Species distribution modeling applications using R
En este curso da a conocer la teoría y herramientas computacionales para construir y analizar modelos de distribución de especies (SDM). Se mostrará cómodescargar datos sobre presencia de especies y variables ambientales de distintosservidores. Se utilizarán principalmente Modelos Lineales Generalizados (GLM) yModelos Aditivos Generalizados (GAM) en la construcción de SDMs. Además, sepresentan las librerías específicas en R usadas en SDMs.vLos ejemplos desarrolladosvse enfocarán al ambiente marino, pero las técnicas se pueden aplicar al ambiente terrestre.
El presente curso es organizado por Cousteau Consultant Group.
Objectivos
- Proporcionar conceptos básicos sobre SDM.
- Examinar la información necesaria para la construcción de SDMs.
- Analizar SDMs bajo el enfoque GLM y GAM.
- Familiarizar al estudiante con librerías específicas en R usadas en SDMs.
Contenido
-
Día 01:
Datos espaciales: categorías.
Conceptos sobre modelado de distribución deespecies (SDM.
Modelos de distribución de especies (SDMs) vs Modelos de nichoecológico (ENM): confrontando conceptos.
Lab: Descarga y procesamiento de información de presencia de especies: caso deGBIF y OBIS.
Lab: Manejo de datos de presencia de especies espacialmente agregados. -
Día 02:
Datos ambientales.
La importancia de la escala espacial: extensión y resolución.
Consideraciones importantes al trabajar con datos de sensores remotos.
Tipos de modelos y algoritmos: ¿Cómo debería elegir el método a aplicar?
Lab: Descarga y procesamiento de datos ambientales a distintas escalas temporales: caso de Worldclim, Bio-ORACLE, ERDDAP y Copernicus Ocean Data.
Lab: Desde la resolución agregada temporal a la diaria. -
Día 03:
Background vs pseudo-ausencias: diferencias conceptuales en SDM.
Modelos lineales generalizados (GLM) y modelos aditivos generalizados (GAM).
Lab: Generación de pseudo-ausencias: al azar, buffer espacial, perfil ambiental.
Lab: Preparando datos para la aplicación de SDM.
Lab: GLMs y GAM aplicados a SDM. -
Día 04:
Selección de variables, validación, predicción.
Autocorrelación espacial: cómo detectarla y cómo lidiar con ella.
Revisión de paqueterías en R relacionados a SDM: el caso de mopa, ssdm,sdmApp. -
Día 05:
Introducción al uso de INLA-R.
Regresiones bayesianas y aplicaciones a SDM.
Ejercicios con información de participantes.