La dimensión geográfica de las invasiones biológicas en el Antropoceno: el caso de Xylella fastidiosa / The geographical dimension of biological invasions in the Anthropocene: the case of Xylella fastidiosa

Abstract

Xylella fastidiosa is a potentially harmful organism for a large number of woody crops and tree species, being considered one of the most dangerous phytopathogenic bacteria worldwide. In this article, we used Ecological Niche Models (ENM) to predict the global potential distribution of X. fastidiosa, and at the regional level, Multi Criteria Evaluation (MCE) methods to predict the risk of exposure to this pathogen in the Iberian Peninsula and Balearic Islands. At the global level, our models predicted a wide potential distribution of X. fastidiosa with a wide potential radius of expansion temperate climates (Group C, Köppen climate classification). At regional level, our results revealed the Iberian Peninsula is very exposed to the entry and spread of this invasive organism, whose presence is already widespread in the Balearic Islands. In the Anthropocene epoch, Geography plays a crucial role in a management of biological risks because of a successful management depends heavily on our ability to predict potential geographical ranges of invasive organisms and to identify main factors that promote their spread.

Full text

Boletín de la Asociación de Geógrafos Españoles, 80
ISSN:
0212-9426
eISSN:
2605-3322
Cómo citar este trabajo:
Gutiérrez Hernández, O., & García, L. V. (2019). La dimensión geográfica de las
invasiones biológicas en el Antropoceno: el caso de Xylella fastidiosa. Boletín de la Asociación de
Geógrafos Españoles, 80, 2771, 1–32. http://dx.doi.org/10.21138/bage.2771
La dimensión geográfica de las invasiones
biológicas en el Antropoceno:
el caso de Xylella fastidiosa
The geographical dimension of biological invasions
in the Anthropocene: the case of Xylella fastidiosa
Oliver Gutiérrez Hernández
olivergh@uma.es
Departamento de Geografía
Universidad de Málaga (España)
Luis V. García
ventura@cica.es
Instituto de Recursos Naturales y Agrobiología
Consejo Superior de Investigaciones Científicas (España)
Resumen
Xylella fastidiosa es una bacteria potencialmente dañina para un gran número de cultivos leñosos y
especies arbóreas, y está considerada una de las bacterias fitopatógenas más peligrosas del
mundo. En este artículo, combinamos modelos de nicho ecológico para estimar la distribución
potencial global de X. fastidiosa y, complementariamente, técnicas de evaluación multicriterio para
estimar regionalmente la exposición de la península Ibérica e islas Baleares a la entrada y difusión
del patógeno. A nivel global, nuestros modelos estimaron una distribución potencial de X. fastidiosa
con un amplio radio potencial de expansión en climas templados (Grupo C, según la clasificación
climática de Köppen). A nivel regional, nuestros resultados revelaron que la península Ibérica se
halla muy expuesta a la entrada y propagación de este organismo invasor, cuya presencia es ya
Recepción: 30.03.2018 Aceptación: 17.01.2019 Publicación: 15.03.2019
Este trabajo se publica bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.

generalizada en las islas Baleares. En el Antropoceno, la Geografía desempeña un papel crucial en
el manejo de los riesgos biológicos. El éxito en la gestión de los mismos depende, en gran medida,
de nuestra capacidad para predecir los rangos geográficos potenciales de los organismos invasores
e identificar los factores que promueven su propagación.
Palabras clave: Biogeografía; riesgos biológicos; modelos de nicho ecológico; evaluación
multicriterio; Análisis Geográfico Regional.
Abstract
Xylella fastidiosa is a potentially harmful organism for a large number of woody crops and tree
species, being considered one of the most dangerous phytopathogenic bacteria worldwide. In this
article, we used Ecological Niche Models (ENM) to predict the global potential distribution of
X. fastidiosa, and at the regional level, Multi Criteria Evaluation (MCE) methods to predict the risk of
exposure to this pathogen in the Iberian Peninsula and Balearic Islands. At the global level, our
models predicted a wide potential distribution of X. fastidiosa with a wide potential radius of
expansion temperate climates (Group C, Köppen climate classification). At regional level, our results
revealed the Iberian Peninsula is very exposed to the entry and spread of this invasive organism,
whose presence is already widespread in the Balearic Islands. In the Anthropocene epoch,
Geography plays a crucial role in a management of biological risks because of a successful
management depends heavily on our ability to predict potential geographical ranges of invasive
organisms and to identify main factors that promote their spread.
Key words: Biogeography; biological risks; ecological niche models; multicriteria decision analysis;
Regional Geographic Analysis.
1 Introducción
1.1 Las invasiones biológicas y la emergencia de Xylella fastidiosa
El Antropoceno es considerado una época funcional y estratigráficamente diferente del Hocoleno
(Waters et al., 2016). En esta nueva naturaleza ligada a los efectos del ser humano, una de las
manifestaciones más orgánicas es la incesante recomposición del mapa biogeográfico de la Tierra,
como consecuencia de la dispersión de especies exóticas inducida por la actividad humana
(Capinha et al., 2015; Miraldo et al., 2016; Murray et al., 2015; Waters et al., 2016).
Entre las especies exóticas dispersadas por el hombre se cuentan numerosas especies invasoras
con un gran potencial patogénico (Colautti et al., 2014; Murray, Olivero et al., 2018). Hasta el
momento, los esfuerzos realizados para mitigar las invasiones biológicas no han sido del todo
efectivos y algunos autores sostienen que se trata de un problema de difícil solución (Seebens et
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 2

al., 2017). Por ejemplo, se estima que en los Estados Unidos de América existen actualmente más
de 50 000 especies exóticas; dentro de las cuales, las especies invasoras provocan anualmente
pérdidas económicas millonarias (Pimentel et al., 2005).
Xylella fastidiosa es una de las bacterias fitopatógenas más peligrosas del mundo (Mansfield et al.,
2012; Rapicavoli, et al., 2018; Sicard et al., 2018; Wells et al., 1987). Se trata de una bacteria
confinada en el xilema de las plantas cuya patogenicidad la convierte en un organismo
potencialmente dañino para un gran número de cultivos leñosos (Figura 1). De acuerdo con los
últimos datos de la Autoridad Europea de Seguridad Alimentaria (European Food Safety Authority,
EFSA) (actualizado a 13/01/2019), se ha encontrado X. fastidiosa en 563 especies hospedantes.
Entre ellos destacan el olivo, el almendro, la vid o los cítricos (Almeida & Purcell, 2003; Araújo et
al., 2002; Bucci, 2018; Hopkins, 1989; Janse & Obradovic, 2010; Loconsole et al., 2014). La
bacteria se transmite por numerosos insectos vectores (cicadélidos y cercópidos), hemípteros
chupadores que se alimentan a partir del xilema (Almeida, Coletta-Filho & Lopes, 2014; Morente et
al., 2018). Se multiplica en el interior del xilema llegando a obstruir el flujo de savia en la planta
(Almeida, Coletta-Filho & Lopes, 2014; Lima et al., 1998; Redak et al., 2004). Los síntomas varían
según la especie y el estadio de la infección: clorosis, marchitez, necrosis foliar, hojas y ramas
secas y decaimiento generalizado (Landa, et al., 2017). Por tanto, estamos ante un organismo que
vive entre dos mundos: el huésped y el vector (Chatterjee, et al., 2008).
Originaria del continente americano (Nunney et al., 2014), Xylella fastidiosa se ha detectado,
además, en Europa y Asia. El potencial de dispersión de X. fastidiosa no sólo radica en la
capacidad dispersiva de los insectos vectores, que realmente sólo son operan a corta distancia
(Banks et al., 2015), sino, sobre todo, en el comercio y transporte del material vegetal infectado
(Seebens et al., 2015; Tingley, et al., 2018). Hace 20 años su dispersión ya se consideraba una
amenaza global (Purcell, 1997); ahora la preocupación se ha trasladado continente europeo (Jeger
et al., 2018; Strona et al., 2017).
En 2013, se informó del primer registro de presencia de Xylella fastidiosa en condiciones de
campo abierto (olivar) en un país miembro de la Unión Europea, en concreto, en la región de
Apulia (Saponari et al., 2018). Desde entonces se han producido daños gravísimos en los olivares
de dicha región (Carlucci, et al., 2013; Mang, et al., 2016), lo cual ha llevado a las autoridades
regionales a declarar el estado de emergencia fitosanitaria (http://www.emergenzaxylella.it). En
noviembre 2016, se reporta el primer registro de presencia en las Islas Baleares (Gutiérrez et al.,
2018) y en 2017 se detectan los primeros brotes de X. fastidiosa en sureste de la península
Ibérica (Giampetruzzi et al., 2018). Ya en 2018, se detectó la presencia del patógeno en otros
enclaves puntuales del centro de la península Ibérica y en región italiana de la Toscana, al tiempo
que prosigue su avance en el sureste (Alicante). En España, la situación mantiene muy preocupado
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 3

al sector agrícola y a las administraciones competentes. Los medios de comunicación se refieren
continuamente al problema y a los riesgos que comporta. El último informe de la Autoridad Europea
para la Seguridad de los Alimentos (EFSA, European Food Safety Authority) concluye que, aunque
las zonas donde actualmente se encuentra X. fastidiosa están claramente demarcadas, es más que
probable que asistamos a una propagación del organismo en el continente, pues no son pocas las
incertidumbres en torno a difusión del patógeno en nuevos ecosistemas, donde incluso puede
permanecer silente largos periodos de tiempo sin ser detectado (Jeger et al., 2018).
Figura 1. 1) Olivos afectados por
Xylella fastidiosa
; 2) Necrosis y marchitamiento en hojas de vid
por
el patógeno
; 3)
Philaenus spumarius
, uno de los vectores del patógeno; 4) La bacteria
X.
fastidiosa
a vista de microscopio, en una sección transversal del vaso del xilema
Fuente: fotos 1 y 2, Mediterranean Plant Protection Organization (EPPO, 2018);
foto 3, Charles J. Sharp (2018); y foto 4 (Lima et al., 1998)
1.2 La Geografía ante las invasiones biológicas
El estudio de los riesgos naturales siempre ha constituido una de las ramas más activas, fecundas y
reconocidas de la Geografía aplicada (Ayala Carcedo & Olcina Cantos, 2002), especialmente en
el análisis de las inundaciones, los fenómenos geomorfológicos y los incendios forestales (Montz &
Tobin, 2011).
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 4

