Distribución potencial de ecosistemas de la Zona Sur del Ecuador: modelización desde un enfoque correlativo

Revista de Estudios Andaluces (REA) | Núm. 48, julio (2024) | e-ISSN: 2340-2776 https://dx.doi.org/10.12795/rea.2024.i48 | © Editorial Universidad de Sevilla 2024 https://editorial.us.es/es/revistas/revista-de-estudios-andaluces https://revistascientificas.us.es/index.php/REA CC BY-NC-SA 4.0. 8 Distribución potencial de ecosistemas de la Zona Sur del Ecuador: modelización desde un enfoque correlativo Potential distribution of ecosystems in the Southern Zone of Ecuador: modeling from a correlative approach Marco Antonio Poma-Sarango mar[email protected] 0009-0001-6149-2403 Diego Poma-Sarango [email protected] 0000-0002-8622-6216 Lizbeth Guaman [email protected] 0009-0000-5063-8545 Carlos Guillermo Chuncho [email protected] 0009-0001-9299-0595 Oscar Juela [email protected] 0000-0002-3560-8206 César Benavidez-Silva [email protected] 0000-0002-9822-4103 Centro de Investigaciones Territoriales. Universidad Nacional de Loja, Ecuador. Ciudad Universitaria Guillermo Falconí, Loja. Ecuador. INFO ARTÍCULO RESUMEN Recibido: 17-10-2023 Revisado: 29-12-2023 Aceptado: 26-01-2024 PALABRAS CLAVE Cambio climático Modelización Ecosistemas Biomod2 Zona Sur del Ecuador El cambio climático es uno de los factores que están afectando a los ecosistemas terrestres a través de la variabilidad climática global y, al actuar de manera sinérgica con otros factores estresantes, se potencian sus efectos sobre los ecosistemas pudiendo afectar directamente a la diversidad biológica. En consecuencia, hemos analizado la distribución potencial de los ecosistemas de la Zona Sur del Ecuador bajo un escenario de cambio climático futuro (RCP 6.0 2080), de importancia ecológica, social y económica para las poblaciones aledañas a los ecosistemas. Para ello se utilizó los modelos de distribución potencial (SDM) implementados en Biomod2 4.0, que utiliza un conjunto de métodos y herramientas relevantes para el tratamiento de una serie de incertidumbres metodológicas relacionadas con el modelado de distribuciones, así como la capacidad de construir rápidamente modelos individuales o combinarlos de diferentes maneras mediante ensambles, relacionando variables biofísicas (topográficas y climáticas) con los puntos de presencia/ausencia de los ecosistemas de la Zona Sur. Los resultados indican que la temperatura sufriría un incremento para todos los ecosistemas, mientras que la precipitación en algunos ecosistemas de pisos altitudinales altos, como Páramo y Bosque Montano Alto decrecería, diferente a lo que ocurriría con otros ecosistemas en pisos altitudinales más bajos, donde la precipitación mostraría un incremento, mientras que en los pisos altitudinales más altos, de manera general, la precipitación aumentaría. Esta variabilidad climática posiblemente genere nuevas configuraciones climáticas y los ecosistemas en respuesta tiendan a reducirse o expandirse, cambiando su rango de distribución. DOI: https://dx.doi.org/10.12795/rea.2024.i48.01 Formato de cita / Citation: Poma-Sarango, M.A., Poma-Sarango, D., Guaman, L., Chuncho, C.G., Juela, O., & Benavides-Silva, C. (2024). Potential distribution of ecosystems in the Southern Zone of Ecuador: modeling from a correlative approach. Revista de Estudios Andaluces,(48), 8-32. https://dx.doi.org/10.12795/rea.2024.i48.01 Correspondencia autores: cesar[email protected] (César Benavides-Silva) Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 9 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 KEYWORDS ABSTRACT Climate Change Modeling Ecosystems Biomod2 Southern region of Ecuador Climate change is one of the factors affecting terrestrial ecosystems through global climate variability, and by acting synergistically with other stressors, its effects on ecosystems are enhanced, potentially directly affecting biological diversity. Consequently, we have analyzed the potential distribution of ecosystems in the Southern Zone of Ecuador under a future climate change scenario (RCP 6.0 2080), which is ecologically, socially, and economically important for populations surrounding the ecosystems. To do this, we used potential distribution models (SDM) implemented in Biomod2 4.0, which uses a set of relevant methods and tools for dealing with a series of methodological uncertainties related to distribution modeling, as well as the ability to quickly build individual models or combine them in different ways through ensembles, relating biophysical variables (topographic and climatic) with the presence/ absence points of ecosystems in the Southern Zone. The results indicate that the temperature would increase for all ecosystems, while precipitation in some high-altitude ecosystems, such as Paramo and Montane Forest, would decrease, unlike what would happen with other ecosystems at lower altitudes, where precipitation would show an increase (and, in the rest of the ecosystems, in general, it would show an increase). This climate variability may generate new climate configurations and ecosystems may tend to shrink or expand in response, changing their distribution range. 