Núm. 127 (2020)
Artículo de investigación

Distribución potencial de Abies vejarii (Pinaceae) y su relación con factores ambientales, topográficos y antropogénicos en el noreste de México.

Rigoberto González-Cubas
Facultad de Ciencias Forestales, Universidad Autónoma de Nuevo León
Biografía
Eduardo Javier Treviño-Garza
Facultad de Ciencias Forestales, Universidad Autónoma de Nuevo León.
Biografía
Oscar Alberto Aguirre-Calderón
Facultad de Ciencias Forestales, Universidad Autónoma de Nuevo León
Biografía
Rahim Foroughbakhch-Pournavab
Facultad de Ciencias Biológicas, Universidad Autónoma de Nuevo León.
Biografía

Publicado 2020-03-10

Palabras clave

  • especie relicto,
  • idoneidad climática,
  • impacto antropogénico,
  • modelo de distribución
  • anthropogenic impact,
  • climate suitability,
  • distribution model,
  • relict species

Resumen

Antecedentes y Objetivos: Abies vejarii (oyamel) es una especie endémica del noreste de México, actualmente catalogada como Casi Amenazada por la Unión Internacional para la Conservación de la Naturaleza (UICN), con poblaciones aisladas. Los objetivos del presente estudio fueron i) buscar áreas en donde se reúnan las condiciones ideales para el desarrollo del oyamel utilizando el algoritmo de máxima entropía en la Sierra Madre Oriental (SMOR), ii) identificar las variables ambientales topográficas asociadas a su distribución actual y iii) evaluar los impactos antropogénicos actuales en la distribución de A. vejarii.

Métodos: Mediante un modelo de distribución de especie (MDE), se modeló la idoneidad de su hábitat, utilizando datos bioclimáticos y topográficos. Se identificaron las variables ambientales que influyen en su distribución geográfica mediante análisis cluster (CA) y de componentes principales (PCA). Finalmente, se relacionó el efecto del impacto antropogénico sobre sus áreas de distribución actual.

Resultados clave: El área total que se predice y que es climáticamente adecuada para su presencia es de 67,096 ha. El análisis de las variables ambientales y topográficas mostró que el rango anual de temperatura y la precipitación del mes más seco resultaron ser las más importantes. Se encontró una asociación negativa y significativa con el impacto antropogénico. La Sierra Madre Oriental presenta las condiciones que son el hábitat favorable para la persistencia de A. vejarii.

Conclusiones: La cuantificación de las áreas óptimas que permitan el establecimiento y desarrollo de A. vejarii hará posible diseñar estrategias y prescribir acciones para la conservación y restauración de las poblaciones de esta especie.

