Hispanopedia Wiki
Articulo de referencia

Modelización de la distribución de especies

Ejemplo de modelado correlativo simple de distribución de especies que utiliza la precipitación, la altitud y las observaciones actuales de especies para crear un modelo de posi...

Hispanopedia WikiContenido en espanolLectura gratuita
Ejemplo de modelado correlativo simple de distribución de especies que utiliza la precipitación, la altitud y las observaciones actuales de especies para crear un modelo de posible existencia para una determinada especie.

El modelado de distribución de especies (MDE) , también conocido como modelado de nicho ambiental (o ecológico) (MNE) , modelado de idoneidad del hábitat , modelado predictivo de distribución del hábitat y mapeo de rango [ 1 ], utiliza modelos ecológicos para predecir la distribución de una especie en el espacio geográfico y el tiempo utilizando datos ambientales. Los datos ambientales suelen ser datos climáticos (p. ej., temperatura, precipitación), pero pueden incluir otras variables como el tipo de suelo, la profundidad del agua y la cobertura del suelo. Los MDE se utilizan en varias áreas de investigación en biología de la conservación , ecología y evolución . Estos modelos pueden utilizarse para comprender cómo las condiciones ambientales influyen en la presencia o abundancia de una especie, y con fines predictivos ( pronóstico ecológico ). Las predicciones de un MDE pueden referirse a la distribución futura de una especie bajo el cambio climático, a la distribución pasada de una especie para evaluar las relaciones evolutivas, o a la posible distribución futura de una especie invasora. Las predicciones de la idoneidad del hábitat actual y/o futura pueden ser útiles para aplicaciones de gestión (p. ej., reintroducción o translocación de especies vulnerables, establecimiento de reservas en previsión del cambio climático).

Existen dos tipos principales de modelos de distribución de especies (MDE). Los MDE correlativos , también conocidos como modelos de nicho climático , modelos bioclimáticos o modelos de función de selección de recursos , modelan la distribución observada de una especie en función de las condiciones ambientales. [ 1 ] Los MDE mecanicistas , también conocidos como modelos basados ​​en procesos o modelos biofísicos , utilizan información derivada de forma independiente sobre la fisiología de una especie para desarrollar un modelo de las condiciones ambientales bajo las cuales la especie puede existir. [ 2 ]

El grado en que dichos datos modelados reflejen las distribuciones de especies del mundo real dependerá de varios factores, incluyendo la naturaleza, complejidad y precisión de los modelos utilizados y la calidad de las capas de datos ambientales disponibles; la disponibilidad de datos de distribución de especies suficientes y fiables como entrada para el modelo; y la influencia de diversos factores como barreras a la dispersión , historia geológica o interacciones bióticas , que aumentan la diferencia entre el nicho realizado y el nicho fundamental. El modelado de nichos ambientales puede considerarse parte de la disciplina de la bioinformática .

Historia

AFW Schimper utilizó factores geográficos y ambientales para explicar la distribución de las plantas en su obra de 1898, Pflanzengeographie auf physiologischer Grundlage ( Geografía de las plantas sobre una base fisiológica ) y en su obra de 1908 del mismo nombre. [ 3 ] Andrew Murray utilizó el medio ambiente para explicar la distribución de los mamíferos en su obra de 1866, The Geographical Distribution of Mammals . [ 4 ] El trabajo de Robert Whittaker con las plantas y el trabajo de Robert MacArthur con las aves establecieron firmemente el papel que desempeña el medio ambiente en la distribución de las especies. [ 1 ] Elgene O. Box construyó modelos de envolvente ambiental para predecir el rango de las especies de árboles. [ 5 ] Sus simulaciones por computadora estuvieron entre los primeros usos del modelado de distribución de especies. [ 1 ]

La adopción de modelos lineales generalizados (GLM) más sofisticados permitió crear modelos de distribución de especies más complejos y realistas. La expansión de la teledetección y el desarrollo de la modelización ambiental basada en SIG aumentaron la cantidad de información ambiental disponible para la construcción de modelos y facilitaron su uso. [ 1 ]

Modelos correlativos frente a modelos mecanicistas

Modelos de distribución de especies correlativos

Los modelos de distribución de especies (MDE) se originaron como modelos correlativos. Los MDE correlativos modelan la distribución observada de una especie en función de variables predictoras climáticas georreferenciadas mediante enfoques de regresión múltiple. A partir de un conjunto de registros geográficos de presencia de una especie y un conjunto de mapas climáticos, un modelo define los rangos ambientales más probables dentro de los cuales vive la especie. Los MDE correlativos asumen que las especies se encuentran en equilibrio con su entorno y que las variables ambientales relevantes se han muestreado adecuadamente. Los modelos permiten la interpolación entre un número limitado de registros de presencia de especies.

