Моделирование распространения видов

Пример простого корреляционного моделирования распределения видов с использованием осадков, высоты и текущих наблюдений за видами для создания модели возможного существования определенного вида.

Моделирование распределения видов (SDM) , также известное как моделирование окружающей (или экологической) ниши (ENM) , моделирование среды обитания , прогнозное моделирование распределения среды обитания и картирование ареала. использует экологические модели для прогнозирования распространения видов в географическом пространстве и времени с использованием данных об окружающей среде. Данные об окружающей среде чаще всего представляют собой климатические данные (например, температуру, осадки), но могут включать и другие переменные, такие как тип почвы, глубина воды и растительный покров. SDM используются в нескольких областях исследований в области природоохранной биологии , экологии и эволюции . Эти модели можно использовать для понимания того, как условия окружающей среды влияют на возникновение или численность вида, а также в прогностических целях ( экологическое прогнозирование ). Прогнозы SDM могут касаться будущего распространения вида в условиях изменения климата, прошлого распространения вида для оценки эволюционных связей или потенциального будущего распространения инвазивных видов. Прогнозы текущей и/или будущей пригодности среды обитания могут быть полезны для управленческих задач (например, реинтродукции или перемещения уязвимых видов, размещения заповедников на случай изменения климата).

Существует два основных типа SDM. Корреляционные SDM , также известные как модели климатической оболочки , биоклиматические модели или функции отбора ресурсов модели , моделируют наблюдаемое распространение видов в зависимости от условий окружающей среды. Механистические SDM , также известные как модели, основанные на процессах или биофизические модели , используют независимо полученную информацию о физиологии вида для разработки модели условий окружающей среды, в которых этот вид может существовать.

Степень, в которой такие смоделированные данные отражают реальное распространение видов, будет зависеть от ряда факторов, включая характер, сложность и точность используемых моделей, а также качество доступных 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 барьеры для расселения , геологическая история или биотические взаимодействия , которые увеличивают разницу между реализованной нишей и фундаментальной нишей. Моделирование экологической ниши можно рассматривать как часть дисциплины информатики биоразнообразия .

История

А. Ф. В. Шимпер использовал географические и экологические факторы для объяснения распространения растений в своей Pflanzengeographie auf Physiologischer Grundlage 1898 года ( «География растений на физиологической основе ») и в своей одноименной работе 1908 года. Эндрю Мюррей использовал окружающую среду для объяснения распространения млекопитающих в своей книге «Географическое распространение млекопитающих» 1866 года . Работа Роберта Уиттакера с растениями и работа Роберта Макартура с птицами убедительно доказали роль окружающей среды в распространении видов. Элджин О. Бокс построила модели окружающей среды, чтобы предсказать разнообразие видов деревьев. Его компьютерное моделирование было одним из первых применений моделирования распределения видов.

Принятие более сложных обобщенных линейных моделей (GLM) позволило создать более сложные и реалистичные модели распределения видов. Распространение дистанционного зондирования и развитие моделирования окружающей среды на основе ГИС увеличивают объем экологической информации, доступной для построения моделей, и упрощают ее использование.

Коррелятивные и механистические модели

Коррелятивные SDM

SDM возникли как корреляционные модели. Корреляционные SDM моделируют наблюдаемое распространение видов как функцию географически привязанных климатических переменных-предикторов с использованием подходов множественной регрессии. Учитывая набор географически привязанных наблюдаемых видов и набор климатических карт, алгоритм находит наиболее вероятные диапазоны окружающей среды, в которых обитает тот или иной вид. Корреляционные SDM предполагают, что виды находятся в равновесии с окружающей средой и что соответствующие переменные окружающей среды были адекватно отобраны. Модели допускают интерполяцию между встречанием ограниченного числа видов.

