecolgico
Desde la dcada de los ochentas, los australianos comenzaron con la modelacin bioclimtca para estudios
entomolgicos (Climex). Luego desarrollaron la base de datos Bioclim, DOMAIN y posteriormente GARP. Hoy en
da existen cerca de 15 mtodos para modelado de nicho, la mayora de ellos de acceso libre.
El modelado del nicho ecolgico, es un instrumento que nos permite analizar los factores ecolgicos asociados
a distntas poblaciones de determinada especie y que la infuyen en distntos grados y modos, informacin que
analizada por distntos tpos de algoritmos nos posibilita proyectar a nivel geogrfco o el rea potencial que
ocupa la especie. Para Soberon y Nakamura (2009), el propsito del modelado del nicho ecolgico o de los
modelados de distribucin de especies y del modelado de hbitat son el mismo: identfcar los sitos adecuados
para la supervivencia de las poblaciones de una especie por medio de la identfcacin de sus requerimientos
ambientales.
En el sentdo estricto lo que estamos modelando es el nicho efectvo o realizado (Grinelleano. sensu J. Sobern)
y el resultado del anlisis nos indica con cierto valor de probabilidad y error estadstco asociado, el espacio
geogrfco que es propicio para una especie, por lo que las especies no podran estar en el espacio predicho, ya
sea por efecto de:
a) Interacciones bitcas con otros organismos (competencia, depredacin, escases de alimento).
b) Difcultad para dispersarse en esos lugares (por tempo o barreras geogrfcas y ecolgicas).
c) Ha sido removida o se ha extnguido.
11
Aunque an hay ciertos problemas tericos que ponen a debate que es lo que realmente se est modelando (no
es una exageracin decir que no existe un consenso acerca de los diferentes mtodos de modelamiento Soberon
y Nakamura, 2009).
Figura N 4: Modelado de Nichos Ecolgicos y distribuciones geogrfcas
De lo anterior se deriva que:
1. Las especies responden a reglas ecolgicas que determinan su distribucin en el espacio geogrfco (en el
modelado analizamos la interaccin entre el espacio ecolgico y el geogrfco).
2. Estas reglas ecolgicas son independientes del espacio geogrfco, por lo que la especie puede ser predicha en
lugares donde nunca ha sido registrada (nicho potencial). Esto es importante ya que este aspecto nos puede
llevar a encontrar espacios geogrfcos en donde existen especies nuevas, que suelen ser especies hermanas
de la que ha sido modelada (ver Raxworthy et al. 2003 para un ejemplo con especies de camaleones de
Madagascar), lo que nos indica que el nicho ecolgico tende a ser evolutvamente estable (conservadurismo
del nicho).
3. Del prrafo anterior tambin se deriva que cada punto geogrfco se corresponde con slo un punto en el
espacio ecolgico, pero cada punto en el espacio ecolgico se puede corresponder con ms de un punto en el
espacio geogrfco.
Como hemos mencionado, existen factores que infuyen en la distribucin de las especies que en forma general
son: la cantdad de calor (temperatura), disponibilidad de agua y topografa, y de forma ms partcular pueden ser:
tpos de suelo, evapotranspiracin, horas de luz, das con temperaturas bajo cero, etc. Las distntas mediciones
12
de estos factores, registrados por un cierto tempo en todo el mundo, se han estandarizado para formar capas
bioclimtcas. Estas capas nos permitrn analizar el espacio ecolgico de las especies, ya que se pueden obtener
los valores biocIimtcos correspondientes a cada dato donde hay presencia de alguna especie de inters y
usarlo como insumo de un algoritmo de modelacin que nos permitr obtener el modelo de nicho ecolgico
correspondiente a cada caso.
La modelacin de nichos ecolgicos an es un rea en desarrollo, que nos permitr resolver distntas preguntas
biolgicas y generar hiptesis de distribucin de especies bajo distntos escenarios geogrfcos y temporales,
pero tambin tenen limitaciones, por ejemplo:
1.- Limitaciones asociadas a la incertdumbre de las capas y envolturas bioclimtcas utlizadas (errores arrastrados
desde la toma de datos e incertdumbre asociada a la escala utlizada).
2.- La incertdumbre asociada a los algoritmos utlizados.
3.- Difcultad para modelar las distntas interacciones bitcas de las especies o su capacidad de dispersin.
Antes de contnuar tenemos que apuntar otros conceptos importantes y que vale distnguir bien, ya que podran
ser fuente de confusin o debate:
Para J. Sobern. realmente se est trabajando con el nicho Grinelleano en la escala a la que normalmente se
modelan los nichos ecolgicos (celdas > 10 km2). Ejemplo: La resolucin espacial de las capas bioclimtcas de
Worldclim es de: 30 segundos (0.93x0.93 = 0.86 km2 en el ecuador: a 2.5, 5 y 10 minutos (18.6 x 18.6 = 344 km2
el ecuador).
En esta escala los factores bitcos propios de los nichos defnidos por Elton, son menos relevantes que los factores
abitcos, es decir, la seal est dominada por los factores abitcos y los factores bitcos actan simplemente
como ruido y se entende que:
a) Los procesos eltonianos (Nicho segn Elton) son de muy alta resolucin. Las variables consideradas en
este concepto (variables trfcas e interacciones ecolgicas) como concentracin de nutrientes, tamao y
distribucin de la comida, presas, depredadores, competdores, densidad de mutualistas, etc; son variables
altamente interactvas.
B) En la escala de modelado de nicho se utlizan las variables scenopoetcas (scenopoetc variable, sensu J.
Sobern), que generalmente se entende como elevacin, orientacin, geologa y clima, que son poco
interactvas. Puede existr una exclusin compettva, pero esta no afecta al total de la poblacin.
C) El nicho Grinelleano es multdimensional (forman un n-hiperespacio dimensional) en el espacio de las
variables scenopoetcas.
3.2 Caracterstcas y formatos de los distntos datos necesarios para poder utlizarlos en la
modelacin de nichos ecolgicos.
Georeferenciacin
Antes de abordar algunos de los programas ms importantes para generacin de modelos de nicho ecolgico,
es necesario indicar cmo es que los datos geogrfcos y bioclimtcos se manejan y procesan para poder ser
ingresados a dichos programas.
La informacin sobre las colectas y poblaciones de distntas especies que nos interesa modelar tenen que contar
con coordenadas geogrfcas, que nos permitan ubicarlas espacialmente y poder posteriormente relacionarlas con
los datos medioambientales, ecolgicos, geolgicos, etc; recabados para el sito o la regin en donde se colect
la muestra. Actualmente, cada vez que se realiza una colecta es una regla tomar las coordenadas geogrfcas con
GPS, sin embargo las colectas ms antguas slo contenan el nombre de la localidad donde se realiz la coleccin
y si tenemos suerte, se cita a cuantos kilmetros se encontraban del poblado o carretera ms importante. Por
lo que, si se requiere utlizar estos datos, es necesario determinar las coordenadas geogrfcas de los puntos de
colecta, o sea georeferenciar el punto para obtener las coordenadas, que deben de estar en un formato decimal,
que es el que la mayora de los programas de modelado aceptan.
Este proceso se puede hacer de varias formas, la primera es localizando la localidad en cartas geogrfcas de
la regin y extrayendo directamente las coordenadas de las cartas, que por estar generalmente en formato de
coordenadas geodsicas o geogrfcas (grados, minutos y segundos, con lattud referida desde el ecuador y
longitud tomando como referencia el meridiano de Greenwich), se tenen que transformar a grados decimales:
13
Grados decimales = grados(.)+(min/60)+(seg/3600)
Ests coordenadas se tenen que referir con un signo positvo o negatvo dependiendo de la regin del mundo.
Para lo longitud, la convencin es poner un signo negatvo a los puntos al oeste del meridiano de Greenwich y
positvos los que estn al este.
Asimismo, para la lattud todos los puntos al norte del ecuador geogrfco se asignan con un valor positvo y todos
al sur con un valor negatvo, ejemplo:
Centro de la Ciudad de Mxico: Lat 19.4342. Long. -99.1386.
Generalmente no se marca el signo positvo ni los smbolos N (Norte) y W (Oeste), pues slo se utlizan en
coordenadas geogrfcas. En realidad este proceso es sencillo pero hay que tener cuidado ya que las coordenadas
geogrfcas dependen del tpo de proyeccin utlizada y el Datum.
Las proyecciones cartogrfcas pueden ser cnicas o cilndricas y se referen a la forma en que la geografa real
del globo terrestre se proyecta en un plano, es decir, cmo los distntos puntos sobre el rea curva del planeta se
corresponden o transforman a una relacin ordenada en un plano (auxilindonos de los meridianos y paralelos
que forman una especie de malla).
A muy grandes rasgos defnimos estos dos grupos de proyecciones:
1. Cilndricas. En la que toda la terra se proyecta a un cilindro imaginario que la rodea y que despus se abrir
para formar un plano. Ejem.: proyeccin de Miller, Peter y quiz la ms usada Mercator (de las que se derivan
las coordenadas UTM o Universal Transverse Mercator).
2. Cnicas. Que cmo indica el nombre se explican como conos que se ponen sobre la esfera terrestre y en
donde se proyectarn los puntos, para luego abrir dicho cono en un plano. Ejem.: proyeccin de Lambert y
proyeccin de Albert.
En cuanto al Datum o Datum de referencia, en nuestro caso indica a un punto de referencia sobre la superfcie de
la terra, asociado a un modelo de su forma (elipsoide de referencia) y a partr del cual toman las coordenadas. El
elipsoide de referencia es una aproximacin terica a la superfcie terrestre, dado que la terra no es una esfera
o un elipse uniforme (no es un cuerpo regular), lo cual difculta hacer distntos clculos de tpo topogrfco. Pero
cmo an se tenan difcultades para adaptar los clculos a distntas regiones o pases del globo, se invent el
Datum para tratar de aproximar mejor las coordenadas a la realidad local de ciertas reas. De lo cual se puede
deducir que existen muchos Datums. Aunque los Datums ms recientes tratan de abarcar mayores reas. Por esta
razn, una localidad en mapas con Datums diferentes tambin tene coordenadas diferentes, esto debemos de
tenerlo en cuenta si queremos transformar coordenadas de un tpo de proyeccin a otra.
Para Norteamrica, los Datums ms comunes son el NAD27, NAD83 y el WGS84 y para Europa es el ETRS89. Sin
embargo el Datum WGS84 (prctcamente igual al NAD83), es un Datum con referencia al centro de la terra y
valido para todo el globo, por lo que es el sistema de referencia mundial actual y el que manejan los dispositvos
GPS por defecto. Sin embargo, siempre hay que tener cuidado al tomar las coordenadas con un dispositvo de
estos, pues existe la posibilidad de tomar datos con distntos Datums y distntas proyecciones (ejemplo con
coordenadas UTM) dando variaciones de cientos o miles de metros.
Volviendo a la georreferenciacin, otra posibilidad es recurrir a las gacetas geogrfcas en red, que son bases de
datos que contene georreferenciadas cientos de localidades, a veces incluyendo datos como alttud y poblaciones
cercanas. Estas gacetas pueden contener informacin de un solo pas o tener datos a nivel mundial. Incluso
herramientas como Google Earth, son tles para la bsqueda y georreferenciacin de localidades. Los gaceteros
se pueden buscar en la red con el nombre de Gazeters, uno bastante tl para Mxico y para otras partes del
mundo es el Global Gazeter ver. 2.2 que se puede encontrar en:
htp://www.fallingrain.com/world
Tambin puede consultar la siguiente pgina de internet en donde se citan distntos recursos de georreferenciacin,
transformacin de coordenadas y bases de datos:
htp://www.herpnet.org/Gazeteer/GeorefResources.htm
14
3.3 Sistemas de Informacin geogrfca - SIG
Una vez que contamos con nuestras localidades de colecta georeferenciadas, se ingresan en hojas de Microsof
Excel u otro tpo de programa para base de datos. El siguiente paso es transformar o guardar estos datos en
formatos que puedan ser ledos por los programas de modelacin de nicho. Esto se hace por medio de los
Sistemas de Informacin geogrfca (SIG):
Un SIG es un sistema de hardware, sofware y procedimientos diseados para auxiliar en la captura,
administracin, manipulacin, anlisis y presentacin de datos u objetos referenciados espacialmente llamados
comnmente datos espaciales u objetos espaciales (Harmon y Anderson. 2003).
Uno de estos programas es el ArcView que no es considerado propiamente un SIG por algunos autores, aunque
s lo es ArcGIS, un programa ms grande con distntos mdulos, incluido el ArcView.
ArcView es un programa desarrollado por ESRI (Enviromental Systems Research Insttute) con sede principal en
Estados Unidos. Con este programa se pueden representar datos georreferenciados y proyectarlos sobre mapas,
hacer anlisis bsicos de las caracterstcas y patrones de distribucin de esos datos, generar y manipular mapas,
unirlos, cortarlos etc; adems de producir informes y tablas con los resultados de dichos anlisis, transformar y
guardar datos geogrfcos en mltples formatos de salida, as como manejar las distntas capas bioclimtcas.
3.4 Tipos de datos manejados en un SIG
Bsicamente un SIG maneja dos tpos de datos, los vectoriales y raster. El formato vectorial se compone de pares de
coordenadas para cada objeto (vrtces) con los que se construyen vectores. A su vez se tenen distntos formatos
que son puntos (feature data, que son slo un par de coordenadas), lneas y polgonos. Es decir representa a los
objetos mediante puntos, lneas y polgonos.
Los formatos vectoriales pueden ser guardados en distntos tpos de archivos: DXF (autocad), CDR (corell draw)
o SHP (Shapefle para ArcGIS). Un archivo Shapefle se compone por lo menos de tres archivos con las siguientes
extensiones:
*.shp : Almacena los objetos vectoriales
*.shx : Almacena la indexacin del objeto vectorial
*.dbf: Almacena los atributos del objeto vectorial
Puede contener otros archivos como *.prj usado por ArcGIS y que guarda la proyeccin cartogrfca utlizada.
Ventajas de los modelos vectoriales:
1. Buena presentacin y resolucin.
2. Menor tamao y por tanto mayor velocidad en el procesamiento.
3. Buen manejo de variables categricas.
Desventajas de los modelos vectoriales:
1. Estructura de datos y programas de tratamiento complejos.
2. Inadecuado para el manejo de variables contnuas.
3. Inexacto en el manejo de objetos bien defnidos (problemas con curvas de nivel, isotermas, etc.).
Los datos tpo raster representan a los objetos mediante la estructuracin del espacio en una rejilla compuesta
de celdas cuadradas llamadas pixeles a los cuales se le aade un valor (nunca hay pixeles vacios, pueden ser
transparentes o de valor cero). Los formatos tpo raster pueden ser:
1. Formatos de imagen (Imagen Data e Image Analyst Data) que son raster multbanda (se guardan en una matriz
de valores) como *.png. *jpg (tene tres bandas: rojo, verde y azul), *tf o *gif.
2. Grids (grids data) que tenen una sola banda:
15
a) Formato Arc/lnfo Binar/ Grids: Desarrollado por ESRI (al igual que el Ascii raster format) con extensin
*.ADF consiste en grids binarios que se guardan en varios archivos en por lo menos dos directorios (el
directorio nombre y el directorio info). Estos archivos son: el db, lb, nd.adf que contene informacin de los
lmites de las porciones utlizadas del grid: el hdr.adf que es el que contene el encabezado e informacin del
tamao y nmero de los mosaicos utlizados: el sta.adf que contene informacin estadstca del raster:
vat.adf que tene datos del valor de atributos en tablas; el prj.adf que tene la proyeccin y su parmetro:
el tc.adf con coordenadas; el w001001.adf que tene los datos actuales del raster y el w001001x.adf que
contene un ndice de los puntos de cada mosaico contenido en el archivo w001001.adf.
b) Ascii raster grid o simplemente Ascii (ESRI ASCII Raster Format): Es ms bien slo un formato para el
almacenamiento e intercambio de la informacin entre distntos sistemas que utlizan rasters y su
extensin es .asc.
Por lo cual podemos tener mapas en formato Arclnfo Binary Grids y Ascii raster grids. Extensiones como *.grd o
*.gri son propias de otros programas de SIG y modelado como el DivaGis.
Ventajas de los modelos raster:
1. Procesos rpidos, fciles de programar por su simplicidad lgica.
2. Captura rpida de la informacin.
3. Facilidad de anlisis y simulacin espacial.
4. Representan bien a variables contnuas y categricas.
5. Tecnologa barata y es la que usan las imgenes satelitales y modelos de elevacin.
Desventajas de los modelos raster:
1. Volumen muy grande de datos, por lo que necesitan gran cantdad de memoria RAM y espacio en disco duro.
2. Menor resolucin o inexacttud derivada del tamao del pixel.
3.5 Principales algoritmos para modelado de nichos ecolgicos
A contnuacin tocaremos dos de los algoritmos ms utlizados para la modelacin de nichos ecolgicos y que han
demostrado un buen desempeo y poder de predictbilidad y que utlizan slo datos de muestreo eliminando los
inconvenientes de los mtodos de presencia-ausencia en especial para determinar con exacttud la no presencia de
una especie en un rea. Por tanto, otros tpos de algoritmos an necesitan evaluarse ms, pues la duda de lo que en
verdad modelan es an ms grande que en los algoritmos que revisaremos, por ejemplo con BIOCLIM probablemente
se est modelando algo entre el nicho realizado y el nicho fundamental ( Sobern y Nakamura, 2009).
3.6 MaxEnt
La idea general de MaxEnt es estmar una probabilidad de distribucin destno (objetvo, blanco), mediante
el modelado de la distribucin de probabilidad de mxima entropa (es decir, que es el ms extendida, o ms
cercana a ser uniforme), sujeta a una serie de restricciones que representan nuestra informacin incompleta
acerca de la distribucin objetvo.
3.6.1 Defnicin de MaxEnt
Es un programa que modela la distribucin geogrfca de las especies, utlizando como datos slo los
sitos de presencia y las variables bioclimtcas asociadas a cada uno de esos puntos de presencia. Para
modelar las distribuciones se basa en el principio de Mxima entropa.
Algunas ventajas de MaxEnt:
1- Slo requiere datos de presencia
2- Puede utlizar datos contnuos y categricos
3- Tiene Algoritmos (deterministas) efcientes que garantzan que se converja en la distribucin de
probabilidades propia (mxima entropa).
4- El sobre ajuste se evita.
5- El resultado es contnuo, permitendo distnguir sutles cambios en la adecuacin (suitability)
modelada (para cada especie) en diferentes reas.
16
3.6.2 Mxima Entropa
La entropa en este contexto es un concepto derivado de la teora de la informacin, que nos dice qu
tan aleatorio es algo (por ejemplo, una lnea de caracteres: werztxnknlk u otro tpo de seal), o sea es
una medida de la aleatoriedad. Es decir, en una seal o conjunto de datos, si todos sus elementos son
equiprobables cuando aparecen, entonces la entropa es mxima.
Aplicando de manera prctca este concepto, se buscara encontrar aquella distribucin de probabilidades
que maximice la entropa, dado ciertas restricciones que representan la informacin disponible
(informacin incompleta) sobre el fenmeno o tema estudiado.
Para explicar mejor este concepto imaginemos que tenemos 3 cajas de manzanas. Ests cajas estn
cerradas pero contamos con la nica informacin (informacin parcial) de que en total hay nueve
manzanas en esas tres cajas:
a) Cul es la manera ms probable en que estn distribuidas las manzanas?
R= La distribucin de mxima entropa es la ms probable.
b) Pero por qu?
R= Segn la frmula de Shannon (1948) la entropa es S= j nj ln(nj)
Donde nj es igual al nmero de manzanas en las cajas. Por tanto la distribucin de mxima entropa
es (3,3,3).
Caja 1 Caja 2 Caja 3 Entropa
3 3 3 -9.9
1 5 3 -11.3
0 1 8 -16.6
Vemos que la mayor entropa corresponde a tener las tres cajas con tres manzanas cada una (distribucin
uniforme y la ms probable).Se puede comprobar fcilmente estos resultados con una calculadora.
Pero podemos poner restricciones en la forma de organizar las manzanas, por ejemplo: Pedimos que adems,
la distribucin sea de mxima entropa y cumpla con que el nmero de manzanas en la segunda caja sea de 5.
Entonces tenemos:
Caja 1 Caja 2 Caja 3 Entropa
2 5 2 -10.8
1 5 3 -11.3
4 5 0 -13.6
La distribucin que maximiza la entropa es la primera (2, 5, 2), que es una distribucin ms cercana a la
distribucin uniforme y la ms probable bajo estas condiciones.
Ahora piense que en lugar de cajas tenemos pixeles (de un rea de estudio) y en lugar de manzanas tenemos
presencias de especies, y las restricciones son los valores empricos promedio de las llamadas caracterstcas
de la informacin disponible; en este caso variables bioclimtcas. Es decir, los pixeles del area de estudio son el
espacio de donde la probabilidad de distribucin de MaxEnt es defnida. Los pixeles con presencia de una especie
(records) consttuyen los puntos de muestreo y las caracterstcas son las variables climtcas y ecolgicas.
La informacin disponible sobre la distribucin de los valores bioclimtcos asociados con la presencia de especies,
se presenta como un conjunto de valores de variables reales, llamadas caracterstcas, y las restricciones son;
que el valor esperado para cada caracterstca debe coincidir con su valor emprico promedio (valor promedio de
un conjunto de puntos de muestreo tomado de la distribucin objetvo o de destno).
Esta sera la forma ms sencilla de tratar de entender el principio bajo el cual funciona MaxEnt. Claro que en
realidad las cosas son un poco ms complicadas como veremos a contnuacin.
De acuerdo a lo anterior, MaxEnt estma distribuciones que deben de estar de acuerdo con todo lo que se
conoce (aunque sea de manera incompleta) de la informacin inferida de las condiciones ambientales de las
17
localidades de ocurrencia y evitar restricciones infundadas. MaxEnt entonces trata de encontrar la distribucin de
probabilidad de mxima entropa (cercana a la uniforme), sujeta a las limitaciones impuestas por la informacin
disponible sobre la distribucin observada de las especies y las condiciones ambientales en el rea de estudio.
MaxEnt genera una distribucin de probabilidades basado en las variables ambientales de toda el rea de estudio.
Si el rea es muy grande (> 600.000 pixeles) se toma una muestra aleatoria de unos 100,000 pixeles background
para representar las condiciones ambientales de la regin.
Adems del principio de mxima entropa, MaxEnt necesita de un algoritmo que le permita encontrar las
distribuciones con mayor entropa. Este algoritmo (sequental update algorithm (Dudik et al. 2004). Utliza
iteraciones en donde va dando distntos pesos a las variables utlizadas y va ajustndolas. Es un algoritmo
determinstco que segn los autores y distntas pruebas empricas garantza que converger en la distribucin
de probabilidades MaxEnt. Al terminar el proceso de iteracin MaxEnt asigna una probabilidad negatva a
cada pixel del rea total de estudio, que al fnal deben sumar 1, por lo que se aplica un valor de correccin
para hacerlos positvos y que sumen entre todos 100%. Pero como cada pixel presenta valores muy pequeos.
MaxEnt los presenta con un valor que es el resultado de la suma del valor de ese pixel y de todos los dems
pxeles con un valor de probabilidad igual. Esos valores pueden ir de 0 a 100 e indican probabilidad de
ocurrencia de la especie.
El programa se carga con variables o capas bioclimtcas en formato ASCII (se puede descargar de la pgina de
WorldClim o ser generadas por el usuario) y con datos de presencia con nombre de la especie y coordenadas
decimales guardados en archivos de formato CSV (disponible en Excel). Se pueden mantener los valores default
como el umbral de convergencia = 10-5 e iteraciones de 500. Que empricamente se han observado que funcionan
bien, y que son conservatvos pero que permiten al algoritmo llegar cerca de la convergencia, ms adelante
tocaremos el tema de los umbrales. El resultado son mapas de probabilidad de distribucin en Ascii y una hoja de
resultados en html con imgenes de los mismos mapas en (*.png) y una serie de datos estadstcos de validacin.
Los datos se cargan fcilmente por medio de una interfaz grfca como la que se muestra a contnuacin (del
manual MaxEnt):
Figura N 5: Interfaz Sofware Maxent

