Professional Documents
Culture Documents
João G. R. Giovanelli1,2*
jgiovanelli@gmail.com
Cybele O. Araujo3
cyaraujo@iflorestal.sp.gov.br
Célio F. B. Haddad2
haddad@rc.unesp.br
João Alexandrino2
jalex@rc.unesp.br
Resumo
A perereca Phyllomedusa ayeaye é uma espécie rara. Com distribuição na região sudeste
do Brasil praticamente desconhecida, é considerada um dos anuros mais ameaçados
do país. Através de modelagem de nicho ecológico baseada em apenas três pontos de
ocorrência conhecidos, foram gerados mapas preditivos da distribuição desta espécie
que permitem direcionar novos levantamentos para áreas de ocorrência previstas pelo
modelo. Este é o primeiro estudo no Brasil usando modelagem de nicho ecológico como
ferramenta para prever a distribuição de uma espécie de anfíbio anuro rara e ameaçada.
Abstract
1
Universidade Estadual Paulista - Rio Claro,
Programa de Pós-Graduação em Ciências The tree-frog Phyllomedusa ayeaye is a rare species. With its distribution mostly unknown
Biológicas, área Zoologia, Instituto de Bio- in the southeastern region of Brazil, it is considered one of the most threatened anurans
ciências, Caixa Postal 199, 13506-970, Rio in the country. Here we use ecological niche modelling from only three known occurrence
Claro, SP, Brasil.
points to produce predictive maps of the distribution of this species, which should help
2
Universidade Estadual Paulista, Departa-
mento de Zoologia, Instituto de Biociências, target new field surveys in areas of occurrence predicted by the model. This is the first
Caixa Postal 199, 13506-970, Rio Claro, study in Brazil that uses ecological niche modelling as a tool for predicting the distribution
SP, Brasil. of rare and threatened amphibian anuran species.
3
Instituto Florestal, Seção de Ecologia Flo-
restal, Rua do Horto, 931, Horto Florestal,
02377-000, São Paulo, SP, Brasil. Key words: algorithms, conservation, Cerrado, threatened species, geographic distribution,
*
Autor para correspondência. openModeller.
João G. R. Giovanelli, Cybele O. Araujo, Célio F. B. Haddad, João Alexandrino
(altitude), ambas com resolução espa- espaço multidimensional. Estes algo- do com o BIOCLIM é o mais restrito,
cial de 2,5’ (aproximadamente cinco ritmos também têm sido usados para não prevendo muitas áreas além dos
quilômetros). Estas variáveis, deriva- gerar modelos de distribuição de espé- pontos de ocorrência conhecidos.
das de dados de temperatura e pluvio- cies raras e/ou com poucas localidades O mapa consensual, que combina o
sidade, são resultantes de interpola- de ocorrência conhecidas (Peterson e resultado dos modelos que geraram
ções de dados climáticos do período Papes, 2006). amplas áreas de distribuição (Clima-
de 1950 a 2000, obtidos em estações Devido à disponibilidade de somente te Space Model e Envelope Score)
metereológicas localizadas em várias três pontos de ocorrência de P. aye- com os modelos restritos (BIOCLIM,
localidades da América do Sul (Hij- aye, não foi possível validar o modelo Distance to Average e Minimum
mans et al., 2005; Worldclim, 2006, usando índices de AUC e Kappa e/ou Distance), mostra duas áreas princi-
disponível em http://www.worldclim. partição dos dados para criação de pais de ocorrência potencial da espé-
org). A altitude foi extraída do banco subconjuntos de teste e de treino (e.g. cie (Figura 2). A primeira corresponde
de dados U.S. Geological Survey’s Fielding e Bell, 1997; Manel et al., à divisa dos estados de Minas Gerais
Hydro-1K (Hydro-1K, 2008, disponí- 2001). Assim, os modelos gerados de- e São Paulo. A segunda estende-se da
vel em http://eros.usgs.gov/products/ verão ser utilizados apenas para uma região sul de Minas Gerais até a ca-
elevation/gtopo30/hydro/index.html). análise preliminar da distribuição po- pital do Estado, nas proximidades de
tencial da espécie. Belo Horizonte.
