A bacia do rio Piracicaba, como toda a região sudeste do Brasil, tem sofrido alterações drásticas da paisagem original que certamente influenciam a distribuição e abundância das espécies animais. Aparentemente, a capivara é uma das espécies que tem sido afetada por este processo, uma vez que grandes agregações populacionais podem ser observadas em ambientes completamente alterados, possivelmente em função da maior oferta de áreas abertas e alimento e do desaparecimento de predadores naturais. O objetivo deste estudo foi o de obter um modelo preditivo da distribuição espacial da capivara em função da paisagem, na bacia do rio Piracicaba, Estado de São Paulo. As etapas deste estudo compreenderam: 1) modelagem da distribuição: Modelo SPIP (Modelo de Sobreposição dos Planos de Informação Ponderados pelo Usuário) e Modelo GARP (Algoritmo Genético para Regras de Predição), ambos elaborados com o auxílio do Sistema de Informações Geográficas (SIG); 2) levantamento aéreo: caracterização do ambiente físico e localização de sítios de coleta potenciais à ocorrência da espécie através da videografia aérea; e, 3) levantamento terrestre: estimativa da distribuição da capivara através do uso do índice presença/ausência de indivíduos e/ou vestígios nos sítios de coleta. 89 pontos de presença e 66 pontos de ausência foram usados para calibrar e validar os modelos. As variáveis utilizadas para gerar os modelos foram: imagem de satélite não classificada, imagem de satélite classificada pelo processo não supervisionado, uso da terra, modelo digital, aspecto, declividade, curvatura e distância da rede de drenagem. A freqüência relativa de presença de capivaras foi de 57,42%, sendo que os animais puderam ser observados em apenas 8,38% dos sítios visitados. As capivaras estavam associadas preferencialmente aos habitats agrícolas, em terrenos de baixa declividade, localizados nas proximidades de cursos d'água e com forte presença humana. O modelo SPIP obteve 100% de acerto sendo 79,77% em áreas previstas com alta probabilidade. A área prevista para a ocorrência da capivara compreende 99% da área total, sendo que 79,96% da área apresentou probabilidade média-alta de ocorrência com 67,53% em áreas agrícolas. As variáveis preditoras indicadas pelo modelo GARP para explicar a distribuição espacial da capivara na bacia foram imagem de satélite não classificada, modelo digital de elevação, curvatura, uso do solo e tipos de solos. 44,04% da área da bacia apresentou probabilidade média-alta de ocorrência de capivaras, sendo que 23,93% da área com alta probabilidade de ocorrência estava localizada em áreas com cana-de-açúcar e 12,25% com pastagens. Estimativas de presença foram altamente significativas (p < 0,001), entretanto, as predições de ausência foram pouco acuradas. A inclusão dos pontos de presença da espécie na calibração do modelo GARP melhorou seu desempenho, explicando a baixa taxa de erro do tipo II e, conseqüentemente, a alta taxa de acerto em termos de presença (97%). O índice presença/ausência foi eficiente na elaboração do modelo preditivo de distribuição espacial da capivara. O GARP foi o modelo mais eficiente na predição da distribuição espacial da capivara. No entanto, este modelo deverá ser validado para outras áreas com diferentes atributos da paisagem e/ou onde a espécie é menos abundante ou apresenta uma distribuição menos ampla. Modelos preditivos de distribuição de espécies devem servir como base no processo de tomada de decisões em ações de manejo.

The Piracicaba river basin, like the whole southeastern Brazil, has been suffered landscape alterations that certainly influence distribution and abundance of vertebrates. Apparently, the capybara is one of the species that has been influenced by this process, since large groups can be observed in anthropogenic habitats, possibly due to the great availability of food, open areas, and the local extinction of large predators. The main goal of this study was to develop a predictive model of capybara spatial distribution in relation to the landscape of Piracicaba river basin in the Sao Paulo, Brazil. The present study had three steps: 1) Distribution modeling: SPIP model (weighted-Iayers overlay) and GARP model (genetic algorithm for rule-set prediction), both assessed by Geographic Information System (GIS); 2) Aerial videography: Characterization of physical environment and study sites location assumed as adequate to the species; and, 3) Terrestrial surveys: capybara distribution estimated by presence/absence Index of individuais and/or tracks in the study sites. 89 presence points and 66 absence points were used to calibrate and validate the models. The unclassified Landsat TM image, classified Landsat TM image, land uselland cover, digital elevation model, aspect, slope, curvature of terrain and water distance gradient were the environmental variables used to generate the models. The relative frequency of capybara presence was 57.42%, and the animais were observed at only 8.38% of the sites. Capybaras were associated mainly to the agricultural habitats, with lower slopes, nearby the stream network, and with strong human presence. 100% of presence was accurately predicted by the SPIP model, with 79.77% in areas with higher probability of occurrence. The area predicted by the SPIP model represented the 99% of the total basin area. The 79.96% of the predicted area had medium-high probability of occurrence with 67.53% in the agricultural areas. The predictive variables indicated by the GARP model to explain the capybaras spatial distribution were the unclassified Landsat TM image, digital elevation model, curvature of terrain, land uselland cover, and soil type. 44.04% of the total area had medium-high probability of capybaras occurrence, but 23.93% of the higher probability was sugar cane and 12.25% was pasture. Predictions of presence were highly significant (p < 0.001); however, predictions of absence were only marginally accurate. The inclusion of presence points in the GARP model calibration improved its performance, explaining the low type II error probability, and, consequently, the high accuracy (97%). The presence/absence Index was efficient for the modeling processo GARP was the most accurate model. However, it should be validated for other areas with different landscape attributes where the species is not as abundant or widespread. Predictive models of wildlife spatial distribution can be helpful for the decision-making process in management actions.