3.6.3 Umbral de decisin
Para decidir la validacin de un modelo y su interpretacin es deseable distnguir entre reas adecuadas
(para la especie) de las inadecuadas, para establecer un umbral de decisin, por arriba del cual el modelo
resultante es considerado como una prediccin de presencia. Para el caso de modelos de slo presencia
como MaxEnt, el umbral se puede encontrar de dos maneras:
1. Se escoge el valor de prediccin ms bajo asociado con algn record de presencia. Este ser el umbral
de presencia ms bajo (LPT. por sus siglas en ingls). Y es un umbral conservatvo.
18
2. La aproximacin ms liberal, consiste en aplicar un umbral fjo que refute slo el 10% ms bajo de
los posibles valores predichos. Para MaxEnt se usa un umbral de 10 (T10). Estos umbrales se pueden
escoger tambin de pruebas preliminares que den valores de LPT ms altos que los umbrales fjados.
Despus de que MaxEnt ha terminado sus bsquedas, tene la posibilidad de hacer algunas pruebas estadstcas
para determinar la validez estadstca de los modelos encontrados. Asimismo muestra que variables son las
que han infuenciado ms o son las ms importantes para el modelo determinado. Ests ltmas pruebas estn
sufcientemente explicadas en el manual de MaxEnt.
Prueba de Jackknife (Jackknife model testng)
Para esta prueba se excluyen las localidades observadas una en cada caso (o corrida). Para cada prediccin un
umbral se aplica basado en localidades de entrenamiento (I) y se prueba la habilidad de predecir las localidades
excluidas. Entonces se calcula un valor de probabilidad P para cada especie a travs del set de todas las predicciones
de jackknife. Tambin por medio de un procedimiento de Jackknife se hace un anlisis en MaxEnt para estmar
que variables son ms importantes para la presencia de la especie.
(l): subconjunto de puntos que s se utlizarn en el anlisis, pero que sirven para comenzar a entrenar o calentar
el modelo iteratvo. No confundir con los puntos de prueba que se utlizan para validar el modelo al compararlos
con los de entrenamiento.
3.6.4 Curvas de omisin (Omission)
Antes tenemos que hablar de los tpos de errores que hay en las predicciones y en los algoritmos de datos
de slo presencia
Matriz de confusin Presente Ausente
Predicho como presente a b
Predicho como ausente c d
Entonces a y d son predicciones correctas, pero:
b = Es un falso positvo o una sobreprediccin. Llamado error de comisin (commission error).
c = Es un falso negatvo o subprediccin. Llamado error de omisin (ommission error).
MaxEnt presenta una curva de omisin de datos de prueba (un 25% de puntos aleatorios) contra omisin
de datos de entrenamiento. En ests grfcas se observa cmo el rea predicha vara con la eleccin de un
umbral acumulatvo. Se busca que la omisin de prueba se ajuste a la omisin de entrenamiento.
Grafco N 1: Curva de omisin

