104564 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis de adaptabilidad de teca (Tectona grandis) en plantaciones forestales en el Ecuador Continental. Adaptability analysis of teak (Tectona grandis) in forest plantations in Continental Ecuador. by/por

Ing. Carlos Gabriel Carrera Díaz 01633533 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Anton Eitzinger PhD

Quevedo - Ecuador, Julio-2018

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quevedo, 10 de octubre de 2019

Ing. Carlos Gabriel Carrera DĂaz

iii

Dedicatoria A Dios, que es el principal pilar de fortaleza en la vida de todo ser humano, por brindarme la sabiduría, paciencia y fortaleza necesaria. Estoy completamente seguro que gracias a él estoy consiguiendo cumplir con una meta más propuesta en vida.

A la memoria de Blanca Cedeño Zamora, mi querida y adorada abuela, fuente infinita de temple y persistencia.

A Otto, mi incomparable abuelo, no sé qué hubiera sido de mí sin tu intervención, consejos y mano firme cuando la necesite.

A mi Evelyn, quien ha estado luchando conmigo hombro a hombro, gracias Princesa.

A Ketty mi madre y Blanca mi hermana, por su apoyo incondicional, paciencia y confianza en cada momento de mi vida.

A mis hijos Valeria y Dorian, quienes son mi bendición y ganas de seguir adelante, todo lo que hago es por su futuro.

A Erika y Andrés, se les extraña.

¡Esta es para ustedes...!

Carlos.

“Valer y saberlo mostrar es valer dos veces: lo que no se ve es como si no fuese” Baltasar Gracián (1601 – 1658)

Agradecimiento

A Universität Salzburg, Universidad San Francisco de Quito y a UNIGIS en América Latina por haberme brindado una hospitalidad incomparable y por supuesto, permitirme tener el orgullo de haber pertenecido a este excelente programa de maestría.

A Richard Resl, por su acertada Dirección en el Programa de Maestría UNIGIS.

A Gretty Tulcanaza, quien con su paciencia e insistencia aportó en mi integración al programa de maestría.

A Gabriela Ramón, quien con sus mensajes y acertadas tutorías nos guio en este camino.

A Carlos Pacheco, una de las personas más brillantes que he conocido, mi amigo, si no fuera por su idea e intervención en la creación de la Base de Datos Geográfica en la Subsecretaría de Producción Forestal no hubiera tenido la fuente de datos para mi investigación.

Al Ministerio de Agricultura y Ganadería del Ecuador, que me acogió por 3 largos años, en donde alimenté la Base de Datos Geográfica de Plantaciones Forestales Comerciales del Proyecto de Inversión del Programa de Incentivos Forestales.

A Anton Eitzinger, Director de Tesis de Maestría, por la guía brindada en el desarrollo de esta investigación, su experiencia a nivel científico y sabios consejos ayudaron a generar el presente documento.

A Laure Collet, con su inteligencia y acertada percepción del estudio, colaboró a que la redacción de la presente investigación sea más amigable y entendible para su lectura.

RESUMEN El presente trabajo de investigación se realizó en el Ecuador sin incluir las islas Galápagos. El objetivo fue el determinar las zonas aptas para el desarrollo óptimo de la especie teca en base a modelación de nicho ecológico por máxima entropía. La metodología utilizada es de tipo aplicativa no experimental. Se solicitaron los datos de plantaciones georreferenciadas del Proyecto de Inversión del Incentivo Forestal del Ministerio de Agricultura y Ganadería del Ecuador. Para esto, dicha cartera estado tiene en su poder una base de datos geográfica de plantaciones forestales con fines comerciales de diferentes especies. Seguidamente se obtuvieron los datos de modelos digitales de elevación, radiación y de 19 variables bioclimáticas de la página de WorldClim (http://www.worldclim.org/) con una resolución de 30 segundos. Todos los datos se procesaron por medio de un programa hecho en plataforma Java llamado MaxEnt, con lo que se estimó el modelo de distribución potencial para la especie forestal en estudio, se analizaron los datos y se construyeron mapas con aplicación de herramientas de sistemas de información geográfica. Se determinó que la variable con mayor contribución relativa al modelo de distribución potencial de T. grandis para el Ecuador Continental fue la Estacionalidad de la precipitación con un 28.4%, seguida de la Estacionalidad de temperatura con un 21.1%. Se determinaron 1,885,861 Ha de las cuales 203,830 Ha son de aptitud alta, 608,281 Ha de aptitud media y 1,073,749 Ha de aptitud baja. Las provincias con mayor distribución potencial de T. grandis son Guayas con 539,433 Ha, Los Ríos con 515,359 Ha y Manabí con 485,236 Ha. Palabras claves: nicho ecológico, maxent, teca, distribución potencial, tectona grandis, sig, máxima entropía, Ecuador.

ABSTRACT The present research work was carried out in Ecuador, not including the Galapagos Islands. The objective was to determine suitable areas for the optimal development of the teak species based on ecological niche modeling approach using maximum entropy. The used methodology is of non-experimental application type. Instead, the georeferenced plantation data of the Forest Incentive Investment Project of the Ministry of Agriculture and Livestock of Ecuador were requested. For this project, the Ministry has established a geographic database of forest plantations for commercial purposes of different species. Further, data with a spatial resolution of 30 arc-seconds of digital elevation models, radiation and 19 bioclimatic variables were obtained from the global WorldClim dataset (http://www.worldclim.org/). All the data were processed using a modeling software called MaxEnt, which is coded in Java programming language. The model estimated the potential distribution for the forest species under study; obtained results were analyzed and visualized on maps with the use of geographic information systems tools. Model outputs determined 1,885,861 Ha of suitable areas for T. grandis in Continental Ecuador, of which 203,830 Ha are of high suitability, 608,281 Ha of medium suitability, and 1,073,749 Ha of low suitability. Findings also show that variables with the highest contribution relative to the potential distribution model of T. grandis were precipitation seasonality with 28.4%, followed by the temperature seasonality with 21.1%. The provinces with the highest potential distribution of T. grandis are Guayas with 539,434 Ha, Los RĂos with 515,359 Ha and ManabĂ with 485,237 Ha. Keywords: ecological niche, maxent, teak, potential distribution, tectona grandis, sig, maximum entropy, Equador.

vii

Índice de Contenido. 1.

INTRODUCCIÓN. .......................................................................................14 1.1. Antecedentes. ..........................................................................................15 1.2. Problema de investigación. ......................................................................16 1.3. Objetivos. .................................................................................................17 1.3.1. General. .............................................................................................17 1.3.2. Específicos. .......................................................................................17 1.4. Preguntas de Investigación. .....................................................................18 1.5. Hipótesis. .................................................................................................18 1.6. Justificación..............................................................................................18 1.7. Alcance. ...................................................................................................19

REVISIÓN DE LITERATURA. ....................................................................20 2.1. Descripción botánica de la Tectona grandis.............................................20 2.2. Origen y distribución geográfica. ..............................................................21 2.3. Requerimientos ecológicos. .....................................................................21 2.3.1. Clima. ................................................................................................21 2.3.2. Suelos y topografía. ...........................................................................22 2.3.3. Humedad relativa...............................................................................23 2.3.4. Temperatura. .....................................................................................23 2.3.5. pH. .....................................................................................................24 2.4. Proyecto de Inversión del Incentivo Forestal. ...........................................24 2.4.1. Sobrevivencia y Mantenimiento al 1° Año. ........................................25 2.5. Zonificación Agroecológica. .....................................................................25 2.6. Modelos de distribución espacial de especies. ........................................26 2.6.1. Modelos basados en la envoltura ambiental de las especies (BIOCLIM). .....................................................................................................28

viii

2.6.2. Modelos basados en la métrica de Gower. ........................................30 2.6.3. Modelos basados en máxima entropía (MaxEnt)...............................31 2.6.4. Código MaxEnt. .................................................................................32 2.6.5. Probabilidades en Máxima Entropía. .................................................33 2.6.6. Función de forma MaxEnt. .................................................................33 2.6.7. Área bajo la curva (AUC). ..................................................................34 2.6.8. Índice Kappa. .....................................................................................35 2.6.9. Ecological Niche Models- Diva GIS ...................................................35 2.6.10.

Ecocrop- Diva GIS ..........................................................................37

2.6.11.

Clasificación multiclase de zonas agroecológicas. .........................42

2.6.12.

Cambios inducidos por el clima en la distribución de la teca (Tectona

grandis) en Asia tropical. ................................................................................43 2.6.13.

Comparación de proyecciones mecanicistas y de modelos empíricos

de la idoneidad y productividad de los cultivos. .............................................44 2.6.14.

Diversidad de especies, estructura de rodales y distribución de

especies en un gradiente de precipitación en bosques tropicales. ................45 2.6.15.

Patrón de distribución espacial de especies de Quercus y

formaciones de encinos. ................................................................................46 2.6.16.

Comparación de modelos basados en nichos y procesos para reducir

la incertidumbre de predicción en los cambios de rango de especies bajo el cambio climático. ............................................................................................47 2.6.17.

Explorando estrategias de adaptación de la producción de café al

cambio climático utilizando un modelo basado en procesos ..........................48 3.

METODOLOGÍA. ........................................................................................50 3.1. Área de estudio. .......................................................................................50 3.2. Registros de presencia.............................................................................51 3.3. Análisis de los modelos de distribución potencial actual empleando el método de modelación ambiental de máxima entropía. ....................................54

3.3.1. Variables ambientales. ......................................................................54 3.3.2. Condición altitudinal...........................................................................55 3.3.3. Aplicación del Modelización. ..............................................................56 3.3.4. Ejecución del Modelo. ........................................................................57 3.3.5. Desarrollo de procedimientos. ...........................................................57 4.

RESULTADOS ...........................................................................................59 4.1. Igualdad de entrenamiento y umbral acumulativo de especificidad. ........59 4.2. Área bajo la curva. ...................................................................................60 4.3. Características edafoclimáticas de importancia en ajuste de modelo. .....60 4.4. Caracterización ambiental. .......................................................................62 4.5. Análisis de contribución de variables. ......................................................63 4.6. Distribución potencial. ..............................................................................64

ANÁLISIS DE LOS RESULTADOS. ...........................................................69

CONCLUSIONES .......................................................................................72

BIBLIOGRAFÍA. ..........................................................................................74

Índice de Tablas. Tabla 1. Variables bioclimáticas para el modelo de distribución potencial para teca. ..............................................................................................................................55 Tabla 2. Archivos raster de los modelos digitales de elevación pertenecientes a Ecuador. ................................................................................................................56 Tabla 3. Umbrales comunes y las tasas de omisión. ............................................59 Tabla 4. Descripción de valores acumulativos para clasificación de raster. .........59 Tabla 5. Valores mínimos, máximos, promedio y desviación estándar de variables bioclimáticas. .........................................................................................................62 Tabla 6. Contribución de variables al modelo de distribución potencial de T. grandis para el Ecuador Continental. .................................................................................63 Tabla 7. Superficie por grado de distribución potencial de T. grandis...................64

Tabla 8. Superficie por provincias de zonas aptas para el desarrollo óptimo de T. grandis. .................................................................................................................64

Índice de Cuadros. Cuadro 1. Fórmula de “Sensitividad” y “Especificidad” .........................................35

Índice de Figuras. Figura 1. Hojas y flores de Tectona grandis. ........................................................20 Figura 2. Esquema de integración de factores que dan origen a la Zonificación Agroecológica........................................................................................................26 Figura 3. Flujo de elementos y procesos, necesarios para la obtención de un MDE ..............................................................................................................................27 Figura 4. Curva AUC ............................................................................................34 Figura 5. Interfaz gráfica de DivaGIS ...................................................................37 Figura 6. Cálculo de aptitud climática en Ecocrop ................................................40 Figura 7. Trozas de Tectona grandis (teca) ..........................................................51 Figura 8. Flujograma de procesos para la obtención del Modelo de Distribución de Especie. ................................................................................................................53

Índice de Gráficos. Gráfico 1. Curva AUC para ajuste de modelo de predicción de distribución potencial. ...............................................................................................................60 Gráfico 2. Contribución de las variables bioclimáticas y ambientales según prueba de Jackknife. .........................................................................................................61

Índice de Mapas. Mapa 1. Ubicación de plantaciones de T. grandis (teca) representado con puntos en color rojo...........................................................................................................50 Mapa 2. Mapa de distribución potencial de T. grandis en el Ecuador Continental. ..............................................................................................................................65 Mapa 3. Mapa de distribución potencial de T. grandis en la provincia del Guayas. ..............................................................................................................................66 Mapa 4. Mapa de distribución potencial de T. grandis en la provincia de Manabí. ..............................................................................................................................67 Mapa 5. Mapa de distribución potencial de T. grandis en la provincia de Los Ríos. ..............................................................................................................................68

xii

Glosario ArcGIS: Sistema informático que permite recopilar, organizar, administrar, analizar, compartir y distribuir información geográfica. AUC: Area Under the Curve. BB: Balance Bioclimático. BH: Balance Hídrico. BIOCLIM: Sistema de Análisis y Predicción de Bioclimas. CAF: Code Analysis Framework. CO2: Dióxido de Carbono. CONAFOR: Comisión Nacional Forestal de México. CSIRO: Organización de Investigación Científica e Industrial del Commonwealth. CSV: Comma-separated values. DAP: Diámetro a la altura del pecho. DEM: Digital elevation model. Diva GIS: Sistema de Información Geográfica para el Análisis de Datos de Distribución de Especies. DSSAT: Modelo mecanicista de crecimiento de cultivos. EcuRed: Enciclopedia cubana de información general de colaboradores en red. FAO: Organización de las Naciones Unidas para la Alimentación. GAM: Modelo Aditivo Generalizado. SIG: Sistemas de Información Geográfica. GPS: Sistema de Posicionamiento Global. ITTO: International Tropical Timber Organization. IQR: Rango intercuartil. MAGAP: Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. MaxEnt: Software para la determinación de máxima entropía. MDS: Modelo de distribución de especies.

xiii

MIT: Instituto de Tecnología de Massachusetts MODIS: Moderate-Resolution Imaging Spectroradiometer. NDVI: Índice de vegetación de diferencia normalizada. PROECUADOR: Promoción de Exportaciones e Inversiones del Ecuador. ROC: Receiver Operating Characteristic. SIG: Sistema de Información Geográfica. SpCAF: SharePoint Code Analysis Framework. USGS: United State Geological Survey. WGS: World Geodetic System. ZAE: Zonificación agroecológica.

INTRODUCCIÓN.

La teca es una de las principales maderas latifoliadas que existen en el mundo, reputada por su calidad y belleza en color, su excelente fibra y su durabilidad. Sólo se da de forma natural en la India, Myanmar, la República Democrática Popular Lao y Tailandia. En los últimos años se ha establecido en toda la zona tropical de Asia, en el África tropical (Côte d'Ivoire, Nigeria, Sierra Leona, la República Unida de Tanzania y Togo) y en América Latina y el Caribe (Costa Rica, Colombia, Ecuador, El Salvador, Panamá, Trinidad y Tobago y Venezuela) (Norellys, 2017, pág. 9). La teca es conocida como la “Reina de las Maderas” , a medida que la madera madura con el pasar de los años su apariencia embellece adquiriendo un color más oscuro y parecido a la miel, característica que define un alto precio, además de no estropearse al entrar en contacto con metales, cualidad que la hace ser muy apreciada para la fabricación de muebles de alto valor (Noticias Hábitat, 2011) y es ideal para el uso náutico (cubiertas de yates y barcos) por sus propiedades químicas y físicas (Hidalgo, 2014). Cabe mencionar que los principales consumidores son los mercados de la India. En la industria química también tiene muchos usos gracias a su durabilidad y resistencia a químicos agresivos (Hidalgo, 2014).

