COMISIÓN ASESORA
Dr. Gerardo C. Leynaud, Centro de Zoología Aplicada e IDEA-CONICET, FCEFyN Universidad Nacional de Córdoba Dra. Gabriela A. Cardozo, Laboratorio de Biología del Comportamiento, e IDEA-CONICET, FCEFyN, Universidad Nacional de Córdoba. Dr. Felix B. Cruz, INIBIOMA-CONICET, Universidad Nacional del Comahue.
DEFENSA ORAL Y PÚBLICA Lugar y Fecha: Calificación:
TRIBUNAL
Firma: ………………………………….. Aclaración: …………………………. Firma: ………………………………….. Aclaración: …………………………. Firma: ………………………………….. Aclaración: ………………………….
Agradecimientos
A Gerardo Leynaud, mi director, quien me ha acompañado ayudado y apoyado durante
todo este trayecto, y me ha demostrado ser una excelente persona y un amigo.
A Julita, la ‘pitufa’, mi compañera incondicional.
A Papá, Mamá y Ceci, quienes me enseñaron que debía elegir el camino que más feliz me
hiciese, más allá del contexto y dieron TODO para que lo lograse.
A Ernesto Verga, Julián Lescano, David Vergara, Paola Carrasco, Jerónimo Krapovickas y
Eugenia Periago, los amigos que me han ayudado, enseñado y acompañado más de cerca,
en está linda etapa, y con quienes hemos compartido muchas ideas, vivencias y
cervezas.
A Felix Cruz y Gabriela Cardozo, quienes cumplieron muy bien con su rol de asesores,
acompañándome criteriosamente durante toda la tesis.
A Miltón Perez, Mariano Elisio, Lucas Ortes, Pablo Abeiro, Rubens Mercado, Sebastián
Audisio, Juan Cruz Cortes, Juan Manuel Vidal y Lucas Laino y Mara Maldonado, amigos
entrañables.
Gustavo Scrocchi, Juan Carlos Stazzonelli y señora, Paula Cabrera, Sonia Kretzschmar, y
Gabriela Gallardo, me han hecho sentir en casa, ayudado y enseñado, cada vez que estuve
lejos.
A Marcelo Bonino, Diego Baldo, Mauricio Akmentins, Felix Cruz, Cristian Abdala,
Alejandro Giraudo, Vanesa Arzamendia, Fernando Lobo, Juan Manuel Diaz-Gomez,
Sebastián Quinteros, Eduardo Etchepare y Lina Moreno, todos amigos que me han ayudado
en alguno de los aspectos relativos a la tesis.
A Rafael Loyola, Nicolás Urbina-Cardona, Clarita Rodriguez-Soto, Priscilla Lemes,
Patricia Illoldi-Rangel, todos amigos y colegas de otros sitios de los que tuve la suerte de
aprender mucho y compartir experiencias muy gratas.
A Estela Bonino ya que sin su cuota de bondad y confianza, mi trabajo doctoral no podría
haber sido posible.
A Gustavo Reati, Veronica Marinero, Marilina Vera, Natalia Della Costa, Susana Sappia,
Eugenia Lascano, Gabriela Bruno, y el resto mis compañeros de trabajo en el Centro de
Zoología Aplicada, quienes han hecho que el día a día sea muy ameno.
A la Universidad Nacional de Córdoba, institución a la cual estoy orgulloso de
pertenecer.
INDICE
Resumen ................................................................................................................................ 1
Introducción general ............................................................................................................ 2
Primera Parte - Los patrones de respuesta de las serpientes y lagartos del NOA al Cambio
Climático Global. ................................................................................................................. 15
Capítulo 1 - Los patrones de respuesta individual de las serpientes y lagartos del NOA al
Cambio Climático Global. ................................................................................................ 16
1. Marco teórico ......................................................................................................... 17
2. Materiales y Métodos. ............................................................................................ 20
3. Resultados .............................................................................................................. 33
4. Discusión ............................................................................................................... 55
Capítulo 2 - Generando modelos para explicar la sensibilidad de las serpientes y lagartos
del NOA al CCG ............................................................................................................... 64
1. Marco teórico ......................................................................................................... 65
2. Métodos ................................................................................................................. 67
3. Resultados .............................................................................................................. 69
4. Discusión ............................................................................................................... 73
Segunda Parte - El cambio climático y las áreas prioritarias de conservación para los
lagartos y serpientes del NOA .............................................................................................. 78
Capítulo 3 - Evaluando el efecto del cambio climático sobre las áreas prioritarias de
conservación para los lagartos y serpientes del Noroeste Argentino. ............................... 79
1. Marco teórico ......................................................................................................... 80
2. Materiales y Métodos ................................................................................................ 83
3. Resultados .............................................................................................................. 97
2. Discusión ............................................................................................................. 115
Capítulo 4 - Incorporando la sensibilidad diferencial al CCG en el cálculo de las Áreas
de Conservación Prioritaria............................................................................................. 123
1. Marco teórico ....................................................................................................... 124
2. Métodos ............................................................................................................... 126
3. Resultados ............................................................................................................ 127
4. Discusión ............................................................................................................. 129
Conclusiones Generales .................................................................................................... 134
Literatura citada ............................................................................................................... 139
1
Resumen
El cambio climático global (CCG) está generando importantes desequilibrios y problemáticas
para la conservación de la biodiversidad, mediante reducciones considerables (y hasta totales) de
los rangos de distribución de especies. Esta problemática resulta particularmente severa para los
reptiles. En esta tesis, se estudiaron los patrones de sensibilidad diferencial de las especies de
serpientes y lagartos del Noroeste Argentino al CCG, en función de sus requerimientos
climáticos, las características de sus rangos de distribución, y sus relaciones filogenéticas;
asimismo se estudió el efecto del fenómeno sobre las zonas prioritarias de conservación para
estas especies. Se implementaron modelos de distribución geográfica de especies, diversos
análisis estadísticos, en sistemas de información geográfica (SIG) y métodos para la selección se
áreas prioritarias. La sensibilidad de las especies al CCG mostró fuertes asociaciones con ciertas
características de sus nichos climáticos y sus rangos de distribución independientemente de las
relaciones filogenéticas entre las especies. Las especies más vulnerables resultaron aquellas que
habitan zonas altas y poseen rangos de distribución acotados. En concordancia, fueron las
regiones de Puna y Yungas donde se espera los mayores efectos del CCG sobre las áreas
prioritarias. No obstante, la mayor urgencia para la conservación de los reptiles del NOA, se
ubica en el Chacho y zonas transicionales, donde si bien no se espera un efecto muy severo del
CCG, el avance de la frontera agrícola podría dejar muchas zonas de alta prioridad prácticamente
irrecuperables en términos de conservación.
2
Introducción general
3
Una especie de animal o planta se extingue de la tierra cada 20 minutos. Si bien es un enorme
reto diferenciar entre extinciones naturales y antrópicas, no existen dudas: las tasas de extinción
se han exacerbado drásticamente durante “antropoceno” (Whittaker et al. 2005; Ladle &
Whittaker 2011). Se estima que las tasas de extinciones de mamíferos y aves han sido aceleradas
por actividades humanas entre 100 y 1000 veces (Primak, 1993). Los humanos poseemos una
gran ventaja ecológica sobre el resto de las especies, conferida por la evolución de la razón y el
lenguaje, la cual, en el transcurso de nuestra historia nos ha permitido expandir drásticamente
nuestro nicho realizado. Hemos modificado enormemente procesos y sistemas naturales
complejos con el principal fin de producir comodidades y alimentos (Taylor, 2004), sin pensar ni
detenernos demasiado en las consecuencias: una ola de extinciones, posiblemente sin
precedentes en la historia evolutiva reciente (Margules & Sarkar 2007).
Diversas actividades antrópicas atentan sobre la biodiversidad, produciendo declinaciones y
pérdidas de poblaciones y especies. Se señala como una de las principales al efecto del Cambio
Climático Global (CCG) inducido por el hombre (Butchart et al. 2010). La evidencia científica
indica de manera inequívoca que el calentamiento global de los últimos años es producto de las
altas tasas de emisiones de gases de efecto invernadero producto de las actividades humanas,
tasas que aumentan año a año (Canadell et al., 2007; IPCC, 2014). El clima en la tierra se ha
calentado casi 1 ºC durante los últimos 100 años, siendo los 30 últimos años, el período de mayor
calentamiento (mucho mayor a cualquier período del último milenio) (IPCC, 2014). Dichos
cambios en las temperaturas medias han traído aparejados grandes cambios en los patrones de
precipitaciones, corrientes marinas, así como también una gran heterogeneidad climática
producto de los cambios climáticos regionales (McCarty 2001, IPCC, 2014).
4
Si bien el clima no es el único factor determinante de la distribución de una especie, ya que
existen otros aspectos extremadamente importantes como lo son la historia evolutiva y las
presiones bióticas y abióticas no- climáticas, es uno de los factores más influyentes. Para cada
variable climática, cada especie posee un rango de tolerancia determinado dentro del cual puede
sobrevivir y reproducirse y sólo podrá habitar aquellos sitios donde el clima (i.e. su rango de
tolerancia dentro de las n variables climáticas) se lo permita (Soberon & Peterson 2005).
El fenómeno recién mencionado, es la causa por la cual los abruptos cambios climáticos de
origen antrópico sufridos en los últimos años, han estado y actualmente están generando grandes
cambios en los patrones de distribución en diferentes especies alrededor del mundo (ej. Root et
al. 2003; Parmesan 2006; Lenoir et al. 2008), produciendo retracciones, expansiones y
desplazamientos abruptos del nicho climático (i.e. espacio climáticamente habitable) de las
especies. Aquellos casos en los cuales los espacios climáticos ocupados por las especies se
retraen, estas especies pierden necesariamente espacios habitables. Por otro lado, en los casos en
los que el nicho climático de una especie se desplaza, dicha especie debe tener la capacidad de
moverse junto con él, a fin de poder ocupar los nuevos espacios. En los casos en que esto no es
posible (por ej, por una baja capacidad de dispersión, o por un ambiente altamente fragmentado,
que limita la vagilidad de la especie en cuestión), esta pierde una porción física de su nicho
climático, reduciendo su área de distribución.
El efecto del CCG sobre los patrones de distribución de la biota, está causando un gran número
de problemas de conservación para la biodiversidad en todo el mundo (ej. Perry et al. 2005;
Lenoir et al. 2008; Nores 2009). Asimismo, debido a los pronósticos climáticos para el futuro
reciente (IPCC 2014), se esperan efectos severos del fenómeno sobre la biota (ej. Thomas et al.
5
2004; Sinervo et al. 2010; Loyola et al. 2012; Thuiller et al. 2011), así como también sobre la
capacidad del hombre para planificar una conservación de la biodiversidad eficiente a largo plazo
(Loyola et al. 2012; 2012b; Araújo & Rahbek 2013; Faleiro et al. 2013; Lemes & Loyola 2013;).
Por un lado, todo indicaría que el CCG provocará en un futuro cercano que muchas especies
pierdan grandes extensiones de espacios habitables retrayendo así drásticamente sus rangos de
distribución (Loyola et al. 2012). Este fenómeno podría ser sumamente severo en gradientes
altitudinales marcados, los cuales, en muchos casos, poseen un gran número de endemismos que
habitan las regiones altas, las cuales se espera sean las más perjudicadas por el fenómeno
(Thuiller et al. 2011). Por otra parte, las evidencias indican que muchas áreas protegidas podrían
reducir su eficiencia dado que un gran número de especies podrían moverse quedando fuera de
estas, donde actualmente poseen poblaciones aisladas de fuertes disturbios antrópicos que
amenazan su subsistencia (Lemes et al. 2013; Ferro et al. 2014). Asimismo, las especies
invasoras tendrían nuevos espacios climáticamente aptos, lo cual podría hacer que sean una
amenaza para áreas protegidas en las cuales actualmente no podrían tener poblaciones viables
(por estar en sitios climáticamente no-aptos; por ej. Lithobates catesbiana, Nori et al. 2011).
Estos son algunos de los motivos por los cuales comprender el efecto del CCG sobre los patrones
de distribución de la biota, y hallar la mejor forma de aplicar estos conocimientos para
incrementar la eficiencia de las políticas de conservación a largo plazo, se han convertido en
desafíos de los más importantes que actualmente enfrenta la ciencia aplicada.
Los reptiles no son la excepción a esta serie de problemáticas de conservación como
consecuencia del CCG. Su condición de ectotermos terrestres, hace que el clima resulte una
variable de suma importancia para la determinación de sus rangos de distribución, razón por la
6
que se espera que los cambios climáticos tengan fuertes efectos sobre los lugares habitables para
estas especies (Araújo et al. 2006), con pronósticos muy poco alentadores para este grupo de
organismos (Sinervo et al. 2010).
En la presente tesis, se estudió el efecto del CCG sobre los patrones de distribución de los
Lagartos y Serpientes que habitan el Noroeste Argentino (NOA), y sobre las prioridades
geográficas para la conservación de los mismos. El objetivo general planteado para este trabajo
es el siguiente:
“Analizar el grado de cambio en espacios adecuados para especies de Squamata (lagartos y
serpientes) del NOA producto del cambio climático en función de sus requerimientos
ambientales, distribución geográfica e historia filogenética y aplicar dichos conocimientos a la
planificación sistemática de la conservación en el área”.
En la primera parte de la tesis (Capítulos 1 y 2), se estudió la relación entre la respuesta
(geográfica) de las especies al CCG, y (a) sus requerimientos climáticos, (b) las características
generales de sus rangos de distribución (c) las relaciones filogenéticas entre las especies;
asimismo se intentará generar un modelo que nos permita explicar la sensibilidad diferencial de
las especies estudiadas al CCG, bajo la hipótesis de que
“Producto de los cambios ambientales pronosticados para escenarios futuros, los espacios
adecuados para los reptiles del NOA se modificarán, y el grado de cambio estará influenciado
por los requerimientos climáticos y consecuentemente por las características de la distribución
geográfica de las especies, independientemente de la historia filogenética de las mismas” .
7
Los objetivos específicos que se persiguieron en esta primera parte son los siguientes:
1. Determinar la relación existente entre la sensibilidad al cambio climático (medida como
cambios en espacios aptos producto del cambio climático) para las especies de Squamata
del NOA y la amplitud y posición de sus nichos climáticos.
2. Determinar la relación entre la sensibilidad al cambio climático de las especies de
Squamata del NOA y sus requerimientos en relación a variables climáticas específicas.
3. Determinar si existe asociación entre la sensibilidad al cambio climático de las especies de
Squamata del NOA y determinadas características de su distribución geográfica (amplitud,
altitud y cercanía a grandes barreras a la migración).
4. Determinar si la sensibilidad al cambio climático para las especies de Squamata
seleccionadas se asocia a la historia filogenética del grupo.
Debido a que la temática abordada resulta prioritaria en relación a la planificación de la
conservación en el área, y la aplicación de los principios generados podrían resultar de gran
utilidad para evaluar y considerar los potenciales efectos del CCG, en la planificación de la
conservación en el NOA, en la segunda parte de esta tesis (capítulos 3 y 4 ) se analizaron los
efectos del CCG, sobre las prioridades geográficas específicas para la conservación (i.e. áreas de
conservación prioritaria) para las especies de lagartos y serpientes del NOA. En esta segunda
parte se analizó además la posibilidad de incorporar los aspectos relacionados a la sensibilidad
diferencial de las especies al CCG (generados en la primera sección), a la planificación de la
conservación en el área. En esta parte de la tesis se trabajó bajo la hipótesis de que “El efecto
del CCG sobre la distribución de los lagartos y reptiles del NOA, producirá grandes cambios
en las prioridades geográficas para la conservación de estas especies”. Suponemos que la
8
potencialidad del territorio para alcanzar un objetivo de conservación determinado se verá
fuertemente disminuido (producto de cambios de representatividad de especies y cambios en la
configuración geográfica de las zonas de mayor prioridad) producto del CCG.
Los objetivos específicos planteados para esta sección son:
5. Determinar las áreas prioritarias de conservación para las especies de lagartos y serpientes
del NOA y estimar los cambios producidos en las mismas, producto del cambio climático.
6. Incorporar la sensibilidad diferencial al cambio climático de las especies de lagartos y
serpientes del NOA en el cálculo de las áreas de conservación prioritaria.
9
Área de estudio.
El área de estudio se corresponde con las 5 provincias políticas ubicadas en el Noroeste de la
Argentina: Jujuy, Salta, Tucumán, Santiago del Estero y Catamarca. Estas comprenden un rango
latitudinal que va desde los 21,75° hasta los 30,5° de latitud sur; y longitudinal, de entre los 61,7°
y los 69,1° grados de longitud oeste. Cubren un área aproximada de 470,000 km2
(aproximadamente el 20% de la superficie continental de Argentina), abarcando un gradiente
altitudinal muy extenso (desde los 55 m.s.n.m. hasta más de 6700 m.s.n.m). Según Olson et al.
(2001), esta región incluye 5 ecoregiones diferentes: Puna, Chaco, Yungas, Andina, y Monte
(Figura 1).
En términos generales el clima en el NOA es diverso, con zonas donde las temperaturas medias
anuales son de -9 °C a zonas con temperaturas donde alcanzan más de 23 °C promedio anual; en
relación a las precipitaciones anuales, existen zonas donde no se superan los 30 mm y otras
regiones donde las precipitaciones anuales son mayores a 2000 mm. La heterogeneidad
topográfica y ambiental de la región es causante de que la biodiversidad del área (y
específicamente la herpetofauna) sea muy elevada (Cei 1994; Brown 2005; Scrocchi et al. 2008,
Mendoza & Gonzales 2011). Resulta importante destacar que en el área de estudio han sido
registrados cambios significativos en las temperaturas y patrones de precipitaciones en las
últimas décadas, los cuales resultan preocupantes tanto para la biodiversidad como para el
normal desarrollo de las actividades humanas en la región (Minetti & Leiva 2005; Minetti &
Gonzáles, 2006).
La Puna Argentina, ubicada en la región oeste del área de estudio, comprende una altiplanicie
que alcanza los 4500 m.s.n.m. caracterizada por una baja presión atmosférica, escasas
10
precipitaciones, temperaturas medias anuales que rondan los 6 °C, y una muy alta amplitud
térmica. El Chaco (ocupando el este del área de estudio), es una ecoregión caracterizada por su
topografía de extensa llanura, cubierta de bosques de marcada estacionalidad. El clima en esta
región es seco y cálido, caracterizado por elevadas temperaturas en verano y heladas en invierno.
Cabe destacar que esta es una región con una marcada aptitud agrícola, razón por la cual las tasas
de deforestación recientes son muy elevadas (Hoyos et al. 2012; Gasparri & Grau 2009). La
región de las Yungas se sitúa al norte del área de estudio, albergando bosques de alturas, muy
biodiversos. Su clima es cálido y húmedo. La región Andina, ocupado parte del oeste del área de
estudio, se corresponde principalmente con estepas de altura (hasta más de 6500 m.s.n.m.)
arbustivas y herbáceas, el clima de la región es frío y seco, se registran copiosas nevadas
fundamentalmente en invierno. Por último la región del Monte, ubicada al sur del área de
estudio, se corresponde a una gran llanura con vegetación herbácea y arbustiva, adaptada a las
escasas precipitaciones y bajas temperaturas que se registran en esta región (Cabrera 1976;
Scrocchi et al. 2008; Scrocchi et al. 2010).
El área de estudio posee 35 áreas protegidas de nueve categorías diferentes, las cuales ocupan
una superficie total aproximada de 40500 km2. La mayoría de ellas (66%) ocupan la ecoregión
de la Puna, seguida de la región Andina con el 12%; en tanto que las regiones del Chaco (6%),
Monte (7%) y Yungas (9%) están representadas en una superficie menor al 10% del total de
áreas protegidas (Figura 2; Tabla 1).
11
Figura 1: Ubicación del Noroeste Argentino en el continente y ecoregiones.
12
Figura 2: Áreas protegidas del NOA, listadas en la Tabla 1
Tabla 1: Listado de las 35 áreas protegidas del NOA con sus correspondientes categorías, superficies,
provincias, y ecoregiones que ocupan
Nombre Categoria Provincia Región Sup[km2]
1-Abra de Acay Monumento Natural Salta Puna/Andes 381.482
2-Aguas Chiquitas Reserva Nat Provincial Tucumán Yungas 34.5137
3-Alto Andina de Chinchilla Reserva Nat Provincial Jujuy Andes 3327.28
4-Angastaco Monumento Natural Salta Monte 220.396
5-Baritú Parque Nacional Salta Yungas 683.139
13
6-Calilegua Parque Nacional Jujuy Yungas 772.667
7-Campo de los Alisos Parque Nacional Tucumán Yungas/Puna 161.677
8-Campo General Belgrano Area de Conservación Salta Yunga/Chaco 69.536
9-Carabajal Reserva de Fauna Silvestre Salta Yungas 10.4877
10-Copo Parque Nacional S. del Estero Chaco 1180.47
11-Copo Reserva Nat Provincial S. del Estero Chaco 773.618
12-Cumbres Calchaquíes Parque Provincial Tucumán Yungas/Puna 679.32
13-El Nogalar de Los Toldos Reserva Nacional Salta Yungas 32.252754
14-El Rey Parque Nacional Salta Yungas 402.399
15-Finca Las Costas Reserva Provincial Salta Chaco/Yunga 86.1031
16-Horco Molle Reserva Universitaria Tucumán Yugas 71.325766
17-La Angostura Reserva Nat Provincial Tucumán Yungas 16.5847
18-La Florida Reserva Nat Provincial Salta Yungas 93.0415
19-Laguna Blanca Reserva Nat Provincial Catamarca Monte/Puna/Andes 7159.16
20-Laguna Leandro Monumento Natural P. Jujuy Andes 3.39283
21-Laguna Pintascayo Reserva Nat Provincial Salta Yungas 158.133
22-Las Lancitas Reserva Nat Provincial Jujuy Yungas 110.787
23-Los Andes Reserva Nat de Fauna Salta Andes 14897.583
24-Los Cardones Parque Nacional Salta Monte 639.8433
25-Los Palmares Reserva Provincial Salta Chaco 141.79
26-M.N. Laguna los Pozuelos Monumento Natural Jujuy Andes 207.986
27-Olaroz Cauchari Reserva Provincial de Fauna Jujuy Puna 2111.017
28-Pizarro Reserva Provincial Salta Yungas 79.2831
29-Potrero de Yala Parque Provincial Jujuy Yungas/Puna 16.3407
30-Quebrada de Cafayate Reserva Nat Provincial Salta Monte 6.96848
31-Quebrada de Humahuaca Monumento Natural P. Jujuy Puna 5601
32-Quebrada del Portugues Reserva Nat Provincial Tucumán Yungas 74.8243
33-Rio Los Sosa Reserva Nat Provincial Tucumán Yungas 26.9547
34-Santa Ana Reserva Nat Provincial Tucumán Yungas 172.611
35-Sierra de San Javier Reserva Universitaria Tucumán Yungas 120.665
Especies implicadas
La fauna de serpientes y lagartos del NOA es altamente diversa. En efecto, este territorio está
habitado por un total 133 especies, de las cuales 51 son serpientes (pertenecientes a 6 Familias;
Giraudo et al. 2012) y 82 son lagartos (pertenecientes a 10 Familias; Abadala et al. 2012). Por lo
tanto este territorio está habitado por el 35% del total de serpientes y lagartos que habitan la
Argentina (Abdala et al. 2012; Giraudo et al. 2012).
14
15
Primera Parte - Los patrones de respuesta de las serpientes y
lagartos del NOA al Cambio Climático Global.
16
Capítulo 1 - Los patrones de respuesta individual de las serpientes y lagartos
del NOA al Cambio Climático Global.
17
1. Marco teórico
Como se desarrolló anteriormente, el CCG puede generar grandes cambios en los patrones de
distribución de las especies (Thomas et al. 2004; Chen et al. 2011), provocando en muchos casos
pérdidas considerables de los espacios habitables para estas (Loyola et al., 2012), siendo además
la causa probada de numerosos eventos de extinciones (eg. Lenoir et al. 2008). Asimismo, la
mayoría de pronósticos no son en nada alentadores (Dullinger et al., 2012), menos aún para
animales terrestres ectotermos como los reptiles (Sinervo et al. 2010). Por todo esto, intentar
comprender los patrones de respuesta geográfica de estos organismos al cambio climático global,
resulta un tema de alta prioridad en la actualidad.
Si bien la respuesta geográfica de los organismos al CCG, resulta heterogénea, existen patrones
de respuesta general que se han puesto en evidencia. Por ejemplo, se ha visto y se espera (como
pauta general) que como resultado del calentamiento global, los nichos climáticos de las
especies se desplacen a mayores latitudes y altitudes (Bellard et al. 2012). Si bien este patrón de
respuesta resulta lógico e intuitivo, varios otros autores han profundizado el estudio del
fenómeno, relacionado la respuesta potencial (y en algunos casos empírica) de las especies al
CCG con diferentes parámetros biológicos y biogeográficos de las mismas (e.g. Swihart et al.,
2003; Thuiller et al., 2004b; 2005; Kotiaho et al., 2005; Araújo et al. 2006; Broennimann et al.,
2006; Boulangeat et al., 2012; Bonino et al., 2015; Tingley et al 2009). Así, han surgido
recientemente varias hipótesis interesantes que relacionan los patrones de respuesta al CCG con
(a) las características de los ‘nichos climáticos’ que las especies ocupan (b) las características de
sus rangos de distribución (c) las variables climáticas específicas de los sitios que habitan (d) la
historia filogenética de los taxones.