Sin embargo, el estudio geográfico de los riesgos biológicos, y en concreto, las consecuencias de
las invasiones biológicas, todavía asoma en lontananza como unos de los campos menos
explorados por la comunidad de geógrafos.
Las evidencias ponen de manifiesto que las invasiones biológicas constituyen un conjunto de
fenómenos multifactoriales que trascienden las fronteras de la biología y la ecología y se imbrican
en el complejo panorama de la globalización, difuso ecotono global en el que la geografía se halla
en el meollo de la problemática (Packer et al., 2017). Algunos autores sostienen que la
Biogeografía debería adoptar un rol fundamental en el estudio de la distribución de los riesgos
biológicos y la incidencia de los patógenos en los sistemas socioecológicos, en un nuevo campo de
conocimiento que se ha denominado “Patogeografía” (Murray et al., 2015, 2018).
Este trabajo pretende reivindicar la relevancia de la geografía y el análisis de datos geoespaciales
en el marco del estudio de la dinámica de las especies exóticas invasoras que protagonizan los
principales riesgos biológicos del momento.
La perspectiva espacial de la Geografía (en mayúscula) no sólo permite incorporar una
aproximación vinculada con la ecología de los organismos biológicos para estimar la distribución
potencial de los mismos sino, que, además, implementa la propia geografía (en minúscula) de los
drivers (factores geográficos) o motores de la diáspora de los organismos invasores, como vectores
geográficos que pueden explicar la propagación de estos seres vivos por la influencia de las
actividades humanas (Rodríguez-Labajos, et al., 2009). Si la ecología de las especies informa hasta
donde puede llegar un organismo, es la geografía de las relaciones hombre-medio aquella que nos
indica por dónde sería más factible que los organismos invasores colonizaran nuevos espacios
siguiendo rutas y cruzando barreras biogeográficas (Essl et al., 2015).
Dado que la propagación de Xylella fastidiosa en la península Ibérica podría suponer auténtico un
desastre para los agrosistemas mediterráneos y la economía de los espacios rurales (Bucci, 2018),
se requiere una doble aproximación que estudie tanto el área de distribución potencial del
patógeno (Elith, 2017), como la influencia de los drivers que pudieran facilitar su llegada y
propagación (Rodríguez-Labajos et al., 2009). Este enfoque trasciende la aproximación basada en
la probabilidad de presencia, dado que es muy difícil estimar esta probabilidad cuando estamos
ante un organismo en proceso de expansión fuera de su rango nativo (Václavík & Meentemeyer,
2009), por lo que es también pertinente incorporar una aproximación complementaria basada en la
teoría de conjuntos borrosos (Eastman, 1999; Jiang & Eastman, 2000).
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 5

1.3 Objetivos
El presente trabajo tiene dos objetivos fundamentales:
1. A escala mundial, estimar la distribución potencial global de Xyella fastidiosa a través de un
ensamblaje de modelos de nicho ecológico basado en datos bioclimáticos.
2. A escala regional, estimar la exposición de la península Ibérica e islas Baleares a la llegada y / o
propagación del Xyella fastidiosa, combinando los resultados del modelo de nicho ecológico
con un conjunto drivers que pueden facilitar la dispersión del patógeno, y empleando para ello
técnicas de evaluación multicriterio basadas en la teoría de conjuntos borrosos.
2 Material y métodos
2.1 Áreas de estudio
Globalmente (A1, Figura 2), para el estudio de la distribución potencial global de Xylella fastidiosa
basado en el ensamblaje de modelos de nicho ecológico, el área de estudio abarcó toda la
superficie de la Tierra: tierras emergidas. A nivel regional (A2, Figura 2), para la estimación del
riesgo de exposición al patógeno, consideramos la península Ibérica e Islas Baleares.
Figura 2. Área de estudio: A1) área de calibración global; A2) área de proyección regional
Fuente: elaboración propia a partir de los registros de presencia
de Xylella fastidiosa (EFSA, 2018)
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 6

2.2 Procesado de variables bioclimáticas
En el marco global, analizamos la relación entre los registros de presencia de la bacteria y los
factores ambientales y desarrollamos modelos de distribución potencial de Xylella fastidiosa
(Guisan, et al., 2017; Gutiérrez Hernández, et al., 2018; Peterson et al., 2011). Para ello,
utilizamos diecinueve variables bioclimáticas procedentes del repositorio Worldclim 2 (Fick &
Hijmans, 2017) y empleamos la clasificación de Köppen para facilitar la lectura de los factores
bioclimáticos (Kottek et al., 2006). La resolución de los datos ambientales fue de 10 minutos (18,6
x 18,6 Km = 344 km2 en el ecuador) acorde con el sistema de coordenadas geográficas WGS84
(Tabla 1).
Tabla 1. Conjunto de variables bioclimáticas empleadas inicialmente
CÓDIGO
VARIABLE
Bio1 Temperatura media anual
Bio2 Amplitud media diurna
Bio3 Isotermicidad (bio2/bio7) (* 100)
Bio4 Temperatura estacional (desviación estándar * 100)
Bio5 Temperatura máxima del mes más cálido
Bio6 Temperatura mínima del mes más frío
Bio7 Amplitud térmica anual (bio5-bio6)
Bio8 Temperatura media del trimestre más húmedo
Bio9 Temperatura media del trimestre más seco
Bio10 Temperatura media del trimestre más cálido
Bio11 Temperatura media del trimestre más frío
Bio12 Precipitación anual
Bio13 Precipitación del mes más lluvioso
Bio14 Precipitación del mes más seco
Bio15 Precipitación estacional (coeficiente de variación)
Bio16 Precipitación del trimestre más húmedo
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 7

Tabla 1. Continuación
CÓDIGO
VARIABLE
Bio17 Precipitación del trimestre más seco
Bio18 Precipitación del trimestre más cálido
Bio19 Precipitación del trimestre más frío
Fuente: elaboración propia a partir de Wordlclim 2 (Fick & Hijmans, 2017)
Como el uso de todas las variables bioclimáticas en los modelos estadísticos comportaría
problemas de multicolinealidad debido que buena parte de las variables derivadas de temperatura
y precipitación están correlacionadas entre sí, realizamos un Análisis de Componentes Principales
de las variables bioclimáticas proyectadas en cada localización de los registros de presencia de
Xylella fastidiosa (De Marco & Nóbrega, 2018; Dormann et al., 2013). Este análisis estadístico se
realizó en entorno de análisis de datos y producción de gráficos R (R Core Team, 2017).
El Análisis de Componentes Principales (ACP ó PCA, por sus siglas en lengua inglesa) se basa en
la transformación de un conjunto de variables originales, en este caso los datos bioclimáticos, en
otro conjunto de variables –o componentes Principales– obtenidos como combinación lineal de
aquellas (Eastman, 2015). Las nuevas variables conservan toda la información de las variables
primitivas, pero la mayoría de los componentes principales tienen una variabilidad tan pequeña que
pueden ser ignorados, de forma que unos pocos componentes son suficientes para representar y
explicar razonablemente el conjunto de objetos de la muestra sin pérdida importante de información
(Guisande González et al., 2013). Así, el primer componente principal es la combinación lineal de
las variables originales que tiene máxima varianza; el segundo componente es la combinación lineal
de las variables originales con máxima varianza con la condición añadida de que sea independiente
del primero (ortogonal), y así sucesivamente hasta obtener todos los componentes principales.
Cada componente principal explica la máxima variabilidad residual posible, es decir, la que no han
explicado los componentes anteriores. Por tanto, cada componente es independiente entre sí y
contiene información distinta.
Finalmente, la principal ventaja del Análisis de Componentes Principales es precisamente la
reducción de la complejidad de los datos, al pasar de muchas variables a unas pocas. Frente a esta
ventaja, el inconveniente de las nuevas variables está en una reducida pérdida de información y en
el hecho de que las variables originales tienen un significado real del que carecen en general los
componentes, que son mezcla o combinación de variables. En nuestro caso, dada la finalidad
predictiva del modelo de nicho ecológico, seleccionamos los primeras cinco componentes
principales de acuerdo con el criterio de la varianza explicada acumulada (Jackson, 1993).
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 8

