000			07344nam a22003977a 4500
999			_c128563 _d128563
003			CR-TuBCO
005			20221110064122.0
007			ta
008			150918b2013 xxu||||| |||| 00| 0 spa d
024			_ahttp://hdl.handle.net/11554/7117
040			_aCR-TuBCO _cCR-TuBCO _bspa
041			_aspa
090			_aThesis _bS235o
100			_9116034 _aSantiago Plata, Victor M.
245			_aOcupación y distribución potencial de la nutria neotropical (Lontra longicaudis) asociada a variables ambientales en la cuenca del río San Juan, Costa Rica _c
260			_aTurrialba (Costa Rica) _bCATIE _c2013
270			_aSan José, C.R.
300			_a101 páginas _b18 ilustraciones, 12 tablas _c21.59 x 27.94 cm
502			_aTesis (Mag. Sc.) en Manejo y Conservación de Bosques Tropicales y Biodiversidad) -- CATIE. Escuela de Posgrado. Turrialba (Costa Rica), 2013
504			_aIncluye referencias bibliográficas en páginas 87-96
520			_aEl presente estudio tuvo como objetivo determinar la distribución potencial de la nutria neotropical (Lontra longicaudis) en la cuenca del río San Juan (CRSJ) en Costa Rica, e identificar que variables locales y de paisaje están asociadas a su presencia. Se seleccionaron al azar 40 sitios de muestreo en los cuales se instalaron transectos de 3,600 m de longitud divididos en sub-segmentos de 400 m. En cada sitio de muestreo se determinó la presencia de la nutria mediante la detección de rastros, asociando esta presencia con 13 variables locales y seis variables de paisaje. Se relacionó la presencia de la nutria y las variables seleccionadas mediante modelos de ocupación. Para conocer la estructura del paisaje en los sitios de muestreo se creó un buffer de un 1 km de radio donde se generó y digitalizó un mapa de uso de suelo escala 1:15,000; posteriormente, mediante FRAGSTATS 3.3 se midieron ocho métricas descriptivas del paisaje en dos niveles (clase y paisaje). Para determinar la distribución potencial de la nutria en la cuenca, se utilizaron los rastros obtenidos en los transectos, de manera adicional se aplicaron entrevistas semiestructuras a la población local asentada en la orilla de los ríos visitados. Se generaron dos modelos predictivos en MAXENT; el modelo1 se construyó a partir de registros de clase I (presencia en transectos, n=25) y el modelo2 con registros clase II (presencia por entrevistas, n=33). Para la construcción de los modelos predictivos se utilizaron nueve capas ambientales con tamaño de celda de 30 m. Se estimó una probabilidad de ocupación del 72% (psi=0.72; 95%; IC=0.51-0.86) y una probabilidad de detección constante de p= 0.26 (95% IC= 0.20-0.33) para la nutria en la CRSJ. La presencia de la nutria a escala local estuvo relacionada (mejor modelo de acuerdo al criterio de Akaike) con la densidad de árboles y el número de troncos mientras que a escala de paisaje el mejor modelo que describió la presencia de la nutria fue el conformado por el tipo de jerarquía de ríos y el uso urbano del suelo. Así mismo, se observó una relación negativa entre el uso urbano del suelo y la probabilidad de ocupación. De acuerdo al análisis de composición del paisaje realizado para los 40 sitios de muestreo, estos están compuestos de 1,433 parches de los cuales 543 (16.18 km2) corresponden a la clase bosque y 422 (15.34 km2) a la clase pastizal. El sitio de muestreo con el índice de diversidad de Simpson de mayor valor se registró en el río San Carlos (0.76). Al analizar el área bajo la curva (AUC; por sus siglas en inglés) se observó una capacidad predictiva excelente (AUC=0.955) para el modelo1, así como una buena capacidad predictiva del modelo2 (AUC=0.899). Mediante el análisis de colección de bandas se determinó una fuerte similitud (r=0.802) entre las dos capas ráster (modelo1 y modelo2) generadas en MAXENT. De acuerdo a la prueba de "jackknife", la variable distancia a ríos de jerarquía alta es la que por sí sola podría predecir de manera efectiva la distribución y presencia de la nutria en la CRSJ.
520			_aThe present study aimed to determine the potential distribution of the Neotropical otter (Lontra longicaudis) in the San Juan Basin (SJRB) in Costa Rica, and identify which variables are local and landscape associated with their presence. For this purpose, 40 sampling sites were randomly selected and within them, forty (3,600 m long) transects were located. In each site, the presence of otters was assessed by track identification and associated with 13 local variables and 6 landscape variables. The presence of otters and the selected variables were related by means of occupation models. In order to assess the landscape structure in the sampling sites, a 1km (radius) buffer area was created; within this area, a land use map scale 1:15000 was generated and digitalized. Next, FRAGSTATS 3.3 was used to measure eight landscape-descriptive measurements in two levels (class and landscape). In order to visually represent the potential presence of otters within a basin, we used the tracks obtained in transects and additionally conducted interviews to locals. Two descriptive models were generated in MAXENT: Model 1 was constructed from class 1 records (presence in transects=25) and Model 2 with class II records (presence assessed from interviews, n=33). In order to construct the predictive models, we built nine environment layers with grid size of 30 m. We estimated an probability of occupancy 72% (psi=0.72; 95% IC=0.51-0.86) and a constant detection probability of p=0.26 (95% IC=0.20-0.33) for otters in CRSJ. The presence of otters at the local scale was determined by the tree density and number of trunks on the other hand, at the landscape scale, presence was related to river hierarchy and urban landuse. Furthermore, there was a negative correlation between urban landuse and the probability of occupation. Within the study área 1,433 patches were quantified, out of which 543 (16.18 km2) correspond to the "forest" class and 422 (15.34 km2) to the class "grasslands". The site with the highest Simpson diversity index was located within the San Carlos River (0.76). After analyzing the area under the curve (AUC), Model 1 was found to have an excellent predictive capacity (AUC=0,955) and Model 2 showed good predictive capacity (AUC=0.899) as well. In band collection analyses, a strong similarity (r=0.802) between the two raster layers (Model1 and Model2) generated in MAXENT was observed. The jacknife test revealed that the variable "distance to high-hierarchy Rivers" is the one variable that could by itself, predict distribution and presence of otters in CRSJ.
650			_9153342 _2LOCAL _aLONTRA LONGICAUDIS
650			_9144727 _2AGROVOC _aDISTRIBUCION GEOGRAFICA
650			_9157101 _2AGROVOC _aPAISAJE
650			_9139407 _2AGROVOC _aCARACTERISTICAS DEL SITIO
650			_9147575 _2AGROVOC _aFACTORES AMBIENTALES
650			_9143009 _2AGROVOC _aCUENCAS HIDROGRAFICAS
650			_9155490 _2AGROVOC _aMUESTREO
651			_9163239 _2LOCAL _aRIO SAN JUAN
651		0	_aCOSTA RICA _92064
710			_aCATIE - Centro Agronómico Tropical de Investigación y Enseñanza _cTurrialba, Costa Rica _93977
856			_qpdf _uhttps://repositorio.catie.ac.cr/handle/11554/7117 _yspa
942			_2ddc _cDIG