Predicción de la expansión hacia el norte de la distribución de una especie intermareal debido a alteraciones climáticas
DOI:
https://doi.org/10.3989/scimar.2010.74n4669Palabras clave:
Patella rustica, alteraciones climáticas, expansión, modelos de distribución, intermareal, Redes Neuronales ArtificialesResumen
Los modelos de distribución de especies son una herramienta utilizada para predecir con exactitud la respuesta de organismos a las alteraciones climáticas. Aunque estos modelos han sido frecuentemente aplicados a organismos terrestres, casi nunca han sido aplicados en ambientes marinos. Estudios sobre la distribución del gasterópodo Patella rustica (L.) utilizando el método de árboles de clasificación y regresión (Classification and Regression Tree: CART) revelaron que el aumento de temperatura sería el principal impulsor de estos cambios. Sin embargo, la precisión de este modelo no permitió la predicción de la distribución de P. rustica en el siglo XXI. En el presente trabajo presentamos un método más robusto, las redes neuronales artificiales (Artificial Neural Networks: ANN), para producir un modelo adecuado que permita predecir futuros cambios en la distribución de P. rustica. Los resultados confirman que las ANN pueden ser utilizadas para la previsión de futuros escenarios de distribución y muestran que en la década de 2020 esta especie podría ampliar su rango de distribución al menos 1.000 kilómetros en dirección norte. Estos resultados deben ser interpretados teniendo en cuenta las limitaciones de dispersión de este organismo, pero si esa expansión se produce, se esperan grandes cambios en los ecosistemas debido al papel fundamental de las lapas en las comunidades intermareales.
Descargas
Citas
Araújo, M.B., R.G. Pearson, W. Thuiller and M. Erhard. – 2005. Validation of species–climate impact models under climate change. Glob. Change Biol., 11(9): 1504-1513. doi:10.1111/j.1365-2486.2005.01000.x
Brosse, S., S. Lek and F. Dauba. – 1999. Predicting fish distribution in a mesotrophic lake by hydroacoustic survey and artificial neural networks. Limnol. Oceanogr., 44(5): 1293-1303. doi:10.4319/lo.1999.44.5.1293
Brown, J.H., T.J. Valone and C.G. Curtin. – 1997. Reorganization of an arid ecosystem in response to recent climate change. Proc. Natl. Acad. Sci. U.S.A., 94: 9729-9733. doi:10.1073/pnas.94.18.9729
Chapin, F.S., E.S. Zavaleta, V.T. Eviner, R.L. Naylor, P.M. Vitousek, H.L. Reynolds, D.U. Hooper, S. Lavorel, O.E. SalaI, S.E. Hobbie, M.C. Mack and S. Díaz. – 2000. Consequences of changing biodiversity. Nature, 405: 234-242. doi:10.1038/35012241 PMid:10821284
Crisp, D.J. and A.J. Southward. – 1958. The distribution of intertidal organisms along the coasts of English Channel. J. Mar. Biol. Ass. U. K., 37: 1031-1048. doi:10.1017/S0025315400014909
Ekebom, J., P. Laihonen and T. Suominen. – 2003. A GIS-based step-wise procedure for assencing physical exposure in fragmented archipelagos Estuar. Coast. Shelf Sci., 57(5): 887-898. doi:10.1016/S0272-7714(02)00419-5
Farrar, D.E. and R.R. Glauber. – 1967. Multicollinearity in regression analysis: the problem revisited. Rev. Econ. Statist., 49: 92-107. doi:10.2307/1937887
Firth, L.B. and T.P. Crowe. – 2008. Large-scale coexistence and small-scale segregation of key species on rocky shores. Hydrobiologia, 614: 233-241. doi:10.1007/s10750-008-9509-7
Fischer-Piètte, E. – 1955. Répartition, le long des cotes septentrionales de l’Espagne, des principales espèces peuplant les roches intercotidales. Ann. Inst. Ocèanogr. Paris, 31: 37-124.
Fischer-Piètte, E. – 1959. Repartition des principales espèces intercotidales de la côte atlantique Française en 1954-1955. Ann. Inst. Ocèanogr. Paris, 36: 275-388.
Fischer-Piètte, E. – 1963. La distribution des principaux organismes intercotidaux Nord-Ibériques en 1954-1955. Ann. Inst. Océanogr. Paris, 40: 165-312.
Fischer-Piètte, E. and J.-M. Gaillard. – 1959. Les patelles au long des côtes atlantiques Ibériques et Nord-Marocaines. J. Conchol., 99: 135-200.
Goodman, P.H. – 1996. NevProp software, version 3. In: URL:ftp://ftp.scs.unr.edu/pub/cbmr/nevpropdir/ (ed.), University of Nevada, Reno, NV.