19
3.6.5 Curvas ROC (Receiver operatng caracteristc analysis)
Este tpo de pruebas fueron implementadas por operadores de radar durante la segunda Guerra mundial,
pero han sido trasportadas a muchas reas en donde es necesario caracterizar el rendimiento de un
modelo y tomar decisiones. La curva ROC, caracteriza el rendimiento de un modelo en todos los posibles
umbrales simplemente con un nmero: el rea bajo la curva o AUC. Las curvas nos permiten comparar
tambin el rendimiento entre distntos tratamientos y algoritmos (se han comparado modelos de MaxEnt
y otros con esta aproximacin, resultando mejor MaxEnt en la mayora de las pruebas). Su utlizacin
primaria fue la de encontrar el punto de corte ptmo y son curvas en las que se presenta la sensibilidad
(omisin cero = 100% de sensibilidad) en funcin de los falsos positvos (error de comisin) para distntos
puntos de corte (umbrales). Como ya se mencion, un parmetro para evaluar la bondad de la prueba
es el rea bajo la curva que toma valores entre 1 (prueba perfecta) y 0.5 (prueba intl). Esta rea puede
interpretarse como la probabilidad de que ante un par de puntos, uno con presencia y otro sin presencia
(de la especie), la prueba los califque correctamente.
En la curva ROC vemos graneados los puntos de prueba y los de entrenamiento. Si los datos de
entrenamiento ajustan bien al modelo (p> 0.9), se estar indicando la capacidad del modelo para predecir.
Si los datos de prueba son menores (p <= 0.5) y estn debajo de la lnea diagonal, se indica que el modelo
es peor que un modelo aleatorio (no es mejor que el azar). Idealmente se busca que las curvas estn en
el extremo superior izquierdo lo que indica que no hay ningn error de omisin o 100% de sensibilidad y
ningn error de comisin o 100% de especifcidad.
Grafco N 2: Curva ROC
3.6.6 Pruebas de Solapamiento de Nicho
Desde hace algunos aos ha ido en aumento el debate entre distntos investgadores sobre si las especies
flogentcamente cercanas son ecolgicamente similares a lo que se le conoce como Conservadurismo
Filogentco del Nicho (CFN). Algunos autores como Peterson et al (1999) concluyen de sus trabajos que la
especiacin se da en primera instancia en un contexto geogrfco y no en uno ecolgico, y el cambio y las
diferencias ecolgicas evolucionarn posteriormente. Graham et al. (2004) con datos de dendrobtdos
sugieren que el medioambiente tene una gran importancia en la divergencia de las especies. Incluso
algunos investgadores han sugerido que el CFN prctcamente es un fenmeno inevitable en la evolucin
de las especies, sin embargo Losos (2008) concluye que para muchos clados algunos caracteres ecolgicos
no presentan un CFN. Adems el autor hace hincapi en distnguir la seal flogentca del CFN. La primera
se refere a que las diferencias o similitudes en el nicho ecolgico entre especies hermanas son un efecto
slo de sus relaciones flogentcas, y el CFN se refere ms bien a que las especies pueden tener mayores
similitudes ecolgicas que las esperadas slo por sus relaciones flogentcas. Esto ltmo indicara que
algn proceso est restringiendo la divergencia entre especies flogentcamente cercanas.
Asimismo, algunos autores han tratado de desarrollar mtodos para medir que tan parecidos son los
nichos entre especies y tratar de probar hiptesis acerca del CFN, por ejemplo Peterson et al (1999) que
desarrollan una prueba de similitud de nicho.
20
Recientemente Warren et al. (2008), desarrollaron una serie de pruebas para cuantfcar la similitud del
nicho ecolgico y comparar la equivalencia contra el conservadurismo del nicho. Pensamos que ests
pruebas tenen un buen potencial para el estudio de la cuestn del CFN. adems de que los autores han
implementado un programa que entre otras pruebas realiza las pruebas de similitud y equivalencia de
nicho, que nos interesan.
La similitud de nicho se refere a cmo el modelo de nicho ecolgico de una especie predice a otra especie
mejor de lo que se esperara por azar bajo un modelo nulo especfco. La equivalencia de nicho se refere
a si dos modelos de nicho de distntas especies son indistnguibles uno del otro. Sin embargo, estas
dos defniciones slo califcan a dos casos extremos de uno contnuo, ya que se espera que el grado de
conservacin de un nicho ecolgico este situado en cualquier parte entre los dos extremos mencionados.
Para evaluar la similitud y la equivalencia Warren et al. (2008) idearon dos medidas de solapamiento
de nicho (D e I) que luego se someteran a distntas pruebas estadstcas para cuantfcar la similitud y la
equivalencia de nicho. El primer ndice llamado (D) deriva del antguo ndice de Schoener utlizado en la
Ecologa para cuantfcar solapamiento de nicho alimentcio y microhbitat. El segundo ndice llamado (I),
deriva de la distancia de Hellinger (H) y no deriva de supuestos biolgicos sino solamente se basa en la
comparacin de distribuciones de probabilidad. Ambos ndices pueden tomar un valor de 0 que indica no
solapamiento hasta 1 que indica que los modelos son idntcos.
Sin embargo las complicaciones con las pruebas de similitud y equivalencia derivan de la parte prctca de
su ejecucin y un poco menos de los supuestos que las sustentan.
3.7 Ventajas de usar modelos
Permiten la integracin de mltples variables complejas en un marco defnido y comparable con otros.
La creacin de modelos requiere la formacin de grupos interdisciplinarios que trabajen coordinadamente. En
este sentdo, los modelos son una buena excusa para trabajar en equipo.
La simulacin es un proceso rpido y barato de investgacin. Esto es especialmente cierto cuando los
requerimientos econmicos no permiten una fase intensa de captura de informacin para resolver un problema
determinado.
Gracias a los modelos se puede simular el transcurso de grandes periodos de tempo en cuestn de segundos o minutos.
La creacin de un modelo casi siempre acaba mejorando la comprensin del proceso modelado por parte de los
autores.
Los modelos permiten un anlisis del tpo qu pasara s?, lo que nos permite modifcar ciertos parmetros del
sistema modelado para evaluar los resultados en los distntos casos.