2.3 Definición de los drivers en el marco regional
En el marco regional, proyectamos la distribución potencial del patógeno calibrada a nivel mundial
sobre la península Ibérica e Islas Baleares, y establecimos una resolución de 30 segundos (0,93 x
0,93 km = 0,86 km2 en el ecuador), de acuerdo con el sistema de coordenadas WGC84, para
capturar una mayor variabilidad que en las predicciones realizadas con los modelos globales. En
este estadio definido por una mayor resolución espacial, superpusimos los drivers para,
combinados con el modelo de distribución potencial, estimar la exposición de la península Ibérica e
Islas Baleares a la llegada y / o propagación de Xylella fastidiosa.
Denominamos drivers a los factores geográficos que se considera que favorecen la entrada y / o
propagación de las invasiones biológicas. Para respaldar los criterios empleados, realizamos a una
revisión de la literatura científica al respecto (Anderson et al., 2015; Benedetti & Morelli, 2017;
Bertelsmeier et al., 2017; Grosholz, 2018; Meurisse et al., 2018). Entre los drivers consideramos
gradientes de proximidad con respecto a los principales nodos y redes de transporte, espacios
agrícolas donde se importa material biológico y zonas pobladas donde el flujo de personas es
máximo. Aplicamos distintas funciones de pertenencia borrosa según la naturaleza de cada driver
considerado. En conjunto, generamos siete drivers (Tabla 2).
Tabla 2. Conjunto de
drivers
empleados
CÓDIGO
VARIABLE
FUNCIÓN DE PERTINENCIA BORROSA
fuzzy_road Proximidad a carreteras Lineal
fuzzy_crop Proximidad a cultivos Lineal
fuzzy_pob Densidad de población Nut3 Gaussiana
fuzzy_airport Proximidad a aeropuertos Alta difusa
fuzzy_port Proximidad a puertos Alta difusa
fuzzy_urban Proximidad a zonas urbanas Alta difusa
fuzzy_ffcc Proximidad a ferrocarriles Lineal
Fuente: elaboración propia
Con la función lineal, la pertenencia aumenta linealmente con la proximidad. Esta función se aplicó
a las redes de transporte y espacios cultivados. Aplicamos la función gaussiana para penalizar áreas
hiperpobladas y zonas muy despobladas y sobrevalorar valores entorno al promedio, puesto que
consideramos que son los espacios periurbanos y rurales medianamente poblados donde se
introduce mayor material biológico, bien para explotaciones agrícolas o la jardinería urbana y
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 9

residencial. Finalmente, con la función alta difusa, ponderamos positivamente una proximidad por
encima de un umbral establecido cerca de los principales nodos de transporte.
2.4 Diseño del muestreo
En nuestro esquema metodológico, los registros de presencia componen la variable dependiente (y)
que se relaciona con las variables independientes o predictoras (x). Esta relación de y=f(x) que
permite determinar correspondencias es factible mediante métodos estadísticos. En principio,
trabajamos con 1744 registros de presencia de Xylella fastidiosa distribuidos por todo el mundo
(Delbianco et al., 2019), pero diseñamos una estrategia de muestreo para garantizar una mayor
independencia estadística de los datos georreferenciados. En la Figura 3 (derecha), se aprecia el
diseño de muestreo aplicado a todos los registros de presencia del patógeno.
Figura 3. Detalle de la cuadrícula de muestreo (levante de la península Ibérica)
Fuente: elaboración propia a partir de los registros de presencia
de Xylella fastidiosa (EFSA, 2018)
Así, redujimos el tamaño de la muestra con una primera selección aleatoria para así disminuir el
efecto de la autocorrelación espacial de los registros de presencia. Debido a que, posteriormente,
fijaríamos la resolución de los predictores (mapas raster) en una malla de 10 minutos (WGS84),
establecimos un máximo de un punto (registro de presencia) dentro de cada píxel (o factor), para
evitar los efectos negativos que sobre los procedimientos estadísticos tiene la pseudorreplicación
entre variables independientes y variables dependientes (Guisan & Zimmermann, 2000).
En teoría, los registros de ausencia son las localizaciones donde consideramos que la especie no
está presente. Si un registro de presencia es un hecho basado en una o varias observaciones; un
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 10

registro de ausencia tiene una naturaleza más compleja que puede expresar diferentes significados:
una ausencia podría estar causada por cuestiones biogeográficas y/o requisitos ambientales, pero
también por un deficiente esfuerzo de muestreo (Lobo et al., 2010). Dado el carácter invasor de
Xylella fastidiosa, que se encuentra en plena diáspora, descartamos por principio el uso de
registros de ausencia: no tenemos certeza sobre las ausencias (Václavík & Meentemeyer, 2009).
Pero en su lugar, empleamos datos de fondo (o background) para entrenar los modelos. El
background se define como una nube de puntos aleatorios que caracterizan los ambientes del área
de estudio. Bajo este paradigma, los modelos se calibran usando puntos aleatorios en toda el área
de estudio sin una relación de exclusión -las ausencias- predefinida, porque un dato de fondo
puede aparecer incluso sobre un registro de presencia. La clave está en que los métodos de
inteligencia artificial que describiremos a continuación, adecuadamente calibrados y replicados en
distintas iteraciones, tomarán como poco relevante esta excepcionalidad alejada del patrón general.
Por tanto, resulta crítica la selección y calibración de algoritmos procedentes del campo de la
minería de datos. Es el paso siguiente.
2.5 Modelos predictivos y evaluación multicriterio
Empleamos dos potentes algoritmos predictivos: Maxent (Máxima Entropía) y MARS (Multivariate
Adaptative Regression Splines). Maxent es un algoritmo que maximiza la entropía bajo las
restricciones de los factores en busca de la distribución más uniforme posible, y resulta
especialmente útil cuando se dispone de pocos registros de presencia (Phillips et al., 2016; Phillips
& Dudi, 2008). Por su parte, MARS es un algoritmo que permite modelar directamente respuestas
no lineales mediante un suavizado (smoothing) de las variables predictivas (Friedman, 1991). Es un
método de regresión no lineal y no paramétrico, porque trabaja con valores suavizados de cada
variable que en conjunto pueden adoptar una respuesta no lineal y es el propio modelo el que se
ajusta empíricamente generando múltiples curvas (splines).
Desarrollamos 25 réplicas por cada algoritmo, Maxent y MARS, seleccionando los registros de
presencia (y el background) aleatoriamente en cada iteración mediante el procedimiento de
muestreo de Bootstrapping (Efron, 1981). En total, generamos 50 modelos independientes
evaluados sistemáticamente. Por un lado, evaluamos el grado de ajuste de los modelos a partir de
la matriz de confusión representando los resultados en la Curva ROC (acrónimo de Receiver
Operating Characteristic) para obtener el Área Bajo la Curva o AUC (acrónimo de Area Under the
Curve) (Fielding & Bell, 1997). Por otro lado, dado que no empleamos registros de ausencia sensu
stricto en la matriz de confusión, con el AUC no estaríamos determinando realmente una verdadera
capacidad discriminante de los modelos (Lobo, et al., 2008). Complementariamente, estimamos
una medida de calibración que relaciona la probabilidad de ocurrencia estimada por los modelos y
la proporción ocurrencias observadas (Franklin, 2009). Tanto la calibración como la evaluación de
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 11

modelos se realizó empleando la librería “sdm” (Naimi & Araújo, 2016), del entorno de
programación y análisis de datos R.
Evaluado el modelo, proyectamos las predicciones espaciales a partir del ensamblaje de modelos
de nicho ecológico (50 réplicas) y generamos un mapa de distribución potencial global de Xylella
fastidiosa a 10 minutos de resolución espacial.
Finalmente, proyectamos la distribución potencial del organismo patógeno sobre la península
Ibérica e Islas Baleares a mayor detalle (30 segundos de resolución espacial); y estimamos,
además, el grado de exposición de este contexto regional con respecto a la entrada y/o
propagación del patógeno, mediante una superposición difusa los drivers considerados. En el
marco de la superposición difusa (fuzzy overlay), empleamos la función suma difusa, combinación
lineal creciente que está basada en el número de criterios introducidos en el análisis, donde la
evidencia combinada es más importante que cualquier evidencia simple.
3 Resultados
3.1 Reducción de la dimensionalidad de los predictores
En la Figura 4, representamos dos gráficos del ACP. En primer lugar, empleamos el círculo de
correlación de las variables bioclimáticas con los dos primeros componentes principales, que,
conjuntamente, explican el 61,35 % de la varianza de la variación total: el primer componente
contribuye con el 39,45 % y el segundo con el 21,90 %. En general, la mayor parte de las
variables se relacionaron positivamente con el primer eje, excepto bio2, bio4, bio5 y bio7. Tal es la
intensidad de las correlaciones que encontramos posiciones casi idénticas en algunas variables:
bio13 y bio 16; bio 14 y bio17. Las variables más importantes para el segundo eje se relacionaron
con la precipitación con cargas positivas para la precipitación bio14 y bio17, y cargas negativas en
bio15. En el gráfico de sedimentación (Scree plot), se ilustra cómo las primeras cinco componentes
explican el 95 % de la varianza explicada, por lo que el resto de componentes son prescindibles.
Por tanto, seleccionamos las primeras cinco componentes para emplearlas como predictores de los
modelos de nicho ecológico.
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 12

