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.