instituto de pesquisas jardim botânico do rio de janeiro...
TRANSCRIPT
Instituto de Pesquisas Jardim Botânico do Rio de Janeiro
Escola Nacional de Botânica Tropical
Mestrado Profissional em
Biodiversidade em Unidade de Conservação
Trabalho de Conclusão
Distribuição espacial e fatores de ameaça à sobrevivência da
ariranha (Pteronura brasiliensis)
(Carnivora: Mustelidae)
Luciana Gosi Pacca Berardi
Rio de Janeiro
2015
I
Instituto de Pesquisas Jardim Botânico do Rio de Janeiro
Escola Nacional de Botânica Tropical
Mestrado Profissional em
Biodiversidade em Unidade de Conservação
Distribuição espacial e fatores de ameaça à sobrevivência da
ariranha (Pteronura brasiliensis)
(Carnivora: Mustelidae)
Luciana Gosi Pacca Berardi
.
Orientador: Dr. Ronaldo Gonçalves Morato
Coorientadora: Dra. Lara Gomes Côrtes
Rio de Janeiro
2015
Trabalho de Conclusão apresentado ao
Programa de Mestrado Profissional em
Biodiversidade em Unidades de
Conservação da Escola Nacional de
Botânica Tropical, Instituto de Pesquisas
Jardim Botânico do Rio de Janeiro, como
parte dos requisitos necessários à obtenção
do título de Mestre em Biodiversidade em
Unidades de Conservação.
II
Distribuição espacial e fatores de ameaça à sobrevivência da
ariranha (Pteronura brasiliensis) (Carnivora: Mustelidae)
Luciana Gosi Pacca Berardi
Trabalho de Conclusão apresentado ao Programa de Mestrado Profissional em
Biodiversidade em Unidades de Conservação da Escola Nacional de Botânica
Tropical, Instituto de Pesquisas Jardim Botânico do Rio de Janeiro, como
parte dos requisitos necessários à obtenção do título de Mestre em
Biodiversidade em Unidades de Conservação.
Aprovada por:
Prof. Dr. Ronaldo Gonçalves Morato (Orientador) ______________________
Profª. Dra. Marinez Ferreira de Siqueira______________________________
Profª. Dra. Kátia Maria Paschoaletto Micchi de Barros Ferraz _____________
Em __/__/ 20__
Rio de Janeiro
2015
III
Berardi, Luciana Gosi Pacca. B483d Distribuição espacial e fatores de ameaça à sobrevivência da ariranha
(Pteronura brasiliensis) (Carnivora: Mustelidae). / Luciana Gosi Pacca Berardi. – Rio de Janeiro, 2015.
XI, 86 f:il.28cm. Trabalho de conclusão (Mestrado Profissional em Biodiversidade
em Unidades de Conservação) – Instituto de Pesquisas Jardim Botânico do Rio de Janeiro / Escola Nacional de Botânica Tropical, 2015.
Orientador: Ronaldo Gonçalves Morato.
Bibliografia. 1. Conservação de espécies. 2. Pteronura brasiliensis. 3.
Modelagem de distribuição. I. Título. II. Escola Nacional de Botânica Tropical.
CDD 639.93098
IV
AGRADECIMENTOS
Gostaria de agradecer ao meu orientador, Prof. Dr. Ronaldo Gonçalves Morato, que
desde o primeiro contato foi muito atencioso e gentil, sempre mantendo um excelente
diálogo, com muita disposição, que me acolheu para uma ótima parceria, bastante
produtiva e de muito aprendizado!
À minha coorientadora, Dra. Lara Gomes Côrtes, pela incrível parceria, dedicação e
tempo que passamos juntas durante este processo, pela ajuda e acompanhamento em
campo e pela maravilhosa amizade, que vem dos tempos do Tocantins, com direito a
muitas aventuras e muito aprendizado!
Agradeço às professoras Dra. Marinez Ferreira de Siqueira e Dra. Kátia Ferraz
pelos ensinamentos e inspirações do mundo da modelagem e por terem aceitado fazer parte
da banca examinadora deste trabalho.
Agradeço à coordenação do Programa Biodiversidade em Unidades de
Conservação da Escola Nacional de Botânica do Rio de Janeiro, pela iniciativa de
incentivar o Mestrado Profissional na área ambiental, da qual a gestão 2013/2014 ofereceu
excelentes disciplinas, com ótimos professores que contribuíram grandemente para minha
formação.
Agradeço ao Instituto Chico Mendes de Conservação da Biodiversidade
(ICMBio/MMA) por apoiar a parceria deste programa de pós-graduação com o Instituto
Nacional de Botânica do Rio de Janeiro (JBRJ/MMA) e à Diretoria de Pesquisa, Avaliação
e Monitoramento, que através da Coordenação-Geral de Manejo para Conservação
financiou as expedições à campo para a realização deste trabalho.
Agradeço à Cintia Camila Angelieri pela essencial ajuda com o bias grid, à
Caroline Nóbrega pela disponibilização do script para o cálculo das métricas de avaliação
no programa R e ao Tiago Castro Silva pela fundamental ajuda com a variável dos
remanescentes do INPE.
Agradeço imensamente aos colaboradores de registros de Pteronura brasiliensis
que os coletaram em campo e gentilmente os disponibilizaram para este trabalho:
Emanuela Evangelista, Natália Mundim Tôrres, Thiago Orsi Laranjeiras, Lívia de Almeida
Rodrigues, Havana Maduro, Renata Bocorny de Azevedo, Marcelo Henrique de Carvalho,
Bruno de Campos Souza, Romério Briglia, Érika Fujisaki, Moreno Martins, Wanieulli
Pascoal Nascimento, Samuel Nienow, Rainor Mansur, Sérgio Morato, Ana Paula Lustosa,
V
Leidiane Brusnello Diniz, Whaldener Endo, Frederico Martins, Selma Onuma e Cláudia
Rocha-Campos.
Agradeço aos meus amigos e colegas de equipe de trabalho da Estação Ecológica
de Maracá: Bruno de Souza Campos, Benjamim Bordallo da Luz, Marcelo Henrique de
Carvalho, Nilva Pereira Viana, Fernando Robert e Jaquelice Guerra, pelo ótimo trabalho
que construímos, pelo apoio e compreensão durante o desenvolvimento deste trabalho.
Agradeço à Lívia de Almeida Rodrigues pela introdução ao mundo das ariranhas,
pela capacitação, ajuda e acompanhamento em campo e pelo apoio durante todo o
desenvolvimento do trabalho. À Renata Bocorny de Azevedo pelo acompanhamento e
ajuda em campo e pelas produtivas conversas durante a construção deste trabalho. Ao
Claudiomiro Parente, excelente piloto de embarcação fluvial, que foi imprescindível para a
realização das expedições a campo.
Agradeço a todos colegas de mestrado, principalmente Mariana Fava Cheade,
Rafael Ferreira Costa, Priscila Costa, Vinícius Melo, Leidiane Diniz e Lívia Abdalla pela
parceria e apoio durante as disciplinas e aventuras no Rio de Janeiro.
Agradeço a minha família, em especial mamma que sempre se preocupou com
minha formação e me conduziu da melhor forma ao mundo e ao meu querido Juks, pela
força, paciência, carinho e incentivo com as ariranhas!
VI
Resumo Geral
A modelagem de distribuição de espécies é uma ferramenta muito poderosa para
obtenção de respostas para questões de ecologia e conservação da biodiversidade e pode
ser aplicada no planejamento e nas ações de gestão para políticas públicas. Neste estudo,
testamos se a inclusão de uma variável de cobertura de uso do solo nos processos de
modelagem de distribuição potencial de espécies geraria modelos com maior capacidade
para prever a distribuição potencial de Pteronura brasiliensis (ariranha) em Roraima e na
América do Sul. Testamos ainda se a inclusão de uma correção de viés de amostragem
geraria modelos com maior capacidade de predição na América do Sul. Usamos TSS, AUC
e taxa de omissão, como métricas de avaliação e realizamos validação externa, com
registros independentes. Os testes estatísticos foram ANOVA de medidas repetidas e
ANOVA two-way de medidas repetidas. A adição de variáveis de cobertura do solo tanto
para Roraima, como para a América do Sul não apresentou diferença significativa no
desempenho da distribuição potencial da ariranha. Esta espécie foi apontada como espécie-
chave para programas de conservação e controle de qualidade do habitat no estado, bem
como para monitoramento da biodiversidade nas unidades de conservação. Concluímos
que os modelos gerados com a correção do viés de amostragem demonstraram melhor
desempenho na América do Sul. Enfatizamos a importância de se trabalhar o
tendenciamento de coleta dos registros usados nos procedimentos de modelagem.
Indicamos áreas prioritárias para conservação da ariranha e para realização de inventários.
Ressaltamos a imprescindível importância das matas ciliares para a conservação da
espécie.
Palavras chave: Pteronura brasiliensis, modelagem de distribuição de espécies,
conservação.
Abstract
The species distribution modeling is a powerful tool for obtaining answers to
questions of ecology and biodiversity conservation and can be applied in planning and
management actions for public policy. In this study, we tested whether the inclusion of a
land use variable in potential species distribution modeling processes generate models with
greater capacity to predict the potential distribution Pteronura brasiliensis (giant otter) in
Roraima and South America. We also tested if the inclusion of a sampling bias correction
would generate models with greater predictive ability in South America. We used TSS,
AUC and omission rate as evaluation metrics and we performed external validation with
independent records. Statistical tests were ANOVA repeated measures and two-way
ANOVA for repeated measures. The addition of a land cover variables to Roraima abd to
South America showed no significant difference in the performance of potential
distribution of the giant otter. This species has been identified as key species for
conservation programs and habitat quality control in Roraima as well as for monitoring of
biodiversity in protected areas. We concluded that models generated with the correction of
sampling bias demonstrated better performance in South America. We emphasize the
importance of correcting the bias that may occur in records’s data used in the modeling
procedures. We indicate priority areas for conservation and conducting inventories for
giant otter. We stress the essential importance of riparian forests for the conservation of the
species.
Keywords: Pteronura brasiliensis, species distribution modeling, conservation.
VII
LISTA DE TABELAS
Capítulo 1
Tabela 1. Composição de variáveis ambientais de cada grupo testado.
Tabela 2. Valores da área total de adequabilidade ambiental e média de porcentagem de
acertos pela validação externa para os três grupos de variáveis.
Capítulo 2
Tabela 1. Métodos usados para os quatro testes metodológicos de viés de amostragem e
teste da inclusão da variável de uso do solo, GlobCover (ESA, 2009) com o método Cross-
validation.
Tabela 2. Métodos usados para os quatro testes metodológicos de viés de amostragem e
teste da inclusão da variável de uso do solo, GlobCover (ESA, 2009) com o método de
partição espacial
Tabela 3. Valores de área total de adequabilidade ambiental e média de porcentagem de
acertos pela validação externa para os três grupos de variáveis.
Tabela 4. Resultados da validação externa, tamanhos de áreas e valores de maiores e
menores adequabilidades para filtragem espacial e bias grid.
VIII
LISTA DE FIGURAS
Introdução Geral
Figura 1. Ariranhas (Pteronura brasiliensis) no Rio Uraricoera, Estação Ecológica de
Maracá, Roraima, norte da Amazônia, Brasil.
Capítulo 1
Figura 1. Localização de Roraima na América do Sul (A). Área de estudo, mostrando os
limites políticos de Roraima e as bacias hidrográficas dos rios Branco e Jauaperi (B).
Figura 2. Localização geral do trajeto das saídas a campo no estado de Roraima (A). Visão
aproximada dos trajetos percorridos nas quatro expedições e as duas Unidades de
Conservação, em verde: 1)Trajeto em azul, expedição ESEC Maracá/Rio Uraricoera,
passando pelo sul da ESEC Maracá; 2) Trajeto em verde, expedição Rio Parimé e
afluentes; 3)Trajeto em rosa, expedição FLONA Roraima; 4)Trajeto em vermelho,
expedição de validação, no Rio Tacutu e Rio Branco (B).
Figura 3. Registros de ocorrência de Pteronura brasiliensis em Roraima.
Figura 4. Avistamento direto (A) Avistamentos indiretos (B, C, D e E) de Pteronura
brasiliensis.
Figura 5. Modelo Médio Ponderado somente com as variáveis físicas e climáticas (A).
Modelo Médio Ponderado com adição da variável GlobCover (ESA, 2009) (B).Modelo
Médio Ponderado com adição da variável criada a partir dos dados do INPE, 2009 (C)
Figura 6. O modelo de incerteza considerando o desvio padrão das adequabilidades dos
cinco modelos gerados pelo grupo 1.
Capítulo 2
Figura 1. Registros de ocorrência de ariranha usados nos procedimentos de modelagem
para a América do Sul.
Figura 2. Sem bias grid, sem a variável GlobCover (A). Com bias grid, sem a variável
GlobCover, em destaque, modelo escolhido (B). Sem bias grid, com a variável GlobCover
(C). Com bias grid, com a variável GlobCover (D).
Figura 3. Modelo de incerteza, considerando o desvio padrão das adequabilidades dos
modelos gerados com bias grid e sem a variável GlobCover (cross-validation).
Figura 4. Unidades de Conservação e adequabilidade ambiental potencial para ariranha na
América do Sul
IX
Figura 5. Unidades de Conservação estaduais e federais e adequabilidade ambiental
potencial para ariranha no Brasil.
Figura 6. Unidades de Conservação Federais e Estaduais com e sem registros conhecidos
de ariranha. Várias unidades sem registro apresentaram muito alta adequabilidade
potencial para ocorrência da espécie e são indicadas para realização de inventários.
X
SUMÁRIO
Agradecimentos............................................................................................................IV
Resumo.........................................................................................................................VI
Abstract........................................................................................................................VI
Lista de tabelas.............................................................................................................VII
Lista de figuras.............................................................................................................VIII
Introdução Geral............................................................................................................01
Referências Bibliográficas.............................................................................................07
Capítulo 1
1.0 Introdução.................................................................................................................10
2.0. Material e Métodos..................................................................................................12
2.1. Área de estudo e registros de ocorrência de Pteronura brasiliensis.....................12
2.2. Seleção de variáveis..............................................................................................16
2.3. Viés de amostragem..............................................................................................18
2.4. Método de modelagem, avaliação e validação......................................................19
3.0.Resultados.................................................................................................................21
4.0. Discussão..................................................................................................................26
Referências bibliográficas...............................................................................................30
Capítulo 2
1.0. Introdução..................................................................................................................36
2.0. Material e Métodos....................................................................................................38
2.1. Área de estudo e registros de ocorrência de Pteronura brasiliensis.......................38
2.2. Seleção de variáveis................................................................................................40
2.3. Viés de amostragem................................................................................................43
2.4. Algoritmo e procedimentos de modelagem............................................................44
2.5. Avaliação de desempenho dos modelos.................................................................46
2.6. Análises estatísticas................................................................................................47
2.7. Pós-modelagem.......................................................................................................47
3.0 Resultados...................................................................................................................48
4.0. Discussão....................................................................................................................55
XI
Material Suplementar 1....................................................................................................66
Material Suplementar 2....................................................................................................71
Referências bibliográficas................................................................................................72
Considerações finais.........................................................................................................84
Referências bibliográficas.................................................................................................86
1
1. Introdução Geral
Pteronura brasiliensis (Zimmerman, 1780), conhecida como ariranha ou onça
d´água, é a maior das espécies da subfamília Lutrinae (Carnívora: Mustelidae) e é
endêmica da América do Sul (Carter & Rosas, 1997) (Figura 1). Possui como uma de suas
principais características manchas brancas na porção ventral do pescoço, pernas curtas, pés
grandes e dedos completamente unidos por uma membrana interdigital, podendo alcançar
de 25 a 35 kg e ter de 100 a 180 cm de comprimento (Eisenberg & Redford, 1999).
Bigodes faciais longos e numerosos se projetam a partir do focinho, testa e têmporas os
quais devem ser altamente sensíveis, a fim de facilitar a localização da presa em águas
turvas, quando a visão é prejudicada (Duplaix 1980).
Pteronura brasiliensis é um dos maiores predadores das florestas tropicais e áreas
alagáveis da América do Sul (Utreras et al., 2005). De hábito alimentar piscívoro,
especializada em capturar peixes em águas rasas (Duplaix, 1980; Laidler, 1984; Rosas et
al., 1999) a ariranha se alimenta majoritariamente de peixes, muitos de alto valor
econômico e de interesse para a população humana. Os Caracídeos – piranhas, pacu,
curimatã, e matrinxã - (Characidade, Serrasalmidae e Curimatidae), os Perciformes
(Cichlidae) – tucunarés e cará - e os Siluriformes – bagres - (Carter & Rosas, 1997; Cabral
et al., 2010) compõem o que a espécie consome, o que chega a ser até um décimo de sua
massa corporal em peixe por dia (Duplaix, 1980; Carter et al., 1999). Quando a abundância
de peixe é baixa, a ariranha pode se alimentar de crustáceos, pequenas cobras, pequenos
jacarés (Duplaix, et. al., 2008) e até, com menor frequência, de mamíferos (Cabral et al.,
2010).
Pteronura brasiliensis está classificada pela IUCN como Em Perigo (EN) pelo
critério A3cd. Isso significa, segundo Groenendijk, et al. (2005), que a redução do tamanho
populacional de ariranhas será igual ou superior a 50%, em um prazo de três gerações da
espécie que representa, aproximadamente, 21 anos. Atualmente é um dos mamíferos mais
ameaçados da América do Sul (Pickles et al., 2012). No Brasil, a Portaria nº 444/2014 do
Ministério do Meio Ambiente a reconhece como ameaçada de extinção, categoria
vulnerável, e a espécie já estava incluída na lista brasileira de espécies ameaçadas de
extinção desde 1989 (IBAMA, 1989).
Acredita-se que atualmente a espécie esteja extinta em Minas Gerais, Rio de
Janeiro, Santa Catarina (Biodiversitas, 2008) e Rio Grande do Sul (Fontana et al., 2003;
Biodiversitas, 2008). Em São Paulo (Bressan et al., 2009) e Paraná (Paraná 2010) é
2
classificada como criticamente ameaçada (Biodiversitas, 2008) e regionalmente extinta no
Espírito Santo (Passamani & Mendes 2007).
Adicionalmente, a espécie ainda está incluída desde 1973 no apêndice I (Species
Threatened with Extinction) da Convenção sobre o Comércio Internacional das Espécies da
Fauna e da Flora Silvestres Ameaçadas de Extinção (CITES). É a categoria mais restritiva
contra a comercialização tanto de espécimes vivos quanto dos produtos provenientes de
seu abate (CITES, 2008).
Apesar da ariranha ser classificada como ameaçada em todas as listas oficiais
nacionais e internacionais, ainda é muito limitado o entendimento à respeito das exigências
ecológicas, distribuição geográfica e área de vida da espécie (Utreras et al., 2005).
Animais de hábito alimentar piscívoro, as ariranhas são indicadoras da qualidade do
ecossistema aquático e são consideradas bioindicadores de ambientes saudáveis, bem como
espécie-chave, pois seu desaparecimento reflete em diferentes níveis tróficos, com
influência em toda a cadeia alimentar (Groenendijk, 1998; Dourojeanni & Jorge Pádua,
2001). A sobrevivência da ariranha pode nos ajudar no planejamento e na gestão do uso do
território, nos processos de ocupação humana e na exploração dos recursos naturais.
Segundo Duplaix et al., (2008), Pteronura brasiliensis vive em águas calmas de
rios, riachos, lagos e pântanos de florestas tropicais de baixa altitude, com alta abundância
de alimento, onde haja barrancos de pouca inclinação para a criação de refúgios, com a
presença de vegetação densa e preservada. Para Duplaix (1980) estes dois últimos fatores
possuem grande relevância para sua ocorrência, e aponta ainda alguma preferência da
espécie por rios de água preta e de fundos arenosos ou rochosos. Segundo Carter & Rosas
(1997), a ariranha ocorre em planícies inundáveis de até 300m de altitude.
As preocupações atuais de grande ameaça para a ariranha são aquelas que se
referem à destruição de habitat, como atividades de exploração madeireira, de mineração,
construção de barragens para hidroelétricas, desmatamento, poluição de diversas fontes dos
corpos d´água e crescimento urbano (Carter & Rosas, 1997), não podendo deixar de lado
exploração de hidrocarbonetos, sobre pesca, colonização humana ao longo dos cursos
d´água, turismo desordenado (Groenendijk, 1998), as doenças de animais domésticos e a
caça ocasional (Groenendijk et. al., 2005; Duplaix et. al., 2008).
Historicamente, a ariranha ocorria em todos os países da América do Sul, com
exceção do Chile. No território nacional, ocorria desde o Rio Grande do Sul, até a
Amazônia (Biodiversitas, 2008). Dados de distribuição da espécie precisam ainda de mais
informações e estudos, mas neste momento, acredita-se que as ariranhas sejam raras no
3
Equador, Bolívia, Colômbia, Venezuela, Peru, e na porção ocidental da Amazônia
brasileira. Acredita-se que os últimos grandes redutos de ariranhas sejam na Guiana,
Suriname e Guiana Francesa, embora quase não haja dados para o último país (Duplaix et
al., 2008). Populações de ariranhas são geralmente pequenas, isoladas ou estão em declínio
em grande parte do território brasileiro, porém no Pantanal e na bacia Amazônica ocorrem
em grandes populações (Rosas et al., 2008), ainda que no Pantanal a espécie seja
categorizada como Em Perigo (EN) e na Amazônia ela pareça apresentar uma distribuição
heterogênea com dados insuficientes de sua distribuição (ICMBio, 2010).
Para Soberón & Peterson, (2005), o método mais comum usado em modelagem de
distribuição de espécies ou modelagem de nicho ecológico é conhecido como abordagem
correlativa, onde dados de ocorrência de espécies espacializados e dados ambientais
explícitos são combinados para que algoritmos específicos possam construir uma
representação matemática do nicho da espécie. Os dados ambientais disponíveis devem
apenas representar o sub-espaço das condições e não o nicho completo da espécie, já que é
bem plausível que os pontos de ocorrência amostrados representem áreas em que as
condições sejam favoráveis, no entanto, podem existir outras áreas com condições
análogas, mas que a presença da espécie é inibida por interações interespecíficas (Soberón,
2007) ou por barreiras que impeçam seu acesso (Peterson et al., 2011).
O conceito de “nicho” é um aspecto essencial para se trabalhar com modelos de
distribuição de espécie, o qual foi ganhando diferentes interpretações ao longo dos anos,
conforme o estudo de modelagem preditiva foi evoluindo. Como consequência, vários
conceitos de nicho existem. Uma razão pela qual "nicho" adquiriu uma verdadeira gama de
significados é que desde a primeira vez que foi usado os ecologistas têm aplicado o termo
para analisar uma questão muito complexa, a fim de saber quais combinações de fatores
ambientais permitem uma espécie de existir em uma determinada região geográfica ou uma
determinada comunidade biótica e quais os efeitos que a espécie tem sobre aqueles fatores
ambientais (Peterson et al., 2011).
O primeiro a adotar a palavra “nicho ecológico ou ambiental” foi Grinnell, em
1924, que estabeleceu a relação da espécie com características ambientais, considerando
variáveis fundamentalmente cenopoéticas e relevantes ao entendimento de propriedades
ecológicas e geográficas em grande escala (Peterson, 2003). Grinnell (1924) definiu “nicho
ecológico” como sendo a última unidade de distribuição ocupada por uma única espécie,
sem levar em consideração a presença de interações com outras espécies, considerando
somente os locais que possuem as condições ambientais necessárias para uma espécie
4
sobreviver. Em 1927, Elton revisou o conceito de nicho e o descreveu como o papel
funcional de um organismo em uma comunidade, medido em escala local, com enfoque
nas interações bióticas, principalmente dentro da cadeia trófica e na dinâmica de recursos-
consumidor, que Hutchinson (1978) definiu como variáveis bionômicas. Ambas as classes
de nichos são relevantes para a compreensão da distribuição dos indivíduos de uma espécie
(Soberón, 2007).
Mais tarde, Hutchinson (1957) atribuiu um viés matemático ao conceito de nicho
ecológico e o identificou como a soma de todos os fatores ambientais que agem em
determinado organismo, o definindo como: “Hipervolume n-dimensional limitado pelas
interações com outros organismos, que envolve todas as respostas fisiológicas às condições
do meio e depende da disponibilidade de recursos, sob as quais as populações apresentam
taxa de crescimento positivo”.
Além disso, Hutchinson distinguiu o nicho em fundamental (fisiológico ou
potencial) e realizado (ecológico, atual). O fundamental é definido sem referência às
variáveis bióticas, seriam condições ambientais que permitiriam o crescimento e a
reprodução da espécie. Já o realizado é definido como o nicho fundamental reduzido pela
interação (competição) entre espécies (Soberón, 2007). De uma forma geral, Hutchinson
definiu o nicho como uma propriedade da espécie e não do ambiente (Pulliam, 2000).