Desenvolvimento dos modelos O mapa de consenso mostra que re-
Mapa final lativamente poucas unidades de con-
A modelagem de nicho ecológico foi servação ocorrem nas áreas de distri-
desenvolvida em formato de experi- Foi gerado um mapa de distribuição buição potencial de P. ayeaye prevista
mento no programa openModeller. potencial de P. ayeaye para cada al- pelos modelos (Figura 2). No Estado
Este aplicativo é uma ferramenta goritmo. Como estes modelos são ba- de São Paulo, essas unidades corres-
livre de código aberto para modela- seados na premissa geral de distância pondem às florestas estaduais de Ba-
gem de distribuição espacial desen- ambiental, foi criado um mapa con- tatais e Cajuru, às estações ecológicas
volvida pelo Centro de Referência sensual final a partir dos cinco mode- de Ribeirão Preto e Itirapina e à Re-
em Informação Ambiental – CRIA los com a função hotspots do aplicati- serva Estadual de Águas da Prata. No
(openModeller, 2008, disponível em vo openModeller. Esta função aplica Estado de Minas Gerais, as seguintes
http://openmodeller.sourceforge.net/). um critério de maior probabilidade de unidades estão sobrepostas à prová-
O experimento consistiu no uso de cin- ocorrência para aquelas áreas previs- vel ocorrência de P. ayeaye: áreas de
co algoritmos distintos que associam tas que apresentam maior freqüência proteção ambiental da Serra da Man-
a informação geográfica de pontos de nos cinco modelos. Sobre este mapa tiqueira e do Morro da Pedreira e os
ocorrência (latitude/longitude) com final foram representados os limites parques nacionais da Serra do Cipó e
variáveis ambientais, como superfí- das unidades de conservação dos esta- do Sempre-Vivas.
cies de variáveis bioclimáticas e de dos de São Paulo e Minas Gerais.
altitude para gerar modelos de distri- Discussão
buição geográfica potencial. Resultados
Foram utilizados os algoritmos BIO- A aplicação de métodos de modelagem
CLIM (Nix, 1986), Envelope Score Os cinco modelos produziram previ- ecológica para a previsão da ocorrên-
(Piñeiro et al., 2007), Climate Space sões distintas para a distribuição po- cia de espécies raras (e.g. Guisan e
Model, Distance to Average e Mini- tencial de P. ayeaye na região sudeste Zimmermann, 2000; Elith e Burgman,
mum Distance. Os três últimos al- do Brasil (Figura 1). Mapas com áreas 2002; Peterson e Papes, 2006) é pro-
goritmos não possuem literatura dis- amplas de distribuição prevista foram blemática pela dificuldade ou mesmo
ponível por terem sido recentemente gerados pelos modelos Climate Space pela impossibilidade de validação
criados para aplicação em modelagem Model e Envelope Score (Figuras 1A- estatística destes modelos. Assim, o
de nicho ecológico, no entanto, infor- B). O modelo Climate Space Model mapa final gerado a partir da experi-
mações gerais podem ser encontradas previu áreas extensas de ocorrência mentação feita com os algoritmos de
no sítio do aplicativo openModeller também para o sul do Estado de São distância do aplicativo openModeller
(disponível em http://openmodeller. Paulo, em região próxima à divisa não deve ser interpretado como um
sourceforge.net/). De forma geral, to- com o Estado do Paraná. Mapas de mapa probabilístico de ocorrência de
dos os algoritmos utilizam o conceito ocorrência prevista mais restrita fo- P. ayeaye na região sudeste do Brasil.
de distância ambiental, que, através ram gerados pelos modelos BIOCLIM, Os resultados revelam apenas novas
dos pontos de ocorrência conhecidos, Distance to Average e Minimum Dis- áreas de ocorrência potencial que
calcula a similaridade ambiental no tance (Figuras 1C-D). O modelo gera- apresentam condições ambientais si-
A B
C D
E F
Figura 1. Modelagem do nicho ecológico e distribuição potencial de Phyllomedusa ayeaye na região sudeste do Brasil. A-E.
Algoritmos: Climate Space Model (A), Envelope Score (B), BIOCLIM (C), Distance to Average (D) e Minimum Distance (E); F.
Mapa de consenso entre todos os algoritmos. Triângulos indicam as localidades de ocorrência utilizadas no experimento de mo-
delagem de nicho ecológico.
Figure 1. Ecological niche modelling and potential distribution of Phyllomedusa ayeaye in southern Brazil. A-E. Algorithms: Climate
Space Model (A), Envelope Score (B), BIOCLIM (C), Distance to Average (D) and Minimum Distance (E); F. Consensus map between all
the algorithms. Triangles represent occurrence localities used for ecological niche modelling.
Figura 2. Mapa de consenso para a distribuição potencial de Phyllomedusa ayeaye na região sudeste do Brasil prevista a partir da
modelagem de nicho ecológico com os algoritmos BIOCLIM, Climate Space Model, Distance to Average, Envelope Score e Minimum
Distance. As áreas dentro de círculos delimitam as unidades de conservação que ocorrem nas áreas de distribuição da espécie: 1. Flo-
resta Estadual de Batatais; 2. Parque Estadual Furnas do Bom Jesus; 3. Floresta Estadual de Cajuru; 4. Parque Nacional da Serra da
Canastra; 5. Estação Ecológica de Itirapina; 6. Reserva Estadual de Águas da Prata; 7. Área de proteção Ambiental da Mantiqueira; 8.