18
Los nichos climáticos ocupados por las especies pueden ser caracterizados a partir de sus
posiciones y amplitudes en el espacio climático. Así, la posición de una especie en el espacio
climático de un área, resulta una medida de cuan ‘climáticamente marginal’ resulta esta especie
en relación a las condiciones promedio del área; en tanto, la amplitud del nicho climático de una
especie, resulta una medida de la ‘tolerancia climática’ de la misma, (ambos rasgos en relación a
las variables con las que el espacio climático fue caracterizado) (Thuiller et al. 2005). En relación
a esto, las evidencias indican que aquellas especies que poseen posiciones marginales en el
espacio climático (en relación a las condiciones promedio de un determinado área), poseen
menores posibilidades de ‘reacomodar’ su nicho climático ante un cambio, y por ende mayores
posibilidades de perder porciones significativas del mismo producto del CCG (ie. son más
vulnerables a los efectos del CCG) (Swihart et al., 2003; Thuiller et al., 2005; Broennimann et
al., 2006; Tingley et al 2009). Por otra parte aquellas especies con mayores amplitudes de nicho
climático, poseen una mayor capacidad de adaptación (por su capacidad de habitar regiones
climáticamente disimiles) y una mayor resiliencia antes dichos cambios climáticos (Thuiller et
al., 2004b; 2005; Kotiaho et al., 2005; Broennimann et al., 2006; Boulangeat et al., 2012; Bonino
et al., 2015). Si bien se cree que estos son los patrones generales que rigen la sensibilidad de las
especies al CCG, existen muchas cuestiones a considerar, por ejemplo, se cree que ciertas
especies poseen la capacidad de generar cambios en sus nichos climáticos a fin de adaptarse a
condiciones cambiantes (Beaumont et al. 2009; Gallagher et al. 2010)
Las características de los rangos de distribución de las especies se encuentran en íntima relación
con sus amplitudes y posiciones de nicho climático, y por ende con la respuesta geográfica de las
especies al CCG. Dicha respuesta potencial o exposición al CCG ha sido relacionada con
19
diversos rasgos de las distribuciones de los taxones, como por ejemplo la amplitud del rango
altitudinal ocupado por las especies, la amplitud de su rango de distribución, las máximas
latitudes o máximas alturas a las que habitan (Broennimann et al., 2006; Lenoir et al., 2008;
Thuiller et al., 2005; Bonino et al., 2014). Se ha encontrado, por ejemplo, que en determinados
contextos geográficos, aquellas especies que habitan las regiones más altas son las más
vulnerables al CCG, como consecuencia de que el calentamiento produce la elevación de los
espacios aptos para estas especies y por consiguiente estos se reducen geográficamente (Lenoir et
al. 2008; Engler et al. 2011; Thuiller et al. 2011). También se han señalado como más
perjudicadas por este fenómeno a aquellas especies más cercanas a las grandes barreras a la
dispersión, como por ej. Océanos (producto de la imposibilidad de alcanzar nuevos sitios aptos
limitados por estas barreras). Asimismo, en ciertos contextos, se ha encontrado más vulnerables a
aquellas especies que habitan a mayores latitudes, que poseen rangos de distribución más
acotados, u otro tipo de rasgo particular en su distribución geográfica (Broennimann et al., 2006;
Lenoir et al., 2008; Thuiller et al., 2005; Bonino et al., 2014).
La respuesta geográfica de las especies al CCG, guarda también una relación estrecha con las
tolerancias climáticas de las mismas a variables específicas. Si bien este patrón es sumamente
variable y depende mucho del grupo bajo estudio, se ha encontrado, por ejemplo, una
sensibilidad diferencial para ciertas especies en función de los cambios esperados en las
precipitaciones de los sitios que ocupan (Thuiller et al. 2005; Araújo et al. 2006). También existe
alguna evidencia de que diferentes grupos taxonómicos podrían responder diferencialmente al
CCG, como consecuencia de la señal filogenética entre ellos, por lo que el efecto del fenómeno
podría tener consecuencias geográficas clado-especificas (ie. sensibilidad similares para especies
filogenéticamente cercanas) (Hof et al. 2010; Loyola et al. 2014).
20
En este capítulo, se analizó la sensibilidad de las especies estudiadas al CCG y su relación con
(a) la amplitud y posición de sus nichos climáticos, (b) características generales de sus rangos de
distribución, (c) características climáticas específicas de los sitios que habitan, (d) las relaciones
filogenéticas entre las especies. Asimismo, en el segundo capítulo se desarrolló a partir de estas
relaciones, un modelo que nos permitió explicar la sensibilidad diferencial de las especies al
CCG, incluyendo además el sesgo incorporado por la señal filogenética entre los taxones.
Los objetivos específicos que abordaremos en esta esta primera parte son los siguientes:
1. Determinar la relación existente entre la sensibilidad al cambio climático (medida como
cambios en extensión de espacios aptos producto del cambio climático) para las especies
de Squamata del NOA y la amplitud y posición de sus nichos climáticos.
2. Determinar la relación entre la sensibilidad al cambio climático de las especies de
Squamata del NOA y sus requerimientos en relación a variables climáticas específicas.
3. Determinar si existe asociación entre la sensibilidad al cambio climático de las especies
de Squamata del NOA y determinadas características de su distribución geográfica
(amplitud, altitud y cercanía a grandes barreras a la migración).
4. Determinar si la sensibilidad al cambio climático para las especies de Squamata
seleccionadas se asocia a la historia filogenética del grupo.
2. Materiales y Métodos.
Especies seleccionadas y registros de ocurrencia: Dada la imposibilidad de obtener registros de
ocurrencia de todo el rango de distribución de las más de 130 especies presentes en el NOA, para
abordar los objetivos planteados en este capítulo se seleccionaron 17 de ellas (Tabla 1) De estas
especies se recopilaron registros de ocurrencia correspondientes a todo su rango de distribución.
21
En este punto es importante señalar que, en función de los objetivos aquí planteados, la
caracterización de los nichos climáticos de las especies, así como también la característica de sus
rangos de distribución, no podían ser extraídas sólo de la porción de la distribución que abarcara
el área de estudio propuesta (NOA). Si bien se siguieron determinados criterios para la selección
de especies, en función de los objetivos planteados, lógicamente las especies seleccionadas (14%
del total) podrían no representar adecuadamente toda la diversidad de especies presente en el área
de estudio. La selección de especies se rigió en los siguientes criterios (a) contar con
representantes de todas las ecoregoines del área (b) contemplar una importante diversidad
taxonómica o filogenética en relación a la presente en el área (c) contener diversidad en relación
a la amplitud del rango de distribución de las especies (desde ampliamente distribuidas hasta
microendémicas). (d) a los fines prácticos se seleccionaron especies de las que se contaba o
podía obtenerse información de todo su rango de distribución.
Los registros de ocurrencia de las especies (1130; Tabla 2) provienen de especímenes colectados
entre 1975 y 2012, y se obtuvieron de distintas colecciones herpetológicas (Fundación Miguel
Lillo, Universidad Nacional de Salta, Museo Argentino de Ciencias Naturales, Museo de
Ciencias Naturales de la Plata, Colección Boliviana de Fauna, La Paz Bolivia, Museo de Historia
Natural Noel Kempff Mercado, Santa Cruz, Museu de Zoologia da Universidade de São Paulo);
bibliografía relevante (Gonzales 1998; 2006; Da Silva & Sites 1999; Dirksen & de la Riva 1999;
Montero et al. 1995; Gonzales y Reichle 2002; Scrocchi & Giraudo 2002; Langstroth 2002;
Padial et al. 2003; Scott et al. 2006; Cabrera & Etheridge 2006; Kacoliris et al. 2006; Passos &
Fernandes 2008; Da Silva & Rodrigues 2008; Perez et al. 2008; Alvarez et al. 2009; Minoli et al.
2011; Carrasco et al. 2012; Cabrera 2012; Harvey et al. 2012) y en los casos en que fue necesario
22
bases de datos online (Global Biodiversity Information Facility, HerpNet y Sistema de
Informción de Biodiversidad de Parques Nacionales). En relación a este último ítem se utilizaron
filtros para obtener exclusivamente registros provenientes a colecciones hepetológicas
reconocidas y pertenecientes a países en los cuales las especies en cuestión estuviesen presentes,
a fín de evitar la incorporación de datos erróneos producto de una mala identificación de las
especie. Una vez generada la base de datos, los registros se georeferenciaron utilizando
gazetteers, sitios de internet y programas específicos (Gloogle Earth; Google Maps; dices;
Wikimapia, ArcGis 9.3, etc). Una vez georeferenciadas las localidades para cada especie en todo
su rango de distribución se consultaron a especialistas reconocidos en los grupos taxonómicos de
las especies, con el fin de corroborar la información relevada (Dres. Gustavo Scrocchi, Alejandro
Giraudo; Cristian Abdala, Fernando Lobo, Federico Arias, Juan Manuel Diaz-Gomez y Sebastián
Quinteros). Para la realización de los modelos sólo se consideró un registro de presencia por
radio aproximado de 100 km2 (píxel de 0.083° de lado).
Variables climáticas y escenarios utilizados: En relación a las variables utilizadas, se
consideraron 19 variables bioclimáticas obtenidas de Wordclim (http://www.worldclim.org).
Estas son variables de alto significado biológico derivadas de las temperaturas y precipitaciones
medias mensuales. Representan tendencias anuales, estacionales y también factores ambientales
extremos o limitantes (Hijamns et al. 2005). Como variables topográficas se consideraron la
elevación y la pendiente obtenidas del Earth Resources Observation and Science center (EROS)
(disponibles en: http://eros.usgs.gov). Para las variables climáticas, se utilizó además de las
actuales, un horizonte futuro para el año 2030 (escenario de emisión B1 y el modelo de
circulación INM-CM3). Las variables para escenarios futuros, obtenidas del portal de datos
GCM del Climate Change, Agriculture and food Security (CCAFS), se recopilaron por el Panel
23
Intergubernamental de Cambio Climático en el cuarto informe de evaluación (IPCC 2007).
Debido a que algunas de las variables bioclimáticas poseen altas correlaciones y esto puede
afectar negativamente el desempeño de los modelos (Heikkinen et al. 2006), y a fin de evitar
información repetida, se calculó la correlación entre las variables utilizadas mediante un análisis
de correlación de Pearson (utilizando valores de cada variable extraidos de 10,000 pixeles al azar
para todo el continente) y se utilizaron sólo variables con correlaciones menores de 0.75. Entre
los grupos de variables que mostraron alta correlación, se seleccionó una de ellas en función de
su importancia en relación a la biología de las especies implicadas. En este sentido y debido a
que el criterio para la selección de variables debía ser el mismo para todas las especies
implicadas en el capítulo, se consideró fundamentalmente la condición de ectotermos terrestres,
y entre las variables correlacionadas se seleccionaron aquellas correspondientes al período de
mayor actividad de las especies. Las variables utilizadas para la realización de los modelos
fueron: rango diurno medio de temperaturas, temperatura media del trimestre más cálido,
temperatura máxima del mes más cálido, precipitaciones medias del trimestre más cálido,
estacionalidad de las precipitaciones y altura sobre el nivel del mar.
Moldeos de distribución de especies Los modelos de distribución de especies, establecen
mediante funciones matemáticas, correlaciones entre los registros de ocurrencia de las especies y
variables medidas en un área geográfica determinada (dentro de la cual se ubican los registros en
cuestión), esto permite calcular posteriormente un valor de “idoneidad” (suitability) para las
especies en cada uno de los pixeles o unidades de área en que se divide el área de estudio, en
función de las variables utilizadas. Dicha medida de idoneidad, permite posteriormente estimar
un rango geográfico donde las condiciones resultan aptas para una especie en cuestión (Franklin
et al. 2009). Una vez estimadas las relaciones, entre las variables y las ocurrencias a partir de los
24
algoritmos de modelado, utilizando las mismas variables medidas o estimadas para diferente
tiempo y/o espacio, es posible proyectar los modelos a fin de evaluar como la especie responderá
a posibles cambios en las variables (Peterson et al. 2011). Esta metodología hace posible generar
hipótesis de la respuesta potencial de las especies a escenarios climáticos futuros hipotéticos.
Debido a que existen diferentes métodos disponibles para el modelado de distribución de
especies, y estos se basan en funciones matemáticas diferentes que arrojan distintos resultados,
recientemente ha surgido un protocolo metodológico que permite minimizar la incertidumbre que
conlleva el uso de los diferentes algoritmos. Dicho protocolo se conoce como “Ensemble
Forecasting”, y consiste en buscar áreas de alto consenso entre los resultados de los diferentes
métodos y/o escenarios climáticos. Dichos ‘ensembles’ ayudan a producir modelos y
proyecciones mucho más conservativas que utilizando sólo un método (para detalles ver Araujo
& New 2007). En el presente capítulo se generaron ensambles a partir de tres métodos de
modelado diferentes: el Genetic Algorithm for Rule-set production (GARP) con la selección del
mejor subset (Anderson et al. 2003); Maxent (Phillips et al. 2006) y Two class Support Vector
Machine (SVM; Schölkopf et al., 2001). Se seleccionaron estos algoritmos para esta parte de la
tesis, fundamentalmente atendiendo a la ausencia de datos de ausencias geográficas reales para
las especies (dentro de los posibles algoritmos por los cuales podíamos optar al momento de
realizar los modelos, en función de las herramientas disponibles para nosotros en este momento,
los seleccionados resultan los más aptos para trabajar con datos de solo presencia; Rangel &
Loyola 2012; Varela et al. 2014).
Para el presente capítulo de la tesis los modelos, fueron generados implementando el software
OpenModeller (Souza Muñoz et al. 2009). Todos ellos fueron calibrados y proyectados en un
25
área buffer (i.e. zona de amortiguación) de 2500 km del polígono conexo mínimo conteniendo el
total de los registros de presencia de todas las especies implicada, a fín de evitar potenciales
errores de comisión en las proyecciones, en zonas en las cuales las especies no habitan producto
de su historia, independientemente de las condiciones climáticas. Para cada algoritmo se
realizaron tres replicas independientes y se utilizó la media entre estas como mapa de consenso
final para la realización del ‘ensemble’. Solo se consideró un registro de ocurrencia por especie
por radio de 10 km (resolución utilizada para la calibración de los modelos). Asimismo, la
calibración de los modelos se realizó utilizando el 75% de los registros de ocurrencia de cada
especie. El 25% de los registros restantes fueron utilizados para la evaluación de los modelos.
Para dicha evaluación se calculó el área bajo la curva ROC (AUC/ROC) que relaciona la
sensibilidad y especificidad de los modelos a lo largo de todos los umbrales posibles (Hanley &
McNeil 1982).
Las proyecciones de los modelos para cada uno de los escenarios utilizados se ensamblaron
siguiendo a Araújo &New (2007) del siguiente modo: primero las proyecciones se transformaron
en mapas de presencia-ausencia utilizando como umbral de presencia el mínimo valor de
idoneidad que engloba el 95% de los registros de ocurrencia de la especie (dicho umbral se
seleccionó con el objetivo de evitar sobre predicciones debidas a posible datos erróneos o mal
referenciados); luego las proyecciones de los diferentes algoritmos para el mismo escenario y
horizonte de tiempo (ej. las proyecciones de los tres algoritmos para el escenario de circulación
INM-CM3 B1, año 2030 para Bothrops ammodytoides) se superpusieron utilizando una
plataforma de SIG (Sistemas de Información Geográfica) y se seleccionaron todos aquellos
pixeles donde todos los algoritmos predijeron presencia de la especie. Posteriormente el mismo
proceso se repitió para los demás horizontes de tiempo y escenarios. Los mapas finales muestran
26
para cada especie el resultado de los ensambles de todos los algoritmos para cada uno de los dos
horizontes (presente y 2030).
Estimación de la “sensibilidad” al cambio climático: Con el objetivo de calcular una medida de
la “sensibilidad” de las especies al CCG, se compararon las proyecciones a condiciones actuales
con las proyecciones a condiciones futuras. A partir de ambas proyecciones, se calculó la
ganancia/pérdida de espacios climáticamente aptos (para cada especie) lo cual se utilizó como
medida de sensibilidad al CCG. Así las especies con mayores superficies climáticamente aptas
actuales, perdidas en el escenario futuro, se consideraron como las más expuestas al CCG. Para
esto, se calculó el porcentaje de ganancia/perdida en la proyección futura en función de la
proyección en presente, mediante la fórmula Sens=(100-(AF*100)/AP), donde AP es área
climáticamente apta para la proyección a presente, y AF es área climáticamente apta en la
proyección a futuro). El porcentaje de pérdida/ganancia de espacios adecuados fue la medida de
sensibilidad al cambio climático utilizada.
Relación entre la posición de nicho climático y la sensibilidad al CCG de las especies
Cálculo de la posición de nicho climático: Para el cálculo de la posición del nicho climático en
el gradiente ambiental se utilizó el análisis multivariado de ordenamiento denominado Canonical
OMI (Outlying Mean Index) análisis implementado en paquete Adehabitat HS de R (R Team,
2014). Este análisis permite hacer una estimación de la marginalidad de las especies en el
espacio climático. La posición de las especies en los ejes del análisis OMI representa una medida
de diferencia entre las condiciones ambientales promedio en el área y las utilizadas por cada
especie, siendo las especies que adoptan los mayores valores en dicho análisis las que ocupan las
27
posiciones de mayor marginalidad en el gradiente ambiental (para detalles ver Dolédec et al.
2000). La caracterización del gradiente ambiental se realizó con la totalidad de los pixeles del
sub-continente sudamericano a fin de obtener una medida de la marginalidad de las especies en
función de las condiciones disponibles totales. Si bien en la mayor parte de los trabajos afines, en
los que se estimó la posición del nicho climático, el análisis utilizado fue el OMI análisis
(Thuiller et al. 2004, 2005, Broennimann et al. 2006, Hof et al. 2010). En este estudio en
particular se utilizó el Canonical OMI analysis, que es una ligera modificación del anterior y
también ha sido implementado anteriormente para análisis afines con éxito (Darmon et al. 2011).
La selección de este análisis se debe a que al luego del cálculo del análisis OMI se constató una
alta correlación entre el primer eje del mismo y el primer eje del análisis de componentes
principales implicado en el proceso del análisis OMI, lo cual indica que la variación explicada
por el primer eje de este análisis se debe mayormente al ambiente, y no a la posición de las
especies en el espacio climático. En el caso del Canonical OMI, se genera una pequeña distorsión
del espacio climático para que el mismo adquiera una forma estándar relativamente “esférica”,
para maximizar así la marginalidad debida a la posición de las especies en el espacio climático
(para más detalles ver Thuiller et al. 2004; 2005, Broenimann et al 2006, Hof et al. 2010,
Calenge 2011; Darmon et al. 2011). Para establecer la relación entre dicha variable (la posición
del nicho climático de cada especie) y la vulnerabilidad de las especies al CCG se realizó una
regresión lineal simple utilizando la vulnerabilidad al CCG como variable respuesta.
Relación entre la amplitud de nicho climático y la sensibilidad al CCG de las especies
Cálculo de la amplitud del nicho climático: Para calcular la amplitud del nicho climático, se
realizó un análisis de componentes principales a partir del cual se caracterizó la posición en el
espacio climático de cada uno de los registros de ocurrencia de las especies en relación al
28
gradiente ambiental. Se utilizó el siguiente protocolo (modificado de Beaumont et al. 2009 y
Gallagher et al. 2010). Desde una plataforma de SIG se extrajo el valor de las variables
climáticas seleccionadas para realizar los modelos de distribución, en cada uno de los puntos de
presencia de las especies. Asimismo, a fin de caracterizar el ‘fondo’ ambiental se extrajeron los
mismos valores de 5000 puntos al azar dentro de un polígono convexo mínimo realizado con los
registros de ocurrencia de la totalidad de las especies (ligeramente modificado en sus vértices a
fin de que todos los registros se estén incluidos en el mismo; Figura 3). Una vez obtenidos estos
valores se realizó con ellos un análisis de componentes principales (ACP) en el cual se “mapeó”
a las especies. Posteriormente, se calculó para cada especie la amplitud de su nicho climático en
los primeros dos componentes principales (los cuales resumen un 97% de la variación total)
identificando para cada especie los valores extremos entre los cuales se ubican el 90% del total
de los registros para cada especies, en el gradiente ambiental (no se utilizaron los datos extremos
a fin de evitar la sobrepredicción por datos marginales) (Figura 4). Finalmente se tomó como
amplitud de nicho para cada especie la suma entre el valor de las amplitudes contiendo el 90 %
de los registros en los primeros 2 componentes multiplicado por el autovector correspondiente a
dicho componente: (∆Comp 1 * Autovector 1 + ∆Comp 2 * Autovector 2)
29
Figura 3: Registros de las especies y puntos al azar utilizados para la
caracterización del espacio climático en el cálculo de la amplitud de nicho
climático.
30
Figura 4: Esquema explicativo de la metodología implementada para los cálculos de la amplitud
de los nichos climáticos. En el mismo se destacan los registros de una de las especies (hom*onota
fasciata) en los primeros dos componentes principales (puntos negros grandes) y los intervalos
correspondientes al 90% de los registros en dichos ejes. Los puntos pequeños corresponden a la
caracterización del ‘fondo’ ambiental (azules), y al resto de las especies implicadas (resto de los
colores)
Relación entre requerimientos ambientales específicos de las especies y su sensibilidad al
cambio climático
Cálculo de los requerimientos climáticos: Utilizando una plataforma de SIG se extrajeron los
valores de distintas variables climáticas (Rango diurno medio de temperatura; Estacionalidad de
la temperatura, Temperatura media del trimestre más cálido, Precipitación media del trimestre
más cálido) en cada uno de los registros de ocurrencia de las distintas especies. Posteriormente se
calculó el valor medio para cada especie en relación a cada una de estas variables. La relación
31
entre estas variables y el CCG se estableció mediante regresiones lineales simples utilizando la
sensibilidad al CCG como variable respuesta. Las variables fueron seleccionadas de tal forma de
intentar representar diversos aspectos climáticos y a la vez de importancia para las especies; así,
se seleccionaron tanto temperaturas como precipitaciones medias de los periodos de actividad de
las especies, y variables relacionadas a las variaciones temporales en las temperaturas a lo largo
del año y del día.
Relación entre las características de los rangos de distribución de las especies y su sensibilidad
al cambio climático
Cálculo de caracteres geográficos: Basándonos en los antecedentes existentes en el tema, se
seleccionaron y calcularon distintos atributos geográficos de la distribución de cada especie de
potencial importancia en relación a la sensibilidad de las mismas al CCG. Las relaciones entre
estas variables y el CCG se estudiaron mediante regresiones lineales simples utilizando la
vulnerabilidad al CCG como variable respuesta.
Rango de altitud: Utilizando una plataforma de SIG con los registros de ocurrencia de las
especies y la información en capas Raster de la elevación del terreno, se calculó para cada
especie el rango de altura ocupado. Esta variable guarda estrecha relación con la amplitud del
nicho climático, y por ende con la sensibilidad al cambio climático de las especies (Lenoir et al.
2008; Engler et al. 2011).
Altura máxima: La altura máxima se calculó a partir de la posición altitudinal de los puntos de
cada especie calculados para el objetivo anterior. Esta variable podría ser un claro indicador de la
32
posición de la especies en el espacio climático, siendo que aquellas especies que alcanzan las
mayores alturas, tenderán a ser más marginales climáticamente, y por ende más vulnerables al
CCG (Lenoir et al. 2008).
Rango de distribución: El rango de distribución se calculó a partir de las proyecciones de los
modelos de distribución en condiciones presentes, mediante el cálculo de la superficie
climáticamente apta para cada especie. Esta variable es un indicador directo de la amplitud del
nicho climático de las especies.
Distancia a la cordillera de los Andes: Mediante la reclasificación de una capa de elevación
DEM y una capa de pendientes del continente se extrajo la posición de los picos montañosos más
altos de la cordillera de los Andes (correspondientes a la línea divisoria de aguas), a partir de esto
se generó un shape file independiente y se calculó la distancia mínima de cada registro de
ocurrencia a dicha línea divisoria. Finalmente se seleccionó la distancia mínima para cada
especie.
Máxima Latitud alcanzada por la especie: Se estimó a partir de la posición de los registros de
ocurrencia a de las especies. Esta variable es un indicador de la posición de las especies en el
espacio climático producto del gradiente climático que existe desde el ecuador hacia los polos,
por esta razón podría encontrarse en relación con la sensibilidad potencial de las mismas al CCG.
Relación entre la historia filogenética de las especies y su sensibilidad al cambio climático:
Para la realización de este objetivo, se realizó en primer lugar una reconstrucción filogenética de
las especies implicadas es este estudio, utilizando la hipótesis recientemente generada por Pyron
33
et al. (2013). Posteriormente para evaluar la influencia de la señal filogenética en la sensibilidad
al cambio climático así como también con el resto las variables utilizadas para este estudio se
realizó un análisis de estimación de señal filogenética (PHYSIG; Blomberg et al. 2003). Para
esto se utilizaron tres modelos uno asumiendo largo de constante de rama en el árbol (CBL:
constant branch legth; en este caso BL = 1) y dos en el que el largo de las ramas fueron
transformados usando Ornstein–Uhlenbeck (OU) a longitudes originales considerando una
transformación (d) de d = 0.2 y d = 0.8 respectivamente. Cada una de estas transformaciones de
las longitudes de rama representan las diferentes fuerzas de estabilización de la selección. Donde
el valor de 0.2 representa un escenario muy ‘adaptativo’ y el valor de 0.8 lo contrario (para
detalles ver Blomberg et al. 2003).
3. Resultados
Sensibilidad al CCG: Se recopilaron un total de 1130 registros de ocurrencia para las 17 especies
(Tabla 2). En términos generales los modelos de distribución mostraron muy buenos valores de
ajuste en relación al parámetro de evaluación calculado (AUC/ROC). Los mismos variaron entre
0.83 (para Stenocercus roseiventris algoritmo GARP) y 0.98 (Liolaemus capillitas, algoritmo
MAXENT), dichas medidas de evaluación mostraron una media de 0.92 y un Desvio estándar de
0.08. A continuación se muestran los espacios ambientalmente aptos para cada una de las
especies en lod dos escenarios climáticos utilizados, y la sensibilidad al CCG para cada una de
ellas, estimada como los cambios de los espacios climáticamente aptos entre el presente y el
2030 (Figura 5-20; Tabla 2)
34
Figura 5: Registros de ocurrencia y espacios ambientalmente adecuados para B. ammodytoides
según los ensambles de modelos generados, para condiciones actuales y futuras
Figura 6: Registros de ocurrencia y espacios ambientalmente adecuados para B. diporus según
los ensambles de modelos generados, para condiciones actuales y futuras
35
Figura 7: Registros de ocurrencia y espacios ambientalmente adecuados para E. alvarezi según
los ensambles de modelos generados, para condiciones actuales y futuras
Figura 8: Registros de ocurrencia y espacios ambientalmente adecuados para E. ceii según los
ensambles de modelos generados, para condiciones actuales y futuras
36
Figura 9: Registros de ocurrencia y espacios ambientalmente adecuados para M. pyrrhocryptus
según los ensambles de modelos generados, para condiciones actuales y futuras
Figura 10: Registros de ocurrencia y espacios ambientalmente adecuados para P. baroni según
los ensambles de modelos generados, para condiciones actuales y futuras
37
Figura 11: Registros de ocurrencia y espacios ambientalmente adecuados para P. varia
según los ensambles de modelos generados, para condiciones actuales y futuras
Figura 12: Registros de ocurrencia y espacios ambientalmente adecuados para P. vittatus según
los ensambles de modelos generados, para condiciones actuales y futuras
38
Figura 13: Registros de ocurrencia y espacios ambientalmente adecuados para A. abalosi según
los ensambles de modelos generados, para condiciones actuales y futuras
Figura 14: Registros de ocurrencia y espacios ambientalmente adecuados para A. tergoleavigatus
según los ensambles de modelos generados, para condiciones actuales y futuras
39
Figura 15: Registros de ocurrencia y espacios ambientalmente adecuados para H. fasciata según
los ensambles de modelos generados, para condiciones actuales y futuras
Figura 16: Registros de ocurrencia y espacios ambientalmente adecuados para L. cuyanus según
los ensambles de modelos generados, para condiciones actuales y futuras
40
Figura 17: Registros de ocurrencia y espacios ambientalmente adecuados para L. capillitas según
los ensambles de modelos generados, para condiciones actuales y futuras
Figura 18: Registros de ocurrencia y espacios ambientalmente adecuados para O. xestus
según los ensambles de modelos generados, para condiciones actuales y futuras
41
Figura 19: Registros de ocurrencia y espacios ambientalmente adecuados para P. antofa*gastensis
según los ensambles de modelos generados, para condiciones actuales y futuras
Figura 20: Registros de ocurrencia y espacios ambientalmente adecuados para S.
roseiventris según los ensambles de modelos generados, para condiciones actuales y futuras
Tabla 2: Número de registros individaulas para cada espcie y superficie de espacios adecuados en los diferentes escenarios para cada especie en y
42
porcentajes de cambio en relación a los espacios ambientalmente adecuados en el escenario actual (pres-2030).
