We’re sorry, but GBIF doesn’t work properly without JavaScript enabled.
Our website has detected that you are using an outdated insecure browser that will prevent you from using the site. We suggest you upgrade to a modern browser.
{{nav.loginGreeting}}
  • Get data
      • Occurrences
      • GBIF API
      • Species
      • Datasets
      • Occurrence snapshots
      • Hosted portals
      • Trends
  • How-to
    • Share data

      • Quick-start guide
      • Dataset classes
      • Data hosting
      • Standards
      • Become a publisher
      • Data quality
      • Data papers
    • Use data

      • Featured data use
      • Citation guidelines
      • GBIF citations
      • Citation widget
  • Tools
    • Publishing

      • IPT
      • Data validator
      • Scientific Collections
      • Suggest a dataset
      • New data model ⭐️
    • Data access and use

      • Hosted portals
      • Data processing
      • Derived datasets
      • rgbif
      • pygbif
      • MAXENT
      • Tools catalogue
    • GBIF labs

      • Species matching
      • Name parser
      • Sequence ID
      • Relative observation trends
      • GBIF data blog
  • Community
    • Network

      • Participant network
      • Nodes
      • Publishers
      • Network contacts
      • Community forum
      • alliance for biodiversity knowledge
    • Volunteers

      • Mentors
      • Ambassadors
      • Translators
      • Citizen scientists
    • Activities

      • Capacity enhancement
      • Programmes & projects
      • Training and learning resources
      • Data Use Club
      • Living Atlases
  • About
    • Inside GBIF

      • What is GBIF?
      • Become a member
      • Governance
      • Implementation plan
      • Work Programme
      • Funders
      • Partnerships
      • Release notes
      • Contacts
    • News & outreach

      • News
      • Newsletters and lists
      • Events
      • Ebbe Nielsen Challenge
      • Graduate Researchers Award
      • Science Review
      • Data use
  • User profile

Modelos predictivos de distribución geográfica para Spizella wortheni, Cynomys mexicanus, Vulpes macrotis zinseri y Taxidea taxus berlandieri

Dataset homepage

Citation

Scott Morales L, Comisión nacional para el conocimiento y uso de la biodiversidad C (2021). Modelos predictivos de distribución geográfica para Spizella wortheni, Cynomys mexicanus, Vulpes macrotis zinseri y Taxidea taxus berlandieri. Version 1.4. Comisión nacional para el conocimiento y uso de la biodiversidad. Occurrence dataset https://doi.org/10.15468/fledbz accessed via GBIF.org on 2023-02-05.

Description

El territorio nacional posee una variedad de suelo, topografía y climas considerable, ello ha dado lugar a una inmensa riqueza de especies, desafortunadamente gran parte de ella poco conocida. Información básica, como su distribución o auto-ecología es escasa, comprometiendo cualquier estrategia de conservación o manejo; no obstante existen esfuerzos constantes por parte de diversas entidades nacionales (CONABIO, SEMARNAT, CONANP, entre otras) para compilar de manera confiable una base de datos que cubra la información básica de especies silvestres. Ejemplo de ello es esta convocatoria para modelar la distribución de especies prioritarias en el país. Una herramienta útil para lograr y apoyar este tipo de proyectos son sin duda los modelos de distribución de especies, cuyo desarrollo en los últimos 15 años es bastante amplio. Las diferencias principales entre ellos resultan de los alogaritmos usados que conlleva a divergencias de precisión y por consecuencia en la predicción de la distribución de especies. Para la alimentación de los modelos se pueden utilizar datos de presencia/ausencia reales (GLM, GAM, BR, BRT, Redes Neuronales entre otros) o datos de presencia solamente (Maxent, Bioclim, Domain, Lives, Mars, entre otros); todos ellos ampliamente usados y probados. Aparte de las diferencias en el desarrollo matemático, la efectividad del modelo depende de la naturaleza y tamaño de la muestra (número de puntos de registro), Maxent y DKGarp aparentan ser los modelos más robustos con número de muestras pequeñas. El primero estima la distribución encontrando la distribución de entropía máxima y el segundo usando alogaritmos genéticos para seleccionar el set de variables que mejor predicen la distribución. En esta propuesta usaremos el modelo Maxent para modelar la distribución de cuatro especies con presencia en el norte de México: Spizella wortheni, Cynomys mexicanus Taxidea taxus y Vulpes macrotis. Es necesario señalar que esta propuesta se enfocara a la distribución de la subespecie T. taxus berlandieri y V. macrotis zinzeri. El grupo de trabajo que presenta esta propuesta tiene amplia experiencia con las especies mencionadas, como lo demuestran las publicaciones y proyectos llevado a cabo. La información generada a la fecha sobre sitios de ocurrencia de las especies endémicas, son resultado de la investigación de nuestro grupo de trabajo. Cynomys mexicanus, Spizella wortheni, Taxidea taxus, Vulpes macrotis, Maxent, distribución geográfica, modelos.

Reino: 1 Filo: 1 Clase: 2 Orden: 3 Familia: 4 Género: 4 Especie: 3 Epitetoinfraespecifico: 2

Taxonomic Coverages

Reino: Animalia Filo: Chordata Clase: Aves, Mammalia Orden: Passeriformes, Rodentia, Carnivora Familia: Passerellidae, Sciuridae, Canidae, Mustelidae
  1. Animalia
    rank: kingdom
  2. Chordata
    rank: phylum
  3. Aves
    rank: class
  4. Mammalia
    rank: class
  5. Passeriformes
    rank: order
  6. Rodentia
    rank: order
  7. Carnivora
    rank: order
  8. Passerellidae
    rank: family
  9. Sciuridae
    rank: family
  10. Canidae
    rank: family
  11. Mustelidae
    rank: family
  12. Spizella
    rank: genus
  13. Cynomys
    rank: genus
  14. Vulpes
    rank: genus
  15. Taxidea
    rank: genus
  16. Spizella wortheni
    common name: gorrión de Worthen rank: species
  17. Cynomys mexicanus
    common name: perrito de las praderas, perro llanero, perro llanero mexicano, tuza rank: species
  18. Taxidea taxus
    common name: tejón, tlalcoyote rank: species
  19. Vulpes macrotis subsp. zinseri
    common name: zorra del desierto, zorra norteña rank: infraspecificname
  20. Taxidea taxus subsp. berlandieri
    rank: infraspecificname

Geographic Coverages

Bibliographic Citations

Contacts

Laura Scott Morales
originator
position: Responsable
Universidad Autónoma de Nuevo LeónFacultad de Ciencias Forestales
MX
CONABIO Comisión nacional para el conocimiento y uso de la biodiversidad
metadata author
position: Dirección General de Sistemas
Comisión Nacional para el Conocimiento y Uso de la Biodiversidad
Liga Periférico-Insurgentes Sur No. 4903, Col. Parques del Pedregal
MÉXICO
14010
Tlalpan
MX
Telephone: 50045000
email: patricia.ramos@conabio.gob.mx
homepage: https://www.gob.mx/conabio
Patricia Ramos Rivera
administrative point of contact
position: Dirección General de Sistemas
Comisión Nacional para el Conocimiento y Uso de la Biodiversidad
Liga Periférico-Insurgentes Sur No. 4903, Col. Parques del Pedregal
México
14010
Tlalpan
MX
Telephone: 50045000
email: patricia.ramos@conabio.gob.mx
homepage: https://www.gob.mx/conabio
What is GBIF? API FAQ Newsletter Privacy Terms and agreements Citation Code of Conduct Acknowledgements
Contact GBIF Secretariat Universitetsparken 15 DK-2100 Copenhagen Ø Denmark