Submitted by Rose Suellen (rosesuellen@ufpa.br) on 2018-01-29T11:47:21Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClimaSoloAgua.pdf: 1698256 bytes, checksum: 5948ec665cddba3e003d45377e1915e6 (MD5) / Approved for entry into archive by Rose Suellen (rosesuellen@ufpa.br) on 2018-01-29T11:48:03Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClimaSoloAgua.pdf: 1698256 bytes, checksum: 5948ec665cddba3e003d45377e1915e6 (MD5) / Made available in DSpace on 2018-01-29T11:48:03Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClimaSoloAgua.pdf: 1698256 bytes, checksum: 5948ec665cddba3e003d45377e1915e6 (MD5) Previous issue date: 2017-10-19 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Estimar as distribuições espaciais das espécies é um dos principais objetivos da macroecologia, ainda mais quando os esforços amostrais não conseguem atingir os conhecimentos sobre os padrões demográficos das espécies alvo. Neste sentido os modelos de distribuição de espécies (MDE) aproximam o nicho fundamental das espécies a partir da extrapolação de variáveis predictoras relacionadas com dados de presença ou presença/ausência das espécies. A bacia Amazonas-Tocantins está caracterizada por uma forte dinâmica ambiental que condiciona de forma diferencial a ictiofauna regional à diferentes escalas espaciais. Para caracterizar à percepção diferencial dos hábitats por parte das espécies os modelos foram configurados com base nas distribuições espaciais de quatro espécies de rio, Ageneiosus inermis, Acestrorhynchus falcatus, Pygocentrus nattereri e Plagioscion squamosissimus e quatro de riachos, Crenuchus spilurus, Helogenes marmoratus, Helogenes marmoratus e Trichomycterus hasemani. Os objetivos do trabalho foram: (i) Determinar qual conjunto de variáveis preditoras permitem obter melhores representações espaciais para as espécies de rios e riachos empregando MDE e, (ii) Avaliar o poder preditivo de MaxEnt para gerar MDE de rios e riachos empregando diferentes conjuntos de variáveis preditoras. Os registros espaciais que apresentaram autocorrelação espacial foram processados a partir do pacote spThin. Para caracterizar a dinâmica ambiental foram incorporados 78 variáveis divididas em três tratamentos: PCA1 (variáveis climáticas), PCA2 (variáveis climáticas, declividade e fluxo acumulado) e PCA3 (variáveis climáticas, declividade, fluxo acumulado, topográficas e edáficas). Foi empregado o software MaxEnt, configurado a partir do pacote ENMeval. Dois aspectos podem ser observados nos resultados, para espécies de rios a incorporação de variáveis hidrológicas, topográficas e edáficas permite obter representações mais precisas e restritas espacialmente do que somente empregando variáveis climáticas. E em segundo lugar, independente da complexidade dimensional do sistema, MaxEnt permite obter MDEs com alto poder preditivo tanto para espécies de rios como para espécies de riachos. No caso de espécies de rios os preditores macroscópicos (variáveis climáticas - PCA1) permitiram representar seus requisitos ambientais e suas amplas distribuições espaciais. Enquanto que, variáveis climáticas, hidrológicas, topográficas e edáficas (PCA3) atuaram como filtros ambientais restringindo as distribuições espaciais de ambas às espécies de rios e riachos. A complexidade dimensional do sistema não afeta a capacidade de representação espacial de Maxent, observando que, no caso de espécies de riachos MaxEnt mostrou maior capacidade de representação espacial. / Estimating the spatial distributions of species is one of the main objectives of macroecology, especially when sampling efforts fail to reach the demographic knowledge of the target species. In this sense, the species distribution models (SDM) allow us to approach the fundamental niche of the species from the extrapolation of predictor variables. The Amazonas-Tocantins basin is characterized by a strong environmental and physical dynamics that act differently in the regional ichthyofauna at different spatial scales. Due to the differential perception of hábitats by the species, four species of rivers were included, Ageneiosus inermis, Acestrorhynchus falcatus, Pygocentrus nattereri and Plagioscion squamosissimus, and four species of streams, Crenuchus spilurus, Helogenes marmoratus, Helogenes marmoratus and Trichomycterus hasemani. The objectives of the study were: (i) To determine which set of predictor variables allows better spatial representations for the species of rivers and streams using SDM; and (ii) To evaluate the predictive power of MaxEnt to generate SDM of rivers and streams using different sets of Predictor variables. The spatial records that presented spatial autocorrelation were processed from the spThin package. To characterize the environmental dynamics, 78 predictors were divided into three treatments: PCA1 (climatic variables), PCA2 (climatic variables, slope and accumulated flow) and PCA3 (climatic variables, slope, accumulated flow, topographic and edaphic variables). MaxEnt software was used and configured from the ENMeval package. Two aspects can be observed in the results: the use of hydrological, topographic and edaphic variables allows to obtain more precise and spatially restricted representations than only climatic variables. In the second place, it is evident that, regardless of the dimensional complexity of the system, MaxEnt allows to obtain MDEs with high predictive power for both river species and species of streams. In the case of river species, the macroscopic predictors (climatic variables - PCA1) allowed to represent their environmental requirements and their wide spatial distributions. Meanwhile, climatic, hydrological, topographic and edaphic variables (PCA3) acted as environmental filters restricting the spatial distributions of both species of rivers and streams. The dimensional complexity of the system does not affect the spatial representation capacity of Maxent, observing that, in the case of species of streams MaxEnt showed greater capacity of spatial representation.