Portanto, se faz relevante o embasamento na teoria do nicho e o conhecimento sobre a
ecologia e biologia da espécie na interpretação e discussão dos resultados de modelos
dentro de um cenário conservacionista (De Marco Júnior & De Siqueira, 2009).
Como Pteronura brasiliensis é uma espécie primariamente terrestre, adaptada à
captura de alimento em ambiente aquático, ela é susceptível às transformações e
perturbações que ocorrem nos dois ecossistemas em que está inserida (Isola & Benavides,
2001). Por ocupar o mais alto nível trófico é uma das primeiras espécies a desaparecer
quando o ambiente explorado é alterado ou contaminado (Parera, 1996). Ariranhas
requerem habitat aquáticos altamente produtivos, os quais são rapidamente erodidos em
áreas desmatadas e poluídas. Por esses motivos, a ariranha pode ser definida como ótima
indicadora da qualidade do ambiente. (Barnett et al., 2000). Regiões que abrigam ariranhas
são, sem exceção, intocadas, sem perturbações e não poluídas (Groenendijk, 1998).
Portanto, identificar áreas onde existam condições ambientais apropriadas é essencial para
o planejamento de projetos de conservação, a fim de manter a diversidade dos processos
ecológicos, preservar altas densidades de espécies e para manter a conectividade ecológica
5
(Clément, et al., 2014). Conservar a ariranha é conservar os processos ecológicos inerentes
à existência humana.
A fim de avaliar com mais precisão como a destruição do habitat é impactante para
a espécie no momento presente e no futuro, nós precisamos urgentemente entender a
distribuição atual e o status populacional da ariranha (Groenendijk et al., 2005).
A modelagem de distribuição de espécies como ferramenta nas iniciativas de planos
de conservação possui um papel importante e estratégico (Ferraz et al., 2012). Modelos de
distribuição potencial de espécies, que correlacionam a ocorrência das espécies com
variáveis ambientais, são instrumentos que contribuem na gestão dos recursos naturais
porque auxiliam na identificação de áreas prioritárias para conservação; na avaliação de
ameaças locais; na definição de áreas prioritárias para criação de unidades de conservação;
no planejamento do manejo dos recursos e no estabelecimento de ações para restauração
ecológica (Franklin, 2009). Portanto, compreender a relação entre condições ambientais e
distribuição potencial de espécies é fundamental para a elaboração de estratégias
adequadas para a conservação da biodiversidade e dos ecossistemas baseadas em
modelagem preditiva (Ferraz et al., 2012).
Em resumo, o que se pretende com este trabalho é: 1) gerar um mapa de
distribuição potencial de Pteronura brasiliensis, em Roraima e na América do Sul; 2)
testar a hipótese de que a inclusão de uma variável de cobertura de uso do solo nos
processos de modelagem de distribuição potencial de espécies gera modelos com maior
capacidade para prever a distribuição potencial de Pteronura brasiliensis em Roraima,
norte da Amazônia; 3) testar a hipótese de que a inclusão de uma correção do viés de
amostragem nos processos de modelagem de distribuição potencial de espécies gera
modelos com maior capacidade para prever a distribuição potencial de Pteronura
brasiliensis na América do Sul; 4) identificar áreas prioritárias para conservação e
realização de inventários, em Roraima, América do Sul e no Brasil, no âmbito do Plano de
Ação Nacional da ariranha.
6
Figura 1. Ariranhas (Pteronura brasiliensis) no Rio Uraricoera, Estação Ecológica de
Maracá, Roraima, norte da Amazônia, Brasil.
Foto: Luciana Pacca
Foto: Líva Rodrigues
7
Referências bibliográficas:
Barnett, A. 2000.Records of the Giant Otter, Pteronura brasiliensis, from
Guyana.IUCN Otter Specialist Group Bulletin, 17 (2): 65-74.
Biodiversitas 2008. http://www.biodiversitas.org.br/livrovermelho2008/ Acesso em
maio de 2014.
Bressan, P.M.; Kierulff, M.C.M. & Sugieda, A.M. 2009.Fauna ameaçada de
extinção no estado de São Paulo:Vertebrados. São Paulo: Fundação Parque Zoológico de
São Paulo: Secretaria de Meio Ambiente. Pp.648.
Cabral, M.M.M., Zuanon, J., de Mattos, G. E., Rosas, F. C. W. 2010. Feeding
habits of giant otters Pteronura brasiliensis (Carnivora: Mustelidae) in the Balbina
hydroelectric reservoir, Central Brazilian Amazon. ZOOLOGIA 27 (1): 47–53.
Carter, S.K., Rosas F.C.W. 1997. Biology and conservation of the giant otter
Pteronura brasiliensis.Mammal Rev. 27: 1-26.
Carter, S.K. Rosas, F.C.W., Cooper, A.B., Cordeiro-Duarte, A.C. 1999.
Consumption rate, food preferences and transit time of captive giant otters Pteronura
brasiliensis: implications for the study of wild population. Aquatic Mammals 25, 79 – 90.
CITES.Convention on International Trade in Endangered Species of Wild Fauna
and Flora.Apendix I. Disponível em: <http://www.cites.org>. Acesso em: 02 de abril de
2013;
Clement, L., Catzeflis, F., Richard-Hansen, C., Barrioz, S., de Thoisy. 2014.
Conservation interest of spatial distribution modelling applied to large vagile mammals.
Tropical Conservation Science 7(2): 192-213.
De Marco Júnior, P. & De Siqueira, M. F. 2009. Como determinar a distribuição
potencial de espécies sob uma abordagem conservacionista? Megadiversidade. 5:1-2.
Dourojeanni, M. J. & Jorge Pádua, M. T. 2001. Biodiversidade: a hora decisiva.
Curitiba: Editora UFPR. Pp. 308.
Duplaix, N. 1980.Observations on ecology and behaviour oh the giant otter
Pteronura brasiliensis in Suriname.Revue Ecologique (Terra vie), 34: 495 – 620.
Duplaix, N., Waldemarin, H.F., Groenedijk, J., Evangelista, E., Munis, M.,
Valesco, M. & Botello, J.C. 2008. Pteronura brasiliensis.The IUCN Red List of
Threatened Species.Version 2014.2.<www.iucnredlist.org>. Downloaded on 01 September
2014.
8
Eisenberg, J. & K. Redford. 1999. Mammals of the Neotropics: The Central
Neotripics. Vol. 3: Ecuador, Peru, Bolivia, Brazil. Chicago & London: University of
Chicago Press. Pp. 281.
Ferraz, K. M. P. M. B., Siqueira, M. F., Alexandrino, E. R., Da Luz, D. T. A.,
Couto, H. T. Z. 2012. Environmental suitability of a highly fragmented and heterogeneous
landscape for forest bird species in south-eastern Brazil. Environmental Conservation:
Foundation for Environmental Conservation. Pp.9.
Fontana, C.S.; Bencke, G.A. & Reis, R.E. 2003.Livro vermelho da fauna ameaçada
do Rio Grande do Sul. PortoAlegre: EDIPUCRS. Pp. 632.
Franklin, J. 2009. Mapping Species Distribution: spatial inference and
prediction.EBC Ecology, Biodiversity and Conservations. Cambridge, UK, 211 pp.
Grinnell, J. Geography and Evolution. 1924. Ecology 5: 255-229.
Groenendijk, J. 1998. A review of the distribution and conservation status of the
giant otter (Pteronura brasiliensis) with special emphasis on the Guayana Shield
Region.Netherlands Commitee for IUCN. Amsterdam. Pp.55.
Groenendijk, J. Hajek, F.; Duplaix, N.; Reuther, C.; Van Damme, P.; Schenk, C.;
Staib, E.; Wallace, R.; Waldemarin, H.; Notin, R.; Marmontel, M.; Rosas, F.W.C.; Mattos
De, G.E.; Evangelista, E.; Utreras, V.; Lasso, G.; Jaques, H.; Matos, K.; Roopsind, I. &
Botello, J.C. 2005. Surveying and Monitoring Distribution and population trends of the
giant otter (Pteronura brasiliensis): guidelines for a standardization of survey methods as
recommended by the giant otter section of the IUCN/SSC Otter Specialist Group. Habitat.
Pp. 101.
Hutchinson, G. E. 1957. Concluding remarks – Cold Spring Harbor Symposium of
Quantitative Biology 22: 415-427.
IBAMA, 1989. Portaria nº 1.522, de 19 de dezembro 1989.
ICMBio, 2010. Plano de Ação Nacional da Ariranha – disponível em:
http://www.icmbio.gov.br/portal/biodiversidade/fauna-brasileira/plano-de-acao/149-pan-
ariranha
Isola, S.& Benavides, J. 2001. El lobo de rio: una espécie bandera para la Reserva
Comunal Tamshiyacu Tahuayo. Wildlife Conservation Society, Rainforest Conservation
Fund, Durrel Institute of Conservation and Ecology, El Centro de Datos para la
Conservation.Universidad Nacional Agraria La Molina. Lima, Peru. Pp.46.
IUCN 2013.IUCN Red List of Threatened Species.Version
2013.2.<www.iucnredlist.org>. Downloaded on 25 April 2014.
9
Laidler, P. E. 1984. The behavioral ecology oh the giant river otter in Guyana. PhD
dissertation, University of Cambridge, Cambridge. Pp. 296.
Paraná. 2010. Instituto Ambiental dos Mamíferos Ameaçados no Paraná.
SEMA/IAP.
Parera, A. 1996. Las “nutrias verdadeiras” de la Argentina. Boletin Tecnico de la
Fundación Vida Silvestre Argentina, 21: 1-38.
Passamani, M. & Mendes, S.L. 2007. Espécies da fauna ameaçadas de extinção no
estado do Espírito Santo.IPEMA. Pp.71.
Peterson, A. 2003.Predicting the geography of species’ invasions via ecological
niche modeling. The Quarterly Review of Biology, 78: 419–433.
Peterson, A., Soberón, J., Pearson, R. Anderson, R. Martínez-Meyer, E. Nakamura,
M. Araújo, M. 2011. Ecological niches and geographic distributions.Princeton University
Press. Pp:7 -22.
Pickles, R. S. A., Groombridge, J. J., Zambrana Rojas, V. D., Van Damme, P.,
Gottelli, D. Ariani, C. V.Jordan, W. C. 2012. Genetic diversity and population structure in
the endangered giant otter, Pteronura brasiliensis. Conservation Genetics, 13 (1) :235-245.
Portaria Nº 444 de 17 de dezembro de 2014 – Ministério do Meio Ambiente
(MMA).
Pulliam, H. 2000. On the relationship between niche and distribution.Ecology
letters, 3: 349-361.
Rosas, F. C. W., Zuanon, J.A.S., Carter, S. H. 1999. Feeding Ecology of the Giant
Otter, Pteronura brasiliensis.BIOTROPICA 31 (3): 502-506.
Rosas, F.C.W.; Waldemarin, H. & de Mattos, G.E. 2008. Pteronura brasiliensis
(Zimmermann, 1780). Pp. 800-801. In: Machado, A.B.M.; Drummond, G.M. & Paglia,
A.P. (eds.). Livro vermelho da fauna brasileira ameaçada de extinção. MMA, Fundação
Biodiversitas. 2: 1420.
Soberón, J. & Peterson, A. T. 2005. Interpretation of models of fundamental
ecological nichesand species distributional areas. - Biodiversity Informatics 2: 1-10.
Soberón, J. 2007.Grinnellian and Eltonian niches and geographic distributions of
species.Ecology letters, 10: 1115–1123.
Utreras, B.V., Suárez, R.E., Zapato-Ríos, G., Lasso, G., Pinos, L. 2005. Dry and
rainy season estimations of giant otter, Pteronura brasiliensis, home range in the Yasuní
National Park, Ecuador. LAJAM 4(2): 191-194.
10
CAPÍTULO 1 - Distribuição espacial potencial de Pteronura brasiliensis em
Roraima, norte da Amazônia.
1. Introdução
A modelagem de distribuição de espécies como ferramenta nas iniciativas de planos
de ação para a conservação de espécies ameaçadas de extinção possui um papel importante
e estratégico (Ferraz et al., 2012). O método mais comum usado em modelagem de
distribuição de espécies (MDS) ou modelagem de nicho ecológico (MNE) é conhecido
como abordagem correlativa, em que os registros de ocorrência de espécies distribuídos no
espaço geográfico e dados ambientais da ecologia da espécie são combinados para que
algoritmos específicos possam construir uma representação matemática do nicho da
espécie (Soberón & Peterson, 2005). O primeiro uso da palavra “nicho” foi feito por
Joseph Grinnell em 1924, para se referir à posição ecológica de um animal no mundo. O
autor referiu-se ao "nicho ecológico ou ambiental", como a distribuição final de uma
"espécie ou subespécie” (Vandermeer, 1972).
As MDS são instrumentos que contribuem na gestão dos recursos naturais porque
auxiliam na identificação de áreas prioritárias para conservação; na avaliação de ameaças
locais; na definição de áreas prioritárias para criação de unidades de conservação; no
planejamento do manejo dos recursos e no estabelecimento de ações para restauração
ecológica (Franklin, 2009). Portanto, compreender a relação entre condições ambientais e
distribuição potencial de espécies é fundamental para a elaboração de estratégias
adequadas para a conservação da biodiversidade e dos ecossistemas baseadas em
modelagem preditiva (Ferraz et al., 2012).
A fim de obter boas estratégias de manejo, é importante conhecer sobre a dinâmica
populacional da espécie em estudo, assim como os requerimentos das tendências de
habitat. No entanto, obter tais informações em nível regional ou nacional é muitas vezes
complicado por fatores financeiros e logísticos, sobretudo na região dos trópicos, onde o
conhecimento de muitas espécies ainda é bastante deficiente (Cuarón, 2000),
especialmente em relação a mamíferos de grande porte (Rocha & Dalponte, 2006; Costa et
al., 2004). Para superar esses problemas, a modelagem de distribuição potencial de
espécies tem sido utilizada como uma importante ferramenta em diversas áreas da ecologia
(Zimmerman et al., 2010), sendo particularmente relevante para a biologia da conservação,
11
por fornecer respostas rápidas que são necessárias frente a uma crise de biodiversidade
(Soule, 1985).
Uso antrópico do solo, como agricultura, reflorestamento e urbanização, é a
principal forma de distúrbio em áreas adequadas para ocorrência de espécies e assim, o
mapeamento do uso do solo é comumente considerado por agências de planejamento, de
forma que dados de cobertura da terra tem-se tornado cada vez mais importantes na
caracterização requerida para modelagem global de mudanças ambientais (Foley et al.,
2005). Além disso, categorias de vegetação ou comunidades de plantas representam classes
e estruturas de habitat para animais e plantas e têm sido amplamente usadas como variáveis
preditoras em trabalhos de modelagem de distribuição potencial de espécies (Franklin,
2009).
Como as atividades de gestão humana alteraram a dinâmica natural de espécies
dentro dos ecossistemas, espera-se que modelos exclusivamente bioclimáticos forneçam
previsões cada vez mais ineficientes de distribuição das espécies (Araújo et al., 2001).
Uma possibilidade para compensar tais fatores induzidos pelo homem é a de incluir nos
modelos de distribuição de espécies variáveis que se esperam resumir fatores importantes
que afetam as distribuições locais de espécies (Thuiller et al., 2004). Leyequien et al.,
(2007) fazem uma revisão de estudos que usaram dados de sensoriamento remoto para
avaliar distribuição e riqueza que vários grupos taxonômicos, dentre os quais, mamíferos.
Eles concluem que a abordagem mais promissora para a avaliação, monitoramento,
previsão e conservação da diversidade da fauna parece ser a coesão de produtos de
sensoriamento remoto e dados auxiliares com modelos ecológicos de biodiversidade.
Morato et al., (2014) usaram várias variáveis de paisagem, dentre elas, a variável
GlobCover (ESA, 2009) para identificar áreas potencialmente adequadas de ocorrência,
assim como delinear áreas prioritárias para conservação da onça pintada no Bioma
Caatinga, e chegaram a um método válido para ações práticas de conservação, que
inclusive pode ser usado para outros grupos de carnívoros.
Grandes carnívoros também são frequentemente propostos como espécies focais ao
se avaliar a conectividade da paisagem, devido os seus requisitos em ocupar grandes áreas
e porque sua dispersão através da paisagem é frequentemente limitada por áreas de alto
desenvolvimento humano (Noss, et al., 1996; Thiel, 1985 apud Morato, et al., 2014). A
permeabilidade da paisagem para a migração de espécies não só é explicada pelas barreiras
físicas, mas também é fortemente influenciada por aspectos de história de vida das espécies
(Tischendorf, & Fahrig, 2000). A persistência de populações de Pteronura brasiliensis
12
(ariranha) tem mostrado ser fortemente influenciada pela a habilidade de dispersão dos
indivíduos de se moverem através da paisagem (Schenck et al., 2002), portanto, manter
tais características da paisagem, como a vegetação ciliar, é provável que sejam importantes
para a espécie em habitats fragmentados (Norris & Michalski, 2009).
Como Pteronura brasiliensis é uma espécie primariamente terrestre, adaptada à
captura de alimento em ambiente aquático, ela é susceptível às transformações e
perturbações que ocorrem nos dois ecossistemas em que está inserida (Isola & Benavides,
2001). Por ocupar o mais alto nível trófico é uma das primeiras espécies a desaparecer
quando o ambiente explorado é alterado ou contaminado (Parera, 1996). Ariranhas
requerem habitat aquáticos altamente produtivos, os quais são rapidamente erodidos em
áreas desmatadas e poluídas. Assim, a ariranha pode ser definida como ótima indicadora da
qualidade do ambiente (Barnett et al., 2000), uma vez que regiões que abrigam ariranhas
são, geralmente intocadas, sem perturbações e não poluídas (Groenendijk, 1998).
Portanto, o presente estudo objetiva 1) obter um mapa de distribuição potencial de
Pteronura brasiliensis para Roraima; 2) testar a hipótese de que a inclusão de uma
variável de cobertura de uso do solo gera modelos com maior poder preditivo na
distribuição potencial de Pteronura brasiliensis em Roraima, norte da Amazônia.
2. Material e Métodos
2.1. Área de estudo e registros de ocorrência de Pteronura brasiliensis.
O limite adotado como área de estudo foi o estado de Roraima, no extremo norte da
Amazônia brasileira, que quase coincide com as bacias hidrográficas do Rio Branco e do
Rio Jauaperi, conforme ilustra figura 1.
13
A)
B)
Figura 1. Localização de Roraima na América do Sul (A). Área de estudo, mostrando os
limites políticos de Roraima e as bacias hidrográficas dos rios Branco e Jauaperi (B).
Com o objetivo de se conseguir registros de ocorrência de Pteronura brasiliensis
(ariranha) para realizar os procedimentos de modelagem e análises de validação
posteriores, foram realizadas expedições a campo no norte do estado de Roraima, onde não
se conhecia registros precisos da espécie.
A primeira expedição, ESEC Maracá/Rio Uraricoera, ocorreu entre os dias 23 a 27
de março de 2013, em um trecho do Rio Uraricoera, principal tributário do Rio Branco,
limite entre os municípios Amajari e Alto Alegre, ao norte de Roraima. A maior parte dos
registros de ariranha encontrada ocorreu dentro do percurso realizado ao sul da Estação
Ecológica de Maracá, ambiente formado por um grande arquipélago, que compõe um
emaranhado de labirintos do rio Uraricoera entre centenas de ilhas e ilhotas e constituem o
braço Maracá, margem direita do rio. Dentro dos limites da UC, a mata ciliar é florestal
densa, muito bem preservada e o dossel se limita, em média, a cinco metros de altura. A
medida que o rio Uraricoera desce a leste e sai da ESEC, a ocupação humana aumenta,
assim como o uso e exploração de suas margens.
A segunda expedição, no Rio Parimé e afluentes, ocorreu entre os dias 8 a 10 de
julho de 2013, período de cheia na região, época em que o rio é navegável. O rio Parimé é
um dos tributários do rio Uraricoera e passa pelo município de Pacaraima, a nordeste do
estado de Roraima. O ambiente é predominantemente de lavrado (Barbosa et al., 2005),
14
termo regional que caracteriza a vegetação como arbóreo-arbustiva não florestal, com áreas
campestres e lagos intermitentes. A mata ciliar é a única mata mais densa, geralmente bem
preservada, com dossel de, em média 3 metros de altura.
Na terceira expedição, no Igarapé Preto, dentro da Floresta Nacional de Roraima
(FLONA Roraima), município de Alto Alegre, norte do estado, não houve registros. A
saída de campo foi de somente um dia (25/05/2013), pois a forte chuva atrapalhou a
logística, a navegabilidade e a segurança dos participantes. Apesar do esforço de 8 horas,
acredita-se que possíveis registros indiretos possam ter sido apagados devido à chuva e a
capacidade de detecção dos observadores, limitada.
A quarta expedição, realizada do dia 24 a 28 de março de 2014, percorreu parte do
rio Tacutu e rio Branco, nos municípios de Pacaraima e Boa Vista. Nesta expedição foram
coletados registros para validação externa dos modelos.
Todas as expedições foram realizadas em barcos de alumínio com motores 25HP a
uma velocidade média de 10 km/h, a qual permitia o avistamento direto de animais assim
como o encontro de vestígios. Em média, foram oito horas de observações por dia,
totalizando 40 horas de esforço amostral e 280 km percorridos, para a primeira expedição,
25 horas e 130 km percorridos para a segunda, 8 horas e 30m km percorridos para a
terceira e36 horas e 320 km percorridos para a quarta, aproximadamente.
Todos os avistamentos diretos e indiretos foram fotografados e tiveram a
coordenada geográfica coletada com GPS Garmim 62s, em DATUM WGS84. Medidas da
largura e altura do barranco em relação à linha d´água de tocas e acampamentos
encontrados foram feitas, assim como medidas da altura e largura da entrada das tocas. A
transparência da água foi mensurada com o uso de um Disco de Secchi em locais onde
foram realizados avistamentos diretos. O material suplementar 1 traz as informações sobre
os registros coletados e figura 2 mostra um mapa com os percursos de todas as expedições.
Registros adicionais foram cedidos por colegas do Instituto Chico Mendes de
Conservação da Biodiversidade (ICMBio), Instituto Sócio Ambiental (ISA) e
pesquisadores que atuaram ou atuam no estado. Finalmente, uma extensa revisão de
literatura também foi realizada para obtenção de novos registros.
15
Figura 2. Localização geral do trajeto das saídas a campo no estado de Roraima (A). Visão
aproximada dos trajetos percorridos nas quatro expedições e as duas Unidades de
Conservação, em verde: 1)Trajeto em azul, expedição ESEC Maracá/Rio Uraricoera,
passando pelo sul da ESEC Maracá; 2) Trajeto em verde, expedição Rio Parimé e
afluentes; 3)Trajeto em rosa, expedição FLONA Roraima; 4)Trajeto em vermelho,
expedição de validação, no Rio Tacutu e Rio Branco (B).
Em Roraima, antes da realização do presente estudo, a ariranha foi estudada por
Evangelista, (2004) e Evangelista & Rosas, (2011a,b) na Reserva Xixuaú, na bacia do Rio
Jauaperi, no sul do estado. Restrepo, (2009) realizou dissertação de mestrado sobre
aspectos ecológicos da ariranha no Parque Nacional do Viruá, baixo Rio Branco, também
no sul do estado. No norte do estado, há uma citação Ad libitum da espécie na Estação
Ecológica de Maracá (Mendes Pontes et al, 2010). O mapeamento dos registros de
ocorrência de ariranha em Roraima usados no presente estudo é mostrado na figura 3.
Na resolução de um quilômetro, pode-se dizer que os registros possuem boa
precisão geográfica uma vez que todos foram coletados diretamente em campo com
equipamento GPS, em que o erro médio é de aproximadamente 80m. Também apresentam
boa resolução temporal por terem sido coletados em anos próximos entre si (de 2009 a
2014) e boa precisão taxonômica, já que a espécie foi reconhecida por pessoas
qualificadas.
Gu
ian
a In
gle
sa
16
Figura 3. Registros de ocorrência de Pteronura brasiliensis em Roraima.
2.2 Seleção de variáveis
Foram obtidas variáveis físicas e climáticas no site WORLDCLIM
(http://www.worldclim.org/current), das quais aquelas que demonstraram menor
colinearidade entre si, valor de 0.7, através do índice de correlação de Pearson, foram
avaliadas para serem selecionadas, baseadas na ecologia da espécie (tabela 1). Três grupos
de variáveis foram rodados com o algoritmo Maxent (Phillips et al., 2006), para teste da
inclusão de uma variável de uso do solo, dos quais o primeiro grupo era composto apenas
por variáveis físicas e climáticas retiradas do site WORLDCLIM (grupo controle). O
segundo e terceiro grupos também continham tais variáveis, adicionadas de variável de uso
do solo (tratamento). No segundo grupo o uso do solo foi incorporado como variável
categórica GlobCover, (http://due.esrin.esa.int/globcover/) e ao terceiro, uma camada
contínua, criada a partir de dados de remanescentes de vegetação nativa do INPE
(http://www.obt.inpe.br/prodes/index.php.), em que corpos d´água também foram
17
inseridos. As duas variáveis de uso do solo são de 2009, de modo que foi considerado o
uso de registros somente a partir desse ano. A tabela 1 mostra a composição de variáveis
de cada grupo testado.
