## ¿Qué es una transferencia?
En MNE, **transferir** un modelo implica proyectar las relaciones especie–ambiente estimadas en una region y periodo especifico hacia nuevos escenarios.
### Implica dos procesos en el espacio ambiental:
- **Interpolación**: transferencias hacia condiciones ambientales **dentro** de las utilizadas para calibrar el modelo.
- **Extrapolación**: transferencias hacia condiciones ambientales **fuera** de las utilizadas para calibrar el modelo.
::: source
Basado en [Qiao et al. (2018)](https://nsojournals.onlinelibrary.wiley.com/doi/abs/10.1111/ecog.03986)
:::
[{height="400px" fig-align="center"}](https://opinionessobreciencia.wordpress.com/wp-content/uploads/2016/04/extrapolacion-interpolacion.png)
## Tipos de transferencia
### Las transferencias pueden ocurrir a traves de:
- el **espacio**: una región geográfica distinta
- el **tiempo**: pasado o futuro;
- **ambos**: otra región en otro tiempo
::: {style="display:flex; gap:1.2rem; align-items:center; justify-content:center; margin-top:0.7rem;"}
:::
## ¿Por qué quisieran transferir un modelo de nicho?
### Invasiones biológicas
### Sapo de caña (*Rhinella marina*)
El modelo se calibró con las condiciones climáticas del rango nativo de la especie en América y se transfirió a Australia, donde fue introducida.
- **Origen:** Centroamérica y Sudamérica.
- **Destino:** Australia.
- **Pregunta:** ¿Qué regiones de Australia presentan condiciones climáticas adecuadas?
[{height="400px" fig-align="center"}](https://www.pnas.org/doi/full/10.1073/pnas.1405766111)
## ¿Por qué quisieran transferir un modelo de nicho?
### Proyecciones a futuro
### Panda gigante (*Ailuropoda melanoleuca*)
Un modelo **Maxent** calibrado con registros y condiciones ambientales actuales fue transferido a escenarios de 2050 y 2070.
- **Origen:** condiciones ambientales actuales en Sichuan, China.
- **Destino:** condiciones proyectadas para 2050 y 2070.
- **Pregunta:** ¿Cómo cambiará la distribución del panda gigante bajo distintos escenarios climáticos?
[{height="510px" fig-align="center"}](https://doi.org/10.1002/ece3.9298)
::: source
[Liu et al. (2022)](https://doi.org/10.1002/ece3.9298). Bajo RCP8.5, el modelo proyectó una pérdida neta de hábitat adecuado de 25% para 2050 y 38% para 2070.
:::
## Objetivo de la práctica
Desarrollar un **modelo de nicho ecológico con `kuenm2`**, desde la limpieza y preparación de los datos hasta la calibración, selección, y transferencia del modelo.
Durante las transferencias compararemos:
- **extrapolación libre**;
- **clamping**;
- **truncamiento o no extrapolación**;
- riesgo de extrapolación mediante el análisis **MOP**.
## ¿Qué es kuenm2?
**kuenm2** es un paquete de R para desarrollar modelos de nicho ecológico de manera detallada y reproducible.
Actualmente permite trabajar con:
- **Maxnet**, basado en máxima entropía;
- **GLM**, modelos lineales generalizados.
Incluye herramientas para preparar y explorar los datos, calibrar y seleccionar modelos, realizar transferencias y analizar su incertidumbre.
::: {style="text-align:center; margin-top:25px;"}
[{height="280px"}](https://peerj.com/articles/6281/)
:::
::: source
[Documentación oficial de kuenm2](https://marlonecobos.github.io/kuenm2/), [repositorio en GitHub](https://github.com/marlonecobos/kuenm2) y [Cobos et al. (2019)](https://peerj.com/articles/6281/).
:::
## ¿Qué podemos hacer con kuenm2?
### **Antes de modelar**
- limpiar y preparar registros de presencia;
- explorar los datos geográfica y ambientalmente;
- crear particiones de entrenamiento y evaluación.
### **Durante el modelado**
- calibrar múltiples modelos candidatos;
- seleccionar modelos mediante varios criterios;
- examinar importancia de variables y curvas de respuesta;
- proyectar los modelos hacia escenarios nuevos.
### **Después de modelar**
- comparar predicciones;
- cuantificar su variabilidad;
- analizar el riesgo de extrapolación mediante MOP.
