OBJETIVO GENERAL:

Generar un modelo probabilístico para predecir la distribución espacial de A. Myriostigma en la Sierra El sarnoso, utilizando un sistema de información geográfica (GIS) y regresión múltiple logística, en base a variables topográficas y edáficas.

OBJETIVOS ESPECIFICOS:

1.      Generar un modelo probabilístico para predecir la distribución espacial de A. Myriostigma en la Sierra El Sarnoso, mediante el uso de un sistema de información geográfica (GIS) y regresión múltiple logística, en base a variables topográficas y edáficas.

2.      Generar una base de datos geográfica digital del área de estudio para su posible uso futuro en estudios de biodiversidad.

BREVE DESCRIPCIÓN:

            Las especies arbustivas y cactáceas del altiplano semidesértico en México son un componente esencial del ecosistema árido que contribuyen a la estabilidad del mismo y auxilian en la fijación del carbono en estas regiones en forma de calcita (CaCO₃) ayudando en cierta forma a mitigar el efecto de invernadero que se presenta de manera alarmante en algunas áreas del globo terráqueo (Monger y Martínez, 2001). La disminución y desaparición de especies vegetales debido a la perturbación ejercida sobre el medio ambiente por las actividades humanas constituye uno de los conflictos ambientales mas graves que debe enfrentar la humanidad (Schlesinger, 1991).

            Dentro del Desierto Chihuahuense existen especies naturales adaptadas a este tipo de condición climática, las cuales están sujetas a altas presiones antrópicas y cuya explotación no controlada contribuye a desestabilizar el entorno ecológico (Lal, 2001). La distribución geográfica de estas plantas del desierto ha sido estudiada en forma aislada y sin considerar los diferentes factores que caracterizan su distribución (Castellanos, 1985; Valdés, 1989). Sin embargo, es bien sabido que la distribución espacial de algunas de estas plantas está sujeta a varios factores entre los que destacan las propiedades físicas del suelo (textura, estructura y permeabilidad, entre otros) así como las características químicas del mismo, entre las que destacan la salinidad y socididad (Schlesinger, 1991).

            La Norma Oficial Mexicana (NOM-059-ecol-2001), en la que se establecen las especificaciones para la protección de las especies de flora y fauna silvestre, incluyen 257 especies de cactáceas en alguna categoría de riesgo, 24 en peligro de extinción, 96 amenazadas, 135 raras y dos sujetas a protección especial. Esto indica que cerca de la tercera parte de la flora cactológica del país se encuentra amenazada. Debido a lo anterior, en las zonas áridas y semiáridas del país es importante contar con inventarios de recursos naturales actualizados, por lo cual se hace necesario general información dinámica de la ubicación de estos recursos que permita su conservación y, donde aplique, su explotación racional, que coadyuven al desarrollo regional dentro de una perspectiva ecológica sin riesgos para el entorno natural.

ANTECEDENTES:

            La Sierra El Sarnoso se ubica al norte del estado de Durango (coordenadas 25º34’ y 25º40’ Lat N; 103º35’ y 103º43’ Long. W), y en ella se localizan especies de cactáceas que ven amenazada su continuidad biológica.

            Las cactáceas son originarias del continente americano y actualmente se distribuyen desde Canadá hasta el estrecho de Magallanes en América del Sur (Bravo-Hollis, 1978). A pesar de que las cactáceas producen numerosas semillas, muy pocas germinan por falta de un microclima adecuado que les asegure la formación de los tejidos protectores y de almacenamiento, y por ende su supervivencia (Sánchez y Romero, 2003). El estudio de los patrones de distribución en poblaciones vegetales ha sido un área de gran interés en ecología vegetal, ya que ayuda a comprender los factores que determinan la presencia o ausencia de determinadas especies en algún ecosistema en particular, de tal manera que permite establecer hipótesis sobre los mecanismos biológicos que contribuyen al ordenamiento espacial de los individuos en su ambiente (Krebs, 1993). Salas (1998) determinaron la distribución geográfica de algunas cactáceas amenazadas y en extinción visitando localidades donde habían sido recolectadas, cotejando en campo la presencia o ausencia de las mismas, generando un mapa que señalaba los patrones de distribución geográfica de las especies encontradas. Sánchez, et al (1991) realizaron un estudio sobre la distribución y estructura de Abies religiosa elaborando un plano en base a fotointerpretación en el que interpretaron la distribución de dicha especie, concluyendo que la distribución depende en gran medida de la pendiente /entre 40º y 55º) y la altitud (entre 3,200 y 3,400 m .) como resultado de las presiones antrópicas sobre el recursos forestal, pues los cultivos agrícolas desplazan a las especies nativas en las parte con menor pendiente.