Citas

  1. Aguilar-Soto, V., A. Melgoza-Castillo, F. Villarreal-Guerrero, C. Wehenkel y C. Pinedo-Alvarez. 2015. Modeling the potential distribution of Picea chihuahuana Martínez, an endangered species at the Sierra Madre Occidental, Mexico. Forests 6(3): 692-707. DOI: https://doi.org/10.3390/f6030692
  2. Anderson, R. P., D. Lew y A. T. Peterson. 2003. Evaluating predictive models of species’ distributions: criteria for selecting optimal models. Ecological modelling 162(3): 211-232. DOI: https://doi.org/10.1016/S0304-3800(02)00349-6
  3. Baddeley, A. y R. Turner. 2005. Spatstat: an R package for analyzing spatial point patterns. Journal of Statistical Software 12(6): 1-42. DOI: https://doi.org/10.18637/jss.v012.i06
  4. Bivand, R. y N. Lewin-Koh. 2013. Package maptools: Tools for reading and handling spatial objects. R package version 0.8 23. https://cran.r-project.org/web/packages/maptools/maptools.pdf (consultado noviembre de 2018).
  5. Bivand, R., E. Pebesma y V. Gómez-Rubio. 2013. Applied spatial data analysis with R. Second Edition. Spring. New York, USA. 405 pp.
  6. Cabral-Alemán, C., M. Pompa-García, A. C. Acosta-Hernández, J. M. Zúñiga-Vásquez y J. J. Camarero. 2017. Earlywood and latewood widths of Picea chihuahuana show contrasting sensitivity to seasonal climate. Forests 8(5): 173. DOI: https://doi.org/10.3390/f8050173
  7. Castillón, E. E., J. R. Arévalo, J. Á. V. Quintanilla, M. M. S. Rodríguez, J. A. Encina-Domínguez, H. González Rodríguez y C. M. Cantú Ayala. 2015. Classification and ordination of main plant communities along an altitudinal gradient in the arid and temperate climates of northeastern Mexico. The Science of Nature 102: 59. DOI: https://doi.org/10.1007/s00114-015-1306-3
  8. Challenger, A., R. Dirzo, J. C. López, E. Mendoza, A. Lira-Noriega y I. Cruz. 2009. Factores de cambio y estado de la biodiversidad. In: Dirzo, R., R. González e I. J. March (comp.). Capital natural de México, vol. II: Estado de conservación y tendencias de cambio. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad. Cd. Mx., México. pp. 37-73. https://www.biodiversidad.gob.mx/v_ingles/country/pdf/CapNatMex/Vol%20II/II01_Factores%20de%20cambio%20y%20estado%20de%20la%20biodiversidad.pdf (consultado febrero de 2019)
  9. Chávez-Cabello, G. 2016. La Sierra Madre Oriental de México, un cinturón orogénico de pliegues y cabalgaduras de la Cordillera de Norteamérica. Ciencia UANL/ AÑO 19, No. 82. http://cienciauanl.uanl.mx/?p=6714 (consultado diciembre de 2018).
  10. CONABIO. 2019. NicheToolBox. Comisión Nacional Para el Conocimiento y Uso de la Biodiversidad. Cd. Mx., México. http://shiny.conabio.gob.mx:3838/nichetoolb2/ (consultado enero de 2019).
  11. Cruz-Cárdenas, G., L. López-Mata, J. L. Villaseñor y E. Ortiz. 2014. Potential species distribution modeling and the use of principal component analysis as predictor variables. Revista Mexicana de Biodiversidad 85(1): 189-199. DOI: https://doi.org/10.7550/rmb.36723
  12. Elith, J. y J. R. Leathwick. 2009. Species Distribution Models: Ecological Explanation and Prediction Across Space and Time. Annual Review of Ecology, Evolution, and Systematics 40: 677-697. DOI: https://doi.org/10.1146/annurev.ecolsys.110308.120159
  13. Elith, J., S. J. Phillips, T. Hastie, M. Dudík, Y. E. Chee y C. J. Yates. 2011. A statistical explanation of Maxent for ecologists. Diversity and Distributions 17(1): 43-57. DOI: https://doi.org/10.1111/j.1472-4642.2010.00725.x
  14. Escobar, L. E., A. Lira-Noriega, G. Medina-Vogel y A. T. Peterson. 2014. Potential for spread of the white-nose fungus (Pseudogymnoascus destructans) in the Americas: use of Maxent and NicheA to assure strict model transference. Geospatial Health 9(1): 221-229. DOI: https://doi.org/10.4081/gh.2014.19