Figura 4. Análisis de componentes principales
Fuente: elaboración propia
3.2 Evaluación de los modelos de nicho ecológico
El conjunto de modelos replicados con distintos datos ofreció un excelente grado de ajuste
(considerado como AUC > 0,90), con valores de AUC por encima de 0,95. Si bien, hay que
aclarar que el AUC calculado con datos de presencia / background informa sobre la capacidad
del modelo para discernir entre un registro de presencia y un dato aleatorio, y no entre un registro
de presencia y otro de ausencia. Por tanto, en este caso, hablamos de grado de ajuste más que de
capacidad discriminante del modelo. Es importante valorar este punto porque nosotros no
empleamos las ausencias ni para calibrar ni para evaluar los modelos dada la problemática de
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 13

difícil solución que representan los registros de ausencia en el caso de las especies invasoras. Por
tanto, la curva ROC y el AUC reportaron otra información muy útil: los modelos fueron ajustados,
estables y mostraron un comportamiento similar en cada réplica, como se aprecia en las réplicas de
cada curva (Figura 5), por lo que estamos en condiciones de ensamblar un conjunto de
predicciones relativamente homogéneas y coherentes en su ajuste.
Figura 5. Curva ROC y AUC
Fuente: elaboración propia
Figura 6. Gráfico de calibración
Fuente: elaboración propia
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 14

Producido el ensamblaje de modelos, el modelo de consenso alcanzó un valor de calibración del
85 % (Figura 6). Como se aprecia, la nube de puntos se situó casi a partes iguales sobre y bajo la
línea que representa la calibración óptima. Esto significa que el modelo ensamblado o de consenso
apenas sobreestima e infraestima en sus predicciones con respecto a las observaciones.
3.3 Distribución potencial global de Xylella fastidiosa
En este punto, presentamos la cartografía de los resultados obtenidos (Figura 7). Nuestros modelos
estimaron un área de distribución potencial global para Xylella fastidiosa que abarca espacios
tropicales, subtropicales y templados situados en todos los continentes (con la excepción de la
Antártida), aunque con especial idoneidad en los espacios subtropicales húmedos y dominios de
clima templado (Grupo C, de acuerdo con la clasificación climática de Köppen), en los que las
temperaturas mínimas permiten la supervivencia del patógeno (Feil & Purcell, 2001).
Figura 7. Distribución potencial global de
Xylella fastidiosa
Fuente: elaboración propia
En el continente americano, origen de la diáspora de X. fastidiosa, es donde encontramos las áreas
más favorables para el patógeno. Destacan el sureste de los Estados Unidos (regiones del Atlántico
Sur, Centro Sureste, Centro Oeste y Pacífico), el sureste de Brasil (regiones Sur y Sudeste) y un
importante pasillo de favorabilidad que conecta los dos hemisferios del continente, en el
piedemonte de la gran cordillera. Por tanto, en este continente encontramos dos grandes factores
para su establecimiento y propagación: favorabilidad y conectividad.
De acuerdo con nuestros modelos, X. fastidiosa también encontraría grandes áreas favorables en el
sur y sudeste del continente africano, donde no se ha informado aún de la presencia del patógeno,
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 15

lo cual no significa que la bacteria no haya llegado, dado que en muchos países africanos no
existen controles fitosanitarios. Australia es otra de las extensas áreas en las que X. fastidiosa no ha
sido detectada todavía. Sin embargo, este subcontinente presenta unas condiciones bioclimáticas
muy favorables para su establecimiento en el sector oriental, donde predomina un clima templado
lluvioso, similar a los climas donde la bacteria encuentra su máxima favorabilidad en América.
Precisamente, en las áreas subtropicales de clima lluvioso es donde nuestros modelos estimaron el
ambiente de máxima favorabilidad bioclimática para el establecimiento de X. fastidiosa, áreas como
el sudeste del continente asiático, donde predomina el denominado clima chino (Clima Cfa, de
acuerdo a Köppen) clima que parece el más favorable para el establecimiento de este patógeno.
En el continente euroasiático, se proyecta un importante corredor favorable que conecta la
península Ibérica y el extremo oriental del continente asiático y que transita por zonas
eminentemente subtropicales en ambas fachadas de la cuenca mediterránea y penetra por los valles
de Oriente Medio y el piedemonte meridional del Himalaya, hasta llegar al extremo oriental de Asia
donde encontramos el genuino clima chino. Xylella fastidiosa ha sido detectada en numerosos
puntos siguiendo este pasillo, lo que sugiere que la conectividad de las áreas favorables podría
explicar en parte su dispersión. En el contexto de este corredor, encontramos climas Csa y Csb
(Köppen), también con un componente subtropical pero donde la estación seca coincide con el
verano, a diferencia de los climas tropicales lluviosos.
Por último, apenas encontramos zonas mediadamente favorables para el establecimiento del
patógeno más allá de los 40–50º de latitud. Estas las hallamos mayoritariamente en el hemisferio
norte y, en especial, en las zonas occidentales del continente europeo, más templadas por la
acción de la Corriente del Atlántico Norte. Nótese que trabajamos con algunos registros de
presencia reportados en Canadá, aunque es probable que estos casos se hayan producido en
condiciones muy excepcionales en el espacio y en el tiempo, de ahí que nuestros modelos no
hayan proyectado favorabilidad en la vecindad de los registros de presencia reportados en estos
enclaves. Las temperaturas mínimas de los climas D (Köppen) limitan la dispersión.
3.4 Exposición de la península Ibérica e Islas Baleares a Xylella fastidiosa
En la Figura 8, se ilustra la proyección de la distribución potencial de Xylella fastidiosa en la
península Ibérica e Islas Baleares, como resultado del downscaling estadístico de los modelos
calibrados y ensamblados con los registros de presencia y variables bioclimáticas de todo el
mundo.
Lo primero que llama la atención es que el área de distribución potencial proyectada por los
modelos coincide, en sus valores de máxima favorabilidad, con los registros de presencia de
Xylella fastidiosa localizados en Islas Baleares, donde primero se ha reportado la presencia del
patógeno en España. Recordamos que los modelos de distribución potencial se han calibrado con
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 16

datos de todo el mundo y en buena parte de las iteraciones las respectivas réplicas de los modelos
pueden no haber utilizado registros de presencia de esta zona.
Figura 8. Distribución potencial de
Xylella fastidiosa
proyectada
en la península Ibérica e islas Baleares
Fuente: elaboración propia
De acuerdo con nuestros modelos, la península Ibérica presenta dos grandes áreas favorables para
el establecimiento de Xylella fastidiosa. La primera de ellas es el cuadrante sudoccidental,
caracterizado por las temperaturas elevadas y unas precipitaciones relativamente abundantes en
invierno. Le sigue la fachada mediterránea, desde la costa de Alicante (donde el patógeno ya está
presente) hasta la costa de Gerona. Hacia el sudeste, nuestros modelos encuentran áreas
favorables, pero con valores más bajos de favorabilidad, debido a la mayor aridez que presenta
este dominio. Esto mismo ocurre en la submeseta sur, en la que la favorabilidad está constreñida
por otro factor limitante, la incidencia de las heladas, si bien este factor no llega a proyectar un área
totalmente desfavorable. Prueba de ello es el positivo detectado en un olivar de la Comunidad de
Madrid (Jeger et al., 2018). Todo lo contrario, sucede en la submeseta norte y, sobre todo, en las
zonas más elevadas de los principales sistemas montañosos de la península, donde encontramos
áreas desfavorables para el establecimiento de X. fastidiosa, especialmente por la incidencia de las
bajas temperaturas.
En la Figura 9, se representa una cartografía que integra por superposición difusa el conjunto de
drivers o factores geográficos que pueden facilitar la introducción y/o propagación de Xylella
fastidiosa. Esta cartografía es producto de funciones de pertenencia difusa (Fuzzy Membership)
aplicadas a cada uno de los factores o drivers y de la superposición difusa del conjunto.
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 17

De acuerdo con los drivers, las áreas más expuestas a la entrada y dispersión del patógeno son,
fundamentalmente, los espacios interiores próximos a la costa en los que predominan las
actividades agrarias, soportan densidades de población intermedias y se hallan bien comunicados.
Por el contrario, los vacíos demográficos de las áreas del interior de la península constituyen los
espacios menos expuestos a la entrada y propagación de Xylella fastidiosa.
Figura 9. Integración
drivers
y favorabilidad para la dispersión de
Xylella fastidiosa
Fuente: elaboración propia
Figura 10. Modelo de exposición de la península Ibérica
e islas Baleares a
Xylella fastidiosa
Fuente: elaboración propia
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 18

