(Título alternativo de ser necesario -OP-)

(Numero de edicion del conjunto de datos -OP-)

Análisis de riesgo climático sector Zona Marino Costera e Insular para distribución potencial de especies bajo escenario de cambio climático.

Generación de análisis de riesgo climático para el sector Zona Marino Costera e Insular, mediante la aplicación de modelos de impacto biofísico

Insumo para el análisis de riesgo climático de los diferentes sectores priorizados, con el fin de poder definir medidas y acciones de adaptación y mitigación más robustos a las diferentes regiones y climas del Ecuador

Los datos obtenidos corresponden a escenarios de cambio climático, por lo tanto, no se deben tratar como pronósticos puntuales. Los escenarios están basados en diversos supuestos de desarrollo tecnológico, social, medioambiental, etc.

Los datos son distribuidos sin restricciones de uso, siempre y cuando se coloque la correspondiente referencia bibliográfica: Ministerio del Ambiente, Agua y Transición Ecológica (2023). "Generación de un análisis de riesgo climático para el sector de Zona Marino Costera e Insular, mediante la aplicación de modelos de impacto biofísico". Quito - Ecuador.

(Limitaciones de uso de los datos -OP-)

spa

(Cualquier otra informacion descriptiva acerca del conjunto de datos -OP-)

MB

(informacion adicional de distribucion -OP-)

El proceso de Análisis de Riesgo Climático (ARC) resulta de la interacción entre los parámetros del modelo biofísico que representan la sensibilidad y capacidad adaptativa (vulnerabilidad) del elemento expuesto, y la amenaza climática. Este análisis se realizó de forma participativa, técnica y científica entre diferentes instituciones en tres fases generales: revisión de información y selección de variables de entrada para la modelación; y corridas definitivas de la modelación e interpretación de los impactos biofísicos identificados. La metodología aplicada y los hallazgos establecieron un precedente sobre el riesgo climático, lo que permitió comprender y dimensionar los posibles impactos del cambio climático sobre los sectores priorizados (desde escalas locales hasta nacionales) en los diferentes escenarios futuros, a fin de efectivizar y optimizar el diseño e implementación de las medidas sectoriales de Adaptación al Cambio Climático.

La metodología implementada comenzó con un extensivo proceso de recopilación de datos de ocurrencias de especies, utilizando diversas plataformas de libre acceso como Global Biodiversity Information Facility, iNaturalist, Ocean Biodiversity Information System y Freshwater Biodiversity Data Portal, complementados con registros del Instituto Público de Investigación de Acuicultura y Pesca (IPIAP). Esta información fue sometida a un riguroso proceso de depuración y filtrado, donde se verificó que todas las ocurrencias cumplieran con criterios específicos: debían estar georreferenciadas con coordenadas precisas de latitud y longitud, presentar una incertidumbre en la georeferenciación menor a 1 km, encontrarse dentro del área de modelado definida por las coordenadas establecidas, pertenecer a los últimos 30 años de registro, y coincidir con la distribución y hábitat conocido de las especies para eliminar errores espaciales. Adicionalmente, se eliminaron todas las observaciones duplicadas para evitar sesgos en el análisis.

Para el análisis de especies marinas, se seleccionaron variables independientes que incluyen la concentración de clorofila a, producción primaria neta de biomasa, anomalías en el nivel del mar, temperatura superficial del mar, potencial de hidrógeno, oxígeno disuelto superficial, batimetría y pendiente de suelo marino. En el caso de las especies terrestres, se emplearon diecinueve variables bioclimáticas obtenidas de WorldClim versión 2.1, abarcando el período 1970-2000, que incluían diversos parámetros de temperatura y precipitación. Estas variables se complementaron con proyecciones climáticas oceánicas obtenidas del SPRACC (Sistema de información de Proyecciones y Riesgo Climático, Medidas de Adaptación al Cambio Climático e Indicador de Vulnerabilidad del Ecuador) para dos horizontes temporales diferentes: uno cercano (2021-2050) y otro lejano (2051-2080), además de incorporar proyecciones climáticas de los 5 años tipo futuros.

