Ciot2003 Esp

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

USO Y UTILIDAD DE LOS MODELOS ESPACIALES PREDICTIVOS EN LA ORDENACIÓN TERRITORIAL DE ZONAS FORESTALES

RESUMEN La ordenación territorial en zonas de vocación forestal intenta resolver un conjunto de problemas entre los cuales está la conservación y la restauración de los bosques. En este trabajo se defiende la hipótesis de que una correcta planificación se facilita conociendo las potencialidad del territorio expresada cartográficamente mediante modelos de idoneidad. Estos modelos pueden construirse objetivamente mediante métodos de análisis espacial que relacionan la presencia/ausencia del bosque con un conjunto de variables ambientales influyentes. En este trabajo se presenta un ejemplo de la utilidad de estos modelos como criterio orientador sobre futuras actuaciones de ordenación. Se muestran resultados procedentes del análisis del territorio potencial del rebollar, o bosque de Quercus pyrenaica, en el territorio de la Comunidad Autónoma de Extremadura (España). El análisis del modelo de idoneidad permite establecer criterios de actuación en conservación y restauración forestal, recomendando zonas de actuación prioritaria.

1. INTRODUCCIÓN La ordenación territorial en zonas de vocación forestal intenta resolver un conjunto de problemas entre los cuales está la conservación y la restauración de los bosques. En una zona como la Península Ibérica, donde los bosques han sido progresivamente eliminados a lo largo de siglos, entre los objetivos de la ordenación forestal destacan la reducción de la fragmentación del bosque y la conservación de la diversidad. Para conseguir estos objetivos es necesaria una información territorial básica de buena calidad [15] que permita conocer el territorio y orientar las actuaciones desde un punto vista espacial. Pero la disponibilidad de información territorial no es suficiente, sino que se hace necesario disponer de métodos objetivos de análisis que permiten, entre otros objetivos, delimitar espacialmente las zonas de actuación y definir las actuaciones recomendables o prioritarias. A la hora de analizar la potencialidad forestal del territorio, los modelos de idoneidad son una alternativa poco utilizada cuya utilidad intentaremos demostrar en este trabajo. Se entiende por modelo de idoneidad a un mapa donde cada punto del territorio tiene asignado un valor que refleja lo adecuado o inadecuado de la localización para un uso determinado. Los modelos de idoneidad pueden construirse mediante técnicas diversas entre las cuales destacan la regresión logística y métodos no paramétricos como CART (classification and regression trees) y MARS (multiple adaptative regression splines). Todas estas técnicas exigen disponer de un mapa de vegetación (la variable dependiente) y de cartografía de un número suficiente de variables ambientales potencialmente influyentes en la distribución de la vegetación (clima, topografía, litología, etc.). El fundamento del método está en establecer relaciones entre las variables ambientales y los patrones de distribución espacial de la vegetación. Lógicamente, la distribución espacial de cada categoría de vegetación responderá, en su caso, a un modelo diferente consecuencia de los diferentes requerimientos o preferencias ecológicas de las especies de cada comunidad vegetal. La zona definida como ‘adecuada’ en un modelo de idoneidad puede interpretarse como el área de distribución potencial del tipo de vegetación correspondiente. Es en este área de distribución potencial, donde los factores ambientales tienen valores adecuados para la implantación y crecimiento de, por ejemplo, cierto tipo de bosque. Normalmente, el área de distribución actual es significa-

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

tivamente menor que el área de distribución potencial ya que el bosque ha sido eliminado secularmente de zonas donde existía en el pasado. Veremos que conocer el área de distribución potencial permite obtener datos valiosos a la hora de definir actuaciones de restauración y de delimitar áreas de actuación prioritaria. En este trabajo se presentan ejemplos elaborados para los bosques de rebollo o melojo en Extremadura pero los procedimientos utilizados son de validez general e independientes del tipo de vegetación y área de estudio.

2. ÁREA, MATERIAL Y MÉTODOS 2.1. Área de estudio Extremadura es una de las 17 Comunidades Autónomas de España y tiene una superficie de unos 41680 km2 (Figura 1). El clima es mediterráneo pero suavizado por la relativa cercanía al mar y por la penetración de los frentes oceánicos del Oeste. Las especies forestales predominantes son del género Quercus; las más importantes por su extensión son la encina Quercus rotundifolia (19600 km2), el alcornoque Quercus suber (3140 km2) y el rebollo o melojo Quercus pyrenaica (2160 km2).