Superficie [km2] %cambio
Especie Registros presente 2030 pres-2030
Bothrops ammodytoides 91 1075058,18 906929,74 -15,64
Bothrops diporus 104 2465756,87 2258507,04 -8,41
Epicrates alvarezi 92 767322,35 963079,86 25,51
Erythrolamprus ceii 88 224103,82 148644,63 -33,67
Micrurus pyrrhocryptus 112 1491406,50 1383505,81 -7,23
Philodryas baroni 95 967945,36 1102166,22 13,87
Philodryas varia 21 156528,76 134845,50 -13,85
Phimophis vittatus 29 904903,87 1224361,46 35,30
Pseudotomodon trigonatus 42 595280,96 551490,08 -7,36
Ameivula abalosi 33 992141,30 1140700,96 14,97
Aurivela tergolaevigatus 42 76915,10 87333,57 13,55
hom*onota fasciata 97 1364527,83 1478554,68 8,36
Liolaemus capillitas 12 18582,47 16965,13 -8,70
Liolaemus cuyanus 39 230762,44 272696,68 18,17
Opipeuter xestus 60 178857,90 150490,02 -15,86
Phymaturus antofa*gastensis 7 660,00 370,12 -43,9
Stenocercus roseiventris 39 559921,98 330371,03 -41,00
Relación entre la posición del nicho climático y la sensibilidad al cambio climático: La gráfica
de la figura 21 muestran los resultados del canonical OMI análisis y la tabla 3 los valores de
marginalidad para cada una de las especies en el primero de los ejes del análisis. El primer eje
explica el 84 %, y según este análisis las especies con los mayores valores fueron Phymaturus
antofa*gastensis, S. roseiventris, en tanto las especies con posiciones menos marginales en el
primero de los ejes resultaron ser. Liolaemus cuyanus y Phimophis vittatus
43
Figura 21: Posición del nicho climático de las especies en los dos primeros ejes del análisis
Canonical OMI. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela
tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus
capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus Pb: Philodryas
baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus antofa*gastensis Pt: Pseudotomodon
trigonatus Sr:Stenocercus roseiventris
Tabla 3: Posición de cada una del nicho climático de cada una de las especies según el análisis Canonical OMI.
Sp Position
Bothrops ammoditoydes -1.22
Bothrops diporus -1.15
Ameivula abalosi -1.37 Aurivela tergoleavigatus -1.3
44
Epicrates alvarezi -1.3 Erythrolamprus ceii -0.75 hom*onota fasciata -1.23
Liolaemus capillitas -0.91 Liolaemus cuyanus -1.53
Micrurus pyrrhocryptus -1.23 Opipeuter xestus -0.21 Philodryas baroni -1.19 Philodryas varia -0.77 Phimophis vittatus -1.38 Phymaturus antofa*gastensis -0.13 Pseudotomodon trigonatus -1.38 Stenocercus roseiventris -0.24
La figura 22 muestra la regresión lineal simple entre la posición (marginalidad) del nicho
climático de cada una de las especies en el primero de los ejes del canonical OMI análisis (el
cual explica el 84% de la variación total) y la sensibilidad al cambio climático estimada como la
perdida/ganancia de los espacios disponibles para cada una de las especies. La regresión resultó
significativa (P<0.001), con un valor de R2 de 0.65.
Ba
Bd
Aa At
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.6499
-50
-40
-30
-20
-10
10
20
30
40
-1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0
SEN
SIB
ILID
AD
AL
CC
G
POSICION DE NICHO CLIMÁTICO
45
Figura 22: Regresión lineal simple entre la posición del nicho climático de cada especie y su
sensibilidad estimada al cambio climático. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa:
Ameivula abalosi At: Aurivela tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf:
hom*onota fasciata Lca: Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox:
Opipeuter xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Relación entre la amplitud del nicho climático y la sensibilidad al cambio climático: La tabla
4 muestra el valor de amplitud de nicho climático para cada una de las especies, en tanto, el
gráfico de la figura 23 muestra el resultado de la regresión lineal simple entre la amplitud del
nicho climático de las especies y su sensibilidad al CCG. Si bien las especies con menores
amplitudes resultaron las más vulnerables, la relación entre la sensibilidad al cambio climático
y la amplitud del nicho climático de las especies no resultó significativa (R=0.0002; P=0.44)
Tabla 4: Amplitud del nicho climático de cada una de las especies.
Especies Amplitud
Phymaturus antofa*gastensis 3.87
Liolaemus cuyanus 4.78
Phimophis vittatus 5.96
Epicrates alvarezi 5.3
Ameivula abalosi 5.34
Philodryas baroni 5.55
Stenocercus roseiventris 4.59
Aurivela tergoleavigatus 6.12
Liolaemus capillitas 6.29
Opipeuter xestus 6.38
Philodryas varia 6.62
Bothrops diporus 7.01
Erythrolamprus ceii 7.19
Micrurus pyrrhocryptus 7.28
hom*onota fasciata 8.11
Bothrops ammoditoydes 8.14
Pseudotomodon trigonatus 8.31
46
Figura 23: Regresión lineal simple entre la amplitud del nicho climático de cada especie y su
exposición estimada al cambio climático. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa:
Ameivula abalosi At: Aurivela tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf:
hom*onota fasciata Lca: Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox:
Opipeuter xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Relación entre requerimientos ambientales específicos de las especies y su sensibilidad al
cambio climático: La Tabla 4 muestra los valores de las variables climáticas medidas para cada
especie y las Figuras 24 a 27 muestran los resultados de las regresiones entre la sensibilidad al
cambio climático y cada una de estas variables. Las variables climáticas que resultaron ser
significativas, fueron las Estacionalidad de las temperaturas (R2= 0.400; P=0.006) resultando
más perjudicadas aquellas especies que habitan las áreas de menor estacionalidad y la las
temperaturas medias de la estación cálida (R2=0.300; P=0.008), resultando más perjudicadas
aquellas especies que habitan las zonas donde las temperaturas de dicha época son menores. Por
otra parte no resultaron significativas las relaciones entre la sensibilidad al CCG y la duración de
los días (R2=0.260; P=0.059); ni entre sensibilidad y las precipitaciones medias de los meses más
cálidos (R2=0.020; P=0.580).
Ba
Bd
Aa At
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.0002
-50
-40
-30
-20
-10
10
20
30
40
3 4 5 6 7 8 9
SEN
SIB
ILID
AD
AL
CC
G
AMPLITUD DEL NICHO CLIMÁTICO
47
Tabla 4: Valores promedio de los requerimientos climáticos específicos para las variables seleccionadas medidas. RD: rango diurno medio de temperaturas; EstT: estacionalidad de la temperaturas Prec: Precipitaciones medias de los meses más cálidos; Temp.: Temperaturas medias de los meses más cálidos.
SPP RD EstT Prec. Temp.
Bothrops ammodytoides 143.14 5141.44 174.21 211.75
Bothrops diporus 133.26 4323.53 342.40 250.13
Ameivula abalosi 134.45 4249.79 339.27 268.79
Aurivela tergolaevigatus 148.64 4914.19 142.02 223.05
Epicrates alvarezi 139.16 4651.38 328.25 258.64
Erythrolamprus ceii 131.95 4093.89 407.68 222.93
hom*onota fasciata 143.62 4721.22 269.03 240.14
Liolaemus capillitas 141.33 4418.92 121.83 179.83
Liolaemus cuyanus 159.51 5653.38 124.31 243.90
Micrurus pyrrhocryptus 138.65 4572.89 301.67 246.96
Opipeuter xestus 144.48 2669.33 400.90 201.14
Philodryas baroni 138.13 4479.38 344.47 251.52
Philodryas varia 129.37 4095.32 397.40 218.05
Phimophis vitattus 141.10 4444.03 317.38 265.34
Phymaturus antofa*gastensis 137.27 2693.0 46.30 90.11
Pseudotomodon trigonatus 152.43 5403.14 102.88 215.81
Stenocercus roseiventris 122.82 2067.49 582.74 245.54
Ba
Bd
Aa At
Ea
Ec
Hf
Lc
Lc
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.2686
-50
-40
-30
-20
-10
10
20
30
40
121 126 131 136 141 146 151 156 161
SEN
SIB
ILID
AD
AL
CC
G
RANGO DIURNO MEDIO
48
Figura 24: Regresión lineal simple entre Rango diurno del día de temperatura
promedio para cada especie y su sensibilidad estimada al cambio climático. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela
tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata
Lca: Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox:
Opipeuter xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus
Pa: Phymaturus antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus
roseiventris
Figura 25: Regresión lineal simple entre la Estacionalidad de la temperaturas
promedio para cada especies y su exposición estimada al cambio climático. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela
tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca:
Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter
xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Ba
Bd
Aa At
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.4557
-50
-40
-30
-20
-10
10
20
30
40
1000.00 2000.00 3000.00 4000.00 5000.00 6000.00
SEN
SIB
ILID
AD
AL
CC
G
ESTACIONALIDAD DE LAS TEMPERATURAS
49
Figura 26: Regresión lineal simple entre la precipitaciones del trimestre más cálido
promedio para cada especies y su exposición estimada al cambio climático. Ba: Bothrops ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela
tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca:
Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter
xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Figura 27 Regresión lineal simple entre las temperaturas medias del trimestre más cálido
promedio para cada especie y su sensibilidad estimada al cambio climático. Ba: Bothrops
ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela tergoleavigatus Ea: Epicrates
alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus capillitas Lcu: Liolaemus
cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus Pb: Philodryas baroni Pva: Philodryas varia
Ba
Bd
AaAt
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.0175
-50
-40
-30
-20
-10
10
20
30
40
0.00 100.00 200.00 300.00 400.00 500.00 600.00 700.00
SEN
SIB
ILID
AD
AL
CC
G
PRECIPITACIONES MEDIAS DEL TRIMESTRE MÁS CÁLIDO
Ba
Bd
AaAt
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.3952
-60
-50
-40
-30
-20
-10
10
20
30
40
50.00 100.00 150.00 200.00 250.00 300.00
SEN
SIB
ILID
AD
AL
CC
G
TEMPERATURA MEDIA DEL TRIMESTRE MAS CALIDO
50
Pvi: Phimophis vittatus Pa: Phymaturus antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus
roseiventris
Relación entre las características geográficas de la distribución de las especies y su
sensibilidad al cambio climático: Las variables geográficas que resultaron tener relación lineal
significativa en relación a la sensibilidad de las especies al cambio climático fueron: las alturas
máximas en la que se distribuyen las especies (R2= 0.68; P<0.001) resultando más perjudicadas
aquellas especies que alcanzan las mayores alturas y la distancia mínima entre la ocurrencia de la
especies y la Cordillera de los Andes (R2=0.37; P=0.03), resultando más perjudicadas aquellas
especies cercanas a la cordillera. En tanto que la amplitud en el rango de distribución, del rango
altitudinal y la latitud máxima alcanzada por las especies no resultaron significativas en relación
a la sensibilidad al cambio climático de las mismas. La Tabla 5 muestra los valores de las
variables geográficas calculadas para cada especie y los gráficos de las figuras 28 a 32 muestran
los resultados de las regresiones entre la sensibilidad al cambio climático y cada una de estas
variables.
Tabla5: Valores de las características geográficas de los rangos de distribución calculados para
cada una de las especies seleccionadas. Alt: Altitudes máximas alcanzada [m]; Ralt: Rango
altitudinal [m]; Rdist: Amplitud del rango de distribución [10000km2]; Cor: distancia a la
Cordillera de los Andes [km]; Mlat: Máxima latitud alcanzada [grados]
Especie Alt Ralt Rdist Mlat Cor
Bothrops ammoditoydes 3744 3735 107.51 -43.05 66.89
Bothrops diporus 1516 1488 206.58 -38.7 138.56
Ameivula abalosi 806 775 99.21 -29.54 304.99
Aurivela tergoleavigatus 2533 1795 7.69 -29.84 71.01
Epicrates alvarezi 1261 1184 76.73 -32 256.26
Erythrolamprus ceii 3822 3560 22.41 -28.26 100.41
hom*onota fasciata 1957 1833 136.45 -39.77 72.34
Liolaemus capillitas 3473 1588 1.86 -28.81 101.07
Liolaemus cuyanus 1774 1460 23.08 -38.12 87.39
Micrurus pyrrhocryptus 2550 2522 149.14 -39.1 100.15
51
Opipeuter xestus 2927 2568 17.89 -23.78 70.45
Philodryas baroni 1681 1609 96.79 -31.98 192.89
Philodryas varia 3082 2355 15.65 -28.14 191.9
Phimophis vittatus 1217 1132 90.49 -33.11 211.51
Phymaturus antofa*gastensis 4697 704 0.07 -27.38 15.78
Pseudotomodon trigonatus 2374 2284 59.53 -43.99 51.78
Stenocercus roseiventris 2859 2713 55.99 -25.18 71.36
Figura 28: Regresión lineal simple entre la máxima altitud [m] alcanzada por cada
especies y su sensibilidad estimada al cambio climático. Ba: Bothrops ammoditoydes
Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela tergoleavigatus Ea: Epicrates
alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus capillitas Lcu:
Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus Pb: Philodryas
baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus antofa*gastensis Pt:
Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Ba
Bd
Aa At
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.6799
-50
-40
-30
-20
-10
10
20
30
40
3 1003 2003 3003 4003 5003
SEN
SIB
ILID
AD
AL
CC
G
ALTURA MÁXIMA
52
Figura 29: Regresión lineal simple entre el rango altitudinal ocupado por cada
especie y su sensibilidad estimada al cambio climático. Ba: Bothrops
ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela tergoleavigatus
Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus
capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus
Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Figura 30: Regresión lineal simple entre el rango de distribución ocupado por cada
especie y su sensibilidad estimada al cambio climático. Ba: Bothrops ammoditoydes Bd:
Bothrops diporus Aa: Ameivula abalosi At: Aurivela tergoleavigatus Ea: Epicrates
alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus capillitas Lcu:
Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus Pb: Philodryas
Ba
Bd
Aa At
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.2376
-50
-40
-30
-20
-10
10
20
30
40
0 500 1000 1500 2000 2500 3000 3500 4000
SEN
SIB
ILID
AD
AL
CC
G
RANGO DE ALTURA
Ba
Bd
AaAt
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.068
-50
-40
-30
-20
-10
10
20
30
40
0 50 100 150 200 250
SEN
SIB
ILID
AD
AL
CC
G
RANGO DE DISTRIBUCIÓN
53
baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus antofa*gastensis
Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Figura 31: Regresión lineal simple entre la distancia a la Cordillera de los Andes
[km] de cada especie y su sensibilidad estimada al cambio climático. Ba:
Bothrops ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela
tergoleavigatus Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata
Lca: Liolaemus capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox:
Opipeuter xestus Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus
Pa: Phymaturus antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus
roseiventris
Figura 32: Regresión lineal simple entre la máxima latitud alcanzada [m] por
cada especie y su sensibilidad estimada al cambio climático. Ba: Bothrops
Ba
Bd
AaAt
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.3333
-50
-40
-30
-20
-10
10
20
30
40
0 50 100 150 200 250 300 350
SEN
SIB
ILID
AD
AL
CC
G
DISTANCIA A LA CORDILLERA
Ba
Bd
AaAt
Ea
Ec
Hf
Lca
Lcu
Mp
Ox
Pb
Pva
Pvi
Pa
Pt
Sr
R² = 0.0845
-50
-40
-30
-20
-10
10
20
30
40
-45 -40 -35 -30 -25 -20
SEN
SIB
ILID
AD
AL
CC
G
MÁXIMA LATITUD
54
ammoditoydes Bd: Bothrops diporus Aa: Ameivula abalosi At: Aurivela tergoleavigatus
Ea: Epicrates alvarezi Ec: Erythrolamprus ceii Hf: hom*onota fasciata Lca: Liolaemus
capillitas Lcu: Liolaemus cuyanus Mp: Micrurus pyrrhocryptus Ox: Opipeuter xestus
Pb: Philodryas baroni Pva: Philodryas varia Pvi: Phimophis vittatus Pa: Phymaturus
antofa*gastensis Pt: Pseudotomodon trigonatus Sr:Stenocercus roseiventris
Relación entre la historia filogenética de las especies y su sensibilidad al cambio climático: La
Figura 33 muestra la reconstrucción filogenética para las especies implicadas en este estudio,
mientras que la tabla 6 los resultados de los índices calculados. La señal filogenética de la
sensibilidad al cambio climático no resultó significativa, lo cual indica que la sensibilidad al
cambio climático no está explicada por la relación filogenética entre las especies. Así mismo,
ninguna de las otras variables estudiadas mostró una señal filogenética significativa para alguno
de los índices calculados, lo cual indica que los patrones de distribución no obedecen a un
patrón filogenético.
Figura 33: Reconstrucción filogenética de las especies implicadas en este estudio según Pyron et
al. (2013)
55
Tabla 6: resultados de análisis de correlación filogenética para las variables
implicadas en este estudio. Sensibilidad CCG: Sensibilidad de las especies
al CCG; Cordillera: Distancia mínima a la Cordillera de los Andes; Altura
Máxima: Altura máxima alcanzada; Rango alt: Rango altituninal abarcado;
Rango distr: rango de distribución abarcado Rdiurno medio: Rango diurno
medio de temperaturas promedio; Posición: Posición en el espacio
climático; Amplitud: Amplitud del nicho climático; Est Temp:
Estacionalidad de las temperaturas promedio; Precipitaciones del trimestre
más cálido promedio; Temperaturas: Temperaturas del trimestre más cálido
promedio
Untransf OU 0.8 OU 0.2
Tratamiento K P K P K P
Sensibilidad CCG 0.263 0.967 0.641 0.898 0.992 0.661
Cordillera 0.277 0.958 0.654 0.933 0.989 0.835
Altura máxima 0.322 0.884 0.728 0.632 0.998 0.381
Rango alt. 0.670 0.064 0.934 0.156 1.004 0.268
Rango distri 0.367 0.831 0.721 0.816 0.993 0.724
R. diurno medio 0.381 0.552 0.721 0.564 0.992 0.664
Posición 0.266 0.987 0.667 0.840 0.998 0.387
Amplitud 0.320 0.872 0.682 0.780 0.988 0.876
Estac. Temp 0.283 0.964 0.698 0.779 1.002 0.332
Precipitaciones 0.272 0.989 0.635 0.975 0.987 0.950
Temperatura 0.234 0.989 0.618 0.964 0.991 0.724
4. Discusión
Los resultados obtenidos en esta primera parte se ajustan a la hipótesis de trabajo planteada. En
efecto, se ha puesto en evidencia que si bien para las especies seleccionadas la señal filogenética
no explica la respuesta geográfica al CCG; dicha respuesta si muestra una relación lineal
56
significativa con las propiedades de los nichos climáticos, ciertos requerimientos climáticos
específicos y características de los espacios geográficos que dichas especies ocupan.
Los modelos de distribución de especies, utilizados para la estimación de la sensibilidad de las
especies al CCG en la presente tesis, han mostrado ser de utilidad para estudiar patrones
similares en trabajos previos (ej. Thuiller et al. 2005; Araújo et al. 2006; Broennimann et al.
2006; Guisan et al. 2013; Bonino et al. 2014). Sin embargo, es importante destacar que si bien
estos enfoques metodológicos son altamente extrapolables, no consideran factores que pueden
resultar de gran importancia al momento de estimar la respuesta de las especies a condiciones
climáticas cambiantes, como por ejemplo la fenología de las especies (y potenciales cambios
adaptativos), patrones temporales de actividad reproductiva o plasticidad fisiológica de las
especies. En sentido estricto, los modelos de la presente tesis permiten hacer una estimación de la
exposición de las especies al cambio climático, la cual si bien tiene una gran relación con la
sensibilidad diferencial al fenómeno, resulta solo una parte del problema (Dawson et al. 2011).
Adicionalmente hay parámetros relativos a los modelos de distribución, como los umbrales de
corte, que han sido fijados función de registros de ocurrencia actuales, razón por la cual (y
sumamente relacionado a lo discutido al principio del párrafo), los modelos asumen que el nicho
climático de las especies permanece estático a lo largo del tiempo, siendo ha sido probado que
puede variar (ej. Galleger et al. 2010)
Existen en la literatura enfoques mecanísticos mucho más complejos y realistas para estimar la
respuesta potencial de una determinada especie al CCG (ej. Kearney & Porter 2006, 2009;
Kearney et al. 2009; Buckley et al. 2011, Ceia-Hasse et al. 2014), desgraciadamente estos
métodos son mucho más específicos, y necesitan mucha información de base no disponible para
57
las especies implicadas en esta tesis. Asimismo, dicha información es sumamente costosa de
obtener (en recursos y tiempo), para una especie individual. Todo esto sumado a la gran
especificidad y baja extrapolabilidad y de estos modelos hace que los mismos no resulte
acordes (ni alcanzables) para testear hipótesis como la planteada en este estudio (que implica
comparaciones entre un gran número de especies).
Al igual que en estudios previos (Thuiller et al. 2005; Araújo et al. 2006), nuestro parámetro de
sensibilidad ha sido los cambios en los espacios climáticamente habitables para las especies (más
allá de la distribución real de las mismas); por ende, otra limitante relacionada a la capacidad del
método para estimar la respuesta real de las especies al CCG radica en la posibilidad de las
mismas, de ocupar los nuevos espacios climáticamente aptos a futuro. Esto se relaciona con los
diversos factores especie-específicos para los cuales no existe información disponible para las
especies implicadas, y si existiese, resultarían sumamente difíciles de incorporar en las
predicciones, como la vagilidad de la especies, la capacidad de adaptarse a ambientes
antropizados, o el grado de fragmentación de los ambientes que ocupan (Araújo et al. 2006, Hof
et al. 2012).
Otra limitación no menor en relación al enfoque metodológico del presente capítulo radica en la
incertidumbre asociada a los diferentes Modelos de Circulación Global en las proyecciones de
los modelos. Existen numerosos modelos de circulación diferentes y válidos recopilados por la
IPCC (IPCC, 2007, 2013). Es sabido que las proyecciones de modelos de distribución a
diferentes Modelos de Circulación Global (manteniendo constante el resto de los parámetros)
produce resultados que pueden variar de forma significativa (Diniz-Fihlo et al., 2009). Si bien
las hipótesis de cambio en los sitios climáticamente habitables generadas en el presente capítulo
58
de la tesis son válidas, están generadas considerando un solo Modelo de Circulación Global
(INM-CM3), razón por la cual la incertidumbre asociada a estas es alta.
En relación a las propiedades de los nichos climáticos de las especies y su respuesta al CCG; la
posición de las especies en el espacio climático resultó fuertemente relacionada con la respuesta
de las especies al CCG. Dicha relación había sido puesta en evidencia por autores previos
(Swihart et al., 2003; Thuiller et al., 2005; Broennimann et al., 2006; Tingley et al 2012). En este
trabajo las especies más marginales resultaron ser aquellas distribuidas en las regiones de la Puna
y Andina (ej. Phymaturus antofa*gastensis o Liolaemus capillitas) o la región de las Yugas (ej.
Stenocercus roseiventris, Erithrolamprus ceii u Oppipeuter xestus). Dichas regiones se
caracterizan por poseer condiciones climáticas particulares y disimiles en relación a las
condiciones promedio del continente (ie. marginales) (Minetti & Leiva 2005; Mendoza &
Gonzales 2011). El hecho de que las especies climáticamente marginales habiten regiones altas
podría estar indicando además que la altura alcanzada por las especies resulta un muy buen
indicador de su marginalidad, lo cual podría tener importantes implicancias para la generación de
políticas de conservación en relación al efecto potencial del CCG. Se retomará esta idea cuando
discutamos la sensibilidad de las especies en relación a las características geográficas de sus
rangos de distribución.
Si bien las dos especies más vulnerables al CCG fueron aquellas con menor amplitud de nicho
climático, patrón que se correspondería con lo sugerido por autores previos (Thuiller et al.,
2004b; 2005; Kotiaho et al., 2005; Broennimann et al., 2006; Boulangeat et al., 2012; Bonino et
al., 2014), esta variable (amplitud del nicho climático) no mostró una relación lineal con la
sensibilidad potencial de las especies al CCG. Esto puede deberse a que varias de las especies
59
con alta vulnerabilidad al CCG (que ocupan posiciones marginales en el espacio climático),
habitan ambientes topográficamente irregulares, y gradientes altitudinales extensos (ej.
Opipeuter xestus en la región de las Yugas), y por ende poseen un amplio nicho climático. Este
patrón estaría indicando, que en el caso de este estudio, la posición en el espacio climático de las
especies posee una importancia relativa mayor que la amplitud del mismo al momento de
explicar la vulnerabilidad de las especies al CCG. Sin embargo aquellas especies con posiciones
marginales y nichos climáticos pequeños (ej. Phymaturus antofa*gastensis o Stenocercus
roseiventris) resultaron las especies más vulnerables, siendo esto indicio de que la amplitud del
espacio climático resulta una variable importante en relación al fenómeno.
Relacionando las características geográficas de la distribución de las especies, con lo discutido
anteriormente, es importante destacar que todas aquellas variables geográficas que resultaron
estar significativamente relacionadas a la sensibilidad de las especies al CCG son indicadoras de
la posición de las especies en el espacio climático; en tanto que aquellas variables indicadoras de
la amplitud del nicho climático de las especies (i.e. la amplitud del rango de distribución y
amplitud altitudinal) no mostraron ser buenas predictoras del fenómeno por si solas. Esto,
evidencia nuevamente, como se demostró en contribuciones previas (Thuiller et al. Swihart et al.,
2003; Thuiller et al., 2005; Broennimann et al., 2006; Tingley et al 2012) la marginalidad de las
especies en el espacio climático es sumamente importante para comprender su respuesta
potencial al CCG en este área.