Tabela 1. Composição de variáveis ambientais de cada grupo testado.
Grupos Grupo 1 Grupo 2 Grupo 3
Variáveis
ambientais
Temperatura media
anual; Precipitação do
mês mais seco;
Altitude; Declividade;
Densidade e Distância
de drenagem.
Todas as variáveis
mencionadas no
grupo 1 + a variável
categórica
GlobCover, 2009
Todas as variáveis
mencionadas no grupo 1
+ uma variável contínua,
dos remanescentes
florestais e água,
mapeados pelo INPE,
2009.
Dados climáticos interpolados espacialmente referentes às chamadas superfícies
climáticas (Hijmans et al., 2005) são amplamente usados como variáveis de entrada nos
modelos de distribuição de espécies (Buermann et al. 2008; Franklin, 2009). Destas, duas
variáveis foram selecionadas, temperatura média anual e precipitação do mês mais seco, as
quais estão relacionadas com a vazão dos rios (Schmidt & Mattos, 2013) e apresentaram
baixa colinearidade entre si. Em áreas que possuem diferenças sazonais de vazão, a defesa
dos territórios pela ariranha é contínua na época da seca, os quais aparentemente são
abandonados durante a época da cheia, pois as ariranhas deslocam-se para a floresta
inundada para explorar um maior recurso de peixes (Duplaix, 1980; Carter & Rosas, 1997;
Duplaix, 2002). Assim, assumimos tais variáveis serem importantes para a resposta da
distribuição da ariranha, além de terem sido consideradas em estudos anteriores de grandes
mamíferos, como lontra (Rheingantz et al., 2014) e onça pintada (Morato et al., 2014).
Sendo a ariranha um animal associado a corpos d´água, foi considerado importante
adicionar ao conjunto de variáveis a distância de drenagem, criada a partir do shape de
drenagem da ANA (http://metadados.ana.gov.br/geonetwork/srv/pt/main.home) e a
densidade de drenagem, gerada a partir da aplicação de um algoritmo de interpolação
espacial (Kernel), derivada das imagens SRTM (Shuttle Radar TopographicMission)
(htp://www.dpi.inpe.br/Ambdata/densidade.php)
Duplaix (1980) sugere que os fatores-chave que influenciam a preferência de
habitat da ariranha são a declividade do barranco, cobertura de vegetação preservada e fácil
18
acesso a igarapés ou áreas pantanosas, bem como uma abundância de presas vulneráveis
em águas relativamente rasas. Palmeirim et al., (2014) usaram, dentre outras variáveis, a
declividade para avaliar a escolha de habitat de grupos de ariranha no reservatório de
Balbina (AM) e verificou uma maior concentração de registros indiretos da espécies em
locais com maior declividade, portanto, assumimos ser importante incluir tal variável neste
estudo.
Segundo Carter & Rosas (1997), a ariranha ocorre em planícies inundáveis
de até 300m de altitude, portanto, também consideramos a altitude para ser incluída na
análise, além da mesma não ter apresentado colinearidade com as demais.
De acordo com Duplaix (1980), a disponibilidade de alimento e ambientes
adequados para construção de refúgios, com cobertura vegetal densa e preservada e declive
suave, são fatores que possuem grande relevância para ocorrência de P. brasiliensis, assim,
foram escolhidas duas variáveis de uso do solo: a variável categórica GlobCover (ESA,
2009) e a outra, uma variável quantitativa criada a partir de dados de taxa de desmatamento
do PRODES (INPE, 2009).
2.3 Viés de amostragem
Em estudos de ecologia é muito comum obter registros de qualquer espécie que não
refletem todas as condições ambientais onde a espécie ocorre. O viés ocorre por diversos
motivos, principalmente devido a erros de detectabilidade, que podem estar relacionados
ao observador, à época do ano, ao método utilizado, ao comportamento da espécie, às
condições climáticas encontradas no campo, e também devido à falta de delineamento
amostral, amostragem por parcelas conglomeradas ou estratificadas, amostragem aleatória
ou viciadas (Elith et al., 2010).
Visando reduzir os efeitos de viés de amostragem, foi criado e usado para este
estudo um bias grid (Elith et al., 2010), através do tutorial de Tingley & Clements (2013),
que pode ser usado no Maxent (Phillips et al., 2006), cuja estrutura é uma superfície de
área de ponderação da localização dos pontos de ocorrência e da distância entre cada um
deles, considerando também a capacidade de dispersão da espécie em estudo. Nós
assumimos a capacidade de dispersão da ariranha como sendo de 20 km (Rosas & Carter,
1997). Esta superfície permite reduzir vieses nos dados em relação ao espaço geográfico
devido ao tendenciamento de coleta (Elith et al., 2010), podendo evitar resultados e
interpretações não acuradas em estudos de modelagem de distribuição de espécies. Pontos
19
espacialmente próximos (clusters) em algumas áreas e ausência de registros em outras
podem levar a um viés ambiental e tendem a levar o modelo a um sobre ajuste
(overfitting). Os valores da ponderação do bias grid são altos em áreas densamente
amostradas e baixos em regiões pouco amostradas de modo que os valores das células
refletem o esforço amostral e dão um peso para os dados aleatório de background
utilizados para a modelagem (Fourcade et al., 2014).
2.4. Método de modelagem, avaliação e validação
O Maxent (Maximum Entropy) (Phillips et al., 2006) foi o algoritmo utilizado para
caracterizar a adequabilidade ambiental da ariranha. Segundo De Marco Júnior & Siqueira
(2009) este é um dos modelos mais complexos: é uma técnica de aprendizagem-automática
(machine-learning) que estima a distribuição mais próxima à distribuição uniforme sob a
restrição de que os valores esperados para cada variável ambiental estejam de acordo com
os valores empíricos observados nos pontos de ocorrência. Dentre as várias vantagens do
programa apontadas por Phillips et al., (2006), estão a possibilidade de espacializar a
distribuição potencial de uma espécie, mesmo que predita, permitindo o uso conjunto a
outras informações espacializadas de uso da terra (categóricas ou contínuas), como a
localização de remanescentes florestais e de áreas de pressão humana, através de
ferramentas de informação geográfica e, adicionalmente, necessita apenas de dados de
presença.
Com o intuito de avaliar os modelos gerados, foi usado o método cross-validation
com cinco partições, mil iterações, portanto, dos 53 registros únicos totais, 20% foi para
teste em cada partição. Foi escolhido o método cross-validation, pois com ele é possível
usar os mesmos registros para treino e teste nos três experimentos, tornando-os
comparáveis entre si. O limiar adotado foi o ponto que otimiza a maior sensibilidade e
menor especificidade da curva do ROC (Liu et al., 2005) e a avaliação do desempenho dos
modelos foi feita através do e AUC (Mason & Graham, 2002) e TSS - True Skill Statistic
(Allouche et al., 2006), gerados no programa R Studio (2010), disponibilizado por
Caroline Nóbrega. O teste de validação que adota valores de AUC, de forma geral, segue
como indicadores da qualidade do modelo elencados segundo Metz, (1986): excelente (0,9
‒ 1); bom (0,8 ‒ 0,9); médio (0,7 ‒ 0,8); ruim (0,6 ‒ 0,7); muito ruim (0,5 ‒ 0,6). Já o TSS
é o cálculo da sensibilidade mais a especificidade menos 1 e varia de -1 a 1. Ambas as
métricas se baseiam na matriz de confusão.
20
A análise estatística realizada foi ANOVA de medidas repetidas, já que se tratam de
três conjuntos de partições de registros idênticas a serem analisadas. Assim, se existir
efeito do tratamento (inclusão variável do solo, seja da GlobCover, seja a dos
remanescentes do INPE) no desempenho dos modelos gerados, o valor das métricas
observadas deve ser significantemente maior do que o esperado apenas por acaso.
Cada grupo de variáveis gerou cinco modelos, provenientes de cinco partições que
apresentaram baixos erros de omissão (Siqueira et al., 2009). Após o corte do limiar, o
modelo binário resultante foi multiplicado pelo original e atribuímos pesos de acordo com
os respectivos valores de TSS de cada modelo e fizemos uma média, criando assim
modelos médios ponderados para cada grupo de variável (Marmion et al., 2009). Além
disso, calculamos a área de adequabilidade potencial para ocorrência de ariranha de cada
um dos modelos médios ponderados finais.
Segundo Franklin (2009), de uma maneira geral, uma melhor validação de modelos
preditivos é feita quando são usados registros externos novos ou independentes, registros
estes não usados para estimar os parâmetros ou para gerar o modelo. Tendo isso em
consideração, foi realizada a validação externa dos modelos gerados, oriundos dos três
grupos de variáveis. Testou-se a capacidade de predição dos registros externos por meio de
ANOVA de medidas repetidas.
Para Giannini et al.,(2012), o ideal é planejar o levantamento de registros externos
em diferentes níveis de adequabilidade ambiental para se obter informações mais
completas sobre o tamanho da área de ocorrência da espécie. Desta forma, foram visitadas
áreas onde os modelos indicavam média e alta adequabilidade ambiental para ocorrência
da ariranha e assim, registros novos e independentes foram coletados para a validação. As
ausências não foram averiguadas, pois é muito comum haver problemas de detectabilidade
em campo, como já citado acima, e ainda, por se tratar de um animal que possui alta
dispersão, especialmente por diferenças sazonais e devido a busca de abrigo e alimento
(Utreras et al., 2005; Leuchtenberger et al., 2013), poderia resultar em dados equivocados
de ausência.
Após as análises, um grupo de variável foi escolhido como aquele que melhor
representa a distribuição potencial da ariranha no estado de Roraima e foi criado um
modelo de incerteza (Pearson et al., 2006) considerando o desvio-padrão das
adequabilidades dos cinco modelos daquele grupo. Calculou-se ainda a extensão da área de
ocorrência potencial da ariranha no estado e nas unidades de conservação para as
adequabilidades iguais e/ou superiores a 0,5 e a 0,8.
21
3. Resultados
Inicialmente, foram reunidos, 81 registros de ariranha, dos quais 57 são de
avistamento direto de indivíduo ou grupo de ariranhas, e 24 de avistamentos indiretos,
como latrinas, tocas ou acampamentos (Figura 4). O material suplementar 1 traz a planilha
completa de todos os registros e informações pertinentes. Deste total, 53 registros de
ocorrência são únicos, em resolução espacial de 1km, nos limites adotados como área de
estudo (máscara), o estado de Roraima
Trinta registros de ariranha foram coletados durante as expedições a campo através
da Chamada Interna ICMBio/DIBIO 2013, 25 foram por colaboradores que os coletaram
diretamente em campo, entre os anos de 2012 e 2013, 13 são provenientes do trabalho de
Restrepo (2009) e 13 registros foram disponibilizados por Emanuela Avangelista que os
coletou no ano de 2012.
A segunda expedição a campo foi realizada inteiramente em ambiente de lavrado,
denominação regional para savana (Barbosa et al., 2005), ambiente caracterizado por
vegetação arbóreo-arbustiva não florestal, com áreas campestres e lagos intermitentes. Não
havia, até então, conhecimento na literatura de registros de ariranha neste ambiente, mas
durante nossa saída a campo, mesmo tendo sido realizada em época de cheia, quando os
rios são navegáveis, mas a detectabilidade da espécie passa ser mais difícil, conseguimos
obter seis registros, inclusive de avistamento direto.
Considerando o que se tinha de registros conhecidos na bibliografia, houve um
incremento de 500% no total de pontos de coordenadas geográficas conhecidas para a
espécie para o estado de Roraima, fato que promove uma melhora significativa nos
resultados da modelagem para análise da adequabilidade ambiental da ariranha e o
conhecimento de sua distribuição na região.
Os três grupos de variáveis geraram valores muito semelhantes tanto de AUC,
como de TSS. Os três grupos tiveram valores de média do AUC entre 0,82 e 0,83 e,
segundo critério estabelecido por Metz (1986), valores de AUC entre 0,8 e 0,9 possuem
boa capacidade preditiva. Já para as médias de TSS de cada grupo, os valores variaram
menos ainda, entre 0,613 a 0,618 e, segundo Allouche, et al., (2006) valores de 0,6 a 1,0
podem ser considerados com boa capacidade preditiva.
22
Figura 4. Avistamento direto (A) Avistamentos indiretos (B, C, D e E) de
Pteronura brasiliensis.Fotos: Luciana Pacca
B) Pegada
D) Acampamento
C) Latrina E) Toca
A) Avistamento direto
23
Portanto, os valores apresentados pelos três grupos são bons, mas não
destacam nenhum grupo de variável como de melhor desempenho, o que nos sugere que,
através dessas métricas, o tratamento de incluir uma variável não alterou a capacidade
preditiva. Os resultados da avaliação estatística destas métricas corroboram estas
informações haja vista que não houve diferença significativa entre os grupos analisados
(TSS F(2,8)=2.063, gl = 2, p=0,190 e para AUC, F(2,8)=4.184, gl = 2, p= 0,571).
Os modelos médios ponderados de cada grupo de variável são apresentados na
figura 5. Aquele que incluiu a variável GlobCover (grupo 2) possui uma área total de
adequabilidade potencial de ocorrência da ariranha mais restrita em relação aos demais, em
seguida, o modelo com a variável dos remanescentes florestais (grupo 3) e por fim, aquele
das climáticas (grupo 1), que apresentou a maior área.
O teste de validação dos modelos com oito novos registros independentes,
coletados com GPS, demonstrou que não houve diferença significativa entre os modelos
gerados a partir de cada um dos três grupos de variáveis (F(2,14)= 0,227 gl=2, p=0.726),
sendo que dois dos três modelos apresentaram 91,67% de acerto dos registros externos. A
tabela 2 mostra as extensões em área de adequabilidade potencial ambiental e as médias de
acurácia (% de acertos) de cada grupo de variáveis.
24
A)
B)
C)
Figura 5. Modelo Médio Ponderado somente com as variáveis físicas e climáticas (A).
Modelo Médio Ponderado com adição da variável GlobCover (ESA, 2009) (B).Modelo
Médio Ponderado com adição da variável criada a partir dos dados do INPE, 2009 (C)
25
Tabela 2. Valores da área total de adequabilidade ambiental e média de porcentagem de
acertos pela validação externa para os três grupos de variáveis.
Grupos de variáveis
Área total de
adequabilidade
ambiental (Km²)
Validação externa
Acurácia
( % acertos)
Grupo 1 (var. físicas e climáticas) 33.628 91.67
Grupo 2 (adição var. Globcover) 28.444 88.34
Grupo 3 (adição var. remanes. INPE) 32.275 91.67
Como não houve diferença significativa para nenhuma das avaliações feitas entre
os três grupos de variáveis, selecionamos como modelo final aquele gerado a partir das
variáveis físicas e climáticas (figura 5 A), pois com um menor número de variáveis foi
capaz de obter o mesmo desempenho. O mapa de incerteza (desvio padrão) indicou que há
baixa variação da adequabilidade potencial entre os modelos do grupo 1, já que a maior
parte da área potencial apresentou baixos valores de desvio padrão (em azul), enquanto
áreas mais periféricas tiveram uma variação maior (em vermelho) (Figura 6).
Figura 6. O modelo de incerteza considerando o desvio padrão das adequabilidades dos
cinco modelos gerados pelo grupo 1.
Para o modelo final escolhido (grupo 1) a área com adequabilidade de até 0,5
totalizou 29.832 Km² em todo o estado e 3.285 Km² nas unidades de conservação. Já para
26
adequabilidades iguais ou superiores a 0,8, a área total do estado foi de 671 Km² e de
46Km² para as unidades. De uma forma geral, as unidades com maior área de
adequabilidade são: ESEC Niquiá, ESEC Caracaraí e PARNA Viruá, todas no sul do
estado, baixo rio Branco.
4. Discussão
Foi verificado que a inclusão de variáveis de uso do solo não melhorou o
desempenho preditivo dos modelos. Do mesmo modo, Staib & Schenck (1994) em um
estudo realizado no sudeste do Peru, na Reserva da Biosfera de Manu, constataram que
variáveis de habitat, como cobertura de vegetação de lagos, geralmente não estão
estatisticamente relacionadas à densidade populacional da ariranha. Thuiller et al., (2004)
em um estudo que avaliou a influência da inclusão de uma variável de uso do solo na
melhora da capacidade preditiva em modelos bioclimáticos para espécies de plantas,
anfíbios, répteis, aves e mamíferos também concluíram que não houve melhora na
previsão, nem na acurácia dos modelos gerados.
Em relação ao modelo de distribuição potencial de ariranha escolhido, pode ser
observada uma ausência predita a noroeste e nordeste de Roraima, porém há um vazio de
registros nestas áreas. Por esta região, estende-se a Serra de Pacaraima, que chega a ter
mais de 2.700m de altitude (IBGE, 2014), o que possivelmente tenha contribuído para este
resultado, já que ariranhas ocorrem em altitudes não superiores a 300 metros (Cartes e
Rosas, 1997) Ali, há áreas indígenas remotas, com navegabilidade e logística complexa
para seu acesso, o que resultou em ausência de coletas, e por este motivo, seria importante
a realização de inventário na área para verificação. Por outro lado, a sudeste do estado,
onde também há vazio de registros, todos os modelos indicaram várias áreas de baixa à alta
adequabilidade potencial para ocorrência de ariranha, onde também seria indicada a
realização de inventário, inclusive, pela maior facilidade de acesso.
Os principais rios do estado, como rio Tacutu, rio Uraricoera, rio Branco, rio
Jauaperi e rio Xeruiní, são apontados como alta adequabilidade por todos os modelos, este
último seria local indicado para novos inventários, onde não há registros da espécie. Nos
dois primeiros rios não havia registro para a espécie, até o presente estudo. As áreas de
alta adequabilidade apontadas por todos os modelos são áreas fundamentalmente de baixa
altitude, associados a rios e praias, justificado pelo habitat preferido pelas ariranhas, de até
300 metros de altitude (Carter & Rosas, 1997). A maior altitude de registro encontrada em
27
Roraima foi de 138 metros e as classes de uso do solo mais frequentes dos registros usados
na calibração dos modelos foram: “Floresta latifoliada ombrófila ou semi-decídua (>5m)
fechada a aberta (>15%)”, “Corpos de água” e “Campos abertos ou vegetação florestal
em solos regularmente inundados ou empapados ”.
Ariranhas pareceram ser seletivas em relação ao uso de elementos da paisagem
disponíveis durante a estação seca em um estudo realizado no Pantanal, em que a maioria
dos grupos escolheu áreas com floresta, provavelmente devido aos barrancos cobertos por
vegetação perto de corpos d´água para construção de tocas e acampamentos
(Leuchtenberger et al., 2013). Isso também foi observado em Roraima, pois em todos os
locais onde os registros foram coletados durante as expedições havia vegetação ciliar
preservada. Até mesmo em Boa Vista, embora houvesse movimentação de embarcações e
maior densidade humana, foram encontrados registros indiretos logo em frente a orla da
capital do estado, no Rio Branco.
Como modelos criados a partir de variáveis bioclimáticas assumem estar em
equilíbrio com as distribuições de espécies e as condições do ambiente atual, eles ficam
sujeitos a exagerarem na distribuição da espécie sob estudo, que dependendo da sua
ecologia e biologia, pode ser altamente afetada por atividades humanas e,
consequentemente, pode estar ausente em áreas indicadas como potencialmente adequadas
(Araújo, 2003). Este problema deveria ser particularmente grave em regiões onde uma
relação negativa entre a ocorrência de espécies e densidade da população humana é
relatada (Thuiller et al., 2004).
Roraima é um dos Estados mais conservados do País, com apenas 6% de sua
superfície territorial desmatada e com a maior parte de suas nascentes protegidas no
interior de Terras Indígenas e Unidades de Conservação. Essas características representam
uma vantagem estratégica para o estado na elaboração de um modelo de desenvolvimento
com base no uso sustentável dos recursos naturais e no pagamento por serviços ambientais,
capaz de aliar o desenvolvimento econômico com a valorização da diversidade
socioambiental (ISA, 2011).
Além disso, grandes carnívoros têm especial importância para a conservação
biológica por diversas razões. Eles vivem em densidades mais baixas do que as espécies de
suas presas e, portanto, são mais vulneráveis à extinção. São predadores de topo de cadeia
alimentar e sua presença depende de que diversos outros níveis tróficos abaixo se
mantenham intactos. São indicadores de perturbações ecológicas, já que mudanças na
reprodução e tamanho de população são mais fáceis de monitorar do que àquelas em suas
28
presas ou nas plantas. Além disso, grandes carnívoros são “espécies bandeiras”, capazes de
atrair atenção e recurso (Caro & Durant, 1995 apud Pereira, 2004).
Assim, a ariranha pode ser vista como uma espécie chave não só para o
planejamento do estado, mas também para a Amazônia e para o Brasil. Medidas de gestão
locais e regionais de habitat já foram executadas para a ariranha em outros países, tais
como as que foram implementadas no zoneamento das Áreas Protegidas em Madre de
Dios, no sudeste do Peru, e os planos de gestão implementados nos lagos do Parque
Nacional de Manu. Estas medidas promoveram a redução da pressão humana sobre os
habitats-chave da espécie, com o objetivo de manter a qualidade dos ambientes e
maximizar o sucesso reprodutivo ariranha (Groenendijk et al., 2014) e podem servir como
exemplo para Roraima, uma vez que as ameaças à espécie estão presentes em nível local e
regional no Estado, como o aumento da mineração, o desmatamento por madeira e para
abertura de áreas para plantio e pasto, assim como a instalação de hidrelétricas e novas
estradas (ISA, 2011). Segundo dados do PRODES (Projeto de Monitoramento da Floresta
Amazônica por Satélites), entre o período de agosto de 2012 a julho de 2013, Roraima
registrou aumento de 49% no desmatamento, equivalente a 22 campos de futebol, ou,
aproximadamente 185 Km² a mais de área desmatada, em relação ao mesmo período entre
2011 a 2012. Para 2014, antes mesmo do término do ano, a taxa de desmatamento já é de
63Km² a mais de área desmatada em relação a 2013 (PRODES, 2014).
Regiões que abrigam ariranhas são, geralmente, sem perturbações e não poluídas
(Groenendijk, 1998) e, portanto, identificar áreas onde existam condições ambientais
apropriadas é essencial para o planejamento de projetos de conservação, a fim de manter a
diversidade dos processos ecológicos, preservar altas densidades de espécies e para manter
a conectividade ecológica (Clément et al., 2014).
Por fim, a crescente importância e grande utilidade dos modelos de distribuição
potencial de espécies nas mais diversas áreas da Ciência (Franklin, 2009; Peterson et al.,
2011) já são bem conhecidas no meio acadêmico. Segundo Guisan et al., (2013), para se
construir modelos de distribuição potencial de espécies apropriados a fim de orientar de
forma mais eficaz as ações de conservação, modeladores precisam entender melhor o
processo de decisão e os tomadores de decisão precisam dar retorno aos modeladores em
relação ao uso real de modelos de distribuição de espécies para apoiar decisões de
conservação. Agora, cada vez mais será essencial que os pesquisadores e tomadores de
decisão dialoguem entre si e trabalhem juntos para que haja evolução tanto do
conhecimento científico gerado como para a implementação de ações de conservação. Em
29
Roraima, é possível adotar medidas de conservação tendo como foco a ariranha e
consequentemente a proteção de vegetação ciliar, o monitoramento da qualidade da água e
do estoque de peixes, o que traria diversos benefícios a curto e longo prazo não só para a
espécie, mas para a população humana.
30
Referências bibliográficas:
Allouche, O. Tsoar, A. Kadmon, R. 2006. Assessing the accuracy of species
distribution models prevalence, kappa and the true statistic (TSS).Methodological
Insights. Journal of Applied Eciology: 43: 1223-1232.
Araújo, M.B., Humphries, C.J., Densham, P.J., Lampinen, R.,Hagemeijer,
W.J.M., Mitchell-Jones, A.J. & Gasc, J.P. 2001. Would environmental diversity be a
good surrogate forspecies diversity? Ecography, 24: 103–110.
Araújo, M.B. 2003.The coincidence of people and biodiversityin Europe.Global
Ecology and Biogeography, 12: 5–12.
Barbosa, R. I. Nascimento, S.P.; Amorim, P.A.F.; Silva, R.F. 2005. Notas sobre
a composição arbóreo-arbustiva de uma fisionomia das savanas de Roraima, Amazônia
Brasileira. Acta Botanica Brasilica 19 (2): 323-329.
Barnett, A. 2000.Records of the Giant Otter, Pteronura brasiliensis, from
Guyana.IUCN Otter Specialist Group Bulletin, 17 (2): 65-74.
Buermann, W.; Saatchi, S.; Smith, T. B.; Zutta, B. R.; Chaves, J. A.; Milá, B.;
Graham, C. H. 2008. Predicting species distributions across the Amazonian and Andean
regions using remote sensing data. Journal of Biogeography, 35: 1160-1176.