  15. FAO. 2015. Evaluación de los recursos forestales mundiales: Informe nacional México. Organización de las Naciones Unidas para la Alimentación y la Agricultura. Roma, Italia. 261 pp. http://www.fao.org/3/a-i4808s.pdf (consultado enero de 2019).
  16. Farjon, A. 2013. Abies vejarii var. mexicana. The IUCN Red List of Threatened Species 2013: e.T34145A2847778. DOI: https://doi.org/10.2305/IUCN.UK.2013-1.RLTS.T34145A2847778.en
  17. Fick, S. E. y R. J. Hijmans. 2017. WorldClim 2: new 1‐km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37(12): 4302-4315. DOI: https://doi.org/10.1002/joc.5086
  18. Gao, T., A. B. Nielsen y M. Hedblom. 2015. Reviewing the strength of evidence of biodiversity indicators for forest ecosystems in Europe. Ecological Indicators 57: 420-434. DOI: https://doi.org/10.1016/j.ecolind.2015.05.028
  19. GBIF. 2019. Bases de datos geográficos disponibles para Abies vejarii Martínez en México. Global Biodiversity Information Facility. http://www.gbif.org (consultado enero de 2019).
  20. Gomes, V. H., S. D. IJff, N. Raes, I. L. Amaral, R. P. Salomão, L. de S. Coelho, F. D. de A. Matos, C. V. Castilho, D. de A. Lima-Filho, D. Cárdenas-López, J. E. Guevara, W. E. Magnusson, O. L. Phillips, F. Wittmann, M. de J. Veiga-Carim, M. P. Martins, M. V. Irume, D. Sabatier, J. F. Molino, O. S. Bánki, J. R. da S. Guimarães, N. C. A. Pitman, M. T. Fernandez-Piedade, A. Monteagudo-Mendoza, B. Garcia-Luize, E. M. Venticinque, E. M. Moraes de Leão-Novo, P. Núñez-Vargas, T. S. Freire-Silva, A. G. Manzatto, J. Terborgh, N. F. C. Reis, J. C. Montero, K. R. Casula, B. S. Marimon, B. H. Marimon, E. N. Honorio-Coronado, T. R. Feldpausch, A. Duque, C. E. Zartman, N. Castaño-Arboleda, T. J. Killeen, B. Mostacedo, R. Vasquez, J. Schöngart, R. L. Assis, M. B. Medeiros, M. F. Simon, A. Andrade, W. F. Laurance, J. L. Camargo, L. O. Demarchi, S. G. W. Laurance, E. de S. Farias, H. E. Mendonça-Nascimento, J. D. Cardenas-Revilla, A. Quaresma, F. R. C. Costa, I. C. Guimarães-Vieira, B. B. Ladvocat-Cintra, H. Castellanos, R. Brienen, P. R. Stevenson, Y. Feitosa, J. F. Duivenvoorden, G. A. Aymard, H. F. Mogollón, N. Targhetta, J. A. Comiskey, A. Vicentini, A. Lopes, G. Damasco, N. Dávila, R. García-Villacorta, C. Levis, J. Schietti, P. Souza, T. Emilio, A. Alonso, D. Neill, F. Dallmeier, L. Valle Ferreira, A. Araujo-Murakami, D. Praia, D. Dantas do Amaral, F. A. Carvalho, F. Coelho de Souza, K. Feeley, L. Arroyo, M. Petratti-Pansonato, R. Gribel, B. Villa, J. C. Licona, P. V. A. Fine, C. Cerón, C. Baraloto, E. M. Jimenez, J. Stropp, J. Engel, M. Silveira, M. C. Peñuela-Mora, P. Petronelli, P. Maas, R. Thomas-Caesar, T. W. Henkel, D. Daly, M. Ríos-Paredes, T. R. Baker, A. Fuentes, C. A. Peres, J. Chave, J. L. M. Pena, K. G. Dexter, M. R. Silman, P. Møller-Jørgensen, T. Pennington, A. Di Fiore, F. Cornejo-Valverde, J. F. Phillips, G. Rivas-Torres, P. von Hildebrand, T. R. van Andel, A. R. Ruschel, A. Prieto, A. Rudas, B. Hoffman, C. I. A. Vela, E. Marques-Barbosa, E. L. Zent, G. P. Gallardo-Gonzales, H. P. Dávila-Doza, I. P. de Andrade-Miranda, J. L. Guillaumet, L. F. Mozombite-Pinto, L. C. de Matos-Bonates, N. Silva, R. Zárate-Gómez, S. Zent, T. Gonzales, V. A. Vos, Y. Malhi, A. A. Oliveira, A. Cano, B. W. Albuquerque, C. Vriesendorp, D. F. Correa, E. Vilanova-Torre, G. van der Heijden, H. Ramirez-Angulo, J. F. Ramos, K. R. Young, M. Rocha, M. T. Nascimento, M. N. Umaña-Medina, M. Tirado, O. Wang, R. Sierra, A. Torres-Lezama, C. Mendoza, C. Ferreira, C. Baider, D. Villarroel, H. Balslev, I. Mesones, L. E. Urrego-Giraldo, L. F. Casas, M. A. Ahuite-Reategui, R. Linares-Palomino, R. Zagt, S. Cárdenas, W. Farfan-Rios, A. F. Sampaio, D. Pauletto, E. H. Valderrama-Sandoval, F. Ramirez-Arevalo, I. Huamantupa-Chuquimaco, K. Garcia-Cabrera, L. Hernandez, L. Valenzuela-Gamarra, M. N. Alexiades, S. Pansini, W. Palacios-Cuenca, W. Milliken, J. Ricardo, G. Lopez-Gonzalez, E. Pos y H. ter Steege.. 2018. Species Distribution Modelling: Contrasting presence-only models with plot abundance data. Scientific Reports 8(1003): 1003. DOI: https://doi.org/10.1038/s41598-017-18927-1
