MODELIZACIÓN DEL RIESGO DE INVASIÓN POR PLANTAS EXÓTICAS EN LA
PROVINCIA DE BARCELONA
AUTOR: ARROBA-BENÍTEZ, F. 1
DIRECTOR: PINO, J. 2
1. Máster en Teledetección y SIG, Universidad Autónoma de Barcelona. (UAB).
2. Centre de Recerca Ecològica i Aplicacions Forestals (CREAF).
RESUMEN
La modelización de la invasión de especies exóticas es un paso fundamental para la el manejo de especies
introducidas en una escala regional. Este estudio explora los factores asociados a la presencia y riqueza de
especies de plantas exóticas en la provincia de Barcelona. Las variables que se exploran en este estudio son
variables topográficas, climáticas y antrópicas. Para la construcción de los modelos se usó los GLM que son
una extensión de los modelos lineales que permiten usar distribuciones no normales de los errores. Para el
análisis de las variables se usó el software estadístico R, el que mostró significancia para las variables altitud,
distancia a carreteras y los hábitats antrópico, bosque planifolio, coníferas, matorral y roca.
Para la construcción de los mapas con los modelos se usó el software GIS MiraMon. Las imágenes raster de
los modelos resultantes de riqueza y presencia de especies de plantas exóticas, fueron sumadas con rasters de
los residuos del modelo que fueron obtenidos a partir de una interpolación a partir de puntos, usando el
método del inverso de la distancia, los raster resultantes fueron validados usando la prueba del error
cuadrático medio RMSE. Esta prueba mostró un RMSE de 1.15 para el modelo de riqueza y un 0.39 para el
modelo de presencia de especies exóticas en la provincia de Barcelona.
Palabras Clave: Modelización, Interpolación, GLM, RMSE
1. INTRODUCCIÓN
El conocimiento de la distribución de especies es
fundamental para entender su ecología. Idealmente
para modelizar la distribución de una especie, se
necesitaría un gran set de datos de presencias y
ausencias con una buena resolución. En la realidad
los datos son limitados a la ocurrencia de ciertas
especies, con información de presencia poco
extensa y a resoluciones bajas (Newbold, 2010;
Niamir et al., 2011).
Por cientos de años la ocurrencia de especies ha
sido registrada por historiadores naturales y
científicos en forma de especímenes de museos,
inventarios biológicos y literatura científica. Sin
embargo en las últimas tres décadas bajo el
esfuerzo humano y económico de muchas
organizaciones, se ha logrado digitalizar estos datos
en atlas digitales que ilustran la distribución de las
especies, y que son más o menos disponibles al
público (Funk y Richardson, 2002; Graham et al.,
2004; Suarez y Tsutsui, 2004; Franklin, 2009;
Robertson et al., 2010).
La creciente disponibilidad de datos de ocurrencia
de biodiversidad y de límites de áreas protegidas,
combinados con métodos de modelamiento de
distribución de especies, pueden potenciar
enormemente el análisis de la conservación de la
biodiversidad y ayudar a tomar acciones efectivas
para su preservación y protección (Franklin, 2009;
Peterson et al., 2010).
La investigación en biogeografía, macroecología y
planificación de la conservación están a menudo
basados en análisis de mapas de riqueza de
especies. El conocimiento de la distribución
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 2
2
espacial de la biodiversidad a diferentes escalas es
un importante factor para su preservación
(Richardson y Whittaker, 2010). Los datos de
ocurrencia se acostumbra a mostrarlos en
imágenes como celdas y pueden tener distintos
tipos de georeferenciación. Los ejercicios de
modelamiento se realizan generalmente sobre una
base de celdas georeferenciadas (e.g. celdas UTM
de 1 por 1 km).
La propagación de especies exóticas, debida
principalmente a actividades humanas se ha
incrementado globalmente, generando problemas
ecológicos y económicos de diversa índole
(Andreu et al., 2006). La elaboración de mapas de
riesgo de especies exóticas representando su
potencial distribución es un paso necesario para su
efectivo manejo (Richardson y Whittaker, 2010;
Jiménez-Valverde et al., 2011). El uso de toda la
información disponible en inventarios y atlas, es
esencial para obtener modelos predictivos de su
distribución optimizando los limitados recursos
económicos existentes para su manejo (Marcer et
al., 2012; Nielsen et al., 2008).
En la última década se ha producido un importante
incremento en el desarrollo de herramientas y
técnicas enfocadas a la generación de modelos de
distribución de especies, gracias a la amplia
variedad de software especializados en SIG
(Sistemas de Información Geográfica) y
Teledetección, además de la gran difusión actual de
información espacial, permitiendo avanzar en los
procesos de comprensión de los patrones
espaciales de la biodiversidad. (Benito y Peñas,
2007).
Cataluña es una de las áreas con mayor
concentración de especies exóticas de España y la
Unión Europea (Ministerio de Medio Ambiente,
2011).
El elevado grado de presencia antropogénica en
sus costas, además de su bondadoso clima
mediterráneo, han favorecido la llegada y el
establecimiento de estas especies (Andreu et al.,
2012).
Con el objetivo de estandarizar y agrupar toda la
información relacionada con la invasión de
especies exóticas, el CREAF y el Servicio de
Biodiversidad y Protección de los Animales de la
Generalitat de Cataluña, están desarrollando el
Sistema de Información de Especies Exóticas de
Cataluña (EXOCAT), un proyecto que pretende
recopilar la mayor cantidad de datos posibles de la
distribución, procedencia, vía de entrada y estado
de invasión de especies exóticas en el territorio
catalán (Andreu et al., 2012).
