Vol. 26 Núm. 2 (2020): Verano 2020
Artículos Científicos

Distribución actual y potencial de Dendroctonus mexicanus Hopkins bajo dos escenarios de cambio climático

Fátima Monserrat Méndez Encina
Universidad Autónoma Agraria Antonio Narro
Biografía
Jorge Méndez González
Universidad Autónoma Agraria Antonio Narro
Biografía
Julián Cerano Paredes
Instituto de Investigaciones Forestales, Agrícolas y Pecuarias
Biografía

Publicado 2020-06-10

Palabras clave

  • bark beetles,
  • kuenm,
  • Maxent,
  • México,
  • bioclimatic models
  • descortezadores,
  • kuenm,
  • Maxent,
  • México,
  • modelos bioclimáticos

Resumen

El clima ejerce una función importante sobre la distribución natural de las especies. Los modelos bioclimáticos son una herramienta importante para evaluar la respuesta de las especies al cambio climático. El objetivo de este estudio fue estimar la distribución de Dendroctonus mexicanus Hopkins, bajo escenarios actuales y futuros (año 2050) de cambio climático y en dos valores (4.5 y 8.5) de trayectorias de concentración representativas (RCP´s). Los aspectos del modelo (creación, calibración, selección y evaluación) se realizaron con kuenm, un paquete de R con algoritmo de modelación Maxent. El modelo de idoneidad de D. mexicanus se constituyó principalmente de temperatura media del 1/4 anual más cálido (76.6%), intervalo de temperatura anual (12.5%) y precipitación de 1/4 anual más seco (5.5%). En México, el área de idoneidad alta de D. mexicanus se calculó en 121 310.7 km2, de los cuales el Estado de México (17 879.7 km2), Michoacán (15 669.8 km2), Puebla (14 693.1 km2), Oaxaca (14 380.1 km2) e Hidalgo (13 830 km2), representaron más de 63% de esta superficie. Se estima que para el 2050, la idoneidad climática disminuya 51 000 km2, especialmente en Michoacán, Jalisco y Guanajuato y, en contraste, aumente cerca de 25 000 km2 hacia el noroeste del país. Por lo que es factible una migración de este descortezador hacia mayores latitudes (30 km ± 15 km) y altitudes (~ 100 m), ampliando su registro hasta los 3700 m snm; estos cambios relevantes de su distribución pueden implicar daños forestales potenciales.