Gordon, C., C. Cooper, C.A. Senior, H.T. Banks, J.M. Gregory, T.C. Johns, J.F.B. Mitchell and R.A. Wood. – 2000. The simulation of SST, sea ice extents and ocean heat transports in a version of the Hadley Centre coupled model without flux adjustments. Clim. Dynam., 16(2/3): 147-168. doi:10.1007/s003820050010
Graham, M.H. – 2003. Confronting multicollinearity in ecological multiple regression. Ecology, 84(11): 2809-2815. doi:10.1890/02-3114
GRASS. – 2006. Geographic Resources Analysis Support System (GRASS).Trento, Italy.
Guisan, A. and W. Thuiller. – 2005. Predicting species distribution: offering more than simple habitat models. Ecol. Lett., 8(9): 993-1009. doi:10.1111/j.1461-0248.2005.00792.x
Guisan, A. and N.E. Zimmermann. – 2000. Predictive habitat distribution models in ecology. Ecol. Model., 135(2): 147-186. doi:10.1016/S0304-3800(00)00354-9
Heikkinen, R.K., M. Luoto, M.B. Araújo, R. Virkkala, W. Thuiller and M.T. Sykes. – 2006. Methods and uncertainties in bioclimatic envelope modelling under climate change. Prog. Phys. Geogr., 30: 751-777. doi:10.1177/0309133306071957
Hijmans, R.J. and C.H. Graham. – 2006. The ability of climate envelope models to predict the effect of climate change on species distributions. Glob. Change Biol., 12: 2272-2281. doi:10.1111/j.1365-2486.2006.01256.x
Johns, T., C. Durman, H. Banks, M. Roberts, A. McLaren, J. Ridley, C. Senior, K. Williams, A. Jones, A. Keen, G. Rickard, S. Cusack, M. Joshi, M. Ringer, B. Dong, H. Spencer, R. Hill, J. Gregory, A. Pardaen, J. Lowe, A. Bodas-Salcedo, S. Stark and Y. Searl. – 2004. HadGEM1 – Model description and analysis of preliminary experiments for the IPCC Fourth Assessment Report. Hadley Centre technical note 55.
Lek, S. and J.F. Guégan. – 1999. Artificial neural networks as a tool in ecological modelling, an introduction. Ecol. Model., 120(2/3): 65-73. Lima, F.P., N. doi:10.1016/S0304-3800(99)00092-7
Queiroz, P.A. Ribeiro, S.J. Hawkins and A.M. Santos.– 2006. Recent changes in the distribution of a marine gastropod, Patella rustica Linnaeus, 1758, and their relationship to unusual climatic events. J. Biogeogr., 33: 812-822. doi:10.1111/j.1365-2699.2006.01457.x
Lima, F.P., P.A. Ribeiro, N. Queiroz, S.J. Hawkins and A.M. Santos.– 2007a. Do distributional shifts of northern and southern species of algae match the warming pattern? Glob. Change Biol., 13: 2592–2604. doi:10.1111/j.1365-2486.2007.01451.x
Lima, F.P., P.A. Ribeiro, N. Queiroz, R. Xavier, P. Tarroso, S.J. Hawkins and A.M. Santos. – 2007b. Modelling past and present geographical distribution of the marine gastropod Patella rustica as a tool for exploring responses to environmental change Glob. Change Biol., 13: 2065-2077. doi:10.1111/j.1365-2486.2007.01424.x
MacLeod, C.D., L. Mandleberg, C. Schweder, S.M. Bannon and G.J. Pierce. – 2008. A comparison of approaches for modelling the occurrence of marine animals. Hydrobiologia, 612: 21-32. doi:10.1007/s10750-008-9491-0
Manel, S., J.M. Dias, S.T. Buckton and S.J. Ormerod. – 1999. Alternative methods for predicting species distribution: an illustration with Himalayan river birds. J. Appl. Ecol., 36(5): 734-747. doi:10.1046/j.1365-2664.1999.00440.x
McLaughlin, J.F., J.J. Hellmann, C.L. Boggs and P.R. Ehrlich. – 2002. Climate change hastens population extinctions. Proc. Natl. Acad. Sci. USA, 99(9): 6070-6074. doi:10.1073/pnas.052131199 PMid:11972020 PMCid:122903
McPherson, J.M., W. Jetz and D.J. Rogers. – 2004. The effects of species’ range sizes on the accuracy of distribution models: ecological phenomenon or statistical artefact? J. Appl. Ecol., 41(5): 811-823. doi:10.1111/j.0021-8901.2004.00943.x
Mitchell, T.D., T.R. Carter, P.D. Hulme and M. New. – 2004. A comprehensive set of high-resolution grids of monthly climate for Europe and the globe: the observed record (1901-2000) and 16 scenarios (2001-2100). Tyndal Working Paper, 55: 1-30.