Parque Nacional da Serra do Cipó; e 9. Parque Nacional das Sempre-Vivas.
Figure 2. Consensus map for the potential distribution of Phyllomedusa ayeaye in southern Brazil, predicted from ecological niche model-
ling with the algorithms BIOCLIM, Climate Space Model, Distance to Average, Envelope Score and Minimum Distance. Outlined areas
within circles represent the limits of protected wildlife parks and reserves that comprehend areas of the predicted species distribution: 1.
Floresta Estadual de Batatais; 2. Parque Estadual Furnas do Bom Jesus; 3. Floresta Estadual de Cajuru; 4. Parque Nacional da Serra
da Canastra; 5. Estação Ecológica de Itirapina; 6. Reserva Estadual de Águas da Prata; 7. Área de proteção Ambiental da Mantiqueira;
8. Parque Nacional da Serra do Cipó and 9. Parque Nacional das Sempre-Vivas.
milares aos três pontos de ocorrência previsão, i.e., previsão em excesso (previsão de não ocorrência em áreas
conhecida da espécie. Apesar de cor- de áreas de ocorrência potencial da onde a espécie está presente) e de so-
responder a um modelo simplificado, espécie. Como o objetivo é modelar breprevisão (previsão de ocorrência
i.e., baseado no conceito de simila- a distribuição de uma espécie rara, os onde a espécie está ausente). O mapa
ridade ambiental, o mapa preditivo resultados destes dois modelos pare- final consensual é um compromisso
pode direcionar novas amostragens ceram exagerar na previsão da área entre os eventuais erros de omissão
para áreas com alta probabilidade de potencial de ocorrência da espécie ao do BIOCLIM, os eventuais erros de
ocorrência da espécie de interesse. incluir regiões extensas no Estado de sobreprevisão do Climate Space Mo-
Os algoritmos usados neste trabalho São Paulo e de Minas Gerais. Os algo- del e do Envelope Score e os resulta-
produziram resultados distintos. BIO- ritmos Minimum Distance e Distance dos mais conservadores do Minimum
CLIM omitiu áreas similares àquelas to Average foram mais conservadores Distance e Distance to Average, de-
dos pontos de ocorrência da espécie. ao estimar áreas de ocorrência po- vendo constituir uma previsão equili-
Climate Space Model e Envelope tencial para a espécie, provavelmen- brada para a ocorrência de P. ayeaye.
Score demonstraram provável sobre- te balanceando os erros de omissão Desde 1966, a espécie P. ayeaye era
GARCIA, A. 2006. Using ecological niche in ecology: the need to account for prevalence. of species geographic distributions. Ecological
modelling to identify diversity hotspots for the Journal of Applied Ecology, 38:921-931. Modelling, 190:231-259.
herpetofauna of Pacific lowlands and adjacent MYERS, N.; MITTERMEIER, R.A.; MIT- PIÑEIRO, R.; AGUILAR, J.F.; MUNT, D.D.;
interior valleys of Mexico. Biological Conser- TERMEIER, C.G.; FONSECA, G.A.B.; KENT, FELINER, G.N. 2007. Ecology matters: Atlan-
vation, 130:25-46. J. 2000. Biodiversity hotspots for conservation tic-Mediterranean disjunction in the sand-dune
HYDRO-1K. 2008. Hydro1k Elevation De- priorities. Nature, 403:853-858. shrub Armeria pungens (Plumbaginaceae). Mo-
rivative Database - U.S. Geological Survey. NASCIMENTO, L.B. 1998. Phyllomedusa aye- lecular Ecology, 16:2155-2171
Disponível em http://eros.usgs.gov/products/ aye (B. Lutz, 1966). In: A.B.M. MACHADO, RAXWORTHY, C.; MARTINEZ-MEYER, E.;
elevation/gtopo30/hydro/index.html, acesso em G.A.B. FONSECA, R.B. MACHADO, L.M.S. HORNING, N.; NUSSBAUM, R.; SCHNEI-
24/09/2007. AGUIAR; L.V. LINS (eds.), Livro vermelho DER, G.; ORTEGA-HUERTA, M.; PETER-
GIOVANELLI, J.G.R.; HADDAD, C.F.B.; das espécies ameaçadas de extinção da fauna SON, A. 2003. Predicting distributions of kno-
ALEXANDRINO, J. 2008. Predicting the po- de Minas Gerais. Belo Horizonte, Fundação wn and unknown reptile species in Madagascar.
tential distribution of the alien invasive Ameri- Biodiversitas, p. 453-455. Nature, 426:837-841.
can bullfrog (Lithobates catesbeianus) in Bra- NIX, H.A. 1986. A biogeographic analysis of RON, S.R. 2005. Predicting the distribution
zil. Biological Invasions, 10:585-590. Australian elapid snakes. In: R. LONGMO- of the amphibian pathogen Batrachochytrium
GUISAN, A.; BROENNIMANN, O.; ENGLER, RE (ed.), Atlas of Elapid Snakes of Australia. dendrobatidis in the new world. Biotropica,
R.; VUST, M.; YOCCOZ, N.G.; LEHMANN, Canberra, Australian Government Publishing 37:209-221.