Figura 1. Localización geográfica de la Comunidad Autónoma de Extremadura en la Península Ibérica.

2.2. La variable dependiente: distribución actual del rebollar El mapa de distribución actual de la especie estudiada, Quercus pyrenaica (Figura 2.) fue elaborado a partir del Mapa Forestal de España (Dirección General de Conservación de la Naturaleza, Ministerio de Medio Ambiente). 2.3. Las variables independientes: los modelos digitales del terreno Las variables ambientales potencialmente influyentes en la distribución de la especie analizada fueron las siguientes: •

altitud: el modelo digital de elevaciones, o MDE, fue construido mediante un algoritmo de triangulación de Delaunay [19] a partir de curvas de nivel digitalizadas y transformado a continuación a una estructura matricial regular con 100 m de tamaño de celda.

•

insolación potencial: los modelos se han construido mediante una simulación a partir del MDE, analizando el ocultamiento topográfico [4] ante la trayectoria solar para diversos periodos del año estándar [8]. El resultado es una estimación del tiempo que cada punto del terreno está sometido a la radiación solar directa con una resolución temporal de 20 min y espacial de 100 m.

•

mapas de temperatura media de las máximas y de las mínimas anuales: interpolados a partir de un total de 140 estaciones meteorológicas con el método de thin plate splines ([10], [14]) con una resolución espacial de 500 m.

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

•

mapas de precipitaciones por trimestres: interpolados a partir de un total de 276 estaciones meteorológicas con el método de thin plate splines con una resolución espacial de 500 m. Los datos de las estaciones meteorológicas en ambos casos proceden del Instituto Nacional de Meteorología.

Figura 2. Distribución actual del rebollo, Quercus pyrenaica, en Extremadura según el Mapa Forestal de España (en negro, unos 2160 km2).

2.4. Métodos: la regresión logística múltivariable (RLM) La RLM ha sido utilizada como método para generar modelos predictivos en una amplia variedad de campos, como epidemiología [20], prospección geológica [1], selvicultura [22] o conservación de fauna [16][18]. La RLM es adecuada para este propósito ya que la variable dependiente es dicótoma (presencia/ausencia) y admite variables independientes con distribuciones no normales; finalmente, el resultado de la regresión varía entre 0 y 1 por lo que resulta adecuado para generar un modelo de probabilidad o idoneidad [12]. La introducción de la componente espacial en la RLM para generar modelos cartográficos es reciente y suele realizarse mediante sistemas de información geográfica. Por ejemplo, en [7] se usa RLM en el SIG ArcInfo (ESRI Inc.) para generar un modelo de distribución de una especie vegetal, Carex curvula, en los Alpes suizos. Otro estudio similar aplicado a la vegetación acuática [21] se realiza mediante el SIG Grass (US Army Construction Engineering Research Laboratory). Finalmente, el autor de este trabajo ha utilizado ArcView (ESRI Inc.) para la construcción de modelos logísticos en Cantabria (España) [3]. Los detalles del procedimiento y los fundamentos estadísticos pueden consultarse en esta referencia. Baste señalar que el modelo logístico que expresa la dependencia de la idoneidad, P(i), respecto a valor de n variables explicativas responde a la expresión:

P (i ) =

1 1+ e

−( b ( 0 ) +b (1)⋅ x (1) +...+ b ( n )⋅ x ( n ))

donde P(i) es el valor de idoneidad, x(1) ... x(n) representan los valores de las variables ambientales y b(1) ... b(n), los coeficientes correspondientes. Los resultados para cada punto del terreno varían entre los valores extremos 0 (incompatible) y 1 (idóneo).

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

En el presente trabajo, los valores de los coeficientes de la regresión logística se han calculado a partir de un muestreo estratificado sobre las zonas de presencia y ausencia del rebollar. El proceso es el siguiente: 1. Se realizaron dos muestreos aleatorios sobre las áreas de presencia y ausencia de bosque. La primera muestra se usa para el cálculo del modelo logístico y la segunda para la verificación del modelo. De acuerdo con las recomendaciones expresadas en [17] ambas muestras poseían un mismo número de casos positivos y negativos. 2. La regresión logística se realizó con un programa estadístico comercial y un método paso a paso (stepwise) por máxima verosimilitud. 3. El control de la bondad del ajuste se realizó comparando los resultados del modelo con la muestra de contraste para diversos valores de punto de corte mediante el cálculo del área bajo la curva ROC (Receiver Operating Characteristic) Finalmente, se aplicó la ecuación logística a la totalidad del territorio para generar el modelo de probabilidad. Los resultados fueron analizados comparándolos con el mapa de vegetación actual.