A partir de los estudios realizados por el
EXOCAT se han detectado 939 especies exóticas
introducidas en Cataluña, de las cuales 65% son
plantas. Esto equivale a 588 especies de plantas, de
las cuales 63 ya están consideradas como invasoras,
lo que supone el 11% del total de especies
introducidas(Andreu et al., 2012). Sin embargo, no
existe en Cataluña ningún análisis detallado del
riesgo de invasión del territorio por plantas
exóticas. Los escasos modelos desarrollados
(Marcer et al., 2012) parten de datos bibliográficos
antiguos y solo han conseguido generar modelos a
una escala intermedia (1 km) con un grado de
incertidumbre notable
Objetivos
El objetivo principal del estudio es generar un
mapa de riesgo de invasión de plantas exóticas
para la provincia de Barcelona con mayor nivel de
detalle, partiendo de los datos de un muestreo
realizado dentro del proyecto EXOCAT .
2. ÁREA DE ESTUDIO
El área de estudio corresponde a la provincia de
Barcelona, con un área de 772437.5 ha, ubicada al
Noreste de la Península Ibérica. Se trata de una
región con una gran variabilidad de condiciones
medio ambientales, producto de su rica y variada
topografía. El rango altitudinal del área de estudio
va desde los 0 a los 2590 m.s.n.m (Figura 1).
Cataluña y la provincia de Barcelona en particular
están localizadas en regiones fitogeográficas
altamente influenciadas por la presencia de los
Pirineos y el mar Mediterráneo, lo que le confiere a
la zona un gradiente climático influenciado por su
topografía (Ninyerola et al., 2000).
La estructura del paisaje en la provincia de
Barcelona es altamente heterogénea. Los bosques
ocupan un alto porcentaje de territorio, pero
también existen grandes centros poblados, siendo
Barcelona la ciudad con mayor número de
habitantes de toda la provincia y de la Comunidad
Autónoma de Cataluña en general.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 3
3
3. MATERIALES Y MÉTODOS
Muestreos de campo
El estudio partió de un muestreo de campo
realizado en 2012 en la provincia de Barcelona a
cargo del Equipo de biología de las invasiones del
CREAF, dentro del proyecto EXOCAT, que
realizó una prospección de las especies de plantas
exóticas presentes en los principales hábitats de la
provincia de Barcelona.
Esta prospección fue realizada mediante un
muestreo al azar estratificado por una serie de
grandes tipos de hábitat. En él se obtuvieron 658
puntos de muestreo, repartidos por toda el área de
estudio y por los diversos hábitats de forma
proporcional a su importancia en la provincia. En
cada punto de muestreo se anotaron datos de
presencia y abundancia (recubrimiento según la
escala de Braun-Blanquet) de las especies de
plantas exóticas presentes en una parcela de 5m de
radio. También se anotó información
complementaria del estado de conservación del
hábitat correspondiente a cada punto de muestreo
y del posible mecanismo de entrada de cada
especie exótica detectada.
En el continente Europeo, las especies exóticas
introducidas que han logrado establecerse se
clasifican en arqueófitas (especies introducidas
antes del año 1500 d.c.) y neófitas (especies
introducidas después del año 1500 d.c.). Este
estudio se ha limitado a las neófitas, debido a que
las arqueófitas son un grupo muy mal conocido
(Andreu et al., 2012), y por ello su modelización
conlleva una elevada incertidumbre.
Estos puntos de muestreo fueron colocados en
una capa de puntos georeferenciada, que contenía
todos los datos anteriormente mencionados.
Bases de datos
Se ordenaron los datos existentes y se crearon
nuevos campos en las bases de datos con el uso del
software Access (Microsoft office, 2007) donde
con scripts SQL (Structured Query Language) o
lenguaje de consulta estructurado, se crearon
nuevas tablas de estructura DBF's (tipos de
archivos ampliamente utilizados para el
almacenamiento de datos estructurados) que
contenían datos de riqueza como de presencia o
Figura 1. Área de estudio Provincia de Barcelona, proyección UTM 31 N Datum ED50
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 4
4
ausencia de plantas invasoras, para cada punto de
muestreo. Estas tablas se vincularon a una capa
estructurada de puntos de muestreo con el uso del
gestor de metadatos GEMM del software
MiraMon (Pons, 2004).
Las tablas DBF creadas contenían información
extra para cada punto de muestreo como: tipo de
hábitat asociado a cada muestreo, datos de las
variables explicadoras, y un campo aleatorio que
permitiría tomar puntos aleatoriamente escogidos
para la construcción y validación del modelo de
invasión de plantas exóticas.
Variables explicativas
El siguiente paso fue la selección de variables
potencialmente asociadas a la distribución de
especies exóticas en el área de estudio. Para ello se
realizó una selección de trabajos previos realizados
en la misma zona o sectores con influencia
mediterránea, y a partir de éstos se determinaron
variables ambientales, topológicas y de paisaje que
podrían influenciar la presencia de plantas
exóticas(Pino et al., 2005; Gassó et al., 2009). El
detalle de las variables se muestra en la Tabla 1.
Con el software GIS MiraMon (Pons, 2004) se
realizaron combinaciones analíticas de capas, para
construir un mapa de puntos que contuviera los
datos de todas las variables que se decidió usar
como predictores de la presencia y riqueza de
especies de plantas exóticas neófitas.
Por medio del software Excel (Microsoft office,
2007) se añadió un campo aleatorio a los 658
puntos de muestreo para con esto poder
seleccionar un 70% de los puntos para la creación
del modelo y el 30% restante para usarlos como
test del modelo.