Para que estos modelos sean efectivos, se requiere recopilar observaciones no solo de presencias de especies, sino también de ausencias, es decir, dónde no vive la especie. Los registros de ausencias de especies no suelen ser tan comunes como los de presencias, por lo que a menudo se utilizan datos de "fondo aleatorio" o "pseudoausencias" para ajustar estos modelos. Si hay registros incompletos de ocurrencias de especies, las pseudoausencias pueden introducir sesgos. Dado que los modelos de distribución de especies correlativos son modelos de la distribución observada de una especie, son modelos del nicho realizado (los entornos donde se encuentra una especie ), en contraposición al nicho fundamental (los entornos donde se puede encontrar una especie , o donde el entorno abiótico es apropiado para la supervivencia). Para una especie dada, los nichos realizado y fundamental podrían ser iguales, pero si una especie está confinada geográficamente debido a limitaciones de dispersión o interacciones de especies, el nicho realizado será menor que el nicho fundamental .

Los modelos de distribución de especies correlativos son más fáciles y rápidos de implementar que los mecanicistas, y permiten aprovechar los datos disponibles. Sin embargo, al ser correlativos, no proporcionan mucha información sobre los mecanismos causales y no son adecuados para la extrapolación. Además, resultarán imprecisos si el área de distribución observada de la especie no se encuentra en equilibrio (por ejemplo, si una especie se ha introducido recientemente y está expandiendo activamente su área de distribución).

En los modelos de distribución de especies (MDE) estándar, la distribución de una sola especie se modela a menudo con parámetros únicos que describen cómo los factores ambientales (abióticos) influyen en su probabilidad de ocurrencia. Esto permite respuestas diferenciadas a los factores ambientales entre especies, pero puede ser problemático para especies con datos insuficientes. En contraste, las similitudes en las respuestas ambientales se pueden tener en cuenta en los MDE multiespecie, que modelan varias especies conjuntamente utilizando parámetros compartidos o relacionados jerárquicamente. Sin embargo, ninguno de los enfoques considera explícitamente las interacciones bióticas a nivel de comunidad, que pueden ser importantes para explicar los patrones de diversidad de especies. Los modelos de distribución de especies conjunta ( MDE conjuntos o MDE-J ) abordan esto modelando directamente los patrones de coexistencia de especies. [ 6 ] La probabilidad de ocurrencia de una especie dada está influenciada no solo por los factores abióticos, sino también por las asociaciones bióticas inferidas con otras especies. Esto puede mejorar la precisión para taxones más raros y proporcionar información sobre la ecología de la comunidad. Tanto los MDE estándar como los MDE-J se pueden utilizar para generar métricas a nivel de comunidad, como la riqueza de especies, agregando los resultados de múltiples especies. Estos datos pueden ser importantes para la toma de decisiones, como por ejemplo la planificación de la conservación.

Modelos de datos de estructura mecanicistas

Los modelos de distribución de especies mecanicistas (MDE) son de desarrollo más reciente. A diferencia de los modelos correlativos, los MDE utilizan información fisiológica sobre una especie (obtenida de estudios controlados de campo o laboratorio) para determinar el rango de condiciones ambientales dentro del cual la especie puede persistir. [ 2 ] Estos modelos buscan caracterizar directamente el nicho fundamental y proyectarlo en el paisaje. Un modelo simple puede identificar valores umbral fuera de los cuales una especie no puede sobrevivir. Un modelo más complejo puede constar de varios submodelos, por ejemplo, condiciones microclimáticas dadas las condiciones macroclimáticas, temperatura corporal dadas las condiciones microclimáticas, aptitud u otras tasas biológicas (por ejemplo, supervivencia, fecundidad) dada la temperatura corporal (curvas de rendimiento térmico), requerimientos de recursos o energía y dinámica poblacional . Se utilizan datos ambientales georreferenciados como entradas del modelo. Debido a que las predicciones de distribución de especies son independientes del rango conocido de la especie, estos modelos son especialmente útiles para especies cuyo rango está cambiando activamente y no se encuentra en equilibrio, como las especies invasoras.

Los modelos de descomposición de especies mecanicistas incorporan mecanismos causales y son más adecuados para la extrapolación y situaciones de no equilibrio. Sin embargo, su creación requiere más trabajo que la de los modelos correlacionales y exige la recopilación y validación de gran cantidad de datos fisiológicos, que pueden no estar fácilmente disponibles. Estos modelos requieren numerosas suposiciones y estimaciones de parámetros, y pueden llegar a ser muy complejos.

La dispersión, las interacciones bióticas y los procesos evolutivos presentan desafíos, ya que no suelen incorporarse ni en los modelos correlativos ni en los mecanicistas.

