Схема масштабирования занятости

В пространственная экология и макроэкология, модель масштабирования занятости (SPO ), также известный как зона занятости (AOO ), представляет собой способ, которым распределение видов изменяется в пространственных масштабах. В физической географии и анализе изображений это аналогично задаче изменяемой площади. Саймон А. Левин (1992) утверждает, что проблема соотнесения явлений на разных уровнях является центральной проблемой в биологии и во всей науке. Таким образом, понимание SPO является одной из центральных тем в экологии.

• 1 Описание паттерна
• 2 Пояснение
• 3 Значение для биологической консервации
• 4 Ссылки

Этот паттерн часто отображается как логарифмически преобразованное зерно ( размер ячейки) по сравнению с занятостью, преобразованной в журнал. Кунин (1998) представил логарифмическую линейную SPO и предположил фрактальную природу распределения видов. С тех пор было показано, что он следует форме логистической, отражающей процесс перколяции. Кроме того, SPO тесно связан с внутривидовым соотношением «занятость-численность». Например, если особи распределены в пространстве случайным образом, количество особей в ячейке размера α следует распределению Пуассона, с заполнением P α = 1 - exp (- μα), где μ - плотность. Ясно, что P α в этой модели Пуассона для случайно распределенных индивидов также является SPO. Другие вероятностные распределения, такие как отрицательное биномиальное распределение, также могут быть применены для описания SPO и соотношения «занятость-численность» для неслучайно распределенных особей.

Другие модели занятости-численности, которые может использоваться для описания SPO, включая экспоненциальную модель Нахмана, модель метапопуляции Хански и Гилленберга , улучшенную отрицательную биномиальную модель Хе и Гастона, применяя степенной закон Тейлора между средним и дисперсией распределения видов., и модель перколяции Хуэя и МакГеока с висячим хвостом. Одним из важных приложений SPO в экологии является оценка численности видов на основе данных о присутствии-отсутствии или только о заселенности. Это привлекательно, потому что получение данных о присутствии-отсутствии часто оказывается рентабельным. Используя тест микропереключателя, состоящий из 5 субтестов и 15 критериев, Hui et al. подтвердили, что использование SPO является надежным и надежным инструментом для региональной оценки численности в масштабе скоплений. Другое применение SPO включает выявление тенденций в популяциях, что чрезвычайно важно для сохранения биоразнообразия сохранения.

Модели, дающие объяснение наблюдаемой модели масштабирования занятости, включают 71>фрактальная модель, кросс-масштабная модель и байесовская модель оценки. Фрактальная модель может быть сконфигурирована путем разделения ландшафта на квадраты разного размера или пополам на сетки с особым соотношением ширины к длине (2: 1) и дает следующее SPO:

$P\; a\; =\; P\; 0\; a\; D\; /\; 2\; -\; 1\; \{\backslash \; displaystyle\; P\_\; \{a\}\; =\; P\_\; \{0\}\; a\; ^\; \{D\; /\; 2-1\}\; \backslash ,\}$

где D - фрактальная размерность с подсчетом ящиков. Если на каждом шаге квадрат делится на q подквадратов, мы обнаружим, что постоянная часть (f) подквадратов также присутствует во фрактальной модели, то есть D = 2 (1 + log ƒ / log q). Поскольку это предположение, что f не зависит от масштаба, не всегда имеет место в природе, можно принять более общий вид, = q (λ - константа), что дает кросс-масштабную модель:

$P\; aj\; =\; f\; 0\; f\; 1\; \cdots \; fj.\; \{\backslash \; displaystyle\; P\_\; \{a\_\; \{j\}\}\; =\; f\_\; \{0\}\; f\_\; \{1\}\; \backslash \; cdots\; f\_\; \{j\}.\; \backslash ,\}$

Байесовская модель оценивания следует другому образу мышления. Вместо предоставления наиболее подходящей модели, как указано выше, занятость в различных масштабах может быть оценена 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 пространственной автокорреляции SPO и подсчета соединений:

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

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

где Ω знак равно p (a) 0 - q (a) 0 / + p (a) + и $\mho \; \{\backslash \; displaystyle\; \backslash \; mho\}$= p (a) 0 (1 - p (a) + (2q (a) + / + - 3) + p ( а) + (q (a) + / + - 3)). p (a) + - занятость; q (a) + / + - это условная вероятность того, что случайно выбранный соседний квадрат занятого квадрата также занят. Условная вероятность q (a) 0 / + = 1 - q (a) + / + - вероятность отсутствия в квадрате, смежном с занятым; а и 4а - зерна. R-код байесовской модели оценивания был предоставлен в другом месте [17]. Ключевым моментом байесовской модели оценки является то, что масштабную модель распределения видов, измеряемую по занятости и пространственной структуре, можно экстраполировать по масштабам. Позже Хуи предоставляет байесовскую модель оценки для непрерывно меняющихся масштабов:

$P\; a\; =\; 1\; -\; bc\; 2\; a\; 1/2\; ha\; \{\backslash \; displaystyle\; P\_\; \{a\}\; =\; 1-bc\; ^\; \{2a\; ^\; \{1/2\}\}\; h\; ^\; \{a\}\; \backslash ,\}$

где b, c и h - константы. Этот SPO становится моделью Пуассона, когда b = c = 1. В той же статье байесовский алгоритм также предоставил схему масштабирования пространственной автокорреляции подсчета соединений и многовидовой ассоциации (или совместной встречаемости ). модель, предполагающая, что «байесовская модель может понять статистическую сущность моделей масштабирования видов».

Вероятность исчезновения видов и разрушения экосистемы быстро возрастает по мере уменьшения размера ареала. В протоколах оценки риска, таких как Красный список МСОП видов или Красный список экосистем МСОП, зона занятости (AOO) используется как стандартизованная, дополнительная и широко применяемая мера распространения риска против пространственно явных угроз.