Predictores de diversidad en anfibios de la Amazonía: una aproximación por aprendizaje automático.

Abstract

La amazonia es una zona megadiversa de gran importancia en la biología evolutiva, esta alberga más de 500 especies de anfibios. Para estimar los patrones de biodiversidad se pueden utilizar índices de biodiversidad, los cuales pueden estar relacionados con las diferencias ambientales. En este análisis se estimó como la influencia de la heterogeneidad del ambiente afecta la diversidad de dos familias de anuros, Centrolenidae y Aromobatidae, usando 33 diferentes variables ambientales como predictores: topografía, ríos, propiedades de suelos, el clima actual y pasado. Se realizó un modelo de ensamblaje de aprendizaje automatizado que incluye 4 algoritmos supervisados, que miden la importancia de las variables como predictores de los índices de riqueza de especies y diversidad filogenética. Las variables ambientales predijeron el 23% de la riqueza de especies para centrolenidos y un 16% de la diversidad filogenética en los aromobatidos. Cuando se unieron ambas familias por índice de biodiversidad el poder predictivo del modelo fue del 15% del conjunto de datos para ambos índices. La isotermalidad fue la variable con mayor importancia dentro de los modelos, la evapotranspiración y la cobertura vegetal también tuvieron un rol importante. Se pretende incluir más grupos taxonómicos como familias para mejorar el poder predictivo del modelo.

The Amazon is a megadiverse area of great importance in evolutionary biology, home to more than 500 species of amphibians. Biodiversity indices, which can be related to environmental differences, can be used to estimate biodiversity patterns. In this analysis we estimated how the influence of environmental heterogeneity affects the diversity of two families of anurans, Centrolenidae and Aromobatidae, using 33 different environmental variables as predictors: topography, rivers, soil properties, current and past climate. An automated learning ensemble model including 4 supervised algorithms was performed, measuring the importance of variables as predictors of species richness and phylogenetic diversity indices. Environmental variables predicted 23% of species richness for centrolenids and 16% of phylogenetic diversity in aromobatids. When both families were pooled by biodiversity index the predictive power of the model was 15% of the data set for both indices. The isothermality was the variable with the highest importance within the models. Evapotranspiration and vegetation cover also played an important role. It is intended to include more taxonomic groups as families to improve the predictive power of the model.