Los modelos correlacionales y mecanicistas pueden utilizarse en combinación para obtener información adicional. Por ejemplo, un modelo mecanicista podría emplearse para identificar áreas que se encuentran claramente fuera del nicho fundamental de la especie, y estas áreas pueden marcarse como ausencias o excluirse del análisis. Véase [ 7 ] para una comparación entre modelos mecanicistas y correlacionales.

Modelos de nicho (correlativos)

Existen diversos métodos matemáticos que pueden utilizarse para ajustar, seleccionar y evaluar modelos de distribución de especies (MDE) correlativos. Los modelos incluyen métodos de "perfil", que son técnicas estadísticas sencillas que utilizan, por ejemplo, la distancia ambiental a sitios de ocurrencia conocidos, como BIOCLIM [ 8 ] [ 9 ] y DOMAIN; métodos de "regresión" (por ejemplo, formas de modelos lineales generalizados); y métodos de " aprendizaje automático ", como la entropía máxima (MAXENT). En [ 10 ] se pueden consultar diez técnicas de aprendizaje automático utilizadas en MDE. Una lista incompleta de modelos que se han utilizado para el modelado de nichos incluye:

Técnicas de perfil

Técnicas basadas en regresión

Técnicas de aprendizaje automático

Además, se pueden crear modelos de conjunto a partir de las salidas de varios modelos para generar un modelo que capture los componentes de cada uno. A menudo, se utiliza la media o la mediana de varios modelos como conjunto. De manera similar, los modelos de consenso son aquellos que se aproximan más a alguna medida de tendencia central de todos los modelos; estos modelos pueden ser ejecuciones individuales de modelos o conjuntos de varios modelos.

Software de modelado de nichos (correlativo)

SPACES es una plataforma en línea de modelado de nicho ambiental que permite a los usuarios diseñar y ejecutar docenas de los métodos más destacados en un entorno de alto rendimiento, multiplataforma y basado en navegador.

MaxEnt es el método/software más utilizado, emplea únicamente datos de presencia y funciona bien cuando hay pocos registros de presencia disponibles.

ModEco implementa varios métodos.

Qb.SDM implementa Random Forest, XGBoost y MaxEnt con integración en línea de GBIF.

DIVA-GIS cuenta con una implementación de BIOCLIM fácil de usar (y adecuada para fines educativos).

El Laboratorio Virtual de Biodiversidad y Cambio Climático (BCCVL) es una plataforma integral de modelado que simplifica el proceso de modelado de la biodiversidad y el impacto climático. Conecta a la comunidad investigadora con la infraestructura computacional nacional de Australia mediante la integración de un conjunto de herramientas en un entorno en línea coherente. Los usuarios pueden acceder a conjuntos de datos climáticos y ambientales globales o cargar sus propios datos, realizar análisis de datos en seis tipos de experimentos diferentes con un conjunto de 17 métodos distintos, y visualizar, interpretar y evaluar fácilmente los resultados de los modelos. Los tipos de experimentos incluyen: Modelo de Distribución de Especies, Modelo de Distribución Multiespecífica, Modelo de Rasgos de Especies (actualmente en desarrollo), Proyección del Cambio Climático, Análisis de Biodiversidad y Análisis de Conjunto. Puede encontrar ejemplos de los resultados del Modelo de Distribución de Especies del BCCVL aquí .

Otro ejemplo es Ecocrop, que se utiliza para determinar la idoneidad de un cultivo para un entorno específico. [ 12 ] Este sistema de base de datos también puede proyectar los rendimientos de los cultivos y evaluar el impacto de factores ambientales como el cambio climático en el crecimiento y la idoneidad de las plantas. [ 13 ]

La mayoría de los métodos de modelado de nichos están disponibles en los paquetes de R 'dismo' , 'biomod2' y 'mopa' .

Los desarrolladores de software podrían querer basarse en el proyecto openModeller .

El Laboratorio Colaborativo para la Adaptación al Cambio Climático adapt.nd.edu Archivado el 6 de agosto de 2012 en la Wayback Machine ha implementado una versión en línea de openModeller que permite a los usuarios diseñar y ejecutar openModeller en un entorno de alto rendimiento basado en navegador para permitir múltiples experimentos paralelos sin las limitaciones de la potencia del procesador local.

Aplicaciones SDM

Los modelos de distribución de especies (MDE) se han convertido en una de las herramientas más versátiles y ampliamente utilizadas en la investigación ecológica, la planificación de la conservación y la gestión ambiental. [ 14 ] [ 15 ] Los MDE permiten a los investigadores cuantificar y proyectar los nichos ecológicos de las especies en el espacio y el tiempo. Sus aplicaciones van mucho más allá de la ecología teórica, proporcionando información esencial para la toma de decisiones y el desarrollo de políticas en un mundo en constante cambio.

