Modelos De Nicho Potencial

RESUMEN La distribución potencial de las especies es un tema fundamental en el campo de la ecología aplicada, y recientes investigaciones, apoyado con softwares y algoritmos, hacen un esfuerzo en hacer predicciones acertadas en la distribución de las especies haciendo uso de los datos geográficos y mapas climáticos. Una de estas técnicas es el Modelamiento de Nicho Ecológico que se basa en los conceptos teóricos del nicho ecológico. La precisión de los modelos generados dependerá de la calidad de los mapas y la precisión de los datos de distribución. En esta investigación se realizó un mapa de distribución potencial de Polylepis spp., en toda el área geográfica del Perú, empleando el algoritmo Maxent versión 3.3.3k con 60 datos de distribución; y se utilizaron otros 62 datos de distribución para evaluar la predicción de los modelos generados. Se obtuvo resultados estadísticamente significativos en la evaluación. El resultado para el área bajo la curva de ROC fue AUC=0.898 para los datos de formación y AUC=0,893 para los datos de prueba. De acuerdo al mapa generado, en los departamentos de Ancash, Huánuco, Cuzco y Puno existe una alta probabilidad de encontrar a la especie. Palabras Clave: Maxent, modelado de nicho ecológico, modelos de distribución de especies. ABSTRACT The potential species distribution is an important issue in the field of applied ecology, and recent research supported by software and algorithms make an effort to do accurate predictions on the species distribution using climatic data and geographic maps, a of these techniques is the Ecological Niche Modeling based on the theoretical concepts of ecological niche, the accuracy of the generated models depend on the quality of the maps and the distribution data. On Tuesday August 11 the potential distribution map of Polylepis spp. was performed, In the entire geographical area of the country of Peru, using the algorithm Maxent ver 3.3.3k with 60 distribution data, and another 62 distribution data was used to assess the predictive models generated, obtaining statistically significant results in the evaluation. Obtaining the area under the curve for ROC, AUC=0,898 for the training data and AUC=0,893 for the test data.