Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Presentation 8- Bfuture, Modela y Mcompare

401 views

Published on

Programa CAPFITOGEN, Tratado Internacional sobre los Recursos Fitogenéticos para la Alimentación y la Agricultura - FAO

Published in: Education
  • Be the first to comment

Presentation 8- Bfuture, Modela y Mcompare

  1. 1. Herramientas Mauricio Parra Quijano Consultor FAO Tratado Internacional sobre los Recursos Fitogenéticos Para la Alimentación y la Agricultura Coordinador Programa CAPFITOGEN
  2. 2. Bfuture Descarga y adapta capas de información bioclimática proyectadas a futuro Bfuture
  3. 3. ¿Que son las capas bioclimáticas proyectadas a futuro? Datos 1950-2000 Proyección 2050 Promedio modelos Escenario r.c.p. 4.5 Proyección 2050 Promedio modelos Escenario r.c.p. 8.5
  4. 4. ¿Que es worldclim? Portal de información bioclimática interpolada (capas SIG) Usuales en CAPFITOGEN Capas proyectadas a futuro http://www.worldclim.org
  5. 5. ¿Que es un GCM? Una representación numérica del sistema climático basado en las propiedades físicas, químicas y biológicas de sus componentes, sus interacciones y procesos de retroalimentación, y tomando en cuenta todas o algunas de sus propiedades conocidas. El IPCC los define como…
  6. 6. ¿Que es un rcp? GCM CCSM4 Resolución 30 seg 19 variables Bioclim rcp 60 y se descargará un .tiff comprimido en un .zip aprox. 3.2 Gb RCP 2.6 asume que las emisiones anuales (medidas en equivalentes- CO2) tendrán un pico entre 2010- 2020 y decaerán. Para RCP 4.5 las emisiones tendrán un pico alrededor de 2040, y declinarán. Para RCP 6.0, el pico de emisiones estará sobre el 2080y declinará y el escenario RCP 8.5 corresponde a un escenario de continuo crecimiento de emisiones a lo largo del siglo XXI.
  7. 7. ¿Cómo trabaja Bfuture? Portal worldclim Descarga directa de capas por usuario, seleccionando directamente en el portal resolución, GCM, rcp y proyección Bfuture descarga las capas Definición de resolución, GCM, rcp y proyección Recorte por distribución Recorte por límites de un país Carpeta “rdatamapsf” Conversión de formato original a formato CAPFITOGEN Asignación nombre de capas Capas listas para ser usadas por Modela Carpeta “rdatamapsf” Bfuture Bfuture
  8. 8. Modela Obtiene modelos de distribución de especies (SDM) individuales y ensamblados para condiciones bioclimáticas de presente y futuro y análisis FIGS por calibración Modela
  9. 9. ¿Qué es un SDM? Metodología por el cual podemos predecir la ocurrencia de una especie en un sitio para el cual no contamos con información sobre la misma.  Distribución potencial  Variables más influyentes en la distribución Modelos de Nicho Ecológico Nicho Ecológico: Combinación de condiciones ecológicas que permiten mantener la población sin migración Nicho Fundamental: condiciones posibles Nicho Realizado: espacio realmente ocupado Nicho fundamental Nicho realizado Movilidad, dispersión, historia
  10. 10. Metodología Altitud Localidad Altitud (msnm) 1 2100 2 650 3 430 4 1890 5 254 6 540 Extracción de información ambiental para cada localidad
  11. 11. Metodología… sencilla Locali dad Altitud Precipitación anual Temperatura anual … … 1 560 870 21 … 2 645 940 19 … … … … … … Aplicación del algoritmo del modelo -GLM -GAM -Random forest -MARS -Máxima entropía (MAXENT)… Proyección/Mapas de probabilidad de encontrar la especie sobre zonas donde no se tiene información de presencias Determinación de patrón Proyección de patrón sobre predictores (capas) Test set Training set Evaluadores de la exactitud de los modelos Elección de los mejores modelos / ensamblaje
  12. 12. Presencias/ausencias reales Presencias/pseudoausencias PA-ELC PA-Random PA-Disk PA-SRE Selección Modelos 1. GLM 2. GBM 3. GAM 4. CTA 5. ANN 6. SER 7. FDA 8. MARS 9. RF 10. MAXENT Capasecogeográficas 1950-2000Futuro(2050-2070) Configuraciónespecíficademodelos Tamañossetscalibración/test Importancia de variable Númeroderepeticiones Evaluación de modelos (AUC, TSS, Kappa, etc.) Resultado modelización individual (con sus repeticiones y valores de evaluación) Predicción conjunta (opcional) Resultados y evaluación Mapas de Distribución Potencial presente Modelización Proyección Mapas de Distribución Potencial futura Predicción conjuntada (ensemble forecasting) Metodología… entrando en detalles
  13. 13. Resultado – mapa “crudo”
  14. 14. Resultado – mapa binario
  15. 15. Resultado – mapa futuro
  16. 16. Resultado – comparación mapas binarios