Citas

  1. Aceves R., L. D., Méndez G., J., García A., M. A., & Nájera L., J. A. (2018). Distribución potencial de 20 especies de pinos en México. Agrociencia, 52(7), 1043–1057.
  2. Aiello‐Lammens, M. E., Boria, R. A., Radosavljevic, A. Vilela, B., & Anderson, R. P. (2015). spThin: An R package for spatial thinning of species occurrence records for use in ecological niche models. Ecography, 38(5), 541–545. doi: 10.1111/ecog.01132
  3. Allen, M. R., Dube, O. P., Solecki, W., Aragón-Durand F., Cramer, W., Humphreys, S., Kainuma, M., Kala, J., Mahowald, N., Mulugetta, Y., Perez, R., Wairiu, M., & Zickfeld, K. (2018). Framing and Context. In: Global Warming of 1.5 °C. An IPCC Special Report on the impacts of global warming of 1.5 °C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty.
  4. Armendáriz T., F., Torres B., V., López, M. F., Villa-Castillo, J., & Zúñiga, G. (2012). New record and extension of the distribution range of the bark beetle Dendroctonus rhizophagus (Curculionidae: Scolytinae). Revista Mexicana de Biodiversidad, 83(3), 850–853. doi: 10.22201/ib.20078706e.2012.3.1261
  5. Beaumont, L. J., Hughes, L., & Poulsen, M. (2005). Predicting species distributions: Use of climatic parameters in BIOCLIM and its impact on predictions of species’ current and future distributions. Ecological Modelling, 186(2), 251–270. doi: 10.1016/j.ecolmodel.2005.01.030
  6. Bentz, B. J., Régnière, J., Fettig, C. J., Hansen, E. M., Hayes, J. L., Hicke, J. A., Kelsey, R. J., Negrón, J. F., & Seybold, S. J. (2010). Climate change and bark beetles of the western United States and Canada: Direct and indirect effects. BioScience, 60(8), 602–613. doi: 10.1525/bio.2010.60.8.6
  7. Busby, J. R. (1991). BIOCLIM – a bioclimate analysis and prediction system. Plant Protection Quarterly, 6(1), 8–9.
  8. Cibrián T., D., Méndez M., J. T., Campos B., R., Yates, III. H. O., & Flores-Lara, J. E. (1995). Insectos Forestales de México. Universidad Autónoma de Chapingo, Estado de México. Publicación no. 6, 43 p.
  9. Cobos, M. E., Jiménez, L., Nuñez P., C., Romero A., D., & Simoes, M. (2018). Sample data and training modules for cleaning biodiversity information. Biodiversity Informatics, 14, 49–50. doi: 10.17161/bi.v13i0.7600
  10. Cobos, M. E., Peterson, A. T., Barve, N., & Osorio O., L. (2019). kuenm: An R package for detailed development of ecological niche models using Maxent. PeerJ, 7, e6281. doi: 10.7717/peerj.6281
  11. Colwell, R. K., & Rangel, T. F. (2009). Hutchinson’s duality: the once and future niche. Proceedings of the National Academy of Sciences USA, 106, 19644–19650. doi: 10.1073/pnas.0901650106
  12. Comisión Nacional Forestal [Conafor] (2014). Diagnóstico del Programa Presupuestario U036 PRONAFOR-Desarrollo Forestal 2014. Recuperado de https://www.coneval.org.mx/Informes/Evaluacion/Diagnostico/Diagnostico_2014/Diagnostico_2014_SEMARNAT_U036.pdf
  13. Cruz C., G., López M., L., Silva, J. T., Bernal S., N., Estrada G., F., & López S., J. (2016). Potential distribution model of Pinaceae species under climate change scenarios in Michoacán. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 22(2), 135–148. doi: 10.5154/r.rchscfa.2015.06.027.
  14. Dalenius, T., & Hodges, Jr. J. L. (1959). Minimum variance stratification. Journal of the American Statistical Association, 54(28), 88–101. doi: 10.1080/01621459.1959.10501501
  15. Delignette-Muller, M. L. & Dutang, C. (2015). Fitdistrplus: An R package for fitting distributions. Journal of Statistical Software, 64(4), 1–34. doi: 10.18637/jss.v064.i04
