
Explicamos el proceso de un estudio real publicado en Sustainability (2023): registros de presencia, 36 variables ambientales, MaxEnt y escenarios de cambio climático al 2100 para el shihuahuaco en Ucayali, y cómo aprenderlo en nuestros cursos.
¿Dónde vive hoy una especie y dónde podrá vivir dentro de 50 u 80 años? Los modelos de distribución de especies responden esa pregunta combinando registros de presencia con variables ambientales. En este artículo explicamos, paso a paso, cómo se hizo en un estudio real sobre el shihuahuaco (Dipteryx spp.) en la Amazonía peruana, publicado en la revista Sustainability (Cárdenas et al., 2023), del que nuestro docente, el Ing. Nino Bravo Morales, es coautor. Al final le mostramos con qué curso puede aprender a hacerlo usted mismo.
¿Por qué el shihuahuaco?
El shihuahuaco es un árbol de madera dura que supera los 40 m de altura y alcanza entre 70 y 150 cm de diámetro. Tiene un alto valor comercial y ecológico: almacena carbono y ofrece alimento y refugio a la fauna. Sin embargo, la tala ilegal y la sobreexplotación lo han convertido en una de las especies forestales más amenazadas de la Amazonía. Saber dónde se encuentran sus hábitats más adecuados, hoy y bajo el cambio climático, es clave para conservarlo y reforestarlo.
El proceso, paso a paso
La figura resume la metodología del estudio: a la izquierda, la distribución actual; a la derecha, la proyección a futuro.

Metodología del estudio. Fuente: Cárdenas et al. (2023), figura 2, licencia CC BY 4.0.
1. Definir el área de estudio
El estudio abarcó el departamento de Ucayali (102 199 km²), entre 125 y 1408 m s. n. m., con una temperatura media anual de 25,8 °C y lluvias de 2000 a 3500 mm al año.
2. Obtener y depurar los registros de presencia
Los registros de la especie se descargaron del visor del OSINFOR en formato CSV, con coordenadas y nombre de la especie. De 6900 individuos registrados en el Perú, se conservaron los 1649 ubicados en Ucayali, se eliminaron los datos nulos y se dio el formato que exigen QGIS y MaxEnt. Otra fuente muy usada para este paso es GBIF.
3. Reunir las variables ambientales
Se prepararon 36 variables, todas llevadas a una resolución de 250 m y recortadas al área de estudio:
Bioclimáticas: las 19 variables de WorldClim (periodo 1970–2000), además de temperatura mínima, máxima, media y precipitación.
Topográficas: a partir de un modelo digital de elevación de 90 m se calcularon la pendiente, el índice de rugosidad (TRI), el índice de posición topográfica (TPI) y la dirección de flujo, con R.
Edáficas: pH, carbono orgánico, densidad aparente, nitrógeno, arena, limo, arcilla y stock de carbono de SoilGrids v2.0, obtenidos con Google Earth Engine.
4. Seleccionar las variables
Usar todas las variables genera modelos redundantes. Por eso, en R (librería virtualspecies) se elaboraron dendrogramas, se conservaron las variables con correlación menor a 0,8 y se compararon con la prueba Jackknife de MaxEnt. Al final quedaron 10 variables.
5. Modelar la distribución actual con MaxEnt
MaxEnt (máxima entropía) estima la idoneidad del hábitat a partir de los puntos de presencia. Se usó el 75 % de los registros para entrenar y el 25 % para validar, con 5 réplicas (bootstrap) de 5000 iteraciones. La calidad del modelo se evaluó con el AUC de la curva ROC.
6. Proyectar a futuro con escenarios de cambio climático
Se descargaron las variables futuras del modelo climático MIROC6 (CMIP6) para cuatro escenarios socioeconómicos (SSP1-2.6, SSP2-4.5, SSP3-7.0 y SSP5-8.5) y cuatro periodos (2021–2040, 2041–2060, 2061–2080 y 2081–2100). En total se obtuvieron 17 modelos: uno actual y 16 futuros.
7. Clasificar y analizar los resultados
Los resultados de MaxEnt (formato ASCII) se convirtieron a ráster y se reclasificaron en cuatro clases de hábitat: no adecuado (< 0,2), bajo (0,2–0,4), moderado (0,4–0,6) y alto (> 0,6). Luego se pasaron a polígonos para calcular superficies y se calculó el centroide de los hábitats más adecuados, para ver hacia dónde se desplazan con el clima.
¿Qué se encontró?
Los 17 modelos tuvieron un AUC de 0,88 a 0,89, considerado bueno.
Las variables que más influyen son la temperatura máxima del mes más cálido (Bio 5), el rango diurno de temperatura (Bio 2), la precipitación y la precipitación del mes más seco (Bio 14).
Hoy, el hábitat de idoneidad alta ocupa 5869 km² (5,62 % de Ucayali) y el moderado 24 334 km² (23,32 %), principalmente al norte y al oeste de la región.
Las zonas de hábitat altamente adecuado y estable se ubican a lo largo del río Ucayali, en los distritos de Callería, Masisea, Irazola, Tahuanía y Raymondi; el centroide de esos hábitats se mantiene en el distrito de Iparía en todos los escenarios.