Otra generalidad que resulta de interés, y ponen en evidencia los resultados, es que la
importancia relativa de las características de la distribución geográfica de las especies al
momento de explicar su respuesta potencial al CCG son altamente dependientes del contexto
60
geográfico. Así, mientras estudios previos mostraron que variables como la latitud que las
especies ocupan o la amplitud del rango de distribución son sumamente importantes para
explicar la respuesta de las mismas al CCG (ej. Broennimann et al. 2006; Bonino et al. 2014). En
este estudio dichas variables por si solas no explicaron de forma significativa el fenómeno.
Posiblemente, si existiesen barreras geográficas importantes que limiten el movimiento de las
especies hacia el sur en nuestra área de estudio, producto de los movimientos Norte-Sur
potencialmente inducidos por el CCG, la máxima latitud ocupada por las especies se tornaría
altamente explicativa (ya que limitaría la migración de los nichos climáticos hacia el sur).
Según los resultados de este estudio, las especies que ocupan las mayores alturas, son las más
vulnerables al efecto del CCG. Ante un calentamiento los nichos climáticos en zonas montañosas
se elevan (y se achican, producto de características físicas estas zonas), lo cual genera grandes
pérdidas de espacios habitables para las especies que habitan las zonas más elevadas. Este patrón
fue descripto con anterioridad no solamente mediante modelos predictivos (ej. Thuiller et al.
2011), sino también a través de evidencia empírica (ej. Lenoir et al. 2008). En el presente
estudio, como hemos mencionado con anterioridad, es claro que la altitud es un fuerte indicador
de la posición que las especies ocupan en el espacio climático siendo las especie ‘de altura’ las
marginales. Consideramos que este resultado, es sumamente relevante en términos de
conservación en el área de estudio, ya que la altura máxima que las especies ocupan es una
variable relativamente fácil de obtener (a partir de análisis de registros de colectas, o
simplemente del conocimiento de expertos) y altamente explicativa de la respuesta al CCG,
razón por la cual, podría ser útil para generar pautas para a la planeación sistemática de la
conservación en el área de estudio.
61
La distancia de las especies a la barrera geográfica más importante del área (la Cordillera de los
Andes) también resultó significativamente correlacionada con la respuesta al CCG. Este tipo de
barreras resultan importantes en relación a la determinación de la distribución de las especies
(Soberón & Peterson, 2005), así como también al momento de intentar determinar la repuesta
potencial de las mimas al CCG (Broennimann et al. 2006; Baselga et al., 2012). Las especies más
cercanas a la línea divisora de aguas resultaron las más vulnerables al CCG, dichas especies
habitan zonas con grandes pendientes y climáticamente heterogéneas, razón por la cual el
desplazamiento de sus nichos climáticos en el espacio geográfico está mucho más limitado que
en otras regiones bajas y de mayor estabilidad climática como la región del Monte o el Chaco.
Ciertos requerimientos climáticos relacionados a variables específicas, mostraron estar
significativamente relacionados a la vulnerabilidad potencial de las especies al CCG (Thuiller et
al. 2005; Araújo et al. 2006). El hecho de que aquellas especies que ocupan las regiones de
menor estacionalidad climática sean las más vulnerables al efecto del CCG, se halla en íntima
relación con lo discutido en el los párrafos anteriores, de hecho, las regiones climáticamente
marginales (como las zonas altas de la Puna o Yungas) a pesar de poseer amplitudes térmicas
diarias considerables, poseen menor estacionalidad anual (considerando temperaturas medias
mensuales) que otras ecoregiones presentes en el área, como el Chaco o el Monte (Mendoza &
Gonzales, 2011), lo cual hace que esta variable resulte un indicador indirecto de la marginalidad
de las especies en el espacio climático. Por otra parte este patrón resulta interesante, ya que
podría estar indicando que las especies adaptadas a menores rangos térmicos anuales serían más
vulnerables al fenómeno (como pone en evidencia Bonino et al. 2014). No obstante, teniendo en
cuenta la biología de las especies y las variaciones de temperatura totales en el área (no solo
62
variaciones entre temperaturas medias mensuales) esta afirmación es especulativa y debería ser
puesta a prueba con métodos ecofisiológicos específicos.
El hecho de que las especies con las menores temperaturas en la estación cálida del año, sean las
más vulnerables al CCG, parece un resultado poco concordante, puesto que lo esperable sería
que ante el calentamiento sean las especies que habitan los climas más cálidos aquellas que se
aproximen a temperaturas fisiológicamente críticas, no obstante este patrón depende del contexto
geográfico, y en este caso en particular (teniendo en cuenta las latitudes de la zona de estudio),
las especies de reptiles probablemente no habiten zonas con temperaturas cercanas a sus
temperaturas críticas (ya que dichas temperaturas suelen ser mucho más elevadas en términos
generales), razón por la que probablemente puedan tolerar los desplazamientos previstos para le
temperatura en los próximos años (Hued et al. 2009; Gunderson et al. 2012). Relacionando el al
patrón obtenido, con los patrones previos, también debemos mencionar que, de igual forma que
ocurre con la estacionalidad, las bajas temperaturas resultan en la zona de estudio propias de las
regiones de mayores altitudes en el área, regiones que ocupan las especies con posiciones
climáticamente marginales.
Finalmente si bien los resultados de este estudio indicaron que para las especies estudiadas la
señal filogenética, no es buena predictora de la sensibilidad al CCG, otros estudios han dado
indicios del patrón contrario para otros grupos de ectotermos terrestres (Hof et al. 2010; Loyola
et al. 2014). En ese sentido es importante recordar que las conclusiones sacadas en el presente
capítulo derivan de un porcentaje relativamente bajo del total de las especies estudiadas (14%).
Resultaría sumamente útil, explorar este patrón con mayor detalle y mayor número de especies
en trabajos posteriores, ya que el grupo monofilético de reptiles más numeroso en el área de
63
estudio (Liolaemidae), tiene la mayor parte de sus especies (que habitan el NOA) en regiones
altas y con distribuciones sumamente restringidas, lo cual podría indicar que este grupo
monofilético, es en su mayoría altamente sensible al CCG, sugiriendo una posible señal
filogenética en relación al fenómeno. No obstante, si bien este patrón podría especularse en
relación al grupo (Liolaemidae) para las especies que habitan el NOA, difícilmente pueda
hacerse para la totalidad del grupo, ya que a mayores latitudes el grupo posee numerosas
especies que habitan llanuras y poseen distribuciones amplias, asimismo algunas especies del
grupo han mostrado no estar tan expuestas al CCG (Bonino et al. 2014)
En el presente capítulo hemos explorado los patrones de respuesta de las especies de lagartos y
serpientes del NOA al CCG en relación a variables individuales (considerando sus propiedades
de nicho climático, sus requerimientos climáticos específicos, las características de sus rangos de
distribución y sus historias filogenéticas). Si bien se encontraron patrones interesantes los cuales
nos permiten validar nuestra hipótesis de trabajo, se consideró pertinente generar modelos,
incluyendo simultáneas variables predictoras, con el objetivo de explicar el fenómeno con mayor
precisión, lo cual se desarrollará en el próximo capítulo.
64
Capítulo 2 - Generando modelos para explicar la sensibilidad de las serpientes
y lagartos del NOA al CCG
65
1. Marco teórico
Como detallamos en el capítulo anterior, independientemente de la heterogeneidad que existe en
relación a la respuesta geográfica de los organismos al CCG (Bellard et al. 2012); a lo largo de
estos últimos años han sido descriptos varios patrones que nos permiten generar predicciones
sobre la misma. Dichos patrones correlacionan la vulnerabilidad potencial de las especies al
CCG con sus (a) propiedades de nicho climático, (b) requerimientos climáticos específicos, (c)
características de su rango de distribución y (d) historias filogenéticas, a fin de comprender la
respuesta potencial de las mismas, y así determinar que especies serían las más vulnerables al
fenómeno (Swihart et al., 2003; Thuiller et al. 2004; Thuiller et al., 2005; Araújo et al.
2006;Broennimann et al., 2006; Lenoir et al. 2008; Tingley et al 2012; Bonino et al. 2014). Sin
embargo, y a pesar de que los patrones de respuesta hallados en ciertos casos han sido robustos
(ej. Broennimann et al. 2006; Lennoir et al. 2008), no tenemos conocimiento de que múltiples
variables hayan sido combinadas a fin de generar un modelo para explicar con mayor precisión
este fenómeno.
En relación a este caso de estudio en particular, en el capítulo previo hemos demostrado que
existen ciertas variables que pueden explicar significativamente la respuesta geográfica de las
especies al CCG, como por ejemplo su posición en el espacio climático (i.e. la marginalidad
climática), la altura máxima en la que habitan, o la distancia a la mayor barrera de dispersión.
Por otra parte, como hemos discutido, nuestros resultados sugieren que existen otras variables
que si bien no mostraron una relación lineal significativa con la respuesta geográfica de las
especies al CCG, de estas puede deducirse información sumamente útil a fin de explicar el
66
fenómeno. Así, por ejemplo las especies más vulnerables al CCG poseen una amplitud de nicho
más baja y un rango de distribución más acotado que el resto de las especies.
En función de lo expuesto, se supone que el patrón de respuesta geográfica de las especies al
CCG, puede ser mejor explicado combinando variables predictoras en modelos, en lugar de
hacerlo solo mediante variables individuales. Específicamente se cree que la mejor forma de
explicar la vulnerabilidad potencial de las especies al CCG es a partir de la amplitud y
marginalidad del nicho climático de las especies y/o variables indicadoras de estas en forma
conjunta, y no a partir de variables individuales. Es así que en el presente capítulo se generaron
modelos combinando (a) las propiedades de los nichos climáticos de las especies; (b) las
características de los rangos de distribución de las especies (como indicadores de las propiedades
del nicho climático de las especie).
Primero, generaremos modelos a partir de las propiedades de los nichos climático de las
especies, a fin de entender si ambas variables en conjunto (amplitud y posición del nicho
climático de las especies) explican el fenómeno, mejor que cualquiera de ellas individualmente.
Posteriormente utilizamos como variables predictoras para generar los modelos las
características generales de los rangos de distribución de las especies, entre las cuales podemos
distinguir claramente aquellas que son indicadores de la posición de las especies en el espacio
climático (altura máxima de distribución, máxima latitud de distribución y distancia a la
Cordillera de los Andes), de aquellas que son indicadores de la amplitud del nicho climático de
las especies (amplitud del rango de distribución y amplitud del rango altitudinal).
67
Cabe destacar que aportar evidencias a fin de comprender la respuesta geográfica de los
organismos al CCG resulta un tema prioritario en términos de conservación de la biodiversidad,
ya que entre otras cosas permite idear y generar políticas de conservación que para minimizar el
impacto de este fenómeno sobre la biota (e.g. Araújo et al. 2011; Loyola et al. 2012b; Faleiro et
al. 2013;Damien et al. 2013; Lemes & Loyola 2013; Ferro et al. 2014). Por esta razón la
posibilidad determinar cuáles son las especies más vulnerables al fenómeno (así como
indirectamente, las zonas en las cuales se prevé que el fenómeno genere las mayores
consecuencias sobre la biota) mediante modelos extrapolables (i.e. generados a partir de un
subset de especies) a partir de variables relacionadas a las características de la distribución de las
especies, podría ser de suma utilidad para la planificación sistemática de la conservación.
2. Métodos
Especies seleccionadas y registros de ocurrencia: Los modelos realizados en el presente
capítulo se generaron a partir de las mismas 17 especies y 1130 registros implicados en el
capítulo anterior (pag. 18- 19).
Variables utilizadas: Las variables utilizadas para generar los modelos fueron:
a) La sensibilidad potencial de las especies al CCG
b) Las características de los nichos climáticos de las especies: amplitud y posición
c) Las características generales de los rangos de distribución de las especies: amplitud del
rango de distribución, amplitud del rango altitudinal, máxima altitud alcanzada por las
especies, máxima latitud alcanzada por las especies y distancia a la Cordillera de los Andes.
d) Las relaciones filogenéticas entre las especies implicadas.
68
Los métodos a partir de los cuales se estimaron todas las variables implicadas en los modelos se
detallan en el Capítulo 1 (páginas 20 - 30)
Modelos estadísticos: para poner a prueba la hipótesis de esta sección se realizaron Modelos
Generalizados Filogenéticos de Mínimos Cuadrados (PGLS). Dichos modelos incorporan el
efecto de la señal filogenética entre las especies. Ha sido demostrado que la señal filogenética
podría tener influencia en relación a la repuesta de las especies al CCG (Hof et al. 2011; Loyola
et al. 2014), si bien en al capítulo anterior demostramos que en este caso de estudio en particular
dicho efecto no es fuerte, consideramos pertinente considerar su efecto a la hora de generar los
modelos. Por ello, estimamos la señal filogenética de los errores residuales usando el estadístico
λ (señal filogenética de Pagel), simultáneamente con las regresiones obtenidas a partir de
modelos de mínimos cuadrados generalizados filogenéticos (PGLS). Para esto utilizamos los
paquetes de R (R Team, 2014) ‘caper’ (Comparative Analysis of Phylogenetics y Evolution in R;
Orme, 2013) y ‘ape’ (Analysis of Phylogenetics y Evolution; Paradis et al., 2004).
Primero, a fin de comprender si las propiedades del nicho climático de las especies explican la
sensibilidad al CCG de las mismas mejor en forma conjunta que individualmente, generamos los
tres PGLS posibles utilizando la sensibilidad de las especies al CCG como variable respuesta y la
posición y amplitud del nicho climático como variables predictoras (un modelo combinando
ambas variables como predictoras, y dos con la cada variable como única predictora).
Posteriormente, a fin de entender si el patrón se repetía (y corroboraba) al utilizar las
características generales del rango de distribución de las especies como variables predictoras (i.e.
estudiar si la mejor forma de explicar la sensibilidad de las especies es a partir de la combinación
de indicadores de la aptitud y posición del nicho climático de las espcies), generamos todos los
69
modelos posibles combinando las 5 características generales del rango de distribución de las
especies como variables predictoras, y utilizando la sensibilidad al CCG como variable
respuesta.
En todos los casos se ajustó el poder de la señal filogenética usando el valor de máxima
verosimilitud escalada al valor del parámetro λ (Pagel 1999) utilizando ‘caper’ (Orme, 2013).
Para seleccionar el modelo de regresión que mejor explica el ajuste entre los modelos candidatos,
utilizamos el criterio de información de Akaike (AIC). Utilizamos los pesos de los coeficientes
de Akaike (Wi) como una medida del poder predictivo de cada modelo (Burnham &Anderson
2002).
3. Resultados
Los resultados de los PGLS se detallan en las Tabla 7 (considerando las propiedades de los
nichos climáticos de las especies) y Tabla 8 (considerando las características de los rangos de
distribución como variables predictoras). Para el primer sets de modelos, generados a partir de
las propiedades de los nichos climáticos de las especies, el mejor de los modelos posibles fue el
modelo en el cual se combinaron amplitud y marginalidad del como variables predictoras
(Wi=0.84; r2ajustado=0.73). En relación a los modelos generados con las características de los
rangos de distribución de las especies el modelo que mejor explica la variable respuesta incluye
la amplitud del rango de distribución de las especies y la máxima altitud alcanzada por las
especies (con un efecto significativo), también la latitud máxima alcanzada por las especies
(aunque con un aporte no significativo al modelo). Este modelo presenta un valor de r2 ajustado
de 0.74 y un peso (considerando todos los modelos generados) Wi=0.24. También mostraron ser
muy explicativos (teniendo un valor de AIC que difiere menos de 1 en relación al mejor de los
70
modelos) el modelo generado sólo a partir de la altura máxima alcanzada por las especies
(r2ajustado = 0.66; Wi = 0.2); y el modelo generado a partir de la altura máxima y la amplitud del
rango de distribución de las especies.
Tabla 7: Modelos Filogenéticos de Mínimos Cuadrados en los cuales se utilizaron las
propiedades de los nichos climáticos de las espcies como variables predictoras. Se
indican sus correspondientes valores de ajuste y significancia ordenados según su peso
(Wi). Sen: sensibilidad potencial al CCG, amp: amplitud del nicho climático, mar:
marginalidad del nicho climático;
Tabla 8: Modelos Filogenéticos de Mínimos Cuadrados en los cuales se utilizaron las
características de las distribuciones de las espcies como variables predictoras. Se indican
sus correspondientes valores de ajuste y significancia ordenados según su peso (Wi). Sen:
sensibilidad potencial al CCG, mlat: máxima latitud alcanzada por la especie, rdist:
amplitud del rango de distribución, alt: altura máxima alcanzada por la especie, ralt:
amplitud del rango altitudinal, cor: distancial a la Cordillera de los
Modelo r2adj AICc Wi predictor Estimate t value Pr(>|t|)
sen ~ amp + mar 0.732 136.714 0.872 (Intercept) -10.735 -0.705 0.492
amp 6.239 2.631 0.020
mar -45.294 -6.664 0.000
sen ~ amp -0.043 158.007 0.000 (Intercept) 12.969 0.444 0.663
amp 2.680 0.588 0.565
sen ~ mar 0.627 140.553 0.128 (Intercept) -45.848 -5.305 0.000
mar -41.268 -5.277 0.000
Modelo r2adj AICc Wi predictor Estimate t value Pr(>|t|)
sen ~ mlat + rdist + alt 0.735 138.766 0.230 (Intercept) 22.058 1.145 0.273
mlat -1.146 -1.956 0.072
rdist 0.170 2.410 0.031
alt -0.021 -6.446 0.000
sen ~ alt 0.659 139.027 0.202 (Intercept) 39.920 4.750 0.000
alt -0.018 -5.645 0.000
sen ~ rdist + alt 0.682 139.663 0.147 (Intercept) 52.899 4.364 0.001
rdist 0.092 -1.442 0.171
alt -0.020 -5.729 0.000
71
sen ~ alt + cor 0.649 141.295 0.065 (Intercept) 50.959 3.081 0.008
alt -0.020 -4.731 0.000
cor -0.044 -0.779 0.449
sen ~ ralt + alt 0.647 141.409 0.061 (Intercept) 43.009 4.489 0.001
ralt -0.003 -0.713 0.488
alt -0.016 -4.534 0.000
sen ~ mlat + alt 0.644 141.559 0.057 (Intercept) 27.287 1.230 0.239
mlat -0.346 -0.618 0.547
alt -0.017 -5.209 0.000
sen ~ cor + rdist + alt 0.685 141.678 0.054 (Intercept) 69.348 3.580 0.003
cor -0.059 -1.084 0.298
rdist -0.104 -1.614 0.131
alt -0.023 -5.123 0.000
sen ~ mlat + ralt + rdist + alt 0.724 142.237 0.041 (Intercept) 21.200 1.076 0.303
mlat -1.214 -2.001 0.068
ralt -0.003 -0.684 0.507
rdist -0.162 -2.216 0.047
alt -0.019 -4.954 0.000
sen ~ mlat + cor + rdist + alt 0.713 142.887 0.029 (Intercept) 22.146 0.606 0.556
mlat -1.145 -1.497 0.160
cor 0.000 -0.003 0.998
rdist -0.170 -2.246 0.044
alt -0.021 -4.465 0.001
sen ~ ralt + rdist + alt 0.660 143.012 0.028 (Intercept) 53.405 4.230 0.001
ralt -0.001 -0.326 0.750
ralt -0.001 -0.326 0.750
rdist -0.085 -1.235 0.239
rdist -0.085 -1.235 0.239
alt -0.020 -4.471 0.001
alt -0.020 -4.471 0.001
sen ~ mlat + ralt + alt 0.641 143.947 0.017 (Intercept) 25.585 1.144 0.273
mlat -0.509 -0.864 0.403
ralt -0.004 -0.932 0.369
alt -0.015 -3.892 0.002
sen ~ ralt + cor + alt 0.636 144.158 0.016 (Intercept) 53.961 3.103 0.008
ralt -0.003 -0.697 0.498
cor -0.044 -0.760 0.461
alt -0.018 -4.017 0.001
sen ~ mlat + alt + cor 0.624 144.731 0.012 (Intercept) 43.719 1.083 0.299
mlat -0.141 -0.198 0.846
alt -0.019 -3.614 0.003
cor -0.036 -0.493 0.630
sen ~ cor + ralt + rdist + alt 0.661 145.701 0.007 (Intercept) 69.505 3.456 0.005
72
cor -0.058 -1.027 0.325
ralt -0.001 -0.263 0.797
rdist -0.098 -1.402 0.186
alt -0.023 -4.221 0.001
sen ~ mlat + ralt + rdist + alt + cor 0.699 147.155 0.003 (Intercept) 16.923 0.443 0.667
mlat -1.281 -1.584 0.142
ralt -0.003 -0.669 0.517
rdist -0.164 -2.103 0.059
alt -0.019 -3.368 0.006
cor 0.009 0.133 0.897
sen ~ mlat + ralt + cor + alt 0.613 147.954 0.002 (Intercept) 35.597 0.844 0.415
mlat -0.373 -0.481 0.639
ralt -0.004 -0.807 0.436
cor -0.021 -0.284 0.781
alt -0.017 -2.645 0.021
sen ~ mlat + ralt + cor 0.435 151.643 0.000 (Intercept) -56.252 -1.946 0.074
mlat -1.708 -2.400 0.032
ralt -0.011 -2.087 0.057
cor 0.130 2.213 0.045
sen ~ mlat + cor 0.299 153.067 0.000 (Intercept) -79.059 -2.654 0.019
mlat -1.622 -2.050 0.060
cor 0.165 2.628 0.020
sen ~ mlat + ralt 0.277 153.591 0.000 (Intercept) -20.154 -0.747 0.467
mlat -1.324 -1.697 0.112
ralt -0.014 -2.504 0.025
sen ~ ralt 0.187 153.782 0.000 (Intercept) 20.997 1.675 0.115
ralt -0.013 -2.162 0.047
sen ~ mlat + ralt + rdist + cor 0.440 154.258 0.000 (Intercept) -77.847 -2.204 0.048
mlat -2.447 -2.454 0.030
ralt -0.011 -2.088 0.059
rdist -0.110 -1.054 0.313
cor 0.166 2.453 0.030
sen ~ ralt + cor 0.243 154.389 0.000 (Intercept) 3.189 0.185 0.856
ralt -0.010 -1.685 0.114
cor 0.096 1.451 0.169
sen ~ cor 0.150 154.540 0.000 (Intercept) -20.976 -2.071 0.056
cor 0.130 1.954 0.070
sen ~ ralt + rdist 0.198 155.357 0.000 (Intercept) 14.131 1.015 0.327
ralt -0.013 -2.144 0.050
rdist 0.095 1.102 0.289
sen ~ mlat + rdist + cor 0.295 155.405 0.000 (Intercept) -100.882 -2.680 0.019
mlat -2.372 -2.122 0.054
rdist -0.111 -0.953 0.358
73
4. Discusión
Tanto nuestros resultados del capítulo anterior, como varios autores previos (Swihart et al., 2003;
Thuiller et al. 2004; Thuiller et al., 2005; Araújo et al. 2006;Broennimann et al., 2006; Lenoir et
al. 2008; Tingley et al 2012; Bonino et al. 2014), han demostrado que la sensibilidad de las
especies al CCG se encuentra relacionada a la posición y amplitud de los nichos climáticos de las
especies (y/o indicadores de estos como por ejemplo las alturas a las que las especies habitan).
De acuerdo a esta afirmación, y aportando más información a fin de comprender el fenómeno,
los resultados de este capítulo ponen en evidencia que la sensibilidad al CCG puede ser mejor
explicada combinando ambas propiedades de nicho, que a partir cualquiera de ellas de forma
individual.
En efecto, en relación al primero de los grupos de modelos (generados a partir de las propiedades
de los nichos climáticos de las especies), el más explicativo (Wi=0.83) fue el que combinó ambas
variables, independientemente de que la amplitud del nicho no mostró tener un efecto
significativo por sí sola. Esto es una evidencia firme de que, a pesar de que la marginalidad de
las especies en el espacio climático (o indicadores de esta) es en este estudio la variable más
cor 0.201 2.738 0.017
sen ~ mlat, data 0.023 156.894 0.000 (Intercept) -38.758 -1.286 0.218
mlat -1.058 -1.177 0.258
sen ~ rdist + cor 0.118 156.974 0.000 (Intercept) -23.851 -2.140 0.050
rdist 0.063 0.682 0.506
cor 0.119 1.706 0.110
sen ~ mlat + ralt + rdist 0.223 157.044 0.000 (Intercept) -18.312 -0.606 0.555
mlat -1.225 -1.205 0.250
ralt -0.014 -2.369 0.034
rdist 0.000 0.161 0.874
sen ~ rdist 0.006 157.196 0.000 (Intercept) -10.743 -1.253 0.229
rdist 0.100 1.047 0.312
sen ~ mlat + rdist -0.033 159.660 0.000 (Intercept) -32.618 -0.956 0.356
mlat -0.763 -0.663 0.518
rdist 0.052 0.430 0.674
74
importante al momento de explicar la sensibilidad de las especies, la amplitud del nicho también
aporta información muy valiosa y es útil para explicar con precisión el fenómeno (Thuiller et al.
2005; Broennimann et al. 2006; Boulangeat et al. 2012). Está cuestión la evidenciaban ciertos
patrones discutidos en el capítulo anterior, como por ejemplo que las especies de mayor
vulnerabilidad al CCG fueron las de menores amplitudes de nicho (las cuales poseen a su vez
posiciones de nicho marginales).
En relación a los modelos generados a partir de las características de los rangos de distribución
de las especies, los resultados hallados también apoyan un patrón idéntico. El mejor de los
modelos, tiene como variables (con aporte significativo) a un indicador de la posición de las
especies en el espacio climático (la altura máxima alcanzada por las especies) y una variable
indicadora de la amplitud del nicho climático de las especies (la amplitud del rango de
distribución de las especies). Es interesante destacar que si bien existían variables mucho más
explicativas por si solas que la amplitud del rango de distribución de las especies (considerando
los valores de AIC y Wi de los modelos con dichas variables como predictoras), el mejor de los
modelos no incluyó a las variables más explicativas individualmente (por ej., no incluyó la
distancia a la Cordillera de los Andes, que mostró tener una relación lineal significativa) sino que
incluyó un indicador de la posición y uno de la amplitud del nicho climático de las especies, más
allá de sus pesos individuales.
La interpretación de nuestro mejor modelo (en relación a los modelos generados a partir de las
características de los rangos de distribución) es clara y sencilla, lo cual le confiere un gran valor
agregado en términos de conservación: “las especies que alcanzan las mayores alturas y poseen
los rangos de distribución más acotados son las más vulnerables al efecto del CCG”. Ambas
75
variables ya han sido mencionadas como de gran importancia en relación al fenómeno con
anterioridad (ej. Lenoir et al. 2008; Bonino et al. 2014).Cabe destacar que el efecto individual de
la altura máxima alcanzada por las especies es extremadamente importante, esto lo destacamos
en el capítulo anterior y reafirmamos con los resultados del presente capítulo, los cuales señalan
a la altura máxima alcanzada por la especies (individualmente) como el segundo mejor modelo,
incluso con un valor de Wi similar (Ver Tabla 8).
