Studies using ecological niche models highlight the vulnerability of forest species to climate change. This work aimed to analyze the distribution of timber species Aspidosperma desmanthum, Cariniana micranta, Clarisia racemosa, Couratari oblongifolia, and Vouchysia guianensis, which are targets of deforestation, to predict the impacts of climate change and identify areas for their conservation in the Amazon. For this purpose, 37 environmental variables were used, including climatic and edaphic factors. The models were fitted using five algorithms, and their performance was evaluated by the metrics Area Under the Curve (AUC), True Skill Statistic, and Sorensen Index. The deforestation analysis was conducted using data accumulated over a period of 14 years. The study indicated that under the most pessimistic predictions, considering continued high emissions of greenhouse gases (GHGs) from the use of fossil fuels, SSP5–8.5, potential habitat loss for the studied species was more significant. Analyses of the species show that the Western Amazon has a greater climatic suitability area for the conservation of its genetic resources. Further study of the accumulated deforestation over 14 years showed a reduction in area for all species. Therefore, in situ conservation policies and deforestation reduction are recommended for the perpetuation of the analyzed forest species.

Para monitorar as mudanças da biodiversidade em relação as mudanças climáticas são utilizadas diferentes modelos de nicho ecológico (ENMs). A seleção do modelo mais adequado para uma espécie pode ser limitada por inúmeros fatores, como disponibilidade e resolução de dados. O objetivo do trabalho foi analisar 13 algoritmos e determinar um modelo consenso para simular a distribuição potencial de cinco espécies alvo do desmatamento na Amazônia: Aspidosperma desmanthum, Cariniana micranta, Clarisia racemosa, Couratari oblongifolia e Vouchysia guianensis. Para a construção dos ENMs foram utilizadas variáveis bioclimáticas e edáficas. As informações de cada espécie foram modeladas individualmente considerando os 13 algoritmos, posteriormente foi obtida a média de cada algoritmo para todas as espécies onde o desempenho foi analisado a partir das métricas: Area Under the Curve, True Skill Statistics e Índice de Sorensen. Com base nos resultados, observou-se que não existe um algoritmo ideal para todas as espécies, assim, foi proposto um modelo consenso a partir dos algoritmos Random Forest, Boosted Regression Trees, Support Vector Machine, Bayesian Gaussian Process e Maximum Entropy Default, uma vez que estes apresentaram melhor desempenho a partir da média. Concluímos é importante considerar as particularidades de cada espécie e a individualidade do conjunto de dados.