## Flujo de trabajo de kuenm2
[{height="700px" fig-align="center"}](https://marlonecobos.github.io/kuenm2/)
::: source
Figura tomada de la [documentación oficial de kuenm2](https://github.com/marlonecobos/kuenm2), distribuida bajo licencia GPL ≥ 3.
:::
## Estructura de la práctica
**Seguiremos las etapas descritas en las guías oficiales:**
1. Limpieza básica de los datos.
2. Preparación de los datos de calibración.
3. Calibración y selección de modelos.
4. Ajuste y exploración de los modelos seleccionados.
5. Predicción hacia un escenario individual.
6. Análisis de incertidumbre.
## Fuente de esta práctica
::: callout-important
Esta práctica es una **adaptación** de las guías oficiales de `kuenm2`, desarrolladas por Weverton C. F. Trindade, Luis F. Arias-Giraldo, Luis Osorio-Olvera, A. Townsend Peterson y Marlon E. Cobos.
La documentación original contiene más opciones. Recomiendo revisarla!
:::
### Documentación original
- [Página oficial de kuenm2](https://marlonecobos.github.io/kuenm2/)
- [Guías completas del paquete](https://marlonecobos.github.io/kuenm2/articles/)
- [Código fuente en GitHub](https://github.com/marlonecobos/kuenm2)
- En R: `help(package = "kuenm2")`
::: source
El código de `kuenm2` se distribuye bajo licencia [GPL ≥ 3](https://github.com/marlonecobos/kuenm2/blob/main/DESCRIPTION).
:::
```{r}
#| eval: false
# install.packages("kuenm2")
```
## Sistema de estudio
[{height="380px" fig-align="center"}](https://www.inaturalist.org/observations/379337549)
Lagartija espinosa azul yucateca (*Sceloporus serrifer*). Una especie de lagartija de la Peninsula de Yucatan.
- Calibrar un modelo en el presente
- Transferir el modelo al periodo 2040-2060
- Revisar los resultados
- Analizar el riesgo de extrapolación
## Insumos
### Descargar los datos en el siguiente enlace: [DESCARGAR](https://drive.google.com/file/d/1VWNTa52D9x-Nbb-d397cZiESmyvOa70F/view?usp=sharing)
### Cargamos los paquetes necesarios para la practica
```{r}
#| echo: true
library(kuenm2)
library(terra)
library(leaflet)
library(magrittr)
```
## 1. Limpieza básica de los datos
Antes de estimar un modelo debemos limpiar nuestros datos!
En esta sección:
- inspeccionaremos los registros originales;
- aplicaremos distintos criterios de limpieza;
- compararemos los datos antes y después del proceso.
::: source
Sección adaptada de la guía oficial\
[Basic Data Cleaning](https://marlonecobos.github.io/kuenm2/articles/basic_data_cleaning.html).
:::
## Cargar los registros de presencia
```{r}
#| echo: true
occ_raw <- read.csv("occ_joint.csv")
head(occ_raw)
nrow(occ_raw)
```
## Seleccionar y renombrar columnas
```{r}
#| echo: true
occ <- occ_raw[, c(
"scientific_name",
"longitude",
"latitude")]
names(occ) <- c("species", "longitude", "latitude")
head(occ)
```
## Cargar variables ambientales
```{r}
#| echo: true
variables <- rast(
list.files(
"M_var/set_1",
pattern = ".tif",
full.names = TRUE))
plot(variables)
```
## Definir el área de calibración
Construimos un buffer de 200 km alrededor de los registros y recortamos las variables ambientales.
```{r}
#| echo: true
# Convertir los registros en un objeto espacial
registros <- vect(occ, geom = c("longitude", "latitude"),
crs = "EPSG:4326")
# Proyectar a coordenadas en metros
registros_utm <- project(registros, "EPSG:32616")
# Crear un buffer de 200 km
M_buffer <- buffer(registros_utm, width = 200000)
# Unir los buffers
M_buffer <- aggregate(M_buffer)
# Regresar al CRS de las variables
M_buffer <- project(M_buffer, crs(variables))
# Recortar las variables
M_var <- crop(variables, M_buffer)
M_var <- mask(M_var, M_buffer)
plot(M_var)
```
## ¿Qué estamos asumiendo al definir M? {.reflexion}
Los ambientes que han sido accesibles para la especie, dónde se generan los puntos de fondo
### Si aumentamos el buffer a 500 km, ¿cambiará el modelo aunque las presencias sean las mismas?
::: {.fragment .respuesta}
Sí. Cambiarían los ambientes de fondo y, por lo tanto, el contraste utilizado para estimar las relaciones especie–ambiente.
