Material Suplementar 1

Segue link para acesso ao material suplementar 1

Tabela S1

https://doi.org/10.6084/m9.figshare.27670881.v1

O fogo e a herpetofauna no Pantanal: observações durante e após os incêndios

Material Suplementar 2

Material Suplementar 3

Figura S1 – Correlograma de Mantel para os pontos de amostragens filtrados pelo buffer de 10 Km. a) Correlograma para o buffer 1, ao norte de Poconé e b) Correlograma para o buffer 2, ao sul de Poconé. Quadrados pretos preenchidos indicam as classes de distância com autocorrelação espacial.

Material Suplementar 4

Foram utilizados nove registros de ocorrência únicos na resolução espacial do modelo. As variáveis bioclimáticas derivadas de dados de temperatura e precipitação disponíveis no WorldClim foram usadas como variáveis ambientais[1]. Além disso, para incluir uma descrição de componentes topográficos, também foram incorporados dados de declividade e de acumulação de fluxo derivados do GTOPO, (https://rda.ucar.edu/datasets/ds758.0/). As variáveis climáticas e topográficas foram usadas com uma resolução de 9,5 km. Essa resolução reduz a autocorrelação espacial das variáveis originais enquanto também minimiza os efeitos das interações biológicas na determinação da distribuição das espécies[2]. Usamos uma análise de componentes principais (PCA) para reduzir a colinearidade das variáveis. Os oito primeiros eixos da PCA foram usados como novas variáveis para o ajuste do modelo, as quais englobaram 96,54% da variabilidade original[3][4] .

Quatro algoritmos foram utilizados para ajustar os modelos: Support Vector Machine[5] Random Forests[6], Maxent, utilizando apenas ajustes lineares e quadráticos[7] e Generalized Linear Model[8]. Um modelo de consenso foi construído para diminuir a incerteza derivada dos algoritmos, a partir da adequabilidade média dos modelos que tiveram valor de Jaccard acima da média do valor de Jaccard para cada espécie[9].

Para reduzir a chance de sobreprevisão, foi incorporada uma restrição de distância ao modelo de adequabilidade[10]. Nesse procedimento, a adequabilidade ambiental para a espécie foi reclassificada em uma informação binária e dividida em manchas de adequabilidade, representadas por um conjunto de pixels de adequabilidade conectados. Apenas as manchas nas quais há algum registro de ocorrência da espécie são mantidas.

Para partição dos dados das espécies para avaliação do modelo, nos particionamos aleatoriamente o conjunto de registros de ocorrência selecionando 70% para ajustar o modelo e 30% para avaliar. Esse processo foi replicado 5 vezes, para capturar a variabilidade causada pela amostra aleatória. O modelo de adequabilidade foi conduzido usando o pacote do R enmtml[11] (Figura S1).

[1] Fick SE, Hijmans RJ. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology 2017; 37: 4302-4315. https://doi.org/10.1002/joc.5086.

[2] Hortal J, Roura-Pascual N, Sanders NJ, Rahbek C. Understanding (insect) species distributions across spatial scales. Ecography 2010; 33: 51-53. https://doi.org/10.1111/j.1600-0587.2009.06428.x.

[3] De Marco P, Nóbrega CC. Evaluating collinearity effects on species distribution models: An approach based on virtual species simulation. PLoS One 2018; 13. https://doi.org/10.1371/journal.pone.0202403.

[4] Pimenta M, Andrade AFA de, Fernandes FHS, Amboni MP de M, Almeida RS, Soares AHS de B et al. One size does not fit all: Priority areas for real world problems. Ecol Modell 2022; 470. https://doi.org/10.1016/j.ecolmodel.2022.110013.

[5] Guo Q, Kelly M, Graham CH. Support vector machines for predicting distribution of Sudden Oak Death in California. Ecol Modell 2005; 182: 75-90. https://doi.org/10.1016/j.ecolmodel.2004.07.012.

[6] Prasad AM, Iverson LR, Liaw A. Newer Classification and Regression Tree Techniques: Bagging and Random Forests for Ecological Prediction. Ecosystems 2006; 9: 181-199. https://doi.org/10.1007/s10021-005-0054-1.

[7] Anderson RP, Gonzalez I. Species-specific tuning increases robustness to sampling bias in models of species distributions: An implementation with Maxent. Ecol Modell 2011; 222: 2796-2811. https://doi.org/10.1016/j.ecolmodel.2011.04.011.

[8] McCullagh P, Nelder J. Generalized linear models. Chapman and Hall; 1989.

[9] Velazco SJE, Villalobos F, Galvão F, De Marco Júnior P. A dark scenario for Cerrado plant species: Effects of future climate, land use and protected areas ineffectiveness. Divers Distrib 2019; 25: 660-673. https://doi.org/10.1111/ddi.12886.

[10] Mendes P, Velazco SJE, Andrade AFA de, De Marco P. Dealing with overprediction in species distribution models: How adding distance constraints can improve model accuracy. Ecol Modell 2020; 431: 109180. https://doi.org/10.1016/j.ecolmodel.2020.109180.

[11] Andrade AFA de, Velazco SJE, De Marco Júnior P. ENMTML: An R package for a straightforward construction of complex ecological niche models. Environmental Modelling and Software 2020; 125. https://doi.org/10.1016/j.envsoft.2019.104615.