Чтобы эти алгоритмы были эффективными, необходимо собирать наблюдения не только о присутствии видов, но и об их отсутствии, то есть о том, где вид не обитает. Записи об отсутствии видов обычно не так распространены, как записи о присутствии, поэтому часто для соответствия этим моделям используются данные «случайного фона» или «псевдоотсутствия». Если имеются неполные записи о встречаемости видов, псевдоотсутствие может привести к систематической ошибке. Поскольку коррелятивные SDM являются моделями наблюдаемого распространения вида, они являются моделями реализованной ниши вид (среды, в которой встречается ), в отличие от фундаментальной ниши быть обнаружен вид (среды, в которой может или где абиотическая среда подходит для выживания). Для данного вида реализованная и фундаментальная ниши могут быть одинаковыми, но если вид географически ограничен из-за ограничений расселения или взаимодействия видов, реализованная ниша будет меньше фундаментальной .

Коррелятивные SDM проще и быстрее реализовать, чем механистические SDM, и они могут легко использовать доступные данные. Однако, поскольку они коррелятивны, они не дают много информации о причинных механизмах и непригодны 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 (полученную в результате контролируемых полевых или лабораторных исследований) для определения диапазона условий окружающей среды, в которых вид может существовать. Эти модели направлены на то, чтобы 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, микроклиматические условия с учетом макроклиматических условий, температура тела с учетом микроклиматических условий, приспособленность или другие биологические показатели (например, выживаемость, плодовитость) с учетом температуры тела (кривые термической эффективности). , потребности в ресурсах или энергии и динамика численности населения . В качестве входных данных модели используются географически привязанные данные об окружающей среде. Поскольку прогнозы распределения видов не зависят от известного ареала вида, эти модели особенно полезны для видов, ареал которых активно смещается и не находится в равновесии, таких как инвазивные виды.

Механистические SDM включают причинно-следственные механизмы и лучше подходят для экстраполяции и неравновесных ситуаций. Однако их создание более трудоемко, чем корреляционные модели, и требует сбора и проверки большого количества физиологических данных, которые могут быть недоступны. Модели требуют множества предположений и оценок параметров и могут стать очень сложными.

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

Корреляционные и механистические модели можно использовать в сочетании для получения дополнительной информации. Например, механистическую модель можно использовать для определения областей, которые явно находятся за пределами фундаментальной ниши вида, и эти области можно пометить как отсутствующие или исключить из анализа. Видеть для сравнения механистической и корреляционной моделей.

Алгоритмы моделирования ниши (коррелятивные)

Существует множество математических методов, которые можно использовать для подбора, выбора и оценки коррелирующих SDM. Алгоритмы включают «профильные» методы, которые представляют собой простые статистические методы, использующие, например, экологическое расстояние до известных мест возникновения, таких как BIOCLIM. и ДОМЕН; методы «регрессии» (например, формы обобщенных линейных моделей); и методы « машинного обучения », такие как максимальная энтропия (MAXENT). Десять алгоритмов машинного обучения, используемых в SDM, можно увидеть здесь. Неполный список алгоритмов, которые использовались для моделирования ниши, включает:

Профильные техники

• БИОКЛИМ
• ДОМЕН
• Факторный анализ экологической ниши (ENFA)
• Расстояние Махаланобис
• Изодарный анализ

Методы, основанные на регрессии

• Обобщенная линейная модель (GLM)
• Обобщенная аддитивная модель (GAM)
• Сплайны многомерной адаптивной регрессии (MARS)
• Макслайк
• Функция благоприятствования (FF)

Методы машинного обучения

• МАКСЕНТ
• Искусственные нейронные сети (ИНС)
• Генетический алгоритм создания набора правил (GARP)
• Усиленные деревья регрессии (BRT)/машины повышения градиента (GBM)
• Случайный лес (РФ)
• Машины опорных векторов (SVM)
• XGBoost (XGB)

Кроме того, модели ансамбля можно создавать на основе выходных данных нескольких моделей, чтобы создать модель, охватывающую компоненты каждой из них. Часто среднее или медианное значение по нескольким моделям используется как совокупность. Точно так же модели консенсуса — это модели, которые ближе всего соответствуют некоторой мере центральной тенденции всех моделей — модели консенсуса могут представлять собой отдельные серии моделей или ансамбли нескольких моделей.