La teca es un recurso que se aprovecha en plantaciones y como árboles e regeneración natural, esta actividad requiere de un enfoque integrado de planificación y ordenación de este recurso natural, que requiere la intervención de técnicas orientables a dar soporte a la toma de decisiones (Quiroz Ortuño, 2010). Los SIG ponen a disposición herramientas para analizar y evaluar áreas con diferentes aptitudes o capacidades (Quiroz Ortuño, 2010).

1.1.

Antecedentes. Históricamente, la demanda de productos forestales y maderas se ha incrementado con el aumento de la población de la Tierra. Nada hace prever que dicha tendencia vaya a romperse, sino todo lo contrario: el crecimiento de Asia ha impulsado la construcción, lo que, a su vez, ha elevado la demanda de la madera. La madera y los artículos madereros son unos de los grupos de mercancías más importantes para el planeta. En 2007, los países productores adscritos a la ITTO (International Tropical Timber Organization) exportaron aproximadamente 11.7 millones de m3 de existencias por un valor cercano a los 1,500 millones de USD (El Grupo Forwood, 2019, ¶. 1-2).

En Ecuador, el Programa de Incentivos para la Reforestación con Fines Comerciales fue oficialmente presentado el 15 de enero de 2013 con una meta de 20,000 hectáreas de plantaciones en el primer año, y a partir de 2014 lograr un crecimiento sostenido de 25,000 hectáreas anuales durante los próximos cuatro años hasta concretar las 120,000 hectáreas contempladas en el programa (MAGAP, 2014).

Una vez actualizado el marco legal del Programa de Incentivos Forestales se estableció la realización de los análisis de supervivencia y de área efectiva de aquellas propuestas que cumplan un año de haber sido plantadas, trabajo basado en el Manual de Procedimientos emitido por la Subsecretaría de Producción Forestal para el efecto (MAGAP y Noboa, 2015). Con base a informes técnicos se da paso al pago de los incentivos a los beneficiarios (MAGAP y Noboa, 2015).

La gran demanda de la Teca y la escasez de oferta hacen que la misma sea una madera de alto valor, produciendo un continuo incremento en su precio. Según la Internacional Tropical Timber Organization (ITTO), ha tenido una revalorización mediana en los últimos años del 8,4% (TECA ECUADOR, 2014. ¶. 3).

1.2.

Problema de investigación.

Según datos del 2016 de la Institución Gubernamental de Promoción de Exportaciones e Inversiones del Ecuador PROECUADOR, el sector forestal registró un monto total de producción de USD 1,216.57 millones. Por otro lado, los productos derivados representaron USD 1,742.13 millones. Ambos productos representan el 1.72% de la producción total del país y el 2.93% del PIB en ese año (PROECUADOR, 2016).

Con el ingreso del Programa de Inversión del Incentivo Forestal, se han registrado alrededor de 60,000 Ha de plantaciones forestales con fines de comerciales, de las cuales 22,000 tienen información de inspecciones de campo. La especie de mayor superficie plantada y validada es la Tectona grandis (teca) con aproximadamente 8,000 Ha (Gavilánez, 2016).

Estos datos no quieren decir que su distribución sea la más adecuada. Más bien podría mejorar la toma de decisiones si se identificaran sitios en donde se comporta mejor la especie, en base a los porcentajes de sobrevivencia obtenidos en las evaluaciones de campo. El porcentaje de sobrevivencia es una evaluación de árboles vivos versus árboles muertos, o que no se desarrollaron óptimamente en la superficie de la plantación.

El conocer los factores antes mencionados y el comportamiento de la especie podría disminuir la incertidumbre de invertir en el sector, dando respuesta a las preguntas: ¿Dónde están los nichos ecológicos de teca?, ¿Cuáles variables bioclimáticas determinan el nicho de teca? y ¿Dónde están las zonas más aptas para teca?

Las características ambientales de un sitio pueden ser una limitante o una ventaja en el desarrollo de algunas especies vegetales. Entre las principales, el componente edáfico, que integra factores como la textura y la estructura de los suelos, que pueden influenciar en el desarrollo de las raíces de las plantas. Las

precipitaciones son otro factor de vital importancia en el óptimo crecimiento de plantaciones, ya que existen especies que requieren de una cantidad de agua necesaria para satisfacer sus necesidades fisiológicas, y otras que son tolerantes a la sequía (Gallo, Herrera, Joya, Garcia, y Pinto, 2007).

Estas condiciones se complementan de cierta manera con las características topográficas que mejoran el drenaje superficial y escurrimiento, además se debe tener en cuenta los aspectos técnicos para el establecimiento y manejo de las plantaciones (Gallo et al., 2007).

Se tiene la idea de la radiación pueda ser un factor determinante en el desarrollo y crecimiento de madera de calidad, y es uno de los factores bioclimáticos que no se han considerado en muchos de los estudios referentes a propiedades físicas y mecánicas de la madera de teca, tales como el de Crespo, Jiménez, Suatunce, Law y Sánchez (2008) realizado en Balzar- Ecuador donde no se describe la influencia de factores bioclimáticos, de igual forma en el estudio de Castro y Raigosa (2000) en San Joaquín de Abangares- Costa Rica, ni en el de Rivero y Moya (2006) realizado en Cochabamba- Bolivia. En entrevista al Ing. Arteaga, en el 2019, manifestó que en las zonas con mayor horas luz, es decir menos nubladas la teca tiene mejor crecimiento, una mejor calidad con respecto a color y una cantidad mayor de duramen, es por esto que el factor radiación es analizado de manera que se determine su influencia o no.

1.3. 1.3.1.

Objetivos. General.

Determinar las zonas aptas para el desarrollo óptimo de la especie teca (Tectona grandis) en el Ecuador Continental.

1.3.2.

Específicos.

Evaluar geoespacialmente los nichos ecológicos de teca.

Determinar las características edafoclimáticas que influyen el desarrollo de teca.

1.4.

Ubicar las zonas aptas para las plantaciones de teca

Preguntas de Investigación.

¿Dónde están los nichos ecológicos de teca?

¿Cuáles variables bioclimáticas determinan el nicho de teca?

¿Dónde están las zonas más aptas para teca?

1.5. Hi:

Hipótesis. La radiación solar es una de las características ambientales que más influyen

en el desarrollo óptimo de la teca. Ho:

La radiación solar no es una de las características ambientales que más

influyen en el desarrollo óptimo de la teca.

1.6.

Justificación.

La variabilidad de las condiciones ambientales y ecológicas en el Ecuador es determinante para el desarrollo y supervivencia de distintas especies vegetales. Por lo tanto, determinar las condiciones agroecológicas adecuadas apoyará a determinar zonas aptas para el desarrollo de la especie forestal T. grandis.

Cabe mencionar que los principales productores de madera de T. grandis son instituciones del sector privado que, con el apoyo del incentivo forestal, han aumentado su superficie de plantaciones, requiriendo mayor mano de obra y personal especializado para el manejo de sus plantaciones, generando un impacto social, económico y ambiental.

Es necesario determinar procedimientos rápidos con un grado de confiabilidad alto en la determinación de variables que sirvan a la producción, en este caso la forestal. Este procedimiento puede no solo ser utilizado para determinar variables de fines productivos, sino también con fines de conservación tanto en especies animales como vegetales. Los procedimientos enmarcados en la presente investigación serán un precedente para futuras investigaciones en el sector forestal aplicando herramientas tecnológicas apoyadas en SIG.

1.7.

Alcance.

El presente documento será un insumo en toma de decisiones para los pequeños y grandes productores de madera de Tectona grandis (teca), ya que con el correcto manejo de la información cartográfica que obtendrá, existen grandes posibilidades de

establecer plantaciones forestales productivas con muchas ventajas

considerando las condiciones agroecológicas óptimas para esta.

Se espera obtener las zonas aptas para el establecimiento de plantaciones forestales comerciales de T. grandis en un estudio donde se aplicarán procedimientos SIG en una superficie de 283,560 km² que corresponde al territorio Ecuatoriano Continental.

Los datos levantados en campo de la presencia de la especie forestal teca tienen una precisión de 2 m, ya que fueron colectados con Global Position System (GPS) SIG de precisión. La resolución de los raster de datos bioclimáticos es de 30 segundos. La Escala de trabajo será 1:50.000 para la presentación de datos obtenidos como resultado del análisis realizado en la presente investigación.

2. 2.1.

REVISIÓN DE LITERATURA.

Descripción botánica de la Tectona grandis.

La Ficha Técnica N°1 de Tectona grandis publicada en la página de Ecuador Forestal (2012, ¶. 2) indica lo siguiente:

Árbol que alcanza hasta 30 m de altura y 80 cm de diámetro a la altura

del pecho (DAP). -

Tronco recto, con tendencia a bifurcarse o ramificarse en exceso si crece

aislado. -

Corteza externa castaño claro, escamosa y agrietada; corteza interna

blanquecina. -

Copa angosta cuando joven, y medianamente amplia cuando adulta.

Hojas simples opuestas, ovales, grandes, verde oscuro y ásperas en el

haz, blanquecinas y tomentosas en el envés, deciduas. -

Flores blanquecinas, pequeñas, agrupadas en grandes panículas

terminales erectas (Ver figura 1). -

Fruto drupa café cuadrilobulada con una semilla pequeña, oleaginosa

bastante dura.

Figura 1. Hojas y flores de Tectona grandis. (ITTO, 2015)

2.2.

Origen y distribución geográfica.

Tectona consta de 3 especies, con una distribución natural del género discontinua. Muchos autores citan que la especie es originaria del sureste asiático (Birmania, ahora Myanmar, Tailandia y de la India, Malasia, Java, Indochina, La República Democrática Popular Laos), entre los 12 y 25° latitud norte y de 73 a 104° longitud este (Biología Ambiental, 2013).

También se ha encontrado al sur del Ecuador en Java y en algunas pequeñas islas del Archipiélago Indonesio. Se menciona que la especie fue introducida en Java hace 400 o 600 años, donde se naturalizó (Fonseca, 2004).

En la zona de distribución natural, los bosques son de tipo monzónico, abarcando bosque seco tropical y bosque húmedo tropical. En la India se encuentra asociada con 76 especies, dentro de las que se citan: Xylia dolabriformis, X. kerrii, Largeostremia caluculata, L. balasoe, Bombax insigne, cinco especies de Terminalia, tres especies de Stereospermum, Acacia, Cassia, Dipterocarpus, Cederia, Eugenia, Gmelina arborea, Vitex peduncularis, Dalbergia sp, Croton oblongifolius, entre otras (Morales, 2016).

2.3. 2.3.1.

Requerimientos ecológicos. Clima.

La teca tolera una gran variedad de climas, pero crece mejor en condiciones tropicales moderadamente húmedas y calientes (Streets, 1962; Kadambi, 1972).

La precipitación media anual puede estar entre los 700 y 2800 mm. La cantidad óptima está entre 1500 y 2000 mm/año (Ecuador Forestal, 2012). Requiere de una estación seca entre 3 y 5 meses (Ecuador Forestal, 2012).

La lluvia óptima para la teca es de entre 1500 a 2000 mm por año, pero soporta precipitaciones tan bajas como de 500 mm y tan altas como de 5100 mm por año (Pandey y Brown, 2000). Ryan (1982) indica que la teca es natural a las áreas secas, incluso bajo condiciones extremas calientes y de sequía. Sin embargo, las condiciones de sequía prolongada en la India han matado tanto árboles como los brotes en los troncos cortados.

En cuanto a temperaturas, tolera variaciones de temperatura media anual con un óptimo entre 23 y 27 °C (FUCOL, 2010).

2.3.2.

Suelos y topografía.

La teca se desarrolla en pisos térmicos que van desde el nivel del mar a 1200m de altura, no hay complicaciones dentro de ese rango ni por variedad de suelo o formaciones geológicas para el establecimiento de plantaciones. Se recomiendan suelos aluviales profundos, porosos, fértiles, y bien drenados con pH neutro o ácido (EcuRed, 2015).

Martínez (2015) indica que las características de los suelos de los sitios donde teca se ha desarrollado bien en América Central se caracterizan por ser:

Bien drenados

Con texturas medias a moderadamente finas

Con pendientes ligeras a moderadas

Regiones donde los niveles de acidez del suelo son muy bajos, tanto en el

suelo como en el subsuelo.

El mismo Martínez (2015) indica también que la teca no se desarrolla bien en suelos:

Poco profundos, dentro de ellos muchos entisoles con afloramiento rocoso o

rocas a poca profundidad.

Cimas y pendientes muy secas o muy ventosas.

Áreas de suelos arenosos con verano largo.

Áreas en las que la distribución de lluvias presenta una concentración en

períodos muy cortos o que tienen un “veranillo” (canícula) largo (la especie tiende a botar la hoja dos veces con el consecuente gasto energético). -

Regiones donde los niveles de acidez del suelo sean muy elevados, tanto en

el suelo como en el subsuelo.

2.3.3.

Humedad relativa.

Las precipitaciones y la humedad relativa, según Pandey y Brown (2000), son los factores climáticos más importantes para el óptimo desarrollo de la teca.

Kaosa-ard, en 1989, analizó la distribución natural de la teca y los factores ambientales que están relación a esta. Según el autor, la teca crece mucho más rápido bajo condiciones húmedas que secas. Para la producción de una buena cantidad de teca, las localidades húmedas con un promedio anual de precipitaciones de 1.250 a 2.500 mm, asociadas a un marcado período seco de 35 meses, son las más adecuadas para el establecimiento de plantaciones de esta especie.

2.3.4.

Temperatura.

La siguiente descripción se basa en Kaosa-ard (1989):

Apoyado en estudios realizados en un entorno controlado, Kaosa-ard (1989) explica que las temperaturas óptimas para un mejor crecimiento y desarrollo de la teca se encuentran entre 27 °C y 36 °C durante el día y entre 20 °C y 30 °C durante la noche. En condiciones naturales, esta especie crece mejor en localidades que tienen fluctuaciones estacionales en temperaturas entre 13 °C (en el mes más frío) y 40 °C (en el mes más caluroso). Con respecto a la luz, manifiesta que la teca es una especie forestal "exigente de luz". El rango de intensidad de la luz de 75-95 por

ciento de la luz diurna total parece ser más favorable para el crecimiento y desarrollo, encontró que el fotoperiodo o la duración del día, especialmente en la región tropical, tienen efectos menores en crecimiento y desarrollo de la teca. Determinó que la formación geológica parece jugar un papel importante en el control de la distribución de la teca. Los suelos más adecuados generalmente se derivan de rocas de origen volcánico tales como trampas, basalto, gneises graníticos. Los suelos derivados de areniscas y cuarcitas parecen no ser adecuados para el crecimiento y desarrollo de la teca.

2.3.5.

pH.

La siguiente descripción se basa en Kaosa-ard (1989):

En lo que respecta a pH de suelo, es uno de los factores importantes que limitan la distribución de la teca. La teca prospera en suelos neutros o ligeramente alcalinos. Los suelos húmedos favorables para el crecimiento y la distribución de la teca suelen tener un pH entre 6.5 y 7.5. En el tema de minerales la teca requiere una cantidad relativamente grande de calcio en el suelo para su crecimiento y desarrollo. La materia orgánica del suelo y el nitrógeno del suelo también son importantes para la teca. Se encontró que la producción de materia seca del bosque de teca se correlaciona positivamente con la cantidad de materia orgánica y contenido de nitrógeno en los suelos. También se informa que el fósforo y la sílice están contenidos en una cantidad relativamente grande en la madera de teca. Sin embargo, las respuestas de la teca a estos dos elementos minerales no están bien documentadas.