3. RESULTADOS 3.1. El modelo logístico

El método de análisis retuvo 7 variables significativas cuyos coeficientes y estadísticos básicos se muestran en la Tabla 1. variable

e. e.

Wald

0.0055

0.0001

2425.3 <0.0001 elevación

ins12p

-0.1015

0.0114

rain1

-0.0262

0.0006

1782.9 <0.0001 lluvias enero-marzo

rain2

0.0146

0.0005

799.9 <0.0001 lluvias abril-Junio

rain3

0.0565

0.0013

1886.6 <0.0001 lluvias julio-septiembre

rain4

0.0156

0.0003

2843.4 <0.0001 lluvias octubre-diciembre

temp

-0.0581

0.0012

2418.9 <0.0001 temperatura media de las mínimas anual

constant

10.2259

0.5780

dem

b

P

Descripción

79.2 <0.0001 insolación potencial (declinación +12º)

313.0 <0.0001

Tabla 1. Variables, coeficientes de regresión y significación para la regresión logística. b = coeficiente de regresión, e. e. = error estándar, Wald = estadístico de Wald

La capacidad predictiva del modelo puede evaluarse en función de los porcentajes de clasificación correcta, tanto para las presencias como para las ausencias. El método habitual es la consideración del área bajo la curva ROC (Receiver Operating Characteristic) calculada a partir de los valores de especificidad y sensibilidad y que puede tomar un valor máximo de 1 para un modelo con ajuste perfecto. La curva correspondiente al modelo logístico construido muestra un área de 0.973 lo que supone un muy buen ajuste a los datos.

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

3.2. Modelo de idoneidad para Quercus pyrenaica

El ultimo paso en el desarrollo del modelo es la construcción y representación del mapa de idoneidad es la aplicación del modelo logístico al total del territorio. El resultado se muestra en la Figura 3. Los valores se han representado en 5 clases de idoneidad para facilitar la interpretación.

Figura 3. Aplicación del modelo logístico al área de estudio. Los valores de probabilidad se han codificado para mayor claridad según la leyenda siguiente: blanco: 0.00-0.10 (incompatible); gris claro: 0.11-0.25; gris medio: 0.26-0.50; gris oscuro: 0.51-0.75; gris muy oscuro: 0.76-1.00. El área fuera de la zona de estudio se representa en negro. 3.3. Análisis del área potencial disponible

Superponiendo el modelo de probabilidad a la información del Mapa Forestal de España se ha comprobado la vegetación actual existente según el valor de idoneidad del área potencial para Q. pyrenaica. Este análisis es similar al realizado en [9] para estimar la pérdida de biodiversidad ante la extensión de especies de plantas invasoras. La combinación de ambos mapas, idoneidad y vegetación actual, permite obtener resultados que ayudan a comprender algunos aspectos de la dinámica vegetal y facilitan la propuesta de actuaciones. Los resultados referentes a formaciones arbóreas, bosque y plantaciones, se muestran como ejemplo a continuación. 3.3.1. Otros bosques Unos 1198 km2 del área potencial de Q. pyrenaica están actualmente cubiertos por otras dos especies de Quercus que pertenecen a otras series de vegetación. Las Figura 4 y Figura 5 muestran la distribución de frecuencias de estas especies en el área de distribución de Q. pyrenaica; los valores

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

de idoneidad han sido agrupados en 9 clases. Puede observarse que tanto Quercus suber (alcornoque) como Q. rotundifolia (carrasca) presentan histogramas que indican preferencias ambientales diferentes de Q. pyrenaica ya que la superficie ocupada se reduce en las zonas de mayor idoneidad. Figura 4. Presencia de Q. ilex ssp. ballota (= Q. rotundifolia) en las clases de idoneidad del rebollo. Se observarse la exclusión entre ambos tipos de bosques ya que Q.rotundifolia casi desaparece de las zonas de alta idoneidad para Q. pyrenaica.

