SDM para prever a distribuição da Lontra neotropical

Fri, 30 Apr 2021 00:00:00 +0000

Cada vez mais dados sobre a distribuição de espécies estão sendo compilados e disponibilizados gratuitamente em diversas plataformas (GBIF, iNaturalist, CITES). Ao mesmo tempo, dados climáticos cada vez mais precisos são gerados e disponibilizados. Isso traz enormes possibilidades para testar e comparar a área de ocorrência de espécies de interesse para diversos propósitos. O conjunto de ferramentas conhecido como Species Distribution Modeling (SDM) combinam dados de ocorrência (variável resposta) com parâmetros ambientais (variáveis preditoras), geralmente são utilizados para prever a distribuição de espécies em cenários atuais e/ou futuros. Para mais detalhes sobre essa abordagem sugiro a leitura de (N. Barve et al. 2011). Dito isto, proponho de mostrar de forma breve e superficial a ulização de um "SDM" para prever a área de ocorrência da lontra neotropical (Lontra longicaudis) utilizando dados climáticos. Ressalto que esse contéudo tem caratér exclusivamente didático e não deve ser tratado como informação de valor cientifico.

Lontra neotropical

Alguns estudos já utilizaram dessa abordagem para testar hipóteses sobre a área de ocorrência (Rheingantz, Menezes, and Thoisy 2014) (citar) e sobre a história evolutiva (Hernández-Romero et al. 2018) da lontra netropical. O que tornara o trabalho mais facil pois iremos selecionar as váriáveis ambientais que explicam a ocorrência das lontras.

Lontra longicaudis © Cláudio Dias Timm

Passo-a-passo SDM

Coletando dados

Os dados de ocorrência de Lontra longicaudis foram compilados da plataforma Global Biodiversity Information Facility (GBIF) e estão diposineis no seguinte link: https://doi.org/10.15468/dl.jfvbtt

Pacotes utilizados

#Carregar pacotes
library("sp")
library("raster")
library("maptools")
library("rgdal")
library("dismo")
library("tidyverse")
library("sf")

#Criando diretórios
dir.create(path = "data")
dir.create(path = "output")

Carregando dados

obs.data<- read.csv(file = "occurrence_lontra.csv", sep = ";")
obs.data <- obs.data[!is.na(obs.data$decimalLatitude), ] #remover NAs do data.frame
obs.data<- obs.data %>% 
  filter(decimalLongitude < -20) %>% 
  filter(decimalLatitude > -65)

Obtendo dados climáticos

Utilizaremos a base de dados do bioclim, no entanto, selecionaremos somente as váriaveis climáticas que tenham valor biológico/ecológico (citar trabalho). Bioclim consiste em um conjunto de 19 variáveis climáticas medidas mensalmente e são bastante utilizadas para modelos de distribuição de espécies. Para mais informações acesse: https://www.worldclim.org/data/bioclim.html

bioclim.data <- getData(name = "worldclim",
                        var = "bio",
                        res = 5,
                        path = "",
                        lon = max.lon,
                        lat = max.lat)
bioclim.data2<- bioclim.data[[c("bio1","bio2","bio4","bio5","bio7","bio12","bio14","bio15","bio18","bio19")]] #selecionando o subconjunto de variáveis

Determinar coodernadas geográficas para o modelo

max.lat <- ceiling(max(obs.data$decimalLatitude))
min.lat <- floor(min(obs.data$decimalLatitude))
max.lon <- ceiling(max(obs.data$decimalLongitude))
min.lon <- floor(min(obs.data$decimalLongitude))
coords <- extent(x = c(min.lon, max.lon, min.lat, max.lat))

Construindo o modelo

Utilizaremos o algoritimo bioclim para modelar a distribuição das espécies em relação as variáveis climáticas. O algoritimo compara a similaridade dos valores climáticos de locais em que a espécie a ser modelada ocorre (dados treino) e com outros locais em que a espécie não foi amostrada. Gerando um valor de probabilidade da ocorrência da espécie em determinada área.

bioclim.data1 <- crop(x = bioclim.data2, y = coords) #juntar coordenadas com dados climáticos
obs.data <- obs.data[, c("decimalLongitude", "decimalLatitude")] 
model1 <- bioclim(x = bioclim.data2, p = obs.data) #modelo construido com o algoritimo bioclim
predict.presence1 <- dismo::predict(object = model1, 
                                    x = bioclim.data1, 
                                    ext = coords) #Prever a presença baseado no modelo

Visualizando o modelo

# Mapa base
data(wrld_simpl)
plot(wrld_simpl, 
     xlim = c(min.lon, max.lon),
     ylim = c(min.lat, max.lat),
     axes = TRUE, 
     col = "grey95")

# Adicionar probabilidades do modelo
plot(predict.presence1, add = TRUE,xlim = c(min.lon, max.lon),
     ylim = c(min.lat, max.lat))

# Adicionar pontos observados
points(obs.data$decimalLongitude, obs.data$decimalLatitude, col = "olivedrab", pch = 20, cex = 0.75)
plot(wrld_simpl, add = TRUE, border = "grey5")
box()

O mapa mostra a probabilidade da distribuição da lontra neotropical.