3.8 Desventajas de usar modelos
La interpretacin de los resultados. stos han de ser analizados crtcamente, teniendo en cuenta el proceso de
modelizacin y la informacin tomada para ejecutarlo. El hecho de que los resultados salgan de un ordenador, no
indican que sean inherentemente correctos.
Todos los modelos requieren una validacin, con el objeto de aplicar correctamente sus resultados. El problema
es que no hay una metodologa estndar para realizar esta comprobacin. En muchas ocasiones, los modelos
requieren gran cantdad de datos difciles de conseguir.
Por ltmo, los generadores de modelos suelen caer en el error de que su modelo es el mejor. Cuando uno hace
un modelo casi siempre se ajusta perfectamente a la realidad segn el autor. Lo que ocurre en realidad es que el
modelo se ajusta perfectamente a la percepcin de la realidad que tene su autor, y no necesariamente al mundo
real en s. Por esto se produce esta falsa (a veces) sensacin de xito.
21
IV. ACTIVIDADES

4.1 Descripcin del rea de Estudio
El rea de estudio est relacionado con los mbitos geogrfcos que cada Ofcina Desconcentrada tene asignado,
cada una de ellas se encuentra delimitada basndose en criterios de lmites departamentales, conectvidad,
acceso y optmizacin del uso del recurso.
Cada Ofcina Desconcentrada interacta con la sede central ubicada en la ciudad de Lima, permitendo realizar
estrategias de supervisin, fscalizacin y sobretodo una adecuada administracin de la informacin que se
registra en cada trabajo de supervisin.
La unidad mnima de investgacin es el POA (Plan Operatvo Anual), PCA (Parcela de Corte Anual), PMCA (Plan
de Manejo Complementario Anual), de Autorizaciones y Permisos forestales. Es en estas unidades en donde se
evala una muestra representatva de individuos aprovechables generando un registro y localizados mediante un
equipo GPS con coordenadas planas UTM (Universal transvesal Mercator).

El siguiente cuadro se detalla el mbito de accin para cada Ofcina Desconcentrada del OSINFOR:
Cuadro N 1: Ambitos administratvos de ofcinas desconcentradas OSINFOR
N Ofcina Desconcentrada
mbito Geogrfco
Departamento Provincias
1 Atalaya Ucayali Atalaya (Todos los distritos excepto Yura)
2 Chiclayo
Ancash Todas
Cajamarca Todas
Hunuco
Solo el distrito de Huacrachuco, de la provincia
de Maran
La Libertad Todas
Lambayeque Todas
Piura Todas
Tumbes Todas
3 Iquitos Loreto
Todas, excepto las provincias de Ucayali, Alto
Amazonas y Datem del Maran.
4 La Merced
Junn Todas
Pasco Todas
Conjunto geogrfco
VRAEM
Todo
5 Pucallpa
Hunuco
Todas (excepto el distrito de Huacrachuco de la
Provincia del Maran)
Loreto Ucayali
Ucayali
Todas Coronel Portllo, Padre Abad, Purs, y
Atalaya (distrito Yura)
6 Puerto Maldonado
Madre de Dios Todas
Cusco Todas
7 Tarapoto
Amazonas Todas
Loreto Alto Amazonas y Datem del Maran
San Martn Todas
Fuente: R.P. N123-2012-OSINFOR del 13.11.2012.
22
4.2 Descripcin del Material Utlizado

La cartografa digital utlizada en la elaboracin del presente estudio es la que se detalla a contnuacin:
Cartografa digital base:
INEI: Limites poltcos, centros poblados.
IGN: Cartas nacionales 1/100 000.
COFOPRI: Comunidades natvas, comunidades campesinas.
IBC: Comunidades natvas.
SERNANP: reas naturales protegidas, zonas de amortguamiento, reas de conservacin regional.
Cartografa temtca:
OSINFOR: Individuos de especies forestales georeferenciadas.
WorldClim: Variables Bioclimtcas
Sofware de Procesamiento
Sofware de anlisis espacial: ArcGIS v. 10.0
Maximum Entropy Species Distributon Modeling (MaxEnt) v. 3.3.3k
DIVA GIS v. 7.5.0.0
Sofware GPS: Mapsource, Basecamp, DNRgarmin.
Equipos
PC - Estaciones de trabajo.
Ploter A0.
Impresora A3.
GPS navegador Garmin Map GSX60 - 62CS - 62SC.

4.3 Metodologa

Tomando como premisa que el OSINFOR es el encargado a nivel nacional, de supervisar y fscalizar el
aprovechamiento sostenible de los recursos forestales y de fauna silvestre, as como de los servicios ambientales
provenientes del bosque en Ttulos Habilitantes otorgados por el Estado a travs de diversas modalidades de
aprovechamiento (concesiones, permisos y autorizaciones).
En ese sentdo, existen mecanismos que permiten recopilar y registrar informacin a nivel de cada individuo
en una muestra representatva a excepcin del cedro y caoba que son supervisados en su totalidad; todo ello
asociado a un mbito geogrfco y manteniendo el adecuado huso, datum y sistema de coordenadas planas.
Asimismo, las condiciones ambientales, generan restricciones en la presencia y desarrollo de un individuo
(foracin, aparicin, maduracin, cada de hojas y dormancia en el caso de fauna). A todo ello debemos agregar
el afn de la sociedad de querer aprovechar desmedidamente el recurso sin dejarlo recuperarse de manera
natural; claro est que debemos realizar un estudio complementario de aprovechamiento forestal para afanzar
lo anteriormente mencionado.
4.3.1.- Acondicionamiento de cartografa digital base y temtca
La cartografa digital base fue procesada con el sofware de anlisis ArcGIS v10, en donde se identfc
la geometra del objeto (lnea, punto y polgono) a fn de enlazar de manera lgica sus atributos
creando correspondencia y permitndo modelar la distribucin espacial de la especie cuantfcndolo y
enmarcndolo en un mbito administratvo y geogrfco.
Para el modelamiento de nichos ecolgicos, es necesario que nuestra cartografa se encuentre en
coordenadas geogrfcas (lattud y longitud), puesto que los sofware libres utlizados tenen esa
restriccin (DIVA GIS, MaxEnt).
En ese sentdo, la informacin temtca de individuos registrados por especie en los trabajos de supervisin
tenen asignado la proyeccin Universal Transversal Mercator (UTM), referida a las zonas 17, 18, 19 con
Datum horizontal WGS 84; los que debern ser reproyectados al sistema de Grados en lattud y longitud
a fn de estandarizarlos con la cartografa base.
El acondicionamiento de la informacin se realiz en su totalidad en formato shapefle migrado desde la
Base de Datos Espacial OSINFOR (Feature class - Geodatabase). Para ello, se identfc slo 20 especies
23
representatvas para analizar su distribucin y comportamiento.
En el siguiente cuadro se detalla la poblacin por especie y cantdad de individuos aprovechables
registrados en los trabajos de supervisin:
Cuadro N 2: Individuos Georeferenciados por el OSINFOR
Orden
Especie
N Individuos
Especie nombre comn Especie nombre cientfco
1 Tornillo Cedrelinga catenaeformis 7525
2 Shihuahuaco Dipteryx micrantha 6900
3 Cedro Cedrela odorata 6297
4 Pashaco Schizolobium sp 4944
5 Moena Aniba sp 4188
6 Lupuna Chorisia integrifolia 4178
7 Cumala Virola sp 3359
8 Caoba Swietenia macrophylla 2208
9 Copaiba Copaifera sp 1748
10 Estoraque Myroxylon balsamun 1573
11 Azcar huayo Hymenaea sp 1512
12 Capirona Calycophyllum spruceanum 1197
13 Ishpingo Amburana cearensis 1174
14 Manchinga Brosimum sp. 1157
15 Quinilla Manilkara bidentata 1039
16 Catahua Hura crepitans 842
17 Ana caspi Apuleia mollaris 797
18 Marupa Simarouba amara 407
TOTAL 51045
Fuente: Supervisiones OSINFOR 2009 - marzo 2013
4.3.2.- Acondicionamiento de cartografa temtca Missouri Botanical Garden
Missouri Botanical Garden comparte conocimientos de las plantas y su entorno con el fn de preservar
y enriquecer la vida. Es as que ha generado una plataforma denominada Trpicos que fue creado
originalmente para la investgacin interna, pero desde entonces se ha puesto a disposicin de la
comunidad cientfca del mundo.
Todos los datos de nomenclatura, bibliografa y muestras acumuladas en las bases de datos electrnicas
del MBG durante los ltmos 25 aos estn a disposicin del pblico. Este sistema cuenta con ms de 1,2
millones de nombres cientfcos y 4.0 millones de registros de especmenes.
Ello nos permitr complementar nuestros registros, validando la distribucin espacial y su presencia.
El acondicionamiento de la informacin obtenida de dicha web inicia con la descarga del reporte de la
especie consultada en formato *.CSV el mismo que deber ser migrado a una formato Excel para un
adecuado manejo de la informacin.
Asimismo, nos permite visualizar la localizacin mediante coordenadas geogrfcas (lattud - longitud)
de las colectas por especie en formato KML de Google Earth. El mismo que deber ser procesado en la
plataforma ArcGIS v. 10 utlizando la aplicacin Data Interoperability y migrar el formato KML a shapefle
y as tener toda la informacin estandarizada y en el mismo formato.
24
A contnuacin detallamos los individuos colectados por Missouri Botanical Garden:
Cuadro N 3: Individuos Colectados por MISSOURI BOTANICAL GARDEN (Anexo 1)

Orden
Especie
N Individuos
Especie nombre comn Especie nombre cientfco
1 Ana caspi Apuleia molaris 1
2 Capirona Calycophyllum spruceanum 43
3 Cedro Cedrela odorata 42
4 Tornillo Cedrelinga cateniformis 43
5 Lupuna Chorisia integrifolia 10
6 Shihuahuaco Dipteryx micrantha 23
7 Catahua Hura crepitans 41
8 Quinilla Manilkara bidentata 10
9 Estoraque Myroxylon balsamum 55
10 Marupa Simarouba amara 54
11 Caoba Swietenia macrophylla 4
TOTAL 330
Fuente: Missouri Botanical Garden
4.3.3.- Acondicionamiento de informacin temtca WorldClim - Global Climate Data
WorldClim es un conjunto de capas temtcas del clima global (redes climtcas) con una resolucin
espacial de aproximadamente 1 kilmetro cuadrado. Los datos pueden ser utlizados para el mapeo y
modelado espacial en un SIG o con otros programas de ordenador. Su registro data de una temporalidad
y registro de 50 aos.
WorldClim a travs de su pgina web permite la descarga a nivel mundial de la informacin rasterizada en
formato *.gri. Para lo cual recopilamos en total 19 variables bioclimtcas (Temperatura y Precipitacin)
que estn relacionadas directamente con los aspectos fsiolgicos del crecimiento de la especie y no
tenen en cuenta el momento en el que ocurri un estado especfco, es decir, no importa si el mes ms
caliente fue julio (hemisferio norte) o enero (hemisferio sur). Algunas variables bioclimtcas incluyen
parmetros de clima tpicos y bsicos (como BI01, temperatura media anual o BI012, precipitacin anual),
mientras que otras combinan temperatura y precipitacin en una variable (como BI018, precipitacin
durante el trimestre ms caliente). Otras tenen en cuenta aspectos de la estacionalidad (como BI04
para temperatura, BI015 para precipitacin), que tambin pueden ser importantes para determinar la
distribucin de las especies.
En el siguiente cuadro, se detalla cada variable bioclimtca acondicionada para nuestro territorio y que
servirn para analizar el comportamiento de las 18 especies maderables.
25
Cuadro N 4: Variables Bioclimtcas
Orden Cdigo Descripcin
1 BI01 Temperatura promedio anual
2 BI02 Rango medio diurno (temp max - temp min; promedio mensual
3 BI03 Isotermalidad (BI01/BI07)* 100
4 BI04 Estacionalidad en temperatura (coefciente de variacin
5 BI05 Temperatura mxima del perodo ms caliente
6 BI06 Temperatura mnima del perodo ms fro
7 BI07 Rango anual de temperatura (BI05-BI06)
8 BI08 Temperatura media en el trimestre ms lluvioso
9 BI09 Temperatura promedio en el trimestre ms seco
10 BIO10 Temperatura promedio en el trimestre ms caluroso
11 BI011 Temperatura promedio en el trimestre ms fro
12 BI012 Precipitacin anual
13 BI013 Precipitacin en el perodo ms lluvioso
14 BI014 Precipitacin en el perodo ms seco
15 BI015 Estacionalidad de la precipitacin (Coefciente de variacin)
16 BI016 Precipitacin en el trimestre ms lluvioso
17 BI017 Precipitacin en el trimestre ms seco
18 BI018 Precipitacin en el trimestre ms caluroso
19 BI019 Precipitacin en el trimestre ms fro
Fuente: WorldClim - Global Climate Data
Como ha sido mencionado, la informacin es mundial asi es que debemos acondicionarlo a nuestra
necesidades. Para lo cual utlizando la plataforma DIVA GIS se realiza un corte aproximado del rea a
estudiar que no necesariamente es el Per si no que debemos ver la infuencia que los pases colindantes
ejercen sobre la probabilidad de presencia de las especies evaluadas y establecer corredores biolgicos.
Figura N 6: Interfaz Sofware DIVA-GIS