1. INTRODUCCIÓN El clima es el resultado de un proceso de complejas interacciones entre factores atmosféricos, geográficos y meteorológicos, que inciden sobre los procesos ecológicos, económico y socio-productivos a nivel del global (Samaniego-Rojas etal., 2015). A lo largo de la historia del planeta, el clima ha estado en constante variación (IPCC, 2014), obedeciendo a ciclos dinámicos naturales en un principio (Benavidez-Silva et al., 2021), sin embargo en el último siglo el ser humano ha tomado protagonismo y es considerado como responsable de manera parcial o total por su contribución en el incremento de gases de efecto invernadero (GEI) (IPCC, 2014). El cambio climático de origen antrópico es cada vez más vigente (Malhi etal., 2020), y afecta el equilibrio energético del sistema climático del planeta (IPCC, 2008), lo que ha ocasionado un incremento de la temperatura media de la superficie terrestre en ~1 °C en relación con la temperatura media de los años 1850-1900 (Dagtekin etal., 2020). Por ello, es considerado una amenaza global, cuyos efectos pueden ser cada vez más severos (Weiskopf etal., 2020), afectando a la salud física-mental de las personas (Parry etal., 2019); así como, poner en riesgo la biodiversidad actual del planeta (Correa-Lima etal., 2019). Las anomalías en los patrones de precipitación y temperatura a nivel global (Busch etal., 2012), principales efectos evidenciados a raíz del cambio climático (Colwell etal., 2008; Hylander etal., 2022), impactan negativamente a los ecosistemas terrestres a escala global (Dagtekin etal., 2020), obligando a las especies a modificar sus límites geográficos e impulsar la redistribución de la vida sobre el planeta (Ashraf etal., 2017; Pecl etal., 2017). Algunos organismos podrían evolucionar (ecológica o genéticamente) para adaptarse a estos cambios (Malhi etal., 2020; Thomas, 2020), mientras que el resto podría desaparecer (extinción) (Dagtekin etal., 2020). Los ecosistemas naturales representan la principal fuente proveedora de recursos genéticos y servicios ecosistémicos, que permiten el desarrollo de la humanidad (Aguirre etal., 2017), sin embargo, el cambio global y el incremento de las presiones antrópicas, ocasionan transiciones críticas en la estructura y función de los ecosistemas (Rocha, 2022). El cambio climático podría alterar las condiciones ambientales de los distintos ecosistemas en respuesta a las actividades antrópicas (Benavidez-Silva etal., 2021), acelerando la pérdida de especies animales y vegetales, y con ello el deterioro de los ecosistemas, siendo más vulnerables aquellos que han sido alterados por las actividades humanas (CEPAL, 2017; Quesada-Quirós etal., 2016). El cambio en los regímenes de precipitación y temperatura, provocaría un desplazamiento de los ecosistemas hacia altitudes mayores, debido al incremento de la evapotranspiración (Colwell etal., 2008), lo que supone mayores impactos para los ecosistemas y especies asociadas, distribuidos en rangos altitudinales más elevados (Aguirre etal., 2015). En la Zona Sur del Ecuador, conformada por las provincia de Loja, Zamora Chinchipe y El Oro, los cambios de uso de suelo, producto del crecimiento urbano, la deforestación, la minería y la expansión de la frontera agrícola, históricamente son la causa de la fragmentación de los ecosistemas, siendo los bosques secos los Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 10 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ecosistemas más amenazados debido a los procesos de conversión agrícola que han sufrido en los últimos años (Aguirre etal., 2015; Manchego etal., 2017; Tapia-Armijos etal., 2015). Los estresores climáticos y antrópicos han influenciado de manera negativa sobre los ecosistemas de la Zona Sur del Ecuador, convirtiéndola en una región vulnerable a los efectos del cambio climático (Aguirre etal., 2015). En este contexto, la interacción de los patrones climáticos con otros factores de estrés, como los cambios en los usos del suelo, podría tener un impacto significativo en el equilibrio natural de los ecosistemas terrestres de las provincias de Loja, Zamora Chinchipe y El Oro en el futuro. Con el objetivo de comprender los patrones espaciales y temporales que rigen la distribución de los seres vivos en el planeta, se utilizaron modelos correlativos, específicamente Modelos de Distribución de Especies (SDM). Estos modelos fueron empleados para prever posibles zonas de distribución de los ecosistemas (Pliscoff & Fuentes-Castillo, 2011), proporcionando así información valiosa sobre la potencial respuesta de estos ecosistemas al cambio climático (Ashraf etal., 2017; Guisan & Zimmermann, 2000), las actividades humanas (Benavidez-Silva etal., 2021) y así, poder determinar las variaciones espaciales y temporales que sufrirían los ecosistemas en diferentes escenarios climáticos para prever su correcta gestión (Gaglio etal., 2019). La comprensión de cómo el clima ha evolucionado en décadas recientes es crucial para anticipar los futuros cambios en la estructura de la biodiversidad (Carroll etal., 2017). En este estudio, se modelaron los ecosistemas terrestres de las provincias de Loja, Zamora y El Oro para el período 1970-2080, utilizando enfoques correlativos y considerando el escenario climático IPCC-AR5-RCP 6.0. La aplicación de los SDM en Biomod2 4.0 (Thuiller etal., 2022) permitió relacionar variables biofísicas con la ocurrencia/ausencia de los ecosistemas (Benavidez-Silva etal., 2021; Brun etal., 2020; Hao et al ., 2019). En concreto, el estudio se propone evaluar las zonas de distribución potencial de los ecosistemas en la Zona Sur hacia el año 2080 bajo un escenario de cambio climático, específicamente para identificar las variables determinantes y aplicar modelos correlativos para prever la distribución futura de estos ecosistemas. 