Моделирование распространения видов - Species distribution modelling

Пример простого моделирования корреляционного распределения видов с использованием наблюдений за осадками, высотой и текущими видами для создания модели возможного существования определенного вида.

Моделирование распространения видов (SDM), также известен как экологический (или экологическое) нишевое моделирование (ЭНМ), моделирование среды обитания, прогнозное моделирование распределения местообитаний, и отображение диапазона[1] использует компьютер алгоритмы предсказать распространение вида через географический пространство и время с использованием данных об окружающей среде. Экологические данные чаще всего представляют собой климатические данные (например, температура, осадки), но могут включать и другие переменные, такие как тип почвы, глубина воды и растительный покров. SDM используются в нескольких областях исследований в биология сохранения, экология и эволюция. Эти модели могут быть использованы для понимания того, как условия окружающей среды влияют на появление или численность видов, а также для целей прогнозирования (экологическое прогнозирование ). Прогнозы на основе SDM могут относиться к будущему распространению вида в условиях изменения климата, прошлому распространению вида с целью оценки эволюционных отношений или потенциальному будущему распространению инвазивного вида. Прогнозы текущей и / или будущей пригодности среды обитания могут быть полезны для управленческих приложений (например, повторная интродукция или перемещение уязвимых видов, размещение заповедников в ожидании изменения климата).

Есть два основных типа SDM. Корреляционные SDM, также известен как модели климатического конверта, биоклиматические модели, или функция выбора ресурса модели, смоделировать наблюдаемое распространение вида как функцию условий окружающей среды.[1] Механистические SDM, также известен как модели на основе процессов или биофизические модели, использовать независимо полученную информацию о физиологии вида для разработки модели условий окружающей среды, в которых этот вид может существовать.[2]

Степень, в которой смоделированные данные отражают реальное распределение видов, будет зависеть от ряда факторов, включая характер, сложность и точность используемых моделей, а также качество имеющихся слоев данных об окружающей среде; наличие достаточных и надежных данных о распространении видов в качестве входных данных для модели; и влияние различных факторов, таких как препятствия для рассредоточение, геологическая история, или биотические взаимодействия, которые увеличивают разницу между реализованная ниша и фундаментальная ниша. Моделирование экологической ниши можно рассматривать как часть дисциплины информатика биоразнообразия.

История

А. Ф. В. Шимпер использовал географические факторы и факторы окружающей среды для объяснения распространения растений в своей книге 1898 г. Pflanzengeographie auf Physiologischer Grundlage (География растений на физиологической основе). Эндрю Мюррей привык к окружающей среде, чтобы объяснить распространение млекопитающих в его 1866 г. Географическое распространение млекопитающих. Роберт Уиттакер работать с растениями и Роберт Макартур работа с птицами четко установила роль окружающей среды в распределении видов.[1] Элджин О. Бокс построил модели окружающей среды, чтобы предсказать диапазон древесных пород.[3] Его компьютерное моделирование было одним из первых применений моделирования распределения видов.[1]

Принятие более сложных обобщенные линейные модели (GLM) позволили создать более сложные и реалистичные модели распространения видов. Расширение дистанционное зондирование и развитие На базе ГИС Моделирование окружающей среды увеличивает объем экологической информации, доступной для построения моделей, и упрощает ее использование.[1]

Корреляционные и механистические модели

Корреляционные SDM

SDM возникли как коррелятивные модели. Корреляционные SDM моделируют наблюдаемое распределение видов как функцию переменных климатических предикторов с географической привязкой, используя подходы множественной регрессии. Учитывая набор географически привязанных наблюдаемых присутствий вида и набор климатических карт, алгоритм находит наиболее вероятные диапазоны окружающей среды, в которых обитает вид. Корреляционные SDM предполагают, что виды находятся в равновесии со своей средой и что соответствующие переменные среды были надлежащим образом отобраны. Модели допускают интерполяцию между ограниченным числом встречаемости видов.

Чтобы эти алгоритмы были эффективными, необходимо собирать наблюдения не только за присутствием видов, но и за отсутствием, то есть за тем, где этот вид не обитает. Записи об отсутствии видов обычно не так распространены, как записи о присутствии, поэтому для соответствия этим моделям часто используются данные «случайного фона» или «псевдо-отсутствия». Если есть неполные записи о встречаемости видов, псевдо-отсутствие может внести систематическую ошибку. Поскольку коррелятивные SDM являются моделями наблюдаемого распределения вида, они являются моделями реализованная ниша (среды, в которых вид является найдено), в отличие от фундаментальная ниша (среды, в которых вид мочь быть найденным, или там, где абиотическая среда подходит для выживания). Для данного вида реализованные и фундаментальные ниши могут быть одинаковыми, но если вид ограничен географически из-за ограничения расселения или взаимодействия видов, реализованная ниша будет меньше, чем фундаментальная ниша.