¿Qué se puede inferir del mejor modelo obtenido en relación a la conservación de la
biodiversidad en área de estudio?. En primer lugar debemos resaltar que existe un elevado
número de especies de reptiles que habitan las zonas altas del NOA, y que muchas de esas
especies son endémicas del área y poseen distribución restringida, por lo cual se espera que la
exposición al CCG sea severa en una porción considerable de la diversidad de reptiles del área.
Entre estas especies (de zonas altas y distribución restringida) podemos destacar un gran número
de especies pertenecientes a la familia Liolaemidae (se ampliarán detalles sobre sus
distribuciones e importancia en la planificación regional en la segunda parte de la tesis). No
obstante en este punto es importante señalar que estos patrones hallados en el presente capítulo,
han sido calculados a partir de un número reducido de especies en relación al total de las especies
presentes en el área de estudio (14%), razón por la cual resultaría sumamente útil reforzarlo
mediante la adición de un número mayor de especies.
Llamativamente la gran mayoría parte de las especies de altura con distribuciones restringidas
(i.e. las más expuestas al efecto del CCG) son especies vivíparas (ejs. Liolaemus albiceps, L.
capillitas, L. cazianiae L. calchaquí, L. crepuscularis, L. dorbignyi L. griseus L. huacahuasicus,
L. irregularis L. lavillai, L. multicolor, L. nigriceps, L. orientalis, L. orko, L. pagaburoi, L.
76
poecilochromus, L. porosus, L. pulcherrimus, L. puna, L. puritanensis, L. scrocchii, L. tulkas, L.
vulcanus, Bothrops ammoditoydes o Phymaturus antofa*gastensis ). Este patrón concuerda con
modelos recientes que señalan que las especies vivíparas de reptiles ectotermos terrestres, serían
altamente vulnerables al CCG producto de cambios significativos en sus temperaturas
corporales; de hecho se las señala con un riesgo de extinción dos veces mayor que a las especies
ovíparas (Sinervo et al. 2010). Afortunadamente, las especies vivíparas se hallan
fisiológicamente mejor adaptadas a soportar la exposición al CCG. Esto se debe a que el huevo
podría resultar particularmente vulnerable a cambios significativos en las temperaturas y
humedades del ambiente, dado que no existe posibilidad de termorregulación, en cambio las
especies vivíparas pueden garantizar el éxito de la camada evadiendo temperaturas extremas
comportamentalmente (Shine, 1985). No obstante, esto resulta especulativo y como se discutió
en el capítulo anterior deberían realizarse modelos más complejos, considerando otros aspectos
(ej. fenológicos, bioecológicos, historia de vida) y un mayor número de especies para poner a
prueba estos supuestos
Haciendo referencia al espacio geográfico del NOA, según nuestros modelos las zonas altas de la
Puna, Yungas, y Andina es donde el CCG tendrá los mayores efectos deletéreos sobre las
especies de reptiles (i.e. donde se encuentran las especies más vulnerables al efecto del CCG).
Estas zonas (fundamentalmente las regiones altas de la Puna) son las áreas con el mayor número
de especies de distribución restringida en el NOA. Si bien estas zonas no se encuentran
amenazadas por actividades antrópicas intensivas para la producción de alimentos (señaladas
como la principal amenaza para reptiles; Gibbons et al. 2000), en muchas de estas se realiza una
actividad minera relativamente intensiva (ver Fig 33 Capítulo 3), lo cual podría poner en riesgo
77
la subsistencia de varios endemismos. Asimismo, la región de las Yungas es la zona con mayor
biodiversidad del área, y la región de la Puna la zona con mayor diversidad de reptiles del área
(Brown et al. 2005; Morrone et al. 2006; Cei 1993; Abdala et al. 2012; Giraudo et al. 2012),
razón por la cual el efecto del CCG podría resultar severo para la conservación de reptiles del
NOA. La actividad minera debería realizarse de forma compatible con la conservación del grupo
(y de la biodiversidad del área en términos generales), considerando compatibilizar la extracción
con la subsistencia de poblaciones de especies de distribución restringida y endémicas del área.
78
Segunda Parte - El cambio climático y las áreas prioritarias de
conservación para los lagartos y serpientes del NOA
79
Capítulo 3 - Evaluando el efecto del cambio climático sobre las áreas
prioritarias de conservación para los lagartos y serpientes del Noroeste
Argentino.
80
1. Marco teórico
En la primera parte de esta tesis se analizaron los patrones de respuesta de los lagartos y
serpientes del NOA al CCG. Así, se estimaron las características de los nichos climáticos de las
especies y diferentes variables relacionadas a estas, a fines de hallar patrones de respuesta que
permitan explicar en esta región cuáles serán las especies más vulnerables al fenómeno. Luego se
generaron modelos (PGLS) generando modelos que combinan variables y modelos de variables
predictoras utilizadas individualmente con el objetivo de explicar el fenómeno con mayor
solidez. Como conclusión de la primera parte, se destaca que aquellas especies que habitan las
zonas de mayor altura, y poseen distribuciones restringidas serían las especies más afectadas
negativamente producto del CCG. En este capítulo, se corroboraron y ampliaron los patrones
hallados, pero en lugar de focalizar en las especies, se puso el foco en las prioridades geográficas
para la conservación de los lagartos y serpientes del NOA en su conjunto. Mediante la aplicación
de metodologías recientes y específicas de Planificación Sistemática de la Conservación, se
estimaron las zonas prioritarias de conservación y luego se cuentificaron los cambios en las
mismas como producto del CCG.
Los disturbios que el ser humano produce sobre los ecosistemas, mencionados en la introducción
de esta tesis, se han sumado a la probada ineficiencia e insuficiencia del actual sistema de áreas
protegidas a escala global (Rodrigues et al, 2004a;b; Le Saout et al. 2013; Venter et al. 2014).
Esto, ha generado la necesidad de buscar maximizar el rendimiento de los (a veces escasos)
recursos destinados a la conservación (Margules & Pressey 2000; Pressey et al. 2002; Margules
& Sarkar 2007). Con esta meta, la comunidad científica ha trabajado en generar protocolos y
técnicas específicas que nos permitan determinar y mapear las zonas con un alto valor en
81
conservación en un área determinada: Los Protocolos de Planeación Sistemática para la
Conservación (Kelley et al. 2002; Moffett et al. 2005; Ciarleglio et al. 2008; 2009, Moilanen et
al. 2009; Hodgson et al. 2011).
Los protocolos de Planeación Sistemática para la Conservación, buscan maximizar los recursos
destinados a conservación determinando zonas eficientes para invertirlos (Margules & Pressey,
2000; Moilanen et al. 2009; Sarkar & Illoldi-Rangel 2010). Estos se basan en la distribución
geográfica y el valor de conservación de las especies, incorporando también muchas otras
variables que hacen posible que los escenarios de conservación resultantes sean tan realistas y
eficientes como sea posible. Dichas variables están principalmente relacionadas con los
disturbios y usos producidos por el hombre sobre los hábitats naturales, como el valor de la tierra
o actividades cuantificables que permitan identificar un potencial conflicto entre la conservación
de la biodiversidad y el uso de la misma (ej. potencialidad agrícola, minera, etc). Estas variables
contextualizan y compatibilizan las prioridades geográficas de conservación con los intereses y
necesidades de nuestra especie (Margules & Sarkar, 2007; Moilanen, 2009). En función de estas
metodologías y protocolos, se han estudiado y determinado las prioridades geográficas de
conservación para muchos taxones en diversos sitios (ej. Kremen et al. 2008; Illolldi-Rangel et
al. 2008; 2012; Fuller et al. 2008; 2010; Urbina & Flores-Villela 2010; Pous et al. 2010, Nori et
al. 2013); y así se han propuesto eficientes cambios en los sistemas de áreas protegidas, para
alcanzar metas de conservación concretas.
Asimismo, basados en estas metodologías y protocolos, muchos autores se han dedicado a
estudiar el efecto de los disturbios antrópicos más significativos sobre las prioridades geográficas
para la conservación (ej. Moilanen et al. 2005; Fuller et al, 2008; Faleiro et al. 2013; Nori et al.
82
2013), a fin de evaluar los cambios y disturbios producidos por los mismos sobre las áreas
prioritarias, y plantear escenarios de conservación que minimicen los daños (ej. Loyola et al.
2012; Lemes & Loyola 2013). Uno de los disturbios antrópicos más estudiados en este contexto,
es el efecto de los usos intensivos de la tierra para la producción de alimentos y combustibles
“ecológicos”; gracias a esto, hoy sabemos que los costos de resignar áreas de conservación
específicas, en lugares con aptitud para estos usos, son altísimos (ej. Fuller et al. 2008;
Dobrovolski et al. 2011; Nori et al. 2013).
Otro de los disturbios antrópicos que se sabe que genera importantes cambios y problemas sobre
la planeación de la conservación es el efecto del CCG sobre los patrones de distribución de las
especies (Araújo & Rahbek 2007; Lemes et al. 2013; Lemes & Loyola 2013; Ferro et al. 2014).
El efecto de este fenómeno sobre la conservación y su planeación es complejo y posee varias
aristas. Se cree por ejemplo, que producto del CCG, la eficiencia de muchas áreas protegidas en
diversos sitios podría disminuir, debido a que muchas especies perderían la capacidad de
habitarlas (Lemes et al. 2013; Ferro et al. 2014); o determinadas invasiones biológicas en zonas
de alto valor en conservación y nuevas áreas protegidas podrían verse facilitadas (Ficetolla et al.
2007; Nori et al. 2011; Loyola et al. 2011). Asimismo, se sabe que el CCG mediante
desplazamientos directos de la distribucion de las epecies genera pérdidas significativas sobre la
eficiencia para representar la biodiversidad de regiones de alto valor en términos de conservación
(Loyola et al. 2012; Faleiro et al. 2013). Producto de esto, en los últimos años se han propuesto
algunos escenarios de conservación en los que se consideró el efecto del CCG en el cálculo de
las áreas de conservación prioritarias (Loyola et al. 2012b; Faleiro et al. 2013).
83
En este capítulo se determinaran las zonas prioritarias de conservación para lagartos y serpientes
del NOA y se analizará el efecto del CCG sobre las mismas. En función de los resultados
obtenidos en la primera parte de esta tesis, esperamos que las zonas de mayor prioridad de
conservación en el área, se encuentren en las regiones altas y diversas del NOA (ecorregiones de
Yungas y Puna) zonas con alta riqueza de especies (en relación a su herpetofauna) y con un gran
número de especies endémicas (o solo compartidas marginalmente con otras regiones).
Asimismo esperamos que sean estas mismas áreas en donde el CCG tenga los efectos más
severos sobre las áreas prioritarias para la conservación, ya que dichas zonas están habitadas por
un gran número de especies de distribución restringida que alcanzan sitios muy elevados: las de
mayor vulnerabilidad al efecto del CCG según los resultados previos de esta tesis.
En función de lo expuesto, el objetivo específico propuesto para este capítulo es:
“Determinar las áreas prioritarias de conservación para las especies de lagartos y serpientes
del NOA y estimar los cambios producidos en las mismas, producto del cambio climático”
2. Materiales y Métodos
Especies seleccionadas: Para el cálculo de áreas prioritarias se incluyeron 89 especies de reptiles
presentes en el NOA, este número corresponde al 68% del total de las especies presentes (Ver
Tabla 8). Estas representan el 80% del total de las especies del NOA que se encuentran bajo
alguna categoría de amenaza (o insuficientemente conocida) (Giraudo et al. 2012; Abdala et al.
2012). Dichas especies bajo amenaza poseen un valor agregado en términos de conservación ya
que en general se les otorga un mayor ‘valor’ al momento de calcular zonas prioritarias (Ej.
Urbina-Cardona & Flores-Villela 2010, Nori et al. 2013).
84
Se utilizaron un total de 2265 registros de ocurrencia, provenientes principalmente de las
colecciones herpetológicas de la Fundación Miguel Lillo (FML) y Universidad Nacional de Salta
(UNSa). Se utilizaron además registros provenientes de la colección herpetológica del Museo
Argentino de Ciencias Naturales “Bernardino Rivadavia” (MACN), de bibliografía y en casos
excepcionales observaciones de especialistas en las especies en implicadas en esta sección, o
ejemplares colectados en campañas recientes pero aún no ingresados en las colecciones
respectivas (fundamentalmente campañas 2013 de colecta de FML). Todos los registros
utilizados corresponden al período comprendido entre los años 1975 y 2013. En el caso de los
registros provenientes de colecciones, dichas colecciones fueron visitadas y los ejemplares
revisados con el asesoramiento de taxónomos especialistas.
Criterio utilizado para seleccionar a las especies: Para que el cálculo de las áreas prioritarias
para serpientes y lagartos del NOA sea lo más realista (y útil) posible, se requiere incluir
información sobre la distribución del mayor número posible de especies que habitan la región
(Margules & Sarkar 2007). Es así que a diferencia de los análisis realizados en la primera parte
de la tesis (en los cuales se trabajó con un subset de especies a fin de realizar modelos
extrapolables), en esta segunda parte de la tesis se trabajó con aquellas especies, que en función
de los datos recopilados, las herramientas utilizadas para realizar las estimaciones de sus
espacios habitables (y proyecciones futuras), nos permitían realizar estimaciones precisas en
función de los siguientes criterios:
(a) Sólo se consideraron aquellas especies en las cuales al menos uno de los modelos realizados
para la misma obtuvo un buen ajuste con el subset de datos de ‘testeo’ (TSS > 0.7). Este
85
criterio también fue utilizado por Pawar et al. (2007), de Pous et al. (2010); Illoldi Rangel et
al. (2008 & 2012) y Nori et al. (2013).
(b) Sólo se consideraron aquellas especies para las cuales se contaba con al menos 6 registros de
ocurrencia en el área de estudio. Se fijó dicho valor atendiendo a que en el NOA existe un
gran número de micro-endemismos, muchos de ellos recientemente descriptos, para los
cuales las localidades en los que han sido registrados son escasas.
(c) Se descartaron aquellas especies que en relación a su área de distribución total resultan
marginales en el NOA y son predominantes de ecorregiones no representadas en el área de
estudio (ver Thuiller et al. 2004b). Por ejemplo, existen especies presentes marginalmente en
la región de la Yungas, las cuales poseen la mayor parte de su distribución en la Selva
Paranaense (región no representada en el área de estudio). En estos casos estas especies no se
incluyeron.
(d) Se consideró la opinión de expertos en los diferentes grupos taxonómicos a fin de descartar
estimaciones espurias mediante la edición de los mapas de distribución o cambios en los
umbrales para generar las proyecciones binarias (como sugieren Pawar 2007, Urbina
Cardona & Flores Vilella 2010; Nori et al. 2013).
Tabla 9: Especies presentes en el NOA que fueron incluidas en los análisis de priorización de áreas, señalando su estado de conservación según la Asociación Herpetológica Argentina (Giraudo et al. 2012; Abdala et al. 2012). NA: No amenazada; IC: insuficientemente conocida; VU: vulnerable; AM: amenazada; (IC): especies aún no categorizadas que para los análisis se han considerado como insuficientemente conocidas en base a la opinión de los expertos (Cristian Abdala pers. com.)
Genero especie Status
Boa constrictor AM
Boiruna maculata NA
86
Bothrops ammodytoides NA
Bothrops diporus NA
Cercosaura parkeri NA
Ameivula abalosi NA
Contomastix lecahaei IC
Cnemidophorus longicauda NA
Aurivela tergolaevigatus NA
Crotalus durissus NA
Epicrates alvarezi AM
Epictia albipuncta NA
Epictia striatula AM
Erythrolamprus ceii NA
Erythrolamprus guentheri NA
hom*onota fasciata NA
hom*onota underwoodi NA
Kentropyx lagartija IC
Leiosaurus catamarsensis NA
Leptodeira annulata NA
Leptophis ahaetulla NA
Liolaemus abucan NA
Liolaemus albiceps NA
Liolaemus bitaeniatus NA
Liolaemus capillitas NA
Liolaemus cazianiae VU
Liolaemus chacoensis NA
Liolaemus chaltin NA
Liolaemus calchaqui NA
Liolaemus crepuscularis NA
Liolaemus cuyanus NA
Liolaemus dorbignyi VU
Liolaemus espinozai NA
Liolaemus griseus IC
Liolaemus huacahuasicus VU
Liolaemus irregularis NA
Liolaemus koslowskyi NA
Liolaemus lavillai NA
Liolaemus multicolor NA
Liolaemus nigriceps IC
Liolaemus orientalis VU
Liolaemus orko VU
Liolaemus ornatus NA
Liolaemus pacha (IC)
Liolaemus pagaburoi NA
87
Liolaemus pipanaco (IC)
Liolaemus poecilochromus NA
Liolaemus porosus (IC)
Liolaemus pulcherrimus VU
Liolaemus puna NA
Liolaemus puritanensis NA
Liolaemus quilmes NA
Liolaemus ramirezae NA
Liolaemus robertmertensi NA
Liolaemus salinicola NA
Liolaemus scapularis NA
Liolaemus scrocchii NA
Liolaemus tulkas NA
Liolaemus vulcanus NA
Mabuya dorsivittata NA
Mabuya frenata NA
Mastigodryas bifossatus NA
Micrurus pyrrhocryptus NA
Ophiodes intermedius NA
Opipeuter xestus IC
Oxyrhopus rhombifer NA
Paraphimophis rustica NA
Phalotris sansebastiani IC
Philodryas aestiva NA
Philodryas baroni NA
Philodryas mattogrossensis NA
Philodryas olfersii NA
Philodryas trilineata NA
Philodryas varia NA
Phimophis vittatus IC
Phymaturus antofa*gastensis VU
Phynaturus laurenti VU
Pseudotomodon trigonatus IC
Sibynomorphus lavillai NA
Sibynomorphus turgidus NA
Stenocercus caducus IC
Stenocercus doellojuradoi VU
Stenocercus roseiventris IC
Tachymenis peruviana NA
Taeniophallus occipitalis NA
Tropidurus etheridgei NA
Xenodon pulcher NA
Xenodon semicinctus NA
88
Variables climáticas y escenarios utilizados: En relación a las variables climáticas utilizadas, se
consideraron 19 variables bioclimáticas obtenidas de Worldclim (http://www.worldclim.arg).
Estas son variables de alto significado biológico derivadas de las temperaturas y precipitaciones
medias mensuales y representan tendencias anuales, estacionales y también factores ambientales
extremos o limitantes (Hijamns et al. 2005). Como variables topográficas se consideraron la
elevación y la pendiente obtenidas del Earth Resources Observation and Science center (EROS)
(disponibles en: http://eros.usgs.gov). En relación los escenarios climáticos, se utilizaron además
del actual, tres modelos de circulación diferentes INMCM4, CCSM4 y GFDL-CM3: estos son
diferentes modelos cuantitativos implementados para el estudio de la dinámica del sistema
meteorológico y climático para las proyecciones del clima futuro (detalles en www.ipcc-
data.org/guidelines/pages/gcm_guide.html). Asimismo se seleccionó el RCP 45: estas son las
vías representativas de concentración; un parámetro que define la concentración de gases de
efecto invernadero de cada hipótesis climática, se seleccionó un valor de 45 a fin de no trabajar
con hipótesis climáticas extremas, de hecho este valor corresponde a un cambio en las
concentraciones de gases de efecto invernadero ‘intermedio’. Como se mencionó anteriormente,
todas estas variables se seleccionaron para el año 2050.
Las variables para escenarios futuros se obtuvieron de WorldClim y fueron recopiladas por el
Panel Intergubernamental de Cambio Climático en el quinto informe de evaluación
(https://www.ipcc.ch/report/ar5/). Debido a que algunas de las variables bioclimáticas poseen
altas correlaciones y esto puede afectar negativamente la performance de los modelos (Heikkinen
et al. 2006), se calculó la correlación entre las variables utilizadas en el área de estudio de esta
89
parte de la tesis (NOA) mediante un análisis de correlación de Pearson y se utilizaron solo
variables con correlaciones menores a 0.75. Entre las variables que mostraron alta correlación se
seleccionaron las que consideramos más adecuadas en función de la biología de las especies
implicadas.
Dado el gran número de especies y la necesidad de unificar un criterio biológico para la
selección de variables, se utilizó como tal (al igual que en la primera parte de la tesis), el hecho
de que todas las especies implicadas son ectotermos, de actividad estacional (generalmente
mayor actividad en periodos de temperaturas elevadas), y con necesidad de termoregular
exponiéndose a fuentes de calor. De este modo, las variables seleccionadas fueron las siguientes:
temperatura media del trimestre más cálido, precipitación media del trimestre más cálido, rango
de diurno de temperatura, estacionalidad de la temperatura, estacionalidad de las precipitaciones,
rango anual de temperatura, y altitud. A pesar de que los criterios de selección fueron iguales,
las variables seleccionadas varían ligeramente con las seleccionadas para la primera parte, dado
que las correlaciones entre las variables variaron ligeramente producto del contexto geográfico
(por ejemplo, para abordar los objetivos de la primera parte se utilizó la totalidad del continente).
Modelos de distribución de especies: Para la realización de los modelos de distribución de
especies, al igual que en la primera parte de la tesis, se realizaron ensambles entre las
proyecciones de algoritmos diferentes mediante el package de R (R Team, 2014) BIOMOD 2
(Thuiller et al. 2012). Se seleccionó este método (BIOMOD2), dado que para la realización de
los análisis del presente capítulo era necesario estandarizar una metodología de modelado de
distribución y aplicarla a un gran número de especies de manera subsecuente. En ese sentido este
software facilita la realización de ensambles entre los resultados de los diferentes algoritmos y
90
escenarios, manejando un gran volumen de datos y especies (ver Thuiller et al. 2009; 2012). No
obstante dicho software, no contiene todos los algoritmos utilizados en la primera sección de la
tesis, es así que si bien el criterio de selección de los algoritmos fue el mismo, algunos de los
algoritmos utilizados fueron otros. De los diez algoritmos que incluye este paquete, se
seleccionaron MAXENT (Phillips et al. 2006) y SRE (Busby 1991) (Surface Range Envelope,
también conocido como BioClim). La selección de dichos algoritmos atendió principalmente a
que no contamos con datos reales de ausencia geográfica y estos son los algoritmos (dentro de
los que ofrece el paquete BIOMOD 2), que resultan más aptos para trabajar sin ausencias: con
‘puntos de fondo’ (MAXENT) o sólo con presencias (SRE) (Varela et al., 2014; Sara Varela,
pers com). Así si bien SRE, no fue útilizado en la primera parte de la tesis, pero como
mencionamos, el criterio para la selección no varió.
A fines de obtener las estimaciones de la distribución de las especies a partir de sus registros de
ocurrencia, los algoritmos se calibraron utilizando las variables climáticas actuales y
posteriormente se proyectó cada modelo generado sobre estas mismas variables. Asimismo, a fin
de generar una hipótesis de la distribución de cada especie considerando el efecto del CCG, los
modelos se re-proyectaron a los diferentes escenarios climáticos futuros para el año 2050. Para
los análisis del presente capítulo, no se consideró un horizonte de tiempo demasiado cercano (se
utilizó el 2050), ya que los resultados conducen a la generación de pautas de conservación, y se
espera que estas tengan validez temporal.
Para cada especie, los modelos fueron calibrados para la totalidad del NOA. La escala de
análisis fue de 1 km2 (tamaño de los pixeles de las variables utilizadas tanto para la calibración
como para la proyección de los modelos). No obstante, solo se consideraron registros de
91
ocurrencia distantes al menos 5 km entre ellos y ‘puntos de fondo’ (para la calibración de
MAXENT, y la evaluación en ambos casos) distantes al menos 10 km de las presencias. Para
algunas de las especies se eliminaron proyecciones en zonas con errores de comisión evidente en
regiones lejanas a presencias de las especies atendiendo a la opinión de especialistas. Se testeó
cada modelo utilizando el 25% de los registros de ocurrencia de cada especie para el cálculo del
True Skill Statistic (TSS, Allouche et al. 2006). Se realizaron 3 réplicas independientes
(utilizando diferentes sets de pseudoausencia) para cada algoritmo en cada escenario climático,
por ende se realizaron un total de 2136 proyecciones [89 spp. (Tabla 9) X 2 algoritmos
(MAXENT Y SRE) X 4 escenarios climáticos (ver detalles de escenarios climáticos en la
siguiente sección) X 3 Replicas]. Las proyecciones provenientes de distintos algoritmos y/o
escenarios se ensamblaron siguiendo la metodología propuesta por Araujo & New (2007). Sólo
se incluyeron en los ensambles aquellas proyecciones que mostraron valores de TSS mayores a
0.7 (utilizando la proyección binaria con el máximo valor posible de TSS en cada caso). Así,
para cada especie las proyecciones se ensamblaron utilizando promedios ponderados (por el
valor de TSS), de todas aquellas proyecciones con valores de TSS > 0.7.
Finalmente, a fin de obtener un mapa de presencia/ausencia de cada una de las especies en el área
de estudio, se utilizó como umbral de corte el valor máximo en el cual el 90% de los registros de
la especie se encontraban dentro de la predicción. La selección de este umbral se realizó
principalmente porque los modelos se realizaron sin considerar ausencias reales, razón por la
cual los errores de omisión pueden considerarse mucho más robustos que los de comisión. Dicho
umbral de corte ha sido utilizado y recomendado en estudios similares (ver Urbina-Cardona &
Loyola 2008; Pous et al. 2010; Nori et al. 2014). Resulta importante destacar que el umbral
seleccionado se basa en los registros actuales de las especies, razón por la cual al aplicarlo a los
92
ensambles futuros, se asume que el nicho climático de las especies no varía en absoluto lo cual
podría no ser cierto (ver Gallager et al. 2010)
Cálculo de áreas de Conservación Prioritaria: Para calcular las zonas de conservación
prioritaria en el NOA en base a la distribución de serpientes y lagartos utilizamos Zonation 4.0
(Moilanen et al. 2005; 2009; 2009b). Este software permite ‘valorar’ las zonas del área de
estudio en base a las especies que están presentes en cada una de ellas (y su valor en
conservación, asignado por el operador), y así determinar cuáles son los sitios de mayor valor
para la conservación. El resultado de la priorización es un mapa en formato de raster el cual
contiene cada uno de los pixeles raqueados en función de su ‘valor de conservación’. Una celda
posee el máximo valor de conservación cuando su contribución relativa es la mayor en relación
al valor total de conservación en el área de estudio.