2. MATERIALES Y MÉTODOS/METODOLOGÍA 2.1. Área de estudio Esta investigación fue desarrollada en el espacio geográfico que abarca toda la Zona Sur del Ecuador (3° 02’ 52’’ S y 03° 02’ 41’’ S, y entre 78° 21’ 58’’ W y 78° 21’ 35’’ W) (figura 1), comprendida por las provincias de Loja, Zamora Chinchipe y El Oro. Esta región se distribuye en ~27.500 km2, equivalentes a ~11% del territorio nacional (Aguirre etal., 2015). El Ecuador debido a su ubicación geográfica presenta diversos tipos de climas y microclimas que generan zonas con altos niveles de biodiversidad (Samaniego-Rojas etal., 2015), como la Zona Sur del Ecuador, la cual presenta una gran diversidad climática, multiétnica y biológica, esta última se ve potenciada por la influencia de algunos factores como su ubicación geográfica, presencia de cuencas hidrográficas, diversidad de pisos altitudinales, formación fitogeográfica Huancabamba, presencia de valles secos interandinos y la presencia de grupos étnicos (Aguirre etal., 2015), la que se caracteriza por su gran diversidad de especies y endemismo (Brehm etal., 2008), está situada dentro de hotspots de biodiversidad (Andes Tropicales y Tumbes-Choco-Magdalena) (Tapia-Armijos etal., 2015), incluyendo valles secos, páramos, bosques nublados y bosques amazónicos (Brehm etal., 2008, Garzón-Santomaro etal., 2019) alcanzando altitudes de hasta 3.880 m s.n.m (Cueva, 2012). Los ecosistemas naturales presentes en esta región se ven afectados por las variaciones interanuales del clima, que a su vez son determinados por factores geográficos y meteorológicos (latitud, orografía) y la presencia del océano pacífico (Samaniego-Rojas etal., 2015). La flora es una de las más ricas y diversas del mundo, la cual varía en función de los diferentes climas de la región (Lozano, 2002), que de manera general son: a) clima megatérmico seco a semihúmedo, las temperaturas promedio son superiores a los 22 °C y los niveles de precipitación oscilan entre 500 a 1.000 mm; b) clima ecuatorial mesotérmico semihúmedo a húmedo, se caracteriza por inviernos relativamente secos debido a la pérdida de humedad que sufren las masas de aire al chocar con los flancos de la cordillera. Las precipitaciones anuales promedio varían desde Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 11 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 los 600 a 2.000 mm, con valores que llegan hasta los 6.700 mm anuales en las partes más altas de la cordillera, las temperaturas fluctúan entre los 12 – 22 °C ; c) clima tropical megatérmico muy húmedo: clima muy característico de la Amazonía ecuatoriana (Samaniego-Rojas etal., 2015). Figura 1. Zona Sur del Ecuador: mapa resumen de la distribución de los remanentes de los ecosistemas naturales provinciales. Fuente: (MAE, 2013). Elaboración propia. 2.2. Información ecológica La información ecológica requerida para el proceso de modelización corresponde a los datos de presencia de los ecosistemas modelados. Las presencias fueron obtenidas para las 40 formaciones vegetales o ecosistemas presentes en las provincias de Loja, Zamora Chinchipe y El Oro, de acuerdo a la clasificación del Ministerio del Ambiente Agua y Transición Ecológica (MAATE) (MAE, 2013), los mismos que se encuentran distribuidos en diferentes pisos bioclimáticos y con una fisiografía diferente a la del resto del país (Vazquez etal., 2005). Los puntos de ocurrencia de los ecosistemas (presencia) así como las ausencias son ambientalmente representativos y precisos para la escala de trabajo elegida (Pliscoff & Fuentes-Castillo, 2011). Los datos de presencia fueron generadas considerando un mínimo de puntos entre 30 y 50, necesarios por cada ecosistema, para obtener modelos estadísticamente válidos (Kadmon etal., 2003) y para evitar la generación de modelos mal evaluados (Pliscoff & Fuentes-Castillo, 2011; Ren etal., 2016). Para obtener las presencias de los ecosistemas se siguió el siguiente criterio: para ecosistemas Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 12 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 cuya distribución en el perfil altitudinal comprenda un rango entre 0 y 1.000 metros, el número de presencias generado fue de 50; entre 0 y 2.000 metros, el número de presencias generado fue de 100; y, entre 0 y ≥ 3.880 metros, el número de presencias generado fue de 150. Como los ecosistemas son unidades mutuamente excluyentes y sustitutos geográficos, la presencia de un determinado ecosistema se registró como (1) mientras que la ausencia se registró como (0) (Anjos & de Toledo, 2018) o lugares donde presumiblemente no se encuentran distribuidos los ecosistemas. Al no contar con datos de ausencias reales, se generaron puntos aleatorios (pseudoausencias), en la misma proporción para todos los ecosistemas (Benavidez-Silva etal., 2021; De Pando & De Giles, 2007), sin considerar el área de distribución observada de cada ecosistema; se generaron 10.000 puntos. Los datos de presencia y pseudoausencia de los ecosistemas fueron seleccionados aleatoriamente y georreferenciados en coordenadas geográficas con ayuda del software ArcGIS Pro 2.8.4. 2.3. Variables ambientales Las variables ambientales implementadas en la presente investigación corresponden a variables bioclimática y variables topográficas. En esta investigación empleamos las 19 variables climáticas obtenidas del portal web Climatologies at high resolution for the earth’s land surface areas (CHELSA) (https://chelsa-climate.org/), a una resolución de 30 segundos (~1km en el Ecuador). Los periodos de tiempo que se propuso evaluar están basados en un escenario actual que representan un periodo de tiempo de 50 años (1970 – 2020) y un escenario climático futuro que corresponden a las extrapoladas con los modelos CIMP5 y MIROC5 para el 2080 respectivamente (promedio 2061 – 2080) bajo los modelos de concentración de gases de efecto invernadero RCP6.0 (Gang etal., 2017). Así mismo, se emplearon variables topográficas como hillshade, slope y aspect, derivadas del modelo digital de elevaciones (DEM), provisto por Worldclim (https://www.worldclim.org/data/index.html), basado en el SRTM (Farr etal., 2007) a una resolución espacial de 1 km, las cuales según Pliscoff & Fuentes-Castillo (2011), son de gran utilidad para obtener modelos de mayor ajuste y detalle. 