:::
[{height="400px"}](https://www.sciencedirect.com/science/article/pii/S0304380011000780)
## Limpieza básica de los registros
```{r}
#| echo: true
occ_clean <- initial_cleaning(
data = occ,
species = "species",
x = "longitude",
y = "latitude",
remove_na = TRUE,
remove_empty = TRUE,
remove_duplicates = TRUE,
by_decimal_precision = TRUE,
decimal_precision = 2)
nrow(occ)
nrow(occ_clean)
```
## Eliminar registros duplicados por celda
Conservamos una sola presencia dentro de cada celda de las variables ambientales.
```{r}
#| echo: true
set.seed(123)
occ_clean_cell <- remove_cell_duplicates(
data = occ_clean,
x = "longitude",
y = "latitude",
raster_layer = M_var[[1]])
nrow(occ_clean)
nrow(occ_clean_cell)
```
## Registros antes y después de la limpieza
::: {style="width:90%; margin:40px auto 0 auto;"}
```{r}
#| echo: false
occ_plot <- occ[complete.cases(
occ[, c("longitude", "latitude")]), ]
leaflet(
width = "100%",
height = "650px") %>%
addTiles() %>%
addCircleMarkers(
data = occ_plot,
lng = ~longitude,
lat = ~latitude,
color = "red",
radius = 5,
stroke = FALSE,
fillOpacity = 0.5,
group = "Registros originales") %>%
addCircleMarkers(
data = occ_clean_cell,
lng = ~longitude,
lat = ~latitude,
color = "blue",
radius = 4,
stroke = FALSE,
fillOpacity = 0.9,
group = "Registros limpios") %>%
addLayersControl(
overlayGroups = c(
"Registros originales",
"Registros limpios"),
options = layersControlOptions(
collapsed = FALSE)) %>%
addLegend(
colors = c("red", "blue"),
labels = c(
"Registros originales",
"Registros limpios: uno por celda")) %>%
fitBounds(
min(occ_plot$longitude),
min(occ_plot$latitude),
max(occ_plot$longitude),
max(occ_plot$latitude))
```
:::
## 2. Preparación de los datos
`prepare_data()`:
- extrae los valores ambientales de las presencias;
- genera puntos de fondo dentro del área de calibración;
- divide los registros para evaluar los modelos;
- crea las combinaciones de parámetros que serán calibradas.
::: source
[Documentación de `prepare_data()`](https://marlonecobos.github.io/kuenm2/reference/prepare_data.html)
:::
## 2.1. Configuración
Utilizaremos:
- algoritmo: **Maxnet**;
- cuatro particiones;
- 1,000 puntos de fondo;
- dos tipos de respuesta;
- tres valores de regularización.
Esto produce **seis modelos candidatos**.
```{r}
#| echo: true
set.seed(123)
datos_calibracion <- prepare_data(
algorithm = "maxnet",
occ = occ_clean_cell,
x = "longitude",
y = "latitude",
raster_variables = M_var,
min_number = 4,
species = "Sceloporus serrifer",
partition_method = "kfolds",
n_partitions = 4,
n_background = 1000,
features = c("l", "q"),
r_multiplier = c(0.5, 1, 2))
```
## 2.2. Datos preparados
```{r}
#| echo: true
datos_calibracion
```
El resumen permite comprobar:
- número de presencias y puntos de fondo;
- variables utilizadas;
- método de partición;
- número de modelos candidatos.
## 3. Calibración de modelos
Los seis modelos candidatos serán evaluados utilizando cuatro criterios:
1. ausencia de curvas cóncavas;
2. tasa de omisión 10%;
3. significancia mediante ROC parcial;
4. menor complejidad mediante AICc.
