Distribución y diversidad de papas silvestres

(1)

EJERCICIO 2 MACROECOLOGIA

Ejercicio 2. Macroecología

[Traducido del material preparado por Robert J. Hijmans y colaboradores que se encuentra en http://www.diva-gis.org/Materials.htm]

Distribución y diversidad de papas silvestres

Las papas silvestres (Solanaceae; Solanum sect. Petota) son parientes de la papa cultivada. Existen aproximadamente 200 especies de papas que ocurren en América. Su distribución geográfica fue recientemente descrita por Hijmans y Spooner (Hijmans, R.J., and D.M. Spooner, 2001. Geographic distribution of wild potato species. American Journal of Botany 88:2101-2112). En este ejercicio analizaremos algunos de los datos que fueron usados en este artículo.

A. Importar datos

1. Abra el archivo “wildpot.txt” en Excel para convertir los datos de grados y minutos decimales a grados decimales (ignore el mensaje de error), y guarde el archivo como archivo de texto (Tab delimited text file si esta usando una versión de office en inglés). Asegúrese de no perder números decimales de las coordenadas cuando guarde el archivo.

(2)

B. Resumir datos por país

1. Vamos primero a resumir los datos por país. Haga del shapefile de la papa el archivo activo y luego haga clic en el menú Analysis>Point to Polygon.

En la pestana Select field seleccione ’especies’ como el campo de interés. En la pestana Options añada el shapefile de países en el campo de Imput

file en el cuadro define shape of polygon. Seleccione un nombre para el

archivo de salida (Output File) y presione Apply.

2. El resultado es una nueva capa de países. Haga esta capa visible y las otras dos capas invisibles (marcando o desmarcando las casillas). Luego haga doble clic sobre la nueva capa y cambie sus propiedades.

(3)

Este mapa muestra a Perú como el país con la mayor cantidad de especies de papa, seguido por Bolivia y México (cuál país tiene más?), y luego por Argentina, Colombia y Ecuador.

4. Si abre la tabla asociada con el shapefile (en layer>table), verá que hay registros para muchos países que no tienen papa. Para simplificar la tabla primero hay que seleccionar los registros con más de 0 observaciones. Para esto vaya al menú Layer>Select Records y seleccione la pestaña “select by query”.

(4)

6. La información por países es de interés y puede ser útil. Sin embargo, no es muy conveniente para entender la distribución espacial de papas silvestres porque que los países tienen diferentes tamaños y formas y porque la mayoría son muy grandes. En la mayoria de los casos es mejor utilizar grids con celdas de igual área; y esto es precisamente lo que haremos a continuación.

7. Guarde el proyecto (como por ejemplo “ejercicio 1A”).

C. Proyectar datos

Para poder usar un grid con celdas de igual área, los datos tienen que estar proyectados. Si se usaran los datos sin proyectar (lat/long), las celdas de, por ejemplo, 1 x 1 grado se harían más pequeñas a medida que nos alejamos de la línea del Ecuador: recuerde que los meridianos (líneas verticales) en el globo terrestre se hacen más cercanas entre si hacia los polos.

(5)

1. Remueva todas las capas del mapa, excepto la de papas silvestres y el shapefile original de países.

2. Proyecte estos archivos utilizando el menú Tools>Projection. Elija la proyección Lambert Equal Area Azimuthal (equatorial). En la pestaña

custom cambie el meridiano central a -80 y salve los archivos con los nombres “wild potatoes lambert” y “countries lambert”. Pulse Apply. Sea paciente…

3. Haga todas las capas visibles. Si usted hace un acercamiento a la extensión maxima (map>zoom to full extent) verá los datos proyectados. Note que la forma de los países es mucho más similar a su forma sobre un globo que antes de proyectarlos. En la esquina inferior izquierda puede ver que el sistema de coordenadas ha cambiado. Usted probablemente ahora ve números muy grandes: éstos expresan la distancia en metros desde origen (-80,0 grados). Si hace invisible el archivo proyectado de las papas, podrá ver que los datos no proyectados están todavía presentes en el mapa, cerca del origen de los datos proyectados. Realice un acercamiento de esta área.

No se pueden combinar datos proyectados y no proyectados (o datos en dos proyecciones diferentes) sobre un mismo mapa.

4. Ahora vaya a Map>Properties y cambie la proyección a otro (‘Other’) y las unidades a metros (‘meters’). Este le permitirá desplegar una escala correcta sobre el mapa.

(6)

D – Riqueza de Especies en un grid

1. Vamos a determinar la distribución de la riqueza de especies usando un grid. Esto se puede hacer usando la opción point-to-polygon que utilizamos anteriormente, pero en la mayoria de casos es más apropiado usar el menú

Analysis>Point to grid>richness.

2. En la ventana que aparece, vaya a la pestaña Parameters y seleccione ‘species’. Luego, vaya a la pestaña Options y seleccione, ‘Richness’ y ’Number of different classes (richness)’. Elija tambien ‘Create a new grid’ y pulse el boton options que aparece al lado. En la ventana que aparece ajuste la resolucion X y Y a 100,000: en adjust with ponga ‘rows/columns’ y luego cambie cell size a 100000 (cuando la proyección está en metros esto significa que las celdas serán de 100 x 100 kilómetros). Use la opción por defecto (‘simple’) para el procedimiento Point-to-grid.

3. Elija un nombre para archivo de salida (Ej. “species richness”) y pulse

(7)

4. Ahora cree un grid del número de observaciones en lugar de la riqueza de especies. Esta opción la encuentra en la ventana Point to grid > options en la sección output variable. Defina el nuevo grid (define grid) con la opción “Use parameters from another grid” y seleccione el grid de riqueza de especies que acabo de crear. De esta manera se asegurará el uso de exactamente el mismo grid (tamaño de celda, número de filas y columnas y origen geográfico).

5. Compare los dos grid con un análisis de Regresión yendo al menú

(8)

Como puede ver, hay una relación entre el número de observaciones y el de especies. Sin embargo, sería importante determinar si el número de especies resulta afectado al haber sesgos en la colección de datos. El problema es que esta asociación existirá siempre. Cuando existe un pequeño número de especies en una determinada área, los coleccionistas no seguirán yendo allí para aumentar el número (redundante) de observaciones.

6. En este caso, el coeficiente de determinación (r2) no es muy alto (0.67) para este tipo de la relación. Además, se puede apreciar un patrón claro en los mapas de riqueza de especies, que no está caracterizado por cambios del tipo azaroso repentino. Los datos muestran autocorrelación espacial según el índice de Geary, pero no según el índice de Moran. Analice por su propia cuenta en el menú Analysis>Autocorrelation.

Existen métodos adicionales para tratar el problema del sesgo de colección que incluyen el uso rarefacción (Rarefaction), estimadores de riqueza (richness estimators) (ver manual) y modelos predictivos (predictive modeling) (que serán tratados en el curso).

7. Frecuentemente se puede observar gradientes de la riqueza de especies en latitud y altitud. Una manera fácil de investigar un gradiente latitudinal en la riqueza de especies es haciendo un grid de una sola columna. En la ventana de opciones de grid (en la ventana Point to Grid) seleccione

adjust with ‘resolution’ y coloque el número de columnas en 1. Luego vaya al menú Grid>Transect para obtener un gráfico como el que se muestra abajo. Encontramos que la distribución de la riqueza de especies tiene dos picos. ¿Qué podría explicar la baja riqueza de especies entre -5 y 15 grados?