install.packages(c("red", "readxl", "ggplot2", "geodata"))
Aplicación de criterios UICN para especies amenazadas (I)
Práctica 1, Gestión y Conservación de Ecosistemas
Grado en Biología
Introducción
En esta práctica nos familiarizaremos con los criterios A, B, C y D para las categorías de amenaza de la Lista Roja de la UICN entendiendo diferentes casos reales de lepidópteros (mariposas) y de vertebrados. Analizaremos las distribuciones de las especies y de sus poblaciones, entendiendo cómo el cambio y declive de éstas pueden indicarnos la vulnerabilidad de las especies.
Preparación
Una vez iniciado R:
Instalamos las librerías
Cargamos las librerías
library(red)
library(geodata)
library(readxl)
library(ggplot2)Cargamos el archivo de datos y funciones desde el servidor
load(url("https://webs.um.es/jfcalvo/gce.RData"))Cargamos una capa de elevación para hacer los mapas
layers<-elevation_global(res=2.5)CATEGORÍAS UICN
Las categorías de la UICN (Unión Internacional para la Conservación de la Naturaleza) son las siguientes:
Existen desde especies que no se han estudiado (No Evaluado, NE), a las que sí que se han estudiado pero no existen suficientes datos para concluir en una decisión (Datos Insuficientes, DD), con datos que indican que pueden conllevar en el futuro problemas de conservación (Preocupación Menor, LC), otras que lo más probable es que sí (Casi Amenazado, NT) a las que están amenazadas. Las especies que están amenazadas pueden tener probabilidad de extinción baja (Vulnerable, VU), intermedia (En Peligro, EN) o alta (En Peligro Crítico, CR). Por último, están las especies extintas, bien en la naturaleza (Extinto en Estado Silvestre, EW) (pueden estar en zoológicos) o definitivamente en todo el mundo (Extinto).
CRITERIOS UICN
Para poder categorizar a las especies se siguen 5 criterios difererentes:
•Criterio A: Reducción del tamaño poblacional.
•Criterio B: Distribución geográfica representada como extensión de presencia y área de ocupación
•Criterio C: Pequeño tamaño de la población y disminución.
•Criterio D: Población muy pequeña o restringida.
•Criterio E: Análisis Cuantitativo.
Veremos en detalle el Criterio B y el Criterio A. El Criterio E se dará en la Práctica 2
CRITERIO B: Distribución geográfica representada como extensión de presencia y área de ocupación
Es el criterio más sencillo de estudiar porque poseer las coordenadas de las especies (puntos de presencia) son mucho más fáciles que los de las tendencias poblacionales. Observar a un organismo en un lugar y no verlo a lo largo de los años, es fácil de entender y de realizar seguimiento.
Posee tres partes.
B1. Extensión de la presencia (EOO)
Es la creación de un polígono convexo uniendo los puntos más externos a la distribución.