2.4. Modelización de ecosistemas Los modelos de distribución potencial de ecosistemas se generan usando dos tipos de fuentes de información: datos de presencia/ausencia de ecosistemas a modelar, así como las variables biofísicas para la Región Sur del Ecuador (Benavidez-Silva etal., 2021; Pliscoff & Fuentes-Castillo, 2011). El proceso de modelización de la distribución potencial se realizó en Bomod2 v 4.0, implementado en el software R (Thuiller etal., 2022), que se basa en el ensambles de diferentes técnicas de modelización (Pliscoff & Fuentes-Castillo, 2011), minimizando así las incertidumbres en la predicción de los modelos (Anjos & de Toledo, 2018) y que son usados para explicar la distribución de las especies o ecosistemas en distintas escalas espaciales y temporales (Fletcher & Fortin, 2018). En algunas investigaciones se ha demostrado un gran desempeño de la modelización correlativa de especies o ecosistemas en Biomod2 (Anjos & de Toledo, 2018; Benavidez-Silva etal., 2021; Ren etal., 2016), se pueden combinar para modelar la biodiversidad siguiendo la estrategia de predecir primero, ensamblar después (Renetal., 2016). La modelización se ejecutó utilizando 10 métodos diferentes como: Generalized Linear Models (GLM); Generalized Additive Models (GAM); Generalized Boosted Models (GBM); Random Forests (RF); Multivariate Adaptative Regression Spline (MARS); Maximum Entropy Models (Maxent); Artificial Neural Networks (ANN); Surface Range Envelope (SER); Classification tree analysis (CTA); Flexible Discriminant Analysis (FDA) (Anjos & de Toledo, 2018; Hao etal., 2019; Pliscoff & Fuentes-Castillo, 2011). La modelización consta de 3 etapas importantes como calibración, evaluación y modelación/proyección (figura 2) (Benavidez-Silva etal., 2021). Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 13 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 Figura 2. Esquema metodológico para la modelización de ecosistemas. Fuente: elaboración propia. 2.5. Fases de la modelización 2.5.1. Calibración de los modelos Una vez obtenidas las observaciones para cada ecosistema, se determinaron las medidas correlativas entre las variables bioclimáticas y topográficas para eliminar la multicolinealidad (Benavidez-Silva etal., 2021), evitando que los modelos se sobreajusten (Ren etal., 2016) y minimizar la incertidumbre de la predicción del modelo (Anjos & de Toledo, 2018). Los predictores altamente correlacionados fueron eliminados del modelo usando la correlación por pares de Pearson con un umbral de 0,8 (Benavidez-Silva etal., 2021; Brun etal., 2020; Ren etal., 2016) y el método de Variance Inflation Factor (VIF) donde se consideró que los valores superiores a 5 en primera instancia o 10 en un segundo análisis que podrían indicar multicolinealidad entre variables, lo que causaría errores de predicción (Atauchi etal., 2020; Benavidez-Silva etal., 2021). Para evaluar la calidad de los predictores que mejor describen la presencia de los ecosistemas en el espacio climático, se calibró los modelos mediante el procedimiento de validación cruzada, que consiste en dividir los datos de presencia de manera aleatoria en dos subconjuntos, el 70% para calibrar y el 30% restante para evaluar las predicciones del modelo (Benavidez-Silva etal., 2021; Thuiller, 2003). 2.5.2. Evaluación de los modelos Es fundamental evaluar la precisión predictiva (o desempeño) de los modelos de distribución (Allouche etal., 2006), para ello, es fundamental elegir métricas adecuadas que permitan caracterizar adecuadamente la confiabilidad de los resultados generados, en este estudio empleamos dos métodos estadísticos para evaluar el rendimiento de los modelos: True Skill Statistics (TSS) y Receiver Operating Characteristic (ROC (AUC)) (Anexo 1), que se basan en la sensibilidad y especificidad (Anjos & de Toledo, 2018; Benavidez-Silva etal., 2021; Pliscoff & Fuentes-Castillo, 2011). Tanto ROC y TSS utilizan estas métricas para evaluar los SDM correlativos. Los índices se representan por medio de una gráfica que mide el equilibrio entre la sensibilidad (proporción de presencias verdaderas respeto al número total de presencias proyectadas) y especificidad Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 14 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 (proporción de presencias falsas respecto al número total de ausencias proyectadas) en función del umbral de clasificación (Harrison etal., 2007). En esta etapa se calculó la contribución de cada predictor bioclimático en cada modelo que permite explicar los patrones de la variables de respuesta que varía entre cero (menor importancia) y 1 (mayor importancia) (Anjos & de Toledo, 2018). Para esta investigación se consideró un umbral de 0,8 como métrica para evaluar los modelos, los modelos que superaron esté umbral se consideraron para los ensambles finales (Anjos & de Toledo, 2018; Benavidez-Silva etal., 2021). 2.5.3. Simulación y proyección La proyección en el espacio geográfico es el paso final en el proceso de modelización (Pliscoff & FuentesCastillo, 2011). Cada modelo se ejecutó para cada ecosistema, se comparó y se usó para derivar predicciones espaciales sobre los datos originales. La última etapa de la modelización de ecosistemas considera los modelos con el mejor poder predictivo para la proyección en el espacio geográfico y climático (Pliscoff & Fuentes-Castillo, 2011), la misma que será implementada luego de haber calibrado y evaluado el desempeño de los modelos y se implementará un umbral específico que permita identificar los valores inferiores al umbral como ausencia de ecosistemas y valores superiores al umbral serán considerados como presencias (Benavidez-Silvaetal., 2021). Luego de modelar el ecosistema actual, se implementó un método de ensamble, incluyendo todos los modelos de Biomod2, permitiendo reducir la incertidumbre bajo el poder predictivo (<0,8 en el TSS y ROC). Los modelos con el mejor poder predictivo se consideraron para el ensamble de los modelos, considerando los umbrales individuales de cada técnica, los cuales nos podrían permitir obtener un resultado más robusto, estos modelos individuales fueron proyectados posteriormente al espacio geográfico y climático actual y luego se proyectaron al espacio geográfico y climático futuro para el año 2080, implementado una Trayectoria de Concentración Representativa (RCP, por sus siglas en inglés), el RCP 6.0, propuesta por el IPCC en el Quinto Informe de Evaluación del Cambio Climático (AR5) (IPCC, 2014),considerando las mismas variables predictivas establecidas en la etapa de calibración (Benavidez-Silva etal., 2021). 