Por último, en la Figura 10 se ilustra la cartografía final que representa la exposición de la península
Ibérica e Islas Baleares a la entrada y / o propagación de Xyella fastidiosa. Esta cartografía es
producto de la superposición difusa de los resultados representados en las figuras 8 y 9.
Concluyendo, de acuerdo con nuestros modelos, las áreas más expuestas a la propagación de
Xylella fastidiosa son fundamentalmente las situadas en las zonas periféricas y más deprimidas del
conjunto del área de estudio, incluida la costa del norte de la península Ibérica. Si bien,
encontramos una máxima exposición en el suroeste de la península Ibérica, Levante e Islas Baleares.
4 Discusión
4.1 Posibilidades y limitaciones de los modelos
La inferencia estadística aporta una base matemática, fundamentada en la teoría de nichos
ecológicos, para generalizar y proyectar modelos más allá del área de calibración (Franklin, 1995;
Gallien et al., 2010; Guisan et al., 2017; Peterson et al., 2011).
Sin embargo, no son pocas las investigaciones que se realizan sólo con registros de presencia
localizados en el área donde ha comenzado a producirse la invasión, lo cual introduce un sesgo de
muestreo fundamental puesto que podríamos estar omitiendo rangos de tolerancia ambiental que
las especies invasoras pueden soportar en otros lugares donde ya está presente (Václavík &
Meentemeyer, 2012). En este sentido, la transferibilidad de modelos entre nichos de calibración
(área nativa) y proyección (área invadible) también resultan problemáticas (Zhu & Peterson, 2017).
Con respecto al primer caso, un grupo de investigadores italianos publicó un artículo sobre la
distribución potencial de Xylella fastidiosa en Italia (Bosso et al., 2016). En este trabajo, los autores
calibran un modelo de máxima entropía con registros de presencia localizados únicamente en la
región italiana de Apulia, donde el patógeno está presente desde el año 2013, y predicciones
proyectadas hacia el conjunto de Italia, y obtuvieron un AUC del 0,971. En otro trabajo, los mismos
autores hicieron lo propio proyectando las predicciones para el conjunto de la Cuenca
Mediterránea (Bosso et al., 2016). En ambos artículos, estos autores se refieren a una “excelente
capacidad predictiva de los modelos” y una “fuerte validación estadística de los modelos”. En un
trabajo posterior (Gutiérrez Hernández & García, 2018), en el que desarrollamos diferentes
modelos de distribución potencial de X. fastidiosa en la península Ibérica e islas Baleares, basado
en los registros de presencia del citado archipíelago, señalamos las limitaciones de tales
afirmaciones. Los modelos de nicho ecológico basados en datos bioclimáticos infraestiman las
distribuciones potenciales cuando interviene el ser humano como vector de las especies, pues
proyectan distribuciones demasiado ajustadas, especialmente cuando se emplean registros de
presencia localizados en una región muy característica (Ramírez-Albores et al., 2016).
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 19

A menudo se emplea el término validación con un uso que no es el estrictamente correcto, porque
es imposible validar íntegramente el modelo numérico de un sistema natural (Oreskes et al., 1994).
Insistimos en que el AUC es una métrica que se emplea para medir la capacidad discriminante o el
grado de ajuste de los modelos. Cuando se evalúa la capacidad discriminante de un modelo, no se
trata de buscar el valor más elevado, porque es relativamente sencillo encontrarlo -basta con
ampliar el área de estudio-, sino de justificar cómo y por qué se ha diseñado el área de calibración
y cuál es el contenido y sentido con el que se utiliza el AUC.
Por otra parte, las métricas discriminantes quizás no sean las más adecuadas para trabajar con
registros incompletos de especies invasoras en el nuevo rango de invasión cuando estas se
encuentran en los estadios iniciales. Por eso, en el presente trabajo, además de emplear una
medida de ajuste como el AUC, implementamos también una medida de calibración.
Las especies invasoras no se encuentran en equilibrio con las condiciones del medio en los estadios
iniciales de las invasiones biológicas (Václavík & Meentemeyer, 2012). Conviene esclarecer los
conceptos y las limitaciones de unos modelos que a menudo distan mucho de ser infalibles
(Jiménez-Valverde et al., 2008). Por ejemplo, es necesario que el extent o área de calibración de
los modelos esté plenamente justificado (Barve et al., 2011). Algunos autores recomiendan trabajar
con el conjunto más amplio de datos disponible sobre la especie invasora, tanto en el rango nativo
de su distribución como en el área dónde aparece como organismo invasor (Jiménez-Valverde
et al., 2011). El problema está en que no siempre están disponibles esos datos y en muchos casos
las administraciones públicas no facilitan el acceso a los mismos, lo que dificulta el desarrollo de
trabajo cuando éste resulta más necesario, esto es, antes de que una potencial especie invasora
haya irrumpido y producido un daño irreparable.
Este fue el motivo principal por el que decidimos trabajar con los registros de presencia de Xylella
fastidiosa de todo el mundo, porque se trata de modelizar el más amplio rango de tolerancias
ambientales posible. Y aún en este supuesto, hay especies invasoras que pueden sobrevivir más
allá de su rango de tolerancias ambientales conocido (Parker et al., 2013). Desde el punto de vista
biogeográfico, los procesos de especiación han estado limitados por barreras biogeográficas
(Barve et al., 2011). Esto viene a significar que las especies tenderán a estar adaptadas a las
condiciones ambientales de su área de distribución, pero no invalida el supuesto de que una
especie dada pudiera soportar un rango de tolerancias ambientales más amplio cuando desaparece
el efecto de barrera biogeográfica, hecho que concurre cuando las actividades humanas movilizan
organismos de un lugar a otro del planeta. Complementariamente, los modelos de nicho serían más
eficaces desde el punto de vista de la predicción de las invasiones biológicas si contemplaran,
además, los nichos ecológicos y los patrones de dispersión de los organismos vectores que
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 20

dispersan los patógenos (Cruaud et al., 2018), en tanto que estos pueden facilitar una rápida
propagación del patógeno en la península (Lopes et al., 2014; Morente et al., 2018).
4.2 Una aproximación multidisciplinar: aportaciones de la Geografía
Superadas -en la medida de las posibilidades- las limitaciones de los modelos de nicho ecológico,
estimamos la exposición de la península Ibérica con respecto a Xylella fastidiosa. Lo hicimos
integrando mediante operaciones de superposición difusa el conjunto de drivers o factores
geográficos que pueden favorecer la introducción de la especie invasora movilizada por las
actividades humanas.
Hay que tener presente que el modelo de nicho nos puede informar acerca de hasta dónde puede
llegar una especie en función de su rango de tolerancias ambientales. Esta información es
necesaria, en tanto que representa una causa necesaria, esto es, si el factor ecológico es
desfavorable para un organismo exótivo, la invasión no ocurrirá. Pero necesitamos conocer,
además, las condiciones o causas suficientes, que combinadas con las causas necesarias
desencadenan los factores de riesgo. En este sentido, la evidencia empírica manifiesta el poder
explicativo de los factores geográficos que hemos denominado drivers, en tanto que suelen ser los
gradientes de proximidad, de densidad de población o intensidad de los flujos los que suelen estar
más relacionados con movimientos más intensos de material biológico. Por un lado, respaldamos
esta información basándonos en investigaciones previas (Dalmazzone & Giaccaria, 2014; Packer et
al., 2017; Seebens et al., 2015). Por otro, hemos demostrado empíricamente cómo allí donde hay
registros de Xylellla fastidiosa (Islas Baleares, Alicante) se asocia una alta idoneidad ecológica con
una baja impedancia (resistencia) del medio geográfico.
No cabe duda de que las invasiones biológicas están revolucionando el concepto de Biogeografía,
y que, entendida esta disciplina como una ciencia geográfica, hemos de reconsiderar que la
distribución geográfica de las especies en el Antropoceno va mucho más allá de lo que expone el
clásico argumentario acerca de las tolerancias ambientales y los procesos de dispersión de los
organismos de la biosfera (Gallardo & Vila, 2019). A pesar de las críticas, los modelos de nicho
ecológico siguen demostrando su utilidad en la predicción de invasiones biológicas (Barbet-Massin
et al., 2018), aunque infraestiman la distribución potencial de los organismos exóticos,
especialmente en casos donde intervienen huespedes y vectores, cuyas tolerancias ambientales
amplían el espectro de la incertidumbre (Escobar & Craft, 2016). A los vectores naturales, como
geógrafos, debemos añadir el pricipal vector: el ser humano (Banks et al., 2015).
La estimación del riesgo de exposición a la llegada y propagación de especies invasoras supone un
auténtico desafío metodológico que necesariamente requiere una aproximación multidisciplinar
(Ricciardi et al., 2017). En el seno de las investigaciones geográficas urge también una
reconducción de alguno de sus campos de conocimiento más allá de la Biogeografía (Murray et
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 21

al., 2018); es necesario, por citar uno de sus campos tradicionales, un replanteamiento de la
Geografía Agraria, sumida en una profundo declive por la obsolescencia de sus intereses,
enfoques y estrategias metodológicas, pero cuyo campo de estudio la sitúa ante un abanico de
posibilidades infinitas (Katinas & Crisci, 2018; Robinson, 2018). Otra geografía emergente, la
geografía de los espacios y destinos turísticos, tiene frente a sí un campo de estudio apenas
explorado, aquel que relaciona turismo y propagación de especies exóticas. La evidencia
demuestra, por ejemplo, que la abundancia y riqueza de especies exóticas es significativamente
mayor en los sitios en los que se realizan actividades turísticas (Anderson et al., 2015).
En conclusión, la nueva Biogeografía debe priorizar el estudio de los riesgos biológicos vinculados
con la globalización (Cope et al., 2017) y ocuparse también del estado de salud de la Tierra
(Murray et al., 2018), prestando especial atención a la incidencia del cambio climático en la
redistribución natural y antrópica de la biodiversidad (Wang et al., 2017), y priorizando la
planificación y la prevención, dado que los estadios iniciales de las invasiones biológicas son los
que concentran los mayores impactos en los ecosistemas y agrosistemas (Závorka et al., 2018). En
el marco global del Antropoceno, se requiere una acción colectiva y coordinada que minimice los
principales riesgos ambientales de nuestra época (Steffen et al., 2018).
5 Conclusiones
En este trabajo hemos desarrollado modelos de nicho ecológico para estimar la distribución
potencial global de Xylella fastidiosa. Ensamblamos dichas estimas a escala regional (península
Ibérica e Islas Baleares) con drivers que pueden favorecer los procesos de dispersión observados
en el patógeno.
A escala global, nuestros modelos han estimado una amplia distribución potencial de Xylella
fastidiosa en latitudes medias, con valores de favorabilidad máximos en áreas con predominio de
climas templados y húmedos. A nivel regional, estimamos que existe un gran potencial bioclimático
para el establecimiento de X. fastidiosa en las zonas periféricas de la península Ibérica y Baleares y,
especialmente, en el suroeste de la península y en la fachada mediterránea. En general, las áreas
más expuestas a la entrada y dispersión del patógeno se corresponden con los espacios interiores
próximos a la costa en los que predominan las actividades agrarias, soportan densidades de
población intermedias y se hallan bien comunicados.
Tanto los resultados obtenidos como la metodología aplicada representan una novedad. Por un
lado, se trata de la primera estima global de distribución potencial de Xylella fastiosa basada en un
ensamblaje de modelos. Por otro lado, es la primera vez que se integran la modelización de nichos
ecológicos y las técnicas de evaluación multicriterio, basadas en funciones de pertenencia y
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 22

