En la clase anterior analizamos la riqueza de especies como función de un conjunto de variables ambientales:

\[ \log S = \alpha + \beta_1 Bio_1 + \beta_2 Bio_7 + \beta_2' Bio_7 ^2 + \beta_3 Bio_{12} + \beta_3' Bio_{12} ^2 \]

donde \(S\) es la riqueza o número de especies en el \(i-\)ésimo píxel y \(\alpha\) y \(\beta\) son los coeficientes estimados. Vimos que este modelo capturó bien algunas tendencias bien documentadas, como que la riqueza disminuye con la distancia del ecuador. La variable que hizo posible este efecto fue \(Bio_1\), puesto que la temperatura promedio anual se correlaciona negativamente con la distancia del ecuador. Las otras variables \(Bio_7\) y \(Bio_{12}\) representan la variabilidad de temperatura y disponibilidad de agua respectivamente.

Procesos descritos por medio del modelo

  1. Temperatura. Disponibilidad de energía, influenciada por elevación y topografía en general.
  2. Variabilidad de temperatura. Amplitud del nicho ecológico, incertidumbre de las condiciones, tamaño de las áreas distribucionales, probabilidad de extinción.
  3. Precipitación. Hipótesis energía-agua.

Procesos no descritos por el modelo

  1. Área
  2. Tiempo ecológico y evolutivo
  3. Inmigración y extinción
  4. Aislamiento

El modelo general de simulación

Gotelli et al. (2009) identificó una serie de características que debería tener un modelo de simulación general en macroecología:

  1. Espacialmente explícito
  2. Permite especiación
  3. Permite eventos de dispersión y brincos distribucionales
  4. Toma en cuenta límites fisiológicos de tolerancia

Cada uno de estos aspectos debería ser controlable por el usuario y sería lo suficientemente general para representar los procesos que dan origen a los patrones de riqueza de muchos grupos.

Consideraciones generales de modelación en macroecología

Connolly et al. (2017) hace una distinción muy detallada de las diferencias entre modelos mecanísticos (MM), basados en procesos (MBP) y estadísticos (ME):

  1. Modelos estadísticos. Sólo estiman asociaciones sin representar causalidad alguna.
  2. Modelos mecanísticos. Representan de manera detallada los mecanismos biológicos subyacentes.
  3. Modelos basados en procesos. Representan la interacción entre componentes clave del sistema ecológico, pero no los mecanismos biológicos subyacentes.

Ejemplos:

El siguiente modelo es meramente estadístico:

\[ \log S = \alpha + \beta_1 Bio_1 + \beta_2 Bio_7 + \beta_2' Bio_7 ^2 + \beta_3 Bio_{12} + \beta_3' Bio_{12} ^2 \]

pues no representa de ninguna manera qué sucede con las diferentes especies bajo las diferentes condiciones climáticas.

El modelo de Bradypus variegatus también es estadístico, sólo representa la asociación entre la densidad de puntos y las condiciones climáticas donde están presentes dichos puntos.

Modelos biofísicos como el de Kearney and Porter (2009), utilizan propiedades físicas de los organismos como tamaño del cuerpo, color, eficiencia de conversión de calorías y evapotranspiración para representar nichos fundamentales, lo cual logra capturar de manera parcial muchos fenómenos que subyacen a lo que representan modelos estadísticos de distribuciones geográficas.

Finalmente, los componentes del sistema qeu definen los MBP, serían como el de MacArthur de biogeografía de islas, que representan el número de especies como función de la inmigración y extinción, pero omiten las dinámicas de las diferentes especies en la isla, sus interacciones, el efecto del clima y las dificultades por las que pasaron para colonizar dicha isla

Regresar al índice del curso

Referencias

Connolly, Sean R., Sally A. Keith, Robert K. Colwell, and Carsten Rahbek. 2017. “Process, Mechanism, and Modeling in Macroecology.” Trends in Ecology & Evolution 32 (11): 835–44. https://doi.org/10.1016/j.tree.2017.08.011.
Gotelli, Nicholas J., Marti J. Anderson, Hector T. Arita, Anne Chao, Robert K. Colwell, Sean R. Connolly, David J. Currie, et al. 2009. “Patterns and Causes of Species Richness: A General Simulation Model for Macroecology.” Ecology Letters 12 (9): 873–86. https://doi.org/10.1111/j.1461-0248.2009.01353.x.
Kearney, Michael, and Warren Porter. 2009. “Mechanistic Niche Modelling: Combining Physiological and Spatial Data to Predict Species’ Ranges.” Ecology Letters 12 (4): 334–50. https://doi.org/10.1111/j.1461-0248.2008.01277.x.