La construcción de cada capa de variables
explicativas, inició de una descarga web de las
capas raster, las que fueron estandarizadas en
cuanto a datum, proyección cartográfica, tamaño
de pixel, y marco de referencia. Para estas
transformaciones se usó el software MiraMon
(Pons, 2004). Para el cambio de proyección
cartográfica se usó la herramienta MiraMon
Camviprj, bajo el criterio de interpolación del
vecino más cercano, y dándole una resolución de
salida de 10m de tamaño de pixel.En el caso de las
capas raster que ya tenían el datum y sistema de
proyección cartográfica con el que se trabajaría
(UTM 31 N datum ED 50) se usó la herramienta
MiraMon Retalla (Pons, 2004) para hacer un
recorte de las capas al marco de referencia que se
emplearía en el estudio (provincia de Barcelona).
Cuando las capas estuvieron listas se realizó una
combinación analítica de capas, usando la
herramienta CombiCap de MiraMon (Pons, 2004)
donde se combinaron la capa con las variables y la
capa de puntos de muestreo.
Para la construcción de las capas de variables
topológicas como distancia a carreteras, distancia a
ríos, distancia a embalses y distancia al mar, se usó
la herramienta BufDist del MiraMon (Pons, 2004),
que generaría mapas de distancias de ríos,
carreteras y embalses a los puntos de muestreo de
plantas exóticas, el raster resultante se sometió a
una combinación analítica de capas con el fichero
de puntos de los muestreos.
En el caso de las variables de hábitat, se generaron
bufferes de 100 y 500 metros en zonas agrícolas y
zonas urbanas usando la herramienta de MiraMon
BufDist (Pons, 2004). Con la capa raster resultante
se realizó una combinación analítica de capas para
obtener un campo con los valores de esta variable.
Análisis estadístico
Para la realización del modelo se decidió usar
GLM's (GLM del inglés Generalized Linear
Models o Modelos Lineales Generalizados),
partiendo de la condición de que nuestra base de
datos ofrecía datos de riqueza y presencia/ausencia
de especies exóticas para cada uno de los puntos
de muestreo del área de estudio.
Los modelos lineales generalizados son una
extensión de los modelos lineales, que permiten
utilizar distribuciones no normales de los errores y
variancias no constantes. Los GLM ofrecen una
buena alternativa a la hora de tratar las variables de
respuesta cuando éstas no cumplen los supuestos
de los modelos normales.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 5
5
Tabla 1. Base inicial de variables usadas con su correspondiente fuente.
Variables Fuente
Climáticas Temperatura media de las máximas Atlas climático digital de Cataluña
Temperatura media de las mínimas Temperatura media y amplitud térmica Precipitación Radiación solar Relieve Instituto cartográfico de Cataluña ICC Altitud Distancia a ríos Distancia a embalses
Distancia carreteras Distancia mar Paisaje Mapa de hábitats de Cataluña Cercanía a centros urbanos Buffer 100m Cercanía a centros urbanos Buffer 500m Cercanía a centros agrícolas Buffer 100m Cercanía a centros agrícolas Buffer 500m
Los supuestos generales son: que los errores se
distribuyan normalmente, que presenten una
varianza constante y que las variables de respuesta
se relacionen linealmente con las variables
independientes (Cayuela, 2010).
Se usó la técnica estadística GLM para analizar la
relación de presencia y riqueza de especies exóticas
neófitas con la de las variables predictoras.
Para analizar la riqueza de especies exóticas se
utilizó una distribución de Poisson que se usa
generalmente para representar datos de conteo.
Para analizar la presencia o ausencia de especies
exóticas se usó una distribución binomial, función
de gran utilidad para proporciones y datos de
presencia/ausencia donde la matriz binaria
corresponde a 0 o 1, 0 indicando ausencia y 1
indicando presencia (Cayuela, 2010; González-
Moreno et al., 2013). Los modelos basados en
datos de presencia y ausencia indican de modo más
aproximado la distribución de nicho ecológico
efectivo (Benito y Peñas, 2007).
Se analizó la correlación de las variables que se
usarían para la construcción del modelo, para
excluir las variables que presenten mucha
coliniearidad entre ellas, porque sería un problema
en capacidad predictiva del GLM que usamos para
la construcción del modelo (Pino et al., 2005).
Inferencia multimodelo
La inferencia multimodelo es un parámetro de
selección que nos permite identificar el mejor
modelo posible, de acuerdo con los datos.
Este estudio usó la inferencia multimodelo para
escoger el mejor modelo estimado por el software
estadístico empleado para el análisis, usando el
criterio de información de Akaike (Akaike
Information Criterion; AIC), que es un criterio
correcto para un amplio grupo de modelos
predictores. Este es un índice que evalúa tanto el
ajuste del modelo a los datos, como la complejidad
del modelo. El AIC resulta muy útil para comparar
modelos similares con distintos grados de
complejidad o modelos iguales.
Los análisis estadísticos fueron realizados en el
software R (R Development Core Team 2009).
Construcción del modelo
Para la construcción del los modelos de riqueza y
presencia de plantas exóticas se empleó la
calculadora raster de MiraMon (Pons, 2004),
donde se incluyeron las capas raster que mostraron
significación estadística.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 6
6
Los rasters resultantes se transformaron con la
aplicación de funciones Antilogit para el modelo
de presencias y exponencial para el modelo de
riqueza.
En el caso de las capas raster pertenecientes a
hábitats se crearon rasters binarios de presencia y
ausencia antes de ser incluidas en la operación de
cálculo del software MiraMon. En la Figura 2. se
muestra un detalle de las capas de raster binarias
que se crearon para la construcción del modelo.