Una aplicación principal de los modelos de distribución de especies (MDE) radica en la conservación de la biodiversidad y el diseño de reservas . [ 16 ] [ 17 ] Los modelos se utilizan para identificar áreas con alta idoneidad de hábitat, lo que ayuda a priorizar sitios para su protección y restauración. En muchos casos, los MDE guían la expansión de las redes de áreas protegidas al predecir hábitats potenciales para especies raras, endémicas o amenazadas, incluso en regiones donde los datos de campo son escasos. [ 18 ] [ 19 ] También ayudan a evaluar la efectividad de las reservas existentes bajo las condiciones ambientales actuales y futuras.

Otra aplicación clave se refiere a la evaluación del impacto del cambio climático . [ 20 ] [ 21 ] Los modelos de distribución de especies (MDE) se utilizan ampliamente para pronosticar cambios en la distribución de especies bajo diferentes escenarios climáticos, ofreciendo proyecciones de posibles contracciones, expansiones o migraciones de rangos. Estas proyecciones proporcionan insumos críticos para las estrategias de adaptación climática, lo que permite a los responsables políticos y conservacionistas anticipar las respuestas de la biodiversidad e implementar medidas de gestión proactivas. Además, los MDE apoyan la identificación de refugios climáticos , [ 22 ] [ 23 ] áreas que probablemente seguirán siendo adecuadas bajo futuras condiciones climáticas, lo cual es crucial para la planificación de la conservación a largo plazo.

En la gestión de especies invasoras , los modelos de distribución de especies (MDE) desempeñan un papel cada vez más estratégico. Al predecir hábitats adecuados para especies exóticas, los modelos ayudan a evaluar los riesgos de invasión, informan los sistemas de alerta temprana y apoyan los programas de erradicación o contención. [ 24 ] [ 25 ] De manera similar, en ecología de enfermedades , los MDE se aplican para pronosticar la posible propagación de patógenos transmitidos por vectores, integrando datos ambientales, climáticos y de distribución de huéspedes para identificar zonas de riesgo. [ 26 ] [ 27 ] [ 28 ]

En la investigación ecológica y evolutiva , los modelos de distribución de especies (MDE) contribuyen a la comprensión de las relaciones especie-ambiente, la diferenciación de nichos y los patrones biogeográficos. [ 29 ] [ 30 ] Con frecuencia se integran con datos genéticos para explorar la conectividad poblacional, la estructura filogeográfica y las respuestas evolutivas a los gradientes ambientales. Este enfoque integrador ofrece explicaciones para procesos como la adaptación local, el flujo genético y la dinámica histórica de las distribuciones de especies. [ 31 ] [ 32 ]

Finalmente, los MDE se aplican cada vez más en evaluaciones de servicios ecosistémicos , ecología de la restauración y planificación del uso de la tierra . [ 33 ] [ 34 ] Al identificar hábitats potenciales para polinizadores, especies clave o grupos funcionales, los MDE informan estrategias de gestión sostenible y apoyan el diseño de paisajes multifuncionales que concilien la conservación con las necesidades de desarrollo humano.

En general, las aplicaciones directas de los modelos de distribución de especies abarcan desde la investigación ecológica fundamental hasta la acción práctica de conservación. Su flexibilidad, combinada con los avances en teledetección, aprendizaje automático y disponibilidad de macrodatos, continúa ampliando su papel como puente entre la teoría ecológica, los datos empíricos y la toma de decisiones ambientales.