A.; ZIMMERMANN, N.E. 2006. Using niche- Service, 415 p. SBH – SOCIEDADE BRASILEIRA DE HER-
based models to improve the sampling of rare NYARI, A.; RYALL C.; PETERSON, A.T. 2006. PETOLOGIA. 2008. Lista de espécies de an-
species. Conservation Biology, 20:501-11. Global invasive potential of the House Crow fíbios do Brasil. Sociedade Brasileira de Her-
GUISAN, A.; THUILLER, W. 2005. Pre- (Corvus splendens) based on ecological niche mo- petologia (SBH). Disponível em http://www.
dicting species distribution: offering more delling. Journal of Avian Biology, 37:306-311. sbherpetologia.org.br/checklist/anfibios.htm,
than simple habitat models. Ecology Letters, OPENMODELLER. 2008. The open source acesso em 21/01/2008.
8:993-1009. fundamental niche modelling project. Dispo- SILVANO, D.L.; SEGALLA, M.V. 2005. Con-
GUISAN, A.; ZIMMERMANN, N.E. 2000. nível em http://openmodeller.sourceforge.net/, servação de anfíbios no Brasil. Megadiversida-
Predictive habitat distribution models in ecolo- acesso em 07/01/2008. de, 1:79-86.
gy. Ecological Modelling, 135:147-186. PAPEŞ, M.; GAUBERT, P. 2007. Modelling SLATYER, C.; ROSAUER, D.; LEMCKERT,
HADDAD, C.F.B. 2005. Anfíbios. In: A.B.M. ecological niches from low numbers of occur- F. 2007. An assessment of endemism and spe-
MACHADO; C.S. MARTINS; G.M. DRU- rences: assessment of the conservation status of cies richness patterns in the Australian Anura.
MOND (eds.), Lista da Fauna Brasileira Ame- poorly known viverrids (Mammalia, Carnivora) Journal of Biogeography, 34:583-596.
açada de Extinção. Belo Horizonte, Fundação across two continents. Diversity and Distribu- SIQUEIRA, M.F.; PETERSON, A.T. 2003.
Biodiversitas, p. 61-63. tions, 13:890-902. Consequences of global climate change for ge-
HIJMANS, R.J.; CAMERON, S.E.; PARRA, PEARSON, R.G.; RAXWORTHY, C.J.; NAKA- ographic distributions of cerrado tree species.
J.L.; JONES, P.G.; JARVIS, A. 2005. Very high MURA, M.; PETERSON, A.T. 2007. Predicting Biota Neotropica, 3(2):1-14.
resolution interpolated climate surfaces for glo- species distributions from small numbers of SIQUEIRA, M.; DURIGAN, G. 2007. Mode-
bal land areas. International Journal of Clima- occurrence records: a test case using cryptic ge- lagem da distribuição geográfica de espécies
tology, 25:1965-1978. ckos in Madagascar. Journal of Biogeography, lenhosas de cerrado no Estado de São Paulo.
HIJMANS, R.J.; GUARINO, L.; ROJAS, E. 34:102-117. Revista Brasileira de Botânica, 30:233-243.
2002. DIVA-GIS. A geographic information PETERSON, A.T.; PAPEŞ, M. 2006. Potential WORLDCLIM. 2006. Version 1.4. Disponí-
system for the analysis of biodiversity data. Ma- geographic distribution of the Bugun Lioci- vel em http://www.worldclim.org/, acesso em
nual. Lima, International Potato Center, 73 p. chla Liocichla bugunorum, a poorly-known 24/09/2007.
HUGALL, A.; MORITZ, C.; MOUSSALLI, species from north-eastern India. Indian Birds, YOUNG, B.E. 2007. Distribución de las especies
A.; STANISIC, J. 2002. Reconciling paleo- 2:146-149. endémicas en la vertiente oriental de los Andes en
distribution models and comparative phyloge- PETERSON, A.T.; VIEGLAIS, D.A. 2001. Perú y Bolivia. Arlington, NatureServe, 88 p.
ography in the Wet Tropics. PNAS, 99:6112– Predicting species invasions using ecological
6117. niche modeling. BioScience, 51:363-371.
MANEL, S.; WILLIAMS, H.C.; ORMEROD, PHILLIPS, S.J.; ANDERSON, R.P.; SCHAPI- Submitted on April 11, 2008
S.J. 2001. Evaluating presence-absence models RE, R.E. 2006. Maximum entropy modeling Accepted on June 09, 2008