2.4.

Proyecto de Inversión del Incentivo Forestal.

Como se indica en folleto denominado Programa de Incentivo para la Reforestación con Fines Comerciales, el incentivo forestal es un aporte económico que da el MAG (Ministerio de Agricultura del Ecuador) por intermedio de la Subsecretaría de Producción Forestal a quien reforeste con plantaciones forestales industriales sea

natural o jurídica en un porcentaje del 75% del costo del establecimiento. Y para los casos de comunas, asociaciones y afines hasta el 100%, valor que será acreditado si en el informe realizado mediante inspección de técnicos del MAG es favorable por más del 50% de sobrevivencia de las plantas. Este incentivo se da durante los primeros 4 años desde el establecimiento (Parrales, 2016).

2.4.1.

Sobrevivencia y Mantenimiento al 1° Año.

La Comisión Nacional Forestal (CONAFOR) y Ramírez (2011) indican que la evaluación de la sobrevivencia permite obtener una medida cuantitativa del éxito de la plantación bajo la influencia de los factores del sitio. El valor que se desea conocer es la proporción de árboles que están vivos respecto a los árboles efectivamente plantados o la densidad mínima establecida o autorizada, si está es mayor; la medición se hace en cada árbol. Se entenderá como plantación al conjunto de todos los árboles que han sido plantados en un predio o rodal (Gavilánez, 2016).

El parámetro principal para la evaluación de la plantación será el porcentaje de sobrevivencia, el cual será calculado al dividir el número de individuos vivos para la densidad por hectárea aprobada en la ficha técnica de campo (MAGAP, 2012).

2.5.

Zonificación Agroecológica.

Son varias las definiciones que diferentes autores han emitido sobre la zonificación agroecológica de los cultivos (ZAE); sin embargo, todas permiten la delimitación de superficies homogéneas que suplan los requerimientos de los mismos (Suárez, 2014).

La ZAE es un conjunto de procedimientos con aplicaciones básicas que tienen como finalidad el conducir a una evaluación de la aptitud y productividad potencial del suelo. Los productos tangibles incluyen mapas con zonas y su grado de aptitud para un determinado propósito que puede ser el análisis de la degradación del

suelo, modelos de producción en ganadería, modelos de distribución potencial de especies vegetales con fines productivos o de conservación, evaluación de la capacidad de sostenimiento de la población, etc. (FAO, 1997). Ver Figura 2.

Figura 2. Esquema de integración de factores que dan origen a la Zonificación Agroecológica (Fondo Nacional de Investigaciones Agropecuarias (Venezuela) et al., 2013).

2.6.

Modelos de distribución espacial de especies.

Según Pumain (2015), los modelos de distribución potencial basados en análisis espaciales son estructuras y organización del espacio que, por medio del procesamiento de información topológica, determinan la interacción de factores espaciales con el comportamiento de los organismos vivos que se posicionan geográficamente sobre la tierra. Además, menciona que las leyes de espacialidad relacionan los mecanismos y procedimientos de análisis con las teorías, modelos de funcionamiento y la evolución de los sistemas espaciales.

Haining, en el 2003, entiende por dato espacial la información que está enlazada a una referencia geográfica, por lo cual se puede localizar exactamente indicada en un mapa.

Para gestionar modelos de distribución espacial es necesario recopilar la mayor cantidad de información geoespacial posible, ya sea que esta incluya distancias, ubicación o superficie (Olaya, 2015).

Un modelo de distribución de especies es una construcción numérica que define en el espacio ecológico las relaciones que existen entre la presencia de una especie y los valores de variables ambientales con influencia en su distribución (Benito, 2009).

El resultado se expresa en el espacio geográfico como un mapa digital que representa la idoneidad del hábitat o la probabilidad de presencia de la especie (según el método utilizado para construir la relación) (Benito, 2009).

Por esta definición se entiende, que para poder correr el modelo se requiere de 4 elementos (Ver Figura 3):

1) Registros de presencia de la especie. 2) Variables ambientales almacenadas como mapas digitales. 3) Algoritmo que analiza la relación entre ambas entradas. 4) Modelo definido en el espacio ecológico.

Figura 3. Flujo de elementos y procesos, necesarios para la obtención de un MDE tomado de Reguerin (2012).

2.6.1.

Modelos basados en la envoltura ambiental de las

especies (BIOCLIM). Los modelos basado se envoltura ambiental de especies estiman la envoltura de la especie dentro del rango de variación de cada variable ambiental y se identifican los sitios que están ubicados dentro del híper-espacio ambiental ocupado por una especie (Ferrer, 2015). Ferrer (2015, pág. 6), menciona que “para cada variable ambiental en particular, el algoritmo calcula la media y la desviación típica (asumiendo una distribución normal) asociada al conjunto de puntos donde está presente la especie (ocurrencia). Cada variable tiene su propia envoltura representada por el intervalo de confianza de la media para una probabilidad del 95% o del 99%.”

El mismo autor indica que en este modelo, cualquier celdilla puede ser clasificada como: ▪

Apropiada: si todas las variables ambientales asociadas se sitúan dentro de

la envoltura calculada. ▪

Marginal: si una o más variables ambientales asociadas se sitúan fuera de la

envoltura calculada, pero permanecen dentro de los límites máximo y mínimo. ▪

Inadecuado: si una o más variables ambientales asociadas se sitúan fuera de

los límites máximo y mínimo de la envoltura.

Booth, Nix, Busby, y Hutchinson, en 2014, mencionan que los elementos conceptuales importantes que sustentan el desarrollo de BIOCLIM se pueden remontar a la formalización de Evelyn Hutchinson del concepto de nicho como una serie de variables ambientales independientes con rangos simples de condiciones adecuadas que definen un 'hiperespacio n-dimensional' dentro del cual las especies pueden sobrevivir y reproducirse. Elith et al., en 2011, mencionan una relación entre los primeros modelos de distribución de especies y el trabajo de Phillips, Anderson, Dudík, Schapire, y Blair (2017). Este relacionó los requisitos ambientales de alrededor de 90 formas de vida de las plantas (como un grupo de árboles de bosque

tropical lluvioso) con ocho factores eco climáticos. Luego predijeron dónde era probable que ocurrieran las formas de vida en 1225 ubicaciones (principalmente en una cuadrícula de 10 °) en todo el mundo. Existen algunas similitudes conceptuales con los MDS (Modelo de distribución de especies), como BIOCLIM, en el desarrollo de envolturas bioclimáticas. Sin embargo, existen diferencias considerables, ya que los programas desarrollados por Box (1981) no incluían el uso de datos de especies individuales, no apoyaban las estimaciones de interpolación climática para los datos de distribución, y el mapeo se basaba en datos climáticos espacialmente groseros (Booth et al., 2014).

BIOCLIM analiza la situación geográfica de ubicación de las especies ya sean vegetales o animales y las relaciona con la variación cuantitativa de las variables ambientales identificando la distribución potencial de estas dentro del híper-espacio (Ferrer, 2015).

El procedimiento de análisis para las variables ambientales se hace en base a algoritmos matemáticos donde se calcula la media y desviación típica de distribución normalizada asociada a la ocurrencia geográfica de cada individuo con una probabilidad estadística del 95% o 99% considerando límites máximos y mínimos (Ferrer, 2015).

BIOCLIM es un sistema de análisis y predicción Bioclimático que puede ser utilizado para estratificar un área sobre una base climática antes de la prospección y también para predecir distribuciones de variables individuales tales como especies o tipos de vegetación (Gidahatari y Montoya, 2017)

BIOCLIM, conceptualmente fue desarrollado por Henry Nix. La primera implementación disponible para publicidad de BIOCLIM surgió de un proyecto colaborativo entre el Estudio de Recursos Biológicos de Australia y el Grupo de Nix en la División de Agua y Recursos Terrestres de la Organización de Investigación Científica e Industrial del Commonwealth (CSIRO). El sistema, ahora BIOCLIM versión 2.0, se mantiene en la red de computación nacional de PAXUS COMNET (Gidahatari y Montoya, 2017)

El modelado de especies fundamentado en nichos ecolĂłgicos se ha convertido en la principal herramienta para intentar predecir la futura distribuciĂłn de especies por Cambios ClimĂĄticos como causa del Calentamiento Global. Actualmente se pueden encontrar varios programas para el modelado de especies por distintos mĂŠtodos y datos para desarrollar las predicciones (Elith et al., 2006).

Otro autor menciona que este modelo se basa en superficies matemĂĄticas continĂşas ajustadas a datos meteorolĂłgicos medidos y puede utilizarse para generar estimaciones de las temperaturas mĂnimas y mĂĄximas mensuales y la precipitaciĂłn para cualquier punto mundial. Las predicciones de las distribuciones de las variables se pueden hacer en muchas escalas y resoluciones. Generalmente, estos puntos se organizan en una cuadrĂcula regular. Las estimaciones climĂĄticas se pueden trazar como contornos y se utilizan para estratificar el ĂĄrea por atributos derivables de la temperatura mĂnima y mĂĄxima mensual y la precipitaciĂłn (Elith et al., 2006).

2.6.2.

Modelos basados en la mĂŠtrica de Gower.

La siguiente descripciĂłn de los modelos basados en la mĂŠtrica de Gower se basa en Ferrer (2015). Manifiesta que en este modelo se calcula un matiz de distancias punto a punto para asignar valores de similitud a cada punto del espacio geogrĂĄfico en base su la proximidad en el espacio ambiental a los puntos de ocurrencia de la especie. AdemĂĄs, indica que, la mĂŠtrica de Gower provee unos medios apropiados para cuantificar la similitud entre dos sitios. La distancia (đ?&#x2018;&#x2018;) entre un punto candidato (đ??´) y un punto de ocurrrencia (đ??ľ) en un espacio Euclideo con đ?&#x2018;? dimensiones se define como: đ?&#x2018;?

đ?&#x2018;&#x2018;đ??´đ??ľ

|đ??´đ?&#x2018;&#x2DC; â&#x2C6;&#x2019; đ??ľđ?&#x2018;&#x2DC; | 1 = â&#x2C6;&#x2018;( ) đ?&#x2018;? đ?&#x2018;&#x;đ?&#x2018;&#x17D;đ?&#x2018;&#x203A;đ?&#x2018;&#x201D;đ?&#x2018;&#x153;đ?&#x2018;&#x2DC; đ?&#x2018;&#x2DC;=1

La similitud entre ambos puntos đ?&#x2018;&#x2026;đ??´đ??ľ , serĂa el complementario de la distancia: đ?&#x2018;&#x2026;đ??´đ??ľ = 1 â&#x2C6;&#x2019; đ?&#x2018;&#x2018;đ??´đ??ľ đ?&#x2018;&#x2026;đ??´đ??ľ estĂĄ restringido entre los valores 0 y 1 para puntos dentro de los rangos usados en la primera ecuaciĂłn. De esta forma, para el punto candidato (đ??´) se obtiene un conjunto de "đ?&#x2018;&#x161;" valores de similitud correspondientes a los puntos de ocurrencia. Se define đ?&#x2018;&#x2020;đ?&#x2018;&#x2021;đ??´Â´ como la similitud mĂĄxima entre el punto candidato đ??´ y el conjunto de puntos de ocurrencia de la especie đ?&#x2018;&#x2021; como: đ?&#x2018;&#x161; đ?&#x2018;&#x2020;đ?&#x2018;&#x2021;đ??´ = đ?&#x2018;&#x161;đ?&#x2018;&#x17D;đ?&#x2018;Ľđ?&#x2018;&#x2014;=1 đ?&#x2018;&#x2026;đ?&#x2018;&#x2021;đ?&#x2018;&#x2014;đ??´

Los valores de đ?&#x2018;&#x2020;đ?&#x2018;&#x2021;đ??´ generados por el algoritmo se representan en el mapa de una forma continua. Hay que tener en cuenta que estos valores no se interpretan como probabilidades, sino como grados de similitud.

2.6.3.

Modelos basados en mĂĄxima entropĂa (MaxEnt).

El enfoque consiste en encontrar la distribuciĂłn de probabilidad de entropĂa mĂĄxima, que es la mĂĄs cercana a la distribuciĂłn uniforme, condicionada por las restricciones impuestas por la informaciĂłn disponible sobre la distribuciĂłn observada de la especie y las condiciones ambientales del ĂĄrea de estudio (Ferrer, 2015). El mĂŠtodo de Maxent no requiere datos de ausencia de la especie para elaborar el modelo, en vez de ello usa los datos ambientales proporcionados por el ĂĄrea de estudio al completo como datos de pseudo-ausencia. Puede utilizar variables tanto continuas como categĂłricas y el producto es un pronĂłstico continuo que varĂa de 0 a 100 y se interpreta como un grado relativo de adecuaciĂłn (en quĂŠ medida un lugar es adecuado para que la especie estĂŠ presente) (Ferrer, 2015).

2.6.4.

Código MaxEnt.

MaxEnt es un algoritmo cuya teoría está sumamente bien entendida (Elith et al., 2011) y que en la práctica ha demostrado dar buenos resultados (Comisión Nacional de Biodiversidad y University of Kansas, 2014).

MaxEnt en una metodología que acoge en gran manera a los datos, por lo que es mejor realizar una interpolación de estos para una adecuada predicción de las superficies no observadas (Comisión Nacional de Biodiversidad y University of Kansas, 2014).

Cabe mencionar que utiliza datos cartográficos en formatos y propiedades específicas en donde el primer archivo de entrada perteneciente a las especies es de tipo punto y se procesa con un segundo archivo de entrada que representa las variables bioclimáticas en formato raster, dando como resultado la probable distribución potencial de manera global con respecto a los límites del raster (Geoinnova, 2017).

El software MaxEnt es de código libre bajo licencia del Instituto de Tecnología de Massachusetts (MIT). MaxEnt está programado en Java y tiene una interfase Gráfica de Usuario para la importación de datos de registros y grillas de capas del medio físico. Prácticamente el procedimiento de proceso de datos es automático y se generan las grillas de idoneidad/ abundancia de especies, así como reportes del método de procesamiento y ajuste de la simulación (GIDAHATARI, 2017).

La posibilidad de obtención de modelos de distribución potencial con datos ya sean parciales o incompletos representa una gran ventaja por la extrapolación que genera el procesamiento de una mínima información para obtener mapas predictivos actuales o futuros (Geoinnova, 2017).

2.6.5.

Probabilidades en MĂĄxima EntropĂa.

La mayor parte de los resultados sobre MaxEnt se han presentado sobre una doble perspectiva, la geogrĂĄfica (G) y la ambiental (E). En otras palabras, En MaxEnt la argumentaciĂłn a veces estĂĄ dada sobre los pixeles o celdas de la retĂcula geogrĂĄfica, y a veces sobre los ambientes (Soberon, 2012).

La vista geogrĂĄfica se interpreta dividiendo al espacio en retĂculas de n celdas numeradas consecutivamente x = 1, 2,... n. Cada celda tiene un ambiente z(x). La probabilidad de la distribuciĂłn de a o b factor es igual a đ?&#x2018;?(đ?&#x2018;&#x152; = 1|đ?&#x2018;Ľ), esta es la probabilidad en un ensayo de Bernoulli en el x-pixel. Si đ?&#x2018;?(đ?&#x2018;&#x152; = 1|đ?&#x2018;Ľ) es igual a 0,1 existe un 10% de probabilidades de detectar la existencia de una ocurrencia en el x-ĂŠsimo pixel (Soberon, 2012).