Véase también

Referencias

  1. 1 2 3 4 5 Elith, Jane; Leathwick, John R. (2009-02-06). "Modelos de distribución de especies: explicación y predicción ecológica a través del espacio y el tiempo". Annual Review of Ecology, Evolution, and Systematics . 40 (1): 677– 697. doi : 10.1146/annurev.ecolsys.110308.120159 . ISSN 1543-592X . S2CID 86460963 .  
  2. 1 2 Kearney, Michael; Porter, Warren (2009). "Modelado de nicho mecanicista: combinación de datos fisiológicos y espaciales para predecir rangos de especies". Ecology Letters . 12 (4): 334– 350. Bibcode : 2009EcolL..12..334K . doi : 10.1111/j.1461-0248.2008.01277.x . ISSN 1461-0248 . PMID 19292794 .  
  3. ↑ AFW Schimper (1908), Pflanzen-Geographie auf psychologischer Grundlage (en alemán) (2.ª ed.), Jena: Gustav Fischer Verlag, doi : 10.5962/BHL.TITLE.46243 , OCLC 12120623 , OL 24353101M , Wikidata Q117084350    
  4. ^ Murray, Andrew, 1812-1878 (1866), La distribución geográfica de los mamíferos , Londres: Day and Son, limitado, doi : 10.5962/BHL.TITLE.15762 , LCCN 04035567 , OCLC 8680065 , OL 16272962M , Wikidata Q51421963    {{citation}}: CS1 maint: nombres múltiples: lista de autores ( enlace ) CS1 maint: nombres numéricos: lista de autores ( enlace )
  5. ↑ Box, Elgene O. (1981-05-01). "Predicción de tipos de vegetación fisonómica con variables climáticas". Vegetatio . 45 (2): 127– 139. doi : 10.1007/BF00119222 . ISSN 1573-5052 . S2CID 25941018 .  
  6. ↑ Pollock, Laura J.; Tingley, Reid; Morris, William K.; Golding, Nick; O'Hara, Robert B.; Parris, Kirsten M.; Vesk, Peter A.; McCarthy, Michael A. (2014). "Understanding co-occurrence by modelling species simulately with a Joint Species Distribution Model (JSDM)" . Methods in Ecology and Evolution . 5 (5): 397– 406. Bibcode : 2014MEcEv...5..397P . doi : 10.1111/2041-210X.12180 . hdl : 11343/52133 . ISSN 2041-210X . 
  7. ↑ Morin, X.; Thuiller (2009). "Comparación de modelos basados ​​en nichos y procesos para reducir la incertidumbre de predicción en los cambios de rango de especies bajo el cambio climático". Ecology . 90 (5): 1301– 13. Bibcode : 2009Ecol...90.1301M . doi : 10.1890/08-0134.1 . PMID 19537550 . 
  8. ↑ Nix HA (1986). "BIOCLIM — un sistema de análisis y predicción bioclimática". Informe de investigación, División de Recursos Hídricos y Terrestres de CSIRO . 1983–1985 : 59–60 .
  9. ↑ Nix HA (1986). "Análisis biogeográfico de las serpientes elápidas australianas". En Longmore (ed.). Atlas de serpientes elápidas de Australia. Serie de flora y fauna australiana 7. Oficina de Flora y Fauna, Canberra. pp. 4–15 . 
  10. ^ Effrosynidis, Dimitrios; Tsikliras, Atanasio; Arampatzis, Avi; Sylaios, Georgios (13 de diciembre de 2020). "Modelado de distribución de especies mediante ingeniería de características y aprendizaje automático para peces pelágicos en el mar Mediterráneo" . Ciencias Aplicadas . 10 (24): 8900. Código Bib : 2020ApSci..10.8900E . doi : 10.3390/app10248900 .
  11. ↑ Real, Raimundo; Barbosa, A. Márcia; Vargas, J. Mario (2006). "Obtención de funciones de favorabilidad ambiental a partir de regresión logística". Environmental and Ecological Statistics . 13 (2): 237– 245. Bibcode : 2006EnvES..13..237R . doi : 10.1007/s10651-005-0003-3 . hdl : 10174/20244 . S2CID 34887643 . 
  12. ↑ "FAO Ecocrop" . Comunidad ECHO . Consultado el 19 de agosto de 2019 .
  13. ↑ Rosenstock, Todd S.; Nowak, Andreea; Girvetz, Evan (2018). The Climate-Smart Agriculture Papers: Investigating the Business of a Productive, Resilient and Low Emission Future . Cham, Suiza: Springer. p. 41. ISBN  978-3-319-92797-8.
  14. ↑ Franklin, Janet (2023). "El modelado de la distribución de especies apoya el estudio de las biogeografías pasadas, presentes y futuras" . Journal of Biogeography . 50 (9): 1533– 1545. Bibcode : 2023JBiog..50.1533F . doi : 10.1111/jbi.14617 . ISSN 1365-2699 . 
  15. ↑ Di Febbraro, Mirko; Bosso, Luciano; Fasola, Mauro; Santicchia, Francesca; Aloïse, Gaetano; Lioy, Simone; Tricárico, Elena; Ruggieri, Luciano; Bovero, Stefano; Morí, Emiliano; Bertolino, Sandro (2023). "Diferentes facetas del mismo nicho: integración de la ciencia ciudadana y los datos de encuestas científicas para predecir el riesgo de invasión biológica bajo múltiples impulsores del cambio global" . Biología del cambio global . 29 (19): 5509– 5523. Código bibliográfico : 2023GCBio..29.5509D . doi : 10.1111/gcb.16901 . hdl : 2158/1331492 . ISSN 1365-2486 . PMID 37548610 .  