Carter, S.K., Rosas F.C.W. 1997. Biology and conservation of the giant otter
Pteronura brasiliensis. Mammal Rev. 27: 1-26.
Clement, L., Catzeflis, F., Richard-Hansen, C., Barrioz, S., de Thoisy. 2014.
Conservation interest of spatial distribution modelling applied to large vagile mammals.
Tropical Conservation Science 7(2): 192-213.
Costa, L. P., Leite, Y.L.R.,Mendes, S.L.,Ditchfieild, A. D. 2004. Mammal
conservation in Brazil.Conservation Biology. 19(3):672 – 679.
Cuarón, A. 2000. Effects of land-cover changes on mammals in a Neotropical
region: a modeling approach. Conservation Biology. 14 (4): 1676-1692
De Marco Júnior, P. & De Siqueira, M. F. 2009. Como determinar a distribuição
potencial de espécies sob uma abordagem conservacionista? Megadiversidade. 5 (1-2).
De Siqueira, M. F., Durigan, G. de Marco Júnior, P. Peterson, A. T. 2009.
Something from nothing: Using landscape similarity and ecological niche modeling to
find rare plant species Journal for Nature Conservation: 17: 25—32.
Duplaix, N. 1980.Observations on ecology and behaviour oh the giant otter
Pteronura brasiliensis in Suriname. RevueEcologique (Terra vie). 34: 495 – 620.
31
Duplaix, N. 2002.Giant otter. WWF - Guianas Rapid River Bio-assessments and
Giant Otter Conservation Project. Pp. 1-119.
Elith, J., Kearney, M. and Phillips, S. 2010.The art of modelling range shifting
species. Methods in Ecology and Evolution, 1: 330–342.
European Space Agency – ESA, (http://due.esrin.esa.int/globcover/)
Evangelista, E. & Rosas, F.C.W., B. 2011a.Breeding behavior of Giant otter
(Pteronura brasiliensis) in the Xixuau Reserve, Roraima, Brazil. Proceedings of XIth
International Otter Colloquium, IUCN Otter Spec. Group Bull. 28: 5-10.
Evangelista, E. & Rosas, F.C.W., B. 2011b.The Home Range and Movements of
Giant Otters (Pteronura brasiliensis) in the Xixuau Reserve, Roraima, Brazil .
Proceedings of XIth International Otter Colloquium, IUCN Otter Spec. Group Bull. 28:
31 – 37.
Evangelista, E. 2004. Change Of Partners In A Giant Otter Alpha Couple
. IUCN Otter Spec. Group Bull. 21(1): 47 – 51.
Ferraz, K. M. P. M. B., Siqueira, M. F., Alexandrino, E. R., Da Luz, D. T. A.,
Couto, H. T. Z. 2012. Environmental suitability of a highly fragmented and
heterogeneous landscape for forest bird species in south-eastern Brazil. Environmental
Conservation: Foundation for Environmental Conservation. Pp.9.
Foley, J. A., DeFries, R., Asner, G. P. 2005. Global consequences of land use.
Science. 309: 570-574.
Fourcade, Y., Engler J.O., Rodder, D., Secondi, J. 2014.Mapping Species
Distributions with MAXENT Using a Geographically Biased Sample of Presence
Data:A Performance Assessment of Methods for Correcting Sampling Bias. PLoS ONE
9(5): 97-122.
Franklin, J. 2009. Mapping Species Distribution: spatial inference and
prediction.EBC Ecology, Biodiversity and Conservations. Cambridge, UK, Pp.211.
Giannini, T. C., Siqueira, M. F., Acosta, A. L. Barretos, F. C. C., Saraiva, A. M.,
Alves-dos-Santos, I. 2012. Desafios atuais da modelagem preditiva de distribuição de
espécies. Rodriguésia 63(3): 733-749.
Groenendijk, J. 1998. A review of the distribution and conservation status of the
giant otter (Pteronura brasiliensis) with special emphasis on the Guayana Shield
Region.Netherlands Commitee for IUCN. Amsterdam. Pp. 55.
32
Groenendijk J, Hajek F, Johnson PJ, Macdonald DW, Calvimontes J, et al. 2014.
Demography of the Giant Otter (Pteronura brasiliensis) in Manu National Park, South-
Eastern Peru: Implications for Conservation. PLoS ONE 9(8): 106-202.
Guisan, A., Tingley, R., Baumgartner, J. B., Naujokaitis-Lewis, I., Sutcliffe,
P.R., Tulloch, A.I.T, Regan, T. J., Brotons, L., MacDonald-Madden, E., Mantyka-
Pringle, C., Martin, T. G., Rhodes, J. R., Maggini, R. Setterfield, S.A., Elith, J.,
Schwatz, M. W., Wintle, B. A., Broennimann, O. Austin, M., Ferrier, S., Kearney, R.,
Possingham, H. P., Buckley, Y. M. 2013. Predicting species distributions for
conservation decisions. Ecology Letters, 16: 1424–1435.
Hijmans, R. J.; Cameron, S. E.; Parra, J. L.; Jones, P. G.; Jarvis, A. 2005. Very
high resolution interpolated climate surfaces for global land areas. International Journal
of Climatology, 25: 1965-1978.
IBGE – http://www.ibge.gov.br/
INPE - http://www.obt.inpe.br/prodes/index.php /
http://www.dpi.inpe.br/Ambdata/densidade.php
ISA – Instituto Sócio Ambiental. 2011. Diversidade Socioambiental de Roraima:
subsídios para debater o futuro sustentável da região / [organização Ciro Campos]. --
São Paulo: Instituto Socioambiental. Pp. 111.
Isola, S.& Benavides, J. 2001. El lobo de rio: una espécie bandera para la
Reserva Comunal Tamshiyacu Tahuayo. Wildlife Conservation Society, Rainforest
Conservation Fund, Durrel Institute of Conservation and Ecology, El Centro de Datos
para la Conservation.Universidad Nacional Agraria La Molina. Lima, Peru. Pp. 46.
Leuchtenberger, C. Oliveira-Santos, L. G. R., Magnusson, W. Mourão, G. 2013.
Space use by giant otter groups in the Brazilian Pantanal. Journal of Mammalogy, 94
(2) : 000-000.
Leyequien, E., Verrelst, J., Slot, M. Schaepman-Strub. G., Heitkonig, I. M. A. &
Skidmore, A. 2007.Capturing the fugitive: Applying remote sensing to terrestrialanimal
distribution and diversity. (vol 9, pg 1 - 10, 2007). International Journal of Applied
Earth Observation and Geoinformation, 9: 224-224.
Liu, C. Berry, P.M., Dawson, T. P. & Pearson, G. 2005. Selecting thresholds of
occurrence in the prediction of species distributions.ECOGRAPHY 28: 385-393.
Marmion, M., Parviainen, M., Luoto, M. Heikkinem, R. K. & Thuiller, W.
2009.Evaluation of consensus methods in predictive species distribution
modelling.Diversity and Distributions: 15: 59-69.
33
Mason, S.J. & Graham, N. E 2002. Areas beneath the relative operating
characteristics (ROC) and relativeoperating levels (ROL) curves: Statistical significance
and interpretation. Meteorol. Soc. (2002), 128: 2145–2166.
Mendes Pontes, A. M., Layme, V. M. G., Magnusson, W. E., Marigo, L. C.
2010. Mamíferos de Médio e Grande porte de Roraima, extremo norte da Amazônia
Brasileira. In: Roraima: Homem, Ambiente e Ecologia. Barbosa, R. I. Melo, V. F.
Femact, Boa Vista, RR.
Metz, C.E. 1986. ROC methodology in radiologic imaging.Investigational
Radiology 21:720-733.
Morato R.G., Ferraz K.M.P.M.d B., de Paula R.C., Campos C.B.d 2014.
Identification of Priority Conservation Areas and Potential Corridors for Jaguars in the
Caatinga Biome, Brazil. PLoS ONE 9(4): 92950.
Norris, D.& Michalski, F. (2009). Are otters an effective flagship for the
conservation of riparian corridors in an amazondeforestation frontier? Short Note.
IUCN Otter Spec. Group Bull. 26(2).
Palmeirim, A. F., Peres, C. A., Rosas, F. C. W. 2014. Giant otter population
responses to habitat expansion and degradation induced by a mega hydroeletric
dam.Biological Conservation 174: 30-38.
Parera, A. 1996. Las “nutrias verdadeiras” de la Argentina. Boletin Tecnico de la
Fundación Vida Silvestre Argentina, 21:1-38.
Pearson, R. G, Thuiller, W. Araújo, M. B, Martinez-Meyers, E.Brotons, L.,
McClean, C., Miles, L. Segurado, P. Dawson, T. P., Lees, D. C. 2006. Model-based
uncertainty in species range prediction. Journal of Biogeography (J. Biogeogr.) 33:
1704–1711
Pereira, C. R. 2004. Desenvolvimento de um programa de monitoramento em
longo prazo das ariranhas (Pteronura brasiliensis) no pantanal brasileiro. (Dissertação
de mestrado) Universidade Federal de Mato Grosso do Sul. Pp. 88.
Phillips, S. J., Anderson, R.P. & Schapire, R. E. 2006.Maximum entropy
modeling of species geographic distributions – Ecological Modeling 1990: 231 – 259.
PRODES (Projeto de Monitoramento da Floresta Amazônica por Satélites) -
http://www.obt.inpe.br/prodes/index.php
R Development Core Team. 2010. R: a Language and Environment for
StatisticalComputing. Vienna, Austria: R Foundation for Statistical Computing.
Available:http://www.r-project.org/.
34
Restrepo, D. M. O. 2009. As ariranhas (Pteronura brasiliensis) do Parque
Nacional do Viruá: uso do espaço e caracterização do habitat e microhabiat. (dissertação
de mestrado) Universidade Federal de Roraima. Pp. 59.
Rheingantz, M. L., de Menezes, J. F. S., Thoisy, B. 2014. Defining Neotropical
otter Lontra longicaudis distribution, conservation priorities and ecological
frontiers.Tropical Conservation Science. 7 (2): 214-229.
Rocha, E. C. & Dalponte, J. C. 2006. Composição e caracterização da fauna de
mamíferos de médio e grande porte em uma pequena reserva de cerrado em Mato
Grosso, Brasil.Revista Árvore, Viçosa-MG, 30 (4): 669-678.
Schenck, C., Groenendijk, J., Hajek, F., Staib, E., Frank, K. 2002. Linking
Protected Area Conditions to Species Needs. In: Bissonette, J.A., Storch, I.
(Eds.).Landscape Ecology and Resource Management, Linking Theory with Practice.
Island Press, Pp. 341-357.
Schmidt, D. M. & Mattos, A. 2013. Dinâmica dos regimes de precipitação e
vazão da bacia hidrográfica do Alto Piranhas-Açu / PB.Sociedade e Território, Natal.
Edição especial, 25 (2): 67-77.
Soberón, J. & Peterson, A. T. 2005.Interpretation of models of fundamental
ecological nichesand species distributional areas.- Biodiversity Informatics 2: 1-10.
Soule, M. E. 1985. What is conservation biology? - BiosScience 35: 727-734.
Staib, E. & Schenck, C. 1994.Giant Otters and Ecotourism in Peru. IUCN Otter
Spec. GroupBull. 9: 7-8
Tingley, R. and Clements, G. R. Creating a bias grid for Maximum Entropy
Modelling (MaxEnt).Disponível em:
http://dl.dropboxusercontent.com/u/11171634/Rimba_toolbox/Bias_grid_instructions.p
df.
Tischendorf, L, and Fahrig, L. 2000. How should we measure landscape
ecology? LandscapeEcology 15:633-641.
Thuiller, W. Araújo, M. B. & Lavorel, S. 2004. Do we need land-cover data to
modelspecies distributions in Europe? Journal of Biogeography (J. Biogeogr.) 31: 353–
361
Utreras, B.V., Suárez, R.E., Zapato-Ríos, G., Lasso, G., Pinos, L. 2005. Dry and
rainy season estimations of giant otter, Pteronura brasiliensis, home range in the
Yasuní National Park, Ecuador. LAJAM 4(2):191-194.
35
Vandermeer, J. H. 1972. Niche Theory.Annual Review of Ecology and
Systematics. 3: 107-132.
WORLDCLIM - (http://www.worldclim.org/current)
Zimmerman, N. E., Edwards, Jr T. C., Graham, C. H., Pearman, P.B. and
Svenning, J. C. 2010. Newtrends in Species Distribution Models. Ecography 33: 985-
989.
36
CAPÍTULO 2 – Distribuição espacial potencial de Pteronura brasiliensis na
América do Sul, identificação de áreas prioritárias para sua conservação e realização de
inventários.
1. Introdução
A modelagem de distribuição de espécies é uma ferramenta fundamental para
diversas aplicações em ecologia, biogeografia e ciência da conservação, entre outras
(Elith et al., 2006; Franklin, 2009; Phillips et al., 2009; Peterson et al., 2011). Para
tanto, existem muitos aspectos a serem considerados em um estudo de modelagem
como escala, extensão da área de estudo, desenho amostral, resolução geográfica e
temporal, além da definição das variáveis ambientais, algoritmo, formas de calibração e
validação dos modelos (Franklin, 2009; Elith & Leathwick, 2009), e ainda enfatizamos
a correção do viés de amostragem, que, segundo Fourcade et al., (2014) não é muito
frequente nos estudos de modelagem de distribuição de espécies e tem sido
surpreendentemente mal abordada nos trabalhos, apesar da sua importância crucial.
Os efeitos do viés de amostragem podem ser fundamentais para a precisão dos
modelos de distribuição potencial de espécies gerados a partir de conjuntos de dados
apenas de presença (Phillips et al., 2009), mas as opções para corrigir o viés de
amostragem nem sempre são aplicadas (Yackulic et al., 2012; Fourcade et al., 2014). A
qualidade do modelo pode ser fortemente afetada se o espaço ambiental apropriado para
uma espécie está ausente ou mal representado no conjunto de dados (Bystriakova et al.,
2012). Esta é uma questão crítica, especialmente para profissionais que precisam de
previsões robustas e confiáveis, tais como praticantes da conservação da biodiversidade
(Fourcade et al.,2014).
Métodos complexos têm sido bastante usados em modelagem de distribuição de
espécies os quais possuem parâmetros de difícil interpretação e foram desenvolvidos no
campo da inteligência artificial e da estatística, em que o Maxent (maximum entropy)
(Phillips et al., 2006) é o de uso geral, e tem sido chamado tanto de método de
aprendizagem de máquina (machine learning) como de método estatístico (Franklin,
2009).
A máxima entropia (maximum entropy), que é distribuição multivariada das
condições de habitat adequado em função do espaço ambiental, estima uma distribuição
mais uniforme e mais espalhada possível (Phillips et al., 2006). O Maxent tem
37
despertado grande interesse, pois mostrou apresentar melhores valores de acurácia
quando comparado com outros algoritmos de dados de presença (Elith et al., 2006), já
que foi especificamente desenvolvido para usar apenas tais dados e para superar
problemas de pequenas amostras mal distribuídas (Franklin, 2009). No entanto, o
Maxent é sujeito ao sobre ajuste que gera baixa transferabilidade e dependência de
limiar, quando há viés de amostragem (Peterson, 2007).
Kramer-Schadt et al., (2013) ressaltam o Maxent como uma ferramenta
poderosa para o estudo de modelagem de distribuição potencial de espécies e destacam
a importância de se tentar corrigir o viés de amostragem para ajudar a reduzir os erros
de omissão e comissão e, portanto, melhorar a acurácia dos modelos, contribuindo
assim para a conservação das espécies e gestão da biodiversidade.
Boria et al., (2014) também usaram o Maxent e testaram o desempenho de
modelos para a distribuição potencial de um pequeno mamífero de Madagascar com três
diferentes conjuntos de dados: registros não filtrados, registros espacialmente filtrados
em 10Km e registros parcialmente filtrados. Os modelos feitos com o conjunto de dados
filtrados foram superiores aos dos outros conjuntos de dados para todas as métricas
avaliadas. Syfert et al., (2014) incorporaram um bias grid nos procedimentos de
modelagem para se corrigir o viés de amostragem de três espécies de samambaias,
usando o algoritmo Maxent e enfatizam a importância de se reduzir o viés de
amostragem geográfico, sempre que possível, em conjuntos de dados usados para
calibrar modelos de distribuição potencial de espécies, ressaltando a eficácia e
essencialidade de correção do viés de amostragem quando se usa este algoritmo.
A ariranha (Pteronura brasiliensis) está classificada pela IUCN como Em Perigo
(EN) pelo critério A3cd. Isso significa, segundo Groenendijk, et al., (2005), que a
redução do tamanho populacional de ariranhas será igual ou superior a 50%, em um
prazo de três gerações da espécie que representa, aproximadamente, 21 anos.
Atualmente é um dos mamíferos mais ameaçados da América do Sul (Pickles et al.,
2012), de onde é endêmica e possui ampla distribuição geográfica (Carter & Rosas,
1997; Duplaix et al., 2008). A ariranha possui registros de ocorrência mal distribuídos
espacialmente pelo continente, com aglomerados próximos a centros de pesquisas, áreas
com alguma facilidade de acesso e em lugares onde há grandes empreendimentos.
Assim, a ariranha é uma espécie ideal para se testar redução de viés de amostragem,
uma vez que os dados disponíveis são enviesados.
38
Uso antrópico do solo, como agricultura, reflorestamento e urbanização, é a
principal forma de distúrbio em áreas adequadas para ocorrência de espécies e assim, o
mapeamento do uso do solo é comumente considerado por agências de planejamento, de
forma que dados de cobertura da terra tem-se tornado cada vez mais importantes na
caracterização requerida para modelagem global de mudanças ambientais (Foley et al.,
2005). Além disso, categorias de vegetação ou comunidades de plantas representam
classes e estruturas de habitat para animais e plantas e têm sido amplamente usadas
como variáveis preditoras em trabalhos de modelagem de distribuição potencial de
espécies (Franklin, 2009).
A ariranha dependente de boas condições ambientais para se estabelecer
(Groenendijk et al., 1998; Isola & Benavides, 2001; Duplaix et al., 2008), onde haja
vegetação ciliar bem preservada (Duplaix, 1980; Carter & Rosas, 1997; Lima et al.,
2012) e por isso, julgamos ser uma boa espécie para testar sua ocorrência com variável
de uso do solo.
Neste capítulo, será gerado o mapa de distribuição espacial potencial de
Pteronura brasiliensis na América do Sul e serão identificadas áreas prioritárias para a
realização de novos inventários e para a conservação da espécie no continente e, no
âmbito do Plano de Ação Nacional da Ariranha (ICMBio, 2010), no Brasil.
Adicionalmente, será testada a hipótese de que a inclusão de um procedimento
para correção de viés de amostragem aos procedimentos de modelagem aumenta a
capacidade de predição da distribuição potencial de Pteronura brasiliensis na América
do Sul e, ainda, que a inclusão da variável de uso do solo GlobCover aumenta a
capacidade preditiva dos modelos gerados.
2. Material e métodos
2.1. Área de estudo e registros de ocorrência de Pteronura brasiliensis
Definimos como área de estudo a América do Sul, considerando a distribuição
histórica de Pteronura brasiliensis (Duplaix et al., 2008). Para reunião e organização de
registros, foram realizadas quatro expedições a campo no norte do estado de Roraima,
onde não se conhecia registros precisos da espécie. Além disso, uma busca na literatura
disponível foi feita, assim como foram realizadas consultas a pesquisadores e colegas,
que gentilmente colaboraram e disponibilizaram seus registros. Ao todo, foram reunidos
39
1429 registros, contudo, na resolução espacial usada de 1 Km, obtivemos 665 registros
únicos (Figura 1). Os registros foram disponibilizados por 17 colaboradores, pela
empresa Norte Energia, pela empresa T Engenharia e Sistemas Ltda – TEES, no âmbito
do Contrato nº 61/2013, processo nº 02070.001100/2013-88, contratada pela
COAPRO/DIBIO/ICMBio, por expedições realizadas a campo no estado de Roraima e
por artigos científicos.
Correspondência temporal deve existir entre dados de ocorrência e variáveis
ambientais (Phillips et al., 2006) para que um fenômeno de interesse biogeográfico ou
ecológico seja capturado de forma adequada (Peterson et al., 2011). Desta maneira,
priorizou-se usar registros mais atuais possíveis, de forma que a maioria dos registros
deste estudo (80,6%) é do período entre os anos de 2009 e 2014, ou seja, dos últimos
cinco anos, considerados recentes. Algumas variáveis ambientais são mais estáticas que
outras, de modo que estas mudam lentamente (como as climáticas e topográficas),
enquanto que outras são mais dinâmicas (como as de uso do solo) (Peterson et al.,
2011).
A única variável que poderia haver uma mudança durante os últimos anos, usada
neste estudo, é a GlobCover, de uso do solo, cujo o ano de criação é 2009. Os registros
anteriores a 2009 representam apenas 10,6% do total. Com o intuito de utilizar esses
registros, foram analisadas quais as três classes de uso do solo (GlobCover - ESA,
2009) eram mais frequentes nos registros recentes (a partir de 2009) e utilizamos apenas
registros antigos que ocorreram nestas três classes (Floresta latifoliada ombrófila ou
semi-decídua (>5m) fechada a aberta (>15%), corpos de água e campos abertos ou
vegetação florestal em solos regularmente inundados ou empapados). Constatamos que
as classes de uso do solo em que todos os pontos de ocorrência antigos (anteriores a
2009) foram registrados são as mesmas dos registros recentes, portanto, não foi
necessário deslocá-los.
40
Figura 1. Registros de ocorrência de ariranha usados nos procedimentos de
modelagem para a América do Sul.
Os registros sem informação de data representam a minoria dos registros total,
8,8%. Segundo Franklin, (2009), estes deveriam ser desconsiderados para se evitar
problemas de análise por conta do lapso temporal, a menos que sejam validados. A
validação desses registros foi a mesma realizada com os anteriores a 2009, e ainda, para
referendar o uso desses registros, o Otter Specialist Group, grupo de especialistas de
espécies de lontras da IUCN (International Union for Conservation of Nature), os
considera como ocorrências corretas de Pteronura brasiliensis (comum. pessoal).
2.2. Seleção de variáveis
Dados climáticos interpolados espacialmente referentes às chamadas superfícies
climáticas (Hijmans et al., 2005) são amplamente usados como variáveis de entrada nos
modelos de distribuição de espécies (Buermann et al., 2008; Franklin, 2009). Destas,
duas variáveis foram selecionadas: temperatura média anual e sazonalidade de
precipitação (http://www.worldclim.org/), as quais apresentaram baixa colinearidade
41
entre si, no valor de 0.7, através do índice de correlação de Pearson, calculado no
Programa BioEstat 5.0 (Ayres et al., 2007).
A sazonalidade de precipitação está associada à ecologia da ariranha já que, de
uma forma geral, áreas de ocorrência de espécies são sujeitas a inundação sazonal que
influencia significativamente na utilização de recursos (Parera, 1996). Duplaix (1980)
aponta também que fatores de sazonalidade afetam a distribuição e biomassa de
populações de peixes e a escolha de habitat da ariranha se deve, principalmente, a
acessibilidade a locais adequados para pesca durante todo o ano. Nos períodos de seca,
os animais tendem a explorar canais de rios principais, onde encontram maior
disponibilidade de alimento e espaço. Já nos períodos de cheia, deixam áreas alagadas e
vão em busca de ambientes conveniente para abrigarem-se (Duplaix, 1980; Parera,
1996; Carter & Rosas, 1997). A temperatura média anual foi uma das variáveis
apontadas por Frederico et al., (2014) para representar a variação nos períodos
hidrológicos na Amazônia e também está associada à distribuição de peixes
continentais. Desta forma, assumimos a variável sazonalidade de precipitação e
temperatura média anual como variáveis importante para a distribuição da ariranha.
As ariranhas são excepcionalmente bem adaptadas à vida em habitats aquáticos
nas planícies tropicais da América do Sul e são encontradas em rios, riachos, lagos,
reservatórios, pântanos, bem como florestas inundadas durante a estação chuvosa
(Groenendijk et al., 2005). Desta maneira, sendo a ariranha um animal profundamente
associado a corpos d´água, foi considerado importante adicionar ao conjunto de
variáveis a distância de drenagem criada a partir do shape de hidrologia da USGS
(http://water.usgs.gov/maps.html) bem como a variável de acumulação de fluxo d´água
(http://hydrosheds.cr.usgs.gov/dataavail.php), que é definida pelo total de área rio acima
(em número de células) que drenam para cada célula. A camada de direção de drenagem
é usada para definir quais células são consideradas para cada célula alvo, portanto, o
número de células acumuladas é essencialmente uma medida da bacia hidrográfica a
montante (Hydro SHEDS, 2006). Esta seria uma variável análoga à ordem dos rios,
usada por Frederico et al. (2014) para a distribuição potencial de peixes continentais.