Программное обеспечение для моделирования ниш (коррелятивное)

SPACES  — это онлайн-платформа для моделирования экологических ниш, которая позволяет пользователям разрабатывать и запускать десятки наиболее известных алгоритмов в высокопроизводительной, многоплатформенной, браузерной среде.

MaxEnt — это наиболее широко используемый метод/программное обеспечение, которое использует только данные о присутствии и хорошо работает, когда доступно мало записей о присутствии.

ModEco реализует различные алгоритмы.

DIVA-GIS имеет простую в использовании (и удобную для образовательных целей) реализацию BIOCLIM.

Виртуальная лаборатория биоразнообразия и изменения климата (BCCVL) представляет собой «единый 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 целостную онлайн-среду. Пользователи могут получить доступ к глобальным наборам данных о климате и окружающей среде или загрузить свои собственные данные, выполнить анализ данных шести различных типов экспериментов с помощью набора из 17 различных алгоритмов, а также легко визуализировать, интерпретировать и оценивать результаты моделей. Типы экспериментов включают: модель распределения видов, модель многовидового распространения, модель видовых признаков (в настоящее время находится в разработке), прогноз изменения климата, анализ биоразнообразия и ансамблевый анализ. Пример выходных данных BCCVL SDM можно найти здесь.

Другим примером является Ecocrop, который используется для определения пригодности культуры к конкретной среде. Эта система баз данных также может прогнозировать урожайность сельскохозяйственных культур и оценивать влияние факторов окружающей среды, таких как изменение климата, на рост и пригодность растений.

Большинство нишевых алгоритмов моделирования доступны в пакетах R 'dismo' , 'biomod2' и 'mopa' ..

Разработчики программного обеспечения могут захотеть использовать проект openModeller .

Сотрудничество по адаптации к изменению климата Adapt.nd.edu. Архивировано 06 августа 2012 г. на Wayback Machine, реализовало онлайн-версию openModeller , которая позволяет пользователям разрабатывать и запускать openModeller в высокопроизводительной среде на основе браузера, что позволяет несколько параллельных экспериментов без ограничений мощности локального процессора.

См. также

• Биогеография
• Модель экосистемы
• Квантовая эволюция

Дальнейшее чтение

• Пирсон, Р.Г. (2007). «Моделирование распространения видов для преподавателей и практиков по охране природы» (PDF) . Уроки консервации . 3 : 54–89. S2CID   40254248 . Архивировано из оригинала (PDF) 26 февраля 2019 г.
• Элит Дж.; Литвик-младший (2009). «Модели распределения видов: экологическое объяснение и прогноз в пространстве и времени». Ежегодный обзор экологии, эволюции и систематики . 40 : 677–697. doi : 10.1146/annurev.ecolsys.110308.120159 . S2CID   86460963 .
• Кандела Л.; Кастелли Д.; Коро Г.; Пагано П.; Синибальди Ф. (2013). «Моделирование распространения видов в облаке» . Параллелизм и вычисления: практика и опыт . 28 (4): 1056–1079. дои : 10.1002/cpe.3030 . S2CID   45203952 .

Внешние ссылки

• Рабочая группа по моделированию климатического конверта — онлайн-место сбора ученых, практиков, менеджеров и разработчиков для обсуждения, поддержки и разработки инструментов и платформ для моделирования климатических экологических ниш.
• BioVeL Ecoological Niche Modeling (ENM) - онлайн-инструмент с рабочими процессами для создания моделей экологических ниш.
• Виртуальная исследовательская среда EUBrazilOpenBio SpeciesLab - рабочая онлайн-среда для поддержки моделирования экологических ниш путем (i) упрощения доступа к точкам возникновения и параметрам окружающей среды и (ii) предложения мощной версии openModeller, использующей преимущества распределенной вычислительной инфраструктуры;
• openModeller — библиотека нишевого моделирования с открытым исходным кодом
• Lifemapper 2.0 - видео презентации Эйми Стюарт из Канзасского университета на конференции O'Reilly Where 2.0, 2008 г.
• AquaMaps - глобальные карты прогнозирования морских видов
• Экологическое моделирование - Международный журнал по экологическому моделированию и системной экологии