26
4.3.4.- Modelamiento de informacin temtca WorldClim y distribucin espacial de especies.
Para el modelamiento y anlisis de la informacin recopilada de WorldClim (Variables Bioclimtcas)
y OSINFOR (Presencia de especies), nos apoyaremos en la plataforma MaxEnt y como se mencion
anteriormente, MaxEnt es un programa que modela la distribucin geogrfca de las especies, utlizando
como datos slo los sitos de presencia y las variables bioclimtcas asociadas a cada uno de esos puntos
de presencia. Todo ello asociado a un modelo estadstco basado en el principio de Mxima entropa.
El proceso se detalla a travs de un modelo conceptual el cual indica el ingreso de informacin, la
integracin, los sofware, el modelado y los resultados esperados tal como se indica a contnuacin:
Figura N 7: Equema conceptual del modelamiento
Presencia y distribucin
de especies forestales
Variables Bioclimticas
Integradas
Acondicionamiento
cartogrfico
Modelamiento de
probabilidad de
presencia de
especie forestal
VARIABLES BIOCLIMTICAS
BIO 1
BIO 2
BIO 3
BIO 4
BIO 17
BIO 18
Software MAXENT
Maximum Entropy
Species
Distribution
Modeling
Los datos de WorldClim han sido transformados de formato *.gri a formato *.ascii puesto que MaxEnt
ha sido diseado para modelar datos en dicho formato.
Figura N 8: Migracin de formatos
27
En este nivel, la informacin temtca de presencia de especies del OSINFOR, debe ser reproyectada a
coordenadas geogrfcas (grados), estandarizndolos al sistema de coordenadas del WorldClim. La base
tabular de la presencia de especies, es migrado a un formato *.CSV (delimitado por coma), el mismo que
se fusionar en el modelamiento junto a las variables bioclimtcas en el entorno del MaxEnt.
Figura N 9: Base de datos conformada en DIVA-GIS
Figura N 10: Procesamiento de datos Sofware MAXENT
28
5.1 Calycophyllum spruceanum (Capirona)
Zona de vida: Bosque muy Hmedo Premontano Tropical (bmh-PT)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual es 25.6 C. Promedio de
precipitacin total anual es de 4376 mm.
Relieve: Abrupto susceptble a la erosin, con suelos medianamente
profundos a superfciales y ph cido.
Zona de vida: bosque hmedo Tropical (bh-T)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual de 25.5C a 26.5 C. Promedio de
precipitacin total anual de 3500 a 3800 mm.
Relieve: Dominantemente ondulado y colinado, con suelos profundos
y ph cido.
Individuos supervisados por el OSINFOR (2009 - marzo 2013)
V. RESULTADOS
Calycophyllum spruceanum
(Capirona)
29
Calycophyllum spruceanum
(Capirona)
Modelo de probabilidad de presencia de Capirona.
Elaborado con el Sofware MaxEnt e informacin generada
por el OSINFOR
Del anlisis realizado, podemos cuantfcar en un escenario ptmo el nivel de coincidencia
o probabilidad de presencia de los individuos aprovechables encontrados en campo, por
hectreas, nmero de individuos y a su vez calcularlo para un escenario actual en donde la
deforestacin ha disminuido la cobertura de bosque, los detalles se muestran en el cuadro
siguiente:
Capirona
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 19,157,517.93 20,642,079.97 30
40 - 59 6,879,268.24 7,460,171.41 91
60 - 79 6,103,493.69 6,584,102.38 151
80 - 100 631,004.36 682,574.00 908
30
Virola sp (Cumala)
5.2 Virola sp (Cumala)
Zona de vida: Bosque Hmedo Tropical (bh-T)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual de 25.5C a 26.5 C. Promedio de
y ph cido.
Zona de vida: Bosque muy Hmedo Tropical (bmh-T)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual de 22C a 24 C. Promedio de
Relieve: Dominantemente colinado hasta fuertemente disectada, con
suelos profundos y ph cido.
31
Virola sp (Cumala)
Modelo de probabilidad de presencia de Cumala
por el OSINFOR
siguiente:
Cumala
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 17,889,286.93 19,244,748.65 80
40 - 59 15,136,516.97 16,703,204.19 881
60 - 79 5,259,995.36 5,803,211.04 2260
80 - 100 203,548.95 219,445.98 112
32
5.3 Cedrelinga catenaeformis (Tornillo)
Zona de vida: Bosque Hmedo Subtropical (bh-S)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual de 24C a 25.5 C. Promedio de
Relieve: Vara entre relieve ondulado y colinado dominantemente,
con suelos profundos y ph cido.
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual de 25.5C a 26.5 C. Promedio
de precipitacin total anual de 3500 a 3800 mm.
y ph cido.
Cedrelinga catenaeformis (Tornillo)
33
Modelo de probabilidad de presencia de Tornillo
por el OSINFOR
siguiente:
Tornillo
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 18,233,058.14 20,108,093.16 831
40 - 59 14,016,858.05 15,290,461.78 2729
60 - 79 3,760,642.77 4,026,617.37 3824
80 - 100 6,040.80 6,303.68 11
Cedrelinga catenaeformis (Tornillo)
34
5.4 Dipteryx micrantha (Shihuahuaco)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
y ph cido.
Dipteryx micrantha (Shihuahuaco)
35
Modelo de probabilidad de presencia de Shihuahuaco
por el OSINFOR
siguiente:

Shihuahuaco
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 10,050,206.92 10,524,387.91 214
40 - 59 6,566,511.55 7,157,714.90 1761
60 - 79 3,712,750.98 4,005,094.86 4686
80 - 100 1,698.14 2,111.03 13
Dipteryx micrantha (Shihuahuaco)
36
5.5 Cedrela odorata (Cedro)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
Cedrela odorata (Cedro)
37
Modelo de probabilidad de presencia de Cedro
por el OSINFOR

siguiente:

Cedro
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 14,481,734.16 15,321,756.16 496
40 - 59 8,637,617.70 9,006,667.56 3400
60 - 79 4,049,605.78 4,126,431.13 3802
80 - 100 18,903.61 19,006.92 29

Cedrela odorata (Cedro)
38
5.6 Chorisia integrifolia (Lupuna)
Diagrama
Bioclimtco de
Holdridge:
Zona de vida: bosque hmedo Subtropical (bh-S)
Diagrama
Bioclimtco de
Holdridge:
Chorisia integrifolia (Lupuna)
39
Modelo de probabilidad de presencia de Lupuna
por el OSINFOR

siguiente:
Lupuna
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 16,762,760.51 17,462,707.25 289
40 - 59 10,436,925.94 11,171,081.65 1013
60 - 79 3,650,254.03 3,992,941.06 2626
80 - 100 13,163.56 16,880.96 106

Chorisia integrifolia (Lupuna)
40
5.7 Copaifera sp. (Copaiba)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
y ph cido.
Copaifera sp. (Copaiba)
41
Modelo de probabilidad de presencia de Copaiba
por el OSINFOR

siguiente:
Copaiba
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 8,960,726.76 9,395,575.01 57
40 - 59 8,385,803.30 9,116,765.00 515
60 - 79 3,142,699.25 3,500,889.36 1111
80 - 100 22,977.54 37,981.03 9

Copaifera sp. (Copaiba)
42
5.8 Hura crepitans (Catahua)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
y ph cido.

Hura crepitans (Catahua)
43
Modelo de probabilidad de presencia de Catahua
por el OSINFOR

siguiente:

Catahua
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 8,908,897.06 9,554,489.50 29
40 - 59 6,806,454.18 7,224,346.67 142
60 - 79 2,893,572.24 3,049,362.11 441
80 - 100 155,790.59 178,260.78 175
Hura crepitans (Catahua)
44
5.9 Aniba sp. (Moena)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:

Aniba sp. (Moena)
45
Modelo de probabilidad de presencia de Moena
por el OSINFOR

siguiente:
Moena
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 23,940,743.09 26,380,376.15 439
40 - 59 10,021,847.23 11,378,424.18 503
60 - 79 2,700,163.08 2,933,070.88 3107
80 - 100 25,736.18 31,082.21 20
Aniba sp. (Moena)
46
5.10 Myroxylon balsamun (Estoraque)
Zona de vida: Bosque Bmedo Tropical (bh-T)
Diagrama
Bioclimtco de
Holdridge:
y ph cido
Zona de vida: Bosque hmedo Subtropical (bh-S)
Diagrama
Bioclimtco de
Holdridge:
iotemperatura media anual de 24C a 25.5 C. Promedio de
Myroxylon balsamun (Estoraque)
47
Modelo de probabilidad de presencia de Estoraque
por el OSINFOR
siguiente:

Estoraque
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 8,054,271.76 8,534,709.88 165
40 - 59 4,151,435.36 4,688,277.75 106
60 - 79 2,179,655.98 2,406,838.26 1134
80 - 100 54,951.40 76,020.10 145

Myroxylon balsamun (Estoraque)
48
5.11 Manilkara bidentata (Quinilla)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
y ph cido.
Manilkara bidentata (Quinilla)
49
Modelo de probabilidad de presencia de Quinilla
por el OSINFOR

siguiente:

Quinilla
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 16,309,435.32 17,092,246.30 147
40 - 59 6,564,768.16 7,231,376.51 197
60 - 79 3,043,504.34 3,235,200.60 265
80 - 100 310,251.31 336,771.22 348
Manilkara bidentata (Quinilla)
50
5.12 Amburana cearensis (Ishpingo)
Diagrama
Bioclimtco de
Holdridge:
y ph cido.
Diagrama
Bioclimtco de
Holdridge:

Amburana cearensis (Ishpingo)
51
Modelo de probabilidad de presencia de Ishpingo
por el OSINFOR

Del anlisis realizado, podemos cuantfcar en un escenario ptmo el nivel
de coincidencia o probabilidad de presencia de los individuos aprovechables
encontrados en campo, por hectreas, nmero de individuos y a su vez calcularlo
para un escenario actual en donde la deforestacin ha disminuido la cobertura de
bosque, los detalles se muestran en el cuadro siguiente:

Ishpingo
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 7,310,738.44 7,745,542.72 108
40 - 59 2,859,211.42 3,093,471.59 124
60 - 79 1,299,927.68 1,366,754.40 920
80 - 100 0 0 0
Amburana cearensis (Ishpingo)
52
5.13 Schizolobium sp. (Pashaco)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:
y ph cido.

