Macroecología y ecoinformática: sesgos, errores y predicciones en el modelado de distribuciones

Abstract

Hoy en día es común estudiar los patrones globales de biodiversidad a partir de las predicciones generadas por diferentes modelos de nicho ecológico. Habitualmente, estos modelos se calibran con datos procedentes de bases de datos de libre acceso (e.g. GBIF). Sin embargo, a pesar de la facilidad de descarga y de la accesibilidad de los datos, la información almacenada sobre las localidades donde están presentes las especies suele tener sesgos y errores. Estos problemas en los datos de calibración pueden modificar drásticamente las predicciones de los modelos y con ello pueden enmascarar los patrones macroecológicos reales. El objetivo de este trabajo es investigar qué métodos producen resultados más precisos cuando los datos de calibración incluyen sesgos y cuáles producen mejores resultados cuando los datos de calibración tienen, además de sesgos, errores. Para ello creado una especie virtual, hemos proyectado su distribución en la península ibérica, hemos muestreado su distribución de manera sesgada y hemos calibrado dos tipos de modelos de distribución (Bioclim y Maxent) con muestras de distintos tamaños. Nuestros resultados indican que cuando los datos sólo están sesgados, los resultados de Bioclim son mejores que los de Maxent. Sin embargo, Bioclim es extremadamente sensible a la presencia de errores en los datos de calibración. En estas situaciones, el comportamiento de Maxent es mucho más robusto y las predicciones que proporciona son más ajustadas.

In spite of the biases and errors of the open access biodiversity databases we need to take advantage of the occurrences stored in those databases for analyzing the global patterns of biodiversity. Here, we aimed to test which modelling method produces better predictions when calibrated with data samples that have biases and errors. We tested two different methods, a complex one, Maxent, and a simple one, Bioclim. We created a virtual species, sampled its distribution with both, bias and errors, and calibrated the models with those samples. Results indicated that Bioclim produces better predictions than Maxent when calibrated with biased data sets. Bioclim did not overestimate the species’ range and it was able to produce accurate predictions even when calibrated with small and biased data samples (25-50 points). However, when wrong occurrences were included in the calibration samples, Bioclim over-predicted the species’ range. Our experiments indicated that in that case, Maxent predictions remained robust and provided accurate maps. Thus, if the calibration data samples have just biases, Bioclim provided better maps than Maxent. However, when samples have both, biases and wrong occurrences, Maxent model provided better results than Bioclim.