## Respuestas concavas
"Concave (or bimodal) curves indicate that higher suitability is found at variable values around a point of lower suitability"
### No tienen tanto sentido biológico
[{height="600px"}](287193944_The_distribution_of_the_endemic_plantPrimula_scandinavica_at_local_and_national_scales_in_changing_mountainous_environments)
## 3.1. Calibrar los modelos candidatos
```{r}
#| echo: true
calibracion <- calibration(
data = datos_calibracion,
remove_concave = TRUE,
error_considered = 10,
omission_rate = 10,
parallel = FALSE,
ncores = 1)
```
## 3.2. Modelos seleccionados
```{r}
#| echo: true
calibracion
```
```{r}
#| echo: true
calibracion$selected_models
```
Los modelos seleccionados:
- omiten menos del 10% de las presencias de evaluación;
- predicen mejor que un modelo aleatorio;
- presentan un delta AICc menor que 2.
::: source
[Documentación de calibración de `kuenm2`](https://marlonecobos.github.io/kuenm2/articles/model_calibration.html)
:::
## 4. Ajustar los modelos seleccionados
`fit_selected()` vuelve a ajustar las configuraciones seleccionadas utilizando:
- cuatro réplicas correspondientes a las particiones;.
```{r}
#| echo: true
modelos_finales <- fit_selected(
calibration_results = calibracion,
replicate_method = "kfolds",
n_replicates = 4,
type = "cloglog",
progress_bar = FALSE,
verbose = FALSE,
seed = 123)
```
## 4.1. Modelos finales
```{r}
#| echo: true
modelos_finales
```
Cada configuración seleccionada contiene:
- cuatro modelos (particiones);
- un modelo completo ajustado con todos los datos.
## 4.2. Curvas de respuesta
Las curvas muestran cómo cambia la idoneidad estimada a lo largo de cada variable ambiental.
```{r}
#| echo: true
#| fig-width: 12
#| fig-height: 6.5
#| out-width: 90%
#| fig-align: center
all_response_curves(
models = modelos_finales,
show_variability = TRUE,
show_lines = TRUE,
extrapolate = FALSE,
mfrow = c(2, 2),
col = "skyblue4")
```
Las líneas verticales discontinuas delimitan los valores utilizados para ajustar los modelos.
## 4.3. Importancia de las variables
```{r}
#| echo: true
importancia <- variable_importance(
models = modelos_finales,
progress_bar = FALSE,
verbose = FALSE)
```
```{r}
#| echo: true
#| fig-width: 10
#| fig-height: 6
#| out-width: 80%
#| fig-align: center
plot_importance(
importancia,
main = "Importancia de las variables")
```
::: source
[Guía de ajuste y exploración de modelos de `kuenm2`](https://marlonecobos.github.io/kuenm2/articles/fit_explore_models.html)
:::
## 5. Transferencia a un escenario futuro
### Cargar las variables climáticas futuras
Utilizaremos las condiciones proyectadas por **MIROC6** para el escenario **SSP5-8.5** durante **2041–2060**.
```{r}
#| echo: true
future_all <- rast("G_var/set_1/future/bios.tif")
G_future <- future_all[[c(1, 4, 12, 15)]]
names(G_future) <- names(M_var)
G_future
```
## Recortar las variables futuras
Las variables futuras se recortan utilizando la misma área empleada para calibrar el modelo.
```{r}
#| echo: true
G_var <- crop(G_future, M_buffer)
G_var <- mask(G_var, M_buffer)
G_var <- mask(G_var, M_var[[1]])
names(G_var) <- names(M_var)
plot(G_var)
```
## Verificar las variables
Los predictores presentes y futuros deben tener los mismos nombres
```{r}
#| echo: true
names(M_var)
names(G_var)
```
## ¿Por qué?
### Recordemos que la transferencia es proyectar una relación especies-clima estimada hacia otro escenario (region o tiempo)
### Esas relaciones están estimadas con unas variables especificas, por eso deben mantenerse iguales.
## Proyección en las condiciones actuales
```{r}
#| echo: true
prediccion_actual <- predict_selected(models = modelos_finales,
new_variables = M_var,
type = "cloglog",
consensus = "mean",
extrapolation_type = "NE",
progress_bar = FALSE)
mapa_actual <- prediccion_actual$General_consensus$mean
plot(mapa_actual)
```
## Idoneidad ambiental actual
```{r}
#| echo: false
#| fig-width: 12
#| fig-height: 6.5
#| fig-align: center
plot(mapa_actual, col = hcl.colors(100, "YlOrRd", rev = TRUE), range = c(0, 1),
main = "Condiciones actuales")
points(occ_clean_cell$longitude, occ_clean_cell$latitude, pch = 20, cex = 0.8)
```
## Procedimientos de transferencia
Cuando las condiciones de la región de transferencia exceden los rangos ambientales de calibración, podemos utilizar tres procedimientos:
- Extrapolación libre — E:
Las respuestas estimadas continúan fuera del rango de calibración.