2.6.6.

FunciĂłn de forma MaxEnt.

MaxEnt podrĂa representar la probabilidad de distribuciĂłn de un organismo sobre la tierra de manera generalizada, respondiendo coherentemente a restricciones estadĂsticamente probabilĂsticas inherentes al problema de estudio, definiendo como valores medios o futuros esperados a la distribuciĂłn determinada (Rosenkrantz, 1984). â&#x20AC;&#x153;Su utilidad prĂĄctica en este campo radica en que a nivel molecular y atĂłmico solo es posible establecer distribuciones de probabilidad de las distintas propiedades que describen al sistemaâ&#x20AC;? (Perazzo y Marzoant, 2017, p.3).

Jaynes propuso maximizar el siguiente funcional con la finalidad de formular MaxEnt (Perazzo y Marzoant, 2017). đ?&#x2019;?

đ?&#x2018;&#x20AC;đ?&#x2018;&#x17D;đ?&#x2018;Ľđ?&#x2018;&#x2013;đ?&#x2018;&#x161;đ?&#x2018;&#x2013;đ?&#x2018;§đ?&#x2018;&#x17D;đ?&#x2018;&#x;[đ?&#x2018;Ż(đ?&#x2019;&#x2018;đ?&#x;? , â&#x20AC;Ś . . , đ?&#x2019;&#x2018;đ?&#x2019;? ) â&#x2C6;&#x2018; đ?&#x2019;&#x2018;đ?&#x2019;&#x160; đ?&#x2019;?đ?&#x2019;?đ?&#x2019;&#x2018;đ?&#x2019;&#x160; ] đ?&#x2019;&#x160;=đ?&#x;?

sujeto a,

đ?&#x2019;?

â&#x2C6;&#x2018; đ?&#x2019;&#x2018;đ?&#x2019;&#x160; = đ?&#x;? đ?&#x2019;&#x160;=đ?&#x;? đ?&#x2019;?

â&#x2C6;&#x2018; đ?&#x2019;&#x2018;đ?&#x2019;&#x160; đ?&#x2019;&#x2C6;đ?&#x2019;&#x201C; (đ?&#x2019;&#x2122;đ?&#x2019;&#x160; ) = ă&#x20AC;&#x2C6;đ?&#x2019;&#x2C6;đ?&#x2019;&#x201C; (đ?&#x2019;&#x2122;)ă&#x20AC;&#x2030; đ?&#x2019;&#x160;=đ?&#x;?

Donde H corresponde a la definiciĂłn de entropĂa utilizada por Shannon como una medida de la incerteza en la informaciĂłn, đ?&#x2019;&#x2018;đ?&#x2019;&#x160; la probabilidad de ocurrencia de un evento, đ?&#x2019;&#x2122;đ?&#x2019;&#x160; y đ?&#x2019;&#x2C6;đ?&#x2019;&#x201C; (đ?&#x2019;&#x2122;) una funciĂłn de distribuciĂłn de probabilidad conocida (Perazzo y Marzoant, 2017; Shannon, 1948).

2.6.7.

Ă rea bajo la curva (AUC).

El ĂĄrea bajo la curva es un grĂĄfico que indica un valor denominada â&#x20AC;&#x153;tasaâ&#x20AC;? que representa la clasificaciĂłn correcta con respecto de la clasificaciĂłn incorrecta de las presencias de individuos sobre un ĂĄrea de estudio determinado. Se representa con un grĂĄfico que muestra la variabilidad de umbrales de corte de la especificidad versus la sensitividad (Reguerin, 2012). Ver Figura 4.

Figura 4. Curva AUC tomado de Reguerin (2012).

Cuadro 1. Fórmula de “Sensitividad” y “Especificidad” tomado de Reguerin (2012).

Donde: a =número de registros presentes correctamente predichos como presentes. Sensitividad = a/ (a + c) Especificidad = d/(b + d)

b =número de registros ausentes incorrectamente predichos como presentes. c =número de registros presentes incorrectamente predichos como ausentes. d =número de registros ausentes correctamente predichos como ausentes.

Mezaour (2005) menciona que los valores (tasa) del área bajo la curva van desde 0 a 1, que de determinarse valores menores a 0.7 indicaría un modelo de distribución pobre, valores superiores son deseados para que un modelo sea considerado bueno o muy bueno. Los valores mayores a 0.9 son excelentes.

2.6.8.

Índice Kappa.

La precisión de la predicción en relación a la predicción al azar es denominado como índice Kappa, sus valores van entre 0 y 1, mientras más cercano a 1 un mejor desempeño del modelo indicando errores bajos de omisión y comisión (Parra, Graham y Freile, 2004).

2.6.9.

Ecological Niche Models- Diva GIS

Con la herramienta Modelos de Nichos Ecológicos (Ecological Niche Models) se puede extraer datos climáticos a partir de bases de datos de clima para localizaciones puntuales (en un archivo de puntos activos), trazar gráficos de estos datos, y emplear lo extraído para modelamiento predictivo de nichos usando las aproximaciones BIOCLIM o DOMAIN (Mathur, Cruz, Barrantes, y Rojas, 2004, ¶. 13).

Herramientas disponibles:

Opciones

Se usa esta para considerar todos los puntos como una clase (especie) o distinguir clases diferentes al seleccionar un campo apropiado. Puntos duplicados (con exactamente las mismas coordenadas y especies) son removidos del análisis. Se puede escoger si se requiere también remover los puntos que caen dentro de la misma celda de cuadrícula (recomendado) (Mathur et al., 2004, ¶. 14).

Frecuencia

Se pueden realizar trazados y ploteos para diferentes variables climáticas. Esto puede ser muy útil para marcar límites (quizás erróneos). Hacer clic en un punto en el gráfico para observar donde está en el mapa su punto correspondiente. Se pueden diagramar percentiles y en el rango de 1.5 * inter-cuartiles (IQR; puntos dentro de este rango no son considerados límites) (Mathur et al., 2004, ¶. 15).

Histograma

Herramienta que sirve para elaborar histogramas para las variables climáticas. Se selecciona una variable (temperatura promedio o precipitación anual) y se selecciona un ancho de clase apropiada o número de clases. Se pueden restringir los valores mínimos y máximos a ser mostrados (Mathur et al., 2004, ¶.16).

Envoltura

Esta herramienta de usa para dibujar un gráfico en el cual cada punto representa el clima de un punto en el mapa. Se puede establecer un valor percentil para averiguar cuáles son las observaciones de los extremos en términos de clima. El percentil es usado para excluir los valores extremos de todas las variables climáticas. Se dibuja un recuadro en el gráfico para indicar todos los puntos interiores para las dos variables climáticas seleccionadas, y que puntos están fuera

de esta “envoltura” climática. Estos puntos son diferentes para cada par de variables. Los puntos que caen dentro de toda la “envoltura climática” son coloreados de verde. Los puntos que caen fuera de una o más envolturas son coloreados de rojo. Sin embargo, todos los puntos dentro de la envoltura bidimensional mostrados en el gráfico son ‘seleccionados’ (coloreados de amarillo) en el mapa (Mathur et al., 2004, ¶.17).

Predicción

Esta opción sirve para determinar si los datos climáticos extraídos pueden ser utilizados para predecir donde es probable que ocurran las especies, o donde sobrevivirían si fueran liberados (es decir, en un continente diferente) (Mathur et al., 2004, ¶.18).

Figura 5. Interfaz gráfica de DivaGIS (GISGEEK, 2017).

2.6.10. Ecocrop- Diva GIS Su nombre se debe a que está basado en la base de datos de la Organización de las Naciones Unidas para la Alimentación (FAO) Ecocrop. Este modelo considera

dos rangos ecológicos para un cultivo basados en la temperatura y precipitación óptima para el desarrollo del cultivo. En caso de tener datos acerca de la duración variable del desarrollo del cultivo a cosecha en cada una de las zonas, el modelo puede considerarlos como un parámetro adicional. Este modelo no considera variables climáticas como radiación ni variaciones en los parámetros óptimos del desarrollo del cultivo según las etapas fenológicas del cultivo (CGIAR, CCAFS, CIAT, y Future Earth, 2011; Hijmans y Graham, 2006).

El modelo tampoco evalúa factores edáficos ni otros factores bióticos y abióticos que puedan influir en la aptitud de un cultivo. Es un modelo sencillo que permite hacer una aproximación general de la aptitud climática de los cultivos (CGIAR et al., 2011; Hijmans y Graham, 2006). Ver Figura 5.

En el documento de apoyo a SIG y Agricultura, Eitzinger menciona que es un modelo

mecanístico

utilizado

para

modelamiento

cultivos

(Eitzinger y Universidad San Francisco de Quito, 2018). Fue implementado por Hijmans y Graham (2006) en el software DIVAGIS y trabaja definiendo, en primera instancia, 11 parámetros de crecimiento del cultivo (Fick y Hijmans, 2017):

1. Gmin: duración mínima de la estación de crecimiento (días). 2. Gmax: duración máxima de la estación de crecimiento (días). 3. Tkill: temperatura a la que el cultivo detiene su desarrollo (ºC). 4. Tmin: temperatura mínima absoluta en que el cultivo tiene un desarrollo marginal (ºC). 5. Topmin: temperatura óptima mínima del cultivo (ºC). 6. Topmax: temperatura óptima máxima del cultivo (ºC). 7. Tmax: temperatura máxima absoluta en que el cultivo tiene un desarrollo marginal (ºC). 8. Rmin: precipitación mínima absoluta en que el cultivo crece (mm). 9. Ropmin: precipitación mínima óptima de crecimiento del cultivo (mm). 10. Ropmax: precipitación máxima óptima de crecimiento del cultivo (mm). 11. Rmax: precipitación máxima absoluta en que el cultivo crece (mm). .

Eitzinger además menciona que, entre los umbrales absolutos y óptimos hay un rango de condiciones de "aptitud" climática (de 1 a 100%). El modelo evalúa por separado precipitación y temperatura, y luego las combina multiplicando los resultados. Inicialmente se calibra con información de localización de los sistemas productivos a analizar (para la obtención de parámetros de crecimiento) y luego se usa para establecer una línea base y para proyectar la "aptitud" climática hacia el futuro (Eitzinger y Universidad San Francisco de Quito, 2018).

Ecocrop evalúa mensualmente si existen condiciones climáticas adecuadas durante la temporada de crecimiento para la temperatura y la precipitación y calcula la aptitud climática de la interacción resultante entre la lluvia y la temperatura (Schmidt, Eitzinger, Sonder y Sain, 2012). Ver Figura 6.

Figura 6. Cálculo de aptitud climática en Ecocrop (Ramirez-Villegas, Jarvis, y Läderach, 2013).

Interpolación Climática.

Antes de considerar el paquete BIOCLIM, vale la pena destacar los avances en interpolación climática que hicieron posible los MDS. Sobre la base del trabajo de Wahba y Wendelberger (1980) Hutchinson desarrolló versiones mejoradas de los métodos de interpolación por spline de placa delgada (véase, por ejemplo Hutchinson y Bischof, 1983). Un aspecto clave en la precisión de estas superficies fue la incorporación de una dependencia escalada apropiadamente en la elevación de la tierra, como se demostró más tarde por Hutchinson (1995).

Para facilitar el desarrollo de BIOCLIM, Hutchinson desarrolló superficies de temperatura máxima y mínima medias mensuales de Australia ajustadas a datos medidos para 901 estaciones meteorológicas. Las pruebas de validación indicaron que el error verdadero promedio, promediado en todos los puntos de datos utilizados fue <0.5 ° C para cada mes del año para temperaturas máximas y mínimas. Los datos de precipitación media mensual se analizaron para aproximadamente 11,000 estaciones meteorológicas (Booth et al., 2014). Con la excepción de algunos meses al comienzo y al final de la temporada de lluvias en el norte de Australia, todos los errores de precipitación promedio fueron <10 mm o <10% de la media mensual, lo que fuera menor (Booth et al., 2014). Estos análisis de interpolación en todo el continente se resumieron en (Wilson y Hutchinson, 1991; Booth et al., 2014).

Superposición de nichos ecológicos a partir de la ocurrencia

y datos ambientales espaciales. Fortin et al., en 2011, indican que el cambio global influirá en las distribuciones de las especies, junto con un mayor énfasis en la comprensión de la dinámica de nicho en contextos evolutivos y comunitarios, y esto resaltaría en la creciente necesidad de métodos robustos para cuantificar las diferencias de los nichos entre o dentro de los taxones. Por lo cual propusieron un marco estadístico para describir y comparar nichos ambientales a partir de datos ambientales y espaciales.

Los mismos autores mencionan que aplicaron suavizantes de núcleo a las densidades de la ocurrencia de especies en un espacio ambiental cuadriculado para calcular unidades métricas de superposición de nichos y probar hipótesis con respecto al conservadurismo de nichos. Se utiliza este marco y especies simuladas con distribuciones predefinidas y cantidades de superposición de nicho para evaluar varias técnicas de modelación de ordenación y distribución de especies para cuantificar la superposición de nicho.

2.6.11. Clasificación multiclase de zonas agroecológicas. Läderach, Montagnon, Pérez Jimenez, Schilling y Bunn, en el 2015, realizaron un estudio en Coffea arabica, utilizando un modelo denominado Clasificación Multiclase, que incluye la clasificación y regresión estadística procesados en R con el paquete ‘randomForest’ que canaliza la información de puntos de ocurrencia de presencia de individuos de una especie determinada y los ordena de acuerdo a una matriz de similitud determinando las superficies con características similares para el desarrollo óptimo de los individuos en estudio. En el presente se determinó que esta especie es altamente sensible y se ha demostrado que se ve afectado negativamente por los cambios climáticos progresivos. Además, mencionan que las investigaciones anteriores contribuyeron poco para apoyar la adaptación con miras al futuro.

Para ellos la zonificación agroecológica es una herramienta común para identificar entornos homólogos y priorizar la investigación. En el estudio se demostró un enfoque pragmático para describir cambios espaciales en zonas agroclimáticas adecuadas para el café en climas actuales y futuros. Definieron zonas agroecológicas adecuadas para producir café arábico agrupando las ubicaciones de ocurrencia de café georreferenciadas en función de variables bioclimáticas. Utilizaron la clasificación de bosques aleatorios de las capas de datos climáticos para modelar la distribución espacial de estas zonas agroecológicas. Además, utilizaron estas zonas para identificar escenarios de impacto espacialmente

explícitos y para elegir ubicaciones para la evaluación a largo plazo de medidas de adaptación a medida que cambia el clima.

En sus resultados encontraron que en zonas actualmente clasificadas como cálidas y secas, el cambio climático tendrá un impacto sobre el C. arábica más que aquellos que se adapten mejor a él. Por lo tanto, la investigación en estas zonas debería centrarse en ampliar los límites ambientales del C. arábica. Determinaron que las zonas que actualmente tienen climas más adecuados para el arábica migrarán hacia arriba unos 500 m en elevación. En estas zonas, la migración ascendente será gradual, pero probablemente tendrá impactos negativos sobre el ecosistema. Además, identificaron ubicaciones que con alta probabilidad no cambiarán sus características climáticas y son adecuadas para evaluar el germoplasma de C. arabica frente al cambio climático. Recomiendan que estas ubicaciones sean utilizadas para investigar estrategias de adaptación a largo plazo para sistemas de producción.