Pros: Fácilmente endendible con áreas de presencia muy pequeñas, donde la especie se encuentra recluida. Problemas: puntos muy lejanos o poblaciones disjuntas sobredimensionan el área de presencia de la especie
B2. Área de ocupación (AOO)
Es la creación de un polígono juntando todas las cuadrículas de 10km donde se encuentra la especie
Pros: No sobreestima el área por puntos o poblaciones disjuntas o muy alejadas. Problemas: Sobreajusta el área de distribución con puntos demasiado agragados y con información parcial (inventarios incompletos por cuadrícula)
Primera especie: Colotis evagore
Cargamos el conjunto de datos de presencias georreferenciadas de Colotis evagore y nos centramos en la península ibérica
#SP1_1<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=1)
s<-c(-11, 6, 34, 44)
layersIberia<-crop(layers, s)Mapa de la primera especie
Vemos el mapa
map.draw(SP1_1, layersIberia, spName= "Colotis evagore")EOO (Extensión de la presencia)
Calculamos los Km2 de la extensión de presencia
eoo(SP1_1)AOO (Área de ocupación)
Calculamos los Km2 del área de ocupación
aoo(SP1_1)Condiciones
(a) Severamente fragmentada: Número de localidades: (vamos a simplificar aquí a número de puntos)
nrow(SP1_1)(b) Disminución continua observada, estimada, inferida o proyectada en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) área, extensión y/o calidad del hábitat; (iv) número de localidades o subpoblaciones; (v) número de individuos maduros.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
(c) Fluctuaciones extremas en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) número de localidades o subpoblaciones.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
Plot twist
Cargamos el conjunto de datos de presencias georreferenciadas de Colotis evagore y los vemos en toda su extensión
#SP1_2<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=2)
r<-c(-22, 63, -37, 44)
layersTOT<-crop(layers, r)Mapa de la primera especie
Vemos el mapa
map.draw(SP1_2, layersTOT, spName= "Colotis evagore")EOO (Extensión de la presencia)
Calculamos los Km2 de la extensión de presencia
eoo(SP1_2)AOO (Área de ocupación)
Calculamos los Km2 del área de ocupación
aoo(SP1_2,cellSize=2)Países con presencia de la especie
Listamos los países donde se encuentra la especie: muy importante a nivel político de conservación
countries(SP1_2, zone = NULL, ISO = FALSE)Condiciones
(a) Severamente fragmentada: Número de localidades: (vamos a simplificar aquí a número de puntos)
nrow(SP1_2)(b) Disminución continua observada, estimada, inferida o proyectada en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) área, extensión y/o calidad del hábitat; (iv) número de localidades o subpoblaciones; (v) número de individuos maduros.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
(c) Fluctuaciones extremas en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) número de localidades o subpoblaciones.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
Segunda especie Chazara prieuri
Cargamos el conjunto de datos de presencias georreferenciadas de Chazara prieuri y los vemos en toda su extensión
#SP2_1<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=3)Mapa de la segunda especie
Vemos el mapa
map.draw(SP2_1, layersIberia, spName= "Chazara prieuri")EOO (Extensión de la presencia)
Calculamos los Km2 de la extensión de presencia
eoo(SP2_1)AOO (Área de ocupación)
Calculamos los Km2 del área de ocupación
aoo(SP2_1,cellSize=2)Plot twist
Mapa de la segunda especie (la actualidad)
Cargamos el conjunto de datos de presencias georreferenciadas actuales de Chazara prieuri y los vemos en toda su extensión
#SP2_2<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=4)Mapa de la segunda especie
Vemos el mapa
map.draw(SP2_2, layersIberia, spName= "Chazara prieuri")EOO (Extensión de la presencia)
Calculamos los Km2 de la extensión de presencia
eoo(SP2_2)AOO (Área de ocupación)
Calculamos los Km2 del área de ocupación
aoo(SP2_2,cellSize=2)Condiciones
(a) Severamente fragmentada: Número de localidades: (vamos a simplificar aquí a número de puntos)
nrow(SP2_2)(b) Disminución continua observada, estimada, inferida o proyectada en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) área, extensión y/o calidad del hábitat; (iv) número de localidades o subpoblaciones; (v) número de individuos maduros.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
(c) Fluctuaciones extremas en cualesquiera de:
(i) extensión de presencia; (ii) área de ocupación; (iii) número de localidades o subpoblaciones.
Problemas con muchas especies: no existen buenos inventarios históricos de especies para comparar con el presente.
CRITERIO A. Reducción del tamaño poblacional.
Vamos a ver el criterio A2: Reducción del tamaño de la población observada, estimada, inferida o sospechada, en el pasado donde las causas de la reducción pudieron no haber cesado O no ser entendidas y conocidas O no ser reversibles.
En España sólo tenemos datos de tamaños poblacionales de mariposas en un área concreta, en el noreste, en Cataluña por el gran trabajo de BMS Catalunya desde 1994.