- Extrapolación con clamping — EC:
Los valores ambientales que exceden el rango se sustituyen por el límite mínimo o máximo conocido.
- No extrapolación o truncamiento — NE:
Las celdas con al menos una variable fuera del rango de calibración reciben idoneidad cero.
Dentro de los rangos de calibración, los tres procedimientos producen la misma predicción.
[{height="380px" fig-align="center"}](https://www.sciencedirect.com/science/article/pii/S0304380013002159)
## ¿Por qué no simplemente incrementamos el area de calibración?
## ¿Por qué no simplemente incrementamos el area de calibración?
- Si usamos una metrica dependiente de umbral, puede incrementar las metricas de evalución
- Le estamos diciendo al modelo que la especie pudo muestrear esos ambientes y no está ahí porque no es favorable, lo cual **no es cierto**
## Transferencia al futuro
Realizaremos la transferencia utilizando los tres procedimientos:
- **E:** extrapolación libre.
- **EC:** extrapolación con *clamping*.
- **NE:** sin extrapolación.
```{r}
#| echo: true
prediccion_E <- predict_selected(
models = modelos_finales,
new_variables = G_var,
type = "cloglog",
consensus = "mean",
extrapolation_type = "E",
progress_bar = FALSE)
prediccion_EC <- predict_selected(
models = modelos_finales,
new_variables = G_var,
type = "cloglog",
consensus = "mean",
extrapolation_type = "EC",
progress_bar = FALSE)
prediccion_NE <- predict_selected(
models = modelos_finales,
new_variables = G_var,
type = "cloglog",
consensus = "mean",
extrapolation_type = "NE",
progress_bar = FALSE)
```
## Obtener las predicciones
```{r}
#| echo: true
mapa_E <- prediccion_E$General_consensus$mean
mapa_EC <- prediccion_EC$General_consensus$mean
mapa_NE <- prediccion_NE$General_consensus$mean
```
## Comparación de los procedimientos
```{r}
#| echo: false
#| fig-width: 13
#| fig-height: 7
#| fig-align: center
mapas <- c(mapa_actual, mapa_E, mapa_EC, mapa_NE)
names(mapas) <- c("Presente", "Futuro: extrapolación", "Futuro: clamping",
"Futuro: sin extrapolación")
plot(mapas, col = hcl.colors(100, "YlOrRd", rev = TRUE),
range = c(0, 1),
nc = 2)
```
## Cambios entre presente y futuro
Compararemos las áreas que permanecen adecuadas, se pierden o se ganan bajo cada procedimiento.
```{r}
#| echo: true
cambios_E <- prediction_changes(
current_predictions = mapa_actual,
new_predictions = mapa_E,
fitted_models = modelos_finales,
predicted_to = "future")
cambios_EC <- prediction_changes(
current_predictions = mapa_actual,
new_predictions = mapa_EC,
fitted_models = modelos_finales,
predicted_to = "future")
cambios_NE <- prediction_changes(
current_predictions = mapa_actual,
new_predictions = mapa_NE,
fitted_models = modelos_finales,
predicted_to = "future")
```
## Cambios en la idoneidad ambiental
```{r}
#| echo: false
#| fig-width: 13
#| fig-height: 5.5
#| fig-align: center
cambios <- c(cambios_E, cambios_EC, cambios_NE)
names(cambios) <- c("Extrapolación", "Clamping", "Sin extrapolación")
plot(cambios, nc = 3)
```
## Guardar los resultados
```{r}
#| echo: true
dir.create("Resultados", showWarnings = FALSE)
writeRaster(mapas, "Resultados/predicciones.tif", overwrite = TRUE)
writeRaster(cambios, "Resultados/cambios.tif", overwrite = TRUE)
```
## 6. Riesgo de extrapolación
Al transferir el modelo hacia condiciones futuras pueden aparecer ambientes que no estuvieron representados durante la calibración.
