Distribución potencial de Polylepis rodolfo-vasquezii L. Valenzuela & I. Villalba y Polylepis canoi W. Mendoza en función a variables climáticas, topográficas y edáficas región Junín”

• Autor: Enríquez Pinedo, Lucia Carolina
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/7692
• Enlace del recurso: http://hdl.handle.net/20.500.12894/7692
• Nivel de acceso: acceso abierto
• Materia: Modelo de distribución de especies; Polylepis rodolfo-vasquezii; Polylepis canoi; https://purl.org/pe-repo/ocde/ford#4.01.00

Los bosques andinos de Polylepis se consideran refugio de biodiversidad con un alto nivel de endemismo, extremadamente susceptibles al cambio climático y la presión humana. Su distribución está amenazada por la erosión del suelo, el fuego, la actividad agrícola, el pastoreo de animales y la cosecha de musgos insostenible. Esta situación nos llevó a estudiar la distribución potencial de dos especies con fines de restauración de ecosistemas. El objetivo principal de la investigación fue realizar un modelamiento de la distribución potencial de Polylepis rodolfo vasquezii y Polylepis canoi en función a factores climáticos, topográficos y edáficos mediante el uso de algoritmos de predicción como MaxEnt y Random forest en la región Junín. Para esto, se llevó a cabo dos procesos de modelado basado en la predicción de Máxima entropía y Random Forest para verificar el algoritmo con mayor capacidad predictiva. Se analizaron variables bioclimáticas, edáficas y de teledetección. Estos fueron sometidos a correlación para priorizar las variables más importantes. Los resultados obtenidos mostraron que los factores edáficos tienen mayor influencia en la distribución potencial para ambas especies. Existe un área potencial de 22 620.95 hectáreas de P. rodolfo-vasquezii y 46 815.58 hectáreas de P.canoi con posibilidad de restauración. La capacidad de predicción de los modelos generados fue por MaxEnt AUC= 0.998 y Random forest AUC= 0.503 en P. rodolfo vasquezii, mientras que el AUC para P. canoi fue de 0.995 Maxent y 0.498 en RandomForest. Finalmente se concluye que los MDE son herramientas prácticas para la restauración de ecosistemas, y Maxent es el algoritmo con mayor capacidad predictiva.