Asimismo, es posible identificar e incorporar en la priorización, potenciales ‘conflictos’ por el
uso de la tierra (ie. variables que incorporan al análisis potencialidades de los sitios). O sea
conflictos entre conservación y, por ejemplo, su aptitud para la agricultura, minería, o su valor
económico. La inclusión de estas variables tiene como fín que los escenarios de priorización
compatibilicen la conservación de las especies con el desarrollo sostenido. Adicionalmente, es
posible incorporar ‘a priori’, las áreas actualmente establecidas como áreas protegidas, y que
dichas áreas sean incorporadas como de alta prioridad en el resultado final. Para la determinación
del valor de conservación de cada una de las celdas en la que se divide el área de estudio, el
programa Zonation permite utilizar tres algoritmos diferentes. Para este trabajo de tesis se utilizó
el algoritmo llamado Additive benefit function (Moilanen 2007). En términos generales, este
algoritmo asigna valor de conservación a cada celda en base al valor de conservación de todas las
93
especies presentes en ella y no en función de la especie de mayor valor (para detalles técnicos ver
Moilanen 2007).
A fin de alcanzar el objetivo planteado para el presente capítulo se realizaron tres diferentes
escenarios de búsqueda de áreas prioritarias implementando el software Zonation, los cuales
posteriormente fueron comparados. A continuación se detallan los parámetros tenidos en cuenta
en los escenarios de búsqueda:
Valor de conservación de las especies: el mismo fue asignado en base al estado de conservación
de las especies (Abdala et al. 2012; Giraudo et al. 2012). Así, se les asignó valor de 1 a las
especies no amenazadas, 2 a las insuficientemente conocidas, 3 a las vulnerables y 4 a las
especies amenazadas.
Áreas incluidas ‘a priori’: Se consideraron 35 áreas protegidas de nueve categorías diferentes
presentes en el área de estudio. Estas ocupan una superficie total aproximada de 40500 km2.
(Figura 2; Tabla 1). Las mismas se delimitaron a partir de un archivo vectorial cedido por Geo
información de la Secretaria de Ambiente y Desarrollo Sustentable de la Nación.
Potenciales conflictos entre el uso del territorio y la conservación: Se tuvieron en cuenta 3
diferentes variables identificadoras de los principales conflictos entre el uso (o potencial uso)
económico de la tierra y su valor en conservación: Población humana, Yacimientos mineros y de
petróleo, Agricultura y ganadería intensiva. Estas variables se consideraron en el cálculo de las
zonas de prioritarias. Mediante estas, se asignó pesos negativos a determinadas celdas (en las
cuales los valores de estas variables son elevados) a fin de ‘devaluarlas’ en términos de
94
conservación. Los pesos (negativos) de cada una de estas variables se asignaron en función de la
incompatibilidad de las mismas con la posibilidad de utilizar dichas zonas para proteger las
especies (detalles en manual de usuarios de Zonation, disponible en: www.helsinki.fi):
(a) Minería y Yacimientos: A partir de una capa vectorial conteniendo las minas de
extracción activas y los yacimientos de petróleo en el área de estudio (obtenida del
Instituto Geográfico Nacional http://www.ign.gob.ar/NuestasActividades/), se realizó un
análisis de densidad de Kernel utilizando ArcGis 10.2. Mediante este análisis se calculó
un valor para cada pixel del área del estudio (NOA) (oscilando entre 0 y 1)
correspondiente al número de minas y yacimientos en una zonas de amortiguamiento de
20 km de dicho pixel. Así se obtuvo un raster final con la densidad de minas y
yacimientos en el área de estudio. (Figura 33, subtítulo: Yacimientos y Minería)
(b) Población humana: Se determinó a partir de un raster que informa el número de
personas por pixel de 1km (obtenido de: http://neo.sci.gsfc.nasa.gov/; Schneider et al.
2011), el cual fue recortado para el área de estudio (NOA) y reclasificado a valores de
entre 0 y 1. (Figura 33, Subtitulo: Población).
(c) Uso agrícola-ganadero intensivo: En este caso se generaron dos escenarios diferentes de
uso agrícola - ganadero: uno correspondiente a la actualidad y otro proyectado al año
2050. Ambos escenarios se obtuvieron a partir de modelos de expansión agrícola
generados para el área estudio por especialistas de Geo-INTA, los cuales fueron
gentilmente cedidos para la realización de la presente esta tesis. En ambos casos se
realizó un raster binario en el cual se discriminó con valor de 1 aquellas celdas para las
cuales se espera que el uso antrópico intensivo ocupe un área mayor al 70% de la celda
para el año 2015 y 2050 respectivamente. En adelante se hace mención a cada uno de los
escenarios como escenario agrícola actual (Figura 33,subtítulo: Agricultura presente) y
95
escenario agrícola futuro (Figura 33, subtítulo: Agricultura 2050) (para detalles Volante
et al. 2014)
Figura 33: variables antrópicas incluidas como conflicto por el uso de la tierra en
los cálculos de las áreas de conservación prioritaria.
Escenarios de búsqueda de áreas de conservación prioritaria: fin de determinar los cambios
producidos en por el CCG en las áreas de conservación prioritaria se realizaron tres escenarios de
96
búsquedas de zonas prioritarias diferentes. Todos los escenarios incorporaron la minería y
yacimientos y la población humana como variables negativos. Sin embargo los parámetros
relacionados a la distribución de especies y agricultura variaron entre los escenarios de la
siguiente forma:
(a) Escenario Presente: se consideró la distribución potencial actual de cada una de las
especies (productos de los modelos de distribución proyectados al escenario actual) y el
escenario agrícola actual.
(b) Escenario futuro sin considerar el potencial avance agrícola: En la segunda de las
búsquedas, a fin de estimar los cambios en las áreas prioritarias considerando solo el
efecto del CCG en la distribución de las especies, se utilizaron tanto las proyecciones de
las distribuciones presentes como futuras, y la búsqueda se realizó incorporando una
herramienta de Zonation 4.0 llamada interaction file (Rayfield et al. 2009). Mediante esta
herramienta, se le asigna los mayores valores en términos de conservación a aquellas
zonas ‘de contacto’ entre las distribuciones presentes y futuras de las especies (para
detalles ver Lemes & Loyola 2013 o manual de usuarios de
zonation:www.helsinki.fi/bioscience/). En esta búsqueda también se consideró el
escenario agrícola actual.
(c) Escenario futuro considerando el potencial avance agrícola: En la tercer búsqueda,
debido al gran efecto negativo que el avance de los usos antrópicos intensivos para la
producción de alimentos producen en las zonas de conservación prioritaria (Fuller et al.
2007; Nori et al. 2013; Faleiro et al. 2013), consideramos el efecto sinérgico entre el
97
efecto del CCG en la distribución de las especies y dichos usos antrópicos intensivos. La
búsqueda se realizó de forma idéntica que la anterior pero considerando el escenario
agrícola para el año 2050 en lugar del escenario agrícola presente.
Debido a que los resultados de priorización de Zonation, son mapas que contienen la totalidad de
los pixeles del área de estudio ordenados en términos de prioridad de conservación. A fines de
tener parámetros que nos permitan comparar los tres escenarios, estimar los cambios geográficos
y sus eficiencias (en relación a su capacidad para representar a las especies); se seleccionó el
15% y el 25% de la superficie de mayor prioridad para cada uno de ellos. En estos, se calculó el
número total de fragmentos ocupados, el perímetro de cada uno (y total), y la superficie media
por fragmento. Posteriormente, se compararon y cuantificaron los cambios en las áreas de mayor
prioridad de conservación para cada escenario utilizando ArcGis 10.2. Asimismo se cuantificó
para cada escenario la superficie prioritaria que ocupa cada ecoregión (sensu Olson 2001).
Finalmente, para comparar sus eficiencias, se realizaron las curvas performance para cada uno de
los escenarios, mostrando la proporción de la distribución de las especies representada
(promedio) en función del porcentaje del total del área incluida en el escenario de priorización.
3. Resultados
Modelos de distribución: Del total de las proyecciones realizadas, el 75% para el algoritmo
MAXENT y el 46% para el algoritmo SRE mostraron valores de TSS mayores a 0.7, y fueron
por tanto incluidas en los ensambles. Los modelos realizados e incluidos en las proyecciones
mostraron en términos generales buenos valores ajuste (TSS): MEDIA: 0.88, para MAXENT, y
MEDIA : 0.82 para las proyecciones de SRE. Los ensambles de las proyecciones reclasificadas
(utilizadas como áreas de ocurrencia para el cálculo de las áreas de conservación prioritaria) para
98
cada una de las especies incluidas en el análisis de áreas prioritarias, tanto para el escenario
presente como para el 2050 se muestran en la Figura 34.
PRESENTE 2050 PRESENTE 2050
99
PRESENTE 2050 PRESENTE 2050
100
PRESENTE 2050 PRESENTE 2050
101
PRESENTE 2050 PRESENTE 2050
102
PRESENTE 2050 PRESENTE 2050
103
PRESENTE 2050 PRESENTE 2050
104
PRESENTE 2050 PRESENTE 2050
105
PRESENTE 2050 PRESENTE 2050
106
PRESENTE 2050 PRESENTE 2050
107
PRESENTE 2050 PRESENTE 2050
108
Figura 34: En los mapas se muestra en verde las zonas utilizadas como zonas de presencia para cada una
de las especies en el escenario actual (izquierda) y futuro (derecha). Dichas predicciones se obtuvieron a
partir de asumir un umbral de corte para los ensambles de las proyecciones realizadas para cada horizonte
de tiempo (detalles en metodología).
Áreas de conservación Prioritaria
Como se mencionó anteriormente, debido al formato de salida del Zonation, a fin de poder
describir y comparar los resultados de los distintos escenarios de priorización (Presente; Futuro
sin considerar la potencial expansión agrícola y Futuro sin considerar la potencial expansión
agrícola) se extrajeron el 15% de la superficie de mayor prioridad (señalada en los mapas de la
sección en verde oscuro), y el 25% de la superficie de mayor prioridad (señalada en los mapas
con verde claro y verde oscuro) de cada escenario. Así, en los párrafos sucesivos nos referiremos
para la descripción de cada escenario y comparación entre estos al 15% y 25% de la superficie
de mayor prioridad.
Escenario presente: cuando consideramos el 15% de la superficie de mayor prioridad para el
escenario de priorización presente. La misma se ubica, mayoritariamente en la región de la Puna
(44%), un 20% de dicha superficie en las Yungas, un 19% en la región del Monte, en tanto que
solo el 10% se localizó en la región del Chaco y el 7% en la región Andina. Dicha superficie
prioritaria constó de 84 fragmentos con una superficie media de 820 Km2 y un perímetro total de
13300 Km2 (Figura 35).
Al considerar para el mismo escenario de priorización, el 25% de la superficie de mayor
prioridad, de este, el 36% se ubica en la región de la Puna, el 24% en las Yungas, un 22% en el
109
Monte, un 12% en la región del Chaco, y solo el 5% en la región Andina. Dicha superficie (25%
de área de mayor prioridad para el escenario presente) constó de 103 fragmentos de una
superficie media de 1120 Km2 y un perímetro total de 18600Km2. Si no se considera la superficie
actual protegida (ie. solo tenemos en cuenta lo déficits en términos de conservación), las regiones
de mayores déficits resultan las Yungas (35% del total de las zonas prioritarias no protegidas) y
el Monte (30%), ambas en su zona de transición con el Chaco, en tanto que el déficit en la región
de la Puna es el 20% (Figura 35).
Figura 35: áreas de mayor prioridad para la conservación serpientes y lagartos
del NOA para el escenario presente.
Escenario futuro sin considerar la potencial expansión agrícola: Del 15% de la superficie de
mayor priodidad del escenario de priorización futuro en el que no se consideró la expansión
110
agrícola potencial (zonas verdes oscuras, Figura 36), un 43% de esta se ubicó en la región de la
Puna, un 20% de dicha superficie en las Yungas, en tanto que un 17% en la región del Monte, un
10% en el Chaco y solo 8% en la región Andina. Esta superficie consta de 104 fragmentos con de
superficie media de 663 km2 y un perímetro total de 14141 km.
Cuando lo que se considera es el 25% de la superficie de mayor prioridad en el territorio para el
mismo escenario de priorización (Área verde clara y verde oscura de la Figura 36), el 35% se
ubica en la región de la Puna, el 24% en las yungas, un 20% en el Monte, un 14% en la región
del Chaco, y solo el 6% en la región Andina. Dicho área consta de 105 fragmentos con de
superficie media de 1097 km2 y un perímetro total de 19000 km. En relación a los déficits de
conservación de este escenario, al igual que para el anterior, las zonas de mayor déficits resultan
las Yungas (35% del total prioritario no protegido) y el Monte (25%), transicionales con el
Chaco. Los déficits en la región de la Puna también fueron grandes, alcanzando el 20% de la
superficie no protegida (Figura 36).
111
Figura 36: áreas de mayor prioridad para la conservación serpientes y
lagartos del NOA considerando el efecto del cambio climático en sus
distribuciones (considerando el escenario agrícola actual).
Escenario futuro considerando la potencial expansión agrícola: Considerando el 15% de la
superficie de mayor prioridad del escenario de priorización futuro en el que se consideró la
expansión agrícola potencial (zonas verdes oscuras, Figura 37), la mayor parte se ubicó en la
región de la Puna (50%), un 15% de dicha superficie en las Yungas, un 12% en la región del
Monte, también un 12% se localizó en la región del Chaco y el 9% en la región Andina. Esta
superficie constó de 132 fragmentos con una superficie media de 524 km2 y un perímetro total
de 14456 km (Figura 37).
Considerando el 25% de la superficie de mayor prioridad para el mismo escenario de
priorización (zonas verde claras y verde oscuras de la Figura 37), el 43% se ubica en la región de
112
la Puna, el 18% en las Yungas, un 15% en el Chaco, un 15% en la región del Monte, y solo el
7% en la región Andina. Este área posee 138 fragmentos con de superficie media de 839 km2 y
un perímetro total de 23100 km. En relación a los déficits de conservación de este escenario, la
ecoregión de mayor déficit fue la Puna (30% del total prioritario no protegido), y la Yunga
(25%), los déficits también fueron elevados en Monte y Chaco (20%) (Figura 37).
Figura 37: áreas de mayor prioridad para la conservación serpientes y
lagartos del NOA considerando el efecto del cambio climático en sus
distribuciones y el avance agrícola para el año 2050.
Comparación entre escenarios presente y futuro sin considerar la potencial expansión
agrícola: Si consideramos el 15% del territorio de mayor prioridad en ambos escenarios
(presente y futuro sin considerar el avance agrícola), el 29 % de la superficie prioritaria en
113
presente cambia su ubicación en el escenario futuro. Asimismo, el escenario presente posee
menor número de fragmentos (21 fragmentos menos) y un perímetro 839 km menor. En relación
al 25% de la superficie de mayor prioridad, se registran cambios de ubicación en el 21% de la
superficie prioritaria en presente. Asimismo ambos escenarios poseen un número muy similar de
fragmentos (uno más en el escenario futuro) y el perímetro total es 351 km mayor en el escenario
futuro (Figura 38).
Figura 38: Comparación entre el 15% y 25% del territorio con mayor prioridad de conservación para los
escenarios presente y futuro sin considerar el avance agrícola.
Comparación entre presente y futuro considerando la expansión agrícola potencial: Si
consideramos el 15% del territorio de mayor prioridad en ambos escenarios (presente y futuro sin
considerar el avance agrícola), el 46 % de la superficie prioritaria en presente cambia su
ubicación en el escenario futuro. Asimismo, el escenario presente posee mayor número de
fragmentos (48 fragmentos más) y un perímetro 1154 km mayor. En relación al 25% de la
114
superficie de mayor prioridad, se registran cambios de ubicación en el 44% de la superficie
prioritaria en presente. Asimismo el escenario presente posee 35 fragmentos menos y su
perímetro total es de 4450 km menor (Figura 39).
Figura 39: Comparación entre el 15% y 25% del territorio con mayor prioridad de conservación
para los escenarios presente y futuro considerando el avance agrícola.
Curvas de performances: El gráfico de la figura 40 muestra la comparación entre las curvas de
performance de los tres escenarios. En estas se relaciona la representatividad media (promedio de
la distribución representada para cada una de las especies), a medida que se pierde territorio en
función de su prioridad. El escenario de mayor eficiencia es el presente, pero muestra una
representatividad muy similar al escenario futuro sin considerar la expansión agrícola, en tanto
que la representatividad es menor para el escenario en el que se considera la expansión agrícola.
115
Figura 40: Comparación entre las curvas de performance de los tres escenarios de priorización,
en las cuales se muestra la representatividad media del escenario en función del porcentaje del
territorio protegido.
2. Discusión
Los resultados presentados en este capítulo, corroboran la hipótesis planteada para esta segunda
parte de la tesis. En efecto, el CCG produce severos cambios en las prioridades geográficas para
la conservación, patrón señalado previamente por algunos trabajos recientes (ej. Lemes & Loyola
2013; Faleiro et al. 2013). Este importante patrón de cambios y configuraciones en las áreas
prioritarias, indica la necesidad de considerar el efecto del CCG en las políticas de conservación
(Fuller et al. 2008; Loyola et al. 2012; Faleiro et al. 2013). No obstante la representatividad (de la
116
distribución de las especies implicadas) del escenario futuro sin considerar el avance agrícola,
resultó muy similar al escenario presente (Figura 40), lo cual indica que en caso de tenerse en
cuenta los cambios en las configuraciones de los escenarios de conservación y considerarlos en
políticas de manejo, la biodiversidad de lagartos y serpientes del NOA podría representarse en
las áreas protegidas de forma igualmente eficiente en el año 2050 (más allá de que las
características físicas hacen que las áreas prioritarias resulten ligeramente menos eficientes en el
escenario futuro: por el aumento en el número de fragmentos, y en el perímetro).
Independientemente del CCG, resulta importante detenernos a discutir la distribución del sistema
de áreas protegidas actual del NOA en función de las necesidades de conservación. Como
mencionamos en la introducción general de esta tesis, la mayoría de la superficie protegida del
NOA en la actualidad se halla localizada en la región de la Puna y Andina (78%), lo cual denota
un gran desequilibrio del sistema actual de áreas protegidas en términos de conservación. Dicho
patrón hace sospechar que, en la selección de áreas protegidas en la región, han primado
intereses económicos (como el valor o fertilidad de la tierra) sobre la preservación de las especies
y urgencias de conservación (Pressey et al. 2002; Margules & Sarkar 2007). Así se ‘designan’
grandes superficies protegidas en zonas de bajo interés y por ende donde las presiones antrópicas
son muy bajas y el costo de mantenimiento prácticamente nulo.
Apoyando este patrón, encontramos que a pesar de que la Puna resulta importante en términos de
conservación de reptiles (lo cual discutiremos a continuación), y posee una gran superficie
protegida, también posee déficits importantes (ie. existen muchas zonas en esta región que
poseen alto valor en términos de conservación y que aún no están protegidas), lo cual revela que
las especies de reptiles endémicos o de alto valor en términos de conservación que habitan en la
117
Puna no han primado como criterio al momento de seleccionar las zonas protegidas (en caso
contrario, la enorme superficie protegida de la región, representaría las especies de forma
eficiente). Asimismo, las zonas de mayor aptitud para las actividades económico (Chaco y áreas
transicionales), están muy poco representadas en el sistema actual de áreas protegidas.
En relación a las áreas prioritarias resultantes, existen ciertos aspectos metodológicos que han
influido en los resultados, y necesariamente deben ser tenidos en cuenta y discutidos. En primer
lugar es importante señalar que existen zonas, como por ejemplo regiones de Monte del Sur de
Catamarca (departamento de Pomán, al oeste de las Sierras de Ambato), las cuales resultaron de
alta prioridad para la mayoría de los análisis de priorización. No obstante, son zonas en las cuales
las proyecciones de los modelos para varias especies mostraron comisiones importantes (es decir
no existe presencia confirmada, no obstante los modelos señalan una alta probabilidad de
presencia), esto radica en la similitud climática entre estas zonas y las regiones que estas especies
ocupan en el NOA. Por esta razón, dichas zonas, deberían ser muestreadas antes de la
implementación de cualquier política de conservación que las involucre, a fin de poder confirmar
su valor real en términos de conservación.
Otra limitante importante radica en la falta de datos provenientes de algunos sitios como por
ejemplo el sur de la provincia de Santiago del Estero. La escases de datos provenientes de estas
regiones pueden ser el causante de que los modelos señalen una baja probabilidad de ocurrencia
de muchas especies en ciertos sitios. Si bien en términos de priorización del territorio estos
errores de omisión (potencial) no generan problemas tan severos como los de comisión (que
pueden ser el causante de generar políticas de conservación basadas en ‘falsas presencias’),
resultaría extremamente útil contar con datos provenientes de muestreos en dichas zonas a fin de
118
disminuir la incertidumbre asociada a las proyecciones de los modelos de distribución en las
mismas, y por consiguiente mejorar el cálculo de las zonas prioritarias de conservación.
En relación a los resultados obtenidos, la ecoregión de mayor prioridad (i.e. la región
mayormente representada entre las áreas prioritarias resultantes) en términos de conservación de
lagartos y serpientes del NOA resultó la Puna (para todos los escenarios analizados). Como
señalamos anteriormente esta región es habitada por un gran número de especies de lagartos
(mayormente de la familia Liolaemidae) de distribución restringida, muchas de ellas
categorizadas como, vulnerables o insuficientemente conocidas (Abdala et al. 2012). Son dichas
especies, sin lugar a dudas, las causantes de la importancia (a nivel de priorizar su conservación)
de esta región en los análisis del presente capítulo. Como señalan los resultados de la primera
parte de esta tesis, desafortunadamente en esta región habitan muchas de las especies que se
espera que poseen las mayores vulnerabilidades al CCG (producto se ser especies de zonas altas
y distribuciones restringidas) (Lenoir et al. 2008; Thuiller et al. 2011; Bonino et al. 2014). En
este sentido los resultados de la primera parte de la tesis corroboran los resultados del presente
capítulo, ya que según los resultados de los modelos de priorización el CCG producirá
importantes cambios configuraciones en las prioridades de conservación en la Puna.
La región de la Puna no es apta para actividades agrícolas o ganaderas intensivas, éstas
actividades presentan fuertes efectos negativos sobre la posibilidades de conservar
eficientemente la biodiversidad (Fuller et al. 2007; Nori et al. 2013; Faleiro et al. 2013).
Entonces, debido a que las zonas prioritarias de esta región que actualmente no están protegidas
(así como aquellas que adquirirán una alta prioridad de conservación a futuro), muy difícilmente
se encuentren ocupadas por usos antrópicos intensivos en un futuro cercano, por lo cual seguirán
119
siendo útiles en términos de conservación (y potencialmente podrán ser incluidas en el sistema
de áreas protegidas). En contraposición a esto, la Puna posee una elevada aptitud para
actividades mineras, actividades que no estimulan precisamente la conservación,
fundamentalmente para aquellas especies endémicas o de distribuciones restringidas, para las
cuales la antropización causada en un yacimiento o mina puntual podría representar la
modificación de un porcentaje significativo de su distribución total. Asimismo, la minería puede
generar fuertes efectos indirectos sobre la conservación de los reptiles del NOA, producto de
desequilibrios ecosistémicos, por ejemplo, por el mal uso de agua y subsecuente desecación de
vegas. Fundamentalmente por ello se incluyó dicha variable en los modelos de priorización, a fin
de compatibilizar este tipo de uso de la tierra con la conservación de los reptiles del área.
Otra de las regiones que mostró una alta prioridad en términos de conservación es la región de
las Yungas (especialmente en su transición con la región del Chaco). Esta zona además mostró
los mayores déficits de superficie protegida en el NOA. Las Yungas, es la región más biodiversa
del área de estudio, y posee en consecuencia una fauna diversa de lagartos y serpientes, y sobre
todo varias especies distribuidas casi exclusivamente (o al menos principalmente) en la región
(considerando el NOA). Por otra parte, las zonas transicionales Yungas-Chaco, poseen especies
correspondientes a ambas regiones y por ende y elevado valor en términos de conservación (Cei
et al. 1993; Brown et al., 2005; Giraudo et al. 2012; Abdala et al. 2012). Al igual que la Puna, la
región de las Yungas no se encuentra altamente amenazada por actividades antrópicas intensivas
en gran parte de su territorio, principalmente producto de su topografía irregular (Pressey et al.
2002), sin embargo su aptitud para ciertos usos agrícolas y ganaderos extensivos e intensivos
(donde la topografía lo permite), es mayor que en la Puna. Esto genera que las zonas prioritarias
no protegidas en la región de las Yungas se encuentren bajo mayor presión que las de la Puna. Es
120
destacable que en esta región los resultados del presente capítulo pronostican importantes
cambios geográficos en las prioridades de conservación a futuro, lo cual también esperábamos en
función de los resultados obtenidos en la primera parte de la tesis.
La región del Chaco no resultó de las de las ecoregiones de mayor prioridad para la conservación
de lagartos y serpientes del NOA (en relación al porcentaje de su superficie formando parte de
las áreas de mayor prioridad), pudiendo explicarse por una diversidad baja de lagartos y
serpientes exclusivas de esta región en relación a otras regiones como la Puna (Ceii et al. 1986;
1993; Leynaud & Bucher 1999, Scrocchi et al. 2008). Por otra parte, esta ecoregión comparte
muchas de sus especies en zonas transicionales con otras ecoregiones (específicamente en el área
de estudio con las Yungas y el Monte), el elevado valor de prioridad de estas regiones
transicionales, resultó en una disminución de la prioridad para el Chaco. Asimismo, la ausencia
de algunas especies chaqueñas con hábitos característicos en los análisis (como Urosthrophus
gallardoi, o Leiosaurus parone, arborícolas) producto de datos insuficientes, sumando la media-
baja representatividad del Chaco en los análisis de priorización, podrían haber generado una baja
y hasta nula representatividad de estas especies en las zonas estimadas prioritarias, siendo esto
una importante limitante.
Más allá de la baja-media prioridad del Chaco (en términos de área ocupada en las zonas de
máxima prioridad), esta región, es sin lugar dudas, la más apta para las actividades antrópicas
intensivas en cueanto a producción de alimentos en el NOA (Zak et al. 2008 Grau & Gasparri
2009; Hoyos et al. 2013). Asimismo se prevé que estas actividades sean cada vez más intensas en
el futuro (Figura 33; Volante et al. 2014), y se sabe que estas actividades generan costos
altísimos (económicos y “de oportunidad”) en relación a las prioridades geográficas de
121
conservación (Fuller et al. 2007; Nori et al. 2013; Faleiro et al. 2013). Adicionalmente se estima
que estos costos serán cada vez mayores (Dobrovolski et al. 2011). Esto pone en evidencia que
las zonas de alta prioridad en la región del Chaco, son las que de mayor urgencia en términos de
conservación, ya que las mismas corren altos riegos de ser ocupadas próximamente por
actividades antrópicas intensivas.