La fórmula utilizada para la construcción del
modelo, fue la de la regresión lineal (Figura 3)
donde Yt: es la variable explicada, X1-X2-X3.....Xp:
son las variables explicativas y β0- β1- β2.... βp: son
parámetros que miden la influencia de las variables
explicativas sobre la variable explicada.
Yt=β0+ β1X1+ β2X2+......+ βpXp+ε
Figura 3. Fórmula de ajuste lineal
Figura 2. Mapas binarios con tipos de hábitats
Bosques caducifolios (arriba) y Matorrales
(abajo) en la provincia de Barcelona.
Validación del modelo
Se llevó a cabo una primera validación del modelo
con el 30% de los puntos de muestreo, para validar
los modelos se usó la formula de RMSE que
calcula el error cuadrático medio de la muestra. Se
calcula mediante la raíz cuadrada de la media de las
diferencias cuadráticas entre el valor observado
( ) y el valor estimado (̂ ) de cada observación.
La formula se muestra en la figura 4.
RMSE (̂ ) = )ˆ(MSE = ))ˆ(( 2 E
Figura 4. Formula del Error cuadrático medio.
Construcción de modelo de residuos
Los residuos son las diferencias entre los valores
estimados por el modelo y los valores observados.
Se obtuvieron los residuos para el 70% de los
puntos de muestreo con el que se realizaron los
modelos iniciales de riqueza y presencia de
especies exóticas. Mediante manejo de bases de
datos se unieron estos residuos a los puntos de
muestreo en sendos campos de la base de datos.
Con estos campos de la capa de puntos se realizó
una serie de pruebas interpolación a partir de
puntos usando los métodos del inverso de la
distancia (IDW) probado con factores (1, 1.5, 2,
2.5, 3, 3.5, 4, ) y el método de Splines probado
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 7
7
con diferentes tensiones (10, 30, 40, 50, 60, 70,
100, 150), para generar una capa raster de residuos
de riqueza y presencia de especies invasoras.
La interpolación espacial es un proceso
matemático utilizado para predecir el valor de un
atributo en una localización precisa, a partir de
valores del atributo obtenidos en localizaciones
cercanas situadas al interior de la misma región de
estudio (Borrough y McDonnell, 1998).
Construcción de modelos finales
Para la construcción de los modelos finales se usó
la calculadora raster de MiraMon(Pons, 2004), en
esta se sumaron las capas raster del modelo inicial
y el modelo de residuos, como resultado
obtuvimos un raster con el modelo final de
presencia y de riqueza de plantas exóticas para la
provincia de Barcelona. Raster que tiene una
medida de pixel de 10m con sistema de proyección
UTM 31 Norte y datum ED50. En la Figura 5. se
puede ver el proceso utilizado para la elaboración
de los modelos.
Validación de los modelos finales
La validación de los modelos finales se realizó
usando la fórmula del RMSE (Figura 4) que usa los
valores obtenidos de los modelos finales y los
valores observados del muestreo. Se calcularon los
RMSE de los modelos riqueza y presencia de
plantas invasoras y de los puntos de test para los
dos modelos presencia y riqueza de especies
exóticas en la provincia de Barcelona finalmente
seleccionados.
4. RESULTADOS Y DISCUSIÓN
Muestreos de campo
En los 658 muestreos de campo se contabilizaron
un total de 81 especies de plantas exóticas neófitas
en la provincia de Barcelona. La especie con más
presencia en los muestreos fue Conyza sumatrensis
seguida por Amaranthus retroflexus y Aster squamatus.
En la Figura 6 se muestra un gráfico que muestra
las especies de plantas exóticas neófitas más
frecuentes en los muestreos.
Figura 5. Resumen del proceso de modelamiento de especies exóticas de la provincia de Barcelona.
El elevado número de especies invasoras en la
provincia de Barcelona y en Cataluña en general se
debe a algunos factores entre los que podemos
destacar el elevado grado de humanización del
paisaje y la bondad del clima mediterráneo, además
del gran porcentaje de intercambio de mercaderías
que se da en los puertos de esta región. Estudios
de características similares han mostrado elevados
picos de riqueza de plantas invasoras en el noreste
de Barcelona, así como en las costas de la
provincia de Tarragona (González-Moreno et al.,
2013; Andreu et al., 2012; Pino et al., 2005).
Figura 6. Especies invasoras con mayor
número de frecuencias en los muestreos.
Análisis estadístico
El test de GLM mostró significancia estadística
para algunas de las variables predictoras escogidas.
La prueba de GLM se realizó con las variables
explicativas que no mostraron correlación entre
ellas, ya que la colinealidad entre variables es un
factor a tener en cuenta puesto que puede añadir
información redundante al algoritmo de
modelización y puede generar resultados de difícil
interpretación por un problema de sobre ayuste del
modelo (Benito y Peñas, 2007).
De esta manera, para el análisis de presencia de
plantas exóticas se usaron las variables que se
muestran en negrillas en la Tabla 2, el análisis
estadístico mostró primero una prueba de chi-
cuadrado de Pearson, donde la altitud, la distancia
a carreteras y el hábitat presentaron significancia
estadística.
El análisis presentó tablas secundarias donde se
muestraron los coeficientes de las variables que
presentaron significación. Así, las variables altitud
(z = 5.036; p < 0.0001), distancia a carreteras (z =
-2.060; p < 0.039383) y los tipos hábitat de bosque
caducifolio, coníferas, matorral y rocas presentaron
significación estadística y fueron usadas para la
construcción del modelo.