  21. González-Cubas, R., E. Treviño-Garza, Á. Duque-Montoya, M. González-Tagle y M. Gómez-Cárdenas. 2018. Diversidad y estructura arbórea en un bosque de Abies vejarii Martínez en el sur del estado de Nuevo León. Revista Mexicana de Ciencias Forestales 9(45): 36-65. DOI: https://doi.org/10.29298/rmcf.v9i45.142
  22. Henle, K., B. Bauch, M. Auliya, M. Külvik, G. Pe‘er, D. S. Schmeller y E. Framstad. 2013. Priorities for biodiversity monitoring in Europe: A review of supranational policies and a novel scheme for integrative prioritization. Ecological Indicators 33: 5-18. DOI: https://doi.org/10.1016/j.ecolind.2013.03.028
  23. INEGI. 2018. Datos de relieve. Continuo de Elevaciones Mexicano 3.0 (CEM 3.0). versión 2016.03.03 1340. Instituto Nacional de Estadística y Geografía. Cd. Mx., México. http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/continuoelevaciones.aspx (consultado junio de 2018).
  24. Jiménez, J., E. Jurado, O. Aguirre y E. Estrada. 2005. Effect of grazing on restoration of endemic dwarf pine (Pinus culminicola Andresen et Beaman) populations in northeastern Mexico. Restoration Ecology 13(1): 103-107. DOI: https://doi.org/10.1111/j.1526-100X.2005.00012.x
  25. Kass, J. M., B. Vilela, M. E. Aiello‐Lammens, R. Muscarella, C. Merow y R. P. Anderson. 2018. Wallace: A flexible platform for reproducible modeling of species niches and distributions built for community expansion. Methods in Ecology and Evolution 9(4): 1151-1156. DOI: https://doi.org/10.1111/2041-210X.12945
  26. Keenan, R. J. 2016. Forests and climate change: introduction to a special section. Forest Ecology and Management 360: 353-356. DOI: https://doi.org/10.1016/j.foreco.2015.11.039
  27. Kozak, K. H., C. H. Graham y J. J. Wiens. 2008. Integrating GIS-based environmental data into evolutionary biology. Trends in Ecology and Evolution 23(3): 141-148. DOI: https://doi.org/10.1016/j.tree.2008.02.001
  28. Maechler, M., P. Rousseeuw, A. Struyf, M. Hubert, K. Hornik. 2019. Package cluster: Finding Groups in Data: Cluster Analysis Extended. R package version 2.1.0. https://cran.r-project.org/web/packages/cluster/cluster.pdf (consultado julio de 2019).
  29. Magyar, N., I. G. Hatvani, I. K. Székely, A. Herzig, M. Dinka y J. Kovács. 2013. Application of multivariate statistical methods in determining spatial changes in water quality in the Austrian part of Neusiedler See. Ecological Engineering 55: 82-92. DOI: https://doi.org/10.1016/j.ecoleng.2013.02.005
  30. Manzanilla-Quiñones, U., P. Delgado-Valerio, J. Hernández-Ramos, A. Molina-Sánchez, J. J. García-Magaña y M. D. C. Rocha-Granados. 2019. Similaridad del nicho ecológico de Pinus montezumae y P. pseudostrobus (Pinaceae) en México: implicaciones para la selección de áreas productoras de semillas y de conservación. Acta Botanica Mexicana 126: e1398. DOI: https://doi.org/10.21829/abm126.2019.1398
  31. Marchi, M., S. Nocentini y F. Ducci. 2016. Future scenarios and conservation strategies for a rear-edge marginal population of Pinus nigra Arnold in Italian central Apennines. Forest Systems 25(3): 7. DOI: https://dx.doi.org/10.5424/fs/2016253-09476