  16. ↑ Brito-Morales, Isaac; Schoeman, David S.; Everett, Jason D.; Klein, Carissa J.; Dunn, Daniel C.; García Molinos, Jorge; Burrows, Michael T.; Buenafe, Kristine Camille V.; Dominguez, Rosa Mar; Possingham, Hugh P.; Richardson, Anthony J. (abril de 2022). "Hacia áreas protegidas tridimensionales e inteligentes desde el punto de vista climático para la conservación de la biodiversidad en alta mar" . Nature Climate Change . 12 (4): 402– 407. Bibcode : 2022NatCC..12..402B . doi : 10.1038/s41558-022-01323-7 . ISSN 1758-6798 . 
  17. ↑ Miranda, Leonardo de Sousa; Awadé, Marcelo; Jaffé, Rodolfo; Costa, Wilian França; Trevelin, Leonardo Carreira; Borges, Rafael Cabral; Brito, Rafael Melo de; Tambosi, Leandro Reverberi; Giannini, Teresa Cristina (01/05/2021). "Combinación de modelos de conectividad y distribución de especies para definir prioridades de conservación y restauración de múltiples especies: un estudio de caso en la Amazonia oriental" . Conservación biológica . 257 109148. Código Bib : 2021BCons.25709148M . doi : 10.1016/j.biocon.2021.109148 . ISSN 0006-3207 . 
  18. ↑ Ludovicy, Simon; Noroozi, Jalil; Semenchuk, Philipp; Moser, Dietmar; Wessely, Johannes; Talebi, Amir; Dullinger, Stefan (2022-11-01). "La red de áreas protegidas no representa suficientemente los nichos climáticos de las plantas endémicas en un punto crítico de biodiversidad global" . Biological Conservation . 275 109768. Bibcode : 2022BCons.27509768L . doi : 10.1016/j.biocon.2022.109768 . ISSN 0006-3207 . 
  19. ↑ Bosso, Luciano; Panzuto, Raffaele; Balestrieri, Rosario; Smeraldo, Sonia; Chiusano, María Luisa; Raffini, Francesca; Canestrelli, Daniele; Musco, Luigi; Gili, Claudia (1 de marzo de 2024). "Integrar la ciencia ciudadana y la ecología espacial para informar la gestión y conservación de los caballitos de mar italianos" . Informática Ecológica . 79 102402. Código Bib : 2024EcInf..7902402B . doi : 10.1016/j.ecoinf.2023.102402 . ISSN 1574-9541 . 
  20. ^ Fialas, Penélope C.; Santini, Luca; Ruso, Danilo; Amorim, Francisco; Rebelo, Hugo; Novella-Fernández, Roberto; Marqués, Francisco; Domer, Adi; Vella, Adriana; Martinoli, Adriano; Figurak, Aleksandra; Zar, Asaf; Sandor, Atila; Ibáñez, Carlos; Korine, Carmi (2025). "Cambios en la composición comunitaria y diversidad funcional de los murciélagos europeos bajo el cambio climático" . Biología de la conservación . 39 (4) e70025. Código Bib : 2025ConBi..3970025F . doi : 10.1111/cobi.70025 . ISSN 1523-1739 . PMC 12309660 . PMID 40165613 .   
  21. ↑ Manes, Stella; Costello, Mark J.; Beckett, Heath; Debnath, Anindita; Devenish-Nelson, Eleanor; Grey, Kerry-Anne; Jenkins, Rhosanna; Khan, Tasnuva Ming; Kiessling, Wolfgang; Krause, Cristina; Maharaj, Shobha S.; Midgley, Guy F.; Price, Jeff; Talukdar, Gautam; Vale, Mariana M. (2021-05-01). "El endemismo aumenta el riesgo de cambio climático de las especies en áreas de importancia para la biodiversidad global" . Biological Conservation . 257 109070. Bibcode : 2021BCons.25709070M . doi : 10.1016/j.biocon.2021.109070 . ISSN 0006-3207 . 
  22. ↑ Bosso, Luciano; Smeraldo, Sonia; Russo, Danilo; Chiusano, Maria Luisa; Bertorelle, Giorgio; Johannesson, Kerstin; Butlin, Roger K.; Danovaro, Roberto; Raffini, Francesca (2022-10-01). "El auge y la caída de un invasor: por qué el colonizador exitoso Littorina saxatilis no logró invadir el mar Mediterráneo". Invasiones Biológicas . 24 (10): 3169– 3187. Bibcode : 2022BiInv..24.3169B . doi : 10.1007/s10530-022-02838-y . ISSN 1573-1464 . 
  23. ↑ Stark, Jordan R.; Fridley, Jason D. (2022). "Los modelos de distribución de especies basados ​​en el microclima en terrenos forestales complejos indican refugios crípticos generalizados bajo el cambio climático" . Ecología y Biogeografía Global . 31 (3): 562– 575. Bibcode : 2022GloEB..31..562S . doi : 10.1111/geb.13447 . ISSN 1466-8238 . 
  24. ↑ A. Lee-Yaw, Julie; L. McCune, Jenny; Pironon, Samuel; N. Sheth, Seema (2022). "Los modelos de distribución de especies rara vez predicen la biología de las poblaciones reales" . Ecography . 2022 (6) e05877. Bibcode : 2022Ecogr2022E5877A . doi : 10.1111/ecog.05877 . ISSN 1600-0587 . 