En la Tabla 2 se presenta un detalle de los valores
obtenidos para cada variable. En muchos casos los
modelos generados por GLM explican claramente
una alta proporción de la variancia. Esto se debe al
hecho de que los GLM, a través de una selección
gradual de predictores, permiten que se alcanse una
mayor precisión a la hora de predecir un nicho
ecológico especifico para una especie (Benito y
Peñas, 2007; Guisan et al., 1999).
La capacidad predictiva de los GLM en el
modelamiento de distribución geográfica de
especies, puede verse afectada cuando existe poca
frecuencia de una especie, entre el número total de
sitios de muestra (Guisan et al., 1999).
La alta correlación asociada a la variable de altitud
debe estar relacionada principalmente con las
características climatológicas de la costa
mediterránea. Las regiones altitudinalmente bajas
son más propicias para el crecimiento de plantas,
además de que existe una mayor influencia
antropogénica, que se ha comprobado, que es la
mayor causante de la dispersión de especies de
plantas exóticas. (Gassó et al., 2011, 2012;
González-Moreno et al., 2013).
El análisis de riqueza de especies exóticas mostró
similares características de significación estadística
en las variables analizadas. La única diferencia de
este análisis fue la significación de la variable
hábitat antrópico (z = 2.071; p < 0.05). El resto de
variables que presentaron significancia estadística,
fueron iguales que para el modelo de presencia de
especies exóticas, es decir, las variables altitud,
distancia a carreteras, hábitat bosque caducifolio,
bosque de coníferas, matorral y rocas son
predictores significativos del modelo.
En la Tabla 3 se muestra un detalle de resultados
obtenidos por el análisis.
Los modelos obtenidos presentaron índices AIC
de 369.15 para el modelo de presencia de exóticas
y de 1189.9 para el modelo de riqueza. Es
importante aclarar que el estudio mostró como
resultado del análisis muchos modelos, tomando
en cuenta el índice AIC se escogió el modelo que
más ajuste presentaba a los datos, en este caso
fueron los índices AIC más bajos.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 9
9
El indice más bajo de AIC indica un mayor ajuste
del modelo a los datos y a la complejidad del
modelo (Cayuela, 2010).
Tabla 2. Resumen estadístico del modelo de presencia de plantas exóticas en la provincia de
Barcelona.
Niveles de significación : 0 '***' 0.001 '**' 0.01 '*' 0.05
Tabla 3. Resumen estadístico del modelo de riqueza de plantas exóticas en la provincia de
Barcelona.
Variable Estimación Error Est. Valor z Pr(>│z │) Significación
Intercepto 0.8878082 0.1231423 7.210 5.61e-13 ***
Altitud -0.0021121 0.0002525 -8.363 < 2e-16 ***
Dist_carreteras -0.0002359 0.0001135 -2.079 0.03761 * HÁBITAT/MARISMAS -0.2438742 0.1764517 -1.382 0.16694
HÁBITAT/AMBIENTES LITORALES
-0.1533133 0.1905523 -0.805 0.42107
HÁBITAT/ANTRÓPICO 0.2803080 0.1353593 2.071 0.03837 *
HÁBITAT/BOSQUE CADUCIFOLIO
-2.3589236 0.5139026 -4.590 4.43e-06 ***
HÁBITAT/BOSQUE DE RIBERA
0.2188204 0.1469744 1.489 0.13653
HÁBITAT/CONÍFERAS -2.0984082 0.3922765 -5.349 8.83e-08 ***
HÁBITAT/MATORRAL -2.6223062 0.4236864 -6.189 6.04e-10 ***
HÁBITAT/PRADERA -0.2754931 0.3060707 -0.900 0.36807
HÁBITAT/ROCA -2.9545432 1.0110578 -2.922 0.00348 **
Niveles de significación : 0 '***' 0.001 '**' 0.01 '*' 0.05
Construcción del modelo
Para la construcción del modelo se usó la
calculadora raster de MiraMon (Pons, 2004) con
los datos resultantes del análisis estadístico y las
capas raster de las variables que presentaron
influencia significativa en el modelo.
En el modelo de presencia se puede inferir que,
cuanto menor sea la presencia de rocas, matorrales,
coníferas y bosques caducifolios, y cuanto menor
sea la distancia a carreteras y menor sea la
elevación, mayor número de especies exóticas se
podrán encontrar en la provincia de Barcelona.
Este resultado destaca la importancia que tienen
los tipos de hábitats para la presencia de especies
exóticas, influenciando el establecimiento de
especies de plantas exóticas en estos tipos de
hábitat.