Quercus ilex ssp. ballota area km²

15000 10000 5000 0 1

2

3

4

5

6

7

8

9

Las clases son: 1 (0.00-0.11); 2 (0.12-0.22); 3 (0.23-0.33); 4 (0.34-0.44); 5 (0.45-0.55); 6 (0.560.66); 7 (0.67-0.77); 8 (0.78-0.88) y 9 (0.89-1.00) Quercus suber

Figura 5. Presencia de Q. suber en las clases de probabilidad de Q. pyrenaica. Como en el caso anterior, existe exclusión entre ambos tipos de bosque aunque no tan marcada (ver texto).

area km²

2000 1500 1000 500 0 1

2

3

4

5

6

7

8

9

En la planificación forestal, estas zonas deben ser excluidas del área potencial ya que se encuentran ocupadas actualmente otro tipo de vegetación que debe respetarse. Resulta interesante observar la exclusión no tan estricta del alcornoque respecto a las zonas de alta idoneidad del rebollo. En efecto, existen zonas de cierta extensión donde ambas especies aparecen en formaciones mixtas. Debemos recordar que el alcornoque, identificada a veces como una especie xerófila, no lo es y presenta exigencias de humedad que lo excluyen de zonas más áridas donde la carrasca se convierte en la especie dominante. 3.3.2. Plantaciones arbóreas En la zona de estudio existen plantaciones de Castanea sativa y de varias especies de Pinus y de Eucaliptus. Las distribuciones de frecuencias se muestran en la Figura 6. Pinus pinea 200 area km²

area km²

Pinus pinaster 500 400 300 200 100 0

150 100 50 0

1

2

3

4

5

6

7

8

9

1

2

3

4

5

6

7

8

9

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

Eucaliptus camaldulensis 800

60

600

area km²

area km²

Castanea sativa 80 40 20

400 200 0

0 1

2

3

4

5

6

7

8

9

1

2

3

4

5

6

7

8

9

Figura 6. Presencia de las 4 especies más frecuentes usadas en plantaciones en las clases de idoneidad de Q. pyrenaica. Puede observarse que Pinus pinaster y Castanea sativa fueron plantados en áreas de alta idoneidad para Q. pyrenaica. En cambio, Pinus pinea y Eucaliptus camaldulensis manifiestan preferencias muy distintas y se distribuyen en áreas de baja idoneidad. Otra especie no representada y menos extendida, Pinus sylvestris con 11.5 km2, aparece de forma exclusiva en la clase de máxima idoneidad. Finalmente, debe destacarse la presencia en zonas idóneas de formaciones arbustivas donde dominan los escobonales (Cytisus sp.) y los brezales (Erica sp.). Estas formaciones deben interpretarse como etapas de sustitución presentes donde el bosque original ha sido eliminado; si la degradación del suelo ha sido moderada proliferan los escobonales mientras que los brezales son característicos de suelos más degradados.

APLICACIONES EN PLANIFICACIÓN FORESTAL

El mapa de idoneidad, junto con las estadísticas de ocupación por otras especies, permiten orientar sobre las actuaciones y definir las zonas prioritarias para aplicarlas. Por ejemplo, en esta zona pueden plantearse tres tipos de actuación principales que definen 3 tipos de zonas: Zonas de Tipo 1, donde la conservación de la vegetación actual es la acción prioritaria. Estas zonas son aquellas acupadas actualmente los bosques de Q. pyrenaica y las formaciones de Castanea sativa, especie probablemente exótica pero bien integrada en las comunidades vegetales locales. Zonas de Tipo 2, donde se actúa para reducción de la fragmentación del bosque mediante la recuperación de zonas ocupadas por formaciones de sustitución (en el sentido de sucesión ecológica). Serán éstas matorrales o arbustos (principalmente de Cytisus sp.) donde la degradación es moderada, y brezales (Erica sp.) donde la degradación y pérdida de suelo es más importante. Las zonas de actuación serán aquellas donde concurren los valores de idoneidad más altos con una ocupación actual por las formaciones de sustitución. Las prioridades de actuación dentro del conjunto de zonas candidatas serán aquellas donde concurran las mayores superficies, clases 8 y 9 de idoneidad y vecindad de zonas de Tipo 1 que pueden facilitar la llegada de semilla y, en consecuencia, la rápida regeneración. Zonas de Tipo 3, donde la realizará la sustitución progresiva de especies exóticas entre las cuales destacan las extensas plantaciones de Pinus y pequeños rodales de Eucaliptus. Las prioridades vendrán definidas, como en el caso anterior por la concurrencia de valores altos de idoneidad y cercanía a zonas de Tipo 1. La Figura 7 muestra los mapas de síntesis de estas actuaciones en las dos zonas de alta idoneidad más importantes: zona Norte de la provincia de Cáceres y zona de las Villuercas. En esta última,

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

por ejemplo, además de áreas relativamente extensas de Q. pyrenaica existe la posibilidad de reducir la fragmentación del bosque actuando sobre zonas de matorral que actualmente separan los rodales de bosque y de ampliar su extensión total con la sustitución de las plantaciones de Pinus.