Duplaix (1980), Utreras et al., (2005) e Palmeirim et al, (2014) sugerem que a
declividade seja um fator importante na seleção de habitat por ariranha, sendo esta
incluída no presente estudo. Adicionalmente, ariranhas parecem ocorrer em planícies
inundáveis de até 300m de altitude (Carter & Rosas, 1997). Sendo assim, incluímos
42
como variáveis a inclinação do terreno, tendo sido retiradas do site da USGS
(https://lta.cr.usgs.gov/HYDRO1K)
Os tipos de água na Amazônia, onde está a maioria dos registros da espécie,
dependem da origem geológica dos rios (McClain & Naiman, 2008) e o tipo de solo se
demonstrou importante para definir a distribuição de peixes continentais (Frederico et
al., 2014), que são o principal recurso alimentar da ariranha (Cabral et al., 2010).
Duplaix, (1980), em um estudo realizado na Guiana, aponta que a ariranha foi
particularmente favorecida em riachos de águas pretas, assim denominada pela água
apresentar coloração marrom escuro com materiais húmicos, derivados da
decomposição da vegetação. A água preta é mais transparente do que corpos de água
branca, onde a visibilidade é de apenas alguns centímetros, devido a uma alta
concentração de sedimentos (Groenendijk, 1998). Por outro lado, Staib & Schenck
(1994), constataram no sudeste do Peru, que ariranhas preferiam as lagoas marginais aos
rios de água branca ou "cochas", que caracteristicamente não têm curso, com
profundidade menos variável e os peixes são abundantes devido à alta produção
primária (comparação com corpos de água preta) e devido a uma maior concentração de
nutrientes.
Além disso, enfatizando a importância de se utilizar uma variável de tipos de
solo nos modelos, Palmeirim et al., (2014) usaram textura e dureza do solo como
variáveis para avaliar quantitativamente as preferências de habitat da ariranha no
reservatório de Balbina (AM) e verificaram que a maioria das tocas e acampamentos
ocorreram em solos mais maleáveis, com maiores proporções de argila, e com um nível
moderado de dureza, características que presumivelmente fazem o solo ser mais fácil de
escavar. Neste caso, Franklin (2009) sugere que variáveis indiretamente relacionadas à
distribuição da espécie devem ser utilizadas, como o tipo de solo (Dijkshoorn et al.,
2005) no presente estudo.
Em um estudo realizado por Leuchtenberger et al., (2013), no Pantanal, grupos
de ariranha foram seletivos quanto à escolha de área de vida em relação à composição
da paisagem durante as estações secas, quando rios com vegetação florestal preservada
foram mais intensamente utilizados em relação a outras características da paisagem. No
entanto, elas pareceram ser menos seletivas durante as estações chuvosas. Segundo os
autores, a escolha por áreas florestais durante estação seca, pela maioria dos grupos de
ariranha monitorados, está provavelmente relacionada ao uso dos barrancos dos rios
com vegetação ciliar preservada para a construção de tocas e acampamentos. Isso
43
também foi observado em outros trabalhos (Carter & Rosas, 1997; Duplaix, 1980; Lima
et al., 2012). Barrancos de rios cobertos por vegetação são menos afetados pela erosão e
devem oferecer mais proteção às tocas contra predadores (Lima et al., 2012), o que
justificaria o uso de variável uso do solo (ESA, 2010 -
http://due.esrin.esa.int/globcover/).
De acordo com Duplaix (1980), a disponibilidade de alimento e ambientes
adequados para construção de refúgios, com cobertura vegetal densa e preservada e
declive suave, são fatores que possuem grande relevância para ocorrência de P.
brasiliensis. Para verificar se a inclusão de uma variável de uso do solo geraria modelos
com melhor desempenho para a distribuição potencial da ariranha, foi escolhida a
variável de uso do solo GlobCover (ESA, 2010), muito usada em trabalhos de
modelagem de distribuição de espécies (ver Plano de Ação Nacional da Onça Pintada -
ICMBio, (2010); Ferraz et al., 2010; Wilting et al., 2010; ; Ferraz et al., 2012; Morato
et al., 2014). A variável GlobCover representa composições globais de uso e cobertura
da terra captadas durante o ano de 2009, a partir da composição mensal das bandas do
sensor MERIS, a bordo do satélite ENVISAT com resolução espacial de 300m (ESA,
2009).
Portanto, conforme justificado, os modelos foram feitos com as variáveis
temperatura média anual, sazonalidade de precipitação, altitude, declividade, distância
de drenagem, acumulação de fluxo d´água, solos e testados com e sem a variável de uso
do solo, GlobCover.
2.3.Viés de amostragem
Uma das premissas da modelagem potencial de espécies sustenta que em todo
experimento deverá existir suficiência amostral dos dados (Phillips et al.,2009). No
entanto, viés espacial geralmente leva a viés ambiental por causa de uma maior
representação de certas características ambientais relativas, frequentemente, aos
registros mais acessíveis e áreas mais inventariadas (Franklin, 2009; Peterson et al.,
2011). Assim, a diferença entre registros de ocorrência disponíveis e amostragem dos
backgrounds (pontos de dados retirados aleatoriamente da área de estudo) pode
conduzir a modelos imprecisos que por sua vez podem levar a decisões de gestão
inadequadas (Phillips et al., 2009). Embora o viés de amostragem seja um problema
comum na modelagem de distribuição de espécies, em particular em estudos com
44
Maxent (Peterson et al., 2011), correções para esta questão foram apenas recentemente
abordadas (Phillips et al., 2009, Kramer-Schadt et al., 2013; Boria et al., 2014;
Fourcade et al., 2014; Barnes et al., 2014), e pouca atenção tem sido dada à avaliação
de estratégias para corrigir amostragem irregular ou comparar a sua eficácia (Phillips et
al., 2009; Yackulic et al., 2012).
Com o intuito de se tentar corrigir o problema, foi criado e usado um bias grid
(Elith et al., 2010), através do tutorial de Tingley & Clements (2013), que pode ser
usado no Maxent (Phillips et al., 2006; Phillips et al., 2009), cuja estrutura é uma
superfície de área de ponderação da localização dos pontos de ocorrência e da distância
entre cada um deles, considerando também a capacidade de dispersão da espécie em
estudo. Esta superfície permite reduzir vieses nos dados em relação ao espaço
geográfico devido ao tendenciamento de coleta (Elith et al., 2010), podendo evitar
resultados e interpretações não acuradas em estudos de modelagem e distribuição de
espécies.
O bias grid utiliza um kernel de distância Gaussiana ponderada com base em
registros de presença e capacidade de dispersão da espécie (Exp (- ([DISTANCE] ^2) /
(2 * SD ^2)), onde SD é o desvio padrão da equação Gaussiana, ou o raio de dispersão
da espécie (Elith et al., 2010) o qual consideramos ser de 20 Km (Rosas & Carter,
1997). O distance é a distância entre os registros de presença e os pontos de
background, dos quais foram utilizados 10.000 pontos. Como resultado, o arquivo de
viés possui maiores valores onde há registros de ocorrência e menores em regiões mais
distantes destas áreas, representando áreas muito ou pouco amostradas, respectivamente.
Por fim, assim como utilizado por Kramer-Schadt et al., (2013), fizemos uma correção
na superfície de bias grid para que resultasse em uma diferença de, no máximo, 100
vezes entre o menor e o maior esforço amostral na área de estudo.
2.4. Algoritmo e procedimentos de modelagem
O algoritmo usado foi o Maxent (versão 3.3.3.k; Phillips et al., 2006) que utiliza
o princípio de entropia máxima para relacionar somente dados de presença com
variáveis ambientais afim de estimar nicho Grinneliano da espécie e sua distribuição
geográfica potencial (Phillips et al., 2006; Soberón, 2007; Peterson et al., 2011).
Segundo Elith et al., (2006), o Maxent é popular porque é fácil de usar e é considerado
eficiente em produzir resultados robustos com amostras de dados escassos, irregulares e
45
com pequenos erros de localização, tanto que suas características levaram-no a ser
considerado um dos melhores algoritmos de modelos de distribuição de espécies em
termos de desempenho preditivo (Wisz et al., 2008).
Primeiramente, para ajuste dos modelos, foi usado o método de partição “cross
validation” com dez partições, mil iterações e parâmetros padrão do Maxent, sendo
20% dos registros usados para teste. Em um segundo momento, os mesmo ajustes foram
utilizados, com a adição do arquivo bias grid à modelagem. Estes dois conjuntos de
modelos, foram feitos ainda com e sem a inclusão da variável de uso do solo, Globcover
(ESA, 2009). Assim, foram gerados quatro tratamentos, sendo que em todos os
procedimentos metodológicos foram utilizados os mesmos conjuntos de registros para
treino e teste para a geração dos modelos, para efeito de comparação (Tabela 1).
Tabela 1. Métodos usados para os quatro testes metodológicos de viés de amostragem e
teste da inclusão da variável de uso do solo, GlobCover (ESA, 2009) com o método
Cross-validation.
Crossvalidation Tratamento 1 Tratamento 2 Tratamento 3 Tratamento 4
Correção de
viés de
amostragem Não
Não
Sim (bias
grid)
Sim (bias
grid)
Variável de
uso do solo Sim Não Sim Não
A fim de se testar o poder da transferabilidade dos modelos, estes mesmos
conjuntos de tratamentos foram repetidos para partições espaciais pela mediana da
latitude e longitude (Peterson et al., 2007; Bahn & McGill, 2013), de modo que, na
calibração dos modelos, um grupo foi tido como registros de treino e o outro de teste e
vice-versa. Assim, buscamos gerar um forte tendenciamento de coleta e testamos se os
tratamentos de correção de viés de amostragem teriam um maior sucesso na capacidade
preditiva dos modelos (Tabela 2).
Tabela 2. Métodos usados para os quatro testes metodológicos de viés de amostragem e
teste da inclusão da variável de uso do solo, GlobCover (ESA, 2009) com o método de
partição espacial. Partição espacial Tratamento 1 Tratamento 2 Tratamento 3 Tratamento 4
Correção de
viés de
amostragem
Não
Não
Sim (bias
grid)
Sim (bias
grid)
Variável de
uso do solo Sim Não Sim Não
46
Para muitas aplicações, os resultados preditivos proporcionados pela modelagem
de distribuição de espécies devem ser convertidos em um mapa de presença ou
ausência, de modo que um limiar indicativo de presença de espécies deve ser
estabelecido (Jimenez & Lobo, 2007). Para isso, o limiar adotado no presente estudo foi
aquele ponto em que é otimizado o maior valor de sensibilidade e o menor de
especificidade na curva do ROC (Fielding & Bell, 1997), um limiar de abordagem
objetiva, que maximiza o ajuste entre o observado e a distribuição predita e é o valor do
ponto na curva ROC que é mais próximo do canto superior esquerdo (0,1) no gráfico
ROC (Liu et al., 2005).
2.5. Avaliação do desempenho dos modelos
Com o intuito de avaliar o desempenho dos modelos, calculamos as métricas de
avaliação AUC – Area Under Curve (Fielding & Bell, 1997), que é independente do
limiar a qual tem sido amplamente usada na literatura de modelagem de distribuição de
espécies (Elith et al., 2006; Franklin, 2009; Giannini et al., 2012) e TSS - True Skill
Statistic (Allouche et al., 2006), uma métrica dependente do limiar, mais simples e
recentemente utilizada (Kuemmerlen et al., 2014; Tôrres et al., 2012), a qual foi
utilizada na criação dos modelos médios ponderados (Marmion et al., 2009). Ambas as
métricas de avaliação são oriundas da matriz de confusão (Giannini et al., 2012) e foram
geradas no programa R Studio (2010), construído especialmente para este fim, com os
seguintes pacotes carregados: Presence/Absence, Raster, Rgdal e Dismo.
A área sob a curva (area under the curve - AUC) na plotagem do ROC
representa uma medida geral de desempenho do modelo em todos os limiares e pontos
fortes da previsão. Especificamente, AUC varia entre 0 e 1, e resume a habilidade maior
do modelo em prever locais de presença do que locais de ausência (Peterson, et al.,
2011). Já o TSS é o cálculo da sensibilidade mais a especificidade menos 1 e varia de -1
a 1.
Foi verificada ainda a taxa de erro de omissão por meio da quantificação da
proporção de presenças observadas na área de ausência predita (Under Prediction Rate -
UPR , Barbosa et al., 2013), ou, em outras palavras, é o número de registros de
presença na área predita como ausência, dividido pelo número total de registros de
presença. Portanto, quanto menor o número obtido, mais acertos o modelo fez.
47
Por fim, foi feita uma validação externa dos modelos gerados, com onze
registros de ocorrência independentes (distantes no mínimo 20km entre si, considerado
como a capacidade de dispersão média da ariranha), nos estados do Pará, Tocantins,
Rondônia e Roraima, obtidos por colaboradores entre os anos de 2012 e 2014 e cedidos
posteriormente às modelagens realizadas. Segundo Araújo et al., (2005) e Peterson et
al., (2011) é importante enfatizar a importância da necessidade da independência dos
dados usados na calibração e na validação externa, para permitir uma avaliação rigorosa
das predições apontadas nos modelos.
Os valores de adequabilidade correspondente de cada registro externo foram
extraídos dos modelos médios ponderados, apenas daqueles feitos pelo “cross
validation”, através da ferramenta extract multi value to points, presente no Arc Map
10.1, relativos a cada tratamento.
2.6 Análises estatísticas
O efeito da inclusão da variável de uso do solo (Globcover) e da utilização de
correção de viés de amostragem no desempenho dos modelos (bias grid) foi testado por
meio de ANOVA two-way de medidas repetidas, comparando os valores das métricas
de AUC, TSS e taxa de erro de omissão no Programa R Studio (2010), através do script
acessado em http://www.uni-kiel.de/psychologie/rexrepos/posts/anovaMixed.html#
mixed-effects com os seguintes pacotes carregados: AICcmodavg, lme4, multcomp,
nlme, pbkrtest e car. O teste da validação externa foi ANOVA de medidas repetidas,
feito no programa STATISTICA, apenas para o tratamento “cross-validation”. As
análises foram feitas separadamente para os modelos gerados pela partição “cross
validation” e para a partição espacial, uma vez que o intuito foi avaliar o desempenho
em cenários de viés de amostragem baixo ou muito alto, mas já sabíamos que a partição
espacial teria pior desempenho.
Os valores de adequabilidade extraídos de cada modelo médio ponderado, do
método “cross validation”, correspondente aos registros externos foram analisados pelo
teste estatístico ANOVA de medidas repetidas.
2.7. Pós-modelagem
48
Cada tratamento gerou dez modelos e lhes foram atribuídos pesos com os
respectivos valores de TSS, criando assim modelos médios ponderados (Marmion et al.,
2009) para cada tratamento com o “cross validation”. Além disso, foi calculado o
tamanho das áreas de adequabilidade potencial para ocorrência de ariranha de cada um
dos modelos médios ponderados destes tratamentos. Criamos ainda um modelo de
incerteza considerando o desvio-padrão das adequabilidades preditas para cada um
destes tratamentos, objetivando avaliar a variação das predições, bem como estabelecer
propostas de ações de conservação mais adequadas em cada caso.
Após as análises, um método foi escolhido como aquele que melhor representa a
distribuição potencial da ariranha na América do Sul. Posteriormente, a rede de
unidades de conservação de todos os países do continente (UNEP-WCMC, 2012) foi
sobreposta ao mapa final, para verificar quanto da área de distribuição potencial está
dentro das áreas protegidas sul americanas.
Para o Brasil, calculou-se o quanto de adequabilidade potencial foi indicada por
bioma e, no âmbito do Plano Nacional da Ariranha, a rede nacional de unidades de
conservação federais (ICMBio, 2014) e estaduais (MMA, 2014) foi sobreposta ao mapa
final, com o mesmo objetivo feito para a América do Sul. Além disso, foram
identificadas as unidades de conservação federais com e sem registros de ariranha
conhecidos, sendo que aquelas unidades com adequabilidade ambiental potencial para
sua ocorrência foram indicadas para a realização de inventários. Além disso, trabalhos
identificados na literatura científica disponível que relatam ocorrência atual de ariranha,
na América do Sul e no Brasil, puderam validar o modelo escolhido, assim como
pudemos identificar lacunas de conhecimento e indicar locais para a realização de
inventários fora de UCs.
3. Resultados
Utilizando a partição “cross-validation”, a hipótese de que a inclusão de uma
correção de viés de amostragem melhoraria a capacidade preditiva dos modelos foi
corroborada, uma vez que houve diferença significativa para todas as métricas de
avaliação testadas (AUC: F(1,18) = 344.5 , Df=9, p<0.001; TSS F(1,18) = 102.7, Df=9,
p<0.001; taxa de erro de omissão: F(1,18) = 20.87, Df=9, p<0.001 e validação externa
(F(1,10) =21.397, gl=10, p<0.001), sugerindo que a utilização do bias grid seja um
tratamento positivo para o desempenho dos modelos. Os valores dos modelos sem o
49
bias grid foram, em média, 1.2 vezes maiores do que aqueles com o bias grid, para a
métrica TSS; 1.1 vezes para a métrica AUC e o dobro para a taxa de erro de omissão. Já
para a validação externa, os modelos com bias grid foram, em média, duas vezes
maiores em relação aos sem bias grid. Portanto, os modelos sem bias grid apresentaram
valores superiores para as métricas AUC e TSS, mas ainda muitos próximos aos
valores dos modelos com bias grid e para a taxa de erro de omissão e validação externa
a diferença chegou a ser maior.
Já para a hipótese de que a inclusão da variável de uso do solo melhoraria a
capacidade preditiva do modelo, não houve diferença significativa quanto às métricas
TSS (F(1,18) = 2,105, Df=9, p=0.181) e taxa de erro de omissão (F(1,18) = 0.858 , Df=9,
p=0.378), mas para AUC, a diferença foi significativa (F(1,18) = 20.45, Df=1, p=0.001).
Entretanto, o efeito da interação também foi significativo devido principalmente aos
maiores valores de AUC quando não houve correção do viés de amostragem, uma vez
que, em média, o efeito da correção do viés de amostragem foi 23 vezes maior que o
efeito da inclusão da variável do uso do solo.
Ainda em relação à adição da variável de uso do solo (GlobCover) nos
tratamentos, sem considerar a correção de viés de amostragem, a diferença foi
significativa para a validação externa (F(1,10) = 5.259, Df=10, p<0.05), porém, a variável
de uso do solo não traz diferenças significativas quando se utiliza a correção do viés de
amostragem (F(1,10)=0.606, gl=10, p=0.454), ou seja, o maior efeito entre tratamentos é
devido à utilização do bias grid (Tabela 3)
O intuito da partição espacial dos registros foi o de que houvesse um aumento do
viés de amostragem no espaço geográfico e assim esperava-se que este viés, com a
adição do bias grid aos procedimentos de modelagem, fosse corrigido. No entanto,
observou-se que os modelos com partição espacial não apresentaram boa
transferabilidade e mesmo com a inclusão do bias grid aos procedimentos de
modelagem, a hipótese de que a inclusão da correção de viés de amostragem melhoraria
o desempenho dos modelos foi refutada, já que não houve diferença significativa entre
modelos com e sem bias grid, considerando os valores de TSS (F(1,6) = 0.011, Df=3,
p=0.924); AUC: (F(1,6) = 3.783, Df=3, p=0.147) e taxa de erro de omissão: (F(1,6) = 1.44,
gl=3, p=0.316).
Para esta mesma partição, a adição da variável GlobCover também não alterou a
capacidade preditiva dos modelos gerados, uma vez que o resultado estatístico não deu
50
significativo para as três métricas avaliadas (TSS: F(1,6) = 5.362 , Df=3, p=0.104; AUC:
F(1,6) = 3.605, Df=3, p=0.154; taxa de erro de omissão: F(1,6) =3.627, Df=3, p=0.153).
Modelos médios ponderados da partição “cross-validation” de cada teste são
apresentados na figura 2A, B, C e D. O modelo sem o bias grid e com a variável
GlobCover possui área de adequabilidade potencial de ocorrência da ariranha mais
restrita em relação aos demais enquanto que aquele que apresentou a maior área foi o
tratamento em que o bias grid e a variável GlobCover foram inclusos. Aqueles modelos
que tiveram a inclusão do bias grid tiveram mais acertos na validação externa. Os
valores máximos de adequabilidade variaram de 0.91 a 0.93 e os mínimos de 0.004 a
0.02 (Tabela 3). Os mapas mostram as divisões políticas dos países da América do Sul
bem como dos estados da federação brasileira.
Já que a hipótese de que a inclusão de uma correção de viés de amostragem
melhoraria a capacidade preditiva dos modelos foi corroborada e a de que a inclusão da
variável de uso do solo também melhoraria foi refutada pela maioria das avaliações
realizadas, selecionamos o como mapa final da distribuição atual da ariranha para a
América do Sul aquele feito com a correção de viés de amostragem (bias grid) e sem a
inclusão da variável de uso do solo GlobCover (Figura 2B).
Tabela 3. Valores de área total de adequabilidade ambiental e média de
porcentagem de acertos pela validação externa para os quatro tratamentos.
Tratamentos
Área total de
adequabilidade
ambiental (Km²)
Validação externa
( % acertos)
Maior valor de
adequabilidade
Menor valor de
adequabilidade
Com BIAS GRID Com GlobCover 3.897.912 81.8 0.917 0.029
Com BIAS GRID Sem GlobCover 3.650.731 81.8 0.931 0.026
Sem BIAS GRID Com GlobCover 548.737 63.6 0.936 0.004
Sem BIAS GRID Sem GlobCover 679.149 36.4 0.916 0.011
Além dos modelos médios ponderados, também foi criado um modelo de
incerteza (Figura 3) considerando o desvio padrão dos modelos daquele teste
considerado o melhor modelos médios, o com bias grid e sem a variável GlobCover.
Este apresenta as áreas de maior e menor variação de adequabilidade. De uma forma
geral, houve pouca variação entre as adequabilidades dos modelos do tratamento com
bias grid e sem a variável GlobCover..
A área total de adequabilidade potencial da ariranha ficou em 3.650.731 Km², ou
20,46% da área total da América do Sul. Dentro dos limites das unidades de
51
Conservação do continente, esta adequabilidade totaliza em 633.610 Km² (figura 4) ou
17,35% do que foi indicado como potencialmente adequado.
Considerando somente o Brasil, para o âmbito do Plano Nacional de
Conservação da Ariranha, a área total de adequabilidade potencial da ariranha é de
2.291.459 Km². Essa área se encontra principalmente no bioma amazônico, com
85,21% do total. No Cerrado há 8.77% de adequabilidade potencial, no Pantanal,
4.74% e na Mata Atlântica, 1,28%. Ao considerarmos todas as unidades de conservação
estaduais e federais do país, observamos uma área de 583.001km² de adequabilidade
potencial dentro dos limites dessas unidades, ou 25.44% do que foi indicado como
adequado para a área total do país, já excluindo eventuais sobreposições das UCs (figura
5) e 16% do total potencialmente adequado da América do Sul. A única UC municipal
considerada foi a APA de Xeruiní (RR), por ser a única com uma extensão compatível
para a escala usada. As demais UCs municipais, além da maior parte se localizar no sul
e sudeste do país, possuem extensões pouco significativas.
Identificamos na literatura as unidades de conservação federias e estaduais com
e sem registro de ariranha (figura 6), as unidades com registro conhecido para a espécie
podem ser consultadas no material suplementar 2.
Dessas unidades de presença conhecida para ariranha, o modelo foi capaz de
prever 95% delas. Nos 5% restantes, que equivalem a duas unidades, houve erro de
omissão: ESEC Rio Acre (AC) e ESEC Iquê (MT). Para as unidades sem registro
conhecido de ariranha, 30 encontram-se em áreas de muito alta adequabilidade
ambiental potencial, as quais são indicadas para realização de inventários.
52
A)
B)
C)
D)
Figura 2. Sem bias grid, sem a variável GlobCover (A). Com bias grid, sem a variável
GlobCover, em destaque, modelo escolhido (B). Sem bias grid, com a variável
GlobCover (C). Com bias grid, com a variável GlobCover (D).
53
Figura 3. Modelo de incerteza, considerando o desvio padrão das
adequabilidades dos modelos gerados com bias grid e sem a variável GlobCover (cross-
validation).
Figura 4. Unidades de Conservação e adequabilidade ambiental potencial para ariranha
na América do Sul
54
Figura 5. Unidades de Conservação estaduais e federais e adequabilidade ambiental
potencial para ariranha no Brasil.
Figura 6. Unidades de Conservação Federais e Estaduais com e sem registros
conhecidos de ariranha. Várias unidades sem registro apresentaram muito alta
adequabilidade potencial para ocorrência da espécie e são indicadas para realização de
inventários.
55
4. Discussão
Foi verificado que o uso de correção para o viés de amostragem (bias grid)
gerou modelos com melhor capacidade preditiva, segundo a análise das métricas
utilizadas. Syfert et al., (2013) descobriram que a correção de viés de amostragem
geográfico leva a grandes melhorias na qualidade do ajuste do modelo, mas para os
autores não resolveu inteiramente o problema, pois predições feitas com dados em
clusters (aglomerado de registros) foram inferiores, mesmo depois da correção com o
bias grid. A aglomeração espacial muitas vezes resulta na autocorrelação de resíduos do
modelo (ou seja, autocorrelação espacial) e afeta a qualidade do modelo por inflar a sua
precisão e render estimativas enganosas dos parâmetros (Kuhn, 2007) por isso a
importância de se tentar corrigir o viés de amostragem durante os procedimentos de
modelagem.