Корреляционные SDM проще и быстрее внедрить, чем механистические SDM, и они могут легко использовать доступные данные. Однако, поскольку они коррелятивны, они не дают много информации о причинных механизмах и не подходят для экстраполяции. Они также будут неточными, если наблюдаемый ареал видов не находится в равновесии (например, если вид был недавно интродуцирован и активно расширяет свой ареал).

Механистические SDM

Механистические SDM разработаны совсем недавно. В отличие от корреляционных моделей, механистические SDM используют физиологическую информацию о виде (взятую из контролируемых полевых или лабораторных исследований) для определения диапазона условий окружающей среды, в которых этот вид может сохраняться.[2] Эти модели призваны напрямую охарактеризовать фундаментальную нишу и спроецировать ее на ландшафт. Простая модель может просто определить пороговые значения, за пределами которых вид не может выжить. Более сложная модель может состоять из нескольких подмоделей, например микроклимат условия с учетом макроклиматических условий, температуры тела с учетом микроклиматических условий, приспособленности или других биологических показателей (например, выживаемость, плодовитость) с учетом температуры тела (кривые тепловых характеристик), потребностей в ресурсах или энергии, и динамика населения. Данные об окружающей среде с географической привязкой используются в качестве входных данных для модели. Поскольку прогнозы распространения видов не зависят от известного ареала вида, эти модели особенно полезны для видов, ареал которых активно меняется и не находится в состоянии равновесия, таких как инвазивные виды.

Механистические SDM включают в себя причинные механизмы и лучше подходят для экстраполяции и неравновесных ситуаций. Однако их создание более трудоемко, чем создание корреляционных моделей, и они требуют сбора и проверки большого количества физиологических данных, которые могут быть недоступны. Модели требуют множества допущений и оценок параметров, и они могут стать очень сложными.

Дисперсия, биотические взаимодействия и эволюционные процессы представляют собой проблемы, поскольку они обычно не включаются ни в корреляционные, ни в механистические модели.

Корреляционные и механистические модели могут использоваться в сочетании для получения дополнительных сведений. Например, механистическая модель может использоваться для определения областей, которые явно находятся за пределами фундаментальной ниши вида, и эти области могут быть отмечены как отсутствующие или исключены из анализа. Увидеть [4] для сравнения механистической и корреляционной моделей.

Алгоритмы моделирования ниши (коррелятивные)

Существует множество математических методов, которые можно использовать для подбора, выбора и оценки корреляционных SDM. Алгоритмы включают методы «профиля», которые представляют собой простые статистические методы, в которых используются, например, расстояние в окружающей среде до известных мест возникновения, таких как БИОКЛИМ[5][6] и ДОМЕН; методы «регрессии» (например, формы обобщенных линейных моделей); и "машинное обучение "такие методы, как максимальная энтропия (МАКСЕНТ). Неполный список алгоритмов, которые использовались для моделирования ниши, включает:

Профильные техники

Методы, основанные на регрессии

Методы машинного обучения

Более того, ансамбль моделей могут быть созданы из нескольких выходных данных модели, чтобы создать модель, которая захватывает компоненты каждого. Часто среднее или медианное значение по нескольким моделям используется как ансамбль. Так же, модели консенсуса - это модели, которые ближе всего подходят к некоторой мере центральной тенденции всех моделей - консенсусные модели могут быть отдельными прогонами моделей или ансамблями нескольких моделей.

Программное обеспечение для моделирования ниши (коррелятивное)

ПРОСТРАНСТВА - это онлайн-платформа для моделирования ниши окружающей среды, которая позволяет пользователям разрабатывать и запускать десятки самых известных алгоритмов в высокопроизводительной, многоплатформенной среде на основе браузера.

MaxEnt является наиболее широко используемым методом / программным обеспечением, использующим данные только о присутствии, и хорошо работает, когда доступно мало записей о присутствии.

ModEco реализует различные алгоритмы.