La construcción de los modelos siguió dos enfoques principales: MaxEnt y BRT. Para MaxEnt, se prepararon los datos de ocurrencias en formato CSV y se convirtieron las capas ambientales a formato ASCII, realizando ajustes en los parámetros de regularización y validando mediante métodos de validación cruzada. En el caso de BRT, se trabajó con datos combinados de presencia y ausencia, seleccionando cuidadosamente los hiperparámetros como la profundidad de árboles y la tasa de aprendizaje, aplicando técnicas de boosting y realizando la validación correspondiente. Finalmente, se generaron mapas detallados que mostraban tanto la distribución actual como las proyecciones futuras bajo diferentes escenarios, permitiendo cuantificar los impactos en términos de porcentajes de reducción o cambio en las áreas de distribución de las especies estudiadas.

(Calificacion cualitativa o cuantitativa del paso correspondiente -OP-)

Para modelar la distribución potencial de especies, se emplearon los métodos MaxEnt (Maximum Entropy Modeling) y BRT (Boosted Regression Trees), ampliamente utilizados para entender y predecir la distribución de especies. El proceso metodológico inicia con la recopilaron datos, incluyendo las coordenadas geográficas de observaciones confirmadas de las especies y variables climáticas y oceanográficas, como la temperatura del mar y la salinidad. Las fuentes de datos de libre acceso incluyeron Global Biodiversity Information Facility, iNaturalist, Ocean Biodiversity Information System y Freshwater Biodiversity Data Portal, además de registros del Instituto Público de Investigación de Acuicultura y Pesca (IPIAP).

Estos datos fueron unificados y depurados por especie, conservando únicamente las ocurrencias que cumplían con los siguientes criterios:

* Georreferenciadas, es decir, con coordenadas de latitud y longitud.

* Incertidumbre en la georreferenciación menor a 1 km.

* Ubicadación dentro del área a modelar, utilizando las coordenadas: -100.75, -70.00, -20.50, 10.50.

* Reportadas en los últimos 30 años.

* Con una distribución y hábitat conocido para eliminar errores espaciales.

* Se eliminaron las observaciones duplicadas.

Para el modelado con MaxEnt, se requirió que las ocurrencias de la especie estuvieran en formato CSV y las capas ambientales en formato ASCII. MaxEnt infiere la distribución probable de una especie basándose en las condiciones ambientales presentes en los puntos de presencia conocidos. Por otro lado, para el modelado con BRT, se preparó un conjunto de datos combinado de presencia y ausencia. Antes de la modelación, se realizó un análisis de correlación de Pearson para seleccionar variables con baja correlación entre sí, evitando el sobreajuste del modelo. Para las especies terrestres, se implementó un Análisis de Componentes Principales (PCA) para reducir el número de variables.

Una vez calibrados los datos de entrada, se procedió a correr los datos en MaxEnt. Para la configuración del modelo, se eliminaron las ocurrencias repetidas, se estableció un 25% de datos para prueba aleatoria y un 75% para entrenamiento, con 10 repeticiones de tipo "Bootstrap" para evaluar la precisión predictiva. MaxEnt generó mapas de predicción de la distribución de especies, curvas de respuesta de las variables, gráficos de contribución marginal de las variables, y curvas ROC (Receiver Operating Characteristic) y AUC (Area Under the Curve) para evaluar el rendimiento del modelo.

Para BRT, se usó un proceso de estocasticidad para realizar varios modelos simultáneamente, ajustando hiperparámetros como la profundidad de los árboles y la tasa de aprendizaje. Se utilizó el paquete gbm y una adaptación de las funciones propuestas por Elith et al. (2008). La configuración inicial incluyó un nivel de aprendizaje lento de 0.0001, un bag fraction de 0.25 y un máximo de 10000 árboles de regresión. Para cada especie, se verificó que no existiesen errores de corrida, y cuando fue necesario se realizaron más de dos o tres corridas para corroborar que las condicionantes de los modelos estuvieran funcionando acorde a lo esperado.

Los resultados se comunicaron mediante la generación de mapas que muestran las distribuciones actuales y futuras de las especies bajo diferentes escenarios. Los modelos fueron alimentados con proyecciones climáticas del SPRACC para los horizontes 2021-2050 y 2051-2080, para el país con modelos de los escenarios SSP2-4.5 y SSP5-8.5 para el período 2015-2100. Este enfoque permitió evaluar la influencia de diferentes variables ambientales en la distribución de las especies y generar predicciones sobre cómo podrían cambiar sus áreas de distribución bajo diferentes escenarios climático

spa

ISO 19115:2003/19139

1.0