Assim, se muitos registros de uma espécie estão muito perto entre si
espacialmente, devido ao agrupamento de registros de amostragem de ocorrência, estes
podem ser filtrados através da remoção de registros estabelecendo uma determinada
distância (Araújo & Guisan, 2006). Para esta distância, é necessário levar em conta as
realidades biológicas da espécie em questão, tais como os movimentos de migração e
ocupação de área de vida (Peterson et al., 2011). Desta forma, também foi realizado um
breve experimento de correção de viés de amostragem, com a filtragem de registros em
20 Km no espaço geográfico com os mesmos dados usados nos experimentos já
mencionados (com e sem bias grid) para a distribuição potencial da ariranha na
América do Sul. Constatamos que ambos os métodos de correção de viés de
amostragem podem trazer bons resultados para o melhor desempenho dos modelos.
Segundo Phillips et. al., (2009) o viés de amostragem pode ser solucionado
através da diminuição do número de registros de ocorrência em regiões sobre
amostradas utilizando filtragem espacial. Mas para Kramer-Schadt et. al., (2013) este
método pode levar a uma grande redução no número de registros, o que aumenta o risco
de que se gerar modelos estatisticamente ruins. A fim de averiguar esta questão,
realizamos o teste de filtragem dos mesmos registros usados nos testes anteriores e os
mesmo procedimentos: usamos o método de calibração “cross-validation”, dez
partições, mil iterações e realizamos uma filtragem de registros em 20 km no espaço
geográfico, considerado como valor médio de dispersão da Pteronura brasiliensis
(Carter e Rosas, 1997).
56
Este procedimento foi realizado de modo que apenas um registro tenha sido
considerado neste raio de forma aleatória, portanto, de 665 registros usados nos testes
anteriores, obtivemos 175 neste. Como esperado, embora o número de registros tenha
caído a quase um quarto do total original, nos 665 registros haviam muitos aglomerados
de registros (os chamados clusters), e assim, acredita-se que os registros selecionados
ainda representem a espécie no espaço geográfico, mas com a melhora no viés
ambiental e geográfico.
Os modelos gerados foram avaliados pelas métricas AUC, TSS, taxa de erro de
omissão e validação externa. Realizamos comparação entre os tratamentos com inclusão
do bias grid e a filtragem espacial em questão, fim de avaliar os dois métodos de
correção de viés de amostragem. O teste estatístico realizado para o TSS foi Mann-
Whitney U Test, pois como não houve homogeneidade de variância, assim, optou-se por
realizar um teste não paramétrico. Entretanto, há o problema de que todo teste não
paramétrico tem menor poder na identificação da diferença (diferenças pequenas podem
não ser detectadas).
Assim, para uma hipótese de que haveria diferença significativa entre os dois
métodos, esta não foi corroborada para a métrica TSS (U= 47.00, df=18, p=0.820596).
As demais métricas foram analisadas pelo Teste T pareado, em que as métricas de taxa
de omissão e validação externa não apresentaram diferença significativa (taxa de erro de
omissão: t = 1.16934; gl= 18, p= 0.257518; validação externa T= 0.548714, gl=20, p=
0.589275) e somente a métrica AUC apontou diferença (T= 2.44873, gl = 18, p <
0.5000). Os resultados são apresentados na tabela 4.
Tratamentos
Área total de
adequabilidade
ambiental (Km²)
Validação externa
( % acertos)
Maior valor de
adequabilidade
Menor valor de
adequabilidade
Filtro Com Globcover 2.770274 100 0.949 0.004
Filtro Sem Globcover 2.094.391 100 0.961 0.004
Com bias grid Com GlobCover 3.897.912 81.8 0.917 0.029
Com bias grid Sem GlobCover 3.650.731 81.8 0.931 0.026
Tabela 4. Resultados da validação externa, tamanhos de áreas e valores de maiores e
menores adequabilidades para filtragem espacial e bias grid
Concluímos que o tanto a inclusão do bias grid quanto a filtragem espacial são
bons métodos para correção de viés de amostragem e enfatizamos a importância de se
realizar algum procedimento para tal correção em trabalhos de modelagem de
57
distribuição de espécies, assim como apontado por Phillips et al., (2009); Yackulic et
al., (2012); Fourcade et al., (2014).
Vale ressaltar que, em ambos os testes de correção de amostragem, houve a
consideração da capacidade de dispersão e área de vida da ariranha, o que traz uma
característica da história de vida da espécie para dentro do modelo, de forma que tanto o
bias grid como a filtragem de registros espaciais não são definidos somente por meio
estatístico. Entretanto, a definição de área de vida (em inglês, home range) é bem
complexa e abstrata. Para Powell & Mitchell (2012) área de vida é um conceito que
envolve ecologia e comportamento do animal e provê informações essenciais sobre a
localização dos recursos necessários à sua sobrevivência. Para os autores, as áreas de
vida diferem entre os animais de diferentes espécies, entre indivíduos da mesma espécie
e até mesmo entre indivíduos ao longo do tempo, como as diferentes estações do ano. E
de fato, segundo Duplaix, (1980), durante a estação chuvosa, as ariranhas parecem
abandonar seus territórios para seguirem desovas de peixes em florestas inundadas e
áreas alagadas, bem como para procurarem áreas mais elevadas para instalarem suas
tocas e acampamentos.
Embora saibamos muito pouco sobre a intensidade e a extensão das áreas de
florestas inundadas usadas por grupos de ariranhas durante a estação chuvosa, isso deve
depender de complexas interações entre clima e padrões hidrológicos, bem como dos
níveis de inundação e a extensão do uso da floresta inundada por peixes.
Especificamente no caso das ariranhas, a análise sobre área de vida é complicada pelo
fato dela ser uma espécie anfíbia, ou seja, são animais que usam não só os corpos
d´água, onde caçam e se dispersam como também ocupam vários tipos de habitats
associados a esses corpos d´água, onde constroem suas tocas, acampamentos e latrinas
(Utreras, et al., 2005), aliado a ampla flutuação sazonal e variação do nível da água e à
drástica mudança na estrutura da paisagem, torna a tarefa de determinar o tamanho da
área de vida da ariranha ainda mais complexo.
Usamos o algoritmo Maxent, que tem demostrado bom desempenho, mesmo
com dados com viés de amostragem. Em um extenso estudo realizado por Elith et al.,
(2006) foram comparados 16 métodos de modelagem de 226 espécies em seis regiões
do mundo. O estudo concluiu que os "melhores" modelos eram aqueles capazes de
fornecer respostas altamente complexas, tais como os métodos de aprendizado de
máquina, tal qual o Maxent. Wisz et al., (2008) testaram 12 algoritmos com três
tamanhos de amostras e verificaram que aquele baseado na máxima entropia (Maxent)
58
teve o melhor poder preditivo em todas as dimensões das amostras, se mostrando muito
menos sensível ao tamanho da amostra.
Foi concluído também que a inclusão da variável GlobCover não apresentou
efeito na capacidade preditiva dos modelos gerados. Outro estudo que avaliou a
influência da inclusão de uma variável de uso do solo na melhora da capacidade
preditiva em modelos bioclimáticos para espécies de plantas, anfíbios, répteis, aves e
mamíferos também concluiu que não houve melhora na previsão, nem na acurácia dos
modelos gerados (Thuiller et al., 2004). Correspondência temporal deve existir entre
dados de ocorrência e variáveis ambientais (Phillips et al. 2006; Peterson et al., 2011)
fato que temos que tomar mais cuidado ao se incluir variáveis de uso do solo aos
procedimentos de modelagem, já que as mesmas são muito dinâmicas e variam mais
rapidamente ao longo do tempo. No entanto, mesmo tendo sido feita a validação
temporal dos registros para a variável GlobCover, esta não apresentou diferença
significativa no desempenho dos modelos.
Foi observado que os modelos com bias grid, com ou sem a variável GlobCover,
apresentaram maiores áreas totais de adequabilidade em relação aos sem bias grid. Os
com GlobCover, a área foi sete vezes maior e os sem esta variável, cinco vezes maior,
aproximadamente. Os modelos gerados com bias grid tiveram menores valores de
AUC, o que já era esperado, já que, segundo Lobo, et al., (2008), AUC é dependente do
tamanho da área predita no modelo.
A aplicação da métrica de avaliação AUC tem gerado algumas discussões na
literatura de modelagem preditiva de distribuição (Lobo et al., 2008, Jiménez-Valverde,
2011). O fato de a análise ROC dar o mesmo peso aos erros de omissão e sobreprevisão
(Peterson et al., 2008) e do tamanho da área de estudo em relação à distribuição
conhecida da espécie influenciar bastante na taxa de ausência que foi predita de forma
correta pelo modelo (Giannini et al., 2012) são destacados como os principais
problemas da métrica. Sendo assim, os autores recomendam cautela no seu uso, mas até
o presente momento, o AUC mostra-se o teste mais amplamente utilizado pelos
pesquisadores (Pearson et al., 2006; Elith et al., 2006; Giannini et al., 2012).
Os valores de TSS (True Skill Statistics) (Allouche et al., 2006; Thuiller et
al., 2009) de todos os modelos foram considerados bons, mas aqueles gerados com bias
grid foram superiores e apresentaram diferença estatística significativa no uso da
correção de viés de amostragem. TSS é uma medida direta da sensibilidade e
especificidade do modelo, gerado através da matriz de confusão e os valores iguais ou
59
inferiores a zero indicam modelos com desempenho não melhor do que seria o aleatório
(Tôrres et al., 2012). Ou seja, é uma forma de avaliar se o modelo é diferente do acaso,
o que de fato foi o observado com todos os modelos gerados. O TSS tem sido proposto
como métrica alternativa para se avaliar o desempenho de modelos e tem sido
recentemente mais utilizada (Kuemmerlen et al., 2014; Tôrres et al., 2012). No entanto,
Jiménez-Valverde (2011) salienta que qualquer método que combine erros de omissão e
sobreprevisão em uma única medida está sujeito aos mesmos problemas conceituais que
a AUC.
Outro resultado importante foi que os modelos com bias grid apresentaram
maiores taxas de acertos para a validação externa em relação aos sem correção de viés
de amostragem. De acordo com Elith et al., (2006) e Franklin, (2009) um passo
importante para a melhoria da avaliação do desempenho do modelo, que, aliás tem sido
raramente usada na previsão de distribuição de espécies, é a utilização de dados
independentes para validação. Já os modelos sem bias grid apresentaram uma taxa de
erro de omissão maior quando comparados com os com bias grid. A taxa de erro de
omissão (Under Prediction Rate - UPR) (Barbosa et al., 2013) refere-se à proporção de
presenças observadas na área de ausência predita. Portanto, os modelos gerados com o
bias grid apresentaram menos erros de omissão.
O sobre ajuste (ou overfitting) ocorre porque modelos podem ser super
parametrizados (isto é, modelos de alta complexidade) e/ou haver tamanhos de amostras
insuficientes ou enviesadas (Peterson et al., 2011). O viés de amostragem leva a um
sobre ajuste nos modelos, pois cada registro atribui um peso aos valores das variáveis
presentes naquele pixel, onde se encontra cada registro, assim, áreas com muitos
registros levam a modelos tendenciosos. Isso dá suportes aos melhores resultados
obtidos para os modelos com correção do viés de amostragem quando analisadas as
outras métricas de avaliação, como a taxa de erro de omissão e a validação externa.
Outro aspecto avaliado nos modelos foi a capacidade de transferabilidade dos
mesmos. O fato de termos adicionado aos experimentos com a partição espacial tanto
uma correção do viés de amostragem (bias grid) como a variável de uso do solo,
GlobCover, não apresentou efeito na correção do tendenciamento de coleta, já que este
foi muito acentuado, não apresentando uma boa transferabilidade, o que indica a
possibilidade e necessidade de ainda melhorar este método. Transferibilidade refere-se
à ideia de aplicar um modelo desenvolvido em uma paisagem para outra paisagem ou
para outro período de tempo na mesma área (Araújo e Rahbek 2006). Para Peterson et
60
al., 2007 transferabilidade também é a capacidade de um modelo em prever
distribuições de espécies em regiões amplas e não amostradas.
Sempre que for necessário, a avaliação de transferibilidade é uma ferramenta útil
que complementa as medidas de desempenho do modelo e seleção de métodos
existentes. No entanto, o procedimento tem algumas limitações claras (Wenger &
Olden, 2012).
O desafio em se alcançar alta transferibilidade é o de desenvolver modelos que
não tenham overfitting na região da calibração e que considerem a extrapolação com
cautela, quando necessária. Dividir os registros em treino e teste não só dá uma
impressão de bom ajuste do modelo aos dados, mas também da sua capacidade de
prever com novos dados e, portanto, sua habilidade de ter boa transferibilidade
(Peterson et al., 2011).
Para Wenger & Olden, (2012), nos últimos anos, as avaliações de
transferibilidade em trabalhos de modelagem de distribuição de espécies têm usado duas
partições de validação cruzada, como foi feito neste presente estudo. Segundo eles, isso
deve ser excessivamente conservador para muitas aplicações. Por outro lado, a
validação cruzada com mais de 10 partições pode ser muito liberal, portanto, os autores
recomendam de 3 a 10 partições para a maioria das aplicações.
O modelo de distribuição potencial gerado para a ariranha no presente trabalho
(Figura 2B) pode ainda atender uma das ações demandadas no Plano de Ação Nacional
(PAN) da Ariranha (ICMBio, 2010), que constitui na definição da distribuição potencial
da ariranha não só na América do Sul, mas no Brasil e na indicação de locais para novos
inventários. O mapa de incerteza apresenta a variação das adequabilidades das partições
do experimento escolhido, o qual mostrou baixa variação e pode auxiliar de forma
complementar na definição de áreas para inventário ou criação de unidades de
conservação. As maiores variações estão no norte da Amazônia, na Venezuela, onde
não se tem muitos registros da espécie e no nordeste do Brasil, em região do Bioma
Caatinga, onde não são conhecidos registros da espécie.
As áreas de maior adequabilidade e menor incerteza são os países Guiana,
Suriname e Guiana Francesa, os quais tiveram a maior parte de seus territórios cobertos
com alguma adequabilidade. Norte da Bolívia, nordeste do Peru, extremo oeste do
Equador, sul e sudoeste da Colômbia, norte e noroeste do Paraguai e várias regiões da
Venenzuela foram apontadas com algum grau de adequabilidade ambiental potencial
para ocorrência da espécie, embora para este último o grau de incerteza tenha sido
61
maior. As áreas de mais alta adequabilidade apontadas estão no Paraguai, Peru,
Colômbia, Suriname e Guiana.
Ao se investigar áreas de ocorrências de ariranha na América do Sul,
verificamos alguns estudos sobre a espécie os quais foram indicadas pelo modelo como
áreas com adequabilidade ambiental potencial para sua ocorrência: a leste do Equador,
(Utreras et al., 2005), em áreas protegidas e áreas remotas da Bolívia (Pickles, et al.
2011; Ten et al., 2001; Gonzales Jiménez, 1997; Fraser et al., 1993), em duas unidades
de conservação a sudeste do Peru (Schenk & Staib, 1994a,b; Groenendijk et al., 2014) e
norte deste país (Tramm, 2014), no Suriname (Duplaix, 1980), na Guiana Inglesa
(Barnett et al. 2000; Laidler, 1984), a sul (Portocarrero-Aya et al., 2009) e nordeste da
Colômbia (Javier Díaz & Sánchez, 2002). Áreas indicadas pelo modelo como sem
adequabilidade ambiental potencial, mas de distribuição histórica da espécie são o sul
do Paraguai, norte da Argentina, onde há antigos relatos de ariranha neste local (Parera,
1992; Beccaceci, & Waller, 2000) e Uruguai, onde acredita-se que a espécie esteja
localmente extinta (Duplaix, et al. 2008).
O modelo aponta ainda algumas áreas de alta adequabilidade, como o norte da
Amazônia brasileira, englobando o norte do estado do Amazonas, nordeste do Pará,
quase todo o estado de Roraima e a região do Rio Araguaia, na divisa dos estados do
Tocantins, Mato Grosso e Goiás, bem como o oeste do estado do Mato Grosso do Sul,
na região do Pantanal.
No Brasil, provavelmente onde mais tenham ocorrido estudos sobre ariranhas no
país tenha sido na região do Pantanal, em que o modelo indicou adequabilidade
ambiental potencial nas áreas estudas por Leuchtenberger et al., (2014); Leuchtenberger
et al., (2013); Leuchtenberger & Mourão, (2009); Ribas & Mourão, (2004); Ribas,
(2004); Tomás et al., (2000) e Schweizer, (1992), para citar alguns exemplos. O mesmo
ocorreu em áreas da Amazônia brasileira, em que o modelo indicou adequabilidade
ambiental potencial onde houve estudos sobre a espécie: no estado do Amapá (Oliveira,
et al., 2015; Michalski et al., 2012), no Amazonas (Lima et al., 2012; Palmerim et al.
2014, Cabral et al. 2010; Rosas et al., 2007; Rosas et al., 2003) e em Roraima
(Evangelista, 2004 e Evangelista & Rosas, 2011a,b) e Rondônia (Damasceno, 2007). Há
indicação pelo modelo de adequabilidade ambiental potencial para ocorrência de
ariranha na transição Amazônia e Cerrado, no arco do desmatamento, no estado do
Mato Grosso, estudado por Norris & Michalski, (2009). No Cerrado, provavelmente o
principal reduto de ariranhas está no rio Araguaia, onde há indicação de muito alta
62
adequabilidade ambiental potencial, onde inclusive há um projeto de monitoramento da
espécie no Parque Estadual do Cantão.
Tais verificações validam o modelo e nos permitem identificar áreas com lacuna
de conhecimento e, consequentemente, apontar áreas para realização de inventários para
a espécie e assim, conhecer melhor sua distribuição atual.
O último registro conhecido da espécie na bacia do rio Paraná é de 1998 (Braga
et al., 1998) onde está o Parque Nacional Ilha Grande. No entanto, os gestores da
unidade não têm conhecimento da espécie na UC atualmente (comunic. Pess.). O
modelo não apontou áreas de adequabilidade para a região, no entanto, há uma demanda
do PAN Ariranha em se confirmar ou não a distribuição da espécie ali, mas é possível
que a mesma esteja localmente extinta.
Os dados primários gerados pelos inventários compõem uma das ferramentas
mais importantes na tomada de decisões a respeito do manejo de áreas naturais (Silveira
et al., 2010). Dados precisos de distribuição da ariranha ainda estão sendo acumulados,
por isso, muitas áreas ainda devem ser exploradas com a realização de inventários.
Segundo as indicações de adequabilidade ambiental potencial no modelo,
algumas áreas são indicadas na América do Sul. Acredita-se que alguns indivíduos
possam ocorrer no Paraguai (Duplaix et al., 2008), onde seria indicada a realização de
inventários nas regiões norte e nordeste deste país, nas áreas de fronteira com o estado
do Mato Grosso do Sul. Ariranhas são consideradas muito raras no Equador (Duplaix et
al., 2008), onde inventários poderiam ser indicados no rio Napo e seus afluentes, assim
como no Parque Nacional Cuyabeno, a leste do país, . São consideradas escassas na
Bolívia, Peru, Colômbia e Venezuela (Duplaix et al., 2008), onde seriam indicados
inventários no extremo sudeste e região de centro ao norte da Bolívia; leste do Peru, na
região da Reserva Nacional Pacaya-Samiria; na área central da Colômbia, na região do
Parque Nacional Serrania de la Macarena e na Reserva Natural Nukak; e finalmente, na
área centro norte da Venezuela, ao longo do rio Orinoco, na região dos Parques
Nacionais Santos Luzardo e Aguaro-Guariquito. Nesses países a espécie encontra-se
descontínua e com populações reduzidas (Carter & Rosas, 1997). Acredita-se que os
últimos grandes redutos de ariranha, provavelmente sejam na Guiana, Suriname e
Guiana Francesa, embora quase não haja dados para o último país (Duplaix et al.,
2008), portanto, expedições a campo a esses países são extremante recomendadas.
Inventários de ariranha na Amazônia seriam indicados ao longo do médio e
baixo rio Negro e afluentes, com destaque para o rio Cuiuni, rio Cauarés e rio Culeiras.
63
Seriam ainda no rio Solimões e afluentes da margem esquerda e baixo rio Madeira e
afluentes. No rio Amazonas com destaque para alguns afluentes: rio Trombetas, rio
Nhamundá, rio Urubu, rio Abacaxis, rio Preto da Eva, e rios dos Oeiras. O Alto Xingu,
com destaque para os afluentes: rio Arraias, rio Trairão e rio Auaiá-miçu. O rio Xeruini,
ao sul de Roraima, apresentou alta adequabilidade por toda sua extensão, trata-se de um
rio bastante procurado para pesca esportiva.
No Cerrado, alguns afluentes do rio Araguaia são indicados para serem
inventariados, com destaque para o rio Formoso, rio Tapirapé, rio Ariari, rio das Mortes
e rio Cristalino. Na região do Pantanal, a indicação é para o rio Lourenço, rio Taquari e
rio Alegre, assim como toda a área de fronteira com a Bolívia.
Dentre as unidades de conservação federais, a Resex Terra Grande Pracuúba
(PA), Flona de Caxiuanã (PA), Resex Gurupá-Melgaço (PA), Flona de Saracá-Taquera
(PA), Resex Ipaú-Anilzinho (PA), RDS Itatupã-Baquiá (PA), Resex Arióca Pruanã
(PA), Resex Verde para Sempre (PA), Resex Renascer (PA), Resex Rio Unini (AM),
Resex Auatí-Paraná (AM) Resex Auatí-Paraná (AM), ESEC Caracaraí (RR), FLONA
Anauá (RR) e Resex Rio Cajari (AP) apresentaram muito alta adequabilidade ambiental
potencial para ocorrência de ariranha, sendo extremamente indicadas para realização de
inventários. Dentre as estaduais, aquelas que apresentaram muito alta adequabilidade e
por isso também são muito recomendadas para realização de inventários estão: APA da
margem direita do Rio Negro (AM), APA da margem esquerda do Rio Negro (AM),
APA de Presidente Figueiredo (AM), RDS Uatuma (AM), RDS Canumã (AM), RDS
Rio Madeira (AM), RDS Piagaçu-Purus (AM), Floresta Estaduais: Maués, de Faro e
Trombetas (PA), APA do Lago de Tucuruí (PA), APA Ilha do Bananal/Cantão (TO),
Parque Estadual do Guirá (MT), RPPN Fazenda Santa Sofia (MT), RPPN Santa Cecília
II (MT), APA Baixo Rio Branco (RR) e APA Xeriuini (RR), sendo esta última,
municipal.
Indicações para criação de unidades de conservação seriam prioritariamente na
região do Pantanal, nos estados do Mato Grosso e Mato Grosso do Sul, onde atualmente
há poucas e pequenas áreas protegidas. O mesmo é possível afirmar para o Cerrado,
onde apenas 9,4% do seu território está legalmente protegido (Garcia et al., 2001).
Unidades de conservação seriam indicadas por toda a bacia do rio Araguaia, no
Tocantins e Goiás e região do alto Xingu, no estado do Mato Grosso.
As ameaças à ariranha em qualquer região do país são crescentes e, de uma
forma geral, estão ligadas às atividades que acarretam principalmente em
64
desmatamento, ocupação das matas ciliares e poluição dos recursos hídricos. Em todos
os biomas onde a espécie ocorre, há atividades com essas consequências. O desafio é
fazer com que tais atividades sejam bem planejadas e geridas, não só visando o
benefício econômico, mas que também contemple premissas básicas de respeito à
natureza e às comunidades locais.
Expansão da pecuária e das indústrias de soja na Amazônia tem causado
aumento das taxas de desmatamento e que em breve demandarão construção de
rodovias para as regiões mais conservadas. Outra preocupação é a atividade de
exploração depredatória de mineração na região, em que acarreta poluição do ar e do
solo, contaminação das águas superficiais e subterrâneas por detritos tóxicos,
mortandade de peixes e desmatamento, sem considerar falta de responsabilidade social
por parte das grandes empresas mineradoras (Casara, 2003). Não poderíamos deixar de
citar ainda as construções de hidrelétricas na região, que além de gerarem grandes áreas
desmatadas para enchimento dos lagos, promovem declínio das populações de diversos
organismos, dentre os quais, diversas espécies de peixes, dentre outras consequências,
como a emissão de gases do efeito estufa, principalmente gás carbônico (CO2) e metano
(CH4) (Fearnside, 2013). As barragens criam o acesso a áreas remotas e a composição
de espécies das populações de peixes são severamente afetadas, interrompendo rotas
migratórias, alterando profundamente as condições hidrológicas, assim como a
qualidade da água em longo prazo, acarretando em prejuízos às populações de ariranha
(Cárter & Rosas, 1997).