El análisis **MOP** permite identificar:
- celdas con condiciones ambientales fuera de los rangos de calibración;
- número de variables fuera de esos rangos;
- disimilitud entre las condiciones futuras y las condiciones de calibración.
::: source
[Owens et al. (2013)](https://doi.org/10.1016/j.ecolmodel.2013.04.011) y [documentación de kuenm2](https://marlonecobos.github.io/kuenm2/).
:::
## ¿Qué identifica el MOP?
MOP compara las condiciones ambientales de **calibración** con las condiciones del escenario de **transferencia**.
Las condiciones de transferencia que quedan fuera de los rangos observados durante la calibración representan **extrapolación estricta**.
[{height="500px" fig-align="center"}](https://biogeography.pensoft.net/article/132916/)
::: source
Información de [Owens et al. (2013)](https://doi.org/10.1016/j.ecolmodel.2013.04.011), disponible también en la [documentación de smop](https://luismurao.github.io/smop/).
:::
## Calcular el MOP
```{r}
#| echo: true
MOP_futuro <- single_mop(
data = modelos_finales,
new_variables = G_var,
subset_variables = TRUE,
type = "detailed",
na_in_range = FALSE,
calculate_distance = TRUE,
where_distance = "all",
distance = "euclidean",
scale = TRUE,
center = TRUE,
rescale_distance = TRUE,
progress_bar = FALSE
)
```
## Condiciones no análogas
```{r}
#| echo: true
#| fig-width: 13
#| fig-height: 5
#| fig-align: center
par(mfrow = c(1, 3))
plot(MOP_futuro$mop_basic, main = "Condiciones no análogas",
col = c("grey90", "#D55E00"), axes = FALSE)
plot(MOP_futuro$mop_simple, main = "Variables fuera del rango",
col = hcl.colors(8, "YlOrRd"), axes = FALSE)
plot(MOP_futuro$mop_distances, main = "Disimilitud ambiental",
col = hcl.colors(100, "Inferno"), axes = FALSE)
par(mfrow = c(1, 1))
```
- **MOP básico:** identifica celdas con al menos una variable fuera del rango de calibración.
- **MOP simple:** indica cuántas variables están fuera de sus rangos.
- **Distancia ambiental:** indica qué tan diferentes son las condiciones futuras.
## Valores superiores al rango de calibración
```{r}
#| echo: true
#| fig-width: 12
#| fig-height: 6
#| fig-align: center
plot(
MOP_futuro$mop_detailed$towards_high_end,
main = paste(names(G_var), "por encima"),
col = c("grey90", "#D55E00"),
nc = 2,
axes = FALSE)
```
Las celdas resaltadas presentan valores futuros superiores al máximo utilizado durante la calibración.
## Valores inferiores al rango de calibración
```{r}
#| echo: true
#| fig-width: 12
#| fig-height: 6
#| fig-align: center
plot(
MOP_futuro$mop_detailed$towards_low_end,
main = paste(names(G_var), "por debajo"),
col = c("grey90", "#0072B2"),
nc = 2,
axes = FALSE
)
```
Las celdas resaltadas presentan valores futuros inferiores al mínimo utilizado durante la calibración.
## Interpretación del MOP
MOP identifica las regiones donde la transferencia ocurre bajo condiciones ambientales no representadas durante la calibración.
En esas regiones:
- **E:** el modelo continúa sus respuestas fuera del rango;
- **EC:** los valores se limitan al mínimo o máximo conocido;
- **NE:** las celdas fuera del rango reciben idoneidad cero.
MOP indica dónde existe **riesgo de extrapolación** y la predicción debe interpretarse con mayor precaución.
## ¿Por qué algunas predicciones son mejores que otras?
### ¿Es posible mejorar las predicciones?
[{height="500px" fig-align="center"}](https://github.com/kevinlopezreyes/kevinlopezreyes.github.io/blob/master/assets/images/transferencia/Captura%20de%20pantalla%202026-08-04%20100056.jpg?raw=true)
## ¿Por qué algunas predicciones son mejores que otras?
### ¿Es posible mejorar las predicciones?
[{height="500px" fig-align="center"}](https://github.com/kevinlopezreyes/kevinlopezreyes.github.io/blob/master/assets/images/transferencia/Captura%20de%20pantalla%202026-08-04%20100139.jpg?raw=true)