Войти
Пример простое моделирование корреляционного распределения видов с использованием наблюдений за осадками, высотой и текущими видами для создания модели возможного существования определенного вида. Моделирование распределения видов (SDM), также известное как окружающая среда (или экологическое) моделирование ниши (ENM), моделирование среды обитания, прогнозное моделирование распределения среды обитания и отображение диапазона использует компьютер алгоритмы для прогнозирования распределения вида в географическом пространстве и времени 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: биология сохранения, экология и эволюция. Эти модели можно использовать 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 касаться будущего распространения вида в условиях изменения климата, прошлого распространения вида для оценки эволюционных отношений или потенциального будущего распространения инвазивного вида. Прогнозы текущей и / или будущей пригодности среды обитания могут быть полезны для управленческих приложений (например, реинтродукция или перемещение уязвимых видов, размещение заповедников в ожидании изменения климата).
Есть два основных типа SDM. Корреляционные SDM, также известные как модели климатической оболочки, биоклиматические модели или функция выбора ресурсов модели, модель наблюдаемое распространение вида в зависимости от условий окружающей среды. Механистические SDM, также известные как модели на основе процессов 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 смоделированные данные отражают реальное распределение видов, будет зависеть от ряда факторов, включая природу, сложность и точность используемых моделей и качество доступных слоев экологических данных; наличие достаточных и надежных данных о распространении видов в качестве входных данных для модели; и влияние различных факторов, таких как препятствия для рассредоточения, геологическая история или биотические взаимодействия, которые увеличивают разницу между реализованной нишей и фундаментальной нишей. Моделирование экологической ниши можно рассматривать как часть дисциплины информатики биоразнообразия.
A. 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 использовал окружающую среду, чтобы объяснить распространение млекопитающих в своей книге «Географическое распространение млекопитающих» 1866 года. Работа Роберта Уиттакера с растениями и работа Роберта Макартура с птицами убедительно установили роль окружающей среды в распределении видов. Элджин О. Бокс построил модели среды обитания, чтобы предсказать диапазон видов деревьев. Его компьютерное моделирование было одним из первых применений моделирования распределения видов.
Принятие более сложных обобщенных линейных моделей (GLM) сделало возможным создание более сложных и реалистичных моделей распределения видов. Расширение дистанционного зондирования и развитие моделирования окружающей среды на основе ГИС увеличивает объем экологической информации, доступной для построения моделей, и делает ее более простой в использовании.
SDM возникли как корреляционные 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.
Для того, чтобы эти алгоритмы были эффективными, необходимо собирать данные наблюдений не только о присутствии видов, но и об их отсутствии, то есть о местах, где 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 реализованной ниши (среды, в которой обитает вид), в отличие от фундаментальной ниши (среды где можно найти вид или где абиотическая среда подходит для выживания). Для данного вида реализованные и фундаментальные ниши могут быть одинаковыми, но если вид географически ограничен 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 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 вид может сохраняться. 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, температура тела с учетом микроклиматических условий, физическая подготовка или другие биологические показатели (например, выживаемость, плодовитость) с учетом температуры тела (кривые тепловых характеристик), потребности в ресурсах или энергии, и динамика численности населения. Данные об окружающей среде с географической привязкой используются в качестве входных данных для модели. Поскольку прогнозы распределения 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 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.
Распространение, 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. См. Сравнение механистической и корреляционной моделей.
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 BIOCLIM и ДОМЕН; методы «регрессии» (например, формы обобщенных линейных моделей); и методы «машинного обучения », такие как максимальная энтропия (MAXENT). Неполный список алгоритмов, которые использовались для моделирования ниш, включает:
Кроме того, может быть создан из нескольких выходных данных модели для создания модели, которая захватывает компоненты каждого из них. Часто среднее или медианное значение по нескольким моделям используется как ансамбль. Точно так же модели, которые ближе всего подходят к некоторой мере центральной тенденции всех моделей - консенсусные модели могут быть отдельными прогонами моделей или ансамблями из нескольких моделей.
SPACES - это онлайн-платформа для моделирования ниши окружающей среды, которая позволяет пользователям разрабатывать и запускать десятки самых известных алгоритмов в высокопроизводительных, многоплатформенных, браузерных- основанная среда.
MaxEnt - наиболее широко используемый метод / программное обеспечение, использующее данные только о присутствии и хорошо работающее, когда доступно мало записей о присутствии.
ModEco реализует различные алгоритмы.
DIVA-GIS имеет простую в использовании (и удобную для использования в образовательных целях) реализацию BIOCLIM
Виртуальная лаборатория биоразнообразия и изменения климата (BCCVL) - это «универсальный магазин моделирования», который упрощает процесс моделирования биоразнообразия и климатических воздействий. 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 выходных данных BCCVL SDM можно найти здесь
Другой пример - Ecocrop, который используется для определения пригодности культуры к конкретной среде. Эта система базы данных также может прогнозировать урожайность сельскохозяйственных культур и оценивать влияние факторов окружающей среды, таких как изменение климата, на рост и пригодность растений.
Большинство алгоритмов моделирования ниши доступны в пакетах R 'dismo', 'biomod2' и 'mopa'..
Разработчики программного обеспечения могут захотеть использовать проект openModeller.
Сотрудничество по адаптации к изменению климата adap.nd.edu реализовало онлайн-версию openModeller, которая позволяет пользователям разрабатывать и запускать openModeller в высокопроизводительном, среда на основе браузера, позволяющая проводить несколько параллельных экспериментов без ограничения мощности локального процессора.