  32. Martínez-Méndez, N., E. Aguirre-Planter, L. E. Eguiarte y J. P. Jaramillo-Correa. 2016. Modelado de nicho ecológico de las especies del género Abies (Pinaceae) en México: Algunas implicaciones taxonómicas y para la conservación. Botanical Sciences 94(1): 5-24. DOI: http://dx.doi.org/10.17129/botsci.508
  33. Pardo, A., Y. Cáceres y F. Pulido. 2018. Rangewide determinants of population performance in Prunus lusitanica: Lessons for the contemporary conservation of a Tertiary relict tree. Acta Oecologica 86: 42-48. DOI: https://doi.org/10.1016/j.actao.2017.12.001
  34. Peterson, A. T. y Y. Nakazawa. 2008. Environmental data sets matter in ecological niche modelling: an example with Solenopsis invicta and Solenopsis richteri. Global Ecology and Biogeography 17(1): 135-144. DOI: https://doi.org/10.1111/j.1466-8238.2007.00347.x
  35. Peterson, A. T., M. Papeş y J. Soberón. 2008. Rethinking receiver operating characteristic analysis applications in ecological niche modeling. Ecological Modelling 213(1): 63-72. DOI: https://doi.org/10.1016/j.ecolmodel.2007.11.008
  36. Phillips, S. J. y M. Dudík. 2008. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography 31(2): 161-175. DOI: https://doi.org/10.1111/j.0906-7590.2008.5203.x
  37. Phillips, S. J., R. P. Anderson y R. E. Schapire. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling 190(3-4): 231-259. DOI: https://doi.org/10.1016/j.ecolmodel.2005.03.026
  38. Pompa-García, M., R. Sánchez-Salguero y J. J. Camarero. 2017a. Observed and projected impacts of climate on radial growth of three endangered conifers in northern Mexico indicate high vulnerability of drought-sensitive species from mesic habitats. Dendrochronologia 45: 145-155. DOI: https://doi.org/10.1016/j.dendro.2017.08.006
  39. Pompa-García, M., M. González-Cásares, A. C. Acosta-Hernández, J. J. Camarero y M. Rodríguez-Catón. 2017b. Drought influence over radial growth of Mexican conifers inhabiting mesic and xeric sites. Forests 8(5): 175. DOI: https://doi.org/10.3390/f8050175
  40. R Core Team. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. https://www.R-project.org/ (consultado agosto de 2019).
  41. Radosavljevic, A. y R. P. Anderson. 2014. Making better Maxent models of species distributions: complexity, overfitting and evaluation. Journal of Biogeography 41(4): 629-643. DOI: https://doi.org/10.1111/jbi.12227
  42. Sáenz-Romero, C., G. E. Rehfeldt, N. L. Crookston, P. Duval, R. St-Amant, J. Beaulieu y B. A. Richardson. 2010. Spline models of contemporary, 2030, 2060 and 2090 climates for Mexico and their use in understanding climate-change impacts on the vegetation. Climatic Change 102(3-4): 595-623. DOI: https://doi.org/10.1007/s10584-009-9753-5
  43. Sáenz-Romero, C., G. E. Rehfeldt, P. Duval y R. A. Lindig-Cisneros. 2012. Abies religiosa habitat prediction in climatic change scenarios and implications for monarch butterfly conservation in Mexico. Forest Ecology and Management 275: 98-106. DOI: https://doi.org/10.1016/j.foreco.2012.03.004
  44. Sarkar, D. 2008. Lattice: multivariate data visualization with R. Springer Science and Business Media. New York, USA. 259 pp.
  45. Sarría, F. A. 2006. SIG y Teledetección en la Universidad de Murcia. Murcia, España. 239 pp. https://www.um.es/geograf/sigmur/sigpdf/temario.pdf (consultado enero de 2019).
  46. SEMARNAT. 2010. NORMA Oficial Mexicana NOM-059-SEMARNAT-2010. Protección ambiental-Especies nativas de México de flora y fauna silvestres-Categorías de riesgo y especificaciones para su inclusión, exclusión o cambio-Lista de especies en riesgo. Secretaría del Medio Ambiente y Recursos Naturales. Diario Oficial de la Federación. Cd. Mx., México. http://dof.gob.mx/nota_detalle.php?codigo=5173091&fecha=30/12/2010.
