R como un SIG: Extracción de datos climáticos de WorldClim

Paula N. Fergnani

doi:10.25260/EA.22.32.1.0.1119

Autores/as

Paula N. Fergnani Laboratorio Ecotono. Centro Regional Universitario Bariloche-Universidad Nacional del Comahue, INIBIOMA-CONICET. San Carlos de Bariloche, Río Negro, Argentina.

DOI:

https://doi.org/10.25260/EA.22.32.1.0.1119

Palabras clave:

ayuda didáctica, R project, datos georreferenciados, análisis espacial, diversidad, macroecología, cambio climático

Resumen

Caracterizar los sitios de muestreo en base a datos climáticos es una necesidad clave para un número importante de profesionales que trabajan en ecología. De manera más general, también lo es utilizar herramientas SIG (Sistemas de Información Geográfica). Sin embargo, acceder al uso de las bases de datos climáticas disponibles en línea y a las herramientas SIG supone un desafío. En este trabajo se muestra de qué manera usar R como un SIG para obtener valores de variables climáticas para sitios de muestreo georreferenciados. Se utiliza la base de datos WorldClim, que contiene información climática para todo el globo. En primer lugar, se describe en qué consiste la base de datos WorldClim. En base a una búsqueda bibliográfica, se analiza cuánto se la usa en la actualidad y en qué temas. Se concluye que el uso de esta base de datos a través de los años es creciente y en la actualidad es masivo. Estados Unidos es el país en el que se la utiliza con mayor frecuencia. En la Argentina, 420 publicaciones citan a esta base de datos, y los temas que se abordan con mayor frecuencia están vinculados a la ecología. En segundo lugar, se presenta el paso-a-paso para extraer datos de la base de datos de WorldClim en una rutina de R. De manera complementaria, se describen las razones para usar R como un SIG y se incluye una introducción al manejo de objetos espaciales en R. Al completar la rutina se obtienen los valores de 19 variables bioclimáticas relacionadas con la precipitación y temperatura para una serie de sitios de muestreo, y se muestran los resultados en mapas. El desarrollo de la rutina es una introducción al uso de R como SIG. La información presentada tiene aplicación directa para los profesionales relacionados con la ecología. Las explicaciones se complementan con gráficos para que se pueda incluir el material en guías de trabajo práctico en las materias de grado o en cursos de posgrado.

Citas

Aria, M., and C. Cuccurullo. 2017. Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics 11:959-975. https://doi.org/10.1016/j.joi.2017.08.007.

Bivand, R. S., E. J. Pebesma, V. Gómez-Rubio, and E. J. Pebesma. 2008. Applied spatial data analysis with R. Springer.

Bustos, M. L., F. Ferrelli, and M. C. Piccolo. 2017. Estudio comparativo de tres modelos climáticos en Argentina. Universidade Federal do Rio de Janeiro. Anuário do Instituto de Geociências 40:34-43. https://doi.org/10.11137/2017_1_34_43.

Escobar, L. E., A. Lira-Noriega, G. Medina-Vogel, and A. T. Peterson. 2014. Potential for spread of the white-nose fungus (Pseudogymnoascus destructans) in the Americas: use of Maxent and NicheA to assure strict model transference. Geospatial Health 9(1):221-229. https://doi.org/10.4081/gh.2014.19.

Fergnani, P. N., and J. Filloy. 2021. Desde la areografía de Rapoport a los 30 años de la macroecología: Síntesis de la contribución argentina. Ecología Austral 31:101-113. https://doi.org/10.25260/EA.21.31.1.0.1134.

Fergnani, P. N., P. Sackmann, and A. Ruggiero. 2010. Richness environment relationships in epigaeic ants across the Subantarctic Patagonian transition zone. Insect Conservation and Diversity 3:278-290. https://doi.org/10.1111/j.1752-4598.2010.00105.x.

Fick, S. E., and R. J. Hijmans. 2017. WorldClim 2: new 1‐km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37:4302-4315. https://doi.org/10.1002/joc.5086.

Hijmans, R. J. 2020. Raster: Geographic Data Analysis and Modeling. R package version 3.4-5. https://CRAN.R-project.org/package=raster.

Hijmans, R. J., S. E. Cameron, J. L. Parra, P. G. Jones, and A. Jarvis. 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25:1965-1978. https://doi.org/10.1002/joc.1276.

Marchi, M., I. Sinjur, M. Bozzano, and M. Westergren. 2019. Evaluating WorldClim Version 1 (1961-1990) as the Baseline for Sustainable Use of Forest and Environmental Resources in a Changing Climate. Sustainability 11:3043. https://doi.org/10.3390/su11113043.

Mas, F. J. 2018. Análisis espacial con R: Usa R como un Sistema de Información Geográfica. European Scientic Institute, Macedonia.

Núñez-Penichet, C., L. Osorio-Olvera, V. H. González, M. E. Cobos, L. Jiménez, D. A. DeRaad, A. Alkishe, R. G. Contreras-Díaz, A. Nava-Bolaños, and K. Utsumi. 2021. Geographic potential of the world’s largest hornet, Vespa mandarinia Smith (Hymenoptera: Vespidae), worldwide and particularly in North America. PeerJ 9:e10690. https://doi.org/10.7717/peerj.10690.

Olaya, V. 2014. Sistemas de Información Geográfica. Un libro libre de Victor Olaya. URL: volaya.github.io/libro-sig.

R Core Team. 2019. R: A language and environment for statistical computing R Foundation for Statistical Computing, Vienna, Austria. URL: R-project.org.