Muchos estudios han señalado que las
características relacionadas con el éxito de invasión
de especies exóticas son hábitat dependiente. De
esta manera las características de un hábitat en
particular, permitiría el establecimiento de especies
exóticas. Dado que este estudio no se adentra
mucho en las características específicas de las
especies invasoras, no podemos distinguir cuales
Variable Estimación Error Est. Valor z Pr(>│z │) Significación
Intercepto 1.6378663 0.6027831 2.717 0.006584 **
URB500 0.3111499 0.8888722 0.350 0.726301
AGR500 -0.2967120 0.7042809 -0.421 0.673538
Altitud -0.0034238 0.0006799 5.036 4.76e-07 ***
Dist_Epic 0.0001676 0.0001251 1.340 0.180380
Dist_carreteras -0.0006305 0.0003061 -2.060 0.039383 *
HABITAT/MARISMAS -0.8505677 0.4936068 -1.723 0.084858
HÁBITAT/AMBIENTES LITORALES
-0.7565967 0.6064952 -1.247 0.212218
HÁBITAT/ANTRÓPICO 0.4237576 0.5145078 0.824 0.410157
HÁBITAT/BOSQUE CADUCIFOLIO
-2.8203960 0.8279342 -3.407 0.000658 ***
HÁBITAT/BOSQUE DE RIBERA
-0.1936345 0.4407564 -0.439 0.660427
HÁBITAT/CONÍFERAS -2.7824995 0.7188918 -3.871 0.000109 ***
HÁBITAT/MATORRAL -3.5995918 0.8108796 -4.439 9.03e-06 ***
HÁBITAT/PRADERA -0.6844621 0.7258149 -0.943 0.345668
HÁBITAT/ROCA -2.4722111 1.0776140 -2.294 0.021782 *
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 10
10
son los factores que potenciarían o no la presencia
de exóticas en un tipo de hábitat especifico. En el
caso de las variables altitud y distancia a carreteras,
a menor altitud mayor cantidad de especies y la
distancia a carreteras de igual forma, la cercanía a la
carretera es un factor importante a la hora de
evaluar la dispersión de semillas por componentes
antropogénicos (Bartolomeus et al., 2012;
González-Moreno et al., 2012; Pino et al., 2005).
En el modelo de riqueza se puede inferir que
mientras menor sea la presencia de rocas,
matorrales, coníferas y bosques caducifolios y
cuanto mayor sea la presencia de zonas antrópicas
y menor la distancia a carreteras y menor
elevación, mayor será la riqueza de exóticas a la
provincia de Barcelona.
Algunos estudios han demostrado que se necesitan
alrededor de 150 años para que una especie neófita
alcance su rango máximo de distribución en un
país europeo (Gassó et al., 2012). Esta inferencia
puede tener efecto en presencia de exóticas
neófitas en los tipos de hábitat que mostraron
significancia estadística.
En el modelo de riqueza, se encontró una
correlación positiva con el hábitat antrópico,
donde muchas plantas exóticas se usan como
plantas ornamentales en parques y jardines, en este
modelo las variables de elevación y distancia a
carreteras fueron influyentes en el modelo, donde
por razones climáticas existe una mayor capacidad
de adaptación de cualquier tipo de planta a bajas
alturas y la distancia a carreteras por la fácil
dispersión de semillas que se da por este
medio(Gassó et al., 2011, 2012; González-Moreno
et al., 2013).
Validación del modelo
La prueba del error cuadrático medio mostró un
valor del RMSE para el modelo de riqueza de 1.05
y para el modelo de presencia de 0.27. El error
cuadrático es cercano a cero, lo que significa que
los valores observados en sucesivas muestras están
muy concentrados en torno a los valores
estimados, por lo tanto tienen poca variabilidad.
Sin embargo, los valores observados de presencia y
riqueza son bajos, lo que hace los modelos no sean
suficientemente fiables (Borrough y McDonnell,
1998; Jones y Vaughan, 2010).
Construcción de los modelos de residuos
De los dos métodos de interpolación empleados se
usó el del inverso de la distancia, debido a que este
presento los errores más bajos y menos artefactos.
El modelo de residuos escogido para la
construcción de los modelos finales fue el del
inverso de la distancia usando un factor de 1. El
raster generado de esta interpolación presentaba
menos artefactos producto de la interpolación y
menor RMSE que el resto de modelos generados.
El método del inverso de la distancia, determina
los valores de cada celda del raster a través de una
combinación ponderada linealmente de un
conjunto de puntos de muestra. Este método de
interpolación presupone, que la variable que se
representa cartográficamente disminuye su
influencia a mayor distancia desde su ubicación de
muestra (Borrough y McDonnell, 1998).
Construcción de los modelos finales
El modelo de riqueza muestra claramente una
mayor predominancia de exóticas en las zonas
costeras de la provincia, y en los centros poblados
como Barcelona, Badalona, las orillas del río
Llobregat y parte de la comarca de Maresme, la
fuerte asociación a este tipo de ambientes esta
evidentemente influenciada por las características
totográficas de la costa mediterránea, optimas para
el crecimiento de especies, además de ser un lugar
muy antropogenizado y con muchos centros
poblados a su alrededor, principales factores
involucrados en el establecimiento de especies
exóticas (Figura 8) (Pino et al., 2005; González-
Moreno et al., 2012; Gassó et al., 2011) . El
modelo de presencia de especies exóticas muestra
características similares al modelo de riqueza con la
diferencia que, es más marcada la presencia de
exóticas en diversos sectores de la provincia, los
sectores cercanos a la costa son los más distintivos
en términos de presencia, pero también los son las
grandes ciudades como Sabadell, Manresa y Vic.
En este modelo se puede notar también una clara
asociación de la presencia de especies exóticas a las
carreteras, uno de los medios de dispersión más
fuertes de este tipo de exóticas, debido
esencialmente al alto grado de influencia
antropogénica Figura 7.
Validación de los modelos Finales
El modelo de riqueza de especies exóticas mostró
un RMSE para los puntos del modelo de 0.78 y
1.15 para los puntos de test y el modelo de
presencia de especies exóticas mostró un RMSE
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 11
11
para los puntos del modelo de 0.38 y 0.39 para los
puntos de test.
Si bien la adición de los modelos de residuos no
ayudaron a que el RMSE bajara, esto puede
deberse a la heterogeneidad de las invasiones de
exóticas en la provincia, además de que en
principio la bondad de los modelos iniciales no es
muy baja.
5. CONCLUSIONES
Mediante este estudio se logró modelar la
presencia y riqueza de plantas exóticas neófitas
para la provincia de Barcelona a una escala de 10m
de tamaño de pixel.