Idoneidad del hábitat actual del shihuahuaco en Ucayali. Fuente: Cárdenas et al. (2023), figura 3, CC BY 4.0.

Distribución actual y futura bajo los escenarios SSP hasta 2100. Fuente: Cárdenas et al. (2023), figura 4, CC BY 4.0.
Estos mapas permiten proponer áreas de conservación, proyectos de restauración y reforestación en los sitios donde la especie tendrá condiciones adecuadas también en el futuro.
Aprenda a hacerlo con nuestros cursos
Todo este proceso se puede aplicar a cualquier especie, forestal, de fauna o de cultivo. Tenemos dos cursos, según la herramienta que prefiera:
Opción 1: con QGIS y el plugin GeoSpecies Tools
Ideal si trabaja con software libre y quiere un flujo más guiado. Usará GeoSpecies Tools (complemento de QGIS desarrollado por nuestro docente) junto con MaxEnt y Google Earth Engine.
Fundamentos de MaxEnt, modelamiento ecológico y variables WorldClim BIOCLIM: pasos 2 y 3.
Obtención y preparación de variables con Google Earth Engine: pasos 3 y 4.
Construcción del modelo MaxEnt: paso 5.
Escenarios futuros al 2100: pasos 6 y 7.
40 horas lectivas · clases grabadas · certificado con QR verificable.
Ver el curso con GeoSpecies Tools →
Opción 2: con R, Google Earth Engine, MaxEnt y ArcGIS Pro
Es el flujo más cercano al del artículo, pensado para especies forestales y para quien quiere automatizar el análisis con código.
Variables bioclimáticas, topográficas y edáficas, y procesamiento del MDE: paso 3.
Registro geográfico de especies forestales y descarga desde GBIF con R: paso 2.
Primera corrida de MaxEnt, selección de variables según métodos y segunda corrida: pasos 4 y 5.
Descarga y ajuste de datos futuros de WorldClim y tercera corrida: paso 6.
Análisis automatizado de resultados en R y mapas de distribución: paso 7.
100 horas lectivas · clases grabadas · certificado con QR verificable.
Ver el curso con R y Google Earth Engine →
Referencia
Cárdenas, G. P., Bravo, N., Barboza, E., Salazar, W., Ocaña, J., Vázquez, M., Lobato, R., Injante, P., & Arbizu, C. I. (2023). Current and future distribution of shihuahuaco (Dipteryx spp.) under climate change scenarios in the central-eastern Amazon of Peru. Sustainability, 15(10), 7789. https://doi.org/10.3390/su15107789
Artículos relacionados

RustGIS 0.7: el nuevo SIG libre y gratuito, novedades, descarga y clases gratis
19 de noviembre de 2026
Manual gratuito: Introducción a la programación con Python (edición 2026)
18 de noviembre de 2026