2.6.12. Cambios inducidos por el clima en la distribución de la teca (Tectona grandis) en Asia tropical. Deb, Phinn, Butt y McAlpine, en 2017, utilizaron máxima entropía para modelar el futuro espacio climático adecuado para las especies forestales, están convencidos que esta se ha convertido en una herramienta ampliamente utilizada para la planificación de la gestión forestal en el contexto del cambio climático global. Indican que la teca (Tectona grandis) es una de las especies de madera dura tropical más valiosas en el mercado internacional de la madera, y los bosques naturales de teca se distribuyen desde la India a través de Myanmar, Laos y Tailandia. Mencionan que la extensión de los bosques de teca se está reduciendo debido a la deforestación y los impactos locales del cambio climático global. Que, sin embargo, no se han examinado los impactos directos de los cambios climáticos en las distribuciones a escala continental de teca nativa y no nativa. En este estudio, se desarrolló un modelo de distribución de especies para la teca en toda su distribución nativa en Asia tropical y su distribución no nativa en Bangladesh. Se

utilizaron registros de presencia de árboles y doce variables ambientales que fueron más representativas de las distribuciones actuales de teca en el sur y sureste de Asia. Se usaron modelos MaxEnt (máxima entropía) para modelar las distribuciones de teca en los escenarios climáticos actuales y futuros. Se determinó que el uso de la tierra / el cambio y la elevación de la cubierta terrestre fueron las dos variables más importantes que explican las distribuciones actuales y futuras de la teca nativa y no nativa en Asia tropical. Los cambios en la precipitación anual, la estacionalidad de la precipitación y la evapotranspiración real media anual pueden dar lugar a cambios en las distribuciones de la teca en Asia tropical. Se discutieron las implicaciones para la conservación de hábitats críticos de teca, la planificación del manejo forestal y los riesgos de invasión biológica que pueden ocurrir debido a su cultivo en rangos no nativos.

2.6.13. Comparación

proyecciones

mecanicistas

modelos empíricos de la idoneidad y productividad de los cultivos. Schulze et al., en 2013, realizaron un estudio el cual tenía como objetivo el análisis de la intercomparación de modelos mecánicos y empíricos, que los autores creen es un paso importante para mejorar las proyecciones de la posible distribución y abundancia de especies. Realizaron la comparación de las estimaciones de idoneidad y productividad de una especie de cultivo bien entendida para evaluar las fortalezas y debilidades de los modelos mecanicistas y empíricos.

Los autores compararon cuatro modelos de aptitud del hábitat para el maíz de tierras secas en función de los factores climáticos y predictores del suelo. Dos se crearon utilizando la máxima entropía (MAXENT), el primero basado en puntos de distribución de cultivos nacionales y el segundo basado solo en ubicaciones con alta productividad. El tercer enfoque utilizó un modelo aditivo generalizado (GAM) entrenado con datos de productividad continua, derivados del índice de vegetación de diferencia normalizada del satélite (NDVI). El cuarto modelo fue un modelo mecanicista de crecimiento de cultivos (DSSAT) hecho espacialmente explícito.

Se probó la precisión del modelo, comparando los resultados con la productividad observada derivada de MODIS NDVI y con la idoneidad observada, en función de la distribución espacial actual de los campos de cultivo de maíz.

Los hallazgos de este estudio sugieren que los modelos empíricos pueden lograr la misma o mejor precisión que los modelos mecanicistas para predecir tanto la idoneidad (es decir, el rango de especies) como la productividad (es decir, la abundancia de especies). En el experimento, MAXENT no pudo predecir la productividad en toda la gama de variedades de la especie cuando se entrenó en todos los casos.

Sí, pudo hacerlo cuando se entrenó con un subconjunto de alta productividad, lo que sugiere que los modelos de nichos ecológicos pueden ajustarse para correlacionarse mejor con la abundancia de variedades de la especie.

2.6.14. Diversidad

especies,

estructura

rodales

distribución de especies en un gradiente de precipitación en bosques tropicales. Kwak et al., en 2017, realizaron una investigación aplicando MaxEnt en Myanmar. Los sitios en donde se realizó el estudio contenían bosques tropicales caducifolios que estaban protegidos como bosques de reserva, en donde se distribuyeron diversas especies y una variedad de estructuras en toda la región. Ellos indican que una comprensión de cómo la diversidad de las especies, el patrón estructural y la distribución de las especies varían en las diferentes regiones ambientales es de crucial importancia para la ecología tropical. En el estudio, exploraron cómo estos parámetros ecológicos varían a lo largo de varias regiones de lluvia en los trópicos con niveles de precipitación anual que van desde 843 hasta 2035 mm. En el mismo se evaluaron la diversidad, similitud, estructura y clasificación de los bosques, y su correspondencia con las regiones de lluvia. Los investigadores encontraron que la diversidad de especies, la clase de sitio y la complejidad estructural aumentaron con la lluvia, con diferencias de 1000 mm que tienen efectos significativos en la

diversidad. La estructura y la heterogeneidad de los bosques fueron mayores en las regiones de alta precipitación que en las de baja precipitación. La estructura del bosque se correlacionó significativamente con la lluvia, y la estructura difería sustancialmente cuando las precipitaciones anuales diferían entre los sitios en aproximadamente 200 o 400 mm. Los bosques podrían clasificarse en dos tipos según, si tenían una alta precipitación anual (1411–2035 mm) o una baja precipitación anual (843–1029 mm). Además, mencionan que, el predominio de las especies cambió notablemente de las regiones de alta a baja precipitación, con Tectona hamiltoniana y Terminalia oliveri que solo son abundantes en la región de baja precipitación. La diversidad y riqueza de especies se correlacionaron significativamente con la precipitación y la temperatura promedio.

2.6.15. Patrón de distribución espacial de especies de Quercus y formaciones de encinos. Camara, García, Requena, Lara y Morales (2018), realizaron un estudio en el que se describen los patrones de distribución espacial de las formaciones de encinos en el estado de Tamaulipas, México, a partir de los factores bioclimáticos y litológicos. Se utilizó el método de regímenes ecodinámicos a través de un análisis espacial en un sistema de información geográfico (SIG) con verificación en campo. Este analiza el comportamiento de formaciones vegetales en función de factores bioclimáticos, empleando indicadores derivados del Balance Hídrico (BH) y el Balance Bioclimático (BB). Ambos indicadores se fundamentan y están entrelazados a partir de la información de la textura de las formaciones superficiales geomorfológicas (suelos), expresada mediante la capacidad de campo o agua disponible para las plantas, y la estructura horizontal y vertical de la formación vegetal. Con el procesamiento de la información antes mencionada y el análisis los patrones de distribución de las formaciones vegetales de encinos: bosque mixto, bosque de encino, chaparral y bosque húmedo montano, se construyeron mapas de distribución de cada formación vegetal en función del su bioclima y litología. Los modelos generados determinaron cinco tipos principales de regímenes para las formaciones de encinos (Critropófilo, Euritermo-tropófilo, Euritermo-mesófilo

Mesófilo-subhúmedo y Tropófilo). Según los autores, los resultados de la investigación permiten hacer un diagnóstico ecológico a fin de poder establecer propuestas de conservación de las áreas con una mayor diversidad de Quercus en la región.

2.6.16. Comparación de modelos basados en nichos y procesos para reducir la incertidumbre de predicción en los cambios de rango de especies bajo el cambio climático. Morin y Thuiller, en 2009, obtuvieron predicciones confiables de los cambios en el rango de distribución de las especies bajo el cambio climático es un desafío crucial para los ecólogos y las partes interesadas. Mencionan que, a escala continental, los modelos basados en nichos se han utilizado ampliamente en los últimos 10 años para predecir los impactos potenciales del cambio climático en las distribuciones de especies en todo el mundo, aunque estos modelos no incluyen ninguna relación mecanicista. En contraste, las predicciones específicas de la especie y basadas en el proceso siguen siendo escasas a escala continental.

Además, indican que esto es lamentable porque para asegurar predicciones relevantes y precisas, siempre es conveniente comparar las predicciones derivadas de diferentes tipos de modelos aplicados independientemente al mismo conjunto de especies y utilizando los mismos datos sin procesar. En el estudio se compararon las predicciones de los cambios de rango en los escenarios de cambio climático para 2100 derivados de modelos basados en máxima entropía con los de un modelo basado en procesos para 15 especies de árboles templados y boreales de América del Norte. De las comparaciones realizadas por el equipo, surgió un patrón general: los modelos basados en nichos tienden a predecir un mayor nivel de extinción y una mayor proporción de colonización que el modelo basado en procesos. Este resultado probablemente surja porque los modelos basados en nichos no toman en cuenta la plasticidad fenotípica y la adaptación local. Sin embargo, como los dos tipos de modelos se basan en suposiciones diferentes, su complementariedad se revela por hallazgos comunes. Ambos enfoques de

modelado resaltan una importante limitación potencial en el seguimiento de su nicho climático debido a las restricciones de migración e identifican zonas similares donde es probable la extirpación de especies.

Estas predicciones convergentes a partir de modelos basados en principios muy diferentes proporcionan una manera útil de compensar las incertidumbres a escala continental. Este estudio muestra que el uso en concierto de ambos enfoques con sus propias advertencias y ventajas es crucial para obtener resultados más sólidos y que se necesitan comparaciones entre modelos en el futuro cercano para obtener precisión con respecto a las predicciones de cambios de rango bajo el cambio climático.

2.6.17. Explorando estrategias de adaptación de la producción de café al cambio climático utilizando un modelo basado en procesos Rahn et al., en 2018, realizaron un estudio en café que tenía como objetivo explorar estrategias de adaptación de la especie agrícola utilizando modelos de distribución potencial basado en procesos. Ellos mencionan que la respuesta del rendimiento agronómico del café (Coffea arabica L.) a los cambios en el clima y la concentración atmosférica de dióxido de carbono CO2 es incierta. Mejorar la comprensión de las posibles respuestas de la planta de café a estos cambios, teniendo en cuenta la gestión agrícola, es necesario para identificar las estrategias de adaptación más adecuadas. Además, indican que un enfoque mecanicista de modelado de cultivos permite la inclusión de una amplia gama de conocimientos previos y una evaluación de supuestos. Adaptaron un modelo de distribución potencial conectándolo a datos de suelo y clima espacialmente variables, mediante los cuales se puede calcular el rendimiento del café de lluvia en un período de tiempo diario. El modelo que aplicaron tiene en cuenta la variación en el microclima y el uso del agua según la influencia de los árboles de sombra. El enfoque se ejemplifica en dos sitios de África oriental con climas claramente diferentes (Elgon, Uganda, y Kilimanjaro, Tanzania) utilizando un análisis de sensibilidad global para la evaluación del comportamiento del modelo y la evaluación de la incertidumbre de los parámetros anteriores.

El estudio adapta el modelo de CAF (2014), que es un índice de vulnerabilidad y adaptación al cambio climático para utilizarlo como una herramienta de apoyo a la decisión espacialmente contextualizada SpCAF (SharePoint Code Analysis Framework.). Eligieron este modelo porque está diseñado específicamente para tratar con los sistemas agroforestales de café e incluye un enfoque de eficiencia de uso de la luz mecanicista que trata la interacción entre la temperatura y el CO2. En comparación con CAF (2014), la temperatura y en los niveles de CO2 en la atmósfera. En consecuencia, el rendimiento del café se expresa exclusivamente en función del clima y la disponibilidad de agua en el suelo, excluyendo la competencia de nutrientes, las alteraciones de plagas y enfermedades, o las propiedades alelopáticas de los árboles de sombra en el café del sotobosque. El sombreado de los árboles se simplifica a un dosel que proporciona sombra y compite por el agua a través de la evapotranspiración. Por lo tanto, el objetivo no es modelar explícitamente una especie específica de árboles de sombra, sino más bien permitir la exploración de la continuidad entre la no sombra y la sombra pesada y sus efectos sobre el microclima y la competencia por el agua. El modelo calcula el rendimiento de café limitado en agua en un intervalo de tiempo diario y se implementa en las estadísticas de R (R Core Team, 2014).

3. 3.1.

METODOLOGÍA.

Área de estudio.

El estudio se realizó con datos recopilados en todo el Ecuador Continental, el cual es un país ubicado al noroeste de América del Sur, tiene 4 regiones, costa, sierra y oriente y régimen especial de Galápagos, bien marcadas por la diferencia de sus pisos altitudinales, ubicación y características climáticas. Es considerado uno de los países megadiversos a pesar de ser uno de los más pequeños de la región. Tiene veinte y cuatro provincias de las cuales una pertenece al régimen especial de Galápagos y está fuera del espacio continental (Ecuador Explorer, 2016).

Para la elaboración del estudio se consideraron las plantaciones de teca establecidas a través del programa del incentivo forestal, a continuación, el mapa 1 muestra el mapa de ubicación y zona de estudio. Mapa 1. Ubicación de plantaciones de T. grandis (teca) en el Ecuador Continental.

3.2.

Registros de presencia.

Los datos de la presencia de la especie se apoyan en las entidades cartográficas de predios plantados con la especie forestal Tectona grandis (teca) del Proyecto de Inversión del Incentivo Forestal a nivel del Ecuador Continental. Estas entidades son facilitadas mediante una solicitud a la Dirección de Desarrollo Forestal de la Subsecretaría de Producción Forestal del Ministerio de Agricultura, a su vez, estas son liberadas mediante un acuerdo de confidencialidad y buen uso de la información con fines investigativos.

Estos polígonos son transformados a entidades de tipo punto y a su vez procesados para obtener un archivo CSV delimitado por comas que indique la ubicación de cada lote de plantaciones de teca del país en sistema de coordenadas de proyección WGS 1984 Zona 17 Sur.

Las plantaciones están dispersas a nivel nacional. Cabe mencionar que cuando se habla de teca, se habla de calidad de madera. Es por esto que así la madera tenga un visible crecimiento agradable a la vista, lo más importante es el duramen y las principales características de calidad son el porcentaje de duramen versus albura y el color, en la siguiente imagen se puede observar teca acopiada, en donde su superficie basal casi el 90% la comprende el duramen y el color es una miel rojiza (Arteaga, 2019) (Ver figura 7).

Figura 7. Trozas de Tectona grandis (teca) Tomado de OLX (2018).

A continuación, en la figura 8, se presenta el flujograma de procedimientos aplicado para la recopilación, análisis y procesamiento de información para obtener los resultados del presente estudio.

Es necesario dividir las actividades en 4 procesos que parten desde el usuario pasan por el software ArcGIS, Excel y MaxEnt.

La parte principal del usuario es la de colectar los datos para los procesamientos, al ser datos de entidades gubernamentales fue necesario realizar solicitudes al Ministerio de Agricultura en la Subsecretaría de Producción Forestal, luego el de descargar los datos bioclimáticos de 1950 al 2000 y los modelos digitales de elevación. Luego en ArcGIS es importante que estos raster en diferentes resoluciones sean homologados en su extensión de geoprocesamiento y celdas raster, en Excel es importante obtener los CSV de las ubicaciones de la especie en el Ecuador, y por último procesar en MaxEnt para obtener el Modelo de Distribución Potencial de la teca con datos de presencia. La metodología es justificada, ya que a más de ser versátil es sencilla sin muchos procesos que puedan confundir los resultados finales en caso de una mala aplicación de herramienta. Cabe mencionar que al ser un software con mayor libertad para elegir factores de análisis, en este caso variables bioclimáticas, el factor radiación se pudo incluir en el modelo al contrario de otros softwares que solo admiten las 19 bioclimáticas. Además, MaxEnt ha sido utilizado con éxito en estudio de casos similares realizados por Läderach et al. (2015), Deb et al. (2017), Schulze et al. (2013), Kwak et al. (2017), Camara et al. (2018), Morin y Thuiller (2009) y Rahn et al. (2018).