ДИВА-ГИС имеет простую в использовании (и удобную для использования в образовательных целях) реализацию BIOCLIM

Виртуальная лаборатория биоразнообразия и изменения климата (BCCVL) представляет собой универсальный центр моделирования, который упрощает процесс моделирования биоразнообразия и воздействия на климат. Он соединяет исследовательское сообщество с национальной вычислительной инфраструктурой Австралии путем интеграции набора инструментов в согласованную онлайн-среду. Пользователи могут получить доступ к глобальным наборам данных о климате и окружающей среде или загрузить свои собственные данные, выполнить анализ данных по шести различным типам экспериментов с помощью набора из 17 различных алгоритмов, а также легко визуализировать, интерпретировать и оценивать результаты моделей. Типы экспериментов включают в себя: модель распространения видов, модель многовидового распространения, модель характеристик видов (в настоящее время разрабатывается), прогноз изменения климата, анализ биоразнообразия и ансамблевой анализ. Пример выходов BCCVL SDM можно найти Вот

Другой пример - Ecocrop, который используется для определения пригодности культуры к конкретной среде.[7] Эта система базы данных также может прогнозировать урожайность и оценивать влияние факторов окружающей среды, таких как изменение климата по росту и пригодности растений.[8]

Большинство алгоритмов моделирования ниши доступны в пакетах R 'дисмо', 'biomod2' и 'мопа'..

Разработчики программного обеспечения могут захотеть использовать openModeller проект.

Сотрудничество по адаптации к изменению климата Adapt.nd.edu реализовал онлайн-версия openModeller который позволяет пользователям разрабатывать и запускать openModeller в высокопроизводительной среде на основе браузера, что позволяет проводить несколько параллельных экспериментов без ограничений мощности локального процессора.

Смотрите также

использованная литература

  1. ^ а б c d е Элит, Джейн; Литвик, Джон Р. (06.02.2009). «Модели распространения видов: экологическое объяснение и прогноз в пространстве и времени». Ежегодный обзор экологии, эволюции и систематики. 40 (1): 677–697. Дои:10.1146 / annurev.ecolsys.110308.120159. ISSN  1543-592X.
  2. ^ а б Кирни, Майкл; Портер, Уоррен (2009). «Механистическое моделирование ниши: сочетание физиологических и пространственных данных для прогнозирования ареалов видов». Письма об экологии. 12 (4): 334–350. Дои:10.1111 / j.1461-0248.2008.01277.x. ISSN  1461-0248. PMID  19292794.
  3. ^ Бокс, Элджин О. (1981-05-01). «Прогнозирование физиогномических типов растительности с помощью климатических переменных». Vegetatio. 45 (2): 127–139. Дои:10.1007 / BF00119222. ISSN  1573-5052.
  4. ^ Morin, X .; Тюллер (2009). «Сравнение нишевых моделей и моделей на основе процессов для уменьшения неопределенности прогнозов изменения ареала видов в условиях изменения климата». Экология. 90 (5): 1301–13. Дои:10.1890/08-0134.1. PMID  19537550.
  5. ^ Nix HA (1986). «BIOCLIM - система биоклиматического анализа и прогнозирования». Отчет об исследовании, Отделение водных и земельных ресурсов CSIRO. 1983–1985: 59–60.
  6. ^ Nix HA (1986). «Биогеографический анализ австралийских хрящевых змей». В Лонгморе (ред.). Атлас Elapid Snakes of Australia. Австралийская флора и фауна, серия 7. Бюро флоры и фауны, Канберра. С. 4–15.
  7. ^ «ФАО Экокроп». ECHOcommunity. Получено 2019-08-19.
  8. ^ Розенсток, Тодд С .; Новак, Андреа; Гирвец, Эван (2018). Документы по климатически оптимальному сельскому хозяйству: исследование бизнеса, ориентированного на производительное, устойчивое и низкоэмиссионное будущее. Чам, Швейцария: Springer. п. 41. ISBN  9783319927978.

дальнейшее чтение

внешние ссылки

  • Рабочая группа по моделированию климатической оболочки - Онлайн-площадка для ученых, практиков, менеджеров и разработчиков для обсуждения, поддержки и разработки инструментов и платформ моделирования климатической экологической ниши.
  • Моделирование экологической ниши BioVeL (ENM) - онлайн-инструмент с рабочими процессами для создания моделей экологической ниши
  • Виртуальная исследовательская среда EUBrazilOpenBio SpeciesLab - онлайн-рабочая среда для поддержки производства моделирования экологической ниши путем (i) упрощения доступа к точкам возникновения и параметрам окружающей среды и (ii) предложения мощной версии openModeller, извлекающей выгоду из распределенной вычислительной инфраструктуры;
  • openModeller - библиотека моделирования ниши с открытым исходным кодом
  • карта жизни - проект моделирования ниши от Канзасского университета
  • Lifemapper 2.0 - видео презентации Эйми Стюарт, Университет Канзаса, на конференции O'Reilly Where 2.0, 2008 г.
  • АкваКарты - глобальные прогнозные карты морских видов
  • Экологическое моделирование - Международный журнал экологического моделирования и системной экологии