  25. ↑ Bertolino, Sandro; Sciandra, Chiara; Bosso, Luciano; Ruso, Danilo; Lurz, Peter WW; Di Febbraro, Mirko (2020). "Modelos espacialmente explícitos como herramientas para implementar estrategias de gestión efectivas para mamíferos exóticos invasores" . Revisión de mamíferos . 50 (2): 187– 199. Bibcode : 2020MamRv..50..187B . doi : 10.1111/mam.12185 . hdl : 2318/1737199 . ISSN 1365-2907 . 
  26. ↑ de Almeida, Marco AB; dos Santos, Edmílson; Cardoso, Jáder da C.; da Silva, Lucas G.; Rabelo, Rafael M.; Bicca-Marques, Júlio César (1 de marzo de 2019). "Predicción de la fiebre amarilla mediante modelos de distribución de especies de virus, vectores y monos". EcoSalud . 16 (1): 95– 108. doi : 10.1007/s10393-018-1388-4 . ISSN 1612-9210 . PMID 30560394 .  
  27. ↑ Lippi, Catherine A.; Mundis, Stephanie J.; Sippy, Rachel; Flenniken, J. Matthew; Chaudhary, Anusha; Hecht, Gavriella; Carlson, Colin J.; Ryan, Sadie J. (2023-08-28). "Tendencias en el modelado de la distribución de especies de mosquitos: perspectivas para la vigilancia de vectores y el control de enfermedades" . Parasites & Vectors . 16 (1): 302. doi : 10.1186/s13071-023-05912-z . ISSN 1756-3305 . PMC 10463544. PMID 37641089 .   
  28. ↑ Raffini, Francesca; Bertorelle, Giorgio; Biello, Roberto; D'Urso, Guido; Russo, Danilo; Bosso, Luciano (2020-06-02). "De los nucleótidos a las imágenes satelitales: enfoques para identificar y gestionar el patógeno invasor Xylella fastidiosa y sus vectores de insectos en Europa" . Sustainability . 12 (11): 4508. Bibcode : 2020Sust...12.4508R . doi : 10.3390/su12114508 . hdl : 11392/2425360 . ISSN 2071-1050 . 
  29. ↑ Rojas-Soto, Octavio; Forero-Rodríguez, Juan S.; Galindo-Cruz, Alejandra; Mota-Vargas, Claudio; Parra-Henao, Keisy D.; Peña-Peniche, Alexander; Piña-Torres, Javier; Rojas-Herrera, Karen; Sánchez-Rodríguez, Juan D.; Toro Cardona, Felipe A.; Trinidad-Domínguez, Carlos D. (2024). "Áreas de calibración en nichos ecológicos y modelización de distribución de especies: desentrañando enfoques y conceptos" . Revista de Biogeografía . 51 (8): 1416– 1428. Código bibliográfico : 2024JBiog..51.1416R . doi : 10.1111/jbi.14834 . ISSN 1365-2699 . 
  30. ↑ Bosso, Luciano; Fichera, Gaetano; Mucedda, Mauro; Pidinchedda, Ermanno; Veith, Michael; Smeraldo, Sonia; De Pasquale, Pier Paolo; Morí, Emiliano; Ancilotto, Leonardo (2025). "La vida isleña y la dinámica interespecífica influyen en el tamaño corporal, la distribución y el nicho ecológico de los murciélagos de orejas largas" . Revista de Biogeografía . 53 e70071. doi : 10.1111/jbi.70071 . ISSN 1365-2699 . 
  31. ↑ Gobeyn, Sacha; Mouton, Ans M.; Cord, Anna F.; Kaim, Andrea; Volk, Martin; Goethals, Peter LM (2019-01-24). "Algoritmos evolutivos para el modelado de la distribución de especies: una revisión en el contexto del aprendizaje automático" . Ecological Modelling . 392 : 179–195 . Bibcode : 2019EcMod.392..179G . doi : 10.1016/j.ecolmodel.2018.11.013 . ISSN 0304-3800 . 
  32. ↑ Bush, Alex; Mokany, Karel; Catullo, Renee; Hoffmann, Ary; Kellermann, Vanessa; Sgrò, Carla; McEvey, Shane; Ferrier, Simon (2016). "Incorporating evolutionary adapt in species distribution modelling reduce la vulnerabilidad proyectada al cambio climático" . Ecology Letters . 19 (12): 1468– 1478. Bibcode : 2016EcolL..19.1468B . doi : 10.1111/ele.12696 . ISSN 1461-0248 . PMID 27873482 .  
  33. ↑ Frans, Veronica F.; Augé, Amélie A.; Fyfe, Jim; Zhang, Yuqian; McNally, Nathan; Edelhoff, Hendrik; Balkenhol, Niko; Engler, Jan O. (2022). "Base de datos SDM integrada: Mejora de la relevancia y utilidad de los modelos de distribución de especies en la gestión de la conservación" . Methods in Ecology and Evolution . 13 (1): 243– 261. Bibcode : 2022MEcEv..13..243F . doi : 10.1111/2041-210X.13736 . ISSN 2041-210X . 
  34. ↑ Zurell, Damaris; König, Christian; Malchow, Anne-Kathleen; Kapitza, Simon; Bocedi, Greta; Travis, Justin; Fandos, Guillermo (2022). "Modelos espacialmente explícitos para la toma de decisiones en la conservación y restauración animal" . Ecography . 2022 (4) ecog.05787. Bibcode : 2022Ecogr2022.5787Z . doi : 10.1111/ecog.05787 . ISSN 1600-0587 . 