Figura 8. Flujograma de procesos para la obtenciรณn del Modelo de Distribuciรณn de Especie.

3.3.

Análisis de los modelos de distribución potencial actual

empleando el método de modelación ambiental de máxima entropía. 3.3.1.

Variables ambientales.

Se utilizaron los datos de variables bioclimáticas disponibles en formato raster desde la página de WorldClim, que es un sitio que reúne conjuntos de datos climáticos a nivel mundial con una resolución espacial de 1km² aproximadamente en la línea del Ecuador (Fick y Hijmans, 2017). Son 20 las variables climáticas que son empleadas en el análisis (ver Tabla 1). Además, se utilizó la radiación solar, ya que este factor suele ser nombrado como uno determinante en el desarrollo de esta especie forestal, por ejemplo Camino y Morales (2013) indican que en cuanto a la tasa de crecimiento en general, tal como es de esperar con las especies forestales, se producen diferencias en el desarrollo de los árboles según se varíe el material genético empleado, las condiciones ambientales (especialmente el tipo de suelo, nivel de precipitación y distribución en el año, radiación solar, etc.), y el manejo forestal (espaciamiento inicial, raleos, control de malezas, fertilización y podas). Pero no existe un estudio que valide esta información, por lo tanto, en el tema de radiación solar, este tipo de estudio brindarán una fuente bibliográfica y de discusión para las investigaciones venideras.

Tabla 1. Variables bioclimáticas para el modelo de distribución potencial para teca. VARIABLE BIO1 BIO2 BIO3 BIO4 BIO5 BIO6 BIO7 BIO8 BIO9 BIO10 BIO11 BIO12 BIO13 BIO14 BIO15 BIO16 BIO17 BIO18 BIO19 SRAD

3.3.2.

DETALLE Temperatura media anual 1970-2000 Rango de temperatura promedio diurna 1970-2000 Isotermalidad "(BIO2/BIO7) * 100" 1970-2000 Estacionalidad de temperatura (Desviación estándar *100) 1970-2000 Temperatura máxima del mes más caluroso1970-2000 Temperatura mínima del mes más frío 1970-2000 Rango de temperatura anual (BIO5-BIO6) 1970-2000 Temperatura media del trimestre más húmedo 1970-2000 Temperatura media del trimestre más seco 1970-2000 Temperatura media del trimestre más caluroso 1970-2000 Temperatura media del trimestre más frío 1970-2000 Precipitación anual 1970-2000 Precipitación del mes más húmedo 1970-2000 Precipitación del mes más seco 1970-2000 Estacionalidad de la precipitación (Coeficiente de variación) 1970-2000 Precipitación del trimestre más húmedo 1970-2000 Precipitación del trimestre más seco 1970-2000 Precipitación del trimestre más caluroso 1970-2000 Precipitación del trimestre más frío 1970-2000 Radiación solar (kJ m-2 day-1) media anual 1970-2000

Condición altitudinal.

Además de las 20 variables bioclimáticas mencionadas en la tabla 1, se consideran los modelos digitales de elevación con una resolución de 30 m disponibles en la página de la U.S. Geological Survey ya que es una fuente confiable aunque no de muy buena resolución (U.S. Department of Interior, 2017). La variable de altura es importante para el análisis ya que la condición altitudinal es una de las variables ecológicas más importantes para la distribución de diferentes especies. Cada DEM tiene una dimensión de aproximadamente 110,000 m x 110.000 m por lo que se debe descargar el mosaico completo del país y luego construir un nuevo raster uniendo los archivos descargados con la herramienta “Mosaic to New Raster” del ArcToolbox del software ArcGIS 10.5. En la tabla 2, se describen los cuadrantes requeridos para el análisis:

Tabla 2. Archivos raster de los modelos digitales de elevación pertenecientes a Ecuador. Nro. Raster 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

3.3.3.

NOMBRE DEL ASTER ASTGTM2_N01W079_dem.tif ASTGTM2_N01W078_dem.tif ASTGTM2_N01W077_dem.tif ASTGTM2_N00W080_dem.tif ASTGTM2_N00W081_dem.tif ASTGTM2_N00W079_dem.tif ASTGTM2_N00W078_dem.tif ASTGTM2_N00W077_dem.tif ASTGTM2_N00W076_dem.tif ASTGTM2_N01W080_dem.tif ASTGTM2_S01W081_dem.tif ASTGTM2_S01W080_dem.tif ASTGTM2_S01W079_dem.tif ASTGTM2_S01W078_dem.tif ASTGTM2_S01W077_dem.tif ASTGTM2_S01W076_dem.tif ASTGTM2_S02W081_dem.tif ASTGTM2_S02W080_dem.tif ASTGTM2_S02W079_dem.tif ASTGTM2_S02W078_dem.tif ASTGTM2_S02W077_dem.tif ASTGTM2_S02W076_dem.tif ASTGTM2_S03W081_dem.tif ASTGTM2_S03W080_dem.tif ASTGTM2_S03W079_dem.tif ASTGTM2_S03W078_dem.tif ASTGTM2_S03W077_dem.tif ASTGTM2_S03W076_dem.tif ASTGTM2_S04W081_dem.tif ASTGTM2_S04W080_dem.tif ASTGTM2_S04W079_dem.tif ASTGTM2_S04W078_dem.tif ASTGTM2_S04W077_dem.tif ASTGTM2_S05W080_dem.tif ASTGTM2_S05W079_dem.tif ASTGTM2_S05W078_dem.tif ASTGTM2_S05W081_dem.tif

Aplicación del Modelización.

El modelo de predicción para determinación de zonas de adaptabilidad para teca se evaluó mediante el algoritmo de máxima entropía.

Naoki, Gómez, López, Meneses y Vargas, (2006, pág. 69) mencionan que: para

evaluar

desempeño del modelo se

posibles clases de errores:

toman

cuenta

dos

1) El error de omisión, que predice la no presencia de la especie donde realmente está (falso negativo), 2) El error de comisión, que predice la presencia de la especie donde no está (falso positivo).

El error de omisión es mucho más importante, y peor, desde el punto de vista científico, ya que no predice pueden

ser

importancia

crucial

lugares para

de presencia

que

la supervivencia de la

población, o contener genotipos únicos. El error de comisión, por el contrario, puede ser real o aparente, ya que un “falso positivo” puede significar o una sobre predicción del modelo o una predicción de nicho potencial de la especie.

3.3.4.

Ejecución del Modelo.

La aplicación del modelo implica el análisis y normalizado de la información obtenida de WorldClim (19 Variables bioclimáticas y de radiación promedio de cada mes durante 50 años 1950-2000), datos de presencia de la especie forestal facilitada por la Subsecretaría de Producción Forestal del Ministerio de Agricultura del Ecuador y modelo digital de elevación con una resolución de 30 metros del United State Geological Survey (USGS).

El modelo basa la predicción de áreas probables y potenciales para una especie forestal porque está asociado a un modelo estadístico basado en el principio de Máxima entropía. El esquema conceptual se detalla a continuación:

3.3.5.

Desarrollo de procedimientos.

Los datos raster descargados (la elevación, la radiación y las 19 bioclimáticas de WorldClim) se acoplan o acondicionan procurando que cada pixel posea la misma dimensión y la sobreposición de capas sea exacta, es decir que los pixeles al

sobreponerse no generen áreas sin cubrir o sobresalgan del límite de cada uno de estos. Se exportan los datos a formato ASCII, compatible con MaxEnt.

En MaxEnt se configura la salida de los resultados utilizando el modelo acumulativo en un rango de 0 a 100, lo cual indica una idoneidad de hábitat relativo de cada píxel más no una probabilidad de ocurrencia de la especie.

Con el Mapa en formato ASCII y procedimientos en software GIS se realiza una reclasificación de los datos con la finalidad de obtener un mapa que indique la factibilidad para el desarrollo de la especie forestal, para esto se separa la superficie con factibilidad de desarrollo con la que no es tan factible. Según Pearson en 2007, esto se hace aplicando un umbral de corte, en donde se utiliza un dato de los resultados de MaxEnt, el “equal training sensitivity and specificity cummulative threshold” que iguala los errores de comisión y de omisión de manera que uno no sea mayor que el otro (Reguerin, 2012)

Las características edafoclimáticas de importancia asociadas a la especie son determinadas mediante la prueba de Jackknife; el modelo asigna el incremento a las variables, lo que da como resultado un gráfico, donde se muestra la ganancia o contribución de cada una de estas.

4. 4.1.

RESULTADOS

Igualdad de entrenamiento y umbral acumulativo de

especificidad. MaxEnt entrega una tabla de umbrales comunes y las tasas de omisión correspondientes, la cual es la siguiente: Tabla 3. Umbrales comunes y las tasas de omisión. Cumulative threshold

Description

Fractional predicted area

Training omission rate

1.000

Fixed cumulative value 1

0.336

0.000

5.000

Fixed cumulative value 5

0.208

0.015

10.000

Fixed cumulative value 10

0.166

0.046

1.930

Minimum training presence

0.276

0.000

19.529

10 percentile training presence

0.121

0.100

21.800

Equal training sensitivity and specificity

0.113

16.165

Maximum training sensitivity plus specificity

0.135

0.069

1.930

Balance training omission, predicted area and threshold value

0.276

0.000

5.653

Equate entropy of thresholded and original distributions

0.200

0.025

El valor de igualdad de entrenamiento y umbral acumulativo de especificidad es de 21,80; en el uso de la herramienta de reclasificación se toman valores enteros, por lo que se hace un redondeo del inmediato superior para obtener un gráfico raster con los siguientes valores de intervalos para una nueva clasificación: Tabla 4. Descripción de valores acumulativos para clasificación de raster. Descripción

Valores obtenidos

Valores redondeados

Equal training sensitivity and specificity- Valores inferiores no son aptos para el desarrollo de la especie.

0-21.80

0-22

Baja aptitud para el desarrollo de la especie.

23-47.87

23-48

Media aptitud para el desarrollo de la especie.

49-73.93

49-74

Alta aptitud para el desarrollo de la especie.

75-100.00

75-100

Cabe mencionar que la clasificación a partir del valor 22 se hace arbitrariamente dividiendo los 78 puntos restantes para 3.

4.2.

Área bajo la curva.

El valor AUC fue de 0.95 cifra que se interpreta como un ajuste del modelo excelente. Ver Gráfico 1.

Gráfico 1. Curva AUC para ajuste de modelo de predicción de distribución potencial.

4.3.

Características edafoclimáticas de importancia en ajuste de

modelo. En el gráfico 2 se identifica la variable de “Bio7 rango de temperatura anual (BIO5BIO6) 1970-2000” que se usa por sí sola y no obtienen ganancia, por lo tanto, no resulta ser prescindibles para definir la distribución de T. grandis; mientras que las variables “Bio4 estacionalidad de temperatura (Desviación estándar *100) 19702000” y “Bio15 estacionalidad de la precipitación (Coeficiente de variación) 1970-

2000”. Cuando se utilizan por sí solas, se obtiene un valor más alto que permite un buen ajuste a los datos, de lo que resulta que son las más útiles para determinar la distribución de la especie. La variable ambiental que disminuye la ganancia más cuando se omite es “Bio8 temperatura media del trimestre más húmedo 1970-2000”, que parece tener la mayor cantidad de información que no está presente en las otras variables.

Gráfico 2. Contribución de las variables bioclimáticas y ambientales según prueba de Jackknife.

4.4.

Caracterización ambiental.

La caracterización ambiental para T. grandis se determinó con diecinueve variables bioclimáticas y dos variables ambientales, que se incluyeron en el modelo, el cual identifica a las celdas con la condición climática y ambiental que se atribuye a la distribución potencial de la especie forestal de manera espacial. Tabla 5. Valores mínimos, máximos, promedio y desviación estándar de variables bioclimáticas. VARIABLE

DETALLE

BIO1

Temperatura media anual 1970-2000

BIO2 BIO3 BIO4 BIO5 BIO6 BIO7 BIO8 BIO9 BIO10 BIO11 BIO12 BIO13 BIO14 BIO15 BIO16 BIO17 BIO18 BIO19 SRAD ELEV

Rango de temperatura promedio diurna 1970-2000 Isotermalidad "(BIO2/BIO7) * 100" 19702000 Estacionalidad de temperatura (Desviación estándar *100) 1970-2000 Temperatura máxima del mes más caluroso1970-2000 Temperatura mínima del mes más frío 1970-2000 Rango de temperatura anual (BIO5-BIO6) 1970-2000 Temperatura media del trimestre más húmedo 1970-2000 Temperatura media del trimestre más seco 1970-2000 Temperatura media del trimestre más caluroso 1970-2000 Temperatura media del trimestre más frío 1970-2000 Precipitación anual 1970-2000 Precipitación del mes más húmedo 19702000 Precipitación del mes más seco 19702000 Estacionalidad de la precipitación (Coeficiente de variación) 1970-2000 Precipitación del trimestre más húmedo 1970-2000 Precipitación del trimestre más seco 19702000 Precipitación del trimestre más caluroso 1970-2000 Precipitación del trimestre más frío 19702000 Radiación solar (kJ m-2 day-1) media anual 1970-2000 Elevación msnm

MÍNIMA

MÁXIMA

MEDIA

STD. DEV

22.32

25.80

24.62

0.53

6.53

11.87

8.48

0.68

69.95

90.68

78.42

2.46

30.25

139.92

83.98

15.27

27.30

31.80

29.71

0.65

16.10

21.70

18.89

0.78

7.80

13.40

10.82

0.95

23.28

26.93

25.49

0.48

21.37

25.52

23.69

0.57

23.28

27.10

25.64

0.50

21.27

25.45

23.64

0.58

391.00

2,859.00

1,578.29

584.04

105.00

560.00

361.48

107.04

1.00

49.00

11.48

55.67

125.26

105.63

13.70

260.00

1,544.00

973.03

317.05

5.00

182.00

45.92

39.59

248.00

1,544.00

940.02

315.56

5.00

182.00

49.03

42.70

11,455.00

15,589.00

12,330.26

665.40

1,197.00

119.87

99.58

4.5.

Anรกlisis de contribuciรณn de variables.

La tabla 6 proporciona estimaciones de las contribuciones relativas de las variables ambientales al modelo Maxent. Tabla 6. Contribuciรณn de variables al modelo de distribuciรณn potencial de T. grandis para el Ecuador Continental.

Variable

Porcentaje de contribuciรณn

bio15

28.4

bio4

21.1

elev

bio8

7.4

bio18

5.9

bio19

4.4

bio14

3.4

bio11

2.5

rad

1.5

bio3

1.4

bio10

1.4

bio16

1.1

bio9

1.1

bio12

0.9

bio7

0.8

bio13

0.7

bio6

0.7

bio5

0.6

bio2

0.4

bio1

0.1

bio17

4.6.

Distribución potencial.