Validando o modelo

É necessário avaliar o modelo em relação ao seu poder de predição. Para isso o conjunto de dados será separado em "dados treino", representado 20% dos dados e "dados teste", representando 80%. Para isso utilizaremos a função kfold do pacote dismo para atribuir a cada observação um grupo aleatório.

testing.group <- 1
group.presence <- kfold(x = obs.data, k = 5) 
table(group.presence)

## group.presence
##   1   2   3   4   5 
## 279 279 280 279 279

presence.train <- obs.data[group.presence != testing.group, ]
count(presence.train)

##      n
## 1 1117

presence.test <- obs.data[group.presence == testing.group, ]
count(presence.test)

##     n
## 1 279

Construindo o modelo e testando

# Construir modelo com dados treino
model2 <- bioclim(x = bioclim.data2, p = presence.train)

# Prever a presença do modelo
predict.presence2 <- dismo::predict(object = model2, 
                                    x = bioclim.data2, 
                                    ext = coords)

# Usar dados teste para avaliar o modelo 
bc.eval1 <- evaluate(p = presence.test,   # Dados teste
                     a = presence.train, # Dados treino
                     model = model2,    # Modelo avaliado
                     x = bioclim.data2)    # variáveis climáticas

bc.threshold1 <- threshold(x = bc.eval1, stat = "spec_sens")

Representação visual do modelo

#MAP
world_map <- map_data("world")
raster<- as.data.frame(predict.presence2, xy=T) %>% drop_na()
raster2<- raster %>% filter(raster$layer > bc.threshold1 )

g1<- ggplot() +
  geom_raster(data = raster2, aes(x = x, y = y, fill = layer)) +scale_fill_gradient(low="yellow",high = "darkgreen")+ theme_classic() +
  geom_polygon(data = world_map,aes(x = long, y = lat, group = group), fill = NA, col = "black") + 
  coord_sf(xlim = c(min.lon, max.lon), ylim = c(min.lat, max.lat), expand = FALSE) +xlab("Longitude")+ ylab("Latitude") +
  geom_point(aes(x=obs.data$decimalLongitude, y = obs.data$decimalLatitude))
g1

Como podemos notar a abrangência da distribuição da lontra neotropical aumentou muito com a utilização desse modelo preditivo. Vale ressaltar que esse tipo de modelagem só levou em conta dados climáticos. Provavelmente outros fatores como: (1) barreiras geográficas intransponíveis, (2) presença de predadores/competidores e (3) disturbios antrópicos influenciam a distribuição e ocorrência desse animal.

Temos então um panorama inicial de como utlizar essa abordagem para prever a ocorrência de uma espécie.

Qualquer dúvida, correção ou sugestão pode ser encaminhada para gfellipe5@gmail.com

Obrigado.

Referências

Barve, Narayani, Vijay Barve, Alberto Jiménez-Valverde, Andrés Lira-Noriega, Sean P Maher, A Townsend Peterson, Jorge Soberón, and Fabricio Villalobos. 2011. “The Crucial Role of the Accessible Area in Ecological Niche Modeling and Species Distribution Modeling.” Ecological Modelling 222 (11). Elsevier: 1810–9.

Hernández-Romero, Pablo C, Carla Gutiérrez-Rodríguez, Carolina Valdespino, and David A Prieto-Torres. 2018. “The Role of Geographical and Ecological Factors on Population Divergence of the Neotropical Otter Lontra Longicaudis (Carnivora, Mustelidae).” Evolutionary Biology 45 (1). Springer: 37–55.

Rheingantz, Marcelo Lopes, Jorge Fernando Saraiva de Menezes, and Benoit de Thoisy. 2014. “Defining Neotropical Otter Lontra Longicaudis Distribution, Conservation Priorities and Ecological Frontiers.” Tropical Conservation Science 7 (2). SAGE Publications Sage CA: Los Angeles, CA: 214–29.

bioclim | Gabriel Rodrigues