Schizolobium sp. (Pashaco)
53
Modelo de probabilidad de presencia de Pashaco
por el OSINFOR

Del anlisis realizado, podemos cuantfcar en un escenario ptmo el nivel
de coincidencia o probabilidad de presencia de los individuos aprovechables
encontrados en campo, por hectreas, nmero de individuos y a su vez calcularlo
para un escenario actual en donde la deforestacin ha disminuido la cobertura de
bosque, los detalles se muestran en el cuadro siguiente:

Pashaco
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 8,082,807.86 8,944,899.53 150
40 - 59 4,151,762.32 4,585,683.56 346
60 - 79 1,449,953.73 1,555,092.54 4367
80 - 100 0 0 0
Schizolobium sp. (Pashaco)
54
5.14 Simarouba amara (Marupa)
Diagrama
Bioclimtco de
Holdridge:
y ph cido.
Diagrama
Bioclimtco de
Holdridge:
Simarouba amara (Marupa)
55
Modelo de probabilidad de presencia de Marupa
por el OSINFOR

siguiente:
Marupa
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 13,487,159.51 14,696,273.99 42
40 - 59 15,517,162.18 16,821,633.51 167
60 - 79 7,484,676.63 8,211,987.15 130
80 - 100 1,383,684.99 1,629,639.27 66

Simarouba amara (Marupa)
56
5.15 Brosimum sp. (Manchinga)
Diagrama
Bioclimtco de
Holdridge:
Relieve: Dominantemente ondulado y colinoso, con suelos profundos
y ph cido.
Diagrama
Bioclimtco de
Holdridge:
Relieve: Vara entre relieve ondulado y dominantemente colinoso, con

Brosimum sp. (Manchinga)
57
Modelo de probabilidad de presencia de Manchinga
por el OSINFOR

siguiente:

Manchinga
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 6,953,364.23 8,066,905.12 41
40 - 59 4,156,571.71 4,553,658.29 102
60 - 79 1,334,091.18 1,440,549.20 800
80 - 100 55,401.66 64,808.38 171
Brosimum sp. (Manchinga)
58
5.16 Swietenia macrophylla (Caoba)
Zona de vida: Bosque muy Hmedo Premontano Tropical (bmh-PT)
Diagrama
Bioclimtco de
Holdridge:
Biotemperatura media anual es 25.6 C. Promedio de precipi-
tacin total anual es de 4376 mm.
Relieve: Abrupto susceptble a la erosin, con suelos medianamente
profundos a superfciales y ph cido.
Diagrama
Bioclimtco de
Holdridge:
y ph cido
Swietenia macrophylla (Caoba)
59
Modelo de probabilidad de presencia de Caoba
por el OSINFOR

siguiente:

Caoba
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 6,238,194.80 6,410,363.98 63
40 - 59 1,497,054.03 1,562,081.92 288
60 - 79 859,884.06 868,047.69 1792
80 - 100 2,110.46 2,112.62 0
Swietenia macrophylla (Caoba)
60
5.17 Apuleia mollaris (Ana caspi)
Diagrama
Bioclimtco de
Holdridge:
Zona de vida: Bosque muy Humedo Tropical (bmh-T)
Diagrama
Bioclimtco de
Holdridge:
Apuleia mollaris (Ana caspi)
61
Modelo de probabilidad de presencia de Ana caspi
por el OSINFOR

siguiente:
Ana caspi
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 13,453,436.33 14,288,736.26 48
40 - 59 6,191,465.56 6,927,746.88 80
60 - 79 2,484,824.80 2,673,411.48 351
80 - 100 165,494.28 186,511.60 272
Apuleia mollaris (Ana caspi)
62
5.18 Hymenaea sp. (Azcar huayo)
Diagrama
Bioclimtco de
Holdridge:
Diagrama
Bioclimtco de
Holdridge:

Hymenaea sp. (Azcar huayo)
63
Modelo de probabilidad de presencia de Azcar huayo
por el OSINFOR

siguiente:

Azcar huayo
Rango
probabilidad %
rea (ha)
N Individuos
Condiciones
actuales
Condiciones
ptimas
20 - 39 3,834,679.66 4,058,344.68 81
40 - 59 2,415,628.81 2,453,724.80 102
60 - 79 1,895,605.51 1,949,810.12 1233
80 - 100 0 0 0

