Tür dağılımı modellemesi - Species distribution modelling

Belirli bir tür için olası bir varoluş modeli oluşturmak için yağış, rakım ve mevcut tür gözlemlerini kullanan basit bağıntılı tür dağılım modellemesi örneği.

Çevresel (veya ekolojik) niş modelleme (ENM) , habitat modelleme , tahmine dayalı habitat dağılım modelleme ve menzil haritalama olarak da bilinen tür dağılım modellemesi (SDM) , çevresel verileri kullanarak bir türün coğrafi alan ve zaman boyunca dağılımını tahmin etmek için bilgisayar algoritmalarını kullanır. . Çevresel veriler çoğunlukla iklim verileridir (örn. sıcaklık, yağış), ancak toprak tipi, su derinliği ve arazi örtüsü gibi diğer değişkenleri içerebilir. SDM'ler koruma biyolojisi , ekoloji ve evrim gibi çeşitli araştırma alanlarında kullanılmaktadır . Bu modeller, çevresel koşulların bir türün oluşumunu veya bolluğunu nasıl etkilediğini anlamak ve tahmin amaçlı ( ekolojik tahmin ) için kullanılabilir. Bir SDM'den elde edilen tahminler, bir türün iklim değişikliği altında gelecekteki dağılımı, evrimsel ilişkileri değerlendirmek için bir türün geçmiş dağılımı veya istilacı bir türün gelecekteki potansiyel dağılımı olabilir. Mevcut ve/veya gelecekteki habitat uygunluğunun tahminleri, yönetim uygulamaları için faydalı olabilir (örneğin, hassas türlerin yeniden yerleştirilmesi veya yer değiştirmesi, iklim değişikliği beklentisiyle rezerv yerleşimi).

İki ana SDM türü vardır. İklim zarf modelleri , biyoiklimsel modeller veya kaynak seçim fonksiyonu modelleri olarak da bilinen bağıntılı SDM'ler , bir türün gözlemlenen dağılımını çevresel koşulların bir fonksiyonu olarak modeller . Süreç tabanlı modeller veya biyofiziksel modeller olarak da bilinen mekanik SDM'ler , türün var olabileceği çevresel koşulların bir modelini geliştirmek için bir türün fizyolojisi hakkında bağımsız olarak türetilmiş bilgileri kullanır.

Bu tür modellenmiş verilerin gerçek dünyadaki tür dağılımlarını ne ölçüde yansıttığı, kullanılan modellerin doğası, karmaşıklığı ve doğruluğu ve mevcut çevresel veri katmanlarının kalitesi dahil olmak üzere bir dizi faktöre bağlı olacaktır; model girdisi olarak yeterli ve güvenilir tür dağılım verilerinin mevcudiyeti; ve dağılmanın önündeki engeller , jeolojik tarih veya biyotik etkileşimler gibi , gerçekleşen niş ile temel niş arasındaki farkı artıran çeşitli faktörlerin etkisi . Çevresel niş modelleme, biyoçeşitlilik bilişimi disiplininin bir parçası olarak düşünülebilir .

Tarih

AFW Schimper , 1898 tarihli Pflanzengeographie auf physicologischer Grundlage ( Fizyolojik Temel Üzerine Bitki Coğrafyası ) adlı eserinde bitki dağılımlarını açıklamak için coğrafi ve çevresel faktörleri kullandı . Andrew Murray , 1866 tarihli The Geographical Distribution of Mammals'ında memelilerin dağılımını açıklamak için çevreyi kullandı . Robert Whittaker'ın bitkilerle ve Robert MacArthur'un kuşlarla yaptığı çalışmalar, tür dağılımlarında çevrenin oynadığı rolü güçlü bir şekilde ortaya koydu . Elgene O. Box, ağaç türlerinin çeşitliliğini tahmin etmek için çevresel zarf modelleri oluşturdu. Bilgisayar simülasyonları, tür dağılım modellemesinin ilk kullanımları arasındaydı.

Daha karmaşık genelleştirilmiş doğrusal modellerin (GLM'ler) benimsenmesi, daha karmaşık ve gerçekçi tür dağılım modelleri oluşturmayı mümkün kıldı. Uzaktan algılamanın yaygınlaşması ve CBS tabanlı çevresel modellemenin geliştirilmesi, model oluşturma için mevcut çevresel bilgi miktarını artırmakta ve kullanımı kolaylaştırmaktadır.

Bağıntılı ve mekanik modeller

İlişkili SDM'ler

SDM'ler bağıntılı modeller olarak ortaya çıkmıştır. İlişkili SDM'ler, bir türün gözlemlenen dağılımını, çoklu regresyon yaklaşımlarını kullanarak coğrafi olarak referanslı iklimsel tahmin değişkenlerinin bir fonksiyonu olarak modeller. Bir türün coğrafi olarak atıfta bulunulan bir dizi gözlemlenmiş varlığı ve bir dizi iklim haritası göz önüne alındığında, bir algoritma, bir türün içinde yaşadığı en olası çevresel aralıkları bulur. İlişkili SDM'ler, türlerin çevreleriyle dengede olduğunu ve ilgili çevresel değişkenlerin yeterince örneklendiğini varsayar. Modeller, sınırlı sayıda tür oluşumu arasında enterpolasyona izin verir.