3. RESULTADOS Para el año 2080 de los ecosistemas de la Zona Sur del Ecuador (Anexo 2), bajo la influencia del cambio climático, considerando el escenario de emisión RCP6.0, se logró identificar las distintas variables que se emplearon para el proceso de modelización individual de cada ecosistema, las cuales se pueden evidenciar en Anexo 3, donde se identificó que las variables ambientales son relativamente divergentes de un ecosistema a otro, aun si comparten pisos bioclimáticos similares. Bajo este contexto y de acuerdo a los resultados obtenidos, se determinó que las variables topográficas son las utilizadas con mayor frecuencia en el proceso de modelización, mientras que, de las variables climáticas, las que tuvieron mayor frecuencia de uso fueron la Bio2, Bio7, Bio18, Bio4 y Bio12 (Anexo 3). Con las proyecciones realizadas a futuro de los 40 ecosistemas de la Zona Sur del Ecuador, se procedió a realizar un mapa de áreas de recambio (figura 3), en donde se puede identificar zonas en donde los ecosistemas potencialmente podrían compartir el espacio geográfico, es decir, que los ecosistemas podrían sobreponer su distribución en distintas zonas con similitud climática y geográfica en el futuro, provocando un comportamiento difuso y una limitante metodológica de los modelos correlativos de distribución potencial. Las zonas de color rojo nos indica cuales serían las áreas de mayor recambio o sobreposición de condiciones climáticas y topográficas que podrían darse en el futuro, indica que podría existir el potencial para el establecimiento de hasta 12 ecosistemas; mientras que el color azul, indica las áreas donde posiblemente no se dé la sobreposición de condiciones climáticas y; por lo tanto, solo permita el establecimiento de ecosistemas con una limitada idoneidad climática. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 15 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 Figura 3. Áreas de recambio de la Zona Sur del Ecuador bajo la influencia del cambio climático (escenario RCP 6.0). Fuente: resultados del proceso de modelización. Elaboración propia. Las zonas de menor convergencia corresponden a los límites provinciales, las costas de la provincia de El Oro, el cantón Loja dentro de la provincia de Loja y gran parte de la provincia de Zamora Chinchipe. En la provincia de El Oro en las costas del cantón Santa Rosa, Huaquillas y Machala, presentarían las condiciones para que se desarrollen ecosistemas del piso bioclimático Tierras bajas, entre ellos el Manglar del Jama-Zapotillo (BsTc05), Bosque deciduo de tierras bajas del Jama-Zapotillo (BdTc01), Bosque bajo y arbustal deciduo de tierras bajas del Jama-Zapotillo (BdTc02) y Bosque siempreverde estacional de tierras bajas del Jama-Zapotillo (BeTc02). Dentro de la provincia de Zamora Chinchipe y parte de la zona centro y Sur del cantón Loja, se desarrollarían condiciones que permitirían el establecimiento desde 1 hasta 7 u 8 ecosistemas aproximadamente, entre ellos ecosistemas pertenecientes a los pisos bioclimáticos Montano, Piemontano y Montano bajo, como Bosque siempreverde montano de la cordillera occidental de los Andes (BsMn03), Bosque y arbustal semideciduo del sur de los valles (BmBn02), Bosque siempreverde piemontano sobre mesetas de arenisca de las cordilleras del Cóndor-Kutukú (BsPa04), Bosque siempreverde piemontano sobre afloramientos de roca caliza de las cordilleras amazónicas (BsPa03), Bosque siempreverde piemontano de las cordilleras del Cóndor-Kutukú (BsPa02), Bosque siempreverde montano de las cordilleras del CóndorKutukú (BsMa02), Bosque siempreverde montano bajo las cordilleras del Cóndor-Kutukú (BsBa02), Bosque siempreverde y herbazal montano de la cordillera del cóndor (AsMa01) y Arbustal siempreverde montano del sur de los andes (AsMn02). Algunos ecosistemas presentarían presencias relativamente pequeñas distribuidos dentro del área de estudio, tales como Bosque siempreverde montano bajo sobre mesetas de arenisca de las cordilleras del Cóndor-Kutukú (BsBa03), Bosque siempreverde montano bajo de la cordillera occidental de los andes (BsBn04), Bosque siempreverde estacional piemontano de la cordillera occidental de los andes (BePn01), Bosque siempreverde montano alto del Catamayo-Alamor (BsAn04), BeTc02 en la Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 16 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 provincia de El Oro y Arbustal siempreverde y herbazal del páramo (AsSn01) en la provincia de El Oro y Loja (Zaruma, Chila y Saraguro respectivamente). Las zonas de mayor convergencia dentro de la Zona Sur están comprendidas por parte del territorio de la provincia de Loja, El Oro y el oeste del cantón Yacuambi de Zamora Chinchipe. Se estima que parte de los cantones Espíndola, Quilanga, Loja, Catamayo, Saraguro, Macara, Sozoranga, Portovelo, Zaruma, Chila y Atahualpa, presentarían condiciones tanto climáticas como topográficas aptas para el