Em face desta crescente pressão, uma estratégia de conservação abrangente para
a bacia Amazônica seria proteger áreas que permitiriam conectividade entre populações
de ariranhas através das matas ciliares ainda bem preservadas. Em 2050, a com a atual
tendência de expansão agrícola, um total de um quarto das 382 espécies de mamíferos
perderá mais que 40% de suas áreas de vida em floresta (Soares-Filho et al., 2006).
No Cerrado, um dos maiores ‘hotspots’ para a conservação da biodiversidade
mundial, com alto nível de endemismo, possui há 35 anos atividades já consolidadas de
pecuária com pastagens plantadas e cultivo de grãos anuais os quais destruíram metade
de sua vegetação original (Klink & Machado, 2005). O grande desafio, não só para
ariranha, mas para toda a biodiversidade do bioma é conciliar uso da terra e conservação
de seus ecossistemas.
O Pantanal, uma das maiores áreas alagáveis do planeta e de incrível diversidade
biológica, enfrenta sérias ameaças como perda de habitat que tem dado lugar a grandes
65
extensões de pastagens, com uso de gramíneas exóticas, caça, queimadas, instalações de
hidrelétricas e poluição (Harris et al., 2005). Ariranhas requerem habitat aquáticos
altamente produtivos, os quais são rapidamente erodidos em áreas desmatadas e
poluídas. Por ocupar o mais alto nível trófico é uma das primeiras espécies a
desaparecer quando o ambiente explorado é alterado ou contaminado (Parera, 1996).
É sabido que as zonas ripárias têm sido consideradas como corredores
ecológicos extremamente importantes para o movimento da fauna na paisagem. Estes
corredores podem viabilizar conectividade entre áreas protegidas e fragmentos
remanescentes, permitindo o fluxo de indivíduos e genes entre populações, aumentando
a probabilidade de sobrevivência ao longo prazo e assegurando a manutenção de
processos ecológicos e evolutivo (Ayres et al., 2005) não só da ariranha, mas de toda a
comunidade. As matas ciliares possuem uma importância crucial para todo o
ecossistema, funcionando como reguladoras dos fluxos hídricos, de nutrientes e de
sedimentos e ainda mantém uma estreita relação com os habitats adjacentes (Marinho-
Filho & Gastal, 2001). Além disso, são fundamentais para o controle à erosão nas
margens dos rios, para a redução dos efeitos de enchentes; minimizam o calor e o
equilíbrio térmico da água (Lima & Zakia, 2001), servindo de excelente refúgio com
sombra e água à toda fauna. Deste modo, Lima et al. (2012); Norris & Michalski,
(2009); Groenendijk, (1998); Carter & Rosas, (1997) ressaltam a importância das
margens dos rios para ariranhas, indicando que essas áreas são habitats essenciais para a
sua conservação.
Estes aspectos possuem vantagens óbvias para a vida humana, mas que
infelizmente têm sido ignorados pela gestão pública, haja vista o desenvolvimento de
legislações que flexibilizam a exploração das margens dos rios e outras incoerências
para a gestão ambiental, como a Lei Federal nº lei 12651/2012, que institui o novo
Código Florestal, a Lei Complementar nº 153/2009 , do estado de Roraima, a Lei
15.684/2015, do estado de São Paulo e a Lei 16.342/2014, que estabelece o Código
Estadual de Meio Ambiente de Santa Catarina para citar alguns exemplos.
O novo código florestal flexibiliza a recuperação de APPs (Áreas de Preservação
Permanente) desmatadas até o ano de 2008, inclusive as matas ciliares, em propriedades
consideradas consolidadas. A Lei Complementar nº 153/2009 estabelece nova Área de
Preservação Permanente (APP) no Rio Branco, o maior rio do estado, de 500 para
apenas 50 metros. Como o Rio Branco tem mais de mil metros de uma margem a outra,
proteger apenas 50 metros de margem significa reduzir a APP para menos de um
66
vigésimo de sua largura, colocando em risco a saúde do rio (ISA, 2010). Já a Lei
estadual 15.684/15 afirma que proprietários ou possuidores de imóveis rurais que
realizaram supressão de vegetação nativa são dispensados de promover a recomposição,
compensação ou regeneração para os percentuais de Reserva Legal, entre outras
incongruências. A Lei 16.342/2014 apresenta diversas inconstitucionalidades em vários
artigos que vão contra o novo Código Florestal federal (Lei 12.651). Exemplos como
estes são infelizmente crescentes e alarmantes, fato que invariavelmente futuras
gerações serão prejudicadas.
São necessárias ainda ações que trabalhem as relações entre pescadores e
populações de ariranhas. É importante que se analise possíveis conflitos, conforme
identificado por Oliveira et al. (2015), em que os autores sugerem que haja uma
considerável sobreposição espacial e temporal de atividades de ariranhas e de
pescadores locais na região do Amapá e que isso deve ser considerado para a realização
de uma gestão eficaz de conservação, sobre tudo em locais como esta região, de rápido
desenvolvimento.
67
MATERIAL SUPLEMENTAR 1
LONGITUDE LATITUDE TIPO DE AVISTAMENTO DATA LOCAL COLETOR ALTITUDE (m)
-61.587209 3.318659 G1 avistam 5 indiv 24/03/2013 13:10 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 122.15
-61.587116 3.318858 toca 24/03/2013 13:35 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 123.05
-61.490021 3.350739 latrina 24/03/2013 17:34 Rio Apuí ESEC Maracá Luciana Pacca & Lívia Rodrigues 103.98
-61.493623 3.352561 G2 avistam 5 indiv 24/03/2013 17:43 Rio Apuí ESEC Maracá Luciana Pacca & Lívia Rodrigues 98.97
-61.496788 3.352759 toca 24/03/2013 17:57 Rio Apuí ESEC Maracá Luciana Pacca & Lívia Rodrigues 97.36
-61.498464 3.349537 G2 avistam 5 indiv 25/03/2013 10:56 Rio Apuí ESEC Maracá Luciana Pacca & Lívia Rodrigues 97.15
-61.51207 3.342443 acampamento 25/03/2013 11:41 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 93.73
-61.531515 3.344387 acampamento 25/03/2013 12:18 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 101.61
-61.525345 3.31648 G 3 avistam 2 indiv 25/03/2013 17:28 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 106.36
-61.525835 3.316321 pegadas 25/03/2013 17:52 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 104.65
-60.609539 3.401163 fezes e toca 27/03/2013 09:48 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 74.26
-60.58935 3.370658 pegadas 27/03/2013 11:31 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 78.6
-60.588888 3.369506 pegadas 27/03/2013 11:42 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 79.05
-60.586569 3.356087 acampamento 27/03/2013 14:49 Rio Uraricoera ESEC Maracá Luciana Pacca & Lívia Rodrigues 85.45
-60.93709 3.672437 G1 avistam 2 indiv 8/7/2013 19:23 Rio Parimé Luciana Pacca & Renata Bocorny 88.71
-60.93468 3.675288 latrina 9/7/2013 10:10 Rio Parimé Luciana Pacca & Renata Bocorny 95.82
-60.935332 3.679199 duas latrinas 9/7/2013 11:02 Rio Parimé Luciana Pacca & Renata Bocorny 94.78
-60.93415 3.676743 latrina 9/7/2013 11:13 Rio Parimé Luciana Pacca & Renata Bocorny 93.59
-60.897403 3.669709 G2 avistam 3 indiv 9/7/2013 12:25 Rio Parimé Luciana Pacca & Renata Bocorny 90.26
-60.811484 3.59477 acampamento 9/7/2013 18:44 Rio Parimé Luciana Pacca & Renata Bocorny 82.88
-60.751827 3.588729 latrina 10/7/2013 11:50 Igarapé Capivara Luciana Pacca & Renata Bocorny 87.83
-60.533727 3.163749 acampamento 24/03/2014 12:13 Rio Uraricoera Luciana Pacca & Lara Côrtes 84.75
68
-60.409753 3.113844 latrina 24/03/2014 15:04 Rio Tacutu Luciana Pacca & Lara Côrtes 86
-60.300074 3.38561 latrina 25/03/2014 11:44 Rio Tacutu Luciana Pacca & Lara Côrtes 81.94
-60.557089 2.887742 latrina 26/03/2014 15:19 Rio Uraricoera Luciana Pacca & Lara Côrtes 80.26
-60.718742 2.70281 toca e latrina 27/03/2014 10:47 Alto Rio Branco Luciana Pacca & Lara Côrtes 69.41
-60.719612 2.701689 latrina 27/03/2014 11:41 Alto Rio Branco Luciana Pacca & Lara Côrtes 76.61
-60.784845 2.611292 latrina 27/03/2014 16:13 Alto Rio Branco Luciana Pacca & Lara Côrtes 81.01
-60.840648 2.467206 latrina 28/03/2014 09:36 Alto Rio Branco Luciana Pacca & Lara Côrtes 62.61
-60.836941 2.45001 latrina 28/03/2014 10:35 Rio Mucajaí Luciana Pacca & Lara Côrtes 65.82
-60.866648 2.43786 latrina 28/03/2014 12:23 Rio Mucajaí Luciana Pacca & Lara Côrtes 58.18
-61.25027778 1.184722222 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 88.60741935
-61.23333333 1.175555556 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.24083333 1.152222222 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.23944444 1.118888889 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.24777778 1.195277778 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.23583333 1.181944444 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.23305556 1.175277778 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.25027778 1.139722222 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.25194444 1.016944444 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.2525 1.059444444 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.25222222 1.037222222 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.25194444 1.010833333 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -61.26555556 0.978333333 avistamento 2009 Médio Rio Branco Restrepo, D. 2009 -60.98461944 1.426436111 avistam 5 indiv 2013 Médio Rio Branco Colab. Havana Maduro (ICMBio) -60.98236944 1.365694444 avist 1 ind 2013 Médio Rio Branco Colab. Havana Maduro (ICMBio)
69
-61.626775 2.936452778 avistamento 2013 Igarapé Preto Colab. Rainor Mansur (ICMBio) -61.56426944 2.974402778 avistamento 2013 Igarapé Preto Colab. Rainor Mansur (ICMBio) -61.55318611 2.930630556 avistamento 2013 Igarapé Preto Colab. Rainor Mansur (ICMBio) -61.65697222 0.817527778 avistamento 2013 Médio Rio Branco Colab. Romério Briglia (ICMBio) -61.67340556 0.726080556 avistamento 2013 Médio Rio Branco Colab. Romério Briglia (ICMBio) -61.68777778 1.233611111 avistamento 2013 Médio Rio Branco Colab. Romério Briglia (ICMBio) -61.65277778 0.838555556 avist 1 ind 2013 Médio Rio Branco Colab. Érica Fujisaki (ICMBio) -61.65333333 0.887944444 avist 1 ind 2013 Médio Rio Branco Colab. Érica Fujisaki (ICMBio) -61.87446999 -0.968211903 avistamento 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.88141732 -1.322466536 avist 2 ind 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.87720619 -1.344516652 avistamento 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.7402361 -1.3672333 avist 2 ind 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.87178 -1.1043277 avistamento 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.8562222 -0.9790277 avistamento 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.7963002 -0.14091958 avist 3 ind 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.769 0.295430067 avistamento 2013 Baixo Rio Branco Colab.Thiago Laranjeiras (ICMBio) -61.850361 1.0700555 avist 1 ind 2013 Baixo Rio Branco Colab. Renata Azevedo (ICMBio) -61.9615 1.1738611 avist 1 ind 2013 Baixo Rio Branco Colab. Renata Azevedo (ICMBio) -61.36258836 0.968908686 avistam 7 indiv 2013 Baixo Rio Branco Colab. Marcelo de Carvalho (ICMBio) -61.8445 2.46427 avistam 2 indiv 2013 Rio Apiaú Colab. Moreno Martins (ISA) -61.578777 -0.788718 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.568329 -0.806611 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.565228 -0.790324 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.56036 -0.815355 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz)
70
-61.522068 -0.742658 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.540368 -0.769149 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.579288 -0.844512 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.561273 -0.813078 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.561395 -0.813259 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.570553 -0.787122 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.565829 -0.793975 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.579317 -0.784137 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.564698 -0.794695 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.578881 -0.777456 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.570903 -0.802852 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz) -61.567148 -0.800158 avistamento 2012 Baixo Rio Jauaperi Colab. Emanuela Evangelista (Ass Amaz)
71
MATERIAL SUPLEMENTAR 2
Unidades de Conservação com presença de ariranha conhecida na literatura.
Unidades de Conservação Fonte UF Competência
1 PARNA Jaú ICMBio, 2010 AM Federal
2 REBIO Uatumã ICMBio, 2010 AM Federal
3 REBIO Abufari ICMBio, 2010 AM Federal
4 PARNA Anavilhanas ICMBio, 2010 AM Federal
5 PARNA Campo Amazônicos ICMBio, 2010 AM Federal
6 REBIO Jaru ICMBio, 2010 RO Federal
7 REBIO Guaporé ICMBio, 2010 RO Federal
8 PARNA Araguaia ICMBio, 2010 TO Federal
9 REBIO Rio Trombetas ICMBio, 2010 PA Federal
10 PARNA Serra do Pardo ICMBio, 2010 PA Federal
11 ESEC Terra do Meio ICMBio, 2010 PA Federal
12 PARNA Jamanxim ICMBio, 2010 PA Federal
13 FLONA Carajás ICMBio, 2010 PA Federal
14 FLONA Tapajós ICMBio, 2010 PA Federal
15 FLONA Altamira ICMBio, 2010 PA Federal
16 REBIO Lago Piratuba ICMBio, 2010 AP Federal
17 PARNA Cabo Orange ICMBio, 2010 AP Federal
18 ESEC Rio Acre ICMBio, 2010 AC Federal
19 RESEX Lago do Cedro em Goiás ICMBio, 2010 GO Federal
20 PARNA Pantanal Matogrossense ICMBio, 2010 MT Federal
21 ESEC Iquê ICMBio, 2010 MT Federal
22 ESEC Taiamã ICMBio, 2010 MT Federal
23 ESEC Maracá presente estudo RR Federal
24 FLONA Roraima presente estudo RR Federal
25 PARNA Serra da Mocidade, presente estudo RR Federal
26 ESEC Niquiá presente estudo RR Federal
27 PARNA Viruá Restrepo, 2009 RR Federal
28 PARNA Montanhas de
Tumucumaque
Lima et al., 2008 AP Federal
29 FLONA Purus ICMBio, 2009 AM Federal
30 FLONA Jamari IBAMA, 2005 RO Federal
31 APA Meandros do Rio Araguaia Cabral et al., 2011 TO Federal
32 FLONA Amapá Oliveira, et al., 2015 AP Federal
33 RDS Amanã Lima et al., 2012 AM Estadual
34 RESEX Catuá-Ipixana SDS, 2007 AP Estadual
35 RDS Uacari Rosas-Ribeiro et al.,
2012
AM Estadual
36 RDS do rio Iratapuru Lima et al., 2008 AP Estadual
37 Parque Estadual do Cantão Silveira & Almeida,
2007
TO Estadual
72
Referências bibliográficas:
Allouche, O. Tsoar, A. Kadmon, R. 2006. Assessing the accuracy of species
distribution models prevalence, kappa and the true statistic (TSS). Methodological
Insights. Journal of Applied Eciology: 43: 1223-1232.
Araújo, M. B. & Guisan, A. 2006. Five (or so) challenges for species distribution
modelling. Journal of Biogeography (J. Biogeogr.) 33: 1677–1688
Araújo, M. B., and C. Rahbek. 2006. How does climate change affect
biodiversity? Science. 313:1396–1397.
Araújo, M. B., Pearson, R. G., Thuiller, W. Erhard, M. 2005. Validation of
species-climate impact models under climate change. _ Global Change Biol. 11:1504-
1513.
Ayres, M.; Ayres-Jr, M.; Ayres, D.L.; Santos, A.A.S. 2007. Bioestat: aplicações
estatísticas nas áreas das Ciências Biomédicas. Versão 5.0. Belém, Pará: Sociedade
Civil Mamirauá, MCT-CNPq. Pp.324.
Ayres, J. M., da Fonseca, G. A. B., Rylands, A. B., Queiroz, H. L., Pinto, L. P.,
Masterson, D., Cavalcanti, R. B. 2005. Os corredores ecológicos das florestas tropicais
do Brasil. Sociedade Civil Mamirauá. Belém, PA. Pp. 256.
Bahn, V & McGill, B. J. Testing the predictive performance of distribution
models. 2013. Oikos 122: 321–331.
Barbosa, M. A. Real, R., Román-Munoz, A. Brown, J. A. 2013. New measures
for assessing model equilibrium and prediction mismatch in species distribution models.
Diversity and Distributions, (Diversity Distrib.), 19: 1333–1338.
Barnes, M. A., Jerde, C. L., Wittmann, M. E., Chadderton, W. L., Ding, J.
Zhang, J., Purcell, M., Budhathoki, M., Lodge, D. 2014.Geographic selection bias of
occurrence data influences transferability of invasive Hydrilla verticillata distribution
models. Ecology and Evolution; 4(12): 2584–2593.
Barnett, A., Shapley, R., Lehman, S., Henry, E. & Benjamin, P. (2000) Records
of the Giant Otter, Pteronura brasiliensis, from Guyana IUCN Otter Spec. Group
Bull. 17(2): 65 – 74
Beccaceci, M.D. & Waller, T. (2000) Presence of the Giant Otter, Pteronura
brasiliensis, in the Corrientes Province, Argentina IUCN Otter Spec. Group Bull. 17
(1): 31 - 33
73
Boria, R. A., Olson, L. E., Goodman, S. M., Anderson, R. P. 2104. Spatial
filtering to reduce sampling bias can improve the performance of ecological niche
models. Ecological Modelling 275: 73– 77.
Braga, F.G.; Tiepolo, L.M. & Quadros, J. 1998. Ocorrência
da ariranha (Pteronura brasiliensis) no Parque Nacional de Ilha Grande, Brasil
(Carnivora:Mustelidae). An. VI Jornadas Zool.Uruguay. Montevideo.
Buermann, W.; Saatchi, S.; Smith, T. B.; Zutta, B. R.; Chaves, J. A.; Milá, B.;
Graham, C. H. 2008. Predicting species distributions across the Amazonian and Andean
regions using remote sensing data. Journal of Biogeography. 35:1160-1176;
Bystriakova N, Peregrym M, Erkens RHJ, Bezsmertna O, Schneider H 2012.
Sampling bias in geographic and environmental space and its effect on the predictive
power of species distribution models. Syst Biodivers 10: 1–11
Cabral, M.M.M.; Rosas, F.C.W.; Furtado, M.M.; Jácomo, A.T.A.; Sollmann, R.;
Tôrres, N.M.; Silveira, L. 2011. Caracterização dos habitats utilizados por ariranhas,
Pteronura brasiliensis, no médio rio Araguaia. Amigos del lobo de rio - Otter Specialist
Group Bulletin. 18: 1- 3.
Cabral, M.M.M., Zuanon, J., de Mattos, G. E., Rosas, F. C. W. 2010. Feeding
habits of giant otters Pteronura brasiliensis (Carnivora: Mustelidae) in the Balbina
hydroelectric reservoir, Central Brazilian Amazon. ZOOLOGIA. 27 (1): 47–53.
Casara, M. 2003. Mineração predatória na Amazônia Brasileira: Cinco décadas
de irresponsabilidade social e ambiental no estado do Amapá. Publicação do
Observatório Social. Florianópolis, Santa Catarina. Pp 48.
Carter, S.K., Rosas F.C.W. 1997. Biology and conservation of the giant otter
Pteronura brasiliensis. Mammal Rev. 27: 1-26.
Dijkshoorn JA, Huting JRM and Tempel P 2005. Update of the 1:5 million Soil
and Terrain Database for Latin America and the Caribbean (SOTERLAC; version 2.0).
Report 2005/01, ISRIC – World Soil Information, Wageningen.
Duplaix, N. 1980.Observations on ecology and behaviour oh the giant otter
Pteronura brasiliensis in Suriname.Revue Ecologique (Terra vie). 34: 495 – 620.
Duplaix, N., Waldemarin, H.F., Groenedijk, J., Evangelista, E., Munis, M.,
Valesco, M. & Botello, J.C. 2008. Pteronura brasiliensis. In: IUCN 2013. IUCN Red
List of Threatened Species. Version 2013.2. <www.iucnredlist.org>. (Downloaded
on 30 April 2014)
74
Elith, J., Graham, C. H., Anderson, R. P. Dudik, M. Ferrier, S., Guisan, A.,
Hijmans, R. J. Huettmann, F., Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L. G.,
Loiselle, B. A., Manion, G., Moritz, C., Nakamura, M. Nakazawa, Y., Overton, J. M.,
Peterson, A. T. Phillips, S. J. Richardson, K. Scachetti-Pereira, R. Schapire, R. E.
Soberón, J. Williams, S. Wisz, M. S., Zimmermann, N. E. 2006. Novel methods
improve prediction of species’ distributions from occurrence data. ECOGRAPHY 29:
129-151.
Elith, J. & Leathwick, J. R. 2009. Species distribution models: ecological
explanation and prediction across space and time. The Annual Review of Ecology,
Evolution and Systematics. 40: 677 – 97.
Elith, J., Kearney, M. and Phillips, S. 2010. The art of modelling range shifting
species. Methods in Ecology and Evolution, 1: 330–342.
EMPRESA NORTE ENERGIA SA 5° relatório consolidado de andamento do
PBA e do atendimento de condicionantes - UHE BELO MONTE número/código do
documento: RL-DS-001-806-020 31Jan14=A. Disponível em:
http://licenciamento.ibama.gov.br/Hidreletricas/Belo%20Monte/Relatorios%20Semestr
ais/ acesso em junho de 2014
European Space Agency – ESA, (http://due.esrin.esa.int/globcover/)
Evangelista, E. & Rosas, F.C.W., B. 2011a. Breeding behavior of Giant otter
(Pteronura brasiliensis) in the Xixuau Reserve, Roraima, Brazil. Proceedings of XIth
International Otter Colloquium, IUCN Otter Spec. Group Bull. 28A: 5-10.
Evangelista, E. & Rosas, F.C.W., B. 2011b. The Home Range and Movements
of Giant Otters (Pteronura brasiliensis) in the Xixuau Reserve, Roraima, Brazil .
Proceedings of XIth International Otter Colloquium, IUCN Otter Spec. Group Bull.
28A: 31 – 37.
Evangelista, E. 2004. Change Of Partners In A Giant Otter Alpha Couple
. IUCN Otter Spec. Group Bull. 21(1): 47 – 51.
European Space Agency – ESA, (http://due.esrin.esa.int/globcover/).
Fielding, A. H & Bell, J. F. 1997. A review of methods for the assessment of
prediction errors in conservation presence/absence models. Environmental Conservation
24 (1): 38–49.
Fearnside, P.M. 2013. Hidrelétricas na Amazônia: Impactos e tomada de
decisão. Pp. 43-60; 87-91 In: A.L. Val & G.M. dos Santos (eds.) Grupo de Estudos
75
Estratégicos Amazônicos (GEEA), Tomo VI. Instituto Nacional de Pesquisas da
Amazônia (INPA), Manaus, Amazonas. Pp.202.
Ferraz, K.M.P.M.B. ,de Siqueira, M.F., Martin, P. S., Esteves, C.F, do Couto, H.
T. Z. 2010. Assessment of Cerdocyon thous distribution in an agricultural mosaic,
southeastern Brazil. Mammalia 74: 275–280.
Ferraz, K. M. P. M. B., Siqueira, M. F., Alexandrino, E. R., Da Luz, D. T. A.,
Couto, H. T. Z. 2012. Environmental suitability of a highly fragmented and
heterogeneous landscape for forest bird species in south-eastern Brazil. Environmental
Conservation: Foundation for Environmental Conservation. 9p.
Foley, J. A., DeFries, R., Asner, G. P. 2005. Global consequences of land use.
Science, 309: 570-574.
Fourcade Y, Engler JO, Rodder D, Secondi J. 201. Mapping Species
Distributions with MAXENT Using a Geographically Biased Sample of Presence Data:
A Performance Assessment of Methods for Correcting Sampling Bias. PLoS ONE 9(5):
26-38.
Franklin, J. 2009. Mapping Species Distribution: spatial inference and
prediction. EBC Ecology, Biodiversity and Conservations. Cambridge, UK. Pp. 211.
Fraser, A., Barrett, J., Marsh, A., Smith, K., Stipale, J. 1993. Giant otters in the
Noel Kempff Mercado National Park. Report. Nottingham University. Pp.59.
Frederico, R. G., De Marco Júnior, P. Zuanon, J. 2014. Evaluating the use of
macroscale variables as proxies for local aquatic variables and to model stream fish
distributions. Freshwater Biology.
