Distribución de Lontra longicaudis annectens en México¶
Resumen:¶
En México Lontra longicaudis annectens, también conocida como nutria de río neotropical, se encuentra distribuida en casi todos los grandes ríos de las planicies costeras, arroyos, lagos, presas y lagunas costeras (Reynoso, 1997).
Esta especie se adapta a una variedad de habitats, desde las regiones áridas con bosque espinoso y matorral, hasta los bosques tropicales perennifolios y subcaducifolios, y desde el nivel del mar con bosque tropical caducifolio, hasta 1,700m en el bosque mesófilo de montaña (Reynoso, 1997).
La población de la nutria de río neotropical está declinando en México por una serie de factores generados por el ser humano: desechos industriales y urbanos, envenenamiento de los ríos, el uso de pequeñas cantidades de TNT para la pesca de subsistencia familiar, la apertura de nuevas áreas para la agricultura y el sistema agrícola de roza, tumba y quema de los bosques tropicales (Reynoso, 1997).
Imagen 1. Nutria de río neotropical
Desarrollo¶
Paquetería inicial¶
In [ ]:
# Cargar geopandas
import geopandas as gpd
# Cargar pandas
import pandas as pd
# Cargar folium
import folium
# Cargar matplotlib
import matplotlib.pyplot as plt
# Carga de plotly.express con el alias px
import plotly.express as px
In [ ]:
# Biblioteca requerida para mapas interactivos
!pip install mapclassify --quiet
import mapclassify
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/59.1 kB ? eta -:--:-- ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 59.1/59.1 kB 1.7 MB/s eta 0:00:00
In [ ]:
# Instalación de leafmap
!pip install leafmap --quiet
# Instalación de rasterio
!pip install rasterio --quiet
# Instalación de mapclassify
!pip install mapclassify --quiet
# Instalación de localtileserver
!pip install localtileserver --quiet
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/519.2 kB ? eta -:--:-- ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╺ 512.0/519.2 kB 25.5 MB/s eta 0:00:01 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 519.2/519.2 kB 13.2 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/220.8 kB ? eta -:--:-- ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 220.8/220.8 kB 14.5 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/7.7 MB ? eta -:--:-- ━━━━━━━━━━━━━━━━━━╸━━━━━━━━━━━━━━━━━━━━━ 3.6/7.7 MB 108.5 MB/s eta 0:00:01 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╸ 7.7/7.7 MB 112.6 MB/s eta 0:00:01 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╸ 7.7/7.7 MB 112.6 MB/s eta 0:00:01 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 7.7/7.7 MB 61.2 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 41.4/41.4 kB 2.5 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 108.6/108.6 kB 7.3 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.7/2.7 MB 45.1 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 765.5/765.5 kB 30.1 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 194.2/194.2 kB 12.5 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 74.0/74.0 kB 5.6 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.6/1.6 MB 48.1 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 22.2/22.2 MB 63.2 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 17.1/17.1 MB 83.6 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.8/2.8 MB 74.4 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 267.6/267.6 kB 16.9 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 52.8/52.8 kB 3.7 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 49.5/49.5 kB 3.4 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 195.0/195.0 kB 12.6 MB/s eta 0:00:00 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 62.3/62.3 kB 4.1 MB/s eta 0:00:00
In [ ]:
# Para mapas interactivos
import leafmap