            Una manera de conocer los factores edáficos y del ambiente que afectan la distribución geográfica de algunas especies vegetales es mediante el uso de modelos de regresión múltiple (Martínez, 2003). Jonson (1992) ha descrito el análisis de regresión como un método estadístico que puede ser utilizado para explorar las relaciones entre las especies y el medio ambiente, basado esto en la observación ee especies y en algunas variables ambientales. De acuerdo con Eveleigh y Custern (1985) la modelación mediante el análisis de regresión involucra la derivación de ciertas relaciones matemáticas entre un conjunto de variables predictoras independientes y una condición específica dependiente. La técnica de mínimos cuadrados intenta establecer una relación lineal entre las variables dependiente e independientes. Sin embargo, existen algunas limitaciones cuando este tipo de modelos se aplican a una base de datos del tipo “raster”. Primero, la varianza, que es una medida de la dispersión de las variables (Jensen, 1996), no es constante de celdilla a celdilla en una imagen. Segundo, los valores de probabilidad calculados de esta relación pueden caer a menudo fuera de los rangos de probabilidad de 0 y 1, lo cual dificulta relacionar los resultados con una superficie de probabilidad sistemática. Otra técnica de  modelación que podría ser apropiada para realizar este tipo de análisis discriminante (Lowell, 1991) debido a la naturaleza  binaria de la variable  de predicción (e. g.  Presencia o ausencia de A. Myrisotigma). Sin embargo, debido a la naturaleza cualitativa de algunas variables, la regresión múltiple logística se considera por algunos autores (Press y Wilson, 1978) como la mas apropiada. El análisis de regresión múltiple logística permite el uso de variables dicotómicas (binarias) y de valores escalares como variables independientes, lo cual permite el uso de aquellas variables que no son continuas o son derivadas cualitativamente. Además, debido a que la probabilidad estimada (Pi) siempre varía entre 0 y 1, es posible producir una superficie probabilística, a diferencia de los modelos de regresión lineal donde los valores de probabilidad pueden caer fuera del rango de 0 y 1. La regresión múltiple logística (LMR) permite identificar las variables importantes en la predicción de una ocurrencia, al definir la presencia o ausencia de tal ocurrencia como una variable dependiente dicotómica (Narumalani, et al., 1997). Pereira e Itami (1991) utilizaron regresión múltiple logística para modelar el hábitat de la ardilla roja en el Monte Graham, Arizona, E.U.A. y obtuvieron buenos resultados en el desarrollo de modelos multivariados predictivos. De la misma forma Luoto y Sépala (2002) utilizaron la técnica de regresión múltiple logística y GIS en Finlandia para ubicar geográficamente palsas  (aglomeraciones de materia orgánica congeladas permanentemente) en base a variables ambientales derivadas de datos de uso de terreno y modelos de elevación digital, obteniendo un modelo probabilístico capaz de predecir la ocurrencia de palsas en un 97.67% en un área de 300 km². Gross, et al., (2002) utilizaron modelos de LMR y GIS para desarrollar modelos predictivos de hábitat para cabras montañesas (Oreamnos americanus) cerca del Monte Evans, en Colorado encontrando un ajuste de los modelos de 81 a 83% para las observaciones realizadas en cualquier estación del año. Fleishman, et al., (2001) también utilizaron modelos predictivos en base a LMR para generar modelos predictivos para diferentes especies de mariposas en Toquima Range, Nevada, en base a 14 variables ambientales, obteniendo modelos estadísticamente significativos para 36 de 56 (64%) especies de mariposas residentes. Otros estudios que también utilizaron GIS y LMR para generar modelos predictivos de ocurrencia son (Kaji, et al., 2000; Koutsias y Karteris, 2000; Meyer y Martínez – Casanovas, 1999; Mace et al 1999; Guisan, Theurillat y Kiensat, 1998; Mladenoff y Sickley, 1998; Monkkonnen, et al. 1997)

JUSTIFICACIÓN:

            La Norma Oficial Mexicana (NOM-059-ecol-2001), en la que se establecen las especificaciones para la protección de las especies de flora y fauna silvestre, incluyen 257 especies de cactáceas en alguna categoría de riesgo, 24 en peligro de extinción, 96 amenazadas, 135 raras y dos sujetas a protección especial. Esto indica que cerca de la tercera parte de la flora cactológica del país se encuentra amenazada. Entre ellas destaca la especie A. Myriostigma. Debido a lo anterior, en las zonas áridas y semiáridas del estado de Durango es importante contar con inventarios de recursos forestales actualizados, por lo cual se hace necesario generar información dinámica de la ubicación espacial de estos recursos que permita la conservación y explotación racional, que coadyuve al desarrollo estatal entro de una perspectiva ecológica.

METODOLOGÍA:

            El presente estudio utilizará una amplia gama de datos espaciales entre las que destacan las siguientes:

Imágenes de satélite:

Las imágenes de satélite a ser utilizadas en el presente estudio serán cuatro imágenes: Dos Landsat del tipo thematic mapper (TM) con siete bandas de información y una resolución espacial de 30 metros por píxel (Martínez, 2002) con fechas de verano e invierno. Dos del tipo iconos, de la Cía. Space imaging, de cuatro metros de resolución mutiespectral con cuatro bandas de información con fechas de verano e invierno. Las imágenes de satélite Landsat, de acuerdo con el WRS2 (WORD REFERENCE SYSTEM 2) corresponden a la ruta (Path) 30 y el renglón (ROW) 42, y serán obtenidas del centro denominado EROS DATA CENTER (U.S.A.). Ambas imágenes serán geo-referenciadas de acuerdo con la cuadrícula universal de mercator (UTM) utilizando el dato NAD27 y elipsoide de Clarke de 1866.

Modelos digitales de elevación:

Los modelos digitales de elevación (DEM) son datos en formato “raster” o de cuadrícula que representan elevaciones topográficas del terreno (Campbell, 1996) y se utilizan para una gran cantidad de estudios que involucran el análisis digital del terreno (ERDAS, 1995). Los modelos (DEM) del área de estudios se adquirirán del programa NALC (NASA/pathfinder program) y serán también geo-referenciados de acuerdo con las imágenes del satélite. El cubrimiento original del área de los modelos corresponderá a la extensión de las imágenes landsat e ICONOS, considerando un tamaño de píxel de 60 m . Dichas imágenes se procesarán en formato *. BIL (Band interleaved by line) en el software denominado ERDAS IMAGINE versión 8.4. Posteriormente se realizará un recorte del área de estudio para facilitar el análisis digital del terreno.

Mapas analógicos:

Se utilizarán mapas analógicos de la región en estudio a diversas escalas (1:50,000; 1:250,000, y 1:1 000,000) en diferentes temas (edafología, uso del suelo y vegetación, topografía, geología) para la delimitación del área y la ubicación de los recursos reportados por INEGI. Así mismo, esos mapas serán convertidos del formato analógico al digital (digitalizados) para su posterior utilización en el programa computacional (GIS – sistema de información geográfica). La digitalización de los mapas temáticos se realizará mediante el uso de una tableta digitalizadora marca CALCOMP del tipo drawingdoard III, tratando de obtener un error promedio (RMSE) menor a 0.004 unidades, lo cual de acuerdo con Martínez (2002) garantiza un registro aceptable entre los datos geográficos.

METODOS:

            Para lograr la ubicación general de los diversos tipos de vegetación en el área de estudio se utilizarán, además de la cartografía analógica, se utilizarán las imágenes de satélite tipo landsat TME ICONOS, mediante un proceso de clasificación supervisada (Jensen, 1996). Se seleccionarán campos de entrenamiento donde las agrupaciones de la vegetación del tipo CAM (cactácea) resulten notable y fácilmente identificable. Una vez obtenidos los campos se procederá a etiquetarlos de acuerdo con la especie mas representativa, acorde con el mapa digitalizado del área.  La técnica a utilizar (dentro de la clasificación supervisada) para realizar la clasificación final de la imagen será la denominada “Gaussian Maximum Likelihood”. El mapa resultante de dicha clasificación será utilizado en la identificación del tipo de vegetación dominante en el área, y será evaluado por precisión utilizando la técnica de la matriz de error y el coeficiente Kappa (Congalton y Green, 1999). El análisis digital se realizará utilizando el programa ERDAS â ver 8.4. Para la ubicación precisa (presencia / ausencia de A). Myriostigma en el área de estudio, se realizarán recorridos de campo en el área hasta ubicar la especie en estudio en al menos 100 sitios.

