A modelagem de distribuição de espécies tem como objetivo induzir um modelo para predizer a distribuição potencial de uma dada espécie. O modelo é projetado em um mapa de distribuição potencial que representa a probabilidade da presença da espécie em cada ponto. Esse processo de indução está relacionado com a estimativa do nicho fundamental da espécie, através da busca por relações entre dados georreferenciados de ocorrência da espécie e variáveis ambientais. Vários algoritmos de modelagem podem ser utilizados nessa tarefa. Oferecer diversos algoritmos pode tornar as ferramentas de modelagem mais completas. Porém, surge uma questão importante: qual algoritmo de modelagem escolher? Essa questão está relacionada com o desempenho preditivo das técnicas implementadas pelos algoritmos. Nesse contexto, o objetivo principal do trabalho foi organizar e especificar um método de análise de desempenho preditivo dos algoritmos de modelagem de distribuição de espécies. Através do método proposto é possível ter uma visão completa, estruturada e sistemática das etapas previstas em projetos de análise de desempenho preditivo dos algoritmos. O método pode ser utilizado como referência em estudos de validação de novos algoritmos, de comparação entre técnicas e na seleção de um ou mais algoritmos de modelagem. Como estudo de caso, o método proposto foi adotado nos testes de validação de um algoritmo baseado em Redes Neurais, desenvolvido e integrado ao framework openModeller, através da comparação com outros algoritmos já utilizados na modelagem. Além da própria validação, os testes tiveram como objetivo demonstrar a aplicabilidade do método. Os resultados mostraram que o algoritmo de Redes Neurais apresentou desempenho semelhante ao desempenho dos demais algoritmos, tendo sido, portanto, validado como adequado à tarefa de modelagem. Ainda no contexto da pesquisa, um algoritmo baseado na técnica de amostragem denominada Jackknife foi integrado ao openModeller, para aplicação na etapa de pré-análise. Testes relacionados com o tempo de execução foram realizados e uma versão paralela desse algoritmo foi desenvolvida.

The species distribution modeling aim is to induce a model to predict the potential distribution of a given species. The model is projected onto a potential distribution map that represents the presence probability of the species at each point. This induction process is related to the fundamental niche estimation of the species, through the search for relationships between georeferenced data of species occurrence and environmental variables. Several modeling algorithms can be used for this task. Providing different algorithms can make the modeling tools more complete. However, an important question arises: what modeling algorithm to choose? This issue is related to the predictive performance of the techniques implemented by the algorithms. In this context, the aim of this research was to organize and to specify a predictive performance analysis method of the species distribution modeling algorithms. Through the proposed method, it is possible to have a complete and structured vision of the steps in the planning of predictive performance analysis of the algorithms. The method may be used as a reference in validation studies of new algorithms, in comparison among techniques and in choosing one or more modeling algorithms. As a case study, the proposed method was adopted in the validation tests of an algorithm based on Neural Networks, developed and integrated into the openModeller framework, which was compared with other algorithms already used in modeling. Besides the validation itself, the tests intended to demonstrate the applicability of the method. The results showed that the Neural Networks algorithm presented similar performance to those of other algorithms and was validated as adequate to the modeling task. Still in the research context, an algorithm based on a sampling technique called the Jackknife was integrated to the openModeller, to be applied in the pre-analysis step. Tests related to the running time were carried out and a parallel version of this algorithm was developed.