# Para datos raster
import rasterio
# Para crear rampas de colores
from matplotlib.colors import LinearSegmentedColormap
# Para álgebra lineal
import numpy as np
# Para permitir widgets de JavaScript
from google.colab import output
output.enable_custom_widget_manager()
Carga de DataFrame¶
In [ ]:
# Cargar archivo CSV con datos de distribución solo de México
nutrias_neo_df = pd.read_csv("https://raw.githubusercontent.com/fanyarellana/nutria-neotropical/refs/heads/main/nutrias-neotropicales-mexico.csv",
sep="\t")
# Despliegue de los primeros registros
nutrias_neo_df.head()
Out[ ]:
| gbifID | datasetKey | occurrenceID | kingdom | phylum | class | order | family | genus | species | ... | identifiedBy | dateIdentified | license | rightsHolder | recordedBy | typeStatus | establishmentMeans | lastInterpreted | mediaType | issue | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 686440634 | 1d04e739-98a9-4e16-9970-8f8f3bf9e9e3 | 8df64394-1ed8-11e3-bfac-90b11c41863e | Animalia | Chordata | Mammalia | Carnivora | Mustelidae | Lontra | Lontra longicaudis | ... | NaN | NaN | CC_BY_4_0 | NaN | CLIFTON P L | NaN | NaN | 2025-03-05T20:57:38.788Z | NaN | COORDINATE_REPROJECTED |
| 1 | 686434738 | 1d04e739-98a9-4e16-9970-8f8f3bf9e9e3 | 8da1a4db-1ed8-11e3-bfac-90b11c41863e | Animalia | Chordata | Mammalia | Carnivora | Mustelidae | Lontra | Lontra longicaudis | ... | NaN | NaN | CC_BY_4_0 | NaN | CLIFTON P L | NaN | NaN | 2025-03-05T20:57:36.434Z | NaN | COORDINATE_REPROJECTED |
| 2 | 686429538 | 1d04e739-98a9-4e16-9970-8f8f3bf9e9e3 | 8d59c483-1ed8-11e3-bfac-90b11c41863e | Animalia | Chordata | Mammalia | Carnivora | Mustelidae | Lontra | Lontra longicaudis | ... | NaN | NaN | CC_BY_4_0 | NaN | CLIFTON P L | NaN | NaN | 2025-03-05T20:57:33.917Z | NaN | COORDINATE_REPROJECTED |
| 3 | 686419995 | 1d04e739-98a9-4e16-9970-8f8f3bf9e9e3 | 8cf810bf-1ed8-11e3-bfac-90b11c41863e | Animalia | Chordata | Mammalia | Carnivora | Mustelidae | Lontra | Lontra longicaudis | ... | NaN | NaN | CC_BY_4_0 | NaN | CLIFTON P L | NaN | NaN | 2025-03-05T20:57:27.601Z | NaN | COORDINATE_ROUNDED;COORDINATE_REPROJECTED |
| 4 | 686418941 | 1d04e739-98a9-4e16-9970-8f8f3bf9e9e3 | 8ce81805-1ed8-11e3-bfac-90b11c41863e | Animalia | Chordata | Mammalia | Carnivora | Mustelidae | Lontra | Lontra longicaudis | ... | NaN | NaN | CC_BY_4_0 | NaN | CLIFTON P L | NaN | NaN | 2025-03-05T20:57:26.601Z | NaN | COORDINATE_REPROJECTED |
5 rows × 50 columns
GeoDataFrame¶
In [ ]:
#Creación de GeoDataFrame a partir del DataFrame
nutrias_neo_gdf = gpd.GeoDataFrame(
nutrias_neo_df,
geometry=gpd.points_from_xy(nutrias_neo_df.decimalLongitude, nutrias_neo_df.decimalLatitude),
crs='EPSG:4326'
)
#Para observar los primeros registros del GeoDataFrame
nutrias_neo_gdf[['gbifID', 'species', 'decimalLongitude', 'decimalLatitude', 'geometry']].head()
Out[ ]:
| gbifID | species | decimalLongitude | decimalLatitude | geometry | |
|---|---|---|---|---|---|
| 0 | 686440634 | Lontra longicaudis | -103.455963 | 18.962256 | POINT (-103.45596 18.96226) |
| 1 | 686434738 | Lontra longicaudis | -104.966452 | 19.385119 | POINT (-104.96645 19.38512) |
| 2 | 686429538 | Lontra longicaudis | -104.758786 | 20.458612 | POINT (-104.75879 20.45861) |
| 3 | 686419995 | Lontra longicaudis | -108.353316 | 26.934966 | POINT (-108.35332 26.93497) |
| 4 | 686418941 | Lontra longicaudis | -108.617578 | 26.416390 | POINT (-108.61758 26.41639) |
Archivo geoespacial¶
In [ ]:
# Crear un geodataframe con datos y polígonos de paises
paises_gdf = gpd.read_file(
'https://raw.githubusercontent.com/datos-geoespaciales-biodiversidad/python/refs/heads/main/datos/otros/naturalearth/paises.gpkg',
)
# Mostrar los primeros registros del GeoDataFrame,
paises_gdf[['ADM0_ISO', 'NAME', 'POP_EST', 'GDP_MD', 'geometry']].head()