Primera especie: Pieris rapae
Cargamos el conjunto de datos de las poblaciones catalanas de Pieris rapae por año
#SP3_1<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=5)Tamaño de la población
Hacemos una gráfica con el número de individuos de las poblaciones catalanas por año
ggplot(SP3_1, aes(x = year, y = trend)) +
geom_line()Modelo (regresión lineal) del cambio del tamaño de la población a lo largo del tiempo
Hacemos una regresión lineal para poder observar si hay una relación entre el número de individuos y los años. Si no hay relación, el resultado será no significativo. Si hay relación, el resultado será significativo. En este caso, puede ser una relación positiva, es decir, las poblaciones aumentan a lo largo de los años; o negativa, es decir, las poblaciones decrecen a lo largo de los años.
# Modelo lineal
modelo <- lm(trend ~ year, data = SP3_1)
# Resumen
summary(modelo)Tendencia de cambio del tamaño de la población
Observamos la tendencia poblacional (vamos a simplificarla a lineal)
ggplot(SP3_1, aes(x = year, y = trend)) +
geom_line() +
geom_smooth(method = "lm", se = FALSE,
color = "red", linetype = "dashed")Porcentaje de variación del tamaño de la población
Calculamos el porcentaje de variación (crecimiento) entre los valores máximos y los mínimos. Si el crecimiento es negativo, es un decrecimiento de la población
valor_inicial <- SP3_1$trend[which.min(SP3_1$year)]
valor_final <- SP3_1$trend[which.max(SP3_1$year)]
porcentaje_total <- (valor_final - valor_inicial) / valor_inicial * 100
porcentaje_totalSegunda especie: Coenonympha glycerion
Cargamos el conjunto de datos de las poblaciones catalanas de Coenonympha glycerion por año
#SP4_1<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=6)Tamaño de la población
Hacemos una gráfica con el número de individuos de las poblaciones catalanas por año
ggplot(SP4_1, aes(x = year, y = trend)) +
geom_line()Alternativamente, pueden ver esta tendencia en: https://www.catalanbms.org/ca/especies/satcgl/
Modelo (regresión lineal) del cambio del tamaño de la población a lo largo del tiempo
# Modelo lineal
modelo <- lm(trend ~ year, data = SP4_1)
# Resumen
summary(modelo)Tendencia de cambio del tamaño de la población
ggplot(SP4_1, aes(x = year, y = trend)) +
geom_line() +
geom_smooth(method = "lm", se = FALSE,
color = "red", linetype = "dashed") Porcentaje de variación del tamaño de la población
valor_inicial <- SP4_1$trend[which.min(SP4_1$year)]
valor_final <- SP4_1$trend[which.max(SP4_1$year)]
porcentaje_total <- (valor_final - valor_inicial) / valor_inicial * 100
porcentaje_totalPlot twist
#SP4_2<-read_xlsx("C:/Users/espej/Downloads/DatosPrácticaIGCE.xlsx", sheet=7)Mapa de la segunda especie
map.draw(SP4_2, layersIberia, spName= "Coenonympha glycerion")Éstos son los otros dos criterios más de la UICN.
CRITERIO C.Pequeño tamaño de la población y disminución.
CRITERIO D.Población muy pequeña o restringida
CRITERIO E.Análisis Cuantitativo.
El Criterio E se verá en profundidad la próxima práctica.
Casos de examen
Aquí tenéis los datos para poder resolver las cuestiones que aparecen en el cuestionario para la evaluación. Son los siguientes:
Puntos de presencia de Tarucus theophrastus para todo el mundo (8.Tarucus_world): SP5_1
Puntos de presencia de Tarucus theophrastus para España (9.Tarucus_Spain): SP5_2
Datos sobre las poblaciones de Tarucus theophrastus en España (10.Tarucus_population): SP5_3
SP5_3- Datos sobre las poblaciones de Glaucopsyche melanops en España: SP6_1
Alternativamente, pueden ver esta tendencia en: https://www.catalanbms.org/ca/especies/lycgme/