  47. Singh, H., R. D. Garg, H. C. Karnatak y A. Roy. 2018. Spatial landscape model to characterize biological diversity using R statistical computing environment. Journal of Environmental Management 206: 1211-1223. DOI: https://doi.org/10.1016/j.jenvman.2017.09.055
  48. Suárez-Mota, M. E., J. L. Villaseñor y M. B. Ramírez-Aguirre. 2018. Sitios prioritarios para la conservación de la riqueza florística y el endemismo de la Sierra Norte de Oaxaca, México. Acta Botanica Mexicana 124: 49-74. DOI: http://dx.doi.org/10.21829/abm124.2018.1296
  49. Swets, J. A. 1988. Measuring the accuracy of diagnostic systems. Science 240(4857): 1285-1293. DOI: https://doi.org/10.1126/science.3287615
  50. Tabachnick, B. G. y L. S. Fidell. 2007. Using multivariate statistics. Allyn and Bacon/Pearson Education. New York, USA. 980 pp.
  51. Tang, C. Q., Y. F. Dong, S. Herrando-Moraira, T. Matsui, H. Ohashi, L. Y. He, K. Nakao, N. Tanaka, M. Tomita, L. Xiao-Shuang, Y. Hai-Zhong, P. Ming-Chun, J. Hu, Y. Ruo-Han, L. Wang-Jun, K. Yan, X. Hou, Z. Zhi-Ying y J. López-Pujol. 2017. Potential effects of climate change on geographic distribution of the Tertiary relict tree species Davidia involucrata in China. Scientific Reports 7: 43822. DOI: https://doi.org/10.1038/srep43822
  52. Thijs K. W., R. Aerts, W. Musila, M. Siljander, E. Matthysen, L. Lens, P. Pellikka, H. Gulinck y B. Muys. 2014. Potential tree species extinction, colonization and recruitment in Afromontane forest relicts. Basic and Applied Ecology 15(4): 288-296. DOI: https://doi.org/10.1016/j.baae.2014.05.004
  53. Treviño-Garza, E. J. 2017. Conservation and Biodiversity: Inventory and assessment of ecosystems with relict tree species as a tool for establishing criteria for public forest policy. In: Fehrmann, L., A. Kleinn y C. Kleinn (eds.). The science policy gap regarding informed decisions in forest policy and management; what scientific information are policy makers really interested in? Proceedings of the 6th International DAAD Workshop 13-19 December 2016, Santiago de Chile. Cuvillier Verlag. Göttingen, Germany. Pp. 3-10.
  54. Vidal-Zepeda, R. 1990a. Temperatura media anual. Extraído de temperatura media, IV.4.4. Atlas Nacional de México. Vol. II. Escala 1:4,000,000. Instituto de Geografía, Universidad Nacional Autónoma de México. Cd. Mx., México.
  55. Vidal-Zepeda, R. 1990b. Precipitación media anual en Precipitación, IV.4.6. Atlas Nacional de México. Vol. II. Escala 1:4,000,000. Instituto de Geografía, Universidad Nacional Autónoma de México. Cd. Mx., México.
  56. Wang, B., G. Zhang y J. Duan. 2015. Relationship between topography and the distribution of understory vegetation in a Pinus massoniana forest in Southern China. International Soil and Water Conservation Research 3(4): 291-304. DOI: https://doi.org/10.1016/j.iswcr.2015.10.002
  57. Ward, J. H. Jr. 1963. Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association 58(301): 236-244. DOI: http://dx.doi.org/10.1080/01621459.1963.10500845
  58. Wu, H., H. Meng, S. Wang, X. Wei y M. Jiang. 2018. Geographic patterns and environmental drivers of seed traits of a relict tree species. Forest Ecology and Management 422: 59-68. DOI: https://doi.org/10.1016/j.foreco.2018.04.003
  59. Yilmaz, H., O. Y. Yilmaz y Y. F. Akyüz. 2017. Determining the factors affecting the distribution of Muscari latifolium, an endemic plant of Turkey, and a mapping species distribution model. Ecology and Evolution 7(4): 1112-1124. DOI: https://doi.org/10.1002/ece3.2766
  60. Zari, M. P. 2014. Ecosystem services analysis in response to biodiversity loss caused by the built environment. S.A.P.I.EN.S. Surveys and Perspectives Integrating Environment and Society 7(1): 1-14. http://journals.openedition.org/sapiens/1684 (consultado marzo de 2019).