superposición borrosas, para representar un modelo de exposición regional a un organismo exótico
como X. fastidiosa.
Los resultados evidencian la enorme importancia y utilidad de la información espacial y sitúa a la
geografía (y a la Geografía, como disciplina) en el centro de la investigación de los procesos de
contagio espacial, en el contexto de la gestión de los riesgos biológicos. En este sentido, futuros
trabajos deberían avanzar en el terreno de la caracterización y discusión de la influencia de los
principales drivers involucrados en la propagación de las especies exóticas, más allá de la
estimación de las distribuciones potenciales basada en los modelos de nicho ecológico. En el
Antropoceno, la estimación fidedigna de los riesgos biológicos trasciende la teoría de la
probabilidad y se interna en complejo mundo de la teoría de los conjuntos borrosos.
Declaración responsable: Las/os autoras/es declaran que no existe ningún conflicto de interés
en relación con la publicación de este artículo. Las tareas se han distribuido de la siguiente manera:
Oliver Gutiérrez Hernández, diseño de la investigación, análisis de datos y redacción del
manuscrito original; Luis V. García: revisión crítica, correcciones y aportaciones sobre aspectos
relacionados con la biología, el análisis de datos y la redacción.
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 23

Bibliografía
Almeida, R. P. P., Coletta-Filho, H. D., & Lopes, J. R. S. (2014). Xylella fastidiosa. In Manual of
Security Sensitive Microbes and Toxins (pp. 841–850). Boca Raton (Florida, US): CRC Press.
Almeida, R. P. P., & Purcell, A. H. (2003). Biological Traits of Xylella fastidiosa Strains from Grapes
and Almonds. Applied and Environmental Microbiology, 69(12), 7447–7452.
https://doi.org/10.1128/AEM.69.12.7447-7452.2003
Anderson, L. G., Rocliffe, S., Haddaway, N. R., & Dunn, A. M. (2015). The role of tourism and
recreation in the spread of non-native species: A systematic review and meta-analysis. PLoS ONE,
10(10), 1–15. https://doi.org/10.1371/journal.pone.0140833
Araújo, W. L., Marcon, J., Maccheroni, W., Van Elsas, J. D., Van Vuurde, J. W. L., & Azevedo, J.
L. (2002). Diversity of endophytic bacterial populations and their interaction with Xylella fastidiosa in
citrus plants. Applied and Environmental Microbiology, 68(10), 4906–4914.
https://doi.org/10.1128/AEM.68.10.4906-4914.2002
Ayala Carcedo, F. J., & Olcina Cantos, J. (2002). Riesgos naturales. Barcelona: Ariel.
Banks, N. C., Paini, D. R., Bayliss, K. L., & Hodda, M. (2015). The role of global trade and
transport network topology in the human-mediated dispersal of alien species. Ecology Letters, 18(2),
188–199. https://doi.org/10.1111/ele.12397
Barbet-Massin, M., Rome, Q., Villemant, C., & Courchamp, F. (2018). Can species distribution
models really predict the expansion of invasive species? PLoS ONE, 13(3), 1–14.
https://doi.org/10.1371/journal.pone.0193085
Barve, N., Barve, V., Jiménez-Valverde, A., Lira-Noriega, A., Maher, S. P., Peterson, A. T., &
Villalobos, F. (2011). The crucial role of the accessible area in ecological niche modeling and
species distribution modeling. Ecological Modelling, 222(11), 1810–1819.
https://doi.org/10.1016/j.ecolmodel.2011.02.011
Benedetti, Y., & Morelli, F. (2017). Spatial mismatch analysis among hotspots of alien plant species,
road and railway networks in Germany and Austria. PLoS ONE, 12(8).
https://doi.org/10.1371/journal.pone.0183691
Bertelsmeier, C., Ollier, S., Liebhold, A., & Keller, L. (2017). Recent human history governs global
ant invasion dynamics. Nature Ecology and Evolution, 1(7). https://doi.org/10.1038/s41559-017-
0184
Bosso, L., Di Febbraro, M., Cristinzio, G., Zoina, A., & Russo, D. (2016). Shedding light on the
effects of climate change on the potential distribution of Xylella fastidiosa in the Mediterranean basin.
Biological Invasions, 18(6), 1759–1768. https://doi.org/10.1007/s10530-016-1118-1
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 24

Bosso, L., Russo, D., Di Febbraro, M., Cristinzio, G., & Zoina, A. (2016). Potential distribution of
Xylella fastidiosa in Italy: a maximum entropy model. Phytopathologia Mediterranea, 55(1), 62–72.
https://doi.org/10.14601/Phytopathol
Bucci, E. M. (2018). Xylella fastidiosa, a new plant pathogen that threatens global farming:
Ecology, molecular biology, search for remedies. Biochemical and Biophysical Research
Communications, 502(2), 173–182. https://doi.org/10.1016/j.bbrc.2018.05.073
Capinha, C., Essl, F., Seebens, H., Moser, D., & Pereira, H. M. (2015). The dispersal of alien
species redefines biogeography in the Anthropocene. Science, 348(6240), 1248–1251.
https://doi.org/10.1126/science.aaa8913
Carlucci, A., Lops, F., Marchi, G., Mugnai, L., & Surico, G. (2013). Has Xylella fastidiosa
“chosen” olive trees to establish in the mediterranean basin? Phytopathologia Mediterranea, 52(3),
541–544. https://doi.org/doi: 10.14601/Phytopathol_Mediterr-13623
Chatterjee, S., Almeida, R. P. P., & Lindow, S. (2008). Living in two Worlds: The Plant and Insect
Lifestyles of Xylella fastidiosa. Annual Review of Phytopathology, 46(1), 243–271.
https://doi.org/10.1146/annurev.phyto.45.062806.094342
Colautti, R., Colautti, R., Parker, J. D., Cadotte, M. W., Pyšek, P., Brown, C. S., & Richardson, D.
(2014). Quantifying the invasiveness of species. NeoBiota, 21, 7–27.
https://doi.org/10.3897/neobiota.21.5310
Cope, R. C., Ross, J. V., Wittmann, T. A., Watts, M. J., & Cassey, P. (2017). Predicting the Risk of
Biological Invasions Using Environmental Similarity and Transport Network Connectedness. Risk
Analysis. https://doi.org/10.1111/risa.12870
Cruaud, A., Gonzalez, A. A., Godefroid, M., Nidelet, S., Streito, J. C., Thuillier, J. M., & Rasplus,
J. Y. (2018). Using insects to detect, monitor and predict the distribution of Xylella fastidiosa: a case
study in Corsica. Scientific Reports, 8(1). https://doi.org/10.1038/s41598-018-33957-z
Dalmazzone, S., & Giaccaria, S. (2014). Economic drivers of biological invasions: A worldwide,
bio-geographic analysis. Ecological Economics, 105, 154–165.
https://doi.org/10.1016/j.ecolecon.2014.05.008
De Marco, P., & Nóbrega, C. C. (2018). Evaluating collinearity effects on species distribution
models: An approach based on virtual species simulation. PLoS ONE, 13(9).
https://doi.org/10.1371/journal.pone.0202403
Delbianco, A., Czwienczek, E., Pautasso, M., Kozelska, S., Monguidi, M., & Stancanelli, G.
(2019). A new resource for research and risk analysis: the updated European Food Safety Authority
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 25