            Las coordenadas geográficas de los sitios donde se localiza la especie serán determinadas mediante un GPS sin corrección diferencial. De la misma manera, se ubicarán al menos igual cantidad de sitios de muestreos donde no se localice la especie de manera significativa. En el 50% de los puntos muestreados donde se localice la especie en estudio, se recolectarán muestras de suelo o sustrato donde se desarrolla A.

            Myriostigma con el propósito de generar mapas de superficie continua a partir de temas puntuales en el software tipos GIS. Estos serán desarrollados en formato “raster” utilizando un tamaño de 3º m/ píxel y la técnica IDW. Los temas en que se generarán las superficies continuas serán: (a) profundidad de suelo (m); (b) textura (% arena, % limo y % arcilla); (c) conductividad eléctrica – CE (dSm-1); (d) pH; (e) materia orgánica (%); (f) sodio; (Na) intercambiable [Cmol (+) Kg. -1]; (g) calcio (Ca) [Cmol (+) Kg. -1]; (h) Magnesio (Mg) [Cmol (+) Kg. -1]; (i) Potasio (k) [Cmol (+) Kg. -1]; (j) Fósforo (P) [Cmol (+) Kg. -1]. Así mismo a manera de verificación se calcularán la pendiente y el aspecto a partir del modelo digital de elevación. Una vez obtenidas la superficies continuas para los temas o variables antes mencionadas, se procederá a constriuir una matriz de datos en la que se tendrá como variable dependiente la presencia (1) o ausencia (0) de la especie, y como variablñes independientes, los valoresa de las 14 variables ya mencionadas en el punto de muestreo. Posteriormente se realizará el análisis estadístico para obtener el modelo logístico, el cual utilizará el criterio STEPWISE para dejar fuera aquellas variables que no muestren significancia estadística. Una vez obtenido el mapa final de probabilidad, se generarán mapas del sitio mostrando diversos niveles de probabilidad de localizar la especie A myriostigma.

REFERENCIAS BIBLIOGRAFICAS:

Bravo – Hollis. 1978. Las cactáceas de México. Vol. I. Segunda edición.. UNAM,  México, D.F. Pp. 1-62.

Campbell, J. B; 1996. Introduction to remote sesing. 2^nd ed; The Guilford. Press, New York, 622 p.

Castellanos, P.E. 1985. Identificación, clasificación y descripción de las arbustivas del campo experimental Apantita, Dgo. Tesis de Licenciatura. ESAZ-UJED.

Congalton, R.G., and K. Green, 1999. Assessing the accurasy of remotely sensed data: principles and practices. Lewis publishers, Boca Raton, 137 p.

ERDAS, 1995. ERDAS field guide., 3^rd Edition, Inc. Atlanta, Georgia., 627 p.

Eveleight, T.J. and J.F. Custer, 1985. A Landsa-generated predictive model for prehistoric archaelogical sites – an example from Delaware’s coastal plains. Technical papers, american Society for Photogrammetry and Remote Sensing (ASPRS) 2:450-459.

Fleishman, E; Mac Nally, R.; Fay, JP; Murphy, DD. 2001. Modeling and predicting species occuerrence using broad.scale environmental variables: an example with butterflies of the Gerat Basin. Conservation biology, 15(6): 1674-1685.

Gross, J.E.; Kneeland, MC; Reed, DF; Reich, RM. 2002. GIS-based habitat models for mountain goats. Journal of mammalogy, 83 (1): 218-228.

Guisan, A; Therillat, JP; Kienast, F. 1998. Predicting the potential distribution of plant species in an Alpine environment. Journal of vegetation science, 9 (1): 65-74.

Jensen, J.R., 1996. Introductory Digital Image Processing: a remote sensing perspective. 2^nd edition, Prentice-Hall, New Jersey, 316 p.

Johnson, R.R. 1992. Elementary statistics. Sixth edition. PWS-KENT Publishing Company, Boston, MA 730 p.

Kaji, K; Miyaki, M; Saitoh, T; Ono S; Kaneko, M. 2000. Spatial distribution of an expanding sika deer population on Hokkaido Island. Japan Wildife Society Bulletin, 28 (3): 699-707.