establecimiento de entre 5 hasta 12 ecosistemas. En la zona Norte, en los cantones Saraguro, Chila, Atahualpa, Zaruma, Portovelo y Yacuambi, los ecosistemas que podrían converger son Bosque deciduo montano bajo del Catamayo-Alamor (BdBn01), Arbustal desértico del sur de los valles (AdBn01), AsSn01, Bosque siempreverde estacional montano bajo del Catamayo-Alamor (BeBn01), Arbustal siempreverde montano alto del páramo del sur (AsAn01), Bosque siempreverde montano alto del sur de la cordillera oriental de los andes (BsAn02), Bosque semideciduo piemontano del Catamayo-Alamor (BmPn01), Bosque siempreverde estacional piemontano del Catamayo-Alamor (BePn02), Bosque siempreverde montano bajo del sur de la cordillera oriental de los andes (BsBn02), Bosque siempreverde piemontano del sur de la cordillera oriental de los andes (BsPn04), Bosque siempreverde estacional piemontano de la cordillera occidental de los andes (BePn01), BsBn04 y BsBa03, pertenecientes a los pisos bioclimáticos Montano alto, Montano alto superior, Montano bajo y Piemontano. En la zona centro y Sur de la Zona Sur, en los cantones Catamayo, Gonzanamá, Loja, Espíndola, Quilanga y Loja principalmente y una pequeña parte de los límites con Chinchipe y Palanda, los ecosistemas que podrían coincidir son Bosque semideciduo piemontano del sur de la cordillera oriental de los andes (BmPn02), Bosque semideciduo montano bajo del Catamayo-Alamor (BmBn01), Bosque siempreverde montano del Catamayo-Alamor (BsMn04), Bosque siempreverde montano del sur de la cordillera oriental de los andes (BsMn02), Herbazal del páramo (HsSn02), Bosque deciduo piemontano del Catamayo-Alamor (BdPn01), Bosque siempreverde montano bajo del Catamayo-Alamor (BsBn05), Arbustal siempreverde y herbazal montano de la cordillera del cóndor (AsMa01), BmBn02 y BsMn03, pertenecientes a los pisos bioclimáticos Piemontano, Montano bajo, Montano y Montano alto superior. De los 40 ecosistemas analizados, 2 serían gravemente afectados por el cambio climático, provocando su desaparición dentro de la Zona Sur del Ecuador. Estos ecosistemas son Herbazal inundable del páramo (HsSn04) y Bosque siempreverde montano sobre mesetas de arenisca de la cordillera del cóndor (BsMa01), estos ecosistemas potencialmente podrían migrar latitudinalmente hacia el norte principalmente (~500 a 1.000 km) (ocupando zonas del norte de Ecuador y territorio colombiano), y en menor proporción hacia el sur (Perú). Los cambios en el espacio climático están dados por la influencia en las variaciones de precipitación y temperatura de nuestra zona de estudio, provocando que los ecosistemas y, por ende, las especies que los conforman, modifiquen sus rangos de distribución tanto latitudinal como longitudinalmente. Se estima que, a futuro bajo el escenario en análisis, los ecosistemas presentes en la Zona Sur sufrirían un incremento tanto en los índices de precipitación como de temperatura, de 14,9 mm y 3,56 °C en promedio, respectivamente (tabla 1, Anexo 4 y 5). Si bien existe un incremento de precipitación, esto no ocurriría para todos los ecosistemas presentes en el área de investigación, de acuerdo a los resultados obtenidos los ecosistemas de los pisos bioclimáticos como Montano, Montano Alto y Montano alto superior, la precipitación decrecería en promedio 19,23 mm, 18,76 mm y 22,39 mm respectivamente; mientras que en los ecosistemas de pisos bioclimáticos como Tierras bajas, Piemontano y Montano bajo el incremento de precipitación media sería de 23,81 mm, 43,86 mm y 29 mm, respectivamente. Por otro lado, las variaciones de temperatura sufrirían un incremente para todos los ecosistemas presentes en la Zona Sur del Ecuador. Por otro lado, es probable que las nuevas condiciones climáticas favorezcan el desarrollo de formaciones vegetales y, por consiguiente, la expansión o formación de otros ecosistemas. Sin embargo, dado que la distribución de las especies se encuentra limitado por varios factores, estos resultados se deberían interpretar desde el punto de vista de la idoneidad en las condiciones climáticas de las formaciones vegetales más no como modelos de distribución de ecosistemas. Así también se daría la posibilidad de algunos ecosistemas permanecer en tiempo y espacio sin presentar variaciones en su distribución. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 23 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 Tapia-Armijos, M. F., Homeier, J., Espinosa, C. I., Leuschner, C., & De La Cruz, M. (2015). Deforestation and forest fragmentation in south Ecuador since the 1970s - Losing a hotspot of biodiversity. PLoS ONE, 10(9), 1–18. https://doi. org/10.1371/journal.pone.0133701 Thomas, C. D. (2020). The development of Anthropocene biotas. Philosophical Transactions of the Royal Society. Biological Sciences, 375, 1–9. https://doi.org/10.1098/rstb.2019.0113 Thuiller, W. (2003). BIOMOD - optimizing predictions of species distributions and projecting potential future shifts under global change. Global Change Biology, 20(12), 3591–3592. https://doi.org/10.1111/gcb.12728 Thuiller, W., Georges, D., Gueguen, M., Engler, R., Breiner, F., & Lafourcade, B. (2022). biomod2: Ensemble Platform for Species Distribution Modeling. R Package Version 4.0. Vazquez, M. A., Freire, J. F., & Suárez, L. (2005). Biodiversidad en los bosques secos de la zona de Cerro Negro-Cazaderos, occidente de la provincia de Loja: Un reporte de las evaluaciones ecológicas y socioeconómicas rápidas. In EcoCiencia, MAE y Proyecto Bosque Seco. Quito. Weiskopf, S. R., Rubenstein, M. A., Crozier, L. G., Gaichas, S., Griffis, R., Halofsky, J. E., Hyde, K. J. W., Morelli, T. L., Morisette, J. T., Muñoz, R. C., Pershing, A. J., Peterson, D. L., Poudel, R., Staudinger, M. D., Sutton-Grier, A. E., Thompson, L., Vose, J., Weltzin, J. F., & Whyte, K. P. (2020). Climate