El área potencial que esta especie ocupa en el Ecuador es de 1,885,861.29 Ha, la cual se distribuye desde los 0°58'15.886"N hasta los 3°47'30.175"S y desde los 80°33'28.952"W hasta los 79°6'48.072"W, en donde las provincias con mayor distribución potencial para T. grandis son Guayas con 539,433.92 Ha, Los Ríos con 515,359.74 Ha y Manabí con 485,236.71 Ha; a continuación, se presenta un cuadro con el detalle de la superficie por provincias (Ver Mapas 2, 3, 4 y 5). Tabla 7. Superficie por grado de distribución potencial de T. grandis. Aptitud

Superficie Ha

Porcentaje

Alta

203,830.83

10.81

Baja

1,073,749.20

56.94

Media

608,281.27

32.25

TOTAL

1,885,861.30

100

Tabla 8. Superficie por provincias de zonas aptas para el desarrollo óptimo de T. grandis. Aptitud- Superficie en hectáreas Provincias

Total general Alta

Guayas

Baja

Media

115,659.57

215,112.91

208,661.44

539,433.92

Los Ríos

27,979.02

292,315.16

195,065.57

515,359.74

Manabí

41,429.33

315,002.41

128,804.98

485,236.71

4,544.64

81,948.41

21,172.18

107,665.23

961.09

62,638.94

20,833.09

84,433.11

El Oro

2,677.10

40,254.99

7,818.22

50,750.31

Zonas en estudio

2,522.14

18,697.97

11,138.85

32,358.96

Cotopaxi

3,003.12

18,925.21

4,354.70

26,283.03

265.46

17,955.11

3,303.96

21,524.54

Cañar

4,755.54

4,205.75

4,454.70

13,415.99

Azuay

0.00

3,561.39

248.07

3,809.46

Santa Elena

0.00

2,634.64

273.45

2,908.09

Chimborazo

0.00

233.00

2,152.07

2,385.07

33.82

263.31

0 .00

297.13

203,830.83

1,073,749.20

608,281.27

1,885,861.29

Esmeraldas Santo Domingo de los Tsáchilas

Bolívar

Pichincha Total general

Mapa 2. Mapa de distribuciรณn potencial de T. grandis en el Ecuador Continental.

Mapa 3. Mapa de distribuciรณn potencial de T. grandis en la provincia del Guayas.

Mapa 4. Mapa de distribuciĂłn potencial de T. grandis en la provincia de ManabĂ.

Mapa 5. Mapa de distribuciĂłn potencial de T. grandis en la provincia de Los RĂos.

ANÁLISIS DE LOS RESULTADOS.

Se evaluaron geoespacialmente los nichos ecológicos para la teca determinando el porcentaje de contribución de cada variable Bioclimática y ambiental de las cuales de determinó la característica que más influencia al desarrollo de la misma, así mismo se mapearon a escala 1: 50,000 las zonas con mayor aptitud para el desarrollo de la teca. Cabe mencionar que estas zonas se encuentran ubicadas en las provincias de Guayas, Manabí y Los Ríos, respondiendo así a la primera pregunta de investigación “¿Dónde están los nichos ecológicos de teca?”.

De acuerdo al análisis de contribución de variables brindado por MaxEnt y la delimitación de la superficie con distribución potencial, la estacionalidad de temperatura (bio4) aporta con un 21.1% con valores de 30.25 a 139.92. La estacionalidad de la precipitación (bio15) con un 28.4% con valores de 55.67 a 125.26. La elevación (elev) con un 16% hasta los 1,197 msnm. Eso concuerda con Jiménez (2012) quien menciona que la T. grandis se desarrolla de manera óptima hasta los 1200 msnm, mientras que en la página de Ecuador Forestal (2012) se explica hasta los 800 msnm, respondiendo así a la segunda pregunta de investigación “¿Cuáles variables bioclimáticas determinan el nicho de teca?”.

La temperatura media del trimestre más húmedo (bio8) aporta con un 7.4% con valores entre 23.28 a 26.93. La precipitación del trimestre más caluroso (bio18) aporta con un 5.9% con valores de 248 mm a 1,544 mm. La precipitación del trimestre más frío (bio19) aporta con un 4.4% con valores de 5 mm a 182 mm. La precipitación del mes más seco (bio14) contribuye con un 3.4% con valores de 1 mm a 49 mm, lo que no concuerda con lo planteado por Restrepo Orozco, Orrego, del Valle, y Salazar, en 2012, quienes registraban presencia de T. grandis en rangos de 45 mm a 169 mm para la determinación de modelos de efectos mixtos no lineales para la estimación de rendimiento, respondiendo así a la segunda pregunta de investigación “¿Cuáles variables bioclimáticas determinan el nicho de teca?”.

La temperatura media del trimestre más frío (bio11) aporta con un 2.5% con valores de 21.27 °C a 25.45 °C, resultado que nuevamente no concuerda con los obtenidos por Restrepo Orozco et al. (2012), quienes registraron presencia de T. grandis en rangos de 13.5 °C a 19.7 °C.

La radiación solar media anual (rad) con un 1.5% con valores de 11,455 kJ m-2 day-1 a 15,589 kJ m-2 day-1.

La Isotermalidad (bio3) con un 1.4% con valores de 69.95% a 90.68%.

La temperatura media del trimestre más caluroso (bio10) con un 1.4% con valores de 23.28 °C a 27.10 °C.

La precipitación del trimestre más húmedo (bio16) con un 1.1% con valores de 260 mm a 1,544 mm; temperatura media del trimestre más seco (bio9) con un 1.1% con valores de 21.37 °C a 25.52 °C, precipitación anual con un 1.1% con valores de 391 mm a 2,859 mm que tiene algo de similitud con lo indicado por Jiménez (2012) quien indica un rango de 1,000 mm a 5,000 mm, que no concuerda con Kaosa-ard (1989) quien indica una precipitación óptima de 1,250 mm a 2,500 mm.

El conjunto de los valores más representativos en los párrafos anteriores indica que las zonas con estas características son las más aptas para el establecimiento de plantaciones forestales de teca, respondiendo así a la tercera pregunta de investigación “¿Dónde están las zonas más aptas para teca?”.

El resto de variables aportan con menos del 1% y se puede observar en la tabla 5 los valores mínimos y máximos de cada una de ellas.

Existe muy poca información de análisis de máxima entropía en especies forestales con fines productivos en el Ecuador, sin embargo Arias en 2016 realizó un estudio en las regiones de Huánuco, Pasco y Junín en los bosques de neblina, de ceja de selva en la ecorregión llamada yunga en Perú, determinando nicho ecológico para

diablo fuerte (Prumnopitys harmsiana), ulcumano (Retrophyllum rospigliosii) y nogal (Juglans neotropica). En P. harmsiana se determinó que la variable de mayor contribución fue la “Estacionalidad de temperatura”, en R. rospigliosii se determinó que la variable de mayor contribución fue la “Temperatura media del trimestre más húmedo” y en J. neotropica se determinó que la variable de mayor contribución fue la “Temperatura media del trimestre más caluroso”. Cabe mencionar que Arias georreferenció árbol por árbol en cambio en el presente estudio se georreferenció la plantación y se utilizó el centroide del polígono como ubicación de la presencia de la especie. Se puede decir que la modelación de nichos ecológicos de estas 4 especies es influenciada por diferentes factores bioclimáticos y ambientales.

De acuerdo a la hipótesis planteada, como se pudo observar en los resultados, el porcentaje y contribución de la radiación es de apenas el 1.5% y la variable que mayor contribución brinda para el desarrollo de la teca es la “estacionalidad de la precipitación” con un 28.4%. Por lo tanto, se rechaza la hipótesis alternativa.

En el presente estudio no se considera la calidad de la madera, pero sería muy interesante que a partir de esta investigación se diseñe un experimento con fines investigativos en donde se considere la calidad de la madera.

CONCLUSIONES

La distribución potencial determinada bajo la aplicación de MaxEnt tuvo un excelente desempeño, a más de ser un sencillo procedimiento, presenta datos muy valederos.

La distribución potencial de T. grandis depende mucho de la estacionalidad de temperatura (bio4), estacionalidad de la precipitación (bio15) y de la elevación (elev). Existen 1,885,861.30 Ha con características para la adaptabilidad de la T. grandis en el Ecuador Continental. Las provincias con mejores características bioclimáticas y ambientales para el favorecimiento de distribución potencial de la T. grandis son Guayas, Manabí y los Ríos.

Se hallaron provincias que pertenecen la región sierra en donde existe superficie con distribución potencial para T. grandis, esto es debido a que la zonificación determinada pertenece a zonas de transición climática y baja elevación.

La aplicación de Modelos de Nicho Ecológico en MaxEnt con la obtención o construcción de datos de una mejor resolución y más actualizados mejorarían la producción de información cartográfica de zonas con aptitud para el desarrollo de una determinada especie forestal, y no tan solo para estas, sino para seres vivos en general que tengan una distribución delimitada por factores bioclimáticos y ambientales.

Cabe mencionar que el ahorro de tiempo es una de las principales ventajas de este tipo de análisis, que solo aplicando tecnología GIS se los podría obtener.

En todas las especies forestales los modelos actúan de manera diferente, aunque los resultados son muy específicos, casi ambiguos debido a que las variables bioclimáticas tienden a entenderse de manera diferente ya que son términos que no son usados de manera general para la distribución potencial de las especies

vegetales como animales, sirven para indicar geográficamente cual sería la ubicación óptima para que la especie sobreviva y se desarrolle de manera óptima.

Cabe mencionar que se cree de manera personal que no son suficientes para este tipo de especie forestal los datos recopilados, como se mencionó en párrafos anteriores sería bueno considerar o ingresar a los modelos variables como la calidad de la madera, esta especie forestal en especial y similares. Además, de usar raster o variables que contengan características del suelo, ya que es un factor muy importante que en algunos estudios ha pasado desapercibida, pero es entendible ya que los costos para realizar este tipo de estudios serían muy elevados, por ejemplo, si se quiere agregar calidad de la madera el MaxEnt debería albergar además de la ubicación del individuo una opción para ingresar datos singulares que presenten la potencialidad que se quiera incluir.

En el caso de características de suelo, se debería realizar calicatas y análisis de laboratorios a una escala de mayor detalle para que la información del sustrato de esa especie sea específica.

BIBLIOGRAFÍA.

Arias, D. (2016). MODELADO DEL NICHO ECOLÓGICO DE DIABLO FUERTE, (Prumnopitys harmsiana), ULCUMANO (Retrophyllum rospigliosii), Y NOGAL (Juglans neotropica) EN LAS REGIONES DE HUÁNUCO, PASCO Y JUNÍN. Universidad Nacional Del Centro de Perú, 129.

Arteaga, L. (2019). Calidad de la madera de teca, procesamiento y comercialización. Quevedo: Entrevista a Productores y Exportadores de Teca en el Ecuador.

Benito, B. M. (2009). Modelos de distribución de flora para asistencia a la toma de decisiones en planes de conservación. Consultado en Agosto 2, 2018, desde https://s3-eu-west-1.amazonaws.com/pfigshare-ufiles/996074/INFORME_MODELOS.pdf.

Biología Ambiental. (2013). Muestreo de flora. Consultado en Diciembre 16, 2017, desde http://trabajocolaborativoactividad10.blogspot.com/2013/05/muestreode-flora.html

Booth, T. H., Nix, H. A., Busby, J. R., y Hutchinson, M. F. (2014). Bioclim: The first species distribution modelling package, its early applications and relevance to most current MaxEnt studies. Diversity and Distributions, 20(1), 1–9. https://doi.org/10.1111/ddi.12144

Box, E. O. (1981). Macroclimate and Plant Forms: an introduction to predictive modeling in phytogeography (Vol. 1). Springer Science & Business Media. https://doi.org/10.1007/978-94-009-8680-0

CAF, Corporación Andina de Fomento. (2014). Índice de vulnerabilidad y adaptación al cambio climático en la región de América Latina y el Caribe.

CAF.

Consultado

Diciembre

16,

2017,

http://www.scielo.org.co/pdf/bccm/v21n2/0123-3068-bccm-21-02-00190.pdf

Camara, R., García, L., Requena, G., Lara, M., y Morales, J. (2018). Patrón de distribución espacial de especies de Quercus y formaciones de encinos en Tamaulipas (México). Boletín de La Asociación de Geógrafos Españoles, (79). https://doi.org/10.21138/bage.2489

Camino, R., y Morales, J. P. (2013). Las plantaciones de teca en América Latina.

Castro, F., y Raigosa, J. (2000). Crecimiento y propiedades fisico-mecanicas de la madera de teca (Tectona grandis) de 17 años de edad en San Joaquin de Abangares, Costa Rica. 24, 7–23. Consultado en Diciembre 16, 2017, en https://www.researchgate.net/publication/26459479_Crecimiento_y_propieda des_fisicomecanicas_de_la_madera_de_teca_Tectona_grandis_de_17_anos_de_eda d_en_San_Joaquin_de_Abangares_Costa_Rica

CGIAR, Consultative Group on International Agricultural Research; CCAFS, Climate Change, Agriculture and Food Security; CIAT, International Center for Tropical Agriculture y Future Earth. (2011). Herramientas de modelación en el marco de la agricultura y cambio climático. Consultado en Diciembre 16, 2017,

desde

http://www.cac.int/sites/default/files/Herramientas%20de%20modelaci%C3% B3n%20en%20el%20marco%20de%20la%20agricultura%20y%20cambio%2 0climat....pdf

CONABIO, Comisión Nacional de Biodiversidad, y University of Kansas. (2014). Maxent - Nichos y Áreas de Distribución. Consultado en Diciembre 15, 2017, desde http://nicho.conabio.gob.mx/la-calibracion-del-modelo/maxent

CONAFOR, Comisión Nacional Forestal y Ramírez, M. (2011). Metodología para realizar y presentar informes ISI. Consultado en Diciembre 16, 2017, desde http://www.conafor.gob.mx:8080/documentos/ver.aspx?grupo=6&articulo=15 64

Crespo, R., Jiménez, E., Suatunce, P., Law, G., y Sánchez, C. (2008). Análisis comparativo de las propiedades físico-mecánicas de la madera de fernán sánchez.

Universidad

Técnica

Estatal

Quevedo,

56–63.

https://doi.org/10.18779/cyt.v1i2.103

Deb, J. C., Phinn, S., Butt, N., y McAlpine, C. A. (2017). Climatic-Induced Shifts in the Distribution of Teak (Tectona grandis) in Tropical Asia: Implications for Forest Management and Planning. Environmental Management, 60(3), 422– 435. https://doi.org/10.1007/s00267-017-0884-6

Ecuador Explorer. (2016). Ubicación de Ecuador - Geografía de Ecuador - Clima de Ecuador.

Consultado

Agosto

12,

2017,

desde

http://www.ecuadorexplorer.com/es/html/ubicacion-geografia-y-clima.html

Ecuador Forestal. (2012). Ficha Técnica No 1: TECA. Consultado en Diciembre 16, 2017,

desde

http://ecuadorforestal.org/fichas-tecnicas-de-especies-

forestales/ficha-tecnica-no-1-teca/

EcuRed. (2015). Teca (Tectona grandis). Consultado en Diciembre 16, 2017, desde https://www.ecured.cu/Teca

Eitzinger, A., y Universidad San Francisco de Quito. (2018). Modulo de la Asignatura de SIG y Agricultura (UNIGIS, Ed.). Quito: Universitat Salzburg.

El Grupo Forwood. (2019). Acerca de la teca - La demanda de madera de teca. Consultado en Diciembre 16, 2017, desde http://www.forwood.com/es/acercade-la-teca/la-demanda-de-madera-de-teca/

Elith, J., H. Graham, C., P. Anderson, R., Dudík, M., Ferrier, S., Guisan, A., ... y Li, J. (2006). Novel methods improve prediction of species’ distributions from occurrence

data.

Ecography,

29(2),

129-151.

https://doi.org/10.1111/j.2006.0906-7590.04596.x

Elith, J., Phillips, S. J., Hastie, T., Dudík, M., Chee, Y. E., y Yates, C. J. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43–57. https://doi.org/10.1111/j.1472-4642.2010.00725.x

FAO, Food and Agriculture Organization of the United Nations. (1997). Capítulo 2: Conceptos y definiciones. En Zonificación agro-ecológica, Guía general. Consultado

Agosto

12,

2017,

desde

http://www.fao.org/docrep/W2962S/w2962s04.htm

Ferrer, F. (2015). Lección 5. Modelos de distribución potencial de especies. Consultado

Agosto

12,

2017.