database of Xylella spp. host plant species. Phytopathology. https://doi.org/10.1094/PHYTO-09-
18-0343-A
Dormann, C. F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carré, G., & Lautenbach, S. (2013).
Collinearity: A review of methods to deal with it and a simulation study evaluating their performance.
Ecography, 36(1), 027–046. https://doi.org/10.1111/j.1600-0587.2012.07348.x
Eastman, J. R. (2015). TerrSet: Geospatial Monitoring and Modeling Software (Software Manual).
Worcester MA (USA): Clark University. More information at https://clarklabs.org/terrset/
Eastman, R. (1999). Multi-criteria evaluation and GIS. Geographical Information Systems, 1(1),
493–502.
Efron, B. (1981). Nonparametric estimates of standard error: The jackknife, the bootstrap and other
methods. Biometrika, 68(3), 589–599.
Elith, J. (2017). Predicting distributions of invasive species. In A. P. Robinson, T. Walshe, M. A.
Burgman & M. Nunn (Eds.), Invasive Species: Risk Assessment and Management (pp. 93–129).
Cambridge University Press. https://doi.org/10.1017/9781139019606.006
Escobar, L. E., & Craft, M. E. (2016). Advances and limitations of disease biogeography using
ecological niche modeling. Frontiers in Microbiology, 7(AUG), 1–21.
https://doi.org/10.3389/fmicb.2016.01174
Essl, F., Bacher, S., Blackburn, T. M., Booy, O., Brundu, G., Brunel, S., & Jeschke, J. M. (2015).
Crossing Frontiers in Tackling Pathways of Biological Invasions. BioScience, 65(8), 769–782.
https://doi.org/10.1093/biosci/biv082
Feil, H., & Purcell, A. H. (2001). Temperature-Dependent Growth and Survival of Xylella fastidiosa
in Vitro and in Potted Grapevines. Plant Disease, 85(12), 1230–1234.
https://doi.org/10.1094/PDIS.2001.85.12.1230
Fick, S., & Hijmans, R. . (2017). Worldclim 2: New 1-km spatial resolution climate surfaces for
global land areas. International Journal of Climatology, 37(12), 4302–4315.
https://doi.org/10.1002/joc.5086
Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of prediction errors in
conservation presence/absence models. Environmental Conservation, 24(1), 38–49.
Franklin, J. (1995). Predictive vegetation mapping: geographic modelling of biospatial patterns in
relation to environmental gradients. Progress in Physical Geography, 19, 474–499.
Franklin, J. (2009). Mapping Species Distributions: Spatial Inference and Prediction (Ecology,
Biodiversity and Conservation). New York: Cambridge University Press.
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 26

Friedman, J. H. (1991). Multivariate Adaptive Regression Splines. The Annals of Statistics, 19(1), 1–
67. https://doi.org/10.1214/aos/1176347963
Gallardo, B., & Vila, L. (2019). La influencia humana, clave para entender la Biogeografía de
especies invasoras en el Antropoceno. Cuadernos de Investigación Geográfica, 45 (Unpublished).
https://doi.org/http://doi.org/10.18172/cig.3627
Gallien, L., Münkemüller, T., Albert, C. H., Boulangeat, I., & Thuiller, W. (2010). Predicting
potential distributions of invasive species: where to go from here? Diversity and Distributions, 16(3),
331–342.
Giampetruzzi, A., Velasco-Amo, M. P., Marco-Noales, E., Montes-Borrego, M., Román-Écija, M.,
Navarro, I., & Landa, B. B. (2018). Draft Genome Resources of Two Strains (“ESVL” and
“IVIA5901”) of Xylella fastidiosa Associated with Almond Leaf Scorch Disease in Alicante, Spain.
Phytopathology, (October), PHYTO-09-18-032. https://doi.org/10.1094/PHYTO-09-18-0328-A
Grosholz, E. D. (2018). New sources for the emergence of new invaders. Proceedings of the
National Academy of Sciences, 115(10), 2270–2271.
https://doi.org/10.1073/pnas.1800257115
Guisan, A., Thuiller, W., & Zimmermann, N. E. (2017). Habitat Suitability and Distribution Models:
With Applications in R. Cambridge: Cambridge University Press.
https://doi.org/10.1017/9781139028271
Guisan, A., & Zimmermann, N. E. (2000). Predictive habitat distribution models in ecology.
Ecological Modelling, 135(2–3), 147–186.
Guisande González, C., Vaamonde Liste, A., & Barreiro Felpeto, A. (2013). Tratamiento de datos
con R, STATISTICA y SPSS. Madird: Ediciones Díaz de Santos.
Gutiérrez Hernández, O., Cámara-Artigas, R., Senciales-González, J. M., & García, L. V. (2018).
Modelos predictivos en Biogeografía : aplicación para la modelización de nichos ecológicos en
Geografía Física applying ecological niche modelling in Physical Geography. Boletin de La
Asociacion de Geógrafos Espanoles, 78, 88–126. http://dx.doi.org/10.21138/bage.2395
Gutiérrez Hernández, O., & García, L. V. (2018). Incidencia de Xylella fastidiosa en las Islas
Baleares y distribución potencial en la península ibérica. Investigaciones Geográficas, 69, 55–72.
https://doi.org/10.14198/INGEO2018.69.04
Hopkins, D. L. (1989). Xylella fastidiosa: Xylem-Limited Bacterial Pathogen of Plants. Annual Review
of Phytopathology, 27, 271–290. https://doi.org/10.1146/annurev.py.27.090189.001415
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 27

Jackson, D. A. (1993). Stopping Rules in Principal Components Analysis: A Comparison of
Heuristical and Statistical Approaches. Ecology, 74(8), 2204–2214.
https://doi.org/10.11400/kekkaku1923.50.8_229
Janse, J. D., & Obradovic, A. (2010). Xylella fastidiosa: Its biology, diagnosis, control and risks.
Journal of Plant Pathology. https://doi.org/10.4454/JPP.V92I1SUP.2504
Jeger, M., Caffier, D., Candresse, T., Chatzivassiliou, E., Dehnen‐Schmutz, K., Gilioli, G., &
Bragard, C. (2018). Updated pest categorisation of Xylella fastidiosa. EFSA Journal, 16(7).
https://doi.org/10.2903/j.efsa.2018.5357
Jiang, H., & Eastman, J. R. (2000). Application of fuzzy measures in multi-criteria evaluation in GIS.
International Journal of Geographical Information Science, 14(2), 173–184.
https://doi.org/10.1080/136588100240903
Jiménez-Valverde, A., Lobo, J. M., & Hortal, J. (2008). Not as good as they seem: the importance
of concepts in species distribution modelling. Diversity and Distributions, 14(6), 885–890.
Jiménez-Valverde, A., Peterson, A. T., Soberón, J., Overton, J. M., Aragón, P., & Lobo, J. M.
(2011). Use of niche models in invasive species risk assessments. Biological Invasions, 13(12),
2785–2797.
Katinas, L., & Crisci, J. V. (2018). Agriculture Biogeography: An emerging discipline in search of a
conceptual framework. Progress in Physical Geography, 42(4), 513–529.
https://doi.org/10.1177/0309133318776493
Kottek, M., Grieser, J., Beck, C., Rudolf, B., & Rubel, F. (2006). World Map of Köppen−Geiger
Climate Classification. Meteorologische Zeitschrift, 15, 259–263. https://doi.org/10.1127/0941-
2948/2006/0130
Landa, B., Marco-Noales, E., & López, M. M. (2017). Enfermedades causadas por la bacteria
Xylella fastidiosa. Cajamar Caja Rural.
Lima, J. E. O. De, Miranda, V. S., Hartung, J. S., Brlansky, R. H., Coutinho, A., Roberto, S. R., &
Carlos, E. F. (1998). Coffee Leaf Scorch Bacterium : Axenic Culture, Pathogenicity and Comparison
with Xylella fastidiosa of Citrus. Plant Disease, 82(1), 94–97.
https://doi.org/10.1094/PDIS.1998.82.1.94
Lobo, J. M., Jiménez-Valverde, A., & Hortal, J. (2010). The uncertain nature of absences and their
importance in species distribution modelling. Ecography, 33(1), 103–114.
Lobo, J. M., Jiménez-Valverde, A., & Real, R. (2008). AUC: a misleading measure of the
performance of predictive distribution models. Global Ecology and Biogeography, 17(2), 145–
151.
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 28

Loconsole, G., Potere, O., Boscia, D., Altamura, G., Djelouah, K., Elbeaino, T., & Saponari, M.
(2014). Detection of Xylella fastidiosa in olive trees by molecular and serological methods. Journal
of Plant Pathology. https://doi.org/10.4454/JPP.V96I1.041
Lopes, J. R. S., Landa, B. B., & Fereres, A. (2014). A survey of potential insect vectors of the plant
pathogenic bacterium Xylella fastidiosa in three regions of Spain. Spanish Journal of Agricultural
Research, 12(3), 795–800. https://doi.org/10.5424/sjar/2014123-5613
Mang, S. M., Frisullo, S., Elshafie, H. S., & Camele, I. (2016). Diversity evaluation of Xylella
fastidiosa from infected olive trees in Apulia (Southern Italy). Plant Pathology Journal, 32(2), 102–
111. https://doi.org/10.5423/PPJ.OA.08.2015.0153
Mansfield, J., Genin, S., Magori, S., Citovsky, V., Sriariyanum, M., Ronald, P., & Foster, G. D.
(2012). Top 10 plant pathogenic bacteria in molecular plant pathology. Molecular Plant Pathology,
13(6), 614–629. https://doi.org/10.1111/j.1364-3703.2012.00804.x
Meurisse, N., Rassati, D., Hurley, B. P., Brockerhoff, E. G., & Haack, R. A. (2018). Common
pathways by which non-native forest insects move internationally and domestically. Journal of Pest
Science. https://doi.org/10.1007/s10340-018-0990-0
Miraldo, A., Li, S., Borregaard, M. K., Flórez-rodríguez, A., Gopalakrishnan, S., Rizvanovic, M., &
Nogués-bravo, D. (2016). An Anthropocene map of genetic diversity. Science, 353(6307), 1532–
1535. https://doi.org/10.1126/science.aaf4381
Montz, B. E., & Tobin, G. A. (2011). Natural hazards: An evolving tradition in applied geography.
Applied Geography, 31(1), 1–4. https://doi.org/10.1016/j.apgeog.2010.06.005
Morente, M., Cornara, D., Moreno, A., & Fereres, A. (2018). Continuous indoor rearing of
Philaenus spumarius, the main European vector of Xylella fastidiosa. Journal of Applied Entomology,
142(9), 901–904. https://doi.org/10.1111/jen.12553
Morente, M., Cornara, D., Plaza, M., Durán, J., Capiscol, C., Trillo, R., Fereres, A. (2018).
Distribution and Relative Abundance of Insect Vectors of Xylella fastidiosa in Olive Groves of the
Iberian Peninsula. Insects, 9(4), 175. https://doi.org/10.3390/insects9040175
Murray, K. A., Olivero, J., Roche, B., Tiedt, S., & Guégan, J. F. (2018). Pathogeography:
leveraging the biogeography of human infectious diseases for global health management.
Ecography, 41(9), 1411–1427. https://doi.org/10.1111/ecog.03625
Murray, K. A., Preston, N., Allen, T., Zambrana-Torrelio, C., Hosseini, P. R., & Daszak, P. (2015).
Global biogeography of human infectious diseases. Proceedings of the National Academy of
Sciences, 112(41), 12746–12751. https://doi.org/10.1073/pnas.1507442112
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 29

