Схема масштабирования занятости

В пространственной экологии макроэкологии масштабная и модель обитания ( SPO ), также известная как площадь обитания ( AOO ), представляет собой способ изменения распределения видов в пространственных масштабах. В физической географии и анализе изображений это похоже на задачу о модифицируемых единицах площади . Саймон А. Левин (1992) утверждает, что проблема связи явлений в разных масштабах является центральной проблемой биологии и всей науки . Таким образом, понимание SPO является одной из центральных тем в экологии.

Описание узора

Эту закономерность часто изображают как логарифмически преобразованную зернистость (размер ячейки) в зависимости от логарифмически преобразованной занятости. Кунин (1998) представил логарифмическую линейную SPO и предположил фрактальную природу распределения видов. С тех пор было показано, что он имеет логистическую форму, отражающую процесс просачивания . Более того, SPO тесно связана с внутривидовыми отношениями занятости и численности . Например, если особи распределены в пространстве случайным образом, количество особей в ячейке размера α соответствует распределению Пуассона , при этом заполняемость равна P _α = 1 − exp(− µα ), где µ — плотность. Очевидно, что P _α в этой модели Пуассона для случайно распределенных индивидуумов также является SPO. Другие распределения вероятностей, такие как отрицательное биномиальное распределение , также могут применяться для описания SPO и зависимости занятости от численности для неслучайно распределенных людей.

Другие модели занятости-изобилия, которые можно использовать для описания SPO, включают экспоненциальную модель Нахмана, Хански и Гилленберга . Метапопуляционная модель Он и Гастон улучшенная модель отрицательного бинома за счет применения степенного закона Тейлора между средним значением и дисперсией распределения видов, и модель перколяции с обвисшим хвостом Хуэя и МакГеоха. Одним из важных применений SPO в экологии является оценка численности видов на основе данных о присутствии-отсутствии или только о занятости. Это привлекательно, поскольку получение данных о присутствии и отсутствии часто является экономически эффективным. Используя тест с переключателем, состоящий из 5 подтестов и 15 критериев, Hui et al. подтвердили, что использование SPO является надежным и надежным методом оценки региональной численности в масштабе совокупности. Другое применение SPO включает выявление тенденций в популяциях, что чрезвычайно ценно для биоразнообразия сохранения .

Объяснение

Модели, объясняющие наблюдаемую модель масштабирования занятости, включают фрактальную модель, межмасштабную модель и модель байесовской оценки. Фрактальную модель можно настроить, разделив ландшафт на квадраты разного размера. или разделение пополам на сетки со специальным соотношением ширины к длине (2:1), и дает следующий SPO:

$P_{a}=P_{0}a^{D/2-1}\,$

где D — фрактальная размерность для подсчета ящиков. Если на каждом шаге квадрат делится на q субквадратов, мы обнаружим, что постоянная часть ( f ) субквадратов также присутствует во фрактальной модели, т.е. D = 2(1 + log ƒ /log q ). Поскольку это предположение о том, что f не зависит от масштаба, не всегда имеет место в природе, более общую форму ƒ можно принять : ƒ = q ^{− л} ( λ — константа), что дает кросс-масштабную модель:

$P_{a_{j}}=f_{0}f_{1}\cdots f_{j}.\,$

Байесовская модель оценки следует другому образу мышления. Вместо предоставления наиболее подходящей модели, как указано выше, занятость в разных масштабах можно оценить по правилу Байеса, основанному не только на занятости, но и на пространственной автокорреляции в одном конкретном масштабе. Что касается байесовской модели оценки, Hui et al. предоставьте следующую формулу для описания статистики SPO и количества соединений пространственной автокорреляции:

$p\,{(4a)_{+}}=1-{\frac {{\Omega }^{4}}{\mho }}$

$q\,{(4a)_{+/+}}={\frac {{\Omega }^{10}-2\,{\Omega }^{4}\,{\mho }^{2}+{\mho }^{3}}{{\mho }^{2}\,\left(-{\Omega }^{4}+\mho \right)}}$

где Ω знак равно п ( а ) ₀ - q ( а ) _0/+ п ( а ) ₊ и $\mho$ знак равно п ( а ) ₀ (1 - п ( а ) ₊ ² (2 q ( a ) _+/+ − 3) + p(a) ₊ ( q ( a ) _+/+ ² − 3)). p ( a ) ₊ – занятость; q ( ​​a ) _+/+ — условная вероятность того, что случайно выбранный соседний квадрат занятого квадрата также будет занят. Условная вероятность q ( a ) _0/+ = 1 − q ( a ) _+/+ — вероятность отсутствия в квадрате, соседнем с занятым; а и 4а — зерна. R-код байесовской модели оценки был предоставлен в другом месте. Ключевым моментом байесовской модели оценки является то, что масштабная модель распределения видов, измеряемая по численности и пространственной структуре, может быть экстраполирована по всем масштабам. Позже Хуэй предоставляет байесовскую модель оценки для постоянно меняющихся масштабов:

$P_{a}=1-bc^{2a^{1/2}}h^{a}\,$

где b , c и h — константы. Эта SPO становится моделью Пуассона, когда b = c = 1. В той же статье модель масштабирования пространственной автокорреляции числа соединений и многовидовой ассоциации (или совместной встречаемости ) также была представлена ​​байесовской моделью, предполагая, что « Байесовская модель может уловить статистическую сущность моделей масштабирования видов » .

Последствия для биологического сохранения

Вероятность исчезновения видов и коллапса экосистемы быстро возрастает по мере уменьшения размера ареала. В протоколах оценки риска, таких как МСОП Красный список видов или Красный список экосистем МСОП , площадь проживания (AOO) используется как стандартизированная, дополнительная и широко применимая мера распространения риска против пространственно явных угроз.