Hymenaea sp. (Azcar huayo)
64
VI. CONCLUSIONES
- De acuerdo al modelamiento realizado a las 20 especies maderables, concluimos que el universo de individuos
utlizados en la investgacin cumple con la funcin de representatvidad adems que son registros in situ
georeferenciados mediante equipos GPS con mrgenes de error +/- 3m. garantzando la calidad del dato.
- El universo de individuos analizados son el producto de trabajos de supervisin que el OSINFOR realiza en Ttulos
habilitantes (concesiones, permisos y autorizaciones forestales), ello a permitdo asociarlo con zonas de vida
caracterizando sus condiciones ambientales y su distribucin espacial.
- El modelamiento para determinar la probabilidad de presencia nos permit analizar las tendencias en la distribucin
de una especie en condiciones ptmas. Entndase como una condicin ptma aquella en la que la precipitacin
y la temperatura ejercen presin para restringir el comportamiento, desarrollo, adaptabilidad y permanencia en el
tempo de una especie sin analizar la dinmica social, poblacional.
- Entendemos que este es el primer paso para desarrollar metodologas que evalen el comportamiento de las
especies en el pas y que debemos tambin analizar de manera conjunta los efectos del cambio climtco sobre
estas especies; de esta manera se presentan superfcies aproximadas por rango de probabilidad de presencia y
nmero de individuos que respalda el nivel de coincidencia de las especies.
- Asimismo, utlizando datos generados por el Centro de Investgacin Missouri Botanical Garden, se pudo corroborar
la distribucin y comportamiento de ciertas especies en nuestro territorio. Cabe sealar, que estos datos son el
resultado de colectas realizados por parte de investgadores a travs de muchos aos y almacenados en un gran
banco de datos; los mismos que respaldan referencialmente nuestra investgacin.
- Vemos necesario, que este documento se tome como un insumo para generar ms informacin y que sirva de
consulta para los tomadores de decisiones y gestores de cambio. Asimismo para la comunidad intelectual a fn de
aportar conocimientos y generar iniciatvas de nuevas investgaciones.
65
VII. ANEXO
ANEXO 1: Individuos colectados por MISSOURI BOTANICAL GARDEN en el Per
Especie Departamento Lattud Longitud Fecha Colector
Amburana cearensis Amazonas 0503'21""S 07824'46""W 17/03/97 Joaquina Albn C. & et al.
Madre de Dios 1227'00""S 07041'00""W 14/02/93 Percy Nez V. & et al.
Pasco 1012'00""S 07520'00""W 17/11/05 Abel Monteagudo
1020'00""S 07510'00""W 8/07/88 Alwyn H. Gentry
Apuleia molaris Hunuco 0915'00""S 07457'30""W 1855 - 1857 Richard Spruce
Calycophyllum
spruceanum
0940'00""S 07502'00""W 16/05/90 - 31/05/90 J. Flores G. & A. Tello A.
0940'00""S 07502'00""W 16/06/89 - 30/06/89 Kroll
0320'00""S 07454'00""W 12/05/75 Gary S. Hartshorn
0915'00""S 07457'30""W 11/06/83 Franz G. Seidenschwarz
0915'00""S 07457'30""W MAGIN
Amazonas 24/03/80 Victor Huashikat
0350'00""S 07740'00""W 19/03/80 Santago Tunqui
23/01/80 Brent Berlin
Hunuco 24/04/67 Jos Schunke V.
3/04/63 MAGIN
0918'11""S 07455'28""W 5/04/06 Juan Perea
Junn 1121'00""S 07434'00""W -/09/60 Felix Woytkowski
2/05/81 Carlos Reynel Rodrguez
Loreto 1/12/32 Guillermo Klug
-/05/31 - -/07/31 Guillermo Klug
10/07/61 Mildred E. Mathias & Dermot Taylor
0220'00""S 07620'00""W 3/12/86 Walter H. Lewis
0328'00""S 07250'00""W 6/06/92 Alwyn H. Gentry
-/03/31 - -/04/31 Guillermo Klug
22/06/66 Richard T. Martn & Csar Lau-Cam
-/01/35
-/04/33 Guillermo Klug
28/01/32 Yns Mexia
5/08/67 Richard T. Martn
0500'01""S 07400'04""W 5/08/82 Alwyn H. Gentry
9/05/61 Felix Woytkowski
0330'00""S 07305'00""W 24/05/91 Alwyn H. Gentry & Rosa Ortz
0420'00""S 07635'00""W 29/01/79 Camilo Daz S.
16/05/78 Sidney T. McDaniel
14/05/75 Manuel Rimachi Y.
19/01/88 LAMOTTE
66
0328'00""S 07248'00""W 14/11/79 Alwyn H. Gentry & et al.
25/02/76 Juan Revilla
0328'00""S 07250'00""W 29/08/83 Alwyn H. Gentry
0344'01""S 07315'55""W 19/03/77 Alwyn H. Gentry
19/06/72 Sidney T. McDaniel
24/09/82 Filomeno Encarnacin
15/03/76
Sidney T. McDaniel & Manuel Rimachi
Y.
17/10/87 Franklin Ayala
16/07/75 Franklin Ayala
0505'00""S 07350'00""W 11/01/84 R. Vsquez & et al.
0455'00""S 07350'00""W 17/07/80 R. Vsquez & Nestor Jaramillo
Madre de Dios 20/10/79 Alwyn H. Gentry & et al.
1153'06""S 07124'11""W 1/07/88 G. Shepard
1153'06""S 07124'11""W 17/08/74 Robin B. Foster
1150'00""S 07125'00""W 25/04/84
1150'00""S 07125'00""W 12/07/84
1152'00""S 07122'00""W 14/08/83 Alwyn H. Gentry
29/04/04 MACEDA
1249'00""S 06918'00""W 11/08/90 Carlos Reynel Rodrguez & E. Meneses
1235'00""S 06903'00""W 18/06/90 Percy Nez V.
1308'00""S 06936'00""W 26/11/02 Luis Valenzuela
Pasco 1026'24""S 07509'00""W 13/05/83 David N. Smith
1005'00""S 07532'00""W 24/08/03 K. Meza
1009'00""S 07520'00""W 13/05/83 David N. Smith
1003'00""S 07533'00""W 17/03/84 David N. Smith
1026'15""S 07527'11""W 29/02/08 R. Vsquez
1024'51""S 07530'33""W 4/04/09 R. Vsquez
1009'49""S 07509'52""W 19/05/10 R. Vsquez
San Martn 21/08/48 Ramn A. Ferreyra
15/12/80 Jos Schunke V.
Ucayali 21/02/72 Donald R. Simpson & Jos Schunke V.
0821'00""S 07434'00""W 12/11/97 James G. Graham & Jos Schunke V.
0802'00""S 07355'00""W 25/06/87 Alwyn H. Gentry & Camilo Daz S.
0820'00""S 07435'00""W 14/05/84 R. Vsquez
0848'00""S 07520'00""W 3/06/83 Alwyn H. Gentry
1012'00""S 07057'00""W 19/03/02 Jos Schunke V. & James G. Graham
1004'00""S 07106'00""W 17/07/02 James G. Graham & Jos Schunke V.
Cedrela odorata Amazonas 0455'S 07819'W 3/08/94 Nestor Jaramillo & et al.
0500'S 07820'W 27/03/95 Camilo Daz S. & et al.
67
0509'S 07817'W 19/11/90 Camilo Daz S. & J. Amaro
8/05/81 Kenneth Young & M. Eisenberg
Cajamarca 23/10/86 Camilo Daz S.
23/10/86 Camilo Daz S.
0607'S 07901'W 7/10/86 Camilo Daz S.
0505'S 07853'W 3/10/86 Camilo Daz S.
0505'S 07853'W 3/10/86 Camilo Daz S.
Cusco 4/07/90 Percy Nez V.
9/09/82 Bernie Peyton & S.Tilney Peyton
Hunuco 22/01/87 Camilo Daz S. & M.Severo Balden
Loreto 0220'S 07620'W 3/12/86 Walter H. Lewis
0220'S 07620'W 5/12/86 Walter H. Lewis
0349'S 07319'W 11/08/72 Thomas B. Croat
29/07/62 Mildred E. Mathias
0320'S 07620'W 26/06/86 Walter H. Lewis
0315'S 07550'W 20/12/85 Walter H. Lewis
0230'S 07550'W 14/03/87 Walter H. Lewis
0255'S 07615'W 11/06/86 Walter H. Lewis
0439'S 07349'W 3/07/06 Isau Huamantupa
6/10/77
9/12/87
0330'S 07310'W 20/05/88 Manuel Rimachi Y.
0330'S 07258'W 14/04/92 Cesr A. Grndez & et al.
0345'S 07315'W 17/05/91 Cesr A. Grndez
0407'S 07255'W 13/04/97 R. Vsquez & et al.
26/05/78 Alwyn H. Gentry
0340'S 07255'W 12/08/80 R. Vsquez & et al.
0410'S 07330'W 21/05/91 R. Vsquez
1/04/79 James Aronson
0355'S 07335'W 29/06/90 Juan Celedonia Ruiz M.
0350'S 07320'W 28/04/81 R. Vsquez & et al.
0348'S 07325'W 18/07/88 R. Vsquez & Nestor Jaramillo
0351'S 07324'W 11/01/77 Juan Revilla
10/05/87 Camilo Daz S. & et al.
0320'S 07149'W 13/05/87 Camilo Daz S. & et al.
68
Madre de Dios 1152'S 07124'W 30/08/90 Percy Nez V.
1155'S 07718'W -/10/91 - -/11/91 Percy Nez V.
03/05/87 - 05/05/87 Percy Nez V.
1154'S 07122'W 9/09/79 Robin B. Foster
1232'S 06902'W 12/07/07 Luis Valenzuela
1235'S 06903'W 27/06/90 Percy Nez V.
1229'S 06903'W 11/11/91 Martn E. Timan & Nestor Jaramillo
1413'S 06910'W 16/06/97 Camilo Daz S. & J. Fontella Pereira
1239'S 06844'W 22/05/96 M. Aguilar R. & D. Castro
Pasco 1036'S 07523'W 25/05/83 David N. Smith
1036'S 07523'W 13/01/83 David N. Smith
1036'S 07523'W 13/01/83 David N. Smith
1009'S 07520'W 13/05/83 David N. Smith
1035'S 07528'W 28/05/82 David N. Smith
1006'S 07533'W 9/07/07 Roco Rojas
1022'S 07504'W 22/10/05 Abel Monteagudo
1008'S 07522'W 5/10/08 Roco Rojas & G. Ortz
1003'S 07532'W 21/05/04 Juan Perea
San Martn -/06/34 Guillermo Klug
0545'S 07740'W 11/02/84 Alwyn H. Gentry
Ucayali 22/01/87 Camilo Daz S. & M.Severo Balden
Cedrelinga
cateniformis
Amazonas 0455'00""S 07819'00""W 20/02/96 Nestor Jaramillo & et al.
0410'00""S 07811'00""W 21/02/73 Rubio Kayap
22/02/73 Ernesto Ancuash Atsut
Cusco 0355'00""S 07742'00""W 11/12/79 Victor Huashikat
19/06/04 William Farfn R.
21/06/04 William Farfn R.
0937'00""S 07525'00""W 19/10/82 Robin B. Foster
0937'00""S 07525'00""W 19/10/82 Robin B. Foster
Junn 1050'00""S 07501'00""W 28/06/82 Alwyn H. Gentry & et al.
69
Loreto 13/12/44 Russell J. Seibert
0315'00""S 07550'00""W 03/12/85 20/12/85 Walter H. Lewis
0349'38""S 07322'34""W 26/05/78 Alwyn H. Gentry
0320'00""S 07255'00""W 5/03/91 John James Pipoly
0407'59""S 07043'59""W -/10/81 S. Poulain
0407'59""S 07043'59""W -/10/81 PAULAIN
0455'00""S 07345'00""W -/08/76 - -/09/76 Anonymous
0455'00""S 07345'00""W 2/04/86 see Spichiger
Madre de Dios 1152'48""S 07124'00""W 30/08/90 Percy Nez V.
1145'00""S 07110'00""W 26/07/86 Percy Nez V.
1255'00""S 07112'00""W 10/12/83 Robin B. Foster & Tatzyana S. Wachter
1150'00""S 07125'00""W 18/08/89 Percy Nez V.
1249'00""S 06918'00""W 24/02/84 Alwyn H. Gentry
1249'00""S 06943'00""W 22/07/85 Alwyn H. Gentry
1249'00""S 06943'00""W 24/07/85 Alwyn H. Gentry
Pasco 1009'00""S 07518'00""W 15/10/86 William Pariona & Juan Ruiz C.
1020'00""S 07510'00""W 8/07/88 Alwyn H. Gentry
1020'00""S 07518'00""W 6/06/83 Alwyn H. Gentry
1020'26""S 07515'11""W 14/07/07 Abel Monteagudo
1021'21""S 07515'12""W 20/05/08 Isau Huamantupa
1022'36""S 07504'18""W 11/10/05 M. Huamn & R. Rivera
Puno 1321'00""S 06940'00""W 20/05/92 Alwyn H. Gentry
San Martn 0745'00""S 07635'00""W 16/07/82 Alwyn H. Gentry
17/07/45 Russell J. Seibert
30/03/72 Donald R. Simpson & Jos Schunke V.
Chorisia integrifolia Madre de Dios 1235'00""S 06905'00""W 17/12/89 Alwyn H. Gentry
1249'00""S 06918'00""W 21/02/84 Alwyn H. Gentry
1205'00""S 06903'00""W 20/06/89 O. L. Phillips
70
1229'00""S 06903'00""W 4/05/91 Martn E. Timan & H. Astete
1229'00""S 06903'00""W 24/11/91 Martn E. Timan & Nestor Jaramillo
1239'47""S 06909'34""W 14/06/89 Percy Nez V. & et al.
San Martn 0640'00""S 07620'00""W 5/02/84 Alwyn H. Gentry & David N. Smith
0640'00""S 07620'00""W 6/02/84 Alwyn H. Gentry & David N. Smith
Dipteryx micrantha 0915'00""S 07457'30""W 20/01/25 G. Tessmann
0937'00""S 07456'00""W 30/01/83 Franz G. Seidenschwarz
0922'00""S 07500'00""W 14/09/82 Robin B. Foster
0940'00""S 07502'00""W 16/11/88 - 30/11/88 Kroll