Bu algoritmaların etkili olması için, sadece türlerin varlığına değil, yokluklara, yani türün yaşamadığı yerlere ilişkin gözlemlerin toplanması gerekir. Tür yokluklarının kayıtları, tipik olarak varlık kayıtları kadar yaygın değildir, bu nedenle genellikle bu modellere uyması için "rastgele arka plan" veya "sözde yokluk" verileri kullanılır. Tür oluşumlarının eksik kayıtları varsa, sözde yokluklar önyargıya neden olabilir. Bağıntılı SDMS bir türün gözlenen dağılım modelleri olduğundan, modellerdir gerçekleşen niş (bir tür ortamları olan karşıt olarak bulunur), temel niş (bir tür ortamlar olabilir bulunabilir veya burada cansız çevre hayatta kalmak için uygundur). Belirli bir tür için, gerçekleşen ve temel nişler aynı olabilir, ancak bir tür dağılım sınırlaması veya tür etkileşimleri nedeniyle coğrafi olarak sınırlandırılmışsa, gerçekleşen niş temel nişten daha küçük olacaktır .

İlişkili SDM'lerin uygulanması, mekanik SDM'lerden daha kolay ve daha hızlıdır ve mevcut verilerden hazır şekilde faydalanabilir. Ancak korelasyonlu oldukları için nedensel mekanizmalar hakkında fazla bilgi sağlamazlar ve ekstrapolasyon için iyi değildirler. Ayrıca, gözlemlenen tür aralığı dengede değilse (örneğin, bir tür yakın zamanda tanıtıldıysa ve aralığını aktif olarak genişletiyorsa) bunlar yanlış olacaktır.

Mekanik SDM'ler

Mekanik SDM'ler daha yakın zamanda geliştirilmiştir. İlişkili modellerin aksine, mekanik SDM'ler, türlerin devam edebileceği çevresel koşulların aralığını belirlemek için bir tür hakkında (kontrollü saha veya laboratuvar çalışmalarından alınan) fizyolojik bilgileri kullanır. Bu modeller, temel nişi doğrudan karakterize etmeyi ve onu peyzaja yansıtmayı amaçlıyor. Basit bir model, bir türün dışında yaşayamayacağı eşik değerlerini basitçe tanımlayabilir. Daha karmaşık bir model çeşitli alt modellerin oluşabilir, örneğin bir mikro-iklim koşulları göz önüne alındığında makro iklim koşulları, vücut sıcaklığı verilen mikro iklim koşulları, spor veya diğer biyolojik oranları (örneğin, hayatta kalma, yumurta verimi), belirli bir gövde sıcaklığı (termal performans eğrileri) , kaynak veya enerji gereksinimleri ve nüfus dinamikleri . Model girdileri olarak coğrafi referanslı çevresel veriler kullanılır. Tür dağılımı tahminleri, türün bilinen aralığından bağımsız olduğundan, bu modeller, istilacı türler gibi, menzili aktif olarak değişen ve dengede olmayan türler için özellikle yararlıdır.

Mekanistik SDM'ler nedensel mekanizmalar içerir ve ekstrapolasyon ve denge dışı durumlar için daha iyidir. Bununla birlikte, korelasyonel modellerden daha fazla emek yoğundurlar ve kolayca elde edilemeyebilecek birçok fizyolojik verinin toplanmasını ve doğrulanmasını gerektirirler. Modeller birçok varsayım ve parametre tahmini gerektirir ve çok karmaşık hale gelebilirler.

Dağılma, biyotik etkileşimler ve evrimsel süreçler, genellikle bağıntılı veya mekanik modellere dahil edilmedikleri için zorluklar sunar.

Ek içgörüler elde etmek için korelasyonel ve mekanik modeller birlikte kullanılabilir. Örneğin, türün temel nişinin açıkça dışında kalan alanları belirlemek için mekanik bir model kullanılabilir ve bu alanlar yokluk olarak işaretlenebilir veya analizden çıkarılabilir. Mekanik ve bağıntılı modeller arasında bir karşılaştırma için bkz.

