Interpretación de:
Ecological niche modelling and predicted geographic distribution of Lutzomyia cruzi, vector of Leishmania infantum in South America
https://doi.org/10.1371/journal.pntd.0006684Falcão de Oliveira, E., Galati, E., Oliveira, A., Rangel, E., Carvalho, B., 2018: Ecological niche modelling and predicted geographic distribution of Lutzomyia cruzi, vector of Leishmania infantum in South America, PLoS Negl Trop Dis, 12, e0006684, https://doi.org/10.1371/journal.pntd.0006684
Intérprete
Chira Arica Marialejandra Vanessa
Fecha de interpretación
07/07/2024
Revisor
Calderon Martha S.
Resultados y conclusiones
En el estudio se utilizaron modelos de nicho ecológico para predecir la distribución geográfica de Lutzomyia cruzi, el vector de Leishmania infantum en América del Sur. Los investigadores compilaron una base de datos de 116 registros de presencia de L. cruzi y utilizaron cinco algoritmos de modelado diferentes (BIOCLIM, GLM, MaxEnt, Random Forests y Support Vector Machines) para desarrollar modelos de nicho. Los modelos mostraron que L. cruzi ocurre en áreas con temperaturas medias anuales entre 21,76°C y 26,58°C y precipitación anual entre 1005 mm y 2048 mm. El vector se encuentra en elevaciones principalmente por debajo de los 500 m y en áreas con una mezcla de vegetación natural y uso de suelo agrícola. El modelo de consenso resultante predijo la posible distribución geográfica de L. cruzi en partes de Brasil, Bolivia y Paraguay.
Metodología y datos
Los autores utilizaron un enfoque de pronóstico por conjuntos para modelar el nicho ecológico y predijeron la distribución geográfica de Lutzomyia cruzi, el vector de Leishmania infantum en América del Sur. Compilaron una base de datos de registros de ocurrencia de L. cruzi de diversas fuentes, incluidas colecciones entomológicas y bases de datos en línea. Los registros se clasificaron en tres niveles de precisión espacial. Las pseudoausencias se muestrearon aleatoriamente fuera del dominio ambiental favorable para la especie, restringido a una distancia máxima de 1.000 km de los registros de presencia. Los autores ejecutaron cinco algoritmos de modelado de distribución de especies diferentes con configuraciones predeterminadas en el paquete dismo en R, utilizando una validación cruzada de 10 veces. Solo conservaron los resultados del modelo con puntuaciones de True Skill Statistic (TSS) superiores a 0,6. Los mapas de consenso finales se produjeron superponiendo los resultados más altos de TSS de cada algoritmo y extrayendo las áreas donde la mayoría de los modelos predijeron la presencia de la especie.
Limitaciones de la investigación
El estudio se basó únicamente en datos de presencia, lo que puede dar lugar a resultados sesgados si el esfuerzo de muestreo fue desigual en toda el área de estudio. Los autores utilizaron pseudoausencias para superar esto, pero la cantidad y ubicación de las pseudoausencias pueden afectar el rendimiento del modelo. La precisión espacial de los registros de ocurrencia varió mucho, y la mayoría tenía baja precisión, lo que requirió ejecutar modelos separados en diferentes escalas espaciales. Los autores reconocen que esto podría provocar cierta pérdida de información. Finalmente, los modelos se basaron en datos actuales de clima y hábitat, pero no incorporaron posibles cambios futuros que pudieran afectar la distribución del vector.
Recomendaciones
Los autores recomiendan estos modelos múltiples para superar las incertidumbres metodológicas en el modelado de distribución de especies y producir predicciones más sólidas de las distribuciones de vectores.
Adaptación: Bosques
Mitigación: Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Regional
Ámbito geográfico: América del sur
Palabras clave: modelos de nicho, nicho ecológico
Cita de la interpretación
Chira Arica, Marialejandra Vanessa, 2024: Interpretación de Falcão de Oliveira et al. (2018, doi:10.1371/journal.pntd.0006684), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/9c785e83-9049-45fa-81e4-3ab5e34daad5