change effects on biodiversity, ecosystems, ecosystem services, and natural resource management in the United States. Science of the Total Environment, 733, 1–18. https://doi. org/10.1016/j.scitotenv.2020.137782 Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 24 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ANEXOS ANEXO 1 Tabla síntesis con resultado de la evaluación de todos los modelos para todos los ecosistemas modelados (el símbolo – significa ausencia de evaluación para la combinación específica de ecosistema y modelo). CÓDIGO ECOSISTEMA MÉTRICA DE EVALUACIÓN MODELOS GLM GBM GAM CTA ANN SRE FDA MARS RF MAXENT AdBn01 TSS 0,99 1,00 0,92 0,93 0,92 0,86 1,00 1,00 1,00 1,00 ROC 1,00 1,00 0,96 0,93 0,96 0,93 1,00 1,00 1,00 1,00 AmMn01 TSS 0,91 0,91 0,89 0,82 0,87 0,60 0,77 0,93 0,93 0,83 ROC 0,97 0,98 0,96 0,93 0,95 0,80 0,94 0,98 0,99 0,98 AsAn01 TSS 1,00 1,00 1,00 0,97 0,89 0,90 0,96 1,00 1,00 0,99 ROC 1,00 1,00 1,00 0,99 0,94 0,95 0,98 1,00 1,00 1,00 AsMa01 TSS 0,99 0,99 0,77 0,98 0,85 0,66 - 0,97 0,99 0,94 ROC 1,00 1,00 0,89 0,99 0,93 0,83 - 0,99 1,00 0,99 AsMn02 TSS 0,96 0,96 0,89 0,93 - 0,61 0,94 0,95 0,96 0,86 ROC 0,98 0,98 0,95 0,97 - 0,80 0,99 0,98 0,98 0,93 AsSn01 TSS 0,91 0,89 - 0,87 0,85 0,60 0,94 0,91 0,87 0,77 ROC 0,99 0,96 - 0,94 0,93 0,80 0,99 0,99 0,97 0,89 BdBn01 TSS 0,97 0,99 0,96 0,98 - 0,79 0,95 0,97 0,99 0,99 ROC 0,99 1,00 0,98 0,99 - 0,90 0,99 0,99 1,00 1,00 BdPn01 TSS 0,95 0,84 0,96 0,85 - 0,51 0,85 0,95 0,85 0,94 ROC 0,99 0,95 0,99 0,94 - 0,76 0,96 0,99 0,95 0,99 BdTc01 TSS 0,98 0,96 0,70 0,81 0,82 0,70 0,97 0,99 0,97 0,99 ROC 0,99 0,99 0,85 0,91 0,91 0,85 0,98 0,99 0,99 1,00 BdTc02 TSS 0,98 0,97 0,88 0,93 - 0,54 0,96 0,98 0,94 0,97 ROC 1,00 0,99 0,94 0,97 - 0,77 0,98 1,00 0,99 1,00 BeBn01 TSS 0,93 0,98 0,84 0,94 0,77 0,72 0,85 0,80 0,94 0,89 ROC 0,99 0,99 0,92 0,97 0,92 0,86 0,96 0,90 0,99 0,96 BePn01 TSS 1,00 1,00 1,00 0,94 0,92 0,65 0,96 0,94 1,00 0,70 ROC 1,00 1,00 1,00 0,97 0,97 0,82 0,99 0,97 1,00 0,85 BePn02 TSS 0,89 0,94 0,63 0,72 0,85 0,56 0,84 0,92 0,93 0,85 ROC 0,98 0,99 0,82 0,86 0,92 0,78 0,97 0,98 0,99 0,96 Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 25 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 CÓDIGO ECOSISTEMA MÉTRICA DE EVALUACIÓN MODELOS GLM GBM GAM CTA ANN SRE FDA MARS RF MAXENT BeTc02 TSS 0,99 1,00 0,80 0,99 0,97 0,70 0,98 0,99 1,00 0,97 ROC 1,00 1,00 0,90 1,00 0,98 0,85 0,99 1,00 1,00 1,00 BmBn01 TSS 0,94 0,93 0,91 0,91 0,79 0,75 0,82 0,91 0,94 0,85 ROC 0,99 0,99 0,98 0,94 0,90 0,87 0,97 0,97 0,99 0,96 BmBn02 TSS 0,99 0,98 0,80 0,89 0,48 0,50 0,93 0,98 0,97 0,60 ROC 1,00 1,00 0,90 0,94 0,74 0,75 0,99 1,00 1,00 0,80 BmPn01 TSS 0,95 0,88 0,82 0,85 0,81 0,67 0,93 0,97 0,88 0,91 ROC 0,99 0,98 0,92 0,91 0,97 0,84 0,99 0,99 0,99 0,97 BmPn02 TSS 0,91 0,99 0,98 0,76 0,69 0,55 1,00 0,99 1,00 0,98 ROC 0,92 1,00 0,99 0,88 0,84 0,78 1,00 1,00 1,00 1,00 BmTc01 TSS 0,99 0,94 0,90 0,89 0,98 0,70 0,97 1,00 0,99 0,95 ROC 1,00 1,00 0,95 0,95 0,99 0,85 1,00 1,00 1,00 1,00 BsAn02 TSS 0,86 0,83 0,78 0,77 0,76 0,59 0,83 0,83 0,85 0,84 ROC 0,95 0,97 0,90 0,92 0,92 0,79 0,93 0,93 0,97 0,97 BsAn04 TSS 0,99 0,99 0,94 0,98 0,98 0,84 0,97 0,99 0,99 0,83 ROC 1,00 1,00 0,97 0,99 0,99 0,92 0,99 1,00 1,00 0,92 BsBa02 TSS 0,97 0,98 0,66 0,94 0,90 0,68 - 0,44 0,89 0,98 ROC 1,00 1,00 0,83 0,97 0,95 0,84 - 0,51 0,99 1,00 BsBa03 TSS 0,45 0,97 0,99 0,90 0,62 0,74 0,93 0,97 0,97 0,96 ROC 0,78 0,99 0,99 0,95 0,80 0,87 0,97 0,99 0,99 0,99 BsBn02 TSS 0,88 0,90 0,91 0,81 0,71 0,75 0,82 0,86 0,87 0,89 ROC 0,98 0,97 0,98 0,92 0,93 0,88 0,96 0,98 0,98 0,98 BsBn04 TSS 0,98 0,99 0,69 0,88 0,78 0,69 0,97 0,98 0,98 0,98 ROC 1,00 1,00 0,85 0,94 0,96 0,84 0,99 1,00 1,00 1,00 BsBn05 TSS 0,92 0,92 0,80 0,84 0,60 0,63 0,80 0,89 0,93 0,84 ROC 0,99 0,97 0,90 0,91 0,80 0,82 0,94 0,99 0,97 0,92 BsMa01 TSS 0,90 0,85 0,71 0,79 0,62 0,56 0,92 0,97 1,00 0,97 ROC 0,96 0,98 0,85 0,90 0,80 0,78 0,98 0,99 1,00 0,99 BsMa02 TSS 0,75 0,90 0,77 0,85 0,65 0,57 - 0,96 0,85 0,95 ROC 0,81 0,98 0,89 0,92 0,89 0,79 - 0,98 0,97 0,98 Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 26 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 CÓDIGO ECOSISTEMA MÉTRICA DE EVALUACIÓN MODELOS GLM GBM GAM CTA ANN SRE FDA MARS RF MAXENT BsMn02 TSS 0,88 0,91 0,89 0,88 0,76 0,51 0,83 0,88 0,88 0,80 ROC 0,98 0,96 0,96 0,94 0,88 0,75 0,95 0,97 0,98 0,96 BsMn03 TSS 0,98 0,98 0,77 0,92 0,49 - 0,92 0,96 0,95 0,77 ROC 0,99 0,99 0,89 0,96 0,75 - 0,98 0,99 0,99 0,89 BsMn04 TSS 0,96 0,95 0,89 0,92 0,90 0,38 0,85 0,91 0,96 0,79 ROC 0,99 0,99 0,95 0,96 0,97 0,69 0,97 0,98 0,99 0,90 BsPa02 TSS 0,88 0,92 0,77 0,87 0,86 0,73 0,84 0,91 0,96 0,91 ROC 0,96 0,94 0,89 0,94 0,93 0,86 0,97 0,99 0,99 0,99 BsPa03 TSS 0,95 0,98 0,83 0,89 - 0,73 0,96 0,97 0,98 0,96 ROC 0,98 0,99 0,91 0,94 - 0,86 0,98 0,98 1,00 0,99 BsPa04 TSS 0,96 0,87 0,73 0,87 0,68 0,65 - 0,89 0,87 0,91 ROC 0,98 0,94 0,86 0,93 0,84 0,83 - 0,98 0,98 0,98 BsPn02 TSS 1,00 0,90 1,00 0,89 0,84 0,80 0,98 0,99 0,93 1,00 ROC 1,00 0,95 1,00 0,95 0,92 0,90 0,99 1,00 1,00 1,00 BsPn04 TSS 0,92 0,95 0,68 0,85 0,43 0,74 0,96 0,95 0,98 0,89 ROC 0,99 0,99 0,84 0,94 0,72 0,87 0,99 0,99 1,00 0,94 BsTc05 TSS 1,00 1,00 0,33 1,00 1,00 0,67 - 1,00 1,00 1,00 ROC 1,00 1,00 0,67 1,00 1,00 0,83 - 1,00 1,00 1,00 HsSn02 TSS 0,94 0,89 0,89 0,90 0,87 0,73 0,89 0,88 0,89 0,84 ROC 0,99 0,99 0,95 0,97 0,97 0,86 0,97 0,98 0,98 0,94 HsSn04 TSS 1,00 1,00 0,89 1,00 0,98 0,78 0,98 0,98 1,00 0,99 ROC 1,00 1,00 0,94 1,00 0,99 0,89 0,99 0,98 1,00 1,00 HsTc03 TSS 0,69 1,00 1,00 1,00 0,94 0,80 0,99 1,00 1,00 1,00 ROC 0,85 1,00 1,00 1,00 0,97 0,90 1,00 1,00 1,00 1,00 Fuente: resultados del proceso de modelización. Elaboración propia. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 27 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ANEXO 2 Ecosistemas de la Zona Sur del Ecuador con su código de identificación y su piso bioclimático. Ecosistemas Zona Sur Código MAE Piso bioclimático Bosque deciduo montano bajo del Catamayo-Alamor Bdbn01 Montano bajo Bosque deciduo piemontano del Catamayo-Alamor Bdpn01 Piemontano Bosque semideciduo piemontano del sur de la cordillera oriental de los Andes Bmpn02 Piemontano Bosque siempreverde montano bajo del Catamayo-Alamor Bsbn05 Montano bajo Bosque siempreverde piemontano del Catamayo-Alamor Bspn02 Piemontano Arbustal desértico del sur de los valles Adbn01 Montano bajo Arbustal semideciduo del sur de los valles Ammn01 Montano Arbustal siempreverde y herbazal del páramo Assn01 Montano alto superior Bosque bajo y arbustal deciduo de tierras bajas del Jama-Zapotillo Bdtc02 Tierras bajas Bosque deciduo de tierras bajas del Jama-Zapotillo Bdtc01 Tierras bajas Bosque semideciduo montano bajo del Catamayo-Alamor Bmbn01 Montano bajo Bosque semideciduo piemontano del Catamayo-Alamor Bmpn01 Piemontano Bosque siempreverde estacional montano bajo del Catamayo-Alamor Bebn01 Montano bajo Bosque siempreverde estacional piemontano del Catamayo-Alamor Bepn02 Piemontano Bosque siempreverde montano alto del Catamayo-Alamor Bsan04 Montano alto Bosque siempreverde montano del Catamayo-Alamor Bsmn04 Montano Arbustal siempreverde montano alto del páramo del Sur Asan01 Montano alto Arbustal siempreverde montano del sur de los Andes Asmn02 Montano Arbustal siempreverde y herbazal montano de la cordillera del Cóndor Asma01 Montano Bosque siempreverde montano alto del sur de la cordillera oriental de los Andes Bsan02 Montano alto Bosque siempreverde montano bajo de las cordilleras del Cóndor-Kutukú Bsba02 Montano bajo Bosque siempreverde montano bajo del sur de la cordillera oriental de los Andes Bsbn02 Montano bajo Bosque siempreverde montano bajo sobre mesetas de arenisca de las cordilleras del Cóndor-Kutukú Bsba03 Montano bajo Bosque siempreverde montano de las cordilleras del Cóndor-Kutukú Bsma02 Montano Bosque siempreverde montano del sur de la cordillera oriental de los Andes Bsmn02 Montano Bosque siempreverde montano sobre mesetas de arenisca de la cordillera del Cóndor Bsma01 Montano Bosque siempreverde piemontano de las cordilleras del Cóndor-Kutukú Bspa02 Piemontano Bosque siempreverde piemontano del sur de la cordillera oriental de los Andes Bspn04 Piemontano Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 28 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 Ecosistemas Zona Sur Código MAE Piso bioclimático Bosque siempreverde piemontano sobre afloramientos de roca caliza de las cordilleras amazónicas Bspa03 Piemontano Bosque siempreverde piemontano sobre mesetas de arenisca de las cordilleras del Cóndor-Kutukú Bspa04 Piemontano Bosque y arbustal semideciduo del sur de los valles Bmbn02 Montano bajo Herbazal del páramo Hssn02 Montano alto superior Herbazal inundable del páramo Hssn04 Montano alto superior Bosque semideciduo de tierras bajas del Jama-Zapotillo Bmtc01 Tierras bajas Bosque siempreverde estacional de tierras bajas del Jama-Zapotillo Betc02 Tierras bajas Bosque siempreverde estacional piemontano de la cordillera occidental de los Andes Bepn01 Piemontano Bosque siempreverde montano bajo de la cordillera occidental de los Andes Bsbn04 Montano bajo Bosque siempreverde montano de la cordillera occidental de los Andes Bsmn03 Montano Herbazal inundable ripario de tierras bajas del Jama-Zapotillo Hstc03 Tierras bajas Manglar del Jama-Zapotillo Bstc05 Tierras bajas Fuente: MAE, 2013. Elaboración propia. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 29 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ANEXO 3 Variables explicativas implementadas para la modelización individual de los ecosistemas de la Zona Sur del Ecuador. Ecosistema (código MAE) BIO1 BIO2 BIO3 BIO4 BIO5 BIO6 BIO7 BIO8 BIO9 BIO10 BIO11 BIO12 BIO13 BIO14 BIO15 BIO16 BIO17 BIO18 BIO19 DEM Hillshade Aspect Slope AdBn01 X X X X X X X AmMn01 X X X X X X X X AsAn01 X X X X X X AsMa01 X X X X X X X AsMn02 X X X X X X X X X AsSn01 X X X X X X BdBn01 X X X X X X X X BdPn01 X X X X X X BdTc01 X X X X X X X BdTc02 X X X X X X X X X BeBn01 X X X X X X X X X X BePn01 X X X X X X X X BePn02 X X X X X X X BeTc02 X X X X X X X BmBn01 X X X X X BmBn02 X X X X X X X X X BmPn01 X X X X X X BmPn02 X X X X X X X BmTc01 X X X X X X X BsAn02 X X X X X BsAn04 X X X X X X X BsBa02 X X X X X X X X BsBa03 X X X X X X BsBn02 X X X X X X X BsBn04 X X X X X X X X X BsBn05 X X X X X X BsMa01 X X X X X X X X BsMa02 X X X X X X Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 30 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 Ecosistema (código MAE) BIO1 BIO2 BIO3 BIO4 BIO5 BIO6 BIO7 BIO8 BIO9 BIO10 BIO11 BIO12 BIO13 BIO14 BIO15 BIO16 BIO17 BIO18 BIO19 DEM Hillshade Aspect Slope BsMn02 X X X X X X X BsMn03 X X X X X X X X X BsMn04 X X X X X X X X X X BsPa02 X X X X X X X X BsPa03 X X X X X X X BsPa04 X X X X X X X BsPn02 X X X X X BsPn04 X X X X X X X X X BsTc05 X X X X X X HsSn02 X X X X X X X HsSn04 X X X X X X X HsTc03 X X X X X Fuente: resultados del proceso de modelización. Elaboración propia. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 31 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ANEXO 4 Precipitación actual y futura de los ecosistemas de la Zona Sur. Fuente: resultados del proceso de modelización. Elaboración propia. Marco Antonio Poma-Sarango et al. / REA N. 48 (2024) 8-32 32 © Editorial Universidad de Sevilla 2024 | Sevilla, España| CC BY-NC-SA 4.0. | e-ISSN: 2340-2776 | doi: https://dx.doi.org/10.12795/rea.2024.i48.01 ANEXO 5 Temperatura actual y futura de los ecosistemas de la Zona Sur. Fuente: resultados del proceso de modelización. Elaboración propia.