Garcia, F. N., Ferreira, L. G., Leite, J. F. 2011. Áreas Protegidas no Bioma
Cerrado: fragmentos vegetacionais sob forte pressão. Anais XV Simpósio Brasileiro de
Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil. INPE. Pp.4086
Giannini, T. C., Siqueira, M. F., Acosta, A. L. Barretos, F. C. C., Saraiva, A. M.,
Alves-dos-Santos, I. 2012. Desafios atuais da modelagem preditiva de distribuição de
espécies. Rodriguésia 63(3): 733-749.
Gonzáles Jiménes, E.R. 1997. Ecoetologia de la londra (Pteronura brasiliensis)
en la Reserva de Producción del Bajo Paraguá. Tesis de Licenciatura. Universidad
Autónoma Gabriel René Moreno. Pp.69.
Groenendijk, J. 1998. A review of the distribution and conservation status of the
giant otter (Pteronura brasiliensis) with special emphasis on the Guayana Shield
Region. Netherlands Commitee for IUCN. Amsterdam. Pp.55.
76
Groenendijk, J. Hajek, F.; Duplaix, N.; Reuther, C.; Van Damme, P.; Schenk,
C.; Staib, E.; Wallace, R.; Waldemarin, H.; Notin, R.; Marmontel, M.; Rosas, F.W.C.;
Mattos De, G.E.; Evangelista, E.; Utreras, V.; Lasso, G.; Jaques, H.; Matos, K.;
Roopsind, I. & Botello, J.C. 2005. Surveying and Monitoring Distribution and
population trends of the giant otter (Pteronura brasiliensis): guidelines for a
standardization of survey methods as recommended by the giant otter section of the
IUCN/SSC Otter Specialist Group. Habitat.
Groenendijk J, Hajek F, Johnson PJ, Macdonald DW, Calvimontes J. 2014.
Demography of the Giant Otter (Pteronura brasiliensis) in Manu National Park, South-
Eastern Peru: Implications for Conservation. PLoS ONE 9(8): e106202.
doi:10.1371/journal.pone.0106202.
Hijmans, R. J.; Cameron, S. E.; Parra, J. L.; Jones, P. G.; Jarvis, A. 2005. Very
high resolution interpolated climate surfaces for global land areas. International Journal
of Climatology. 25:1965-1978.
Hydro SHEDS (http://hydrosheds.cr.usgs.gov/dataavail.php).
IBAMA, 2005. Plano de Manejo da Floresta Nacional do Jamari. Volume 1,
Diagnóstico. Brasília.
ICMBio, 2010. Plano de Ação Nacional da Ariranha – disponível em:
http://www.icmbio.gov.br/portal/biodiversidade/fauna-brasileira/plano-de-acao/149-pan
ariranha.
ICMBio, 2010 Workshop para a conservação da onça-pintada: Elaboração de
Plano de Ação Nacional - Análise de Viabilidade Populacional e de Habitats – Relatório
Final, Atibaia, SP.
ICMBio, 2014 -
http://www.icmbio.gov.br/portal/servicos/geoprocessamento/51-menu servicos/4004-
downloads-mapa-tematico-e-dados-geoestatisticos-das-uc-s.html
ICMBio, Plano de Manejo da Floresta Nacional do Purus. 2009. Volume I –
Diagnóstico e Caracterização.
Isola, S.& Benavides, J. 2001. El lobo de rio: una espécie bandera para la
Reserva Comunal Tamshiyacu Tahuayo. Wildlife Conservation Society, Rainforest
Conservation Fund, Durrel Institute of Conservation and Ecology, El Centro de Datos
para la Conservation. Universidad Nacional Agraria La Molina. Lima, Peru. Pp.46.
77
Javier Díaz, H. and Sánchez, I.M. (2002) Historical and Actual Presence of the
Giant Otter (Pteronura brasiliensis) on the Lower Meta River, Department of Casanare
- Colombia Orinoquia. IUCN Otter Spec. Group Bull. 19(2): 97 – 102.
Jimenez, A. V & Lobo, J. M. 2007. Threshold criteria for conversion of
probability of species presence to either–or presence–absence. Acta oecologica 31: 361
– 369.
Klink, C. A. & Machado, R.B. 2005. A conservação do Cerrado brasileiro.
Megadiversidade 1(1): 147-155.
Kramer-Schadt, S.; Niedballa, J.; Pilgrim, J. D.; Schroder, B.; Lindenborn, J.;
Reinfelder, V. Stillfried, M.; Heckmann, I.; Scharf, A. K.; Augeri, D. M.; Cheyne, S.
M.; Hearn, A. J.; Ross, J.; Macdonald, D. W.; Mathai, J.; Eaton, J.; Marshall, A. J.;
Semiadi, G. Rustam, R.; Bernard, H.; Alfred, R.; Samejima, H.; Duckworth, J. W.;
Breitenmoser-Wuersten, C.; Belant, J. L.; Hofer, H. & Wilting, A. 2013. The
importance of correcting for sampling bias in MaxEnt species distribution models.
Diversity and Distributions, (Diversity Distrib.) Pp. 1–14.
Kuemmerlen, M. Schmalzc, B. Gusec, B. Caid, Q. Fohrerc, N. Jähnig, S. C.
2014. Integrating catchment properties in small scale species distribution models of
stream macroinvertebrates. Ecological Modelling. 277: 77–86.
Kuhn, I. 2007. Incorporating spatial autocorrelation may invert observed
patterns. Diversity and Distributions. 13: 66–69.
Laidler, P.E. 1984. The behavioural ecology of the giant river otter in Guyana.
Ph.D., University of Cambridge. Pp.296.
Lei Federal nº lei 12651/2012. Novo Código Florestal.
Lei 16.342/2014. Código Estadual de Meio Ambiente de Santa Catarina.
Lei 15.684/2015. Programa de Regularização Ambiental – PRA . Estado de São
Paulo.
Lei Complementar nº 153/2009. Complementa e altera Código de Proteção ao
Meio Ambiente de Roraima.
Leuchtenberger, C.; Zuco, C.A.; Ribas, C.; Magnusson, W. & Mourão, G. 2014.
Activity patterns of giant otters recorded by telemetry and camera traps. Ethology
Ecology & Evolution. 26 (1): 19-28
Leuchtenberger, C. Oliveira-Santos, L. G. R., Magnusson, W. Mourão, G. 2013.
Space use by giant otter groups in the Brazilian Pantanal. Journal of Mammalogy, 94
(2) : 000-000.
78
Leuchtenberger, C. & Mourão, G. 2009. Scent-Marking of Giant Otter in the
Southern Pantanal, Brazil. Ethology. 115: 210–216.
Lima, D. S., Marmontel, M., Bernard, E. 2012. Site and refuge use by giant river
otters (Pteronura brasiliensis) in the Western Brazilian Amazonia, Journal of Natural
History, 46:11-12: 729-739
Lima, D. ; Silva, C.R.; Marmontel, M. 2008. Diagnóstico preliminar de
ocorrência de Ariranhas pteronura brasiliensis no Estado do Amapá. In: Congresso
Brasileiro de Mastologia, São Lourenço.
Lima, W. P & Zakia, M. J. B. 2001. Hidrologia de Matas Ciliares. In: Matas
Ciliares: Conservação e Recuperação. Rodrigues, R. R. Leitão-Filho, H. F. (eds).
Universidade de São Paulo: Fapesp. Pp. 33 – 44.
Liu, C. Berry, P.M., Dawson, T. P. & Pearson, G. 2005. Selecting thresholds of
occurrence in the prediction of species distributions. ECOGRAPHY. 28: 385-393.
Lobo, J. M., J.M. Jiménez-Valverde, A .Real. R. 2008. AUC: a misleading
measure of the performance of predictive distribution models. Global Ecology and
Biogeography. 17(2): 145–151.
Marmion, M., Parviainen, M., Luoto, M. Heikkinem, R. K. & Thuiller, W. 2009.
Evaluation of consensus methods in predictive species distribution modelling. Diversity
and Distributions. 15: 59-69.
McClain, M. E. & Naiman, R. J. 2008. Andean Influences on the
Biogeochemistry and Ecology of the Amazon River. BioScience. 58(4): 325 – 338.
Michalski, F., Conceição, P. C. Amador, J. A., Laufer, J., Norris, D. 2012. Local
perceptions and implications for giant otter (Pteronura brasiliensis) conservation
around protected areas in the eastern brazilian amazon. IUCN Otter Spec. Group Bull.
29(1): 34 – 45
Marinho-Filho, J. & Gastal, M. L. 2001. 2001. Mamíferos das matas ciliares dos
cerrados do Brasil Central. In: Matas Ciliares: Conservação e Recuperação. Rodrigues,
R. R. Leitão-Filho, H. F. (eds). Universidade de São Paulo: Fapesp. Pp. 209 – 221.
MMA, 2014 – Ministério do Meio Ambiente
http://www.mma.gov.br/areas-protegidas/cadastro-nacional-de-ucs
Morato R.G., Ferraz K.M.P.M.d B., de Paula R.C., Campos C.B.d 2014.
Identification of Priority Conservation Areas and Potential Corridors for Jaguars in the
Caatinga Biome, Brazil. PLoS ONE 9(4): e92950. doi:10.1371/journal.pone.0092950
79
Norris, D. & Michalski, F. 2009. Are otters an effective flagship for the
conservation of riparian corridors in an amazon deforestation frontier? IUCN Otter
Spec. Group Bull. 26(2): 73 – 77.
Oliveira, I. A. P., Norris, D., Michalski, F. 2015. Anthropogenic and seasonal
determinants of giant otter sightings along waterways in the northern Brazilian Amazon.
Mammalian Biology 80: 39–46.
Palmeirim, A. F., Peres, C. A., Rosas, F. C. W. 2014. Giant otter population
responses to habitat expansion and degradation induced by a mega hydroeletric dam.
Biological Conservation 174: 30-38.
Parera, A.F. (1992) Present Knowledge on the Giant Otter in Argentina IUCN
Otter Spec. Group Bull. 7: 19 – 22.
Parera, A. 1996. Las “nutrias verdadeiras” de la Argentina. Boletin Tecnico de la
Fundación Vida Silvestre Argentina. 21: 1-38.
Pearson, R. G, Thuiller, W. Araújo, M. B, Martinez-Meyers, E.Brotons, L.,
McClean, C., Miles, L. Segurado, P. Dawson, T. P., Lees, D. C. 2006. Model-based
uncertainty in species range prediction. Journal of Biogeography (J. Biogeogr.) 33:
1704–1711.
Peterson, A. Papes, M & Eaton, M. 2007. Transferability and model evaluation
in ecological niche modeling: a comparison of GARP and Maxent. Ecography 30: 550-
560.
Peterson, A., Soberón, J., Pearson, R. Anderson, R. Martínez-Meyer, E.
Nakamura, M. Araújo, M. 2011. Ecological niches and geographic distributions.
Princeton University Press. Pp.7 -22.
Pickles, R. Zambrana, V. Jordan, B. Hoffmann-heap, I. Salinas, A.
Groombridge, J. van Damme, P. 2011. An evaluation of the utility of camera traps in
monitoring giant otter populations. IUCN Otter Spec. Group Bull. 28(1): 5-8.
Phillips, S. J., Anderson, R.P. & Schapire, R. E. 2006. Maximum entropy
modeling of species geographic distributions – Ecological Modeling. 1990: 231 – 259.
Phillips, S.J., Dudik, M., Elith, J., Graham, C.H., Lehmann,A., Leathwick, J. &
Ferrier, S. 2009. Sample selection bias and presence-only distribution models:
implications for background and pseudo-absence data. Ecological Applications. 19:
181–197.
80
Portocarrero-Aya, M. P., Morales-Betancourt D., Díaz D. L.; Millán J.P. 2009.
Nutrias de Colombia. Fundación Omacha-Fundación Horizonte Verde. Proyecto Pijiwi-
Orinoko. Bogotá. Pp.40.
Powell, R. A. Mitchell, M. S. (2012). What is a home range? Journal of
Mammalogy, 93(4): 948–958.
R Development Core Team. 2010. R: a Language and Environment for
Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing.
Available: http://www.r-project.org/.
Restrepo, D. M. O. 2009. As ariranhas (Pteronura brasiliensis) do Parque
Nacional do Viruá: uso do espaço e caracterização do habitat e microhabiat. (dissertação
de mestrado) Universidade Federal de Roraima.
Ribas, C. & Mourão, G. 2004. Intraspecific Agonism between Giant Otter
Groups. IUCN Otter Spec. Group Bull. 21(2): 89 – 93.
Ribas, C.P. 2004. Desenvolvimento de um programa de monitoramento em
longo prazo das ariranhas (Pteronura brasiliensis) no pantanal brasileiro. Dissertação
(Mestrado em Ecologia e Conservação). Universidade Federal do Mato Grosso do Sul.
Pp.68.
Rheingantz, M. L., de Menezes, J. F. S., Thoisy, B. 2014. Defining Neotropical
otter Lontra longicaudis distribution, conservation priorities and ecological frontiers.
Tropical Conservation Science. 7 (2): 214-229.
Rosas-Ribeiro, P. F., Rosas, C. W., Zuanon, J. 2012. Conflict between fishermen
and Giant Otters Pteronura brasiliensis in western brazilian Amazon. BIOTROPICA
44(3): 437–444.
Rosas, F. C. W., Mattos, G. L., Cabral, M.M.M. 2007. The use of hydroelectric
lakes by giant otters Pteronura brasiliensis: Balbina lake in central Amazonia, Brazil.
Oryx. 41 (4): 520-524.
Rosas, F.C.W.; Sousa-Lima, R.S.; Da Silva, V. M. F. 2003. Avaliação
preliminar dos mamíferos do baixo rio Purus. In: De Deus, C. F.; Da Silveira, R. E.; Py-
Daniel, L.H. R. (Eds). Piagaçu-Purus: Bases cintíficas para a criação de uma reserva de
desenvolvimento sustentável. Manaus, Brasil. Pp. 49-59.
Schweizer, J. 1992. Ariranhas no Pantanal: Ecologia e comportamento da
Pteronura brasiliensis. Edibran-Editora Brasil Natureza Ltda, Curitiba, Paraná.
81
SDS – Secretaria de Estado do Meio Ambiente e Desenvolvimento Sustentável
do Amazonas. 2007. Diagnóstico sócio-econômico e biológico da Reserva Extrativista
Catuá-Ipixuna, Coari e Tefé, Amazonas.
Silveira, L. F.; Beisiegel, B. L.; Curcio, F. F.; Valdujo, P, H.; Dixo, M.;
Verdade, V. K.; Mattox, G. M. T.; Cunningham, P. T. M. 2010. Para que servem os
inventários de fauna? estudos avançados 24 (68): 173-207.
Silveira, L. & Almeida, R.L.M. 2007. Distribuição da Ariranha do Parque
Estadual do Cantão – TO In: Ações de pesquisa e conservação em relação ao estudo da
ariranha Pteronura brasiliensis no Brasil . 2007, Manaus Resumos. Pp. 10.
Soares-Filho, B. S., Nepstad, D. C, Curran, L. M., Cerqueira, G. C.,Garcia, R.A.,
Ramos, C. A.,Voll, E., McDonald, A., Lefebvre, P., Schlesinger, P. 2006. Modelling
conservation in the Amazon basin. Nature. 440: 23.
Soberón, J. 2007. Grinnellian and Eltonian niches and geographic distributions
of species. Ecology Letters, 10: 1115–1123.
Staib, E. & Schenck, C. 1994a. Giant Otters and Ecotourism in Peru. IUCN
Otter Spec. Group Bull. 9: 7-8.
Staib, E. and Schenck, C. 1994b. Giant Otter... a giant under even bigger
pressure. 36 p. Zoologische Gesellschaft Frankfurt/Wildbiologische Gesellschaft
München e.V. Linderhof 2, D-82488 Ettal, Germany
Syfert M.M., Smith M.J., Coomes D.A. 2013. The Effects of Sampling Bias and
Model Complexity on the Predictive Performance of MaxEnt Species Distribution
Models. PLoS ONE 8(2): e55158. doi:10.1371/journal.pone.0055158.
Ten, S., Liceaga, I., González, M., Jiménez, J., Torres, L., Vázquez, R., Heredia,
J., Padial, J.M. 2001. Reserva Inmovilizada Iténez: Primer Listado de
Vertebrados. Revista Boliviana de Ecología y Conservation Ambiental. 10: 81-110.
Tingley, R. and Clements, G. R. Creating a bias grid for Maximum Entropy
Modelling (MaxEnt). Disponível em:
http://dl.dropboxusercontent.com/u/11171634/Rimba_toolbox/Bias_grid_instructions.p
df.
Tomás, W. et al. 2000. Potencial do rio Aquidauana e Miranda, no Pantanal de
Mato Grosso do Sul, para a conservação da ariranha (Pteronura brasiliensis). In:
Simpósio sobre recursos naturais e sócio-econômicos do Pantanal – Os desafios do
novo milênio, 3. Corumbá. Resumos...Corumbá. P p.12.
82
Tôrres, N.M. De Marco Júnior, P. Santos, T. Silveira, L. Jácomo, A.T. A. &
Diniz-Filho, J. A. F. 2012. Can species distribution modelling provide estimates of
population densities? A case study with jaguars in the Neotropics. Diversity and
Distributions, (Diversity Distrib.). Pp. 1–13.
Thuiller, W. Araújo, M. B. & Lavorel, S. 2004. Do we need land-cover data to
model species distributions in Europe? Journal of Biogeography (J. Biogeogr.). 31:
353–361.
Thuiller W, Lafourcade B, Engler R, Araújo MB 2009. BIOMOD - a platform
for ensemble forecasting of species distributions. Ecography. 32: 369–373.
Tramm, I. 2014. Presence of giant otters (Pteronura brasiliensis) in the río torno
in northern Peru. IUCN Otter Spec. Group Bull. 31(1): 32-36.
UNEP (United Nations Environment Program) – WCMC:
www.protectedplanet.net
USGS - United States Geological Survey - http://water.usgs.gov/maps.html
Utreras, B.V., Suárez, R.E., Zapato-Ríos, G., Lasso, G., Pinos, L. 2005. Dry and
rainy season estimations of giant otter, Pteronura brasiliensis, home range in the
Yasuní National Park, Ecuador. LAJAM. 4(2):1676-7497
Wilting, A.; Cord, A., Hearn, A., J., Hesse, D., Mohamed, A., Traholdt, C.,
Cheyne, S. M. Sunarto, S. Jayasilan, M., Ross, J., Shapiro, A. C., Sebastian, A., Dech,
S. Hofer, H.. 2010. Modelling the Species Distribution of Flat-Headed Cats
(Prionailurus planiceps), an Endangered South-East Asian Small Felid. Plos one DOI
10.1371/journal.pone.000961
Wisz, M. S., Hijmans, R. J., Li, J. Peterson, A. T., Graham, C. H., Guisan, A.,
NCEAS Predicting Species Distributions Working Group. 2008. Effects of sample size
on the performance of species distribution models. Diversity and Distributions,
(Diversity Distrib.). 14: 763–773.
Yackulic, C.B., Chandler, R., Zipkin, E.F., Royle, J.A., Nichols, J.D., Grant, E.
H. C., Veran, S. 2012. Presence-only modelling using MAXENT: when can we trust the
inferences? Methods in Ecology and Evolution. 4: 236-243.
Waldemarin, H.F. & Alvarez, R. 2008. Lontra longicaudis. The IUCN Red List
of Threatened Species. Version 2014.3. <www.iucnredlist.org>. Downloaded on 05
January 2015.
83
Wenger, S. J & Olden, J. D. 2012. Assessing transferability of ecological
models: an underappreciated aspect of statistical validation. Methods in Ecology and
Evolution. 3: 260–267.
WORLDCLIM - (http://www.worldclim.org/current)
84
Considerações finais
Concluiu-se que, para Roraima, região que possui, de uma forma geral, matas
ciliares muito bem preservadas por seu território, a adição de variáveis de cobertura do
solo não apresentou diferença significativa no desempenho dos modelos de distribuição
potencial da ariranha.
Acreditamos que como a ariranha é um animal associado essencialmente a rios e
praias, as variáveis físicas incluídas no primeiro grupo (físicas e climáticas) já
aumentaram a capacidade preditiva do modelo. Além disso, Roraima é um dos estados
mais bem preservados do Brasil, em que 83% de seu território é composto de floresta e
17% de savanas, sendo que sua maior parte ainda se encontra com a cobertura vegetal
nativa (Rosa-Freitas et al, 2010). Este fato é positivo para o planejamento e para
políticas públicas do Estado que poderia adotar a ariranha como foco de programas de
monitoramento da qualidade do habitat e de medidas em seu Zoneamento Ecológico
Econômico (ZEE), assim como na gestão das Unidades de Conservação, para
monitoramento da biodiversidade.
O modelo gerado para o estado considerou apenas parte da distribuição da
ariranha, sendo necessário avaliar se as variáveis de uso do solo podem melhorar o
desempenho de modelos de distribuição que incluem regiões com elevada fragmentação
e conversão de vegetação ciliar, que é a situação mais comum em outros estados
brasileiros. Na América do sul como um todo, a variável do uso do solo testada não
apresentou diferença significativa no desempenho dos modelos e avaliamos que as
mesmas devam ser preferencialmente usadas na pós modelagem.
Já os testes de correção de viés de amostragem foram significativos e os
consideramos importantes de serem explorados, sobretudo em países pouco estudados e
megadiversos, como Brasil.
Consideramos as métricas de avaliação taxa de omissão e validação externa
significativas em nossas análises e recomendamos o uso das mesmas além das já
normalmente usadas, TSS (True Test Statistic) e AUC (Area Under the Curve), esta
última, mais frequentemente usada (Elith et al., 2006; Franklin, 2009). A métrica taxa
de omissão é interessante, pois não demanda cálculos complexos, podendo ser feita
manualmente de forma simples e testa o quanto que o modelo não conseguiu prever de
área predita para registros conhecidos. A validação externa ou validação de campo,
sempre que possível, é o melhor teste que se pode fazer para avaliar o desempenho do
85
modelo (Giannini et al., 2012) a qual corresponde à capacidade do modelo para prever
dados independentes (Peterson, et al., 2011).
O planejamento aliado à conservação da biodiversidade traria benefícios não só
às ariranhas, mas para todos os organismos, inclusive o ser humano. Assim como o
recomendado por Groenendijk et al, (2014) os esforços para conservação da ariranha
deveriam estar concentrados na preservação de corredores de recursos hídricos e mata
ciliar associada, garantindo o fluxo gênico e manutenção a longo prazo das populações.
A legislação deve atender o interesse público e garantir a boa manutenção das áreas de
preservação permanente, em especial as matas ciliares, que poderiam compor corredores
ecológicos com áreas protegidas e assegurar os serviços ambientais para a sociedade.
Em tempos de escassez hídrica, é mais que urgente aliar conservação de matas
ciliares através de políticas públicas e planejamento territorial. É necessário que se
tenha recursos financeiros e de pessoal para realização de inventários, pois não há outra
maneira de se confirmar a distribuição da espécie e consequentemente de se promover
estratégias para sua conservação. Ressaltamos necessidade de confrontar a distribuição
da ariranha com planejamentos de outros setores governamentais, a fim de permitir o
estabelecimento de áreas de menor conflito para conservação e populações mais
vulneráveis da espécie.
86
Referências bibliográficas:
Elith, J., Graham, C. H., Anderson, R. P. Dudik, M. Ferrier, S., Guisan, A.,
Hijmans, R. J. Huettmann, F., Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L. G.,
Loiselle, B. A., Manion, G., Moritz, C., Nakamura, M. Nakazawa, Y., Overton, J. M.,
Peterson, A. T. Phillips, S. J. Richardson, K. Scachetti-Pereira, R. Schapire, R. E.
Soberón, J. Williams, S. Wisz, M. S., Zimmermann, N. E. 2006. Novel methods
improve prediction of species’ distributions from occurrence data. ECOGRAPHY 29:
129_/151.
Franklin, J. 2009. Mapping Species Distribution: spatial inference and
prediction. EBC Ecology, Biodiversity and Conservations. Cambridge, UK, 211 pp.
Giannini, T. C., Siqueira, M. F., Acosta, A. L. Barretos, F. C. C., Saraiva, A. M.,
Alves-dos-Santos, I. 2012. Desafios atuais da modelagem preditiva de distribuição de
espécies. Rodriguésia 63(3): 733-749.
Groenendijk J, Hajek F, Johnson PJ, Macdonald DW, Calvimontes J, et al. 2014.
Demography of the Giant Otter (Pteronura brasiliensis) in Manu National Park, South-
Eastern Peru: Implications for Conservation. PLoS ONE 9(8): 106-202.
Peterson, A., Soberón, J., Pearson, R. Anderson, R. Martínez-Meyer, E.
Nakamura, M. Araújo, M. 2011. Ecological niches and geographic distributions.
Princeton University Press. 7 -22pp
Rosa-Freitas, M. G., Tsouris, P. Luitgards-Moura, J. F., Peterson, A. T. &
Honório, N. A. 2010. Ecorregiões de Roraima: a importância da paisagem na
epidemiologia da malária. In: Roraima: Homem, Ambiente e Ecologia. Barbosa, R.I.
Melo, V. F. (org). 431-448p.