Figura 7. Mapas de orientación de usos basados en los criterios explicados en el texto. Arriba: zona Norte; abajo: zona de las Villuercas (Este de Extremadura)

DISCUSIÓN

Tradicionalmente, los factores ambientales han sido considerados como los mayores condicionantes de la distribución de la vegetación [13]. Los primeros trabajos para estalecer estas relaciones fueron analíticos, explorando la asociación entre una especie y una variable [5], posteriormente los medios informáticos permitieron abordar análisis multivariables (análisis factorial, clasificación, etc.). Los modelos de idoneidad construidos mediante regresión logística sintetizan la respuesta de las especies vegetales ante un conjunto de factores ambientales que intervienen en su distribución espacial. Se trata de modelos basados en datos reales (data driven) y en métodos estadísticos por lo que están libres de subjetividad. Nuestra experiencia es que este tipo de modelos suele dar buenos resultados en las zonas montañosas debido a que los factores limitantes son principalmente físicos: altitud, insolación potencial, pendiente, etc. Estos factores suelen ser conocidos (elevación) o, al menos, pueden ser modelizados con precisión suficiente (insolación potencial). Quercus pyrenaica es una especie de amplia distribución biogeográfica en la Península Ibérica pero siempre asociado al llamado sector submediterráneo: montañas con mayores precipitaciones que las llanuras circundantes, por lo que permiten la existencia de especies que soportan mal la aridez estival [2]. El modelo de idoneidad construido refleja con bastante exactitud la distribución espacial actual del rebollo y predice un área de distribución potencial de extensión y características razonables desde el punto de vista biológico. Otro argumento que aumenta la fiabilidad aparente del modelo es el análisis de la vegetación actual en el área potencial. En todos los casos se trata de formaciones que pueden considerarse de sustitución en el sentido de la sucesión ecológica de comunidades vegetales. Las formaciones arbustivas y los brezales se generan por eliminación del bosque y pérdida progresiva del suelo. Las plantaciones arbóreas de pinos probablemente se re-

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

alizaron sobre este tipo de áreas previamente degradadas y se encuentran actualmente sometidas a una práctica silvícola de entresaca para producción de madera [11]. La transición del modelo a las actuaciones es un problema cuya solución necesita información complementaria, especialmente sobre la propiedad del terreno y su gestión económica actual. Abordar este aspecto excede la capacidad de este trabajo y las actuaciones que se proponen debe considerarse sólo como un ejemplo de aplicación directa de la información que proporciona el modelo. Debe destacarse, sin embargo, que los mapas y estadísticas que pueden elaborarse mediante los métodos expuestos reflejan datos objetivos de innegable utilidad; la combinación de estos mapas con el parcelario y datos básicos de gestión de los montes puede completar satisfactoriamente un sistema de decisión útil y que consideramos novedoso como método de ayuda a la decisión en planificación territorial.

AGRADECIMIENTOS Este trabajo forma parte del Proyecto “Desarrollo de modelos de idoneidad para la vegetación en Extremadura mediante Sistemas de Información Geográfica. Aplicación a la conservación y regeneración de recursos, a la gestión y conservación de la diversidad biológica y a la recuperación de zonas degradadas” cofinanciado por la Junta de Extremadura (Consejería de Educación, Ciencia y tecnología) dentro del II Plan Regional de Investigación, Desarrollo Tecnológico e Innovación de Extremadura y Fondo Europeo de Desarrollo Regional (FEDER).