La utilización de los GLM, ha mostrado ser una de
las mejores técnicas para predecir la distribución de
especies cuando las muestras presentan
distribuciones no normales de los errores.
La composición del paisaje fue el factor
determinante para modelar la presencia y riqueza
de plantas exóticas en la provincia de Barcelona.
Las áreas de bosque caducifolio, bosque de
coníferas y matorrales cercana a carreteras y
centros poblados son altamente vulnerables a
invasiones de plantas.
El método de interpolación del inverso de la
distancia mostró ser el más fuerte para la
modelización de los residuos del modelo, por que
fue el que presentó errores más bajos y menor
cantidad de artefactos.
Las variables topográficas fueron importantes
predictores de los modelos de presencia y riqueza
de plantas exóticas en la provincia de Barcelona.
Otro factor que estaría influenciando la bondad del
los modelos generados son las transformaciones
logaritmicas empleadas para corregir los modelos
de presencia y riqueza.
La interpolación de los residuos no mejoró el
modelo, al contrario hizo que el RMSE
incremente, esto puede deberse a la
heterogeneidad de las invasiones.
Este estudio al igual que muchos otros realizados
en similares áreas de estudio, muestran que la
riqueza de especies neófitas está asociada a las
características topográficas y de tipo de hábitat.
Nuestros resultados refuerzan esta asociación.
La bondad de ajuste del modelo no es
especialmente alta 0.39 para el modelo de
presencia y 1.15 para el modelo de riqueza, esto se
debe probablemente a los modelos de error
utilizados, Binomial para el modelo de presencia y
Poisson para el modelo de riqueza
AGRADECIMIENTOS
Por el tiempo y la predisposición a colaborar con
la realización de este proyecto quiero agradecer al
grupo de análisis del paisaje del CREAF (Centro
de investigación Ecológica y Aplicaciones
Forestales), especialmente al Joan Pino subdirector
del CREAF y gestor de este proyecto, además a
Corina Basnou y Guillem Bagaria por su ayuda en
los pasos confusos del proyecto. Al gobierno de la
República del Ecuador por la beca otorgada para la
realización del Máster en Teledetección y Sistemas
de Información Geográfica.
Figura 7. Modelo de presencia de plantas exóticas en la provincia de Barcelona.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 13
13
Figura 8. Modelo de riqueza de plantas exóticas en la provincia de Barcelona.
BIBLIOGRAFÍA
ANDREU, J. VILA, M. PINO, J. 2006.
Análisi preliminar de la percepció i la gestió de les invasions
vegetales en els espais naturals protegits de Catalunya.
Boletin Instituto Catalan de Historia Natural 74: 145-
164.
ANDREU, J. PINO, J. BASNOU, C.
GUARDIOLA, M. ORDOÑEZ, J. 2012.
Les espécies exótiques de Catalunya. Resum del proyecte
EXOCAT 2012. Generalitat de Catalunya.
Departament d' Agricultura, Ramaderia, Pesca,
Alimentació i Medi Natural.
ARGUELLES, L. GARCÍA, A. ORUETA, J.
ZILLETTI, B. 2006.
Especies exóticas invasoras: Diagnóstico y Bases para la
prevención y el manejo. Ministerio de Medio Ambiente.
Dirección General para la Biodiversidad. Madrid.
BARTOLOMEUS, I. SOL, D. PINO, J.
VICENTE, P. FONT, X. 2010.
Deconstructing the native-exotic richness relatioship in
plants. Global Ecology and Biogoagrphy 21: 524-533.
BENITO DE PANDO, B. PEÑAS DE GILES, J.
2007.
Aplicación de modelos de distribución de especies a la
conservación de la biodiversidad en el sureste de la península
Ibérica. Geo Focus (Artículos) 7: 100-119.
BORROUGH, P. MCDONNELL, R. 1998.
Principies of geographical information systems. Oxford
University Press Inc., New York.
CAYUELA, L. 2010.
Los modelos lineales generalizados. Ecolab. Centro
Andaluz de Medio Ambiente. Granada.
CHUVIECO E. 2010.
Teledección Ambiental. Editorial Planeta, S.A. Barcelona.
CHYTRY, M. PYSEK, P. WIDL, J. PINO, J.
MASKELL, L. VILA, M. 2009.
European map of alien plant invasions based on the
quantitative assessment across habitats. Diversity and
Distributions, 15: 98-107.
CHYTRY, M. WIDL, J. PYSEK, P. JAROSIK, V.
DENDONCKER, N. REGINSTER, I. PINO, J.
MASKELL, L. VILÁ, M. PERGL, J. KUHN, I.
SPANGENBERG, J. SETTELE, J. 2012.
Proyecting trends in plant invasions in Europe under
different scenarios of future land-use change. Global Ecology
and Biogeography 21: 75-87.
FRANKLIN, J. 2009.
Mapping species distributions: spatial inference and
prediction. Cambridge University Press, Cambridge, Uk.
FUNK, V.A. RICHARDSON, K.S 2002.
Systematic data in biodiversity studies: Use it or lose it.
Systematic Biology, 51(2): 303-316.
GASSÓ, N. PINO, J. FONT, X. VILA, M. 2012.
Regional context affects native and alien plant species
richness across habitat types. Applied Vegetation Science
15 (1): 4-13.
GASSÓ, N. THUILLER, W. PINO, J. VILÁ, M.
2012.
Potencial distribution range of invasive plant species in
Spain. NeoBiota 12: 25-40.
GASSÓ, N. SOL, D. PINO, J. DANA, E.
LLORET, F. SANZ-ELORZA, M. SOBRINO, E.