0849'00""S 07443'00""W 26/08/93 Jos Rios T. & Ancieto Daza
Loreto 0315'00""S 07550'00""W 04/06/864 - 09/06/86 Walter H. Lewis
0358'16""S 07325'08""W 16/02/87 Alwyn H. Gentry
0355'00""S 07335'00""W 22/07/84 R. Vsquez & et al.
0410'00""S 07330'00""W -/11/90 R. Vsquez & Nestor Jaramillo
0328'00""S 07250'00""W 27/06/83 Alwyn H. Gentry
0228'00""S 07250'00""W 11/07/90 R. Vsquez
10/11/82 Carlos Reynel Rodrguez
Madre de Dios 1155'00""S 07718'00""W 24/10/79 Alwyn H. Gentry & et al.
16/10/79 Alwyn H. Gentry & et al.
1152'00""S 07122'00""W 8/08/83 Alwyn H. Gentry
1249'00""S 06917'00""W 6/05/80 Philip J. Barbour
1249'00""S 06917'00""W 19/05/80 Philip J. Barbour
16/10/97 Camilo Daz S. & Henry Ramirez
19/10/97 Camilo Daz S. & Henry Ramirez
1249'00""S 06943'00""W 27/07/85 Alwyn H. Gentry
1249'00""S 06918'00""W 21/02/84 Alwyn H. Gentry
1250'00""S 06917'00""W 28/11/90 PESHA
Puno 1321'00""S 06940'00""W 19/05/92 Alwyn H. Gentry
Ucayali 0941'00""S 07502'00""W 11/02/81 Alwyn H. Gentry
Hura crepitans 0915'00""S 07457'30""W 9/04/60
Amazonas 6/03/98 Richard T. Pennington
10/03/98 H. van der Werf
12/06/78 Alwyn H. Gentry
0501'55""S 07825'42""W 13/03/97 Joaquina Albn C. & et al.
17/11/96 Joaquina Albn C. & et al.
7/05/81 Kenneth Young & et al.
0554'00""S 07809'00""W 21/07/83 David N. Smith
71
0355'00""S 07743'06""W 16/11/79 Victor Huashikat
8/09/97 Joaquina Albn C. & et al.
0426'21""S 07800'08""W 3/27/98 Rogerio Castro & et al.
12/11/80 Joaquina Albn C.
22/07/74 Brent Berlin
Cajamarca 0600'00""S 07910'00""W 19/06/93 Irene Shonle
0524'00""S 07847'00""W 24/01/96 Jos Campos de la Cruz & O. Daz
0510'00""S 07848'00""W 5/04/96 Jos Campos de la Cruz & M. Lpez M.
0511'00""S 07853'00""W 27/04/96 Jos Campos de la Cruz & Pacifco Daz
0458'46""S 07905'01""W 7/12/97 R. Vsquez & et al.
0508'00""S 07855'00""W 29/07/97
Eric Rodrguez R. & Jos Campos de
la Cruz
0519'16""S 07841'05""W 16/09/99
Silvia Patricia Flores Vsquez & Jos
Campos de la Cruz
Hunuco 0940'00""S 07502'00""W 16/09/88 - 30/09/88 Benjamin Kroll Saldana
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0918'11""S 07455'28""W 5/04/06 Juan Perea
Lambayeque 0646'00""S 07950'00""W 3/07/08
Andrew Townesmith & Rodrigo del
Toro Cervantes
0646'00""S 07950'00""W 2/02/10
Andrew Townesmith & Karen M.
Meyer
Loreto 0415'00""S 07318'00""W 24/08/73
8/07/72 Thomas B. Croat
0514'55""S 07543'23""W 8/07/72 Thomas B. Croat
0420'00""S 07635'00""W 29/01/79 Camilo Daz S.
2/11/76 Juan Revilla
0330'00""S 07310'00""W 13/11/80 R. Vsquez
0420'00""S 07011'00""W 25/11/77 Alwyn H. Gentry & Juan Revilla
18/08/82 Franklin Ayala & et al.
0455'00""S 07345'00""W 16/07/89
1229'00""S 06903'00""W 28/09/91 Martn E. Timan
Pasco 1040'00""S 07525'00""W 30/01/83 Alwyn H. Gentry
1003'00""S 07533'00""W 17/03/84 David N. Smith
1003'54""S 07532'56""W 18/05/04 Juan Perea
72
1003'54""S 07532'56""W 21/05/04 Juan Perea
1011'56""S 07534'27""W 9/11/06 E. Blasido & Edwin Becerra Gonzles
Puno 1300'00""S 07000'00""W 19/06/86 Percy Nez V. & C. Muoz
San Martn 12/11/75
0630'00""S 07621'00""W 13/02/76 Abundio Sagstegui A.
Ucayali 24/02/72 Donald R. Simpson & Jos Schunke V.
0840'00""S 07500'00""W 11/12/79 Nilda Begazo
0840'00""S 07500'00""W 8/11/77 Cristoph H. Frhner
Manilkara bidentata 0915'00""S 07457'30""W 31/07/72 Rubio Kayap
Amazonas 0552'34""S 07812'55""W 11/03/98 Samuel G.M. Bridgwater
Cajamarca 0542'04""S 07753'06""W -/02/02 R. Bonino
Hunuco 22/01/87 Camilo Daz S. & M.Severo Balden
0940'00""S 07502'00""W 01/10/90 - 15/10/90 C. Tello E.
0940'00""S 07502'00""W 01/06/89 - 15/06/89 Kroll
0940'00""S 07502'00""W 01/02/91 - 15/02/91 C. Tello E.
Loreto 12/07/73 BELLIDO
12/07/73 BELLIDO
0322'00""S 07202'00""W 14/03/98
13/02/89 T.D. Pennington
0341'30""S 07224'20""W 27/02/02 Johanna Choo
6/07/77
Madre de Dios 1413'12""S 06910'12""W 18/06/97 Camilo Daz S. & J. Fontella Pereira
San Martn 1/02/89 T.D. Pennington
0639'00""S 07630'00""W 25/05/86 Sandy Knapp
Myroxylon balsamum 0915'00""S 07457'30""W 1778 1788 Hiplito Ruiz L.
0915'00""S 07457'30""W 1778 1788 Hiplito Ruiz L.
0915'00""S 07457'30""W 1857 Harms
Amazonas 0500'36""S 07820'24""W 26/03/95 Camilo Daz S. & et al.
0437'08""S 07813'46""W 18/08/97 Roco Rojas & et al.
0423'00""S 07821'00""W 21/08/94 R. Vsquez & et al.
0437'08""S 07813'46""W 18/08/97 Roco Rojas
Cusco 1253'53""S 07222'25""W -/12/02 Isau Huamantupa
1253'53""S 07222'25""W -/03/03 Isau Huamantupa
Hunuco 0940'00""S 07502'00""W 01/04/89 - 15/04/89 Kroll
0940'00""S 07502'00""W 01/06/89 - 15/06/89 KROLL
0940'00""S 07502'00""W 01/04/89 - 15/04/89 KROLL
Lambayeque 0646'00""S 07950'00""W 3/07/08
Andrew Townesmith & Rodrigo del
Toro Cervantes
Lima 0935'00""S 07454'00""W 8/05/75 Rafael Lao M. & Jos Rios T.
8/05/75 Rafael Lao M. & Jos Rios T.
Loreto -/07/29 Llewelyn Williams
0320'00""S 07620'00""W 16/06/86 - 26/06/86 Walter H. Lewis
73
0405'00""S 07248'00""W 1/08/80 Alwyn H. Gentry
0328'00""S 07248'00""W 27/07/80 Alwyn H. Gentry
0328'00""S 07248'00""W 26/07/80 Alwyn H. Gentry
0328'00""S 07250'00""W 19/02/88 Alwyn H. Gentry
Madre de Dios 1227'00""S 07041'00""W 13/10/94 Percy Nez V. & et al.
1150'00""S 07125'00""W 28/08/84
1145'00""S 07110'00""W 25/08/86 Percy Nez V.
1250'00""S 06917'00""W 25/05/87 Alwyn H. Gentry & Nestor Jaramillo
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1244'00""S 06911'00""W 9/02/89 M.N. Alexiades
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1249'00""S 06918'00""W 19/02/84 Alwyn H. Gentry
1250'00""S 06917'00""W 14/07/89 M. Alexiades & Camilo Daz S.
1205'00""S 06903'00""W 17/06/89 O. L. Phillips & et al.
1218'00""S 06902'00""W 9/04/05 R. Vsquez
1218'00""S 06902'00""W 9/04/05 R. Vsquez
14/05/99 Percy Nez V. & Abel Monteagudo
Puno 1325'00""S 07001'00""W 14/12/96 F. Cornejo & A. Balarezo
Tumbes 0350'29""S 08015'30""W 16/02/93 Camilo Daz S. & et al.
0350'29""S 08015'30""W 14/02/93 Camilo Daz S. & et al.
Ucayali 0840'00""S 07500'00""W 1/08/86 A. Salazar V.
Simarouba amara 0915'00""S 07457'30""W 13/10/80 Nilda Begazo
Amazonas 0516'26""S 07821'04""W 10/03/98 Rogerio Castro & et al.
0455'00""S 07819'00""W 22/10/95 R. Vsquez & et al.
0354'00""S 07826'00""W 3/08/94 H. Beltrn & Robin B. Foster
74
Cajamarca 0501'58""S 07854'01""W 17/11/99 R. Vsquez & et al.
0501'58""S 07854'01""W 17/11/99 R. Vsquez & et al.
Hunuco 0918'11""S 07455'28""W 5/04/06 Juan Perea
Junn 15/06/81 Camilo Daz S.
1045'00""S 07423'00""W 22/09/83 David N. Smith
Loreto 0330'00""S 07258'00""W 20/04/92 Cesr A. Grndez & et al.
0348'00""S 07325'00""W 4/09/92 Cesr A. Grndez & et al.
0328'00""S 07250'00""W 25/01/90 R. Vsquez & Franklin Ayala
0358'00""S 07325'00""W 17/02/87 Alwyn H. Gentry
0328'00""S 07250'00""W 16/07/83 Alwyn H. Gentry
9/11/79 Alwyn H. Gentry & et al.
0341'30""S 07224'20""W 26/03/02 Johanna Choo
Madre de Dios 1150'00""S 07125'00""W 25/08/84 1984
1150'00""S 07125'00""W 18/08/89 Percy Nez V.
1257'11""S 06854'48""W 20/04/96 M. Aguilar R. & D. Castro
1250'00""S 06850'00""W 28/02/90 Alwyn H. Gentry & Percy Nez V.
1250'00""S 06917'00""W 3/06/87 Alwyn H. Gentry
0950'00""S 07500'00""W 10-jul-85 Gary S. Hartshorn
75
San Martn 0546'00""S 07726'00""W -/08/83 Mariella Leo Luna
Tumbes 22/10/88 Camilo Daz S. & R. Vsquez
Swietenia
macrophylla
Amazonas 0603'S 07755'W 11/03/98 H. van der Werf
Lima 14/01/183 Luis T. Rodrguez del Aguila
Loreto 27/08/72 Thomas B. Croat
1154'S 07122'W 16/09/80 Robin B. Foster
San Martn 23/04/73 Jos Schunke V.
Virola weberbaueri [0915'S] [07457'W] 28/02/04 August Weberbauer
Loreto 4/07/72 Thomas B. Croat
0340'S 07354'W 21/04/86 R. Vsquez & et al.
Pasco 1045'S 07505'W 30/06/87 Alwyn H. Gentry & Camilo Daz S.
Ucayali 0840'S 07500'W 1/07/80 A. Salazar V.
Fuente: Missouri Botanical Garden
76
77
VIII. REFERENCIAS BIBLIOGRFICAS
Anderson RP, Lew D, Peterson AT. 2003. Evaluatng predictve models of species distributons: criteria for selectng
optmal models. Ecological Modeling, USA.
Beatriz del Socorro Bolvar Cim. 2009. Anlisis del Hbitat Optmo y Modelado de Nicho Ecolgico para la
conservacin del venado cola Blanca en el centro de Veracruz, Insttuto de Ecologa - Mexico.
Best, B.J. & Kessler, M. 1995. Biodiversity and conservaton in tumbesian Ecuador and Peru. BirdLife Internatonal.
Cambridge.
Josse, C., G. Navarro, F. Encarnacion, A. Tovar, P. Comer, W. Ferreira, F. ,Rodriguez, J. Saito, J. Sanjurjo, J. Dyson, E.
Rubin de Celis, R. Zarate, J. Chang, M. Ahuite, C. Vargas, F. Paredes, W. Castro, J. Maco y F. Reategui. 2007. Sistemas
Ecologicos de la Cuenca Amazonica de Peru y Bolivia. Clasifcacion y mapeo. NatureServe. Arlington, Virginia, EE UU.
Manuel Rubn Garca Mateo. 2008. Modelos predictvos de riqueza de diversidad vegetal, comparacin y
optmizacin de mtodos de modelado ecolgico, Madrid - Espaa.
Norberto Martnez. 2010. Apuntes sobre Modelacin de Nichos Ecolgicos, Laboratorio de Evolucin Molecular y
Experimental, del Insttuto de Ecologa de la UNAM - Mxico.
Robert J. Hijmans, Luigi Guarino, Coen Bussink, Prem Mathur, Mariana Cruz, Israel Barrantes, y Edwin Rojas. 2004.
Sistema de Informacin Geogrfca para el Anlisis de Datos de Distribucin de Especies, University of California USA.
Steven J. Phillips, Robert P. Anderson, Robert E. Schapire. 2006. Modeling of species geographic distributons.
Ecological Modelling, Department of Computer Science Princeton.
Scheldeman, Xavier y Maarten van Zonneveld. 2011. Manual de Capacitacin en Anlisis Espacial de Diversidad y
Distribucin de Plantas. Bioversity Internatonal, Roma - Italia. 186 pp.
WorldClim - Global Climate Data - Free climate data for ecological modeling and GIS, htp://www.worldclim.org/
Usemos responsablemente
nuestros bosques
M
O
D
E
L
A
M
I
E
N
T
O

e
s
p
a
c
i
a
l

d
e

N
I
C
H
O
S

E
C
O
L
G
I
C
O
S

p
a
r
a

l
a

e
v
a
l
u
a
c
i
n

d
e

p
r
e
s
e
n
c
i
a

d
e

E
S
P
E
C
I
E
S

F
O
R
E
S
T
A
L
E
S

M
A
D
E
R
A
B
L
E
S

e
n

l
a

A
M
A
Z
O
N
A

P
E
R
U
A
N
A
Av. Javier Prado Oeste N 694 Magdalena del Mar
Central: 615 7373
www.osinfor.gob.pe

Modelamiento Nichos Ecologicos

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelamiento Nichos Ecologicos

Hochgeladen von

Copyright:

Verfügbare Formate

Usemos responsablemente

Das könnte Ihnen auch gefallen