9. BIBLIOGRAFÍA

[1] Agterberg, F.P. Estimating the probability of occurrence of mineral deposits from multiple map patterns. En Use of Microcomputers in Geology, D.F. Merriam and H. Kürzl (Eds.), pp. 7392. Plenum Press, New York., 1992. [2] Blanco Castro, E., Casado González, M.A., Costa Tenorio, M., Escribano Bombín, R., García Antón, M., Génova Fuster, M., Gómez Manzaneque, A., Gómez Manzaneque, F., Moreno Saiz, J.C., Moria Juaristi, C., Regato Pajares, P. and Sainz Ollero, H. Los bosques ibéricos. Una interpretación geobotánica, Planeta, Barcelona, 1997. [3] Felicísimo, A.M., Francés, E., Fernández, J.M., González-Díez, A. and Varas, J. Modeling the potential distribution of forests with a GIS. Photogrammetric Engineering and Remote Sensing, 68, 5, 455-461, 2002. [4] Fernández Cepedal, G. and Felicísimo, A.M. Método de cálculo de la radiación solar incidente en áreas con apantallamiento topográfico. Revista de Biología de la Universidad de Oviedo, 5, 109-119, 1987. [5] Gauthier, B., Godron, M., Hiernaux, P. and Lepart, J. Un type complementaire de profil écologique: le profil écologique ‘indicé’. Canadian Journal of Botany, 33, 2859-2865, 1977. [6] Godron, M. Les principaux types de profils écologiques. CNRS-CEPE, 8 pp. Montpellier, 1965. [7] Guisan, A., Theurillat, J.-P. and Kienast, F. Predicting the potential distribution of plant species in an alpine environment. Journal of Vegetation Science, 9, 65-74, 1998. [8]

Heywood, H. Standard date periods with declination limits. Nature, 204, 678, 1964.

CIOT 2003 - IV CONGRESO INTERNACIONAL DE ORDENACIÓN DEL TERRITORIO, ZARAGOZA (ESPAÑA)

[9] Higgins, Steven I., Richardson, David M., Cowling, Richard M. and Trinder-Smith, Terry H. Predicting the landscape-scale distribution of alien plants and their threat to plant diversity. Conservation Biology, 13, 2, 303-313, 1999. [10] Hutchinson, M.F. The application of thin plate smoothing splines to continent-wide data assimilation. En Data Assimilation Systems, J.D. Jasper (Ed.), pp. 104-113. BMRC Research Report No. 27, Bureau of Meteorology, Melbourne, 1991. [11] ICONA. Segundo Inventario Forestal Nacional 1986-1995. Extremadura, Cáceres, Ministerio de Agricultura, Pesca y Alimentación, Madrid, 1994. [12] Jongman, R.H.G., Ter Braak, C.J.F. and van Tongeren, O.F.R. (Eds.) Data analysis in community and landscape ecology, Cambridge University Press, Cambridge, 1995. [13] Leduc, A., Drapeau, P., Bergeron, Y. and Legendre, P. Study of spatial components of forest cover using partial Mantel tests and path analysis. Journal of Vegetation Science, 3, 69-78, 1992. [14] Lennon, Jack J. and Turner, John R.G. Predicting the spatial distribution of climate temperatura in Great Britain. Journal of Animal Ecology, 64, 370-392, 1995. [15] Lund, H. G. and Iremonger, S. Omissions, commissions, and decisions: the need for integrated resource assessments. Forest Ecology and Management, 128, 3-10, 2000. [16] Mladenoff, David J., Sickley, Theodore A. and Wydeven, Adrain P. Predicting gray wolf landscape recolonization: logistic regression modelos vs. new field data. Ecological Applications, 9, 1, 37-44, 1999. [17] Narumalani, S., Jensen, J.R., Althausen, J.D., Burkhalter, S. and Mackey, H.E. Aquatic macrophyte modeling using GIS and logistic multiple regression. Photogrammetric Engineering and Remote Sensing, 63, 1, 41-49, 1997. [18] Pereira, J.M.C. and Itami, R.M. GIS-based habitat modeling using logistic multiple regression: a study of the Mt. Graham Red Squirrel. Photogrammetric Engineering and Remote Sensing, 57, 11, 1475-1486, 1991. [19] Peucker, T.K., Fowler, R.J.. Little, J.J. and Mark, D.M. The triangulated irregular network. Proceedings of the ASP Digital Terrain Models (DTM) Symposium, pp. 516-540. American Society of Photogrammetry, Falls Church, Virginia, 1978. [20] Thomson, M.C., Elnaiem, D.A., Ashford, R.W. and Connor, S.J. Towards a kala azar risk map for Sudan: mapping the potential distribution of Phlebotomus orientalis using digital data of environmental variables. Tropical Medicine and International Health, 4, 2, 105-113, 1999. [21] van de Rijt, C.W.C.J., Hazelhoff, L. and Blom, C.W.P.M. Vegetation zonation in a former tidal area: a vegetation-type response model based on DCA and logistic regression using GIS. Journal of Vegetation Science, 7, 505-518, 1996. [22] Wilson, W.L., Day, K.R. and Hart, E.A. Predicting the extent of damage to conifer seedlings by the pine weevil (Hylobius abietis L.): a preliminary risk model by multiple logistic regression. New Forests, 12, 203-222, 1996.