Carvalho et al. (2019) realizaram a predição potencial e futura de Eremanthus erythropappus (candeia) por meio do algoritmo RF - random forest (BREIMAN, 2001; CUTLER et al. 2007).

O algoritmo RF está entre aqueles que obrigatoriamente precisam de dados de ausência. Sugestão de trabalho sobre o assunto para leitura: Giannini et al. (2012).

Os atores utilizaram a seguinte estratégia de obtenção dos registros de presença e ausência:

Presença:

- Planos de manejo das populações nativas;

- Bancos de dados on-line: speciesLink e Global Biodiversity Information Facility (GBIF);

- Inventários em fragmentos de floresta nativa (registros de presença da espécie).

Ausência:

- Inventários em fragmentos de floresta nativa (onde não havia registros de presença da espécie).

Muitas vezes os dados de ausência podem ser raros e difíceis de serem obtidos, principalmente em regiões com insuficiência de inventários florísticos.

Neste sentido, existem algumas propostas para a obtenção de dados de pseudo-ausência, quando se pretende usar algoritmos que exigem tais informações (ver Giannini et al., 2012).

Eremanthus erythropappus (candeia) no Parque Ecológico Quedas do Rio Bonito em Lavras/MG. Foto: Fábio Vieira.

------------------

BREIMAN, L. Random forests. Machine learning, v. 45, n. 1, p. 5-32, 2001. Link.

CARVALHO, M. C. et al. Potential and future geographical distribution of Eremanthus erythropappus (DC.) MacLeish: a tree threatened by climate change. Floresta e Ambiente, v. 26, n. 3, 2019. Link.

CUTLER, D. R. et al. Random forests for classification in ecology. Ecology, v. 88, n. 11, p. 2783-2792, 2007. Link.

GIANNINI, T. C. et al. Desafios atuais da modelagem preditiva de distribuição de espécies. Rodriguésia, v. 63, n. 3, 2012. Link.