Disponible

https://fjferrer.webs.ull.es/Apuntes05/Tema_5.pdf

Fick, S., y Hijmans, R. (2017). WorldClim - Global Climate Data. Consultado en Marzo 4, 2018, desde http://worldclim.org/version2

Fondo Nacional de Investigaciones Agropecuarias (Venezuela), M., Instituto Nacional de Agricultura (Venezuela), R., Centro de Investigaciones Agronómicas

(Venezuela),

O.,

Centro

Nacional

Investigaciones

Agropecuarias (Venezuela), M., Pérez-Almeida, I., Reyes, E., y Moreno, O. (2013). Agronomía tropical : revista del Instituto Nacional de Agricultura. In Agronomía Tropical (Vol. 63). Consultado en Diciembre 16, 2017, desde http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0002192X2009000300003

Fonseca, W. (2004). MANUAL PARA PRODUCTORES DE TECA (Tectona grandis L. f) EN COSTA RICA.

Fortin, M.-J., Graham, C. H., Pellissier, L., Pearman, P. B., Guisan, A., Thuiller, W., … Petitpierre, B. (2011). Measuring ecological niche overlap from occurrence and spatial environmental data. Global Ecology and Biogeography, 21(4), 481–497. https://doi.org/10.1111/j.1466-8238.2011.00698.x

FUCOL. (2010). Tectona grandis L.F.

Gallo, M., Herrera, A., Joya, W., Garcia, C. A., y Pinto, L. A. (2007). Establecimiento de 400 hectáreas de teca (Tectona grandis) en la finca las golondrinas del municipio de betulia, santander y obtener madera de calidad para muebles finos. Universidad del Tolima. Gavilánez, C. (2016). SOBREVIVENCIA DE “Tectona grandis” (TECA), DURANTE EL PRIMER AÑO DE EJECUCIÓN DEL PROGRAMA DE INCENTIVOS PARA LA REFORESTACIÓN, EN DOS PROVINCIAS DEL ECUADOR. AÑO 2014. UTEQ, 70.

Geoinnova. (2017). Cómo crear modelos predictivos con Maxent - Cursos Geoinnova.org.

Consultado

Agosto

13,

2017,

desde

https://geoinnova.org/cursos/como-crear-modelos-predictivos-con-maxent/

GIDAHATARI. (2017). Modelamiento de Distribución de Especies de Flora y Fauna con

Maxent.

Consultado

Diciembre

15,

2017,

desde

http://gidahatari.com/ih-es/modelamiento-de-distribucion-de-especies-deflora-y-fauna-con-maxent-codigo-libre

Gidahatari, y Montoya, S. (2017). BIOCLIM: Un Sistema de Análisis y Predicción de Bioclimas. Consultado en Diciembre 31, 2018, desde http://gidahatari.com/ihes/bioclim-un-sistema-de-analisis-y-prediccion-de-bioclimas

GISGEEK. (2017). Fuentes de Información Geográfica (SIG) para el Análisis Espacial Ambiental para México y el Mundo. Consultado en Marzo 8, 2019, desde

http://sig-geek.blogspot.com/2017/06/fuentes-de-informacion-

geografica-sig.html Haining, R. P. (2003). Spatial data analysis : theory and practice. Cambridge University Press.

Hidalgo, E. (2014). Teca (teak). 1.

Hijmans, R. J., y Graham, C. H. (2006). The ability of climate envelope models to predict the effect of climate change on species distributions. Global Change Biology,

12(12),

2272–2281.

https://doi.org/10.1111/j.1365-

2486.2006.01256.x

Hutchinson, J. (1995). Keynote Paper: Landslide Hazard Assessment.

Hutchinson, M. F., y Bischof, R. J. (1983). A new method for estimating the spatial distribution of mean seasonal and annual rainfall applied to the Hunter Valley, New South Wales. EPIC3Australian Meteorological Magazine, Bremerhaven, PANGAEA, 31(3), Pp. 179-184. Consultado en Diciembre 16, 2017, desde https://epic.awi.de/id/eprint/29862/

ITTO, International Tropical Timber Organization. (2015). Teca, Teak (Tectona grandis).

Consultado

Junio

26,

2019,

desde

http://www.tropicaltimber.info/es/specie/teca-tectona-grandis/

Jiménez, L. (2012). Tectona grandis-Manejo silvicultural de plantaciones. CATIE. Consultado

Diciembre

16,

2017,

desde

http://www.virtualwebecuador.com/pdf/Tectona grandis LDJimenez CATIE 08-12.pdf

Kadambi, K. (1972). Silviculture and Management of Teak. In Forestry Bulletin (Vol. 24).

Consultado

Diciembre

16,

2017,

desde

http://scholarworks.sfasu.edu/forestrybulletins/23

Kaosa-ard, A. (1989). Teak its natural distribution and related factors. Nat His Bull Siam Soc, 29, 55–74. Kwak, M., Kim, J., Je, S. M., Khaine, I., Yang, L., You, H., … Kang, H. (2017). Species Diversity, Stand Structure, and Species Distribution across a Precipitation Gradient in Tropical Forests in Myanmar. Forests, 8(8), 282. https://doi.org/10.3390/f8080282

Läderach, P., Montagnon, C., Pérez Jimenez, J. G., Schilling, T., & Bunn, C. (2015). Multiclass Classification of Agro-Ecological Zones for Arabica Coffee: An Improved Understanding of the Impacts of Climate Change. Plos One, 10(10), e0140490. https://doi.org/10.1371/journal.pone.0140490

MAGAP, Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. Acuerdo Ministerial 502. (2012).

MAGAP, Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. (2014). Programa de Incentivos para la Reforestación con Fines Comerciales. Ministry of Agriculture, Livestock, Aquaculture and Fisheries. 68. Diciembre

16,

2017,

desde

Consultado en

http://ecuadorforestal.org/wp-

content/uploads/2014/06/SPF-FOLLETO-PIF-2014-050614.pdf

MAGAP, Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. y Noboa, P. (2015). Programa de Incentivos para la Reforestación con Fines Comerciales. 72.

Martínez, H. (2015). Teca (Tectona grandis L. f.): condiciones para su cultivo “Fomento de la reforestación comercial para la mejora y conservación de las reservas de carbono.” Fondo Nacional de Financiamiento Forestal Forest Monitoring System for REDD+ Costa Rica.

Mathur, P., Cruz, M., Barrantes, I., y Rojas, E. (2004). DIVA-GIS.

Mezaour, A.-D. (2005). Filtering Web Documents for a Thematic Warehouse Case Study: eDot a Food Risk Data Warehouse (extended). In Intelligent Information Processing and Web Mining (pp. 269–278). https://doi.org/10.1007/3-54032392-9_28

Morales, I. (2016). MICROORGANISMOS EDÁFICOS Y SU NIVEL DE ASOCIACIÓN EN SUELOS DE CUATRO PLANTACIONES FORESTALES EN LA PROVINCIA DE LOS RÍOS, ECUADOR, 2016. UTEQ, 61.

Morin, X., y Thuiller, W. (2009). Comparing niche- and process-based models to reduce prediction uncertainty in species range shifts under climate change. 90(5), 1301–1313.

Naoki, K., Gómez, M. I., López, R. P., Meneses, R. I., y Vargas, J. (2006). Comparación de modelos de distribución de especies para predecir la distribución potencial de vida silvestre en Bolivia wildlife ’ s potential distribution in Bolivia. 41(1), 65–78.

Norellys, S. (2017). Establecimiento de criterios técnicos para el mejoramiento y expansión de una plantación. (Cd), 1–29. Consultado en Diciembre 16, 2017, desde https://stadium.unad.edu.co/preview/UNAD.php?url=/bitstream/10596/12371/ 1/68295940.pdf

Noticias Hábitat. (2011). La teca, una de las maderas más valoradas del mundo. NoticiasHabitat website Consultado en Diciembre 16, 2017, desde: http://www.noticiashabitat.com/2011/la-teca-una-de-las-maderas-masvaloradas-del-mundo/

Olaya, V. (2015). Conceptos básicos para el análisis espacial. Consultado en Diciembre

15,

2017,

desde

http://volaya.github.io/libro-

sig/chapters/Analisis_espacial.html

OLX. (2018). Venta De Madera Teca Calidad De Exportación - Quito. Consultado en Marzo 8, 2019, desde https://quito.olx.com.ec/venta-de-madera-tecacalidad-de-exportacion-iid-1036857033

Pandey, D., y Brown, C. (2000). Unasylva - No. 201 - Teca. Consultado en Diciembre 16, 2017, desde http://www.fao.org/docrep/x4565s/x4565s03.htm

Parra, J. L., Graham, C. C., y Freile, J. F. (2004). Evaluating alternative data sets for ecological niche models of birds in the Andes. Ecography, 27(3), 350–360. https://doi.org/10.1111/j.0906-7590.2004.03822.x Parrales, J. (2016). Sobrevivencia de “Ochroma pyramidale” (balsa), durante los dos primeros años de ejecución del programa de incentivos para la reforestación, en las provincias de Los Ríos y Esmeraldas. Consultado en Diciembre

16,

2017,

desde

http://repositorio.uteq.edu.ec/bitstream/43000/1785/1/T-UTEQ-0032.pdf

Perazzo, F., y Marchant, F. (2017). Análisis comparativo entre funciones de forma maxent y de mínimos cuadrados ponderados en un método sin malla de colocación. Revista Internacional de Metodos Numericos Para Calculo y Diseno

Ingenieria,

https://doi.org/10.1016/j.rimni.2016.07.003

33(3–4),

290–298.

Phillips, S. J., Anderson, R. P., Dudík, M., Schapire, R. E., y Blair, M. E. (2017). Opening the black box: an open-source release of Maxent. Ecography, 40(7), 887–893. https://doi.org/10.1111/ecog.03049

PROECUADOR, Instituto de Promoción de Exportaciones e Inversiones, parte del Ministerio de Comercio Exterior del Ecuador. (2016). Perfil Sectorial de Agroindustria 2016. 17.

Consultado en Diciembre 16, 2017, desde

https://www.proecuador.gob.ec/forestal-y-derivados/

Pumain, D. (2015). Análisis Espacial. Consultado en Diciembre 15, 2017, desde http://www.hypergeo.eu/spip.php?article265

Quiroz Ortuño, Y. (2010). Los SIG como herramienta para la toma de decisiones en la solución de problemas ambientales y dentro de la formación profesional en ciencias ambientales. Temas de Ciencia y Tecnología, 14(41), 33–40. Consultado

Diciembre

16,

2017,

desde

http://www.utm.mx/edi_anteriores/temas41/2NOTAS_41_2.pdf

R Core Team. (2014). R: a language and environment for statistical computing. Consultado en Marzo 8, 2019, desde https://www.gbif.org/tool/81287/r-alanguage-and-environment-for-statistical-computing

Rahn, E., Vaast, P., Läderach, P., van Asten, P., Jassogne, L., y Ghazoul, J. (2018). Exploring adaptation strategies of coffee production to climate change using a process-based model. Ecological Modelling, 371(Julio 2017), 76–89. https://doi.org/10.1016/j.ecolmodel.2018.01.009

Ramírez-Villegas, J., Jarvis, A., y Läderach, P. (2013). Empirical approaches for assessing impacts of climate change on agriculture: The EcoCrop model and a case study with grain sorghum. Agricultural and Forest Meteorology, 170, 67–78. https://doi.org/10.1016/J.AGRFORMET.2011.09.005

Reguerin, J. (2012). DISTRIBUCION POTENCIAL DE ESPECIES DE LA FAMILIA ARALIACEAE DE LA REGION MADIDI. Consultado en Diciembre 16, 2017, desde http://www.mobot.org/PDFs/research/madidi/Itla_2010_Thesis.pdf

Restrepo Orozco, H. I., Orrego S, S. A., del Valle, J. I., y Salazar U, J. C. (2012). Rendimiento, turno óptimo forestal y rentabilidad de plantaciones forestales de Tectona grandis y Pinus patula en Colombia. Interciencia, 37(Septiembre), 14–20.

Consultado

Diciembre

16,

2017,

desde

http://www.forestalmaderero.com/files/RENDIMIEMTOS DE TECA Y PINO PATULA,EN COLOMBIA.pdf

Rivero, J., y Moya, R. (2006). Propiedades físico-mecánicas de la madera de Tectona grandis Linn. F. (teca), proveniente de una plantación de ocho años de edad en Cochabamba, Bolivia. Revista Forestal Mesoamericana Kurú, 3(9),

50–63.

Consultado

Diciembre

16,

2017,

desde

https://www.researchgate.net/publication/276206695_Propiedades_fisicomecanicas_de_la_madera_de_Tectona_grandis_Linn_F_teca_proveniente_ de_una_plantacion_de_ocho_anos_de_edad_en_Cochabamba_Bolivia

Rosenkrantz, R. D. (1984). E. T. Jaynes: Papers on Probability, Statistics and Statistical

Physics.

American

Journal

Physics,

52(2),

190.

https://doi.org/10.1119/1.13725

Ryan, P. (1982). THE MANAGEMENT OF BURMESE TEAK FORESTS. The Commonwealth

Forestry

Review,

Vol.

61,

pp.

115–120.

https://doi.org/10.2307/42608629

Schmidt, A., Eitzinger, A., Sonder, K., y Sain, G. (2012). Tortillas on the Roaster ( T O R ) Full Technical Report Central American Maize -Bean Systems and the Changing Climate. (Octubre). https://doi.org/10.13140/RG.2.1.4853.9044

Schulze, R., Oppenheimer, M. G., Estes, L. D., Bradley, B. A., Hole, D. G., Lau, M., … Tadross, M. A. (2013). Comparing mechanistic and empirical model projections of crop suitability and productivity: implications for ecological forecasting.

Global

Ecology

and

Biogeography,

22(8),

1007–1018.

https://doi.org/10.1111/geb.12034

Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical

Journal,

27(3),

379–423.

https://doi.org/10.1002/j.1538-

7305.1948.tb01338.x

Soberon, J. (2012). Las probabilidades de Maxent. (10), 10.

Streets, R. J. (1962). Exotic forest trees in the British Commonwealth. Exotic Forest Trees in the British Commonwealth.

Consultado en Diciembre 16, 2017,

desde https://www.cabdirect.org/cabdirect/abstract/19620605013

Suárez, G. (2014). APUNTES SOBRE LA ZONIFICACIÓN AGROECOLÓGICA DE LOS CULTIVOS. PARTICULARIDADES EN CUBA. 35(4), 36–44.

TECA ECUADOR. (2014). ¿Qué es la Teca? Consultado en Diciembre 16, 2017, desde http://tecaecuador.com/teca.htm

U.S. Department of Interior. (2017). Science for a changing world. Consultado en Marzo 4, 2018, desde https://www.usgs.gov/

Wahba, G., y Wendelberger, J. (1980). Some New Mathematical Methods for Variational Objective Analysis Using Splines and Cross Validation. Monthly Weather

Review,

108(8),

1122–1143.

0493(1980)108<1122:SNMMFV>2.0.CO;2

https://doi.org/10.1175/1520-

Wilson, H. S., y Hutchinson, S. A. (1991). Triangulation of Qualitative Methods: Heideggerian Hermeneutics and Grounded Theory. Qualitative Health Research, 1(2), 263â&#x20AC;&#x201C;276. https://doi.org/10.1177/104973239100100206