Lecturas adicionales

  • Pearson, RG (2007). "Modelado de distribución de especies para educadores y profesionales de la conservación" (PDF) . Lessons in Conservation . 3 : 54–89 . doi : 10.5531/cbc.linc.3.1.3 . S2CID 40254248. Archivado del original (PDF) el 26 de febrero de 2019. 
  • Elith J.; Leathwick JR (2009). "Modelos de distribución de especies: explicación ecológica y predicción en el espacio y el tiempo". Annual Review of Ecology, Evolution, and Systematics . 40 : 677–697 . doi : 10.1146/annurev.ecolsys.110308.120159 . S2CID 86460963 . 
  • Candela L.; Castelli D.; Coro G.; Pagano P.; Sinibaldi F. (2013). "Modelado de distribución de especies en la nube" . Concurrency and Computation: Practice and Experience . 28 (4): 1056– 1079. doi : 10.1002/cpe.3030 . S2CID 45203952. Archivado del original el 30 de mayo de 2020. 
  • Grupo de trabajo sobre modelado de nichos climáticos : punto de encuentro en línea para científicos, profesionales, gestores y desarrolladores para debatir, apoyar y desarrollar herramientas y plataformas de modelado de nichos ambientales climáticos.
  • BioVeL Ecological Niche Modeling (ENM) : herramienta en línea con flujos de trabajo para generar modelos de nicho ecológico.
  • EUBrazilOpenBio SpeciesLab Entorno de investigación virtual : entorno de trabajo en línea para apoyar la producción de modelos de nichos ecológicos mediante (i) la simplificación del acceso a los puntos de ocurrencia y los parámetros ambientales y (ii) la oferta de una versión potente de openModeller que se beneficia de una infraestructura de computación distribuida;
  • openModeller : biblioteca de modelado de nicho de código abierto
  • Lifemapper 2.0 - vídeo de la presentación de Aimee Stewart, de la Universidad de Kansas, en la conferencia O'Reilly Where 2.0 de 2008.
  • AquaMaps : mapas predictivos globales para especies marinas.
  • Modelización Ecológica - Revista Internacional sobre Modelización Ecológica y Ecología de Sistemas
Lecturas relacionadas
6 articulos
Distribución de especiesDistribución de especiesLa distribución de especies , o dispersión de especies , [1] es la manera en que un taxón biológico está organizado espacialmente. [2] Los límites ...GeografíaGeografíaLa geografía (del griego antiguo γεωγραφία geōgraphía ; que combina gê 'Tierra' y gráphō 'escribir') es el estudio de las tierras, las característi...Conservation biologyConservation biologyConservation biology is the study of the conservation of nature and of Earth's biodiversity with the aim of protecting species, their habitats, and...EcologíaEcologíaLa ecología (del griego antiguo οἶκος ( oîkos ) 'casa' y -λογία ( -logía ) 'estudio de') [A] es la ciencia natural de las relaciones entre los orga...EvoluciónEvoluciónLa evolución es el cambio en las características hereditarias de las poblaciones biológicas a lo largo de generaciones sucesivas. [1] [2] Ocurre cu...icono de imagenPronóstico ecológicoLa predicción ecológica utiliza conocimientos de física, ecología y fisiología para predecir cómo cambiarán en el futuro las poblaciones , comunida...