Lo discutido en el párrafo anterior se halla en íntima relación con el patrón que muestran las
curvas de performance de los tres escenarios de priorización que muestran los resultados (Figura
40). De hecho, si bien el CCG por si sólo produce grandes cambios geográficos en las
prioridades de conservación, la biodiversidad podría representarse de forma igualmente eficiente
respetando dichos cambios en las zonas prioritarias. En otras palabras, idealmente podrían
representarse los Squamata del NOA en el sistema de áreas protegidas de forma equivalente
luego de que los cambios pronosticados en sus distribuciones ocurren, si se considera el efecto
potencial del CCG en la priorización del territorio. En cambio, si consideramos el efecto de la
avance agrícola y su sinergia con el efecto del CCG, no solo los reacomodamientos geográficos
de las zonas de mayor prioridad para la conservación se hacen mucho mayores, sino que además
la representatividad del escenario de priorización (ie. del sistema ideal de áreas protegidas)
disminuye de forma notable y sus características físicas tornan al escenario mucho menos
eficientes (el número de fragmentos y perímetro total sufren incrementos notables). Esto, se
sustenta en el hecho de que las zonas perdidas por el avance agrícola se tornan zonas de muy
baja aptitud para la conservación y por ende no pueden ser incluidas en el sistema de áreas
protegidas (i.e. son zonas perdidas en términos de conservación, al menos en un futuro cercano),
siendo que las mismas pueden ser zonas irremplazables con un alto valor de conservación (Fuller
et al. 2007; Nori et al. 2013). Así, estos resultados reafirman la idea de que las zonas de alta
122
prioridad de conservación ubicadas en sectores con alta aptitud agrícola deberían ser protegidas
de forma urgente, ya que en estos sitios el paso del tiempo es una variable de extrema
importancia (Dobrovolski et al. 2011).
123
Capítulo 4 - Incorporando la sensibilidad diferencial al CCG en el cálculo de
las Áreas de Conservación Prioritaria
124
1. Marco teórico
En este capítulo, se relacionaron los resultados generados en la primera parte de esta tesis
(capítulos 1 y 2), con los conceptos y resultados encontrados en el tercer capítulo. En otras
palabras, se intentó incorporar la sensibilidad diferencial de las especies al CCG al cálculo de las
áreas prioritarias para serpientes y lagartos del NOA. Si bien existen algunos trabajos en los
cuales las áreas prioritarias han sido calculadas contemplando los cambios futuros potenciales en
la distribución de las especies (como también se hizo en el capítulo anterior de esta tesis, ej.
Carrol et al. 2010, Lemes & Loyola 2012; Loyola et al. 2012; Faleiro et al. 2013), no tenemos
conocimiento de que existan trabajos publicados en los cuales las áreas prioritarias hallan sido
calculadas a partir de incorporar prioridad diferencial a las especies en función de su respuesta
potencial al CCG. En ese sentido, este capítulo resulta original, siendo su principal objetivo,
intentar amalgamar la información generada a lo largo de la tesis.
En el capítulo anterior, se estimaron las áreas de conservación prioritaria para los lagartos y
serpientes del NOA y se estudió el efecto del CCG sobre estas. Tal como se esperaba, los
resultados sugieren que la mayor superficie en áreas de alta prioridad para la conservación, se
encuentran en la región de la Puna, la cual posee una gran diversidad de lagartos, muchos de los
cuales poseen altos grados de endemicidad (además muchos de estos están categorizados como
vulnerables o poco conocidos) (Abdala et al. 2012). También las Yungas, región muy biodiversa
(Cei 1994; Brown et al. 2005; Morrone et al. 2006). Por otro lado, se constató que el CCG
produce grandes cambios en la configuración de las prioridades geográficas de conservación para
los reptiles del NOA (como sugerían autores previos para otros sitios ej. Faleiro et al. 2013;
Lemes & Loyola 2013) y que dichos cambios se producen principalmente en las ecoregiones de
mayor prioridad (Puna y Yungas). Este patrón también era esperado, en función de los resultados
125
hallados en la primera parte de esta tesis (Capítulos 1 y 2), donde se establecía que las especies
que habitan las zonas altas y poseen los mayores grados de endemisidad son las más vulnerables
al efecto CCG (patrones también apoyados por autores previos, ej. Lenoir et al. 2008; Bonino et
al. 2014).
Otro resultado de importancia hallado en el capítulo anterior es el hecho de que la eficiencia
(para representar a las especies) de las áreas prioritarias para la conservación de lagartos y
serpientes del NOA se ve disminuido por el avance de la frontera agrícola en sinergia con el
CCG, lo cual pone en evidencia que las zonas prioritarias de las regiones aptas para el uso
agrícola intensivo son en las que las políticas de conservación requieren mayor urgencia (Fuller
et al. 2008; Dobrovolski et al. 2011; Nori et al. 2013).
El objetivo específico que se perseguirá en el presente capítulo es:
“Incorporar la sensibilidad diferencial al cambio climático de las especies de Squamata del
NOA en el cálculo de las áreas de conservación prioritaria”.
Para alcanzar dicho objetivo, se utilizó el modelo más explicativo de la sensibilidad diferencial al
efecto del CCG (de los modelos filogenéticos de mínimos cuadrados generados en la primera
parte de la tesis), para incorporar al cálculo de las áreas de conservación prioritarias.
Específicamente se dio prioridad diferencial a las especies en función de su vulnerabilidad
esperada al CCG (i.e. dar mayor prioridad a las especies que se espera que sean más vulnerables
al efecto del CCG en función de las características de sus rangos de distribución). Posteriormente
se estimó cuáles son los cambios producidos en las áreas prioritarias al incorporar dicha
prioridad diferencial y se discutió, en función de las prioridades de conservación halladas en el
capítulo anterior, si esto resulta útil y necesario para la conservación de estos reptiles del NOA.
126
2. Métodos
Cálculo de las áreas de conservación prioritaria incorporando la sensibilidad diferencial de
las especies al CCG: Para el cálculo de las áreas de conservación prioritaria considerando la
sensibilidad diferencial de las especies al CCG, se utilizó la misma metodología utilizada en al
capítulo anterior para calcular las áreas prioritarias futuras (considerando el escenario agrícola
actual; pag. 79 - 93), sólo que se realizaron cambios en el valor de conservación de las especies,
de forma que el mismo refleje la sensibilidad de estas al CCG, según lo estimado en la primera
parte de esta tesis. Se consideró el escenario agrícola actual de tal forma de dar al software la
posibilidad de seleccionar con alta prioridad de conservación a aquellas regiones sobre las cuales
la frontera agrícola aún no ha avanzado (independientemente de que su aptitud agrícola sea alta).
Cálculo del valor de conservación de las especies: En el presente capítulo, el valor en
conservación de cada especie para el cálculo de las áreas prioritarias se modificó en función de
los hallazgos del los primeros capítulos. Así, los valores utilizados en el capítulo anterior (que
reflejaban solo el estado de conservación de las especies) se modificaron para incluir sus
sensibilidades diferenciales al cambio climático. El valor de cada especie aumentó o disminuyó
en función de su rango de distribución y grado de endemisidad y de la altura alcanzada por la
misma, de la siguiente forma:
(a) Altura máxima que alcanzan las especies: se calculó un índice proporcional a la altura
máxima ocupada por cada especie, con un valor máximo de 3 y un valor mínimo de 0.5. El valor
de conservación de la especie utilizado en el capítulo anterior se multiplico por dicho índice. Así
127
por ejemplo para la especie que alcanza la máxima altura en el área de estudio, su valor para el
cálculo de las áreas prioritarias se triplicó.
(b) El grado de endemisidad y rango de distribución: Para las especies endémicas del NOA el
valor de conservación se duplicó y para aquellas con un rango de distribución menor a 5000 km2
(estimados a partir de los modelos de distribución) el valor se triplicó.
Finalmente, una vez incorporados estos aspectos al cálculo de los valores de las especies, se fijó
un valor máximo de conservación de 10 y un mínimo de 0.5.
Al igual que en el capítulo anterior, se seleccionó el 15% y el 25% del territorio de mayor
prioridad del escenario de priorización resultante. Además se calculó el porcentaje de la
superficie de mayor prioridad correspondiente a cada ecoregión. Este escenario se comparó con
el escenario calculado en el capítulo anterior considerando el efecto del CCG en distribución de
las especies.
3. Resultados
Cuando comparamos la posición geográfica de las zonas de mayor prioridad entre los escenarios
comparados en el presente capitulo hallamos que al considerar la sensibilidad diferencial de las
especies en el cálculo de las áreas prioritarias, la ecoregión de la Puna resulta la de mayor
prioridad (54% de la superficie es un área prioritaria si consideramos el 15% del territorio con
mayor prioridad y 56% si consideramos el 25% del territorio), la región de las Yungas y del
Monte son las que le siguen en prioridad (ocupando 15% de la superficie prioritaria cada una de
128
ellas) y posteriormente con menor prioridad las regiones del Chaco y Andina, ocupando entre el
4% y el 9% de la superficie dependiendo de la superficie prioritaria considerada (Figura 41)
Figura 41: áreas de mayor prioridad para la conservación serpientes
y lagartos del NOA considerando el efecto del CCG en sus
distribuciones, y la sensibilidad potencial de las especies al CCG
para el cálculo de las mismas.
Por otra parte, al comparar las áreas prioritarias calculadas de la misma forma, pero utilizando la
sensibilidad diferencial al CCG para ‘valuar’ las especies, hallamos grandes cambios en las
configuraciones de las prioridades de conservación. En efecto estas cambiaron entre un 47% (si
consideramos el 15% del territorio de mayor prioridad) y un 38% (considerando el 25% del
territorio de mayor prioridad, sin considerar las áreas protegidas). Las zonas prioritarias,
129
considerando la sensibilidad diferencial al CCG, aumentaron considerablemente en la región de
la Puna, donde pasaron de ocupar un 35% (para el 25% del territorio de mayor prioridad) y un
44% (para el 15% más prioritario) de las zonas prioritarias, a ocupar de un 54% (25% mayor
prioridad) a un 56% (15% más prioritario) de las mismas (aumentos de hasta un 20%). Asímismo
el territorio prioritario, disminuyó considerablemente en la región del Chaco (hasta un 10%
menos de superficie de Chaco) y Yungas (hasta un 8% menos) (Figura 42).
Figura 42: Comparación entre el 15% y 25% del territorio con mayor prioridad de conservación
para los escenarios futuro y futuro considerando la sensibilidad diferencial de las especies al
CCG.
4. Discusión
Los resultados del presente capítulo, denotan que al ‘valuar’ las especies en función de su
sensibilidad diferencial al CCG, las prioridades geográficas de conservación muestran cambios
sustanciales. Asimismo, dichos cambios muestran un patrón geográfico muy marcado: grandes
130
aumentos de zonas de alta prioridad en la región de la Puna, y disminuciones considerables
predominantemente en la región del Chaco. Este patrón radica en el hecho de que, como
mencionamos con anterioridad, las zona de la Puna poseen un gran número de especies de
lagartos de distribución restringida habitando zonas altas (Abdala et al. 2012; Diaz-Gomez
2007), así, la valoración de dichas especies para los cálculos de las áreas prioritarias aumentó
considerablemente en el escenario en el que utilizamos la sensibilidad diferencial (en función del
modelo generado en el capítulo 2).
Por otra parte, la región del Chaco se caracteriza por ser una región muy extensa y
predominantemente llana y baja (Cabrera 1976; Olson 2001; Morrone 2006) por lo tanto, si bien
existen excepciones, las especies de lagartos y serpientes que lo habitan son principalmente
especies que no alcanzan grandes altitudes y de distribuciones amplias (Cei at al. 1994; Leynaud
& Bucher 1999, Scrocchi et al. 2008; Abdala et al. 2012; Giraudo et al. 2012). Esta es la razón
por lo cual el valor de conservación disminuyó para muchas de las especies del Chaco en los
análisis del presente capitulo (o a lo sumo no aumentó en manera proporcional a los aumentos de
otras regiones, como la Puna). Si además consideramos la baja diversidad de especies exclusivas
en el Chaco (ie. especies no compartidas con otras regiones del área de estudio) (Leynaud &
Bucher 1999), en comparación con la Puna o las Yungas, se explica la gran disminución de
zonas prioritarias en esta región.
En este punto, y luego de discutir los cambios producidos en las áreas prioritarias producto de
valuar a las especies en función de su sensibilidad diferencial al CCG (i.e. en función de las
características de sus distribuciones), resulta de suma importancia discutir los pro, los contra, y la
utilidad de priorizar el territorio en el NOA utilizando este recurso. Como se discutió en el
131
capítulo anterior, las zonas del Chaco son regiones de altísima urgencia en términos de
conservación principalmente, por ser regiones de gran aptitud agrícola (Fuller et al. 2007;
Dobrovolski et al. 2011; Faleiro et al. 2013; Nori et al. 2013). Al valuar las especies utilizando su
altitud y amplitud de distribución, muchas especies de alta prioridad en términos de conservación
(categorizadas como AM o VU, ej. Boa constrictor, Epicrates alvarezi o Stenocercus
doellojuradoi), disminuyen considerablemente su valor para el cálculo de las áreas prioritarias
(en relación al resto de las especies), y así resultan sub-valuadas, ‘devaluándose’ el Chaco, la
región de mayor urgencia en términos de conservación en el NOA. Cabe destacar también que
existen otras especies chaqueñas con problemas de información que no pudieron ser incluidas en
los análisis por déficits de datos, como Urostrophus gallardoi, sin embargo dado las
características de sus distribuciones, el patrón de cambio en su ‘valoración’ para el cálculo de
áreas prioritarias hubiese sido muy similar.
Por otro lado, como también mencionamos anteriormente, las regiones donde habitan las
especies que alcanzan las mayores altitudes, muchas de ellas de distribución restringida, son
regiones que si bien son aptas para ciertos usos antrópicos como la minería, no son aptas para las
actividades antrópicas de mayor impacto o sobre la biodiversidad (como la agricultura y
ganadería intensiva) (Sala et al. 2000; Green et al. 2005). Al valuar a las especies de estas
regiones en función de su sensibilidad potencial al CCG (i.e. en función de las características de
sus distribuciones), se observa que muchas de ellas alcanzan grandes valores de conservación,
siendo que las amenazas antrópicas sobre ellas (descartando la exposición al CCG) son escasas, y
las regiones que habitan se hallan poco modificadas. Además, al ‘sobrevaluar’ a las especies
potencialmente más sensibles al CCG, indirectamente se quita valor a zonas donde la urgencia es
realmente muy alta, y fundamentalmente donde un sistema acorde de áreas protegidas resultaría
132
extremadamente útil para conservar poblaciones de especies, aislándolas del disturbio que más
las afecta, la pérdida de hábitat (Sala et. al. 2000; Green et al. 2005).
Ahora, la pregunta que debemos hacernos es: ¿Es un área protegida útil para preservar a las
especies del efecto del CCG en las zonas más vulnerables al fenómeno?, la respuesta es
compleja, pues si bien un área protegida puede ser muy útil para resguardar a poblaciones de
ciertas especies de futuros disturbios antrópicos que podrían perjudicarlas (ej. una nueva mina o
yacimiento de petróleo) en sinergia con el CCG, estas no son útiles para protegerlas del CCG
‘per se’. Así, en las regiones de mayor vulnerabilidad al CCG (ie. la Puna y las Yungas), las
áreas protegidas deberían ser un recurso, mediante el cual sea posible compatibilizar la
conservación de las especies con las extracción de minerales y petróleo. En relación a esto,
resulta importante mencionar que en los escasos trabajos en los que se consideró el efecto del
CCG para calcular las áreas prioritarias, al igual que el capítulo previo de esta tesis (ej. Carrol et
al. 2010; Loyola et al. 2012; Lemes & Loyola 2013; Faleiro et al. 2013), si bien no se dio mayor
valor a una especie por considerarla más vulnerable al CCG, se consideró el efecto del CCG
sobre los sitios habitables por las especies valorando las zonas donde se espera que las especies
continúen habitando a futuro), lo cual resulta de gran importancia.
En conclusión, resulta importante considerar el potencial efecto del CCG en el cálculo de las
áreas de conservación, para priorizar zonas donde se espera que las especies continúen habitando
(Carrol et al. 2010; Loyola et al. 2012). También es sumamente útil incorporar el efecto de
diversos disturbios o ‘conflictos por la tierra’, para compatibilizar el uso con la conservación del
territorio (Faleiro et. al. 2013). No obstante, valuar a las especies en función de su exposición o
sensibilidad potencial al CCG, puede no resultar útil: esto puede ‘desbalancear’ los escenarios de
133
priorización, sobrevaluado zonas donde las áreas protegidas no resultarían tan útiles, y
fundamentalmente no son tan urgentes.
134
Conclusiones Generales
135
En función de los resultados obtenidos y discutidos, se destacan las siguientes conclusiones
generales:
La sensibilidad al CCG de las especies de los Squamata del NOA se halla relacionada
con (a) las propiedades del nicho climático de las especies (b) ciertos requerimientos
climáticos específicos (c) las características de los rangos de distribución de las especies.
Estas relaciones mencionadas son independientes de las relaciones filogenéticas entre las
especies.
La posición (marginalidad) de las serpientes y lagartos del NOA en el espacio climático,
resulta significativamente correlacionada a la exposición (y por ende con la
vulnerabilidad) de las mismas al CCG. Asimismo, mostramos que combinando la
posición y la amplitud del nicho climático de las especies (i.e. las propiedades del nicho
climático), la sensibilidad potencial de las especies al CCG puede ser explicada de forma
más precisa que mediante alguna de estas variables individualmente.
Considerando los requerimientos climáticos específicos, hemos puesto en evidencia que
las especies de serpientes y lagartos del NOA que habitan las zonas de menor
estacionalidad climática, y menores temperaturas en los meses cálidos, resultan las más
vulnerables al efecto del CCG. Dichas características climáticas son propias de las zonas
del área de estudio donde habitan las especies climáticamente marginales, y por ende
más sensibles al CCG.
136
La altitud máxima alcanzada por las especies y la cercanía de estas a la Cordillera de los
Andes (ambos rasgos geográficos, indicadores de la marginalidad de las especies en el
espacio climático) resultan individualmente, los aspectos geográficos más importantes
para explicar la sensibilidad de los lagartos y serpientes del NOA al CCG.
La forma más precisa de explicar la exposición (y potencial vulnerabilidad) de las
especies en el espacio climático a partir de los rasgos geográficos de la distribución de
las serpientes y lagartos del NOA, es mediante la combinación de indicadores de la
marginalidad y amplitud de las especies en el espacio climático.
Las especies de lagartos y serpientes del NOA, que alcanzan las mayores alturas
(indicador de la posición del nicho climático) y poseen las distribuciones más
restringidas (indicador de la amplitud del nicho climático) son las más expuestas (y
potencialmente vulnerables) al efecto potencial del CCG.
En concordancia con la conclusión anterior, los mayores efectos del CCG sobre las áreas
prioritarias de conservación se ubicaron en las regiones de la Puna y Yungas (regiones
que ocupan importantes alturas, y particularmente en la Puna habitada por un gran
número de especies de lagartos micro-endémicos).
El potencial efecto del CCG genera grandes cambios configuracionales en las áreas de
conservación prioritaria para los lagartos y serpientes del NOA. No obstante si estos
137
cambios son tenidos en cuenta, la eficiencia del escenario de conservación prácticamente
no disminuye.
La región de la Puna posee en el NOA el mayor porcentaje de zonas de alta prioridad
para la conservación de los lagartos y serpientes de dicho área.
La ecoregión de las Yungas resultó la región en la cual se encuentran los mayores
déficits de zonas destinadas a la conservación de lagartos y serpientes.
El avance agrícola, produce importantes disminuciones en la representatividad de los
escenarios de conservación, lo cual hace que aquellas zonas con alta aptitud agrícola
resulten las de mayor urgencia en términos de conservación. Conclusión de la cual se
desprende la necesidad de incrementar rápidamente las superficies protegidas en las
regiones de mayor prioridad del Chaco de forma tal de poder conservar adecuadamente
la fauna de lagartos y serpientes del NOA a futuro.
Si bien resulta de gran importancia considerar el potencial efecto del CCG en el cálculo
de las áreas prioritarias, y así incluir como zonas de alta prioridad aquellas áreas donde
se espera que las especies continúen habitando a futuro; el recurso de dar peso a las
especies en función de su sensibilidad CCG para el cálculo de las áreas prioritarias no
resulta beneficioso en este caso de estudio, principalmente, porque esto genera un
desbalance en las zonas prioritarias que hace que las zonas de mayor urgencia en
términos de conservación pierdan prioridad.
138
139
Literatura citada
Abdala C.S., Acosta J.L., Acosta J.C., Álvarez B.B., Avila L.J., Blanco G.M., Bonino M.,
Boretto J.M., Brancatelli G., Breitman M.F., Cabrera M.R., Cairo S., Corbalán V.,
Hernando A., Ibargüengoytía N.R., Kacoliris F., Laspiur A., Montero R., Morando M.,
Pelegrin N., et al. (2012) Categorización del estado de conservación de las lagartijas y
anfisbenas de la República Argentina. Cuadernos de Herpetología, 26, 215–247.
Allouche O., Tsoar A., & Kadmon R. (2006) Assessing the accuracy of species distribution
models: prevalence, kappa and the true skill statistic (TSS). Journal of Applied Ecology, 43,
1223–1232.
Anderson R.P., Lew D., & Peterson A.T.T. (2003) Evaluating predictive models of species’
distributions: criteria for selecting optimal models. Ecological Modelling, 162, 211–232.
Araújo M.B., Alagador D., Cabeza M., Nogués-Bravo D., & Thuiller W. (2011) Climate change
threatens European conservation areas. Ecology letters, 14, 484–92.
Araújo M.B. & New M. (2007) Ensemble forecasting of species distributions. Trends in ecology
& evolution, 22, 42–7.
Araújo M.B. & Rahbek C. (2007) Conserving biodiversity in a world of conflicts. Journal of
Biogeography, 34, 199–200.
Araújo M.B., Thuiller W., & Pearson R.G. (2006) Climate warming and the decline of
amphibians and reptiles in Europe. Journal of Biogeography, 33, 1712–1728.
140
Baselga A., Lobo J.M., Svenning J.-C., & Araújo M.B. (2012) Global patterns in the shape of
species geographical ranges reveal range determinants. Journal of Biogeography, 39, 760–
771.
Beaumont L.J., Gallagher R. V., Thuiller W., Downey P.O., Leishman M.R., & Hughes L.
(2009) Different climatic envelopes among invasive populations may lead to
underestimations of current and future biological invasions. Diversity and Distributions, 15,
409–420.
Bellard C., Bertelsmeier C., Leadley P., Thuiller W., & Courchamp F. (2012) Impacts of climate
change on the future of biodiversity. Ecology letters 15, 365–377.
Blomberg S.P., Garland T., & Ives A.R. (2003) Testing for phylogenetic signal in comparative
data: behavioral traits are more labile. Evolution; international journal of organic evolution,
57, 717–45.
Bonino M.F., Moreno D.L., Schulte J. a, & Cruz F.B. (2015) limatic change and lizards: the fate
of geographic range size. Regional Environmental Change, online first.
Boulangeat I., Lavergne S., Van Es J., Garraud L., & Thuiller W. (2012) Niche breadth, rarity
and ecological characteristics within a regional flora spanning large environmental
gradients. Journal of Biogeography, 39, 204–214.
Broennimann O., Thuiller W., Hughes G., Midgley G.F., Alkemade J.M.R., & Guisan A. (2006)
Do geographic distribution, niche property and life form explain plants’ vulnerability to
global change? Global Change Biology, 12, 1079–1093.
141
Brown A. D., Pacheco S., Lomáscolo, T. & Malizia, L. (2006). Situación ambiental en los
bosques andinos yungueños. Pp. 52-71. En: Brown A. D., Martínez U., Acerbi M. &
Corcuera J. (2006) La situación ambiental de la Argentina 2005. Fundación Vida Silvestre
Argentina. Buenos Aires, Argentina.
Buckley L.B., Waaser S.A., MacLean H.J., & Fox R. (2011) Does including physiology improve
species distribution model predictions of responses to recent climate change? Ecology, 92,
2214–2221.
Burnham K. & Anderson D. (2002) Model selection and multimodel inference: a practical
information-theoretic approach. Springer, New York.
Busby, J.R., 1991.Bioclim—a bioclimate analysis and prediction system. In: Margules, C.R.,
Nature Conservation: Cost Effective Biological Surveys and Data Analysis. CSIRO,
Melbourne, pp. 64–68.
Butchart S.H.M., Walpole M., Collen B., van Strien A., Scharlemann J.P.W., Almond R.E. a,
Baillie J.E.M., Bomhard B., Brown C., Bruno J., Carpenter K.E., Carr G.M., Chanson J.,
Chenery A.M., Csirke J., Davidson N.C., Dentener F., Foster M., Galli A., Galloway J.N., et
al. (2010) Global biodiversity: indicators of recent declines. Science, 328, 1164–8.
Cabrera A. (1976) Regiones fitogeográficas argentinas. Acme, Buenos Aires, Argentina.
Cabrera M.R. (2012) A new species of Cnemidophorus (Squamata, Teiidae) from the South
American Chaco. Herpetological Journal, 22, 265–275.
142
Cabrera M.R. & Etheridge R.E. (2006) New Records and Type Locality Restriction for the
Endemic Argentinian Lizard Cnemidophorus tergolaevigatus ( Squamata : Teiidae ) New
County Records for Reptiles and Amphibians from Northeast Texas. Herpetological
Review, 37, 110–111.
Calenge C. (2011) Tools for the Analysis of Mapped Data : the adehabitatMA Package. 1–26.
Canadell J.G., Le Quéré C., Raupach M.R., Field C.B., Buitenhuis E.T., Ciais P., Conway T.J.,
Gillett N.P., Houghton R.A., & Marland G. (2007) Contributions to accelerating
atmospheric CO2 growth from economic activity, carbon intensity, and efficiency of natural
sinks. Proceedings of the National Academy of Sciences of the United States of America,
104, 18866–70.
Carrasco P.A., Mattoni C.I., Leynaud G.C., & Scrocchi G.J. (2012) Morphology, phylogeny and
taxonomy of South American bothropoid pitvipers (Serpentes, Viperidae). Zoologica
Scripta, 41, 109–124.
Carroll C., Dunk J.R., & Moilanen A. (2010) Optimizing resiliency of reserve networks to
climate change: multispecies conservation planning in the Pacific Northwest, USA. Global
Change Biology, 16, 891–904.
Cei J. (1986) Reptiles del centro, centro-oeste y sur de la Argentina: herpetofauna de las zonas
áridas y semiáridas. MR di Scienze Naturali, Torino, Italia
Cei J. (1993) Reptiles del noroeste, nordeste y este de la Argentina: Herpetofauna de las selvas
subtropicales, Puna y Pampas. MR di Scienze Naturali, Torino, Italia.
143
Ceia-Hasse A., Sinervo B., Vicente L., & Pereira H.M. (2014) Integrating ecophysiological
models into species distribution projections of European reptile range shifts in response to
climate change. Ecography, 37, 679–688.
Chen I.-C., Hill J.K., Ohlemüller R., Roy D.B., & Thomas C.D. (2011) Rapid range shifts of
species associated with high levels of climate warming. Science, 333, 1024–6.