  16. Elith, J., Graham, C. H., Anderson R. P., Dudik, M., Ferrier S., Guisan, A., Hijmans, R. J., Huettmann, F., Leathwick F., R. Leathwick J., Lehmann, A., Li, J., Lohmann, L. G., Loiselle, B. A., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., Overton, J. McC., Peterson, A. T., Phillips, S. J., Richardson, K., Scachetti-Pereira R., Schapire, R. E., Soberon J., Williams, S., Wisz, Mary S., & Zimmerman N. E. (2006). Novel methods improve prediction of species' distributions from occurrence data. Ecography, 29(2), 129–151. doi: 10.1111/j.2006.0906-7590.04596.x
  17. Escobar, L. E., Lira N., A., Medina V., G., & Peterson, A. T. (2014). Potential for spread of the white-nose fungus (Pseudogymnoascus destructans) in the Americas: use of Maxent and NicheA to assure strict model transference. Geospatial Health, 9(1), 221–229. doi: 10.4081/gh.2014.19
  18. Flores V., O. A., & Gerez F., P. (1994). Biodiversidad y conservación en México: Vertebrados, vegetación y uso del suelo (2a ed.). Coyoacán, México: Conabio y UNAM.
  19. Food and Agriculture Organization of the United Nations [FAO] (2018). El estado de los bosques del mundo. Las vías forestales hacia el desarrollo sostenible. Roma. doi: 10.18356/419ad9c6-es
  20. Guisan, A., & N. Zimmermann, E. (2000). Predictive habitat distribution models in ecology. Ecological Modelling, 135(2-3), 147–186. doi: 10.1016/s0304-3800(00)00354-9
  21. Karger, D. N., Conrad, O., Böhner, J., Kawohl, T. Kreft, H., Soria-Auza, R. W., Zimmermann, N. E., Linder, H. P. & Kessler, M. (2017). Climatologies at high resolution for the earth’s land surface areas. Scientific Data, 4, 170122. doi: 10.1038/sdata.2017.122
  22. Kocmánková E., Trnka, M., Eitzinger, J., Formayer, H., Dubrovský, M., Semerádová, D., Žalud, Z., Juroch, J., & Možný, M. (2010). Estimating the impact of climate change on the occurrence of selected pests in the Central European region. Climate Research, 44, 95–105. doi: 10.3354/cr00905
  23. Logan, J. A., & Bentz, B. J. (1999). Model analysis of mountain pine beetle (Coleoptera: Scolytidae) seasonality. Environmental Entomology, 28(6), 924–934. doi: 10.1093/ee/28.6.924
  24. Logan, J. A., & Powell, J. A. (2001). Ghost forests, global warming and the mountain pine beetle (Coleoptera: Scolytidae). American Entomologist, 47(3), 160–172. doi: 10.1093/ae/47.3.160
  25. Maldonado M., J. D., Cera C., J. I., Mendoza A., R. A., Sáenz L., A. A., Torres O., M. E., Bravo P., L. C., & Alotorre C. L., C. (2015). Distribución potencial de Dendroctonus valens mediante modelos de máxima entropía: Estado de California, E.U. Revista Lationomericana el Ambiente y las Ciencias, 6(12), 194–198.
  26. Mendoza, Ma. G., Salinas M., Y., Olivo M., A., & Zúñiga, M. G. (2011). Factors influencing the geographical distribution of Dendroctonus rhizophagus (Coleoptera: Curculionidae: Scolytinae) in the Sierra Madre Occidental, Mexico. Environmental Entomology, 40(3), 549–559. doi: 10.1603/en10059
  27. Mesgaran, M. B., Cousens, R. D., & Webber, B. L. (2014). Here be dragons: A tool for quantifying novelty due to covariate range and correlation change when projecting species distribution models. Diversity and Distributions, 20(10), 1147–1159. doi: 10.1111/ddi.12209
  28. Moser, J. C., Fitzgibbon, B. A., & Klepzig K. D. (2005). The Mexican pine beetle, Dendroctonus mexicanus (Coleoptera: Curculionidae): First record in the United States and co-ocurrence with southern pine beetle, Dendroctonus frontalis (Coleoptera: Curculionidae). Entomological News, 116(4), 235–243.
  29. Osorio O., L., Narayani, B. Soberón, J., & Falconi, M. (2016). Ntbox: From getting biodiversity data to evaluating species distributions models in a friendly GUI environment. R package version 0.2.5.4. https://rdrr.io/github/luismurao/ntbox/
  30. Peterson, A. T., Papeş, M., & Soberón, J. (2008). Rethinking receiver operating characteristic analysis applications in ecological niche modeling. Ecological Modelling, 213(1), 63–72. doi: 10.1016/j.ecolmodel.2007.11.008