Out[ ]:
| ADM0_ISO | NAME | POP_EST | GDP_MD | geometry | |
|---|---|---|---|---|---|
| 0 | FJI | Fiji | 889953.0 | 5496 | MULTIPOLYGON (((180 -16.06713, 180 -16.55522, ... |
| 1 | TZA | Tanzania | 58005463.0 | 63177 | MULTIPOLYGON (((33.90371 -0.95, 34.07262 -1.05... |
| 2 | B28 | W. Sahara | 603253.0 | 907 | MULTIPOLYGON (((-8.66559 27.65643, -8.66512 27... |
| 3 | CAN | Canada | 37589262.0 | 1736425 | MULTIPOLYGON (((-122.84 49, -122.97421 49.0025... |
| 4 | USA | United States of America | 328239523.0 | 21433226 | MULTIPOLYGON (((-122.84 49, -120 49, -117.0312... |
Visualización de mapa de distribución¶
In [ ]:
# Crear figura y ejes
fig, ax = plt.subplots(figsize=(8, 6))
# Filtrar de países a México
mexico_gdf = paises_gdf[paises_gdf['ADM0_A3'] == 'MEX'].plot(
ax=ax,
color="white",
edgecolor="black"
)
# Capa de registros de nutrias en América
nutrias_neo_gdf[(nutrias_neo_gdf['decimalLongitude'] < 0) & (nutrias_neo_gdf['decimalLatitude'] < 16)].plot(
ax=ax,
marker="o",
color="brown",
markersize=50
)
Out[ ]:
<Axes: >
Gráficos de registro por años¶
In [ ]:
# Borrado de filas que no tengan año
df_anio_no_nulo = nutrias_neo_df.dropna(subset=['year'])
# Filtrado de los años entre 2000 y 2025
df_filtrado = df_anio_no_nulo[(df_anio_no_nulo['year'] >= 2000) & (df_anio_no_nulo['year'] <= 2025)]
# Conteo de registros por año
registros_por_anio = df_filtrado.groupby('year')['gbifID'].count().reset_index()
# Creación del gráfico de barras
fig = px.bar(
registros_por_anio,
x='year',
y='gbifID',
title='Cantidad de registros (años 2000 - 2025)'
)
# Personalización
fig.update_layout(
xaxis_title='Año',
yaxis_title='Cantidad de registros',
width=1000, # Ancho de la figura
height=600 # Alto de la figura
)
Evolución de registros por años¶
In [ ]:
# Borrado de filas que no tengan año
df_anio_no_nulo = nutrias_neo_df.dropna(subset=['year'])
# Conteo de registros por año
registros_por_anio = df_anio_no_nulo.groupby('year')['gbifID'].count().reset_index()
registros_por_anio.columns = ['year', 'count']
# Creación del gráfico de líneas
fig = px.line(
registros_por_anio,
x='year',
y='count',
markers=True,
title='Evolución de la cantidad de registros a lo largo de los años'
)
# Personalización
fig.update_layout(
xaxis_title='Año',
yaxis_title='Cantidad de registros',
width=1000, # Ancho de la figura en píxeles
height=600 # Alto de la figura en píxeles
)
Los mapas (o el mapa) deben incluir registros de presencia y variables ambientales u otras capas raster relacionadas con la distribución de la especie.
Mapa de distribución en México¶
Carga datos¶
In [ ]:
# Lectura de datos de temperatura media anual
temperatura_media_anual = rasterio.open(
'https://github.com/gf0657-programacionsig/2024-ii/raw/refs/heads/main/datos/worldclim/altitud.tif'
)
In [ ]:
# Crear un mapa leafmap personalizado
m = leafmap.Map(
center=(23.6345, -102.5528),
zoom=5,
width="500px",
height="400px"
)
# Agregar el raster al mapa
m.add_raster(
'https://github.com/datos-geoespaciales-biodiversidad/python/raw/refs/heads/main/datos/clima/worldclim/2.1-10m-bio/wc2.1_10m_bio_1.tif',
colormap='viridis',
layer_name='Temperatura media anual'
)
# Desplegar el mapa
m
Map(center=[21.707676, -100.5016], controls=(ZoomControl(options=['position', 'zoom_in_text', 'zoom_in_title',…
Conclusiones¶
- Se puede observar que hay muy pocos registros de la especie durante los últimos 25 años, con un pico de datos en los años 90.
- La mayoría de registros de la especie se encuentran distribuidos en la zona Sur de México.
Bibliografía¶
- Reynoso, J. P. G. (1997). Situación y Distribuición de las Nutrias en Mexico, con Énfasis en Lontra longicaudis annectens Major, 1897. Revista Mexicana de Mastozoología, 2, 10-32.