Niş modelleme algoritmaları (bağıntılı)

İlişkili SDM'leri yerleştirmek, seçmek ve değerlendirmek için kullanılabilecek çeşitli matematiksel yöntemler vardır. Algoritmalar, örneğin BIOCLIM ve DOMAIN gibi bilinen oluşum yerlerine çevresel mesafeyi kullanan basit istatistiksel teknikler olan "profil" yöntemlerini içerir ; "regresyon" yöntemleri (örneğin genelleştirilmiş doğrusal modellerin biçimleri); ve maksimum entropi (MAXENT) gibi " makine öğrenimi " yöntemleri . SDM'de kullanılan on makine öğrenimi algoritması şurada görülebilir. Niş modelleme için kullanılan eksik bir algoritma listesi şunları içerir:

Profil teknikleri

Regresyona dayalı teknikler

Makine öğrenimi teknikleri

Ayrıca, her birinin bileşenlerini yakalayan bir model oluşturmak için çeşitli model çıktılarından topluluk modelleri oluşturulabilir. Çoğu zaman, birkaç modeldeki ortalama veya medyan değer bir bütün olarak kullanılır. Benzer şekilde, fikir birliği modelleri , tüm modellerin bazı merkezi eğilim ölçülerine en yakın olan modellerdir - fikir birliği modelleri, bireysel model çalışmaları veya birkaç modelin bir araya gelmesi olabilir.

Niş modelleme yazılımı (bağıntılı)

SPACES , kullanıcıların yüksek performanslı, çok platformlu, tarayıcı tabanlı bir ortamda en belirgin düzinelerce algoritmayı tasarlamasına ve çalıştırmasına olanak tanıyan çevrimiçi bir Çevresel niş modelleme platformudur.

MaxEnt , en yaygın olarak kullanılan yöntem/yazılımdır, yalnızca varlık verilerini kullanır ve az sayıda varlık kaydı olduğunda iyi performans gösterir.

ModEco çeşitli algoritmalar uygular.

DIVA-GIS , BIOCLIM'in kullanımı kolay (ve eğitim amaçlı kullanım için iyi) bir uygulamasına sahiptir.

Biyoçeşitlilik ve İklim Değişikliği Sanal Laboratuvarı (BCCVL) , biyoçeşitlilik ve iklim etkisi modelleme sürecini basitleştiren bir "tek durak modelleme dükkanı" dır . Tutarlı bir çevrimiçi ortamda bir dizi araç entegre ederek araştırma topluluğunu Avustralya'nın ulusal hesaplama altyapısına bağlar. Kullanıcılar, küresel iklim ve çevre veri kümelerine erişebilir veya kendi verilerini yükleyebilir, 17 farklı algoritma paketi ile altı farklı deney türünde veri analizi yapabilir ve modellerin sonuçlarını kolayca görselleştirebilir, yorumlayabilir ve değerlendirebilir. Deney türleri şunları içerir: Tür Dağılım Modeli, Çoklu Tür Dağılım Modeli, Tür Özellik Modeli (şu anda geliştirilme aşamasında), İklim Değişikliği Projeksiyonu, Biyoçeşitlilik Analizi ve Topluluk Analizi. BCCVL SDM çıkışlarının örneği burada bulunabilir

Başka bir örnek, bir mahsulün belirli bir ortama uygunluğunu belirlemek için kullanılan Ecocrop'tur. Bu veritabanı sistemi ayrıca mahsul verimini tahmin edebilir ve iklim değişikliği gibi çevresel faktörlerin bitki büyümesi ve uygunluğu üzerindeki etkisini değerlendirebilir .

Niş modelleme algoritmalarının çoğu 'dismo' , 'biomod2' ve 'mopa' R paketlerinde mevcuttur .

Yazılım geliştiricileri, openModeller projesini geliştirmek isteyebilir .

İklim Değişikliğine Uyum İş Birliği adapt.nd.edu , kullanıcıların yerel işlemci gücü sınırlaması olmaksızın birden çok paralel deneye izin vermek için openModeller'ı yüksek performanslı, tarayıcı tabanlı bir ortamda tasarlamalarına ve çalıştırmalarına olanak tanıyan bir openModeller çevrimiçi sürümünü uygulamaya koydu. .

Ayrıca bakınız

Referanslar

daha fazla okuma

Dış bağlantılar

  • İklim Zarf Modelleme Çalışma Grubu - Bilim adamları, uygulayıcılar, yöneticiler ve geliştiricilerin iklimi tartışmak, desteklemek ve geliştirmek için çevrimiçi buluşma yeri Çevresel Niş Modelleme araçları ve platformları
  • BioVeL Ekolojik Niş Modelleme (ENM) - ekolojik niş modeller oluşturmak için iş akışlarına sahip çevrimiçi araç
  • EUBrazilOpenBio SpeciesLab Sanal Araştırma Ortamı - (i) oluşum noktalarına ve çevresel parametrelere erişimi basitleştirerek ve (ii) dağıtılmış bir bilgi işlem altyapısından yararlanan güçlü bir openModeller sürümü sunarak ekolojik niş modelleme üretimini desteklemek için çevrimiçi çalışma ortamı;
  • openModeller - açık kaynak niş modelleme kitaplığı
  • lifemapper - Kansas Üniversitesi'nden niş modelleme projesi
  • Lifemapper 2.0 - Aimee Stewart, Kansas Üniversitesi tarafından O'Reilly Where 2.0 Konferansı 2008'de yapılan sunum videosu
  • AquaMaps - deniz türleri için küresel tahmin haritaları
  • Ekolojik Modelleme - Uluslararası Ekolojik Modelleme ve Sistem Ekolojisi Dergisi