  31. Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3-4), 231–259. doi: 10.1016/j.ecolmodel.2005.03.026
  32. Phillips, S. J., Dudík, M., & Schapire, R. E. (2004). A maximum entropy approach to species distribution modeling. Twenty-First International Conference on Machine Learning - ICML ’04, 83. doi: 10.1145/1015330.1015412
  33. Pinzón M., D., Cuellar R., L. G., Jurado, E., & González T., M. (2018). Efecto de la sequía en la distribución y densidad de Dendroctonus mexicanus Hopkins, 1905 en bosques templados. Revista Mexicana de Ciencias Forestales, 9(50), 463–478. doi: 10.29298/rmcf.v9i50.256
  34. Pureswaran, D. S., Roques, A., & Battisti, A. (2018). Forest insects and climate change. Current Forestry Reports, 4(2), 35–50. doi: 10.1007/s40725-018-0075-6
  35. R Core Team (2019). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Recuperado de https://www.R-project.org/
  36. Régnière, J. (2009). Predicción de la distribución continental de insectos a partir de la fisiología de las especies, Unasylva, 60, 37–42. Recuperado de http://www.fao.org/3/i0670s/i0670s09.pdf
  37. Rzedowski, J. (1978). Vegetación de México. México, D. F.: Limusa.
  38. Salinas M., Y., Vargas M., C., Zúñiga, G., Victor J., Ager, A., & Hayes, J. L. (2010). Atlas de distribución geográfica de los descortezadores del género Dendroctonus Curculionidae: Scolytinae) en México. México: Instituto Politécnico Nacional - Comisión Nacional Forestal.
  39. Soberón, J., & Nakamura, M. (2009). Niches and distributional areas: concepts, methods, and assumptions. Proceedings of the National Academy of Sciences, 106(Supplement 2), 19644–19650. doi: 10.1073/pnas.0901637106
  40. Soberón, J., Osorio-Olvera, L., & Peterson, T. (2017). Diferencias conceptuales entre modelación de nichos y modelación de áreas de distribución. Revista Mexicana de Biodiversidad, 88(2), 437–441. doi: 10.1016/j.rmb.2017.03.011
  41. Sosa D., L., Méndez G., J., García A., M. A., Cambrón S., V., Villarreal Q., J. A., Ruiz G., C., & Montoya J., J. C. (2018). Distribución potencial de barrenadores, defoliadores, descortezadores y muérdagos en bosques de coníferas de México. Revista Mexicana de Ciencias Forestales, 9(47), 187–208. doi: 10.29298/rmcf.v9i47.159
  42. Stockwell, D. (1999). The GARP modelling system: Problems and solutions to automated spatial prediction. International Journal of Geographical Information Science, 13(2), 143–158. doi: 10.1080/136588199241391
  43. Sturges, H. A., (1926). The choice of a class interval. Journal of the American Statistical Association, 21(153), 65–66.
  44. Ungerer, M. J., Ayres, M. P., & Lombardero, M. J. (1999). Climate and the northern distribution limits of Dendroctonus frontalis Zimmermann (Coleoptera: Scolytidae). Journal of Biogeography, 26(6), 1133–1145. doi: 10.1046/j.1365-2699.1999.00363.x
  45. Varela, S., Lima-Ribeiro, M. S., & Terribile, L. C. (2015). A short guide to the climatic variables of the last glacial maximum for biogeographers. PLoS ONE, 10(6). doi: 10.1371/journal.pone.0129037
  46. Waring, K. M., Reboletti, D. M., Mork, L. A., Huang, Chin-Hsun, Hofstetter R. W., Garcia, A. M., Fule´, P. Z. & Davis, T. S. (2009). Modeling the impacts of two bark beetle species under warming climate in the southwestern USA: Ecological and economic consequences. Environmental Management, 44(4), 824–835. doi: 10.1007/s00267-009-9342-4
  47. Williams, D. W., & Liebhold, A. M. (2002). Climate change and the outbreak ranges of two North American bark beetles. Agricultural and Forest Entomology, 4(2), 87–99. doi: 10.1046/j.1461-9563.2002.00124.x
  48. Wood, S. L. (1982). The bark and Ambrosia beetles of North and Central America (Coleoptera: Scolytidae), A taxonomic monograph. Utah, United States: Brigham Young University.