Naimi, B., & Araújo, M. B. (2016). sdm: a reproducible and extensible R platform for species
distribution modelling. Ecography, 39(4), 368–375. https://doi.org/10.1111/ecog.01881
Nunney, L., Ortiz, B., Russell, S. A., Sánchez, R. R., & Stouthamer, R. (2014). The complex
biogeography of the plant pathogen Xylella fastidiosa: Genetic evidence of introductions and
subspecific introgression in central America. PLoS ONE.
https://doi.org/10.1371/journal.pone.0112463
Oreskes, N., Shrader-Frechette, K., & Belitz, K. (1994). Verification, Validation, and Confirmation of
Numerical Models in the Earth Sciences. Science, 263(5147), 641–646.
https://doi.org/10.1126/science.263.5147.641
Packer, J. G., Meyerson, L. A., Richardson, D. M., Brundu, G., Allen, W. J., Bhattarai, G. P., &
Pyšek, P. (2017). Global networks for invasion science: benefits, challenges and guidelines.
Biological Invasions, 19(4), 1081–1096. https://doi.org/10.1007/s10530-016-1302-3
Parker, J. D., Torchin, M. E., Hufbauer, R. A., Bossdorf, O., Byers, J. E., Dunn, A. M., & Wolfe, L.
(2013). Do invasive species perform better in their new range. Ecology, 94(5), 1–8.
https://doi.org/10.1890/12-1810.1
Peterson, A. T., Soberón, J., Pearson, R. G., Anderson, R. P., Martínez-Meyer, E., Nakamura, M.,
& Bastos Araujo, M. (2011). Ecological niches and geographic distributions (Vol. 49). Princeton,
NJ: Princeton University Press.
Phillips, S. J., Anderson, R. P., Dudík, M., Schapire, R. E., & Blair, M. E. (2016). Opening the
black box: an open-source release of Maxent. Ecography. https://doi.org/10.1111/ecog.02537
Phillips, S. J., & Dudi, M. (2008). Modeling of species distributions with Maxent : new extensions
and a comprehensive evaluation. Ecography, 31, 161–175.
Pimentel, D., Zuniga, R., & Morrison, D. (2005). Update on the environmental and economic costs
associated with alien-invasive species in the United States. Ecological Economics.
https://doi.org/10.1016/j.ecolecon.2004.10.002
Purcell, A. H. (1997). Xylella fastidiosa, a regional problem or global threat? Journal of Plant
Pathology, 79(2), 99–105.
R Core Team. (2017). R: A Language and Environment for Statistical Computing. R Foundation for
Statistical Computing. Vienna: R. Foundation for Statistical Computing.
https://doi.org/10.1007/978-3-540-74686-7
Ramírez-Albores, J. E., Bustamante, R. O., & Badano, E. I. (2016). Improved predictions of the
geographic distribution of invasive plants using climatic niche models. PLoS ONE, 11(5), 1–14.
https://doi.org/10.1371/journal.pone.0156029
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 30

Rapicavoli, J., Ingel, B., Blanco-Ulate, B., Cantu, D., & Roper, C. (2018). Xylella fastidiosa: an
examination of a re-emerging plant pathogen. Molecular Plant Pathology, 19(4), 786–800.
https://doi.org/10.1111/mpp.12585
Redak, R. A., Purcell, A. H., Lopes, J. R. S., Blua, M. J., Mizell III, R. F., & Andersen, P. C.
(2004). The biology of xylem fluid-feeding insect vectors of Xylella fastidiosa and their relation to
disease epidemiology. Annual Review of Entomology, 49(1), 243–270.
https://doi.org/10.1146/annurev.ento.49.061802.123403
Ricciardi, A., Blackburn, T. M., Carlton, J. T., Dick, J. T. A., Hulme, P. E., Iacarella, J. C., &
Aldridge, D. C. (2017). Invasion Science: A Horizon Scan of Emerging Challenges and
Opportunities. Trends in Ecology and Evolution, 32(6), 464–474.
https://doi.org/10.1016/j.tree.2017.03.007
Robinson, G. M. (2018). New frontiers in agricultural geography: Transformations, food security,
land grabs and climate change. Boletin de la Asociación de Geógrafos Españoles, 2018(78), 1–
48. https://doi.org/10.21138/bage.2710
Rodríguez-Labajos, B., Binimelis, R., & Monterroso, I. (2009). Multi-level driving forces of biological
invasions. Ecological Economics, 69(1), 63–75.
https://doi.org/10.1016/j.ecolecon.2009.08.022
Saponari, M., Giampetruzzi, A., Loconsole, G., Boscia, D., & Saldarelli, P. (2018). Xylella
fastidiosa in olive in Apulia: where we stand. Phytopathology, 1–12.
https://doi.org/10.1094/PHYTO-08-18-0319-FI
Seebens, H., Blackburn, T. M., Dyer, E. E., Genovesi, P., Hulme, P. E., Jeschke, J. M., & Essl, F.
(2017). No saturation in the accumulation of alien species worldwide. Nature Communications, 8,
14435. https://doi.org/10.1038/ncomms14435
Seebens, H., Essl, F., Dawson, W., Fuentes, N., Moser, D., Pergl, J., & Blasius, B. (2015). Global
trade will accelerate plant invasions in emerging economies under climate change. Global Change
Biology, 21(11), 4128–4140. https://doi.org/10.1111/gcb.13021
Sicard, A., Zeilinger, A. R., Vanhove, M., Schartel, T. E., Beal, D. J., Daugherty, M. P., &
Almeida, R. P. P. (2018). Annual Review of Phytopathology Xylella fastidiosa: Insights into an
Emerging Plant Pathogen. Annual Review of Phytopathology, 56, 9.1-9.22.
https://doi.org/10.1146/annurev-phyto-080417
Steffen, W., Rockström, J., Richardson, K., Lenton, T. M., Folke, C., Liverman, D., & Schellnhuber,
H. J. (2018). Trajectories of the Earth System in the Anthropocene. Proceedings of the National
Academy of Sciences, 115(33), 8252–8259. https://doi.org/10.1073/pnas.1810141115
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 31

Strona, G., Carstens, C. J., & Beck, P. S. A. (2017). Network analysis reveals why Xylella fastidiosa
will persist in Europe. Scientific Reports, 7(1). https://doi.org/10.1038/s41598-017-00077-z
Tingley, R., García-Díaz, P., Arantes, C. R. R., & Cassey, P. (2018). Integrating transport pressure
data and species distribution models to estimate invasion risk for alien stowaways. Ecography.
https://doi.org/10.1111/ecog.02841
Václavík, T., & Meentemeyer, R. K. (2009). Invasive species distribution modeling (iSDM): Are
absence data and dispersal constraints needed to predict actual distributions? Ecological Modelling,
220(23), 3248–3258. https://doi.org/10.1016/j.ecolmodel.2009.08.013
Václavík, T., & Meentemeyer, R. K. (2012). Equilibrium or not? Modelling potential distribution of
invasive species in different stages of invasion. Diversity and Distributions, 18(1), 73–83.
https://doi.org/10.1111/j.1472-4642.2011.00854.x
Waters, C. N., Zalasiewicz, J., Summerhayes, C., Barnosky, A. D., Poirier, C., Ga uszka, A., &
Wolfe, A. P. (2016). The Anthropocene is functionally and stratigraphically distinct from the
Holocene. Science, 351(6269), 137–148. https://doi.org/10.1126/science.aad2622
Wells, J. M., Raju, B. C., Hung, H.-Y., Weisburg, W. G., Mandelco-Paul, L., & Brenner, D. J.
(1987). Xylella fastidiosa gen. nov.: gram-negative, xylem-limited, fastidious plant bacteria related to
<i>Xanthomonas<i/> spp. International Journal of Systematic Bacteriology, 37(2), 136–143.
https://doi.org/10.1099/00207713-37-2-136
Zhu, G. P., & Peterson, A. T. (2017). Do consensus models outperform individual models?
Transferability evaluations of diverse modeling approaches for an invasive moth. Biological
Invasions, 19(9), 2519–2532. https://doi.org/10.1007/s10530-017-1460-y
Boletín de la Asociación de Geógrafos Españoles, 80,
2771, 1–32 32