  17. 17. Muchas cosas a tener en cuenta para un SDM 1. Calidad de datos (presencias-presencias/ausencias) 2. Datos de sólo presencia o presencia-ausencia 3. Algoritmo de modelización 4. Selección (o no) de variables/predictores 5. Presente o presente-futuro 7. Modelo datos completos? Porcentaje train/test sets? 8. Tipo de pseudoausencias (si es el caso) 6. Si futuro, GCM, rcp, proyección y resolución
  18. 18. Pseudo-ausencias RANDOM SRE DISK ELC
  19. 19. Muchas cosas a tener en cuenta para un SDM 1. Calidad de datos (presencias-presencias/ausencias) 2. Datos de sólo presencia o presencia-ausencia 3. Algoritmo de modelización 4. Selección (o no) de variables/predictores 5. Presente o presente-futuro 7. Modelo datos completos? Porcentaje train/test sets? 8. Tipo de pseudoausencias (si es el caso) 9. No. y tamaño repeticiones pseudoausencias 6. Si futuro, GCM, rcp, proyección y resolución 10. Usar o no usar ajustes específicos para algoritmo 11. Deseo obtener la importancia de los predictores? 12. Re-escalar los mapas respuesta?
  20. 20. Muchas cosas a tener en cuenta para un SDM 13.¿Que evaluadores se usarán? 14. Modelos a proyectar, ¿todos? ¿mejor evaluados? 15. Valores de umbral para evaluador(es) 16. ¿Deseo obtener mapas binarios? 17. ¿Deseo un mapa máscara para zonas “outlier”? 19. Cuáles modelos ensamblo, todos?, ¿mejor evaluados? 20. Vía y tipo de ensamblaje 18. ¿Deseo ensamblar modelos? 21. ¿Re-evaluar el ensamblaje? ¿cual evaluador? 22. …. 23. ….
  21. 21. SDM son complejos y requieren entrenamiento  Cursos de formación/entrenamiento en modelos de distribución de especies, GBIF http://goo.gl/pzltwe  Familiarizarse con procesos sencillos como los que pueden realizarse en DIVA-GIS y practicar con DIVA y Maxent como se describe en  Leer revistas como Ecography, Ecological modelling, Diversity and distributions y otras de ámbito ecológico (ver carpeta “Modela” dentro de “Documentación_References”). http://goo.gl/lfhL5J
  22. 22. FIGS - calibración Algoritmo AUC Kappa Validación real en campo Principal Component Regression (PCR) 0.69 0.40 ? Partial Least Squares (PLS) 0.69 0.41 ? Random Forest (RF) 0.70 0.42 ? Support Vector Machines (SVM) 0.71 0.44 ? Artificial Neural Networks (ANN) 0.71 0.44 ? Y = b + X1 + X2 + X3Resistencia/ Tolerancia Variables ecogeográficas (Banco: Colección trigo ICARDA – Rasgo: Roya del tallo (Puccinia gramini) Fuente: Bari et al., 2012. Focused identification of germplasm strategy (FIGS) detects wheat stem rust resistance linked to environmental variables. Genet Resour Crop Evol 59(7):1465-1481 Predicción en germoplasma no eval/caractGermoplasma eval/caract Patrón
  23. 23. Funcionamiento de Modela para FIGS
  24. 24. Para FIGS en Modela…  Necesitará una tabla para accesiones con el rasgo y otra sin el rasgo  Funcionará como un SDM para datos presencia/ausencia real  Sólo los algoritmos para presencia/ausencia estarán disponibles. Algunos métodos de modelización también apropiados para este tipo de procesos podrían no estar incluidos en Modela  Los resultados son: 1. El subset FIGS (na tabla con los pasaportes de las entradas seleccionadas) y 2. mapas que muestran áreas donde la probabilidad de encontrar plantas con el rasgo es más alta
  25. 25. Ejemplo resultados – Portugal Allium
  26. 26. Mcompare Compara mapas de predicción para condiciones actuales y futuras obtenidos con Modela Mcompare
  27. 27. Impacto cambio climático Tomado de A. Jarvis et al. 2008. The effect of climate change on crop wild relatives. Agriculture, Ecosystems and Environment 126
  28. 28. ¿Cómo clasificar el impacto? Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación en Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
  29. 29. ¿Cómo clasificar el impacto? Tomado de Scheldeman, X. y van Zonneveld.,M. 2011. Manual de Capacitación en Análisis Espacial de Diversidad y Distribución de Plantas. Bioversity, Roma.
  30. 30. ¿Que hace Mcompare? Alta probabilidad Baja probabilidad Presente Futuro
  31. 31. Mcompare hace el mismo proceso Presente Futuro
  32. 32. Resultados de Mcompare - tablas  Clasificación de las celdas  Clasificación de los sitios de presencia
  33. 33. Resultados de Mcompare - mapas a) Mapa de predicción binaria condiciones presente b) Mapa de predicción binaria condiciones futuro c) Mapa Mcompare de clasificación de escenarios
  34. 34. Resultados de Mcompare - mapas 1. Presente si ,futuro no (alto impacto) 2. Ni presente ni futuro (fuera de nicho realizado) 3. Presente si, futuro también (bajo impacto) 4.Presente no, futuro si (nueva disponibilidad)
  35. 35. Resultados de Mcompare - mapas 1. Presente si ,futuro no (alto impacto) 2. Ni presente ni futuro (fuera de nicho realizado) 3. Presente si, futuro también (bajo impacto) 4.Presente no, futuro si (nueva disponibilidad)

×