Publicação
Modelação e visualização da biodiversidade de briófitos em sistemas altitudinais na ilha do Pico - Açores
| datacite.subject.sdg | 04:Educação de Qualidade | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| datacite.subject.sdg | 13:Ação Climática | |
| dc.contributor.advisor | Oliveira, Teresa A. | |
| dc.contributor.advisor | Pestana, Pedro Duarte | |
| dc.contributor.author | Abreu, Ricardo Jorge Freitas de | |
| dc.date.accessioned | 2026-06-05T11:06:16Z | |
| dc.date.available | 2026-06-05T11:06:16Z | |
| dc.date.issued | 2026-05-05 | |
| dc.date.submitted | 2026-06-05 | |
| dc.description | Tese de mestrado em Bioestatística e Biometria, apresentada à Universidade Aberta | |
| dc.description.abstract | Com as crescentes alterações climáticas e a necessidade de conservação da biodiversidade, torna-se cada vez mais importante desenvolver ferramentas de modelação que permitam prever a distribuição potencial de espécies e apoiar estratégias de conservação eficazes. Neste âmbito, os modelos de distribuição de espécies constituem instrumentos relevantes para compreender padrões biogeográficos, identificar áreas prioritárias para conservação e antecipar possíveis efeitos das mudanças ambientais. O presente trabalho teve como objetivo aplicar e comparar diferentes algoritmos de modelação para prever a distribuição de espécies de briófitos na ilha do Pico, utilizando variáveis bioclimáticas como indicadores ambientais. Os modelos explorados incluíram, entre outros, Random Forest, Gradient Boosting Machine, Modelos Lineares Generalizados e Range Bagging, tendo por base dados de ocorrência das espécies e 19 variáveis bioclimáticas derivadas de dados de temperatura e precipitação. Considerando a complexidade das relações espécie-ambiente e a necessidade de robustez preditiva, foi implementada uma abordagem multimodelo, baseada na comparação de diferentes algoritmos de aprendizagem automática e estatística. Para garantir a qualidade dos modelos, foram aplicadas técnicas de validação cruzada, análise da importância das variáveis e avaliação do desempenho através de métricas como AUC (Area Under the Curve) e TSS (True Skill Statistic). Os resultados demonstraram que a abordagem multimodelo contribuiu para aumentar a robustez das previsões dos modelos de distribuição de espécies, reduzindo a dependência face a um único algoritmo. O modelo Random Forest apresentou o melhor desempenho geral, seguido pelo Gradient Boosting Machine e pelo Range Bagging, sugerindo que métodos flexíveis, capazes de captar relações não lineares e interações entre variáveis ambientais, foram particularmente adequados à modelação da distribuição das espécies estudadas. A análise da importância das variáveis revelou que a isotermalidade (Bio3), a temperatura máxima do mês mais quente (Bio5) e a amplitude térmica anual (Bio7) foram as variáveis com maior contributo para explicar a distribuição potencial das espécies. Estes resultados reforçam a importância das variáveis térmicas na estruturação dos padrões de distribuição dos briófitos e demonstram o potencial dos modelos de distribuição de espécies como ferramenta de apoio à conservação e ao planeamento de futuras ações de monitorização. | por |
| dc.description.abstract | With increasing climate change and the need for biodiversity conservation, there arises the importance of developing modelling tools that allow predicting species distribution and supporting effective conservation strategies. In this context, species distribution models are fundamental for understanding biogeographical patterns, identifying priority areas for conservation and anticipating the effects of environmental changes. The present work aims to apply and compare different modelling algorithms to predict species distribution, utilising bioclimatic variables as environmental predictors. The models explored include Random Forest, Gradient Boosting Machine (GBM) and Generalised Linear Models (GLM), based on species occurrence data and bioclimatic variables selected through correlation and importance analysis. Considering the complexity of species-environment relationships and the need for predictive robustness, a multi-model approach was implemented that combines different machine learning algorithms. To ensure model quality, cross-validation techniques, variable importance analysis and evaluation through metrics such as AUC (Area Under the Curve) and TSS (True Skill Statistic) were applied. The results demonstrated that the combination of multiple algorithms significantly increases predictive accuracy and robustness of species distribution models. The Random Forest model presented the best overall performance, followed by GBM, whilst GLM proved more suitable for interpreting linear relationships between environmental variables and species occurrence. Variable importance analysis revealed that isothermality (Bio3), maximum temperature of the warmest month (Bio5) and temperature annual range (Bio7) were the variables selected as main predictors of the distribution of the studied species. | eng |
| dc.identifier.uri | http://hdl.handle.net/10400.2/22133 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | |
| dc.subject | Modelos de distribuição de espécies | |
| dc.subject | Random forest | |
| dc.subject | Gradient Boosting Machine | |
| dc.subject | Variáveis bioclimáticas | |
| dc.subject | Conservação da biodiversidade | |
| dc.subject | Aprendizagem automática Species distribution models | |
| dc.subject | Açores | |
| dc.subject | Bioclimatic variables | |
| dc.subject | Biodiversity conservation | |
| dc.subject | Machine learning | |
| dc.title | Modelação e visualização da biodiversidade de briófitos em sistemas altitudinais na ilha do Pico - Açores | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Biostatística a Biometria |