Ciarleglio M., Barnes J.W., & Sarkar S. (2008) ConsNet—A tabu search approach to the
spatially coherent conservation area network design problem. Journal of Heuristics, 16,
537–557.
Ciarleglio M., Wesley Barnes J., & Sarkar S. (2009) ConsNet: new software for the selection of
conservation area networks with spatial and multi-criteria analyses. Ecography, 32, 205–
209.
Darmon G., Calenge C., Loison A., Jullien J.-M., Maillard D., & Lopez J.-F. (2012) Spatial
distribution and habitat selection in coexisting species of mountain ungulates. Ecography,
35, 44–53.
Dawson, T.P., Jackson, S.T., House, J.I., Prentice, I.C., Mace, G.M., 2011. Beyond predictions:
biodiversity conservation in a changing climate. Science, 332, 53–8.
doi:10.1126/science.1200303
Díaz-Gómez J.M. (2007) Endemism in Liolaemus (Iguania: Liolaemidae) from the Argentinian
Puna. South American Journal of Herpetology, 2, 59–68.
144
Dirksen L. & De la Riva I. (1999) The lizards and amphisbaenians of Bolivia (Reptilia,
Squamata): checklist, localities, and bibliography. Graellsia, 55, 199–215.
Dobrovolski R., Diniz-Filho J.A.F., Loyola R.D., Marco Júnior P., & de Marco Júnior P. (2011)
Agricultural expansion and the fate of global conservation priorities. Biodiversity and
Conservation, 20, 2445–2459.
Dolédec S., Chessel D., & Gimaret-Carpentier C. (2000) Niche separation in community
analysis: a new method. Ecology, 81, 2914–2927.
Dullinger S., Gattringer A., Thuiller W., Moser D., Zimmermann N.E., Guisan A., Willner W.,
Plutzar C., Leitner M., Mang T., Caccianiga M., Dirnböck T., Ertl S., Fischer A., Lenoir J.,
Svenning J., Psomas A., & Schmatz D.R. (2012) Extinction debt of high-mountain plants
under twenty-first-century climate change. Nature, 2, 1–4.
Engler R., Randin C.F., Thuiller W., Dullinger S., Zimmermann N.E., Araújo M.B., Pearman
P.B., Le Lay G., Piedallu C., Albert C.H., Choler P., Coldea G., De LAMO X., Dirnböck T.,
Gégout J.-C., Gómez-García D., Grytnes J.-A., Heegaard E., Høistad F., Nogués-Bravo D.,
Normand S., Puşcaş M., Sebastià M.-T., Stanisci A., Theurillat J.-P., Trivedi M.R., Vittoz
P., & Guisan A. (2011) 21st century climate change threatens mountain flora unequally
across Europe. Global Change Biology, 17, 2330–2341.
Faleiro F. V., Machado R.B., & Loyola R.D. (2013) Defining spatial conservation priorities in
the face of land-use and climate change. Biological Conservation, 158, 248–257.
Ferro V.G., Lemes P., Melo A.S., & Loyola R. (2014) The Reduced Effectiveness of Protected
Areas under Climate Change Threatens Atlantic Forest Tiger Moths. PloS one, 9, e107792.
145
Ficetola G.F., Thuiller W., & Miaud C. (2007) Prediction and validation of the potential global
distribution of a problematic alien invasive species - the American bullfrog. Diversity and
Distributions, 13, 476–485.
Fordham D. a., Akçakaya H.R., Araújo M.B., Keith D. a., & Brook B.W. (2013) Tools for
integrating range change, extinction risk and climate change information into conservation
management. Ecography, 36, 956–964.
Franklin J. (2009) Mapping species distributions. Cambridge University Press, New York.
Gasparri N.I. & Grau H.R. (2009) Deforestation and fragmentation of Chaco dry forest in NW
Argentina (1972–2007). Forest Ecology and Management, 258, 913–921.
Gibbons J.W., Scott D.E., Ryan T.J., Buhlmann K.A., Tuberville T.E., Metts B.S., Greene J.L.,
Mills T., Leiden Y., Poppy S., & Winne C.T. (2000) The Global Decline of Reptiles, Déjà
Vu Amphibians Reptile species are declining on a global scale. Six significant threats to
reptile populations are habitat loss and. BioScience, 50, 653–666.
Giraudo A. & Scrocchi G. (2002) Argentinian snakes: an annotated checklist. Smithsonian
Institution, New York, USA.
Giraudo A.R., Arzamendia V., Bellini G.P., Bessa C.A., Cinthia C., Cardozo G., Chiaraviglio
M., Costanzo M.B., Eduardo G., Di Cola V., Di Pietro D.O., Kretzschmar S., Palomas S.,
Nenda J., Rivera P.C., Rodríguez M.E., Scrocchi G.J., & Williams J.D. (2012)
Categorización del estado de conservación de las Serpientes de la República Argentina.
Cuadernos de Herpetología, 26, 303–326.
146
Gonzales L. (2006) Primer reporte sobre la herpetofauna de la reserva natural “El Corbalán”,
Tarija , Bolivia. Kempffiana, 2, 72–94.
Gonzales L. & Reichle S. (2002) Singularidades de la herpetofauna de la serrania de Santiago de
Chiquitos, Santa Cruz, Bolivia. Revista Boliviana de Ecología, 11, 77–85.
Green R.E., Cornell S.J., Scharlemann J.P.W., & Balmford A. (2005) Farming and the fate of
wild nature. Science, 307, 550–5.
Harvey M.B., Ugueto G.N., & Gutberlet R.L. (2012) Review of Teiid Morphology with a
Revised Taxonomy and Phylogeny of the Teiidae (Lepidosauria: Squamata). Zootaxa, 3459,
1–156.
Hanley, J.A., McNeil, B.J., 1982. The meaning and use of the area under a receiver operating
characteristic (ROC) curve. Radiology 143, 29–36.
Heikkinen R.K., Luoto M., Araujo M.B., Virkkala R., Thuiller W., & Sykes M.T. (2006)
Methods and uncertainties in bioclimatic envelope modelling under climate change.
Progress in Physical Geography, 30, 751–777.
Hijmans R.J., Cameron S.E., Parra J.L., Jones P.G., & Jarvis A. (2005) Very high resolution
interpolated climate surfaces for global land areas. International Journal of Climatology,
25, 1965–1978.
Hodgson J.A., Moilanen A., Wintle B.A., & Thomas C.D. (2011) Habitat area, quality and
connectivity: striking the balance for efficient conservation. Journal of Applied Ecology, 48,
148–152.
147
Hof C., Brändle M., Dehling D.M., Munguía M., Brandl R., Araújo M.B., & Rahbek C. (2012)
Habitat stability affects dispersal and the ability to track climate change. Biology letters, 8,
639–43.
Hof C., Levinsky I., Araújo M.B., & Rahbek C. (2011) Rethinking species’ ability to cope with
rapid climate change. Global Change Biology, 17, 2987–2990.
Hof C., Rahbek C., Araújo M.B., & Arau M.B. (2010) Phylogenetic signals in the climatic
niches of the world’s amphibians. Ecography, 33, 242–250.
Hoyos L.E., Cingolani A.M., Zak M.R., Vaieretti M.V., Gorla D.E., & Cabido M.R. (2013)
Deforestation and precipitation patterns in the arid Chaco forests of central Argentina.
Applied Vegetation Science, 16, 260–271.
Illoldi-Rangel P., Ciarleglio M., Sheinvar L., Linaje M., Sánchez-Cordero V., & Sarkar S.
(2012) Opuntia in México: identifying priority areas for conserving biodiversity in a multi-
use landscape. PloS one, 7, e36650.
Illoldi-rangel P., Fuller T., Linaje M., Pappas C., Sánchez-Cordero V., & Sarkar S. (2008)
Solving the maximum representation problem to prioritize areas for the conservation of
terrestrial mammals at risk in Oaxaca. Diversity and Distributions, 14, 493–508.
IPCC (2007) IPCC Fourth Assessment Report. Disponible: http://www.ipcc.ch/report/ar4/
IPCC (2013) IPCC Fifth Assessment Report. Disponible: http://www.ipcc.ch/report/ar5/
Iwamura T., Guisan A., Wilson K. a., & Possingham H.P. (2013) How robust are global
conservation priorities to climate change? Global Environmental Change, 23, 1277–1284.
148
Kacoliris F.P., Berkunsky I., & Williams J. (2006) Herpetofauna of the Argentinean
Impenetrable Great Chaco. Phyllomedusa, 5, 149–157.
Kearney M. & Porter W. (2009) Mechanistic niche modelling: combining physiological and
spatial data to predict species’ ranges. Ecology letters, 12, 334–50.
Kearney M. & Porter W.P. (2004) Mapping the fundamental niche: physiology, climate, and the
distribution of a nocturnal lizard. Ecology, 85, 3119–3131.
Kearney M., Shine R., & Porter W.P. (2009) The potential for behavioral thermoregulation to
buffer “cold-blooded ” animals against climate warming. PNAS, 106, 3835–3840.
Kelley C., Garson J., Aggarwal A., & Sarkar S. (2002) Place prioritization for biodiversity
reserve network design: a comparison of the SITES and ResNet software packages for
coverage and efficiency. Diversity and Distributions, 8, 297–306.
Kotiaho J.S., Kaitala V., Komonen A., & Päivinen J. (2005) Predicting the risk of extinction
from shared ecological characteristics. PNAS, 102, 1963–7.
Kremen C., Cameron a, Moilanen a, Phillips S.J., Thomas C.D., Beentje H., Dransfield J., Fisher
B.L., Glaw F., Good T.C., Harper G.J., Hijmans R.J., Lees D.C., Louis E., Nussbaum R. a,
Raxworthy C.J., Razafimpahanana a, Schatz G.E., Vences M., Vieites D.R., Wright P.C., &
Zjhra M.L. (2008) Aligning conservation priorities across taxa in Madagascar with high-
resolution planning tools. Science, 320, 222–6.
Ladle R.J. & Whittaker R.J. (2011) Conservation Biogeography. Wiley-Blackwell, Chichester,
UK.
149
Langstroth R.P. (2002) Adiciones probables y confirmadas para la herpetofauna Boliviana.
Kempffiana, 1989, 101–128.
Laurance W.F., Useche D.C., Rendeiro J., Kalka M., Bradshaw C.J. a., Sloan S.P., Laurance
S.G., Campbell M., Abernethy K., Alvarez P., Arroyo-Rodriguez V., Ashton P., Benítez-
Malvido J., Blom A., Bobo K.S., Cannon C.H., Cao M., Carroll R., Chapman C., Coates R.,
et al. (2012) Averting biodiversity collapse in tropical forest protected areas. Nature, 489,
290–4.
Lemes P. & Loyola R.D. (2013) Accommodating species climate-forced dispersal and
uncertainties in spatial conservation planning. PloS one, 8, e54323.
Lemes P., Melo A.S., & Loyola R.D. (2013) Climate change threatens protected areas of the
Atlantic Forest. Biodiversity and Conservation, 23, 357–368.
Lenoir J., Gégout J.C., Marquet P. a, de Ruffray P., & Brisse H. (2008) A significant upward
shift in plant species optimum elevation during the 20th century. Science, 320, 1768–71.
Leynaud G.C. & Bucher E.H. (1999) La fauna de serpientes del Chaco Sudamericano:
diversidad, distribución geográfica y estado de conservación. Miscelanéa, 98, 1–45.
Loyola R., Nabout J., & Trindade-Filho J. (2011) Climate change might drive species into
reserves: a case study of the American bullfrog in the Atlantic Forest Biodiversity Hotspot.
Alytes, 29, 61–74.
150
Loyola R.D., Lemes P., Faleiro F. V, Trindade-Filho J., & Machado R.B. (2012a) Severe loss of
suitable climatic conditions for marsupial species in Brazil: challenges and opportunities for
conservation. PloS one, 7, e46257.
Loyola R.D., Lemes P., Nabout J.C., Trindade-Filho J., Sagnori M.D., Dobrovolski R., & Diniz-
Filho J.A.F. (2012b) A straightforward conceptual approach for evaluating spatial
conservation priorities under climate change. Biodiversity and Conservation, 22, 483–495.
Margules C.R. & Sarkar S. (2007) Systematic conservation planning. Cambridge University
Press, Cambridge, UK.
McCarty J.P. (2001) Ecological Consequences of Recent Climate Change. Conservation Biology,
15, 320–331.
Mendoza E.A. & Gonzáles J.A. (2011) Las ecoregiones del Noroeste Argentino. Fundación
Miguel Lillo, San Miguel de Tucumán, Argentina.
Minetti J., González J., & Lillo F. (2006) El cambio climático en Tucumán: sus impactos.
Fundación Miguel Lillo, San Miguel de Tucumán.
Minetti J. & Leiva M. (2005) Variabilidad y cambio climático en el Noroeste Argentino. El
Clima del Noroeste Argentino. Fundación Miguel Lillo, San Miguel de Tucumán.
Minoli I., Alvarez D.J., & Avila L.J. (2011) New records and geographic distribution maps for
Bothropoides diporus Cope, 1862 ( Reptilia : Viperidae ). Check List, 7, 608–609.
151
Moffett A., Garson J., & Sarkar S. (2005) MultCSync: a software package for incorporating
multiple criteria in conservation planning. Environmental Modelling & Software, 20, 1315–
1322.
Moilanen A. (2007) Landscape Zonation, benefit functions and target-based planning: Unifying
reserve selection strategies. Biological Conservation, 134, 571–579.
Moilanen A., Franco A.M.A., Early R.I., Fox R., Wintle B., & Thomas C.D. (2005) Prioritizing
multiple-use landscapes for conservation: methods for large multi-species planning
problems. Proceedings. Biological sciences / The Royal Society, 272, 1885–91.
Moilanen A., van Teeffelen A.J.A., Ben-Haim Y., & Ferrier S. (2009a) How Much
Compensation is Enough? A Framework for Incorporating Uncertainty and Time
Discounting When Calculating Offset Ratios for Impacted Habitat. Restoration Ecology, 17,
470–478.
Moilanen A., Wilson K., & Possingham H. (2009b) spatial conservation prioritization:
quantitative methods and computational tools. Oxford University Press, Oxford, UK.
Montero R., Scrocchi G.J., Montaño M.E., & Fernandez I.M. (1995) Nuevas citas para Saurios,
Anfisbenidos y Ofidios para Bolivia. Cuadernos de Herpetologíaa, 9, 7–13.
Morrone J.J. (2006) Biogeographic areas and transition zones of Latin America and the Caribean
islands based on panbiogeographic and cladistic analyses of the entomofauna. Annual
Review of Entomology, 51, 467–494.
152
Nores M. (2009) Are bird populations in tropical and subtropical forests of South America
affected by climate change? Climatic Change, 97, 543–551.
Nori J., Urbina-Cardona J.N., Loyola R.D., Lescano J.N., & Leynaud G.C. (2011) Climate
change and American Bullfrog invasion: what could we expect in South America? PloS
one, 6, e25718.
Nori J., Lescano J.N., Illoldi-rangel P., Frutos N., Cabrera M.R., & Leynaud G.C. (2013) The
conflict between agricultural expansion and priority conservation areas : Making the right
decisions before it is too late. Biological Conservation, 159, 507–513.
Nori J., Carrasco P.A., & Leynaud G.C. (2014) Venomous snakes and climate change: ophidism
as a dynamic problem. Climatic Change, 122, 67–80.
Olson D.M., Dinerstein E., Wikramanayake E.D., Burgess N.D., George V., Powell N.,
Underwood E.C., Jennifer A.D., Itoua I., Strand H.E., John C., Loucks C.J., Allnutt T.F.,
Ricketts T.H., Kura Y., John F., Wettengel W.W., Hedao P., & Kassem K.R. (2001)
Terrestrial Ecoregions of the World : A New Map of Life on Earth. BioScience, 51, 933–
938.
Orme D. (2013) The caper package: comparative analysis of phylogenetics and evolution in R. R
package version 0.5.
Padial J.M., Castroviejo-Fisher S., Merchan M., Cabot J., & Castroviejo J. (2003) The
herpetological collection from Bolivia in the “Estación Biológica de Doñana” (Spain).
Graellsia, 59, 5–13.
153
Pagel M. (1999) Inferring the historical patterns of biological evolution. Nature, 401, 877–84.
Paradis E., Claude J., & Strimmer K. (2004) APE: analyses of phylogenetics and evolution in R
language. Bioinformatics, 20, 289–290.
Parmesan C. (2006) Ecological and evolutionary responses to recent climate change. Annual
Review of Ecology, Evolution, and Systematics, 37, 637–669.
Passos P. & Fernandes R. (2008) Revision of the Epicrates cenchria Complex (Serpentes:
Boidae). Herpetological Monographs, 22, 1–30.
Pawar S., Koo M.S., Kelley C., Ahmed M.F., Chaudhuri S., & Sarkar S. (2007) Conservation
assessment and prioritization of areas in Northeast India: Priorities for amphibians and
reptiles. Biological Conservation, 136, 346–361.
Perez C.H.F., Frutos N., Morando M., Kozykariski M., & Avila L.J. (2008) Southernmost
records for hom*onota fasciata (DUMÉRIL& BIBRON, 1836) in northern Patagonia,
Argentina. Herpetozoa, 20, 182–184.
Perry A.L., Low P.J., Ellis J.R., & Reynolds J.D. (2005) Climate change and distribution shifts in
marine fishes. Science, 308, 1912–5.
Phillips S.J., Anderson R.P., & Schapire R.E. (2006) Maximum entropy modeling of species
geographic distributions. Ecological Modelling, 190, 231–259.
Pimm S.L. & Raven P. (2000) Extinction by numbers. Nature, 403, 843–845.
154
Pous P., Beukema W., Weterings M., Dümmer I., & Geniez P. (2010) Area prioritization and
performance evaluation of the conservation area network for the Moroccan herpetofauna: a
preliminary assessment. Biodiversity and Conservation, 20, 89–118.
Pressey R., Whish G., Barrett T., & Watts M. (2002) Effectiveness of protected areas in north-
eastern New South Wales: recent trends in six measures. Biological Conservation, 106, 57–
69.
Primack R. (1993) Essentials of conservation biology. Sinaue, Massachusetts, USA.
Pyron R.A., Burbrink F.T., & Wiens J.J. (2013) A phylogeny and revised classification of
Squamata, including 4161 species of lizards and snakes. BMC evolutionary biology, 13, 93.
Team R (2014) R: a language and environment for statistical computing. Vienna, Austria: R
Foundation for Statistical Computing; 2012. Open access available http//cran. r-project. org
Rangel T. & Loyola R. (2012) Labeling ecological niche models. Natureza & Conservacao 10,
119–126.
Rayfield B., Moilanen A., & Fortin M.-J. (2009) Incorporating consumer–resource spatial
interactions in reserve design. Ecological Modelling, 220, 725–733.
Rodrigues A.S.L., Akçakaya H.R., Andelman S.J., Bakarr M.I., Boitani L., Brooks T.M.,
Chanson J.S., Fishpool L.D.C., Da Fonseca G. a. B., Gaston K.J., Hoffmann M., Marquet P.
a., Pilgrim J.D., Pressey R.L., Schipper J., Sechrest W., Stuart S.N., Underhill L.G., Waller
155
R.W., Watts M.E.J., & Yan X. (2004a) Global Gap Analysis: Priority Regions for
Expanding the Global Protected-Area Network. BioScience, 54, 1092–1100.
Rodrigues A.S.L., Andelman S.J., Bakarr M.I., Boitani L., Brooks T.M., Cowling R.M., Fishpool
L.D.C., Da Fonseca G.A.B., Gaston K.J., Hoffmann M., Long J.S., Marquet P.A., Pilgrim
J.D., Pressey R.L., Schipper J., Sechrest W., Stuart S.N., Underhill L.G., Waller R.W.,
Watts M.E.J., & Yan X. (2004b) Effectiveness of the global protected area network in
representing species diversity. Nature, 428, 640–3.
Root T., Price J., & Hall K. (2003) Fingerprints of global warming on wild animals and plants.
Nature, 57–60.
Sala O.E. (2000) Global Biodiversity Scenarios for the Year 2100. Science, 287, 1770–1774.
Le Saout S., Hoffmann M., Shi Y., Hughes A., Bernard C., Brooks T.M., Bertzky B., Butchart
S.H.M., Stuart S.N., Badman T., & Rodrigues A.S.L. (2013) Protected Areas and Effective
Biodiversity Conservation. Science, 342, 803–805.
Sarkar S. & Illoldi-Rangel P. (2010) Systematic Conservation Planning: an Updated Protocol.
Natureza Conservação, 08, 19–26.
Schölkopf B., Platt J.C., Shawe-Taylor J.S., Smola A.J., & Williamson R.C. (2001) Estimating
the Support of a High-Dimensional Distribution. Neural Computation, 13, 1443–1471.
Scott Jr. N.J., Giraudo A.R., & Scrocchi G.J. (2006) The genera Boiruna and Clelia in Paraguay
and Argentina. Papeis Avulsos de Zoologia Sao Paulo, 46, 77–105.
156
Scrocchi G. & Giraudo A. (2012) First records of Phalotris sansebastiani Jansen and Köhler,
2008 (Serpentes: Dipsadidae) from Argentina. Check List, 8, 900–902.
Scrocchi G.J., Moreta J., & Kretzschmar S. (2008) Serpientes del Noroeste Argentino. Fundación
Miguel Lillo, San Miguel de Tucumán, Argentina.
Scrocchi G.J., Abdala C.S., Nori J., Zaher H., & De E. (2010) Reptiles de Río Negro. Fondo
Editorial Rionegrino, Viedma, Argentina.
Da Silva V.X. & Rodrigues M.T. (2008) Taxonomic revision of the Bothrops neuwiedi complex
( Serpentes , Viperidae ) with description of a new species. Phyllomedusa, 7, 45–90.
Shine, R. (1985). The evolution of viviparity in reptiles: An ecological analysis. Pages 605–694
in Gans C, Billett F, eds. Biology of the Reptilia,Vol. 15, Development B. New York.
Sinervo B., Méndez-de-la-Cruz F., Miles D.B., Heulin B., Bastiaans E., Villagrán-Santa Cruz
M., Lara-Resendiz R., Martínez-Méndez N., Calderón-Espinosa M.L., Meza-Lázaro R.N.,
Gadsden H., Avila L.J., Morando M., De la Riva I.J., Victoriano Sepulveda P., Rocha
C.F.D., Ibargüengoytía N., Aguilar Puntriano C., Massot M., Lepetz V., Oksanen T. a,
Chapple D.G., Bauer A.M., Branch W.R., Clobert J., & Sites J.W. (2010) Erosion of lizard
diversity by climate change and altered thermal niches. Science, 328, 894–9.
Soberón J., Peterson T.A., & Biodiversidad C.N. De (2005) Interpretation of models of
fundamental ecological niches and species ’ distributional areas. Biodiversity informatics, 2,
1–10.
157
Souza Muñoz, M.E., Giovanni, R., Siqueira, M.F., Sutton, T., Brewer, P., Pereira, R.S., Canhos,
D.A.L., Canhos, V.P., 2009. OpenModeller: a generic approach to species’ potential
distribution modelling. Geoinformatica 15, 111–135.
Swihart R.K., Gehring T.M., Kolozsvary M.B., & Nupp T.E. (2003) Responses of “resistant”
vertebrates to habitat loss and fragmentation: the importance of niche breadth and range
boundaries. Diversity and Distributions, 9, 1–18.
Taylor P. (2004) Extinctions in the History of Life. Cambridge University Press, Cambridge, UK.
Thomas C.D., Cameron A., Green R.E., Bakkenes M., Beaumont L.J., Collingham Y.C.,
Erasmus B.F.N., De Siqueira M.F., Grainger A., Hannah L., Hughes L., Huntley B., Van
Jaarsveld A.S., Midgley G.F., Miles L., Ortega-Huerta M.A., Peterson A.T., Phillips O.L.,
& Williams S.E. (2004) Extinction risk from climate change. Nature, 427, 145–8.
Thuiller W., Brotons L., Araujo M.B., & Lavorel S. (2004a) Effects of restricting environmental
range of data to project current and future species distributions. Ecography, 27, 165–172.
Thuiller W., Georges D., Engler R., & Lafourcade B. (2012) Package BIOMOD2. Disponible:
http://cran.r-project.org/web/packages/biomod2/biomod2.pdf
Thuiller W., Lafourcade B., Engler R., & Araújo M.B. (2009) BIOMOD - a platform for
ensemble forecasting of species distributions. Ecography, 32, 369–373.
Thuiller W., Lavergne S., Roquet C., Boulangeat I., Lafourcade B., & Araujo M.B. (2011)
Consequences of climate change on the tree of life in Europe. Nature, 470, 531–4.
158
Thuiller W., Lavorel S., & Araújo M.B. (2005) Niche properties and geographical extent as
predictors of species sensitivity to climate change. Global Ecology and Biogeography, 14,
347–357.
Thuiller W., Lavorel S., Midgley G., Lavergne S., & Rebelo T. (2004b) Relating plant traits and
species distributions along bioclimatic gradients for 88 Leucadendron taxa. Ecology, 85,
1688–1699.
Tingley M.W., Monahan W.B., Beissinger S.R., & Moritz C. (2009) Birds track their Grinnellian
niche through a century of climate change. Proceedings of the National Academy of
Sciences of the United States of America, 106, 19637–43.
Urbina-Cardona J.N., Flores-Villela O., & Paper C. (2010) Ecological-Niche Modeling and
Prioritization of Conservation-Area Networks for Mexican Herpetofauna. Conservation
biology : the journal of the Society for Conservation Biology, 24, 1031–1041.
Urbina-cardona J.N. & Loyola R.D. (2008) Applying niche-based models to predict endangered-
hylid potential distributions : are neotropical protected areas effective enough ? Tropical
Conservation Science, 1, 417–445.
Varela S., Mateo R.G., García-Valdés R., & Fernández-González F. (2014) Macroecología y
ecoinformática: sesgos, errores y predicciones en el modelado de distribuciones.
Ecosistemas, 23, 46–53.
Venter O., Fuller R. a, Segan D.B., Carwardine J., Brooks T., Butchart S.H.M., Di Marco M.,
Iwamura T., Joseph L., O’Grady D., Possingham H.P., Rondinini C., Smith R.J., Venter M.,
159
& Watson J.E.M. (2014) Targeting global protected area expansion for imperiled
biodiversity. PLoS biology, 12, e1001891.
Volante J. (2014) Tesis doctoral: Dinámica y consecuencias del cambio en la cobertura y el uso
del suelo en el Chaco Semi-árido. Facultad de Agronomía, Universidad de Buenos Aires.
Buenos Aires, Argentina.
Whittaker R.J., Araújo M.B., Jepson P., Ladle R.J., Watson J.E.M., & Willis K.J. (2005)
Conservation Biogeography: assessment and prospect. Diversity and Distributions, 11, 3–
23.