Koutsias, N; Karteris, M. 2000. Burned area mapping using logistic regression modeling of a single post-fire Landsat-5 Thematic Mapper image international Journal of remote sensing, 21 (4): 673-687-

Krebs, C.J. 1993. Ecology: the experimental analysis of distribution and abundance. 4º. Edicion. Addison-Wesley, Nueva York.

Lal, R. 2001. Soil erosion and carbon dynamics on grazing lands, in Follet, R.F., J.M. Kimble, and R. Lal: The potential of U.S. grazing land to sequester carbon and mitigate the greenhouse effect. Lewis Publishers, CRC Press LLC. Pp. 231-248.

Lowell, K., 1991. Utilizing discriminant function analysis with a geographical information system to model ecological succession spatially international Journal of Geographical Information systems, 5(2): 175-191.

Luoto, M; Seppala, M. 2002. Modelling the distribution of palsas in finish lapland with logistic regresion and GIS. Permafrost and periglacial proceses, 13 (1): 17-28.

Mace, R.D.; Waller, J.S.; Manley, T.L., T.L.; Ake K.; Wittinger, W.T. 1999. Landscape evaluation of grizzly bear habitat in western Montana. Conservation Biology, 13 (2): 367-377.

Martínez, R.J. 2002. Introducción a la Percepción Remota y a los Sistemas de Información Geográfica. Editorial U.J.E.D. – CONACYT, 160 p.

Martínez, R. J.J., C.M. Valencia C., y E. castellanos P. 2003. Modelo probabilístico de la distribución geográfica del matorral subinerme en la reserva de la biosfera de Mapimí, Dgo. México. Revista Agrofaz (3)2: 373 – 379.

Meyer, A; Martínez Casasnovas, J.A. 1999. Prediction of existing gully erosion in vineyard parcels of the Spain: a logistic modelling approach Soil & Tillage research, 50(3-4): 319-331.

Mladenoff, D.J.; Sickley, T.A. 1998. Assessing potential gray wolf restoration in the northeastern United States: A spatial prediction of favorable habitat and potential population levels. Journal of wildlife management, 62(1): 1-10.

Monkkonen, L; Reunanen, P; Nikulña, A; Inkeroinen, J. Forsman, J. 1997. Landscape characteristics associated with the ocurrence of the flying squirrel pteromys volans in old-growth forests of northern Finland. Ecography, 20 (6): 634-642.

Monger, H.C. and J.J. Martínez R. 2001. Inorganic carbon sequestration in grazing lands, in Follet, R.F., J.M. Kimble, and R. Lal: The potential of U.S. grazing lands to sequesters carbon and mitigate the greenhouse effect. Lewis Publishers, CRC Press LLC. Pp. 87-118.

Narumalani, S. et al., 1997. Aquatic macrophyte modeling using GIS and logistic múltiple regression. Photogrammetry Engineering and Remote ensing, 63(1): 41-49.

Pereira, J.M.C. and R.M. Itami, 1991. GIS-based habitat modeling using logistic multiple regression: A study of the Mt. Graham Red Squirrel Photogrammetry Engineering and Remote Sensing, 57(11): 1475-1486.

Press, S.J. and S. Wilson, 1978. Choosing between logistic regression and discriminant analysis. Journal of the American Statistical Association. 73(364): 699-705.

Salas S. 1998. distribución Geográfica y Ecológica de la flora amenazada de extinción en la zona árida de San Luis Potosí, México. Universidad Autónoma de San Luis Potosí. Facultad de Agronomía. Tesis de Maestría. Pp. 91.

Sánchez S.J. y U. Romero Méndez, 2003. Inventario de la flora cactológica de la Sierra El Sarnoso. Nakary. Vol. II-2003.

Sánchez-Velásquez, L.R. y Pineda-López, M.R., A. Hernández- Martínez, 1991. Distribución y estructura de la población de Abies religiosa (H.B.K.) schl. Et cham en el Cofre de Perote, Veracruz. Acta Botánica Mexicana No. 16 45-55

Schlesinger, W.H. 1991. Biogeochemistry: an analysis of global change. Academic Press. 443 p.

Valdés, G.J.A. 1989. Atributos nutricionales de seis plantas arbustivas de Apantita, Dgo. Tesis licenciatura. ESAZ-UJED.