Muñoz, J. and Á.M. Felicísimo. – 2004. Comparison of statistical methods commonly used in predictive modelling. J. Veg. Sci., 15: 285-292. doi:10.1111/j.1654-1103.2004.tb02263.x
Nakicenovic, N., O. Davidson, G. Davis, A. Grübler, T. Kram, E.L.L. Rovere, Bert Metz, T. Moritz, W. Pepper, H. Pitcher, A. Sankovski, P. Shukla, R. Swart, R. Watson and Z. Dadi _ 2000. IPCC Special Report on Emission Scenarios. IPCC WGIII. Intergovernamental Panel on Climate Change.
Olden, J.D. and D.A. Jackson. – 2002. A comparison of statistical approaches for modelling fish species distributions. Freshwater Biol., 47(10): 1976-1995. doi:10.1046/j.1365-2427.2002.00945.x
Ozesmi, S.L., C.O. Tan and U. Ozesmi. – 2006. Methodological issues in building, training, and testing artificial neural networks in ecological applications. Ecol. Model., 195: 83-93. doi:10.1016/j.ecolmodel.2005.11.012
Park, Y.-S., R. Céréghino, A. Compin and S. Lek. – 2003. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters. Ecol. Model., 160(3): 265-280. doi:10.1016/S0304-3800(02)00258-2
Parmesan, C. – 2006. Ecological and Evolutionary Responses to Recent Climate Change. Annu. Rev. Ecol. Evol. Syst., 37: 637-669. doi:10.1146/annurev.ecolsys.37.091305.110100
Pearson, R.G. and T.P. Dawson. – 2003. Predicting the impacts of climate change on the distribution of species: are bioclimate envelope models useful? Global Ecol. Biogeogr., 12(5): 361-371. doi:10.1046/j.1466-822X.2003.00042.x
Pearson, R.G., Dawson, T.P. and C. Liu. _2004. Modelling species distributions in Britain: a hierarchical integration of climate and land-cover data. Ecography, 27: 285-298. doi:10.1111/j.0906-7590.2004.03740.x
Poloczanska, E.S., S.J. Hawkins, A.J. Southward and M.T. Burrows.– 2008. Modeling the response of populations of competing species to climate change. Ecology, 89(11): 3138-3149. doi:10.1890/07-1169.1
Rayner, N.A., P.Brohan, D.E.Parker, C.K.Folland, J.J.Kennedy, M.Vanicek, T.Ansell and S.F.B.Tett. – 2006. Improved analyses of changes and uncertainties in sea surface temperature measured in situ since the mid-nineteenth century: the new HadSST2 data set. J. Clim., 19(3): 446-469. doi:10.1175/JCLI3637.1
Ribeiro, P.A., R. Xavier, A.M. Santos and S.J. Hawkins. – 2009. Reproductive cycles of four species of Patella (Mollusca: Gastropoda) on the northern and central Portuguese coast. J. Mar. Biol. Ass. U. K., 89(6): 1215-1221. doi:10.1017/S0025315409000320
Soberón, J. and A.T. Peterson. – 2005. Interpretation of models of fundamental ecological niches and species’ distributional areas. Biodivers. Inform., 2: 1-10.
Spitz, F. and S. Lek. – 1999. Environmental impact prediction using neural network modelling. An example in wildlife damage. J. Appl. Ecol., 36(2): 317-326. doi:10.1046/j.1365-2664.1999.00400.x
Thompson, R.C., T.P. Crowe and S.J. Hawkins. – 2002. Rocky intertidal communities: past environmental changes, present status and predictions for the next 25 years. Environ. Conserv., 29(2): 168-191. doi:10.1017/S0376892902000115
Tu, J.V. – 1996. Advantages and Disadvantages of Using Artificial Neural Networks versus Logistic Regression for Predicting Medical Outcomes. J. Clin. Epidem., 49(11): 1225-1231. doi:10.1016/S0895-4356(96)00002-9
Vaughan, I.P. and S.J. Ormerod. – 2003. Improving the quality of distribution models for conservation by addressing shortcomings in the field collection of training data. Conserv. Biol., 17(6): 1601-1611. doi:10.1111/j.1523-1739.2003.00359.x
Woddruff, S.D., H.F. Diaz, J.D. Elms and S.J. Worley. – 1988. ICOADS release 2 data and metadata enhancements for improvements of marine surface flux fields. Phys. Chem. Earth, 23: 517-526. doi:10.1016/S0079-1946(98)00064-0
Yuval, N. – 2001. Enhancement and Error Estimation of Neural Network Prediction of Niño-3.4 SST Anomalies. J. Clim., 14: 2150-2163. doi:10.1175/1520-0442(2001)014<2150:EAEEON>2.0.CO;2
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2010 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
