SEARCH

SEARCH BY CITATION

Keywords:

  • biodiversity;
  • conservation planning;
  • distribution data;
  • MARXAN;
  • species richness;
  • systematic reserve design
  • biodiversidad;
  • datos de distribución;
  • diseño sistemático de reservas;
  • MARXAN;
  • planificación de la conservación;
  • riqueza de especies

Abstract: Distribution data on biodiversity features is a major component of conservation planning that are often inaccurate; thus, the true distribution of each feature is commonly over- or underrepresented. The selection of distribution data sets may therefore lead to variability in the spatial configuration and size of proposed reserve networks and uncertainty regarding the extent to which these networks actually contain the biodiversity features they were identified to protect. Our goals were to investigate the impact on reserve selection of choosing different distribution data sets and to propose novel methods to minimize uncertainty about target attainment within reserves. To do so, we used common prioritization methods (richness mapping, systematic reserve design, and a novel approach that integrates multiple types of distribution data) and three types of data on the distribution of mammals (predicted distribution models, occurrence records, and a novel combination of the two) to simulate the establishment of regional biodiversity reserves for the state of Arizona (U.S.A.). Using the results of these simulations, we explored variability in reserve placement and size as a function of the distribution data set. Spatial overlap of reserve networks identified with only predicted distribution data or only occurrence distribution data never exceeded 16%. In pairwise comparisons between reserves created with all three types of distribution data, overlap never achieved 50%. The reserve size required to meet conservation targets also varied with the type of distribution data used and the conservation goal; the largest reserve system was 10 times the smallest. Our results highlight the impact of employing different types of distribution data and identify novel tools for application to existing distribution data sets that can minimize uncertainty about target attainment.

Resumen: Los datos de distribución de biodiversidad son un componente principal de la planificación de la conservación que a menudo son imprecisos; por lo tanto, la distribución real de cada característica comúnmente es sobre o subrepresentada. Por lo tanto, la selección de conjuntos de datos de distribución puede llevar a variabilidad en la configuración espacial y tamaño de las redes de reservas propuestas e incertidumbre en relación con la representatividad de los atributos de la biodiversidad que se identificaron para protección. Nos propusimos investigar el impacto de diferentes conjuntos de datos sobre la selección de reservas y proponer métodos novedosos para minimizar la incertidumbre sobre el logro de metas dentro de las reservas. Para ello, utilizamos métodos comunes de priorización (mapeo de riqueza, diseño sistemático de reservas, y un método novedoso que integra múltiples tipos de datos de distribución) y tres tipos de datos de la distribución de animales (modelos de distribución predictivos, registros de ocurrencia y una novedosa combinación de los dos) para simular el establecimiento de reservas regionales de biodiversidad en el estado de Arizona (E.U.A.). Con los resultados de estas simulaciones, exploramos la variabilidad de la ubicación y tamaño de reservas como una función del conjunto de datos de distribución. El traslape espacial de las redes de reservas identificadas solo con los datos de distribución predictivos o solo datos de ocurrencia nunca excedieron 16%. En comparaciones pareadas entre reservas creadas con los tres tipos de datos de distribución, el traslape nunca alcanzó 50%. El tamaño de la reserva requerido para alcanzar metas de conservación también varió con el tipo de datos de distribución utilizados y la meta de conservación; el sistema de reservas más extenso fue 10 veces mayor que el menos extenso. Nuestros resultados resaltan el impacto de la selección de diferentes tipos de datos de distribución e identifican herramientas novedosas para la aplicación de datos de distribución existentes que puede minimizar la incertidumbre sobre el cumplimiento de metas.