VILÁ, M. 2009.
Exploring species attributes and site characteristics to assess
plant invasions in Spain. Diversity and Distributions 15:
50-58.
GONZALES-MORENO, P. PINO, J.
CARRERAS, D. BASNOU, C. FERNÁNDEZ-
REBOLLAR, I. VILÁ, M. 2013.
Quantifying the landscape influence on plant invasions in
Mediterranean coastal habitats. Landscape Ecology 28 (5):
891-903.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 15
15
GONZALES-MORENO, P. PINO, J. GASSÓ,
N. VILÁ, M. 2012.
Landscape context modulates alien plant invasion in
Mediterranean forest edges.
GRAHAM, C. FERRIER, S. HUETTMAN, F.
MORITZ, C. PETERSON,A. 2004.
New developments in museum-based informatics and
applications in biodiversity analysis. Trends in Ecology &
Evolution 19(9): 497-503.
GUISAN, A. WEISS, S. WEISS, A. 1999.
GML versus CCA spatial modeling of plants species
distribution. Plant Ecology 143: 107-122.
JIMENES-VALVERDE, A. LIRA-NORIEGA,
A. PETERSON, A. SOBERÓN, J. 2011.
Marshalling existing biodiversity data to evaluate
biodiversity status and trends in planning exercises.
Ecological Research, 25: 947-957.
JONES, H. VAUGHAN, R. 2010.
Remote sensing of vegetation (Principies, techniques and
aplications). Oxford University Press Inc., New York.
MARCER, A. PINO, J. PONS, X. BROTONS, L.
2012.
Modelling invasive alien species distributions from digital
biodiversity atlases. Model upscaling as a means of
reconciling data at differents scales. Diversity and
Distributions, 18: 1177-11.
MINISTERIO DE MEDIO AMBIENTE,
MEDIO RURAL Y MARINO. 2011.
Plan de control y eliminación de especies vegetales invasoras
de sistemas dunares. Dirección general de Sostenibilidad de
la costa y del mar. Ref 28/5101.
NEWBOLD, T. 2010.
Applications and limitations of museum data for
conservation and ecology, with particular attention to species
distribution models. Progress in Physical Geography
34(1):3-22.
NIAMIR, A. SKIDMORE, A. TOXOPEUS, A.
2011.
Finessing atlas data for species distribution models.
Diversity and Distributions, 14(2): 307-317.
NIELSEN, C. HARTVIG, P. KOLLMANN, J.
2008.
Predicting the distribution of the invasive alien Heracleum
mantegazzianum at two different spatial scales. Diversity
and Distributions, 14(2): 307-317.
NINYEROLA, M., PONS, X., ROURE, J.M.,
2000.
A methodological approach of climatological modelling of air
temperature and precipitation through GIS techniques.
International Journal of Climatology 20, 1823–1841.
PETERSON, A. KNAPP, S. GURALNICK, R.
SOBERÓN, J. HOLDEL, M. 2010.
The big questions for biodiversity informatics. Systematics
and Biodiversity 8(2): 159-168.
PINO, J. FONT, X. CARBÓ, J. JOVÉ, M.
PALLARÉS, L. 2005.
Large-Scale correlates of alien plant invasion in Catalonia
(NE of Spain). Biological Conservation 122: 339-350.
PONS, X. 2004.
MiraMon. Sistema de Información Geográfica y software de
Teledetección. Centre de Recerca Ecològica i Aplicacions
Forestals, CREAF. Bellaterra, España.
RICHARDSON, D. WHITTAKER, R. 2010.
Conservation biogeography - foundations, concepts and
challenges. Diversity and Distributions, 16(3): 313-320.
ROBERTSON, D. CUMMING, G. ERASMUS,
B. 2010.
Getting the most out of atlas data. Diversity and
Distributions 16(3): 363-375.
STOHLGREN, T. PYSEK, P. KARTESZ, J.
NISHINO, M. PAUCHARD, A. WINTER, M.
PINO, J. RICHARDSON, D. WILSON, J.
MURRAY, B. PHILLIPS, M. MING-YANG, L.
CELESTI-GRAPOW, L. FONT, X. 2011.
Widespread plant species: natives versus aliens in our
changing word. Biological Invasions 13: 1631-1944.
Modelización del riesgo de invasión por plantas exóticas en la provincia de Barcelona 16
16
SUAREZ, A. TSUTSUI, N. 2004.
The value of museum collections for research and society.
BioScience, 54(1): 66-74.
VILA, M. VALLADARES, F. TRAVESET, A.
SANTAMARÍA, L. CASTRO, P. 2008.
Invasiones biológicas. Colección Divulgación. Madrid.
Anexos
RMSE de los mapas de residuos de los modelos de presencia de especies exóticas. IDW
SPLINES
Tensión RMSE
10 9726,9154
30 8,447983186 40 0,85754759 50 0,63187357 60 0,61771037 70 0,61060725 100 0,61040558 150 0,61005769 RMSE de los mapas de residuos de los modelos de riqueza de especies exóticas. IDW
Factor RMSE
1 0,00725494 1.5 0,00763461 2 2.5 9,80511E-05 3 2,5662E-05 3.5 7,15131E-06 4 2,09127E-06 SPLINES
Tensión RMSE
10 11332,7642 30 23,059861 40 1,84271285 50 0,18973183 60 0,05607771 70 0,03529321 100 0,01650301 150 0,01330086
Factor RMSE
1 0,60800198 1.5 0,60819762
2 0,60